导读:本文包含了后向推理论文开题报告文献综述及选题提纲参考文献，主要关键词:语义推理,后向链推理,并行化
后向推理论文文献综述
顾荣,王善永,郭晨,袁春风,黄宜华[1]（2018）在《基于Spark的大规模语义规则后向链推理系统》一文中研究指出近年来,语义网数据快速增长,适合于处理静态小规模语义数据的前向链语义推理技术暴露出了需对数据进行频繁更新等问题。面对大规模动态语义网数据,对数据更新不敏感的后向链语义推理开始成为新的研究热点。后向链语义推理由查询目标驱动,在查询时根据规则集推理出查询结果。后向链语义推理具有推理过程复杂、规则扩展深度大等特点,在大规模语义数据上推理的效率和可扩展性上有一定的挑战。该文立足于已有的后向链推理技术,详细分析了语义推理规则集的特点,并结合当前主流的大数据处理平台Spark,设计了一套较为高效并且可扩展的大规模并行化语义规则后向链推理系统。该文的主要研究工作分为叁个部分:(1)采用预计算本体数据闭包的方法,避免了本体模式在实时推理阶段的重复推理;(2)在后向链语义推理的逆向推理和查询阶段设计了优化措施,进一步提高了推理效率;(3)设计实现了一种基于Spark平台的大规模分布式RDFS/OWL后向链语义推理系统。实验数据显示,该文提出的RDFS/OWL后向链语义推理系统在合成数据集LUBM和真实数据集DBpedia上都表现出了良好的推理性能,在亿条叁元组上的推理开销是几秒到几十秒,并且表现出了良好的数据可扩展性和节点可扩展性。(本文来源于《中文信息学报》期刊2018年03期）
王善永[2]（2016）在《大规模并行化语义规则后向链推理技术研究与实现》一文中研究指出近年来,语义数据快速增长,适合于处理静态语义数据的前向链语义推理算法面对快速增长的数据,逐渐暴露出缺陷。前向链语义推理为了维持推理结果的完整性,每次数据更新都需要重新推理,效率十分低下。因此,对数据更新不敏感的后向链语义推理开始成为新的研究方向。后向链语义推理由查询目标驱动,在查询时根据规则集推理出查询结果。后向链语义推理算法比前向链复杂,并且推理发生在查询时,因此推理查询比单纯查询的时间开销要大不少,这是阻碍后向链语义推理走向实用的最大障碍。现有的后向链语义推理系统大多处于RDF存储与查询系统的一个子功能的地位,推理能力相对较弱。后向链语义推理的推理过程复杂、规则扩展深度大、难以并行化等特点,导致它在大规模语义数据上做推理存在着效率较低和扩展性较差等多方面的不足和缺陷。本文立足于已有的后向链推理技术,详细分析了语义推理规则集的特点,并结合当前最流行的大数据处理平台,设计了一套较为高效并且可扩展的大规模并行化语义规则后向链推理系统。本文的主要研究工作分为以下几个部分:首先,本文详细分析了后向链语义推理的过程及各阶段对语义数据的依赖,设计了本体数据闭包计算与实时推理相分离的计算策略。语义数据不同于一般的万维网数据,语义数据带有针对特定领域开发的领域本体,这些本体数据描述了领域内各种概念之间的关系,是一类相对稳定并且规模较小的数据,而日益增长的知识属于语义数据中的实例数据。在应用规则推导隐式知识时,所有有效规则都至少包含了一条本体数据作为输入,所以在后向链语义推理的逆向推理(规则扩展)过程中,本体推理模式会频繁地出现,甚至会重复性地出现,因而,其时间开销在整个后向链推理中占据很大比例。本文采用预计算本体数据闭包并将其在计算节点间共享的方法,使得本体推理模式在实时的推理阶段不需要被重复计算,因而能够降低实时推理的时间开销。其次,在后向链语义推理的逆向推理、查询、正向推理叁个阶段分别设计了优化措施,进一步提高了后向链语义推理的效率。在逆向推理阶段,根据推理模式在不同层次间的数据依赖关系,尽早剪除无效推理分支;根据相互依赖的多个模式的复杂度,选择最优的推理次序。在查询阶段,设计了多表索引,并通过使用Pre-shuffle技术使得全局扫描可以跳过无关数据块,提高了查询速度。在正向推理阶段,为完全推理模式设计了绑定传播和自由变量两种优化方法;针对冗余结果的推导进行了优化,减少了重复计算和冗余结果;针对连接操作也进行了优化,减少了磁盘的读写次数和网络通信开销。最后,设计并实现了基于Spark平台的大规模分布式RDFS/OWL后向链语义推理系统。Spark是当前最流行的大数据计算平台之一,具有容错性好、可扩展性高、部署简单等优点,基于Spark的实现具有很强的通用性。实验数据显示,本文提出的RDFS/OWL后向链语义推理系统在合成数据集LUBM和真实数据集DBpedia上,都表现出了良好的推理性能,在亿条叁元组上的推理开销是几秒到几十秒,并且表现出了良好的数据可扩展性和节点可扩展性。(本文来源于《南京大学》期刊2016-05-20）
刘海明[3]（2012）在《一个基于CLIPS的后向不确定推理系统》一文中研究指出基于CLIPS的前向推理构造并实现了后向推理算法,在后向推理算法中,基于确定性因子实现处理不确定性的方法;对该系统性能作了分析。(本文来源于《电脑知识与技术》期刊2012年08期）
彭建国[4]（2003）在《工作记忆广度与语篇阅读中前向推理和后向推理的关系》一文中研究指出采用2×2×2独立设计，以反应时为指标，以较长的语篇为实验材料，利用命名法从工作记忆能力个体差异的角度，探讨被试阅读过程中前向推理和后向推理的时间进程。结果表明：工作记忆广度影响前向推理和后向推理的加工进程，高工作记忆广度可促进前向推理和后向推理的加工进程，低工作记忆广度限制前向推理和后向推理的加工进程；在300ms时间间隔下，高工作记忆广度被试可即时做出后向推理，但是不能做出前向推理，而低工作记忆广度的被试既不能做出前向推理，也不能做出后向推理。无论高、低工作记忆广度的被试在1000ms的时间间隔下都能做出推理，即前向推理和后向推理都是即时做出的，但是低工作记忆广度的被试需要时间构建。(本文来源于《河北师范大学》期刊2003-05-18）
后向推理论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近年来,语义数据快速增长,适合于处理静态语义数据的前向链语义推理算法面对快速增长的数据,逐渐暴露出缺陷。前向链语义推理为了维持推理结果的完整性,每次数据更新都需要重新推理,效率十分低下。因此,对数据更新不敏感的后向链语义推理开始成为新的研究方向。后向链语义推理由查询目标驱动,在查询时根据规则集推理出查询结果。后向链语义推理算法比前向链复杂,并且推理发生在查询时,因此推理查询比单纯查询的时间开销要大不少,这是阻碍后向链语义推理走向实用的最大障碍。现有的后向链语义推理系统大多处于RDF存储与查询系统的一个子功能的地位,推理能力相对较弱。后向链语义推理的推理过程复杂、规则扩展深度大、难以并行化等特点,导致它在大规模语义数据上做推理存在着效率较低和扩展性较差等多方面的不足和缺陷。本文立足于已有的后向链推理技术,详细分析了语义推理规则集的特点,并结合当前最流行的大数据处理平台,设计了一套较为高效并且可扩展的大规模并行化语义规则后向链推理系统。本文的主要研究工作分为以下几个部分:首先,本文详细分析了后向链语义推理的过程及各阶段对语义数据的依赖,设计了本体数据闭包计算与实时推理相分离的计算策略。语义数据不同于一般的万维网数据,语义数据带有针对特定领域开发的领域本体,这些本体数据描述了领域内各种概念之间的关系,是一类相对稳定并且规模较小的数据,而日益增长的知识属于语义数据中的实例数据。在应用规则推导隐式知识时,所有有效规则都至少包含了一条本体数据作为输入,所以在后向链语义推理的逆向推理(规则扩展)过程中,本体推理模式会频繁地出现,甚至会重复性地出现,因而,其时间开销在整个后向链推理中占据很大比例。本文采用预计算本体数据闭包并将其在计算节点间共享的方法,使得本体推理模式在实时的推理阶段不需要被重复计算,因而能够降低实时推理的时间开销。其次,在后向链语义推理的逆向推理、查询、正向推理叁个阶段分别设计了优化措施,进一步提高了后向链语义推理的效率。在逆向推理阶段,根据推理模式在不同层次间的数据依赖关系,尽早剪除无效推理分支;根据相互依赖的多个模式的复杂度,选择最优的推理次序。在查询阶段,设计了多表索引,并通过使用Pre-shuffle技术使得全局扫描可以跳过无关数据块,提高了查询速度。在正向推理阶段,为完全推理模式设计了绑定传播和自由变量两种优化方法;针对冗余结果的推导进行了优化,减少了重复计算和冗余结果;针对连接操作也进行了优化,减少了磁盘的读写次数和网络通信开销。最后,设计并实现了基于Spark平台的大规模分布式RDFS/OWL后向链语义推理系统。Spark是当前最流行的大数据计算平台之一,具有容错性好、可扩展性高、部署简单等优点,基于Spark的实现具有很强的通用性。实验数据显示,本文提出的RDFS/OWL后向链语义推理系统在合成数据集LUBM和真实数据集DBpedia上,都表现出了良好的推理性能,在亿条叁元组上的推理开销是几秒到几十秒,并且表现出了良好的数据可扩展性和节点可扩展性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
后向推理论文参考文献
[1].顾荣,王善永,郭晨,袁春风,黄宜华.基于Spark的大规模语义规则后向链推理系统[J].中文信息学报.2018
[2].王善永.大规模并行化语义规则后向链推理技术研究与实现[D].南京大学.2016
[3].刘海明.一个基于CLIPS的后向不确定推理系统[J].电脑知识与技术.2012
[4].彭建国.工作记忆广度与语篇阅读中前向推理和后向推理的关系[D].河北师范大学.2003