First-order expressive capabilities allow Bayesian networks (BNs) to model problem domains where the number of entities, their attributes, and their relationships can vary significantly between model instantiations. First-order BNs are well-suited for capturing knowledge representation dependencies, but literature on design patterns specific to first-order BNs is few and scattered. To identify useful patterns, we investigated the range of dependency models between combinations of random variables (RVs) that represent unary attributes, functional relationships, and binary predicate relationships. We found eight major patterns, grouped into three categories, that cover a significant number of first-order BN situations. Selection behavior occurs in six patterns, where a relationship/attribute identifies which entities in a second relationship/attribute are applicable. In other cases, certain kinds of embedded dependencies based on semantic meaning are exploited. A significant contribution of our patterns is that they describe various behaviors used to establish the RV’s local probability distribution. Taken together, the patterns form a modeling framework that provides significant insight into first-order expressive BNs and can reduce efforts in developing such models. To the best of our knowledge, there are no comprehensive published accounts of such patterns.

中文翻译：

---

用于建模一阶表达贝叶斯网络的设计模式

一阶表达能力允许贝叶斯网络 (BN) 对问题域建模，其中实体的数量、它们的属性和它们的关系在模型实例之间可能会有很大差异。一阶 BN 非常适合捕获知识表示依赖关系，但关于一阶 BN 特定设计模式的文献很少且分散。为了识别有用的模式，我们调查了代表一元属性、功能关系和二元谓词关系的随机变量 (RV) 组合之间的依赖模型范围。我们发现了八种主要模式，分为三类，涵盖了大量的一阶 BN 情况。选择行为以六种模式发生，其中关系/属性标识第二个关系/属性中的哪些实体适用。在其他情况下，利用基于语义含义的某些类型的嵌入式依赖项。我们的模式的一个重要贡献是它们描述了用于建立 RV 局部概率分布的各种行为。总之，这些模式形成了一个建模框架，可以为一阶表达BN提供重要的洞察力，并可以减少开发此类模型的工作量。据我们所知，没有关于这种模式的全面的公开报道。我们的模式的一个重要贡献是它们描述了用于建立 RV 局部概率分布的各种行为。总之，这些模式形成了一个建模框架，可以为一阶表达BN提供重要的洞察力，并可以减少开发此类模型的工作量。据我们所知，没有关于这种模式的全面的公开报道。我们的模式的一个重要贡献是它们描述了用于建立 RV 局部概率分布的各种行为。总之，这些模式形成了一个建模框架，可以为一阶表达BN提供重要的洞察力，并可以减少开发此类模型的工作量。据我们所知，没有关于这种模式的全面的公开报道。