التعلم الإحصائي العلائقي

التعلم الإحصائي العلائقي ( SRL ) هو فرع من فروع الذكاء الاصطناعي والتعلم الآلي ، يهتم بنماذج المجال التي تتسم بالغموض (الذي يمكن التعامل معه باستخدام الأساليب الإحصائية) والبنية العلائقية المعقدة . ^{[ 1 ] [ 2 ]} عادةً، تستخدم نماذج تمثيل المعرفة المطورة في التعلم الإحصائي العلائقي (مجموعة فرعية من) منطق الرتبة الأولى لوصف الخصائص العلائقية للمجال بشكل عام ( القياس الكمي الشامل )، وتعتمد على النماذج البيانية الاحتمالية (مثل الشبكات البايزية أو شبكات ماركوف ) لنمذجة الغموض؛ كما يعتمد بعضها على أساليب البرمجة المنطقية الاستقرائية . وقد شهد هذا المجال إسهامات كبيرة منذ أواخر التسعينيات. ^{[ 1 ]}

كما يتضح من الوصف أعلاه، لا يقتصر هذا المجال على جوانب التعلم فحسب، بل يهتم أيضاً بالاستدلال (وتحديداً الاستدلال الاحتمالي ) وتمثيل المعرفة . ولذلك، تشمل المصطلحات البديلة التي تعكس المحاور الرئيسية لهذا المجال: التعلم والاستدلال الإحصائي العلائقي (مع التركيز على أهمية الاستدلال)، ولغات الاحتمالية من الدرجة الأولى (مع التركيز على الخصائص الأساسية للغات التي تُستخدم لتمثيل النماذج). ومن المصطلحات الأخرى التي تُستخدم أحياناً في الأدبيات: التعلم الآلي العلائقي (RML).

يرتبط عدد من المهام الأساسية بالتعلم الإحصائي العلائقي، وأكثرها شيوعاً هي: ^{[ 3 ]}

• التصنيف الجماعي ، أي التنبؤ (المتزامن) بفئة عدة كائنات بالنظر إلى سمات الكائنات وعلاقاتها
• التنبؤ بالروابط ، أي التنبؤ بما إذا كان هناك علاقة بين كائنين أو أكثر أم لا
• التجميع القائم على الروابط ، أي تجميع الكائنات المتشابهة، حيث يتم تحديد التشابه وفقًا لروابط الكائن، والمهمة ذات الصلة بالترشيح التعاوني ، أي الترشيح للحصول على المعلومات ذات الصلة بكيان ما (حيث تعتبر معلومة ما ذات صلة بكيان ما إذا كان من المعروف أنها ذات صلة بكيان مشابه).
• نمذجة الشبكات الاجتماعية
• object identification/entity resolution/record linkage, i.e. the identification of equivalent entries in two or more separate databases/datasets

One of the fundamental design goals of the representation formalisms developed in SRL is to abstract away from concrete entities and to represent instead general principles that are intended to be universally applicable. Since there are countless ways in which such principles can be represented, many representation formalisms have been proposed in recent years.^[1] In the following, some of the more common ones are listed in alphabetical order:

• Bayesian logic program
• BLOG model
• Markov logic networks
• Multi-entity Bayesian network
• Probabilistic logic programs
• Probabilistic relational model – a Probabilistic Relational Model (PRM) is the counterpart of a Bayesian network in statistical relational learning.^[4][5]
• Probabilistic soft logic
• Recursive random field
• Relational Bayesian network
• Relational dependency network
• Relational Markov network
• Relational Kalman filtering

• Association rule learning
• Formal concept analysis
• Fuzzy logic
• Grammar induction
• Knowledge graph embedding

• Brian Milch, and Stuart J. Russell: First-Order Probabilistic Languages: Into the Unknown, Inductive Logic Programming, volume 4455 of Lecture Notes in Computer Science, page 10–24. Springer, 2006
• Rodrigo de Salvo Braz, Eyal Amir, and Dan Roth: A Survey of First-Order Probabilistic Models, Innovations in Bayesian Networks, volume 156 of Studies in Computational Intelligence, Springer, 2008
• Hassan Khosravi and Bahareh Bina: A Survey on Statistical Relational Learning, Advances in Artificial Intelligence, Lecture Notes in Computer Science, Volume 6085/2010, 256–268, Springer, 2010
• Ryan A. Rossi, Luke K. McDowell, David W. Aha, and Jennifer Neville: Transforming Graph Data for Statistical Relational Learning, Journal of Artificial Intelligence Research (JAIR), Volume 45, page 363-441, 2012
• Luc De Raedt, Kristian Kersting, Sriraam Natarajan and David Poole, "Statistical Relational Artificial Intelligence: Logic, Probability, and Computation", Synthesis Lectures on Artificial Intelligence and Machine Learning" March 2016 ISBN 9781627058414.