پیش‌بینی رویدادهای اخبار بر اساس استنتاج علّی در منطق رتبه اول

در این مقاله یک روش جدید برای پیش‌بینی رویدادهای اخبار در محیط‌های متنی ارائه شده است. روش پیشنهادی، از طریق تعمیم رویدادهای علت و سپس پیش‌بینی رویدادهای معلول آن با استفاده از قواعد علّی، قادر به تولید مدل پیش‌بینی رویداد است. برای این منظور، ابتدا رویدادهای موردنظر ازطریق یک مدل بازنمایی رویداد در سطح معنا از پیکره متنی اخبار استخراج شده و در قالب یک مدل گرافیکی در آنتولوژی (پایگاه شناخت) به عنوان دانش پویا ذخیره می‌شود. سپس یک سری قواعد علّی خاص حوزه پیش‌بینی در قالب منطق مرتبه اول به ماشین تزریق می‌گردد. برای مدل کردن دانش ایستا علاوه بر پایگاه قواعد، از چندین پایگاه شناخت بزرگ شامل پایگاه شناخت عمومی نظیر dbpedia، پایگاه شناخت واژگان نظیر farsnet و پایگاه شناخت افعال نظیر verbnet، به عنوان دانش ضمنی برای تعمیم دادن رویدادها و تولید مدل پیش‌بینی استفاده می‌شود. در نهایت، تمامی این مدل‌ها در قالب استاندارد زبان پایگاه شناخت وب (owl)، به منظور انجام استنتاج علّی تجمیع می‌شوند. ارزیابی تجربی و عملی در اخبار واقعی نشان داد، که روش پیشنهادی برای پیش‌بینی اخبار عملکرد بهتری نسبت به روش‌های پایه دارد.