许青山已经开始准备着手写自己的第二篇论文了。

他写论文倒不是纯粹的为了去刷期刊荣誉和数量，他只是在自己学习的过程中希望能够通过这种总结拓展的方式来寻找自己的方向可能性。

他之所以对复变函数、概率论很感兴趣，就是因为这二者存在着非常重要的实际应用意义。

就像是他正在准备的马尔可夫逻辑网络的论文一样。

许青山并没有着急直接用电脑写论文。

比起之前的数学史论文，他现在想要写的这篇论文，则更偏向于实际应用和算法处理的数学研究。

他需要先按照自己的思路来整理一下。

这样能够让自己在写论文的时候一气呵成，减少掉许多次修改的时间。

许青山的这种想法要是被其他的学术研究者知道，估计都要吐槽他几句。

这小子写算法、做推导、考虑推理路线，直接就冲着完稿去的。

其实更多人在写学术研究类型的论文时，一开始都只是定题，甚至都不一定有完全完整的思路，是需要在随后不断的推算、推理的过程中，寻找方向。

如果是物理、化学、生物之类的，甚至还会面对着自己一开始的思考没有周全，实验出现错误，以至于实验数据不可用，整个实验作废，论文也凉凉，只能重新做新课题。

许青山这种锚定方向就要成稿的想法，有点变态。

【摘要：马尔可夫逻辑网络是将马尔可夫网络与一阶逻辑相结合的一种统计关系学习模型。在自然语言处理、复杂网络、信息抽取等领域都有重要的应用前景.】

许青山简单地书写了一下摘要。

开始一边查阅资料，一边整理自己思路和推演路线。

统计关系学习（statisticalrelationallearning，简称SRL），近些年提出的重要方法，主要用于高效准确地处理复杂性和不确定性问题。

许青山锚定的马尔可夫逻辑网络，便是指向这一领域方向的。

而这方向的延伸，算法研究的未来应用。

则是人工智能。

当然，并非说许青山研究这个就是要去研究人工智能，只是统计关系学习能够通过集成关系/逻辑表示、概率推理、不确定性处理、机器学习和数据挖掘等方式去获取搭建出关系数据中的似然模型。

这便深度关联了概率统计中的极大似然估计法。

在未来机器学习和人工智能领域，概率统计的基础学术研究势必会成为滋生算法拓展的核心基础。

“概率图模型贝叶斯网络BNs隐Markov模型Markov决策过程，神经网络.综合集成概率图模型与统计关系学习的逻辑表示”

“04年的美国华盛顿大学的Domingos和Richardson提出的Markov逻辑网络作为统计关系学习的统一框架。”

“那我要做的就是”

许青山再度完全沉浸在了自己的学术领域之中。

他宛若疯魔。

时而提笔奋笔疾书，洋洋洒洒地写上几页科作业纸，然后看了一会突然就把这几张纸扯下，撕得细碎，然后重新写。

时而低头沉吟，手里拿着空白的科作业纸，久久不落笔。

时而在那一叠文件资料堆里凌乱地翻找着自己想要的资料。

没人敢去打扰他。

许青山一直保持着手写的状态，持续到.

闽越省省质检的开始。

闽越省今年省质检来得很晚，直到3月中旬才公布了省质检的时间。