关系分类的学习界限研究

摘要：

在关系分类模型的学习过程中，目前还没有类似统计学习理论中学习界限的支撑。研究关系分类的学习界限显得尤为重要，为此，提出了一些适用于关系分类模型的学习界限。首先推导出在模型假设空间有限和无限情况下的学习界限。接着提出一个衡量关系模型关联数据能力的复杂性度量--关系维，并证明了该复杂度和关系模型的生长函数之间的关系，得到有限VC维和有限关系维下的学习界限。然后分析了该界限可学习和有意义的条件，并对界限的可行性进行了详细的分析。最后分析了基于马尔可夫逻辑网的传统学习界限和关系分类中的学习情况，实验结果表明，所提出的界限能够解释实际关系分类中遇到的一些问题。

关键词：关系分类、统计关系学习、学习的界限

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61173145;国家高技术研究发展计划8632012AA012506

在线出版日期：2014-01-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：2508-2521