Aus relationalen Daten lernen

Einstellungen Viele Algorithmen arbeiten mit einer einzelnen Beziehung oder Tabelle, während viele reale Datenbanken Informationen in mehreren Tabellen speichern (Domingos, 2003).

Frage Welche Arten von Algorithmen lernen gut aus mehreren (relationalen) Tabellen. Insbesondere interessieren mich die Algorithmen, die für die Regressions- und Klassifizierungsaufgaben anwendbar sind (nicht die netzwerkanalyseorientierten, z. B. Verbindungsvorhersage).

Mir sind einige der unten aufgeführten Ansätze bekannt (aber ich bin mir sicher, dass mir einige fehlen):

• Multi-relationales Data Mining (MRDM) (Dzeroski, 2002)
• Induktive Logikprogrammierung (ILP) (Muggleton, 1992)
• Statistisches relationales Lernen (SRL) (Getoor, 2007)

Džeroski, S. (2003). Multi-relationales Data Mining: eine Einführung. ACM SIGKDD Explorations Newsletter.

Getoor, Lise und Ben Taskar, Hrsg. Einführung in das statistische relationale Lernen. MIT-Presse, 2007.

S. Muggleton und C. Feng. Effiziente Einführung von Logikprogrammen. In Proceedings of the First Conference on Algorithmic Learning Theory, S. 368–381. Ohmsha, Tokio, 1990.

Ich begann dieses Thema zu studieren, indem ich diesen Artikel las: Macskassy, ​​S. & Provost, F. (2003). Ein einfacher relationaler Klassifikator . Mein Berater sagte mir, es sei der einfachste Klassifizierungsansatz für relationales Lernen, den er kenne.

Dies ist ein gutes Einführungsbuch: De Raedt, Luc, ed. Logisches und relationales Lernen . Springer, 2008.

Versuchen Sie es mit ACE für TILDE und WARMR.