Diese Arbeit dient einer kurzen Einführung zur Analyse von Graphen bzw. Netzwerken mithilfe probabilistischer Logikprogrammierung (ProbLog). Sie fängt in Abschnitt 2 mit dem Anwendungsbeispiel für die Implementierung eines ProbLog-Programms an. Hierfür wird ein sehr vereinfachtes Toy-Modell genutzt, dass einem sozialen Netzwerk auf der Literaturplattform Fanfiktion.de ähnelt und soll dabei zur Suche von Subcommunities genutzt werden.
In Abschnitt 3 wird dann das Netzwerk mitsamt Argumentation bezüglich der Communitybildung in die logische Repräsentation von ProbLog übersetzt. Indem Schritt für Schritt die vorausgehenden Überlegungen in diese Form gebracht werden, soll der Leser gleichzeitig einen Einblick in die Syntax von ProbLog erhalten und die Parallelen zwischen der netzwerktheoretischen und logikbasierten Sicht erkennen können. Nach der logischen Repräsentation des Netzwerks beginnt die Analyse der Communities, indem verschiedene Argumentationstechniken demonstriert werden. Wie in der klassischen Logik wird kurz beschrieben, wie Deduktion, Abduktion und Induktion in ProbLog Gestalt annehmen und somit verschiedene Perspektiven eingenommen werden können, je nachdem welches Ziel erreicht werden soll.
Um den Einstieg in diese Methoden zu erleichtern, wird die Automatisierung der Argumentation noch mit einer "analogen" ergänzt. Desweiteren ist anzumerken, dass die Analyseresultate zur Communityzugehörigkeit in Form von Wahrscheinlichkeiten gegeben sind. Das hat den Vorteil, dass die Communityzugehörigkeit als Maß zwischen 0 und 1 interpretiert werden kann und somit wiederum eine nicht-binäre Sicht ermöglicht, die den Umgang mit unsicheren Informationen differenzierter gestaltet. Zuletzt wird in Abschnitt 4 eine potentielle zukünftige Arbeit in diesem Bereich beleuchtet.
Inhaltsverzeichnis
1. Einleitung
2. Modellierung
2.1. Fanfiktion - Toy Modell
2.2. Definitionen
3. Probabilistische Logikprogrammierung
3.1. logische Repräsentation
3.1.1. Fakten
3.1.2. Prädikate
3.1.3. Metapärädikate
3.1.4. Substitution & Erklärungen
3.1.5. Evidenzen
3.2. Probabilistische Inferenz und Argumentation
3.2.1. Deduktion
3.2.2. Abduktion
3.2.3. Induktion
4. Schlussteil
4.1. Zukünftige Arbeit
4.1.1. Erweiterungen
4.1.2. Peer Learning
4.2. Zusammenfassung & Fazit
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, die Analyse von Netzwerken mithilfe probabilistischer Logikprogrammierung (ProbLog) zu demonstrieren und deren Vorteile gegenüber klassischen Programmiersprachen für die Modellierung komplexer relationaler Datenstrukturen aufzuzeigen.
- Grundlagen der probabilistischen Logikprogrammierung
- Modellierung eines Fanfiktion-Netzwerks als Anwendungsfall
- Logische Repräsentation und Inferenztechniken
- Statistisches Lernen und Parameteroptimierung in ProbLog
Auszug aus dem Buch
2.1. Fanfiktion - Toy Modell
Das Beispielnetzwerk, auf welches die Analyse beruhen wird, ist inspiriert von beobachtbaren relationalen Daten auf Fanfiktion.de. Mit Fanfiktion wird Literatur bezeichnet, die auf Grundlage bereits existierender Werke (sowohl Literatur, als auch weitere Medien, wie z.B. Film und Fernsehen) eine alternative Handlung mit den Protagonisten und/oder innerhalb des jeweiligen fiktiven Universums abbildet. Die deutschsprachige Plattform Fanfiktion.de ermöglicht es Autoren von Fanfiction ihre Werke zu publizieren, während andere User diese mit sogenannten Reviews kommentieren und kritisieren. Desweiteren sind User in der Lage andere Autoren zu favorisieren, um sie entsprechend als „Lieblingsautoren“ zu markieren oder nur eine einzelne Texte zu favorisieren, wenn sie besonders von dem Werk überzeugt sind. Weitere Informationen der Plattform werden kurz in Abschnitt 4.1.1 für zukünftige Möglichkeiten diskutiert. Für die Analyse des Beispielnetzwerks sollen nur die drei genannten Relationen genutzt werden. Insbesondere in der Diskussion um potentielle Subcommunities haben sie den Vorteil, dass sie keine absolute Nähe im Netzwerk beschreiben, sondern nur eine sehr unsichere Argumentation ermöglichen. Dies ist insofern ein Vorteil, da die Programmiersprache ProbLog dafür gemacht ist, um mit solchen unsicheren und unvollständigen Informationen zu arbeiten.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung führt in die Nutzung von ProbLog zur Analyse von Graphen-Netzwerken ein und umreißt die Struktur der Arbeit.
2. Modellierung: Dieses Kapitel erläutert das Fanfiktion-Toy-Modell sowie die für die Analyse verwendeten Definitionen und Bezeichnungen.
3. Probabilistische Logikprogrammierung: Hier werden die Kernkonzepte der logischen Repräsentation (Fakten, Prädikate) und die Methoden zur Inferenz (Deduktion, Abduktion, Induktion) theoretisch und praktisch behandelt.
4. Schlussteil: Das Kapitel schließt mit Ausblicken auf mögliche Erweiterungen, wie Peer Learning, und fasst die Ergebnisse der Arbeit zusammen.
Schlüsselwörter
ProbLog, Logikprogrammierung, Netzwerkanalyse, Fanfiktion, probabilistische Inferenz, Deduktion, Abduktion, Induktion, Graphentheorie, statistisch-relationales Lernen, Subcommunities, Repräsentation, Argumentation, Fakten, Prädikate
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, wie komplexe Netzwerkstrukturen mithilfe der probabilistischen Logikprogrammiersprache ProbLog modelliert und analysiert werden können, um unsichere Informationen verarbeitbar zu machen.
Was sind die zentralen Themenfelder?
Die zentralen Felder umfassen die logische Repräsentation von Graphen, die Anwendung von Inferenztechniken wie Deduktion und Abduktion sowie Ansätze für probabilistisches Lernen.
Welches primäre Ziel verfolgt die Forschungsarbeit?
Ziel ist es, ein transparentes Werkzeug für die Analyse relationaler Daten zu schaffen, das über klassische Machine-Learning-Methoden hinausgeht, indem es eine logikbasierte Argumentationsbasis bietet.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit nutzt Methoden der probabilistischen Logikprogrammierung, insbesondere die Syntax und Logik von ProbLog, um auf Basis eines Fanfiktion-Datensatzes Netzwerkeigenschaften zu evaluieren.
Was wird im Hauptteil behandelt?
Der Hauptteil befasst sich mit der technischen Modellierung der Daten, der Implementierung logischer Regeln zur Bestimmung von Nähe und Community-Zugehörigkeit sowie der Evaluierung durch Inferenz und Lernalgorithmen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Schlüsselbegriffe sind ProbLog, Netzwerkanalyse, probabilistische Inferenz, Fanfiktion-Daten, statistisch-relationales Lernen und logische Repräsentation.
Wie werden unsichere Informationen im Modell gehandhabt?
Die Unsicherheit wird durch die probabilistische Erweiterung der Logik abgebildet, bei der Fakten und Regeln mit Wahrscheinlichkeiten versehen werden, die eine stochastische Bewertung von Aussagen ermöglichen.
Welchen Stellenwert nimmt das Fanfiktion-Toy-Modell ein?
Es dient als praxisnahes Beispielnetzwerk, um die Modellierung von Subcommunities und Interaktionen zwischen Autoren transparent zu demonstrieren.
Welche Rolle spielt die Abduktion in der Arbeit?
Die Abduktion wird eingesetzt, um aus beobachteten Ergebnissen Rückschlüsse auf die möglichen zugrundeliegenden Erklärungen oder Ursachen innerhalb des Netzwerks zu ziehen.
Wie trägt die Arbeit zum Feld der "Explainable AI" bei?
Durch die klare Modellierung und logische Nachvollziehbarkeit bietet der ProbLog-Ansatz eine transparente Alternative zu "Black-Box"-Methoden des Deep Learnings.
- Quote paper
- Joel Doat (Author), 2021, Einführung in probabilistische Logikprogrammierung mit einem Fanfiktion-Toy-Modell, Munich, GRIN Verlag, https://www.grin.com/document/1158234
