[发明专利]一种基于回答集逻辑程序的LPMLN推理方法及系统

说明书

本发明公开一种基于回答集逻辑程序的LPMLN推理方法，1、首先输入LPMLN程序和推理参数，其中推理参数包括强转化参数等，然后对输入的LPMLN程序进行语法分析，从而得到输入程序的Herbrand域以及关键的语法要素；2、根据步骤一中的强转化参数判断输入的LPMLN程序是进行强转化操作还是弱转化操作，并通过强转化或弱转化方法转化为对应的回答集程序；3、调用回答集程序推理机求解步骤二中转化得到的回答集程序；4、将步骤三中通过回答集程序推理机求解输出的可能世界变换为输入LPMLN程序所对应的推理结果。本发明能够在线性时间内将输入的LPMLN程序转化为相应的回答集程序，并利用回答集程序推理机实现其推理。

技术领域

本发明属于知识表示和推理技术领域，特别涉及一种基于回答集逻辑程序的LPMLN推理方法及系统。

背景技术

随着语义Web的飞速发展，越来越多的知识库在互联网上变得可用，但是在不同知识库之间的一致性却难以得到有效的保证，并且知识库自身由于各种原因其可信度也不尽相同，如何利用这些知识库进行推理等知识服务成为一个难点。回答集程序是一种基于非单调逻辑的能力强大、用途广泛的知识表示语言，而马尔可夫逻辑网是当前流行的表示和处理知识不一致的工具，其本质是结合马尔可夫网和一阶逻辑。LPMLN是马尔可夫网和回答集程序的结合，充分结合了马尔可夫网的不一致表达能力和回答集程序的知识表示能力。随之而来的问题是需要有合适的LPMLN推理机，使其能够有效地被应用到现实场景中。

目前探索的LPMLN推理方法有两种：

(1)将LPMLN的逻辑模块即回答集程序通过完备化方法转化为一阶逻辑程序，使得LPMLN程序转化为传统的马尔可夫逻辑程序，利用现成的马尔科夫逻辑程序推理机如Alchemy、Tuffy等可以实现其推理。然而这种方法具有明显的缺点：对于析取规则，其完备化过程是指数时间复杂度的，并且也没有成熟可用的完备化工具。

(2)将LPMLN程序转化为P-log程序，然后利用现成的P-log推理机进行推理。然而这种方法的缺点是当前没有成熟可用的P-log推理机。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种能够在线性时间内将输入的LPMLN程序转化为相应的回答集程序，并利用回答集程序推理机实现其推理的基于回答集逻辑程序的LPMLN推理方法及系统。

技术方案：为解决上述技术问题，本发明提供一种基于回答集逻辑程序的LPMLN推理方法，包括如下步骤：

步骤一：首先输入LPMLN程序和推理参数，其中推理参数包括强转化参数等，然后对输入的LPMLN程序进行语法分析，从而得到输入程序的Herbrand域以及关键的语法要素；并且为LPMLN程序中的每个规则分配一个规则标签，规则标签的形式为“rlabel(i,X1,…,Xn)”，其中i是一个正整数，对于不同的规则其规则标签中的i互不相同，相当于规则的唯一ID；X1,…,Xn是规则中的不同变量列表。如规则“2:a(X):-b(X).”，规定其ID为1，则其规则标签为“rlabel(1,X)”。

步骤二：根据步骤一中的强转化参数判断输入的LPMLN程序是进行强转化操作还是弱转化操作，并通过强转化或弱转化方法转化为对应的回答集程序；

步骤三：调用回答集程序推理机求解步骤二中转化得到的回答集程序；

步骤四：将步骤三中通过回答集程序推理机求解输出的可能世界变换为输入LPMLN程序所对应的推理结果。

进一步的，所述步骤一中对输入的LPMLN程序进行语法分析的具体步骤如下：

步骤1.1：将输入的LPMLN程序文本按照语法定义解析为树状结构化数据；

步骤1.2：从程序的语法树中求出输入程序的Herbrand域；