پيش بيني رويدادهاي اخبار بر اساس استنتاج علّي در منطق مرتبه اول

(News Events Prediction Based on Casual Inference in First- Order Logic (FOL

در اين مقاله يك روش جديد براي پيش‌بيني رويدادهاي اخبار در محيط‌ هاي متني ارائه شده است. روش پيشنهادي، از طريق تعميم رويدادهاي علت و سپس پيش‌بيني رويدادهاي معلول آن با استفاده از قواعد علّي، قادر به توليد مدل پيش‌بيني رويداد است. براي اين منظور، ابتدا رويدادهاي موردنظر ازطريق يك مدل بازنمايي رويداد در سطح معنا از پيكره متني اخبار استخراج شده و در قالب يك مدل گرافيكي در آنتولوژي (پايگاه شناخت) به عنوان دانش پويا ذخيره مي‌شود. سپس يك سري قواعد علّي خاص حوزه پيش‌بيني در قالب منطق مرتبه اول به ماشين تزريق مي‌گردد. براي مدل كردن دانش ايستا علاوه بر پايگاه قواعد، از چندين پايگاه شناخت بزرگ شامل پايگاه شناخت عمومي نظير DBpedia، پايگاه شناخت واژگان نظير FarsNet و پايگاه شناخت افعال نظير VerbNet، به عنوان دانش ضمني براي تعميم دادن رويدادها و توليد مدل پيش‌بيني استفاده مي‌شود. در نهايت، تمامي اين مدل‌ها در قالب استاندارد زبان پايگاه شناخت وب (OWL)، به منظور انجام استنتاج علّي تجميع مي‌شوند. ارزيابي تجربي و عملي در اخبار واقعي نشان داد، كه روش پيشنهادي براي پيش‌بيني اخبار عملكرد بهتري نسبت به روش‌هاي پايه دارد.

A novel method for future event prediction is proposed in textual environment. Proposed method is able to produce an event prediction model through generalization of cause events and then predict the effect events by using causal rules. First, the events of interest are extracted from domainspecific texts via an event representation model at semantic level, and are stored in the form of a graphical model in ontology as a posteriori (dynamic) knowledge. Then, a set of domain-specific causal rules in first-order logic (FOL) are fed into the machine as a priori (common-sense) knowledge. In addition to this common-sense knowledge, several large-scale ontologies containing DBpedia, VerbNet and WordNet are used for modeling contextual (static) knowledge and generalizing events. Finally, all types of these knowledge are integrated in a standard Web ontology Language (OWL) to perform causal inference. Empirical evaluation on real news articles showed that our method was better than the baselines.