应用于逻辑推理的机器学习方法及装置与流程

1.本发明涉及机器学习技术领域，尤其涉及一种应用于逻辑推理的机器学习方法及装置。


背景技术：

2.随着人机交互应用需求的大量增长，类脑、人工智能相关的研究迅速开展，同时互联网中信息数据呈指数级别增长，数据多且繁杂，规模巨大，为了解决人工智能在庞杂的数据体系中实现学习、推理、规划、思考等智能行为以代替人类在各种环境中的思维和执行能力，诸如思维导图或知识图谱等描述实体关系的人工智能工具诞生，其在基础层面支撑了人工智能对于数据挖掘、信息处理、知识计量的客观需求。
3.然而，实践发现，如知识图谱工具，其只能够解决人工智能问题的较浅层次。由于知识图谱只描述了实体及实体间的一般关系，其只能通过大量的构建实体的属性，通过属性的互相映射来确立实体之间的关系，这导致了在逻辑推理领域中，知识图谱只能揭露了实体之间逻辑关系的可能性，而非唯一性，例如：当多个属性的重合度高，则指示了实体之间的关系强。同时由于知识图谱没有约定实体之间做逻辑推理的路径规则，导致实体之间的推理可能陷入闭环，以致无法从原因实体推理至结论实体，以三角形为例，顶点为实体、边为关系，如果没有约定路径规则，则可能导致原因实体和结论实体结合为同一个顶点，逻辑推理则在三角形中不断循环，没有输出结果。
4.可见，当前的逻辑推理实现方法存在效率低及准确率低的问题。


技术实现要素：

5.本发明提供了一种应用于逻辑推理的机器学习方法及装置，能够通过机器学习得到的结果(如逻辑推理模型)实现逻辑推理得到原因对应的结果和/或中间推理过程，提高了逻辑推理的效率及准确率。
6.本发明第一方面公开了一种应用于逻辑推理的机器学习方法，所述方法包括：
7.获取若干个样本逻辑推理数据集合，并对所有所述样本逻辑推理数据集合执行预处理操作，得到每个所述样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合；
8.通过预先确定出的机器学习方法学习所有所述处理后样本逻辑推理数据集合，得到机器学习结果；
9.当需要进行逻辑推理时，获取需要进行逻辑推理的目标原因数据，并根据所述机器学习结果查找所述目标原因数据对应的逻辑推理路径，得到所述目标原因数据对应的逻辑推理结果；
10.其中，所述目标原因数据对应的逻辑推理结果包括所述目标原因数据对应的目标结果数据和/或从所述目标原因数据推理出所述目标结果数据的中间推理过程信息。
11.作为一种可选的实施方式，在本发明第一方面中，每个所述样本逻辑推理数据集合包括若干个推理路径以及若干个样本数据，每个所述推理路径存在与之唯一对应的路径
标识，所述样本逻辑推理数据集合的若干个样本数据中包括与所述样本逻辑推理数据集合唯一对应的样本推理起点数据及能够通过该样本推理起点数据推理出的样本推理结果数据；
12.以及，所述对所有所述样本逻辑推理数据集合执行预处理操作，得到每个所述样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合，包括：
13.对于每个所述样本逻辑推理数据集合，标注该样本逻辑推理数据集合中每个样本数据所归属的推理路径，得到该样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合；
14.其中，推理顺序相邻的任意两个推理路径中，推理顺序在先的推理路径的输出结果为推理顺序在后的推理路径的输入原因，且每个推理路径均存在与之对应的输入原因及输出结果。
15.作为一种可选的实施方式，在本发明第一方面中，所述机器学习方法包括单向无分叉逻辑推理的机器学习方法或者开放逻辑推理的机器学习方法；
16.其中，所述开放逻辑推理的机器学习方法所学习的样本逻辑推理数据集合中，对应的原因因素、路径因素以及结果因素均具有唯一性。
17.作为一种可选的实施方式，在本发明第一方面中，所述通过预先确定出的机器学习方法学习所有所述处理后样本逻辑推理数据集合，得到机器学习结果，包括：
18.对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，从所述待学习的处理后样本逻辑推理数据集合中获取所述当前原因实体对应的当前结果实体，所述当前原因实体包括第一推理路径及已知条件，所述当前原因实体包括的已知条件为所述待学习的处理后样本逻辑推理数据集合中归属于所述当前原因实体包括的第一推理路径的第一样本数据；所述当前结果实体包括第二推理路径及预置条件，且所述当前结果实体包括的预置条件为所述待学习的处理后样本逻辑推理数据集合中归属于所述当前结果实体包括的第二推理路径的第二样本数据，所述当前原因实体包括的已知条件满足所述当前结果实体包括的预置条件；
19.以所述当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立所述当前原因实体包括的第一样本数据以及所述当前结果实体包括的第二样本数据之间的逻辑映射关系；
20.将所述当前结果实体作为新的当前原因实体，并触发执行所述的从所述待学习的处理后样本逻辑推理数据集合中获取所述当前原因实体对应的当前结果实体的步骤以及所述的以所述当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立所述当前原因实体包括的第一样本数据以及所述当前结果实体包括的第二样本数据之间的逻辑映射关系的步骤，直至对该每个待学习的处理后样本逻辑推理数据集合学习完毕。
21.作为一种可选的实施方式，在本发明第一方面中，当所述机器学习方法为所述开放逻辑推理的机器学习方法时，对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，所述从所述待学习的处理后样本逻辑推理数据集合中获取所述当前原因实体对应的当前结果实体之前，所述方法还包括：
22.判断所述当前原因实体是否存在于预先创建的已推理信息集合中，当判断结果为否时，执行所述的从所述待学习的处理后样本逻辑推理数据集合中获取所述当前原因实体
对应的当前结果实体的步骤；当判断结果为是时，执行逻辑推理中止操作或者从所述待学习的处理后样本逻辑推理数据集合查找包括新推理路径的原因实体作为新的当前原因实体，其中，所述包括新推理路径的原因实体未存在于所述已推理信息集合中；
23.其中，所述已推理信息集合用于存放所述待学习的处理后样本逻辑推理数据集合中已参与过逻辑推理的所有原因实体。
24.作为一种可选的实施方式，在本发明第一方面中，当所述机器学习方法为所述开放逻辑推理的机器学习方法时，对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，所述以所述当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立所述当前原因实体包括的第一样本数据以及所述当前结果实体包括的第二样本数据之间的逻辑映射关系之后，所述方法还包括：
25.将所述当前原因实体添加至所述已推理信息集合中。
26.作为一种可选的实施方式，在本发明第一方面中，所述通过预先确定出的机器学习方法学习所有所述处理后样本逻辑推理数据集合，得到机器学习结果之后，所述方法还包括：
27.获取多组测试用逻辑推理数据，每组所述测试用逻辑推理数据包括逻辑推理数据对以及该逻辑推理数据对所对应的测试用逻辑推理路径，每组所述测试用逻辑推理数据包括的逻辑推理数据对具体包括测试用推理起点数据以及测试用推理结果数据，且所述测试用逻辑推理数据包括的测试用推理起点数据通过所述测试用逻辑推理数据包括的测试用逻辑推理路径能够推理出所述测试用逻辑推理数据包括的测试用推理结果数据；
28.对于每组所述测试用逻辑推理数据，根据所述机器学习结果查找每组所述测试用逻辑推理数据包括的测试用推理起点数据所对应的逻辑推理路径，得到每组所述测试用逻辑推理数据包括的测试用推理起点数据所对应的测试逻辑推理结果；
29.判断所有所述测试用逻辑推理数据包括的测试用推理起点数据所对应的测试逻辑推理结果是否满足预先确定出的测试结果要求条件；
30.当判断结果为否时，对所述机器学习结果执行相匹配的调整操作；
31.当判断结果为是时，确定所述机器学习结果能够用于逻辑推理。
32.本发明第二方面公开了一种应用于逻辑推理的机器学习装置，所述装置包括：
33.样本获取模块，用于获取若干个样本逻辑推理数据集合，并对所有所述样本逻辑推理数据集合执行预处理操作，得到每个所述样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合；
34.机器学习模块，用于通过预先确定出的机器学习方法学习所有所述处理后样本逻辑推理数据集合，得到机器学习结果；
35.逻辑推理模块，用于当需要进行逻辑推理时，获取需要进行逻辑推理的目标原因数据，并根据所述机器学习结果查找所述目标原因数据对应的逻辑推理路径，得到所述目标原因数据对应的逻辑推理结果；
36.其中，所述目标原因数据对应的逻辑推理结果包括所述目标原因数据对应的目标结果数据和/或从所述目标原因数据推理出所述目标结果数据的中间推理过程信息。
37.作为一种可选的实施方式，在本发明第二方面中，每个所述样本逻辑推理数据集合包括若干个推理路径以及若干个样本数据，每个所述推理路径存在与之唯一对应的路径
标识，所述样本逻辑推理数据集合的若干个样本数据中包括与所述样本逻辑推理数据集合唯一对应的样本推理起点数据及能够通过该样本推理起点数据推理出的样本推理结果数据；
38.其中，所述样本获取模块对所有所述样本逻辑推理数据集合执行预处理操作，得到每个所述样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合的具体方式为：
39.对于每个所述样本逻辑推理数据集合，标注该样本逻辑推理数据集合中每个样本数据所归属的推理路径，得到该样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合；
40.其中，推理顺序相邻的任意两个推理路径中，推理顺序在先的推理路径的输出结果为推理顺序在后的推理路径的输入原因，且每个推理路径均存在与之对应的输入原因及输出结果。
41.作为一种可选的实施方式，在本发明第二方面中，所述机器学习方法包括单向无分叉逻辑推理的机器学习方法或者开放逻辑推理的机器学习方法；
42.其中，所述开放逻辑推理的机器学习方法所学习的样本逻辑推理数据集合中，对应的原因因素、路径因素以及结果因素均具有唯一性。
43.作为一种可选的实施方式，在本发明第二方面中，所述机器学习模块通过预先确定出的机器学习方法学习所有所述处理后样本逻辑推理数据集合，得到机器学习结果的具体方式为：
44.对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，从所述待学习的处理后样本逻辑推理数据集合中获取所述当前原因实体对应的当前结果实体，所述当前原因实体包括第一推理路径及已知条件，所述当前原因实体包括的已知条件为所述待学习的处理后样本逻辑推理数据集合中归属于所述当前原因实体包括的第一推理路径的第一样本数据；所述当前结果实体包括第二推理路径及预置条件，且所述当前结果实体包括的预置条件为所述待学习的处理后样本逻辑推理数据集合中归属于所述当前结果实体包括的第二推理路径的第二样本数据，所述当前原因实体包括的已知条件满足所述当前结果实体包括的预置条件(具体是能够根据当前原因实体包括的已知条件判断出当前结果实体包括的预置条件满足预设要求)；
45.以所述当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立所述当前原因实体包括的第一样本数据以及所述当前结果实体包括的第二样本数据之间的逻辑映射关系；
46.将所述当前结果实体作为新的当前原因实体，并触发执行所述的从所述待学习的处理后样本逻辑推理数据集合中获取所述当前原因实体对应的当前结果实体的步骤以及所述的以所述当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立所述当前原因实体包括的第一样本数据以及所述当前结果实体包括的第二样本数据之间的逻辑映射关系的步骤，直至对该每个待学习的处理后样本逻辑推理数据集合学习完毕。
47.作为一种可选的实施方式，在本发明第二方面中，所述机器学习模块，还用于当所述机器学习方法为所述开放逻辑推理的机器学习方法时，对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，在从所述待学习的处理后样本逻辑推理数据集合中获取所述当前原因实体对应的当前结果实体之前，判断所述当前原因实体是否存在于预
先创建的已推理信息集合中，当判断结果为否时，触发执行所述的从所述待学习的处理后样本逻辑推理数据集合中获取所述当前原因实体对应的当前结果实体的步骤；当判断结果为是时，执行逻辑推理中止操作或者从所述待学习的处理后样本逻辑推理数据集合查找包括新推理路径的原因实体作为新的当前原因实体，其中，所述包括新推理路径的原因实体未存在于所述已推理信息集合中；
48.其中，所述已推理信息集合用于存放所述待学习的处理后样本逻辑推理数据集合中已参与过逻辑推理的所有原因实体。
49.作为一种可选的实施方式，在本发明第二方面中，所述机器学习模块，还用于所述机器学习方法为所述开放逻辑推理的机器学习方法时，对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，在以所述当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立所述当前原因实体包括的第一样本数据以及所述当前结果实体包括的第二样本数据之间的逻辑映射关系之后，将所述当前原因实体添加至所述已推理信息集合中。
50.作为一种可选的实施方式，在本发明第二方面中，所述装置还包括：
51.学习结果测试模块，用于在所述机器学习模块通过预先确定出的机器学习方法学习所有所述处理后样本逻辑推理数据集合，得到机器学习结果之后，获取多组测试用逻辑推理数据，每组所述测试用逻辑推理数据包括逻辑推理数据对以及该逻辑推理数据对所对应的测试用逻辑推理路径，每组所述测试用逻辑推理数据包括的逻辑推理数据对具体包括测试用推理起点数据以及测试用推理结果数据，且所述测试用逻辑推理数据包括的测试用推理起点数据通过所述测试用逻辑推理数据包括的测试用逻辑推理路径能够推理出所述测试用逻辑推理数据包括的测试用推理结果数据；对于每组所述测试用逻辑推理数据，根据所述机器学习结果查找每组所述测试用逻辑推理数据包括的测试用推理起点数据所对应的逻辑推理路径，得到每组所述测试用逻辑推理数据包括的测试用推理起点数据所对应的测试逻辑推理结果；判断所有所述测试用逻辑推理数据包括的测试用推理起点数据所对应的测试逻辑推理结果是否满足预先确定出的测试结果要求条件；当判断结果为否时，对所述机器学习结果执行相匹配的调整操作；当判断结果为是时，确定所述机器学习结果能够用于逻辑推理。
52.本发明第三方面公开了另一种应用于逻辑推理的机器学习装置，所述装置包括：
53.存储有可执行程序代码的存储器；
54.与所述存储器耦合的处理器；
55.所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的应用于逻辑推理的机器学习方法中的部分或全部步骤。
56.本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的应用于逻辑推理的机器学习方法中的部分或全部步骤。
57.与现有技术相比，本发明具有以下有益效果：
58.获取若干个样本逻辑推理数据集合并对样本逻辑推理数据集合执行预处理操作，得到处理后样本逻辑推理数据集合；通过预先确定出的机器学习方法学习所有处理后样本逻辑推理数据集合得到机器学习结果；当需要进行逻辑推理时，获取需要进行逻辑推理的
目标原因，并根据机器学习结果查找目标原因对应的逻辑推理路径，得到目标原因对应的逻辑推理结果；逻辑推理结果包括目标原因对应的目标结果和/或从目标原因推理出目标结果的中间推理过程信息。可见，本发明能够通过机器学习得到的结果(如逻辑推理模型)实现逻辑推理得到原因对应的结果和/或中间推理过程，提高了逻辑推理的效率及准确率。
附图说明
59.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
60.图1是本发明实施例公开的一种应用于逻辑推理的机器学习方法的流程示意图；
61.图2是本发明实施例公开的另一种应用于逻辑推理的机器学习方法的流程示意图；
62.图3是本发明实施例公开的一种应用于逻辑推理的机器学习装置的结构示意图；
63.图4是本发明实施例公开的另一种应用于逻辑推理的机器学习装置的结构示意图；
64.图5是本发明实施例公开的又一种应用于逻辑推理的机器学习装置的结构示意图。
具体实施方式
65.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
66.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品、端口或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品、端口或端固有的其他步骤或单元。
67.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
68.本发明公开了一种应用于逻辑推理的机器学习方法及装置，能够通过机器学习得到的结果(如逻辑推理模型)实现逻辑推理得到原因对应的结果和/或中间推理过程，提高了逻辑推理的效率及准确率。以下分别进行详细说明。
69.实施例一
70.请参阅图1，图1是本发明实施例公开的一种应用于逻辑推理的机器学习方法的流程示意图。其中，图1所描述的方法可以应用于机器学习装置中，该机器学习装置可以应用
于机器学习工具中，本发明实施例不做限定。如图1所示，该应用于逻辑推理的机器学习方法可以包括以下操作：
71.101、获取若干个样本逻辑推理数据集合，并对所有样本逻辑推理数据集合执行预处理操作，得到每个样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合。
72.102、通过预先确定出的机器学习方法学习所有处理后样本逻辑推理数据集合，得到机器学习结果。
73.103、当需要进行逻辑推理时，获取需要进行逻辑推理的目标原因数据，并根据机器学习结果查找目标原因数据对应的逻辑推理路径，得到目标原因数据对应的逻辑推理结果。
74.其中，目标原因数据对应的逻辑推理结果包括目标原因数据对应的目标结果数据和/或从目标原因数据推理出目标结果数据的中间推理过程信息。
75.本发明实施例中，每一段逻辑推理路径均由三个要素组成，即：原因实体、结果实体与逻辑推理。其中，原因实体具体包括推理路径段及已知条件，且已知条件可以为多个，每个原因实体都携带已知条件，用于表示逻辑推理进入；结果实体具体包括推理路径段、前置条件(也可以称为预置条件)以及结果，且前置条件可以是多个，结果也可能是多个。当前置条件满足时，推理过程才能过渡到结果实体，用于表示逻辑推理输出，也即结果实体为输出内容。
76.其中，从原因实体过渡到结果实体的过程称为逻辑推理过程，其依据原因实体携带的已知条件判断结果实体的预置条件是否满足要求，若满足，则推理成功，若不满足，则推理不成功。若推理成功，则推理过程将由原因实体过渡到结果实体。需要说明的是：当已知条件与预置条件是一一对应或无条件直接过渡(原因到结果的直接指向)时，逻辑推理直接由原因实体过渡到结果实体。
77.可见，本发明实施例所描述的方法能够通过机器学习得到的结果(如逻辑推理模型)实现逻辑推理得到原因对应的结果和/或中间推理过程，提高了逻辑推理的效率及准确率，且在进行机器学习之前，还需要对获取到的样本逻辑推理数据集合执行预处理操作，有利于提高机器学习效率以及机器学习准确性，进而有利于提高得到的机器学习结果的效率及准确性。
78.在一个可选的实施例中，每个样本逻辑推理数据集合包括若干个推理路径以及若干个样本数据，每个推理路径存在与之唯一对应的路径标识，样本逻辑推理数据集合的若干个样本数据中包括与样本逻辑推理数据集合唯一对应的样本推理起点数据及能够通过该样本推理起点数据推理出的样本推理结果数据，其中，每一段推理路径具有唯一性。
79.在该可选的实施例中，对所有样本逻辑推理数据集合执行预处理操作，得到每个样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合，可以包括：
80.对于每个样本逻辑推理数据集合，标注该样本逻辑推理数据集合中每个样本数据所归属的推理路径，得到该样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合。
81.其中，推理顺序相邻的任意两个推理路径中，推理顺序在先的推理路径的输出结果为推理顺序在后的推理路径的输入原因，且每个推理路径均存在与之对应的输入原因及输出结果。
82.在该可选的实施例中，对样本逻辑推理数据集合执行预处理操作具体是需标注清
楚样本数据归属于哪一段推理路径，其中，推理路径的输入视为原因，推理路径的输出视为结果，在连续的逻辑推理中，前一推理路径的输出(结果)等同于后一推理路径的输入(原因)。
83.举例来说，对于每个样本逻辑推理数据集合，标注该样本逻辑推理数据集合中每个样本数据所归属的推理路径，得到该样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合，可以如下所述：
84.路径0：数据00
ꢀꢀ
路径0：数据01
ꢀꢀ
路径0：数据02
ꢀꢀ
路径0：数据03
ꢀꢀ
路径0：数据0n
85.路径1：数据10
ꢀꢀ
路径1：数据11
ꢀꢀ
路径1：数据12
ꢀꢀ
路径1：数据13
ꢀꢀ
路径1：数据1n
86.……
87.路径m：数据m0
ꢀꢀ
路径m：路径m1
ꢀꢀ
路径m：数据m2
ꢀꢀ
路径m：数据m3
ꢀꢀ
路径m：数据mn。
88.可见，该可选的实施例能够在获取样本逻辑推理数据集合之后标注每个样本数据所归属的推理路径，以便后续在机器学习过程中能够提高机器学习的效率以及机器学习的准确性。
89.在另一个可选的实施例中，每一条推理路径的推理性质可以是逻辑学中的任意推理，比如：归纳推理、演绎推理等。其中，基于逻辑推理的机器学习并不需要人工标注推理的性质。若能够人工标识已知推理路径推理性质，这将使基于逻辑推理的机器学习更加智能与准确。
90.其中，机器学习方法可以包括单向无分叉逻辑推理的机器学习方法或者开放逻辑推理的机器学习方法，其中，开放逻辑推理的机器学习方法所学习的样本逻辑推理数据集合中，对应的原因因素、路径因素以及结果因素均具有唯一性。
91.进一步的，单向无分叉逻辑推理意味着从推理起点到结果只一条推理路径，要求“路径”要素各自唯一。其与“开放逻辑推理”的区别在于没有要求“原因因素”与“结果因素”的唯一性表达。
92.可见，该可选的实施例能够提供多样化的机器学习方法，实现逻辑推理的自学习，进而实现高效且准确的逻辑推理。
93.在又一个可选的实施例中，通过预先确定出的机器学习方法学习所有处理后样本逻辑推理数据集合，得到机器学习结果可以包括：
94.对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，从该待学习的处理后样本逻辑推理数据集合中获取当前原因实体对应的当前结果实体，当前原因实体包括第一推理路径及已知条件，当前原因实体包括的已知条件为待学习的处理后样本逻辑推理数据集合中归属于当前原因实体包括的第一推理路径的第一样本数据；当前结果实体包括第二推理路径及预置条件，且当前结果实体包括的预置条件为待学习的处理后样本逻辑推理数据集合中归属于当前结果实体包括的第二推理路径的第二样本数据，当前原因实体包括的已知条件满足当前结果实体包括的预置条件(具体是能够根据当前原因实体包括的已知条件判断出当前结果实体包括的预置条件满足预设要求)；
95.以当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立当前原因实体包括的第一样本数据以及当前结果实体包括的第二样本数据之间的逻辑映射关系；
96.将当前结果实体作为新的当前原因实体，并触发执行上述的从待学习的处理后样
本逻辑推理数据集合中获取当前原因实体对应的当前结果实体的步骤以及上述的以当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立当前原因实体包括的第一样本数据以及当前结果实体包括的第二样本数据之间的逻辑映射关系的步骤，直至对该每个待学习的处理后样本逻辑推理数据集合学习完毕。
97.以“单向无分叉逻辑推理的机器学习方法”为例，第一次机器学习过程如下：
98.使用数据：“路径0：数据00，路径1：数据10，路径2：数据20，
…”
。
99.原因0——>路径0——>结果0
100.原因0＝{路径0：数据00}，取出已知条件，数据即已知条件。
101.结果0＝{路径1：数据10}，取出结论，数据即结论，此时使用了第2个路径段的数据作用结果。以路径为唯一关键字，建立已知条件与预置条件的逻辑关系(推理过渡的条件)，即：建立已知条件数据与预置条件数据的映射关系。
102.原因1——>路径1——>结果1
103.原因1＝{路径1：数据10}，取出已知条件，数据即已知条件。
104.结果1＝{路径2：数据20}，取出结论，数据即结论，此时使用了第3个路径段的数据作用结果。以路径为唯一关键字，建立已知条件与预置条件的逻辑关系(推理过渡的条件)。即建立已知条件数据与预置条件数据的映射关系。
105.以此类推，处理完第一次需要学习的所有数据。
106.第二次机器学习过程如下：
107.使用数据：“路径0：数据01，路径1：数据11，路径2：数据21，
…”
。
108.原因0——>路径0——>结果0
109.原因0＝{路径0：数据01}，取出已知条件，数据即已知条件。
110.结果0＝{路径1：数据11}，取出结论，数据即结论，此时使用了第2个路径段的数据作用结果。以路径为唯一关键字，建立已知条件与预置条件的逻辑关系(推理过渡的条件)。即建立已知条件数据与预置条件数据的映射关系。
111.原因1——>路径1——>结果1
112.原因1＝{路径1：数据11}，取出已知条件。数据即已知条件。
113.结果1＝{路径2：数据21}，取出结论。数据即结论，此时使用了第3个路径段的数据作用结果。以路径为唯一关键字，建立已知条件与预置条件的逻辑关系(推理过渡的条件)。即建立已知条件数据与预置条件数据的映射关系。
114.以此类推，处理完第二次需要学习的所有数据。
115.而后，以第一次机器学习、第二次机器学习为模板，进行完所有数据的机器学习。学习完成后，实际使用时，只要输入任意原因数据，机器将自动根据学习结果，主动寻找逻辑推理路径，并输出推理的中间及最终结果。
116.可见，该可选的实施例能够在进行机器学习逻辑推理时能够以结果实体包括的路径标识为唯一关键字建立原因实体中数据与结果实体中数据之间的逻辑映射关系，提供了具体的机器学习过程，有利于基于机器学习的逻辑推理的实现，此外，还能够提高建立的逻辑映射关系的准确性。
117.在该可选的实施例中，进一步可选的，当机器学习方法为开放逻辑推理的机器学习方法时，对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，从待
学习的处理后样本逻辑推理数据集合中获取当前原因实体对应的当前结果实体之前，该方法还可以包括：
118.判断当前原因实体是否存在于预先创建的已推理信息集合中，当判断结果为否时，执行上述的从待学习的处理后样本逻辑推理数据集合中获取当前原因实体对应的当前结果实体的步骤；当判断结果为是时，执行逻辑推理中止操作或者从待学习的处理后样本逻辑推理数据集合查找包括新推理路径的原因实体作为新的当前原因实体，其中，查找到的包括新推理路径的原因实体未存在于已推理信息集合中。
119.其中，上述已推理信息集合用于存放上述待学习的处理后样本逻辑推理数据集合中已参与过逻辑推理的所有原因实体。
120.可见，该可选的实施例还能够在机器学习方法为开放逻辑推理的机器学习方法时能够判断待推理的原因实体是否已经存在于已推理信息集合中，若是，则进行后续的逻辑推理，若否，则中止逻辑推理或者查找新的原因实体，减少逻辑推理进入逻辑推理循环的概率，能够在提高机器学习准确性的同时提高机器学习效率。
121.在该可选的实施例中，又进一步可选的，当机器学习方法为开放逻辑推理的机器学习方法时，对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，以当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立当前原因实体包括的第一样本数据以及当前结果实体包括的第二样本数据之间的逻辑映射关系之后，该方法还可以包括：
122.将当前原因实体添加至已推理信息集合中。
123.以“开放逻辑推理机器学习方法”为例，其对应的第一次机器学习过程如下：
124.使用数据：“路径0：数据00，路径1：数据10，路径2：数据20，
…”
。
125.原因0——>路径0——>结果0
126.原因0＝{路径0：数据00}，取出已知条件，数据即已知条件。
127.结果0＝{路径1：数据10}，取出结论，数据即结论，此时使用了第2个路径段的数据作用结果。
128.以路径为唯一关键字，建立已知条件与预置条件的逻辑关系(推理过渡的条件)，即：建立已知条件数据与预置条件数据的映射关系。其与单向无分叉的逻辑推理机器学习区块是可以由已知条件同时决定路径与结果实体，即：可以改变逻辑推理的方向，需要注意的是：原因数据、路径、结果数据都必须在整个推理过程中保持唯一性。另外，记忆所有已参与推理的原因实体，下一次推理时，需要判断即将进行推理的原因实体是否已在记忆中，如在，就需要中止推理或另寻路径。原因是：即将进行推理的原因实体若已在记忆中，就将形成推理死循环，无法推理出最终的推理结果出来。
129.原因1——>路径1——>结果1
130.原因1＝{路径1：数据10}，取出已知条件，数据即已知条件。
131.结果1＝{路径2：数据20}，取出结论，数据即结论，此时使用了第3个路径段的数据作用结果。以路径为唯一关键字，建立已知条件与预置条件的逻辑关系(推理过渡的条件)，即：建立已知条件数据与预置条件数据的映射关系。其与单向无分叉的逻辑推理机器学习区块是可以由已知条件同时决定路径与结果实体，即：可以改变逻辑推理的方向。另外，记忆所有已参与推理的原因实体。下一次推理时，需要判断即将进行推理的原因实体是否已
在记忆中。如在，就需要中止推理或另寻路径。
132.以此类推，处理完第一次需要学习的所有数据。
133.其对应的第一次机器学习过程如下：
134.使用数据：“路径0：数据01，路径1：数据11，路径2：数据21，
…”
。
135.原因0——>路径0——>结果0
136.原因0＝{路径0：数据01}，取出已知条件，数据即已知条件。
137.结果0＝{路径1：数据11}，取出结论，数据即结论，此时使用了第2个路径段的数据作用结果。
138.以路径为唯一关键字，建立已知条件与预置条件的逻辑关系(推理过渡的条件)，即：建立已知条件数据与预置条件数据的映射关系。其与单向无分叉的逻辑推理机器学习区块是可以由已知条件同时决定路径与结果实体，即：可以改变逻辑推理的方向，需要注意的是：原因数据、路径、结果数据都必须在整个推理过程中保持唯一性。另外，记忆所有已参与推理的原因实体，下一次推理时，需要判断即将进行推理的原因实体是否已在记忆中，如在，就需要中止推理或另寻路径。原因是：即将进行推理的原因实体若已在记忆中，就将形成推理死循环，无法推理出最终的推理结果出来。
139.原因1——>路径1——>结果1
140.原因1＝{路径1：数据11}，取出已知条件，数据即已知条件。
141.结果1＝{路径2：数据21}，取出结论，数据即结论，此时使用了第3个路径段的数据作用结果。以路径为唯一关键字，建立已知条件与预置条件的逻辑关系(推理过渡的条件)，即：建立已知条件数据与预置条件数据的映射关系。其与单向无分叉的逻辑推理机器学习区块是可以由已知条件同时决定路径与结果实体，即：可以改变逻辑推理的方向。另外，记忆所有已参与推理的原因实体。下一次推理时，需要判断即将进行推理的原因实体是否已在记忆中。如在，就需要中止推理或另寻路径。
142.以此类推，处理完第二次需要学习的所有数据。
143.而后，以第一次机器学习、第二次机器学习为模板，进行完所有数据的机器学习。学习完成后，实际使用时，只要输入任意原因数据，机器将自动根据学习结果，主动寻找逻辑推理路径，并输出推理的中间及最终结果。
144.可见，该可选的实施例还能够在机器学习方法为开放逻辑推理的机器学习方法时，在执行完毕一条推理路径的逻辑推理之后将相应的原因实体添加到已推理信息集合中，及时更新已推理信息集合，有利于提高后续逻辑推理的准确性，进而减少逻辑推理进入逻辑推理循环的概率。
145.实施例二
146.请参阅图2，图2是本发明实施例公开的另一种应用于逻辑推理的机器学习方法的流程示意图。其中，图2所描述的方法可以应用于机器学习装置中，该机器学习装置可以应用于机器学习工具中，本发明实施例不做限定，本发明实施例不做限定。如图2所示，该应用于逻辑推理的机器学习方法可以包括以下操作：
147.201、获取若干个样本逻辑推理数据集合，并对所有样本逻辑推理数据集合执行预处理操作，得到每个样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合。
148.202、通过预先确定出的机器学习方法学习所有处理后样本逻辑推理数据集合，得
到机器学习结果。
149.203、获取多组测试用逻辑推理数据。
150.本发明实施例中，每组测试用逻辑推理数据包括逻辑推理数据对以及该逻辑推理数据对所对应的测试用逻辑推理路径，每组测试用逻辑推理数据包括的逻辑推理数据对具体包括测试用推理起点数据以及测试用推理结果数据，且测试用逻辑推理数据包括的测试用推理起点数据通过测试用逻辑推理数据包括的测试用逻辑推理路径能够推理出测试用逻辑推理数据包括的测试用推理结果数据。
151.204、对于每组测试用逻辑推理数据，根据机器学习结果查找每组测试用逻辑推理数据包括的测试用推理起点数据所对应的逻辑推理路径，得到每组测试用逻辑推理数据包括的测试用推理起点数据所对应的测试逻辑推理结果。
152.205、判断所有测试用逻辑推理数据包括的测试用推理起点数据所对应的测试逻辑推理结果是否满足预先确定出的测试结果要求条件，当步骤205的判断结果为否时，触发执行步骤206；当步骤205的判断结果为是时，触发执行步骤207。
153.206、对机器学习结果执行相匹配的调整操作。
154.207、确定机器学习结果能够用于逻辑推理。
155.208、当需要进行逻辑推理时，获取需要进行逻辑推理的目标原因数据，并根据机器学习结果查找目标原因数据对应的逻辑推理路径，得到目标原因数据对应的逻辑推理结果。
156.其中，目标原因数据对应的逻辑推理结果包括目标原因数据对应的目标结果数据和/或从目标原因数据推理出目标结果数据的中间推理过程信息。
157.可见，本发明实施例所描述的方法能够通过机器学习得到的结果(如逻辑推理模型)实现逻辑推理得到原因对应的结果和/或中间推理过程，提高了逻辑推理的效率及准确率，且在进行机器学习之前，还需要对获取到的样本逻辑推理数据集合执行预处理操作，有利于提高机器学习效率以及机器学习准确性，进而有利于提高得到的机器学习结果的效率及准确性。此外，还能够在通过机器学习得到机器学习结果之后对机器学习结果进行测试，以测试其准确性，以便于提高后续通过机器学习结果进行逻辑推理的准确性。
158.实施例三
159.请参阅图3，图3是本发明实施例公开的一种应用于逻辑推理的机器学习装置的结构示意图。其中，图3所描述的装置可以应用于机器学习工具中，本发明实施例不做限定。如图3所示，该应用于逻辑推理的机器学习装置可以包括：
160.样本获取模块301，用于获取若干个样本逻辑推理数据集合，并对所有样本逻辑推理数据集合执行预处理操作，得到每个样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合；
161.机器学习模块302，用于通过预先确定出的机器学习方法学习所有处理后样本逻辑推理数据集合，得到机器学习结果；
162.逻辑推理模块303，用于当需要进行逻辑推理时，获取需要进行逻辑推理的目标原因数据，并根据机器学习结果查找目标原因数据对应的逻辑推理路径，得到目标原因数据对应的逻辑推理结果。
163.其中，目标原因数据对应的逻辑推理结果包括目标原因数据对应的目标结果数据
和/或从目标原因数据推理出目标结果数据的中间推理过程信息。
164.可见，实施本发明实施例所描述的装置能够通过机器学习得到的结果(如逻辑推理模型)实现逻辑推理得到原因对应的结果和/或中间推理过程，提高了逻辑推理的效率及准确率，且在进行机器学习之前，还需要对获取到的样本逻辑推理数据集合执行预处理操作，有利于提高机器学习效率以及机器学习准确性，进而有利于提高得到的机器学习结果的效率及准确性。
165.在一个可选的实施例中，每个样本逻辑推理数据集合包括若干个推理路径以及若干个样本数据，每个推理路径存在与之唯一对应的路径标识，样本逻辑推理数据集合的若干个样本数据中包括与样本逻辑推理数据集合唯一对应的样本推理起点数据及能够通过该样本推理起点数据推理出的样本推理结果数据。
166.在该可选的实施例中，样本获取模块301对所有样本逻辑推理数据集合执行预处理操作，得到每个样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合的具体方式为：
167.对于每个样本逻辑推理数据集合，标注该样本逻辑推理数据集合中每个样本数据所归属的推理路径，得到该样本逻辑推理数据集合对应的处理后样本逻辑推理数据集合。
168.其中，推理顺序相邻的任意两个推理路径中，推理顺序在先的推理路径的输出结果为推理顺序在后的推理路径的输入原因，且每个推理路径均存在与之对应的输入原因及输出结果。
169.可见，该可选的实施例能够在获取样本逻辑推理数据集合之后标注每个样本数据所归属的推理路径，以便后续在机器学习过程中能够提高机器学习的效率以及机器学习的准确性。
170.在另一个可选的实施例中，机器学习方法可以包括单向无分叉逻辑推理的机器学习方法或者开放逻辑推理的机器学习方法，其中，开放逻辑推理的机器学习方法所学习的样本逻辑推理数据集合中，对应的原因因素、路径因素以及结果因素均具有唯一性。
171.可见，该可选的实施例能够提供多样化的机器学习方法，实现逻辑推理的自学习，进而实现高效且准确的逻辑推理。
172.在又一个可选的实施例中，机器学习模块302通过预先确定出的机器学习方法学习所有处理后样本逻辑推理数据集合，得到机器学习结果的具体方式包括：
173.对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，从该待学习的处理后样本逻辑推理数据集合中获取当前原因实体对应的当前结果实体，当前原因实体包括第一推理路径及已知条件，当前原因实体包括的已知条件为待学习的处理后样本逻辑推理数据集合中归属于当前原因实体包括的第一推理路径的第一样本数据；当前结果实体包括第二推理路径及预置条件，且当前结果实体包括的预置条件为待学习的处理后样本逻辑推理数据集合中归属于当前结果实体包括的第二推理路径的第二样本数据，当前原因实体包括的已知条件满足当前结果实体包括的预置条件(具体是能够根据当前原因实体包括的已知条件判断出当前结果实体包括的预置条件满足预设要求)；
174.以当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立当前原因实体包括的第一样本数据以及当前结果实体包括的第二样本数据之间的逻辑映射关系；
175.将当前结果实体作为新的当前原因实体，并触发执行上述的从待学习的处理后样本逻辑推理数据集合中获取当前原因实体对应的当前结果实体的操作以及上述的以当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立当前原因实体包括的第一样本数据以及当前结果实体包括的第二样本数据之间的逻辑映射关系的操作，直至对该每个待学习的处理后样本逻辑推理数据集合学习完毕。
176.可见，该可选的实施例能够在进行机器学习逻辑推理时能够以结果实体包括的路径标识为唯一关键字建立原因实体中数据与结果实体中数据之间的逻辑映射关系，提供了具体的机器学习过程，有利于基于机器学习的逻辑推理的实现，此外，还能够提高建立的逻辑映射关系的准确性。
177.在该可选的实施例中，机器学习模块302，还用于当机器学习方法为开放逻辑推理的机器学习方法时，对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，在从待学习的处理后样本逻辑推理数据集合中获取当前原因实体对应的当前结果实体之前，判断当前原因实体是否存在于预先创建的已推理信息集合中，当判断结果为否时，执行上述的从待学习的处理后样本逻辑推理数据集合中获取当前原因实体对应的当前结果实体的操作；当判断结果为是时，执行逻辑推理中止操作或者从待学习的处理后样本逻辑推理数据集合查找包括新推理路径的原因实体作为新的当前原因实体，其中，查找到的包括新推理路径的原因实体未存在于已推理信息集合中。
178.其中，上述已推理信息集合用于存放上述待学习的处理后样本逻辑推理数据集合中已参与过逻辑推理的所有原因实体。
179.可见，该可选的实施例还能够在机器学习方法为开放逻辑推理的机器学习方法时能够判断待推理的原因实体是否已经存在于已推理信息集合中，若是，则进行后续的逻辑推理，若否，则中止逻辑推理或者查找新的原因实体，减少逻辑推理进入逻辑推理循环的概率，能够在提高机器学习准确性的同时提高机器学习效率。
180.进一步可选的，机器学习模块302，还用于当机器学习方法为开放逻辑推理的机器学习方法时，对于每个待学习的处理后样本逻辑推理数据集合中的任一当前原因实体，以当前结果实体包括的第二推理路径唯一对应的路径标识为唯一关键字，建立当前原因实体包括的第一样本数据以及当前结果实体包括的第二样本数据之间的逻辑映射关系之后，将当前原因实体添加至已推理信息集合中。
181.可见，该可选的实施例还能够在机器学习方法为开放逻辑推理的机器学习方法时，在执行完毕一条推理路径的逻辑推理之后将相应的原因实体添加到已推理信息集合中，及时更新已推理信息集合，有利于提高后续逻辑推理的准确性，进而减少逻辑推理进入逻辑推理循环的概率。
182.在又一个可选的实施例中，如图4所示，该装置还可以包括：
183.学习结果测试模块304，用于在机器学习模块302通过预先确定出的机器学习方法学习所有处理后样本逻辑推理数据集合，得到机器学习结果之后，获取多组测试用逻辑推理数据，每组测试用逻辑推理数据包括逻辑推理数据对以及该逻辑推理数据对所对应的测试用逻辑推理路径，每组测试用逻辑推理数据包括的逻辑推理数据对具体包括测试用推理起点数据以及测试用推理结果数据，且测试用逻辑推理数据包括的测试用推理起点数据通过测试用逻辑推理数据包括的测试用逻辑推理路径能够推理出测试用逻辑推理数据包括
的测试用推理结果数据；对于每组测试用逻辑推理数据，根据机器学习结果查找每组测试用逻辑推理数据包括的测试用推理起点数据所对应的逻辑推理路径，得到每组测试用逻辑推理数据包括的测试用推理起点数据所对应的测试逻辑推理结果；判断所有测试用逻辑推理数据包括的测试用推理起点数据所对应的测试逻辑推理结果是否满足预先确定出的测试结果要求条件；当判断结果为否时，对机器学习结果执行相匹配的调整操作；当判断结果为是时，确定机器学习结果能够用于逻辑推理。
184.可见，该可选的实施例还能够在机器学习方法为开放逻辑推理的机器学习方法时，在执行完毕一条推理路径的逻辑推理之后将相应的原因实体添加到已推理信息集合中，及时更新已推理信息集合，有利于提高后续逻辑推理的准确性，进而减少逻辑推理进入逻辑推理循环的概率。
185.实施例四
186.请参阅图5，图5是本发明实施例公开的又一种应用于逻辑推理的机器学习装置的结构示意图。其中，图5所描述的可以应用于机器学习工具中，本发明实施例不做限定。如图5所示，该装置可以包括：
187.存储有可执行程序代码的存储器401；
188.与存储器401耦合的处理器402；
189.处理器402调用存储器401中存储的可执行程序代码，执行本发明实施例一或实施例二中所公开的应用于逻辑推理的机器学习方法中的部分或全部步骤。
190.实施例五
191.本发明实施例公开了一种计算机存储介质，计算机存储介质存储有计算机指令，计算机指令被调用时，用于执行本发明实施例一或实施例二中所公开的应用于逻辑推理的机器学习方法中的部分或全部步骤。
192.以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
193.通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(read
‑
only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmable read
‑
only memory，prom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、一次可编程只读存储器(one
‑
time programmable read
‑
only memory，otprom)、电子抹除式可复写只读存储器(electrically
‑
erasable programmable read
‑
only memory，eeprom)、只读光盘(compact disc read
‑
only memory，cd
‑
rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
194.最后应说明的是：本发明实施例公开的一种应用于逻辑推理的机器学习方法及装
置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。