贝叶斯网络的结构学习方法、装置及电子设备制造方法及图纸

本申请提出一种贝叶斯网络的结构学习方法、装置以及电子设备，方法包括：获取待进行结构学习的贝叶斯网络的节点集合；针对节点集合中的每个节点，根据节点在第一时间段内的内容序列以及其他节点在第二时间段内的内容序列，确定以节点为因的因节点对；第二时间段的起始时间点晚于第一时间段的起始时间点；根据节点在第一时间段内的内容序列以及其他节点在第三时间段内的内容序列，确定以节点为果的果节点对；第三时间段的起始时间点早于第一时间段的起始时间点；根据节点集合中各个节点对应的因节点对以及果节点对确定贝叶斯网络的结构。提高了贝叶斯网络的结构的准确性，进而提高了利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的准确性。挖掘等的准确性。挖掘等的准确性。

【技术实现步骤摘要】
贝叶斯网络的结构学习方法、装置及电子设备


[0001]本申请涉及计算机
，尤其涉及一种贝叶斯网络的结构学习方法、装置及电子设备。

技术介绍

[0002]贝叶斯网络是以贝叶斯理论为基础的基于概率推理的图形化网络，适用于表达和分析不确定性和概率性的事件，能够在不确定性环境中实现知识表示、推断、预测等，广泛应用于故障诊断、图像识别、数据挖掘等领域。
[0003]相关技术中，通常利用相关算法确定数据之间的时序相关性，进而根据数据之间的时序相关性学习贝叶斯网络的结构，但是，由于相关算法的局部最优解不具备稳定性，从而导致利用这种方式确定的贝叶斯网络的结构并不准确，进而利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的准确性差。

技术实现思路

[0004]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]本申请提出一种贝叶斯网络的结构学习方法、装置及电子设备，以解决相关技术中的贝叶斯网络的结构学习方法确定的贝叶斯网络的结构不准确，从而导致利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的准确性差的技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种贝叶斯网络的结构学习方法，其特征在于，包括：获取待进行结构学习的贝叶斯网络的节点集合，其中，所述贝叶斯网络的应用场景包括以下场景中的至少一项：故障诊断场景和数据挖掘场景；针对所述节点集合中的每个节点，根据所述节点在第一时间段内的内容序列，以及所述节点集合中其他节点在第二时间段内的内容序列，确定以所述节点为因的因节点对；其中，所述第二时间段的起始时间点晚于所述第一时间段的起始时间点；根据所述节点在第一时间段内的内容序列，以及所述节点集合中其他节点在第三时间段内的内容序列，确定以所述节点为果的果节点对；其中，所述第三时间段的起始时间点早于所述第一时间段的起始时间点；根据所述节点集合中各个节点对应的因节点对以及果节点对，确定所述贝叶斯网络的结构。2.根据权利要求1所述的贝叶斯网络的结构学习方法，其特征在于，所述根据所述节点在第一时间段内的内容序列，以及所述节点集合中其他节点在第二时间段内的内容序列，确定以所述节点为因的因节点对，包括：根据所述节点在第一时间段内的内容序列，以及所述节点集合中其他节点在第二时间段内的内容序列，确定所述节点与其他节点之间的第一相关度；获取所述其他节点中对应的第一相关度大于或等于预设相关度阈值的第一候选节点；根据所述节点以及所述第一候选节点，生成以所述节点为因的因节点对。3.根据权利要求1所述的贝叶斯网络的结构学习方法，其特征在于，所述根据所述节点在第一时间段内的内容序列，以及所述节点集合中其他节点在第三时间段内的内容序列，确定以所述节点为果的果节点对，包括：根据所述节点在第一时间段内的内容序列，以及所述节点集合中其他节点在第三时间段内的内容序列，确定所述节点与其他节点之间的第二相关度；获取所述其他节点中对应的第二相关度大于或等于预设相关度阈值的第二候选节点；根据所述节点以及所述第二候选节点，生成以所述节点为果的果节点对。4.根据权利要求1所述的贝叶斯网络的结构学习方法，其特征在于，所述根据所述节点集合中各个节点对应的因节点对以及果节点对，确定所述贝叶斯网络的结构，包括：针对每个因节点对，判断是否存在所述因节点对所对应的果节点对，其中，所对应的果节点对，为与所述因节点对中节点一致且节点关系一致的果节点对；在存在与所述因节点对所对应的果节点对时，确定所述因节点对为候选因节点对；根据所述候选因节点对，确定所述贝叶斯网络的结构。5.根据权利要求4所述的贝叶斯网络的结构学习方法，其特征在于，所述针对每个因节点对，判断是否存在所述因节点对所对应的果节点对，包括：针对每个因节点对，获取所述因节点对中作为因的第一节点和作为果的第二节点；根据所述第二节点，查询所述第二节点对应的果节点对；在所述第二节点对应的果节点对中存在包括所述第一节点的果节点对时，确定存在所述因节点对所对应的果节点对。6.根据权利要求4所述的贝叶斯网络的结构学习方法，其特征在于，所述针对每个因节点对，判断是否存在所述因节点对所对应的果节点对，还包括：
在所述第二节点对应的果节点对中未存在包括所述第一节点的果节点对时，确定不存在所述因节点对所对应的果节点对。7.根据权利要求4所述的贝叶斯网络的结构学习方法，其特征在于，所述根据所述候选因节点对，确定所述贝叶斯网络的结构，包括：针对每个候选因节点对，获取所述候选因节点对中作为因的第三节点和作为果的第四节点；在所述贝叶斯网络中建立从所述第三节点指向所述第四节点的连接边。8.根据权利要求1
‑
7任一项所述的贝叶斯网络的结构学习方法，其特征在于，所述数据挖掘场景具体为商品推荐场景；所述节点集合中的各节点，代表购物事件；节点在第一时间段内的内容序列，表示在第一时间段内的各个时间点上购物事件是否发生；节点在第二时间段内的内容序列，表示在第二时间段内的各个时间点上购物事件是否发生；以所述节点为因的因节点对，表示以购物事件为因的因购物事件对；以所述节点为果的果节点对，表示以购物事件为果的果购物事件对。9.根据权利要求1
‑
7任一项所述的贝叶斯网络的结构学习方法，其特征在于，所述数据挖掘场景具体为病症症状数据挖掘场景；所述节点集合中的各节点，表示病症症状；节点在第一时间段内的内容序列，表示在第一时间段内的各个时间点上病症症状是否出现；节点在第二时间段内的内容序列，表示在第二时间段内的各个时间点上病症症状是否出现；以所述节点为因的因节点对，表示以病症症状为因的因病症症状对；以所述节点为果的果节点对，表示以病症症状为果的果病症症状对。10.一种贝叶斯网络的结构学习装置，其特征在于，包括：第一获取模块，用于获取待进行结构学习的贝叶斯网络的节点集合，其...

【专利技术属性】
技术研发人员：丁茹，顾松庠，
申请(专利权)人：京东科技控股股份有限公司，
类型：发明
国别省市：