●出版者的話
譯者序
序言
前言
關於作譯者
第1章預備知識1
1.1序、格和序數1
1.2映射和不動點2
1.3邏輯程序3
1.4正規邏輯程序的語義8
1.4.1程序完備化8
1.4.2良基語義10
1.4.3穩定模型語義13
1.5概率論14
1.6概率圖模型21
第2章概率邏輯程序語言27
2.1基於分布語義的語言27
2.1.1帶標注析取的邏輯程序27
2.1.2ProbLog28
2.1.3概率Horn溯因28
2.1.4PRISM29
2.2不帶函數符號的程序的分布語義30
2.3示例程序33
2.4表達能力的等價性36
2.5將LPAD轉換成貝葉斯網絡38
2.6分布語義的通用性41
2.7分布語義的擴展42
2.8CP-Logic43
2.9不可靠程序的語義47
2.10KBMC概率邏輯程序設計語言49
2.10.1貝葉斯邏輯程序50
2.10.2CLP(BN)50
2.10.3Prolog因子語言51
2.11概率邏輯程序的其他語義52
2.11.1隨機邏輯程序53
2.11.2ProPPR54
2.12其他概率邏輯語義54
2.12.1Nilsson概率邏輯55
2.12.2馬爾可夫邏輯網絡55
2.12.3帶標注的概率邏輯程序58
第3章帶函數符號的語義59
3.1帶函數符號程序的分布語義60
3.2解釋的無窮覆蓋集63
3.3與Sato和Kameya的定義的比較71
第4章混合程序的語義74
4.1混合ProbLog74
4.2分布子句76
4.3擴展的PRISM79
4.4Cplint混合程序80
4.5概率約束邏輯程序83
第5章準確推理92
5.1PRISM93
5.2知識編譯95
5.3ProbLog196
5.4cplint98
5.5SLGAD99
5.6PITA100
5.7ProbLog2103
5.8TP編譯111
5.9PITA中的建模假設113
5.9.1PITA(OPT)115
5.9.2用PITA實現的MPE117
5.10有無限個解釋的查詢的推理118
5.11混合程序的推理118
第6章提升推理123
6.1提升推理預備知識123
6.1.1變量消除124
6.1.2GC-FOVE126
6.2LP2127
6.3使用聚合parfactor的提升推理129
6.4加權一階模型計數130
6.5帶環邏輯程序132
6.6各種方法的比較132
第7章近似推理133
7.1ProbLog1133
7.1.1迭代深化133
7.1.2k-best134
7.1.3蒙特卡羅方法134
7.2MCINTYRE136
7.3帶無窮多個解釋的查詢的近似推理138
7.4條件近似推理138
7.5通過采樣對混合程序進行近似推理140
7.6混合程序的帶有界誤差的近似推理141
7.7k-優化142
7.8基於解釋的近似加權模型計數144
7.9帶TP編譯的近似推理146
7.10DISTR和EXP任務146
第8章非標準推理149
8.1可能性邏輯程序設計149
8.2決策-理論ProbLog150
8.3代數ProbLog155
第9章參數學習161
9.1PRISM參數學習161
9.2LLPAD和ALLPAD參數學習166
9.3LeProbLog166
9.4EMBLEM169
9.5ProbLog2參數學習176
9.6混合程序的參數學習177
第10章結構學習178
10.1歸納邏輯程序178
10.2LLPAD和ALLPAD結構學習181
10.3ProbLog理論壓縮182
10.4ProbFOIL和ProbFOIL+182
10.5SLIPCOVER186
10.5.1語言偏好186
10.5.2算法描述187
10.5.3運行實例191
10.6數據集實例192
第11章cplint實例194
11.1cplint命令194
11.2自然語言處理197
11.2.1概率上下文無關文法197
11.2.2概率左角文法197
11.2.3隱馬爾可夫模型198
11.3決策圖199
11.4高斯過程200
11.5Dirichlet過程203
11.5.1Stick-Breaking過程203
11.5.2中餐館過程206
11.5.3混合模型207
11.6貝葉斯估計208
11.7Kalman濾波器209
11.8隨機邏輯程序211
11.9方塊地圖生成213
11.10馬爾可夫邏輯網絡214
11.11Truel215
11.12優惠券收集者問題217
11.13一維隨機遊走220
11.14隱含Dirichlet分配220
11.15印度人GPA問題223
11.16Bongard問題224
第12章總結227
附錄縮略語及符號對照表228
參考文獻231

概率邏輯程序是在邏輯程序的基礎上增加對不確定性信息的表示。概率邏輯程序是以下兩個用途廣泛的領域交叉形成的：邏輯和概率的統一、概率程序。
邏輯用於表示實體之間的復雜關繫，而概率論對構建屬性和關繫的不確定性模型有幫助。統一兩個理論是一個非常活躍的研究領域。
概率邏輯程序與帶知識表示能力的邏輯語言和帶計算能力的圖靈復雜語言類似，因此，它是兩種語言的很好組合。
由於概率邏輯程序的出現，越來越多的研究著開始關注它，並已產生了許多語言、推理和學習算法。
本書主要對該領域提供一個概要，同時介紹分布語義下的具體語言。本書主要介紹語義、推理、學習和他們之間的關繫。