CN113822431A - 贝叶斯网络的结构学习方法、装置及电子设备 - Google Patents
贝叶斯网络的结构学习方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113822431A CN113822431A CN202110298277.7A CN202110298277A CN113822431A CN 113822431 A CN113822431 A CN 113822431A CN 202110298277 A CN202110298277 A CN 202110298277A CN 113822431 A CN113822431 A CN 113822431A
- Authority
- CN
- China
- Prior art keywords
- node
- pair
- time period
- fruit
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 167
- 238000007418 data mining Methods 0.000 claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 208000024891 symptom Diseases 0.000 claims description 180
- 230000001364 causal effect Effects 0.000 claims description 41
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 33
- 201000010099 disease Diseases 0.000 claims description 30
- 239000000126 substance Substances 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 97
- 239000013598 vector Substances 0.000 description 71
- 230000000694 effects Effects 0.000 description 31
- 206010037660 Pyrexia Diseases 0.000 description 28
- 206010019233 Headaches Diseases 0.000 description 16
- 231100000869 headache Toxicity 0.000 description 16
- 201000009240 nasopharyngitis Diseases 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
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。
Description
技术领域
本申请涉及计算机技术领域，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。
背景技术
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。
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。
发明内容
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。
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问题。
本申请第一方面实施例提出了一种贝叶斯网络的结构学习方法，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；其中，由获取模块获取待进行结构学习的贝叶斯网络的节点集合；由确定模块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；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；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。
本申请第二方面实施例提出了一种贝叶斯网络的结构学习装置，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；第一确定模块，用于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；第二确定模块，用于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；第三确定模块，用于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。
本申请第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本申请第一方面实施例提出的贝叶斯网络的结构学习方法。
本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如本申请第一方面实施例提出的贝叶斯网络的结构学习方法。
本申请第五方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本申请第一方面实施例提出的贝叶斯网络的结构学习方法。
本申请提出的技术方案，具有如下有益效果：
通过获取待进行结构学习的贝叶斯网络的节点集合后，针对节点集合中的每个节点，确定以该节点为因的因节点对和以该节点为果的果节点对，进而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。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例一所提供的贝叶斯网络的结构学习方法的流程示意图；
图2为本申请实施例二所提供的贝叶斯网络的结构学习方法的流程示意图；
图3为本申请实施例二所提供的贝叶斯网络的结构示例图；
图4为本申请实施例三所提供的推荐场景下贝叶斯网络的结构学习方法的流程示意图；
图5为本申请实施例四所提供的数据挖掘场景下贝叶斯网络的结构学习方法的流程示意图；
图6为本申请实施例五所提供的贝叶斯网络的结构学习装置的结构示意图；
图7为本申请实施例六所提供的贝叶斯网络的结构学习装置的结构示意图；
图8示出了适于用来实现本申请实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
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。
本申请主要针对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问题，提出一种贝叶斯网络的结构学习方法。
本申请实施例的贝叶斯网络的结构学习方法，通过获取待进行结构学习的贝叶斯网络的节点集合后，针对节点集合中的每个节点，确定以该节点为因的因节点对和以该节点为果的果节点对，进而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。
为了更好的理解本申请的技术方案，首先对贝叶斯网络进行简单介绍。
贝叶斯网络，为概率图模型的一种，贝叶斯网络中的节点代表变量，节点之间的边表示变量之间的依赖关系，节点之间的边的方向，表示节点代表的变量之间的因果关系。以节点A指向节点B为例，节点A为父节点，节点B为子节点，则节点A表示原因，节点B表示结果，即父节点A代表的变量为子节点B代表的变量的原因，子节点B代表的变量为父节点A代表的变量的结果。贝叶斯网络的结构学习的目的，即是要学习出变量之间的因果关系。
下面参考附图描述本申请实施例的贝叶斯网络的结构学习方法、装置、电子设备及存储介质。
图1为本申请实施例一所提供的贝叶斯网络的结构学习方法的流程示意图。
需要说明的是，本申请实施例以该贝叶斯网络的结构学习方法被配置于贝叶斯网络的结构学习装置中来举例说明，该贝叶斯网络的结构学习装置可以应用于任一电子设备中，以使该电子设备可以执行学习贝叶斯网络的结构的功能。
其中，电子设备可以为个人电脑(Personal Computer，简称PC)、云端设备、移动设备等，移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该贝叶斯网络的结构学习方法可以包括以下步骤：
步骤101，获取待进行结构学习的贝叶斯网络的节点集合，其中，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。
其中，节点集合中，包括待进行结构学习的贝叶斯网络的所有节点，每个节点的数据为时序数据。
在示例性实施例中，可以由贝叶斯网络的结构学习装置中的获取模块获取待进行结构学习的贝叶斯网络的节点集合。
步骤102，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。
其中，节点在第一时间段内的内容序列，为节点代表的变量在第一时间段内的内容组成的序列；其他节点在第二时间段内的内容序列，为其他节点代表的变量在第二时间段内的内容组成的序列。
以某个节点为因的因节点对，指的是因节点对中，该节点为因，另一节点为果。举例来说，以节点A为因的因节点对(A，B)中，节点A为因，节点B为果。
本申请实施例中，针对节点集合中的每个节点，由于该节点对应的因节点对是根据该节点在第一时间段内的内容序列，以及节点集合中其他节点在第二时间段内的内容序列确定的，而第一时间段的起始时间点早于第二时间段的起始时间点，根据第一时间段和第二时间段的起始时间点的先后，可以确定该节点为因节点对中的因，其他节点为因节点对中的果。
其中，针对节点集合中的每个节点，以该节点为因的因节点对的数量，可能为一个，也可能为多个。
在示例性实施例中，针对节点集合中的每个节点，可以通过以下方法，确定以所述节点为因的因节点对：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。
其中，确定每个节点与节点集合中其它节点之间的第一相关度的方法，可以根据需要设置。
比如，节点代表的变量的数据为连续数据时，可以根据节点在第一时间段内的内容序列，以及节点集合中其他节点在第二时间段内的内容序列，确定节点与其他节点之间的皮尔逊相关系数，将节点与其他节点之间的皮尔逊相关系数，作为节点与其他节点之间的第一相关度；节点代表的变量的数据为离散数据时，可以根据节点在第一时间段内的内容序列，以及节点集合中其它节点在第二时间段内的内容序列，确定节点与其他节点之间的信息熵，将节点与其他节点之间的信息熵，作为节点与其他节点之间的第一相关度；或者，还可以通过相关技术中确定变量之间的相关度的其它方式，确定节点与节点集合中其他节点之间的第一相关度，本申请对确定节点与其他节点之间的第一相关度的方法不作限制。
相关度阈值，可以根据需要任意设置，本申请对此不作限制。
具体的，可以预先设置相关度阈值，从而针对节点集合中的每个节点，可以将节点集合的其他节点中，与该节点的第一相关度大于或者等于预设相关度阈值的其他节点作为第一候选节点，并根据该节点以及第一候选节点，生成以该节点为因的因节点对。其中，对于以某节点为因的因节点对来说，由于因节点对是根据该节点以及第一候选节点生成的，而该节点对应的第一时间段的起始时间点早于第一候选节点对应的第二时间段的起始时间点，根据第一时间段和第二时间段的起始时间点的先后，可以确定该节点为因节点对中的因，第一候选节点为因节点对中的果。其中，针对节点集合中的每个节点，第一候选节点的数量，可能为一个，也可能为多个。
举例来说，假设节点集合中包括节点A、节点B、节点C、节点D，则对于节点A，可以根据节点A在第一时间段内的内容序列，以及节点B在第二时间段内的内容序列，获取节点A与节点B之间的第一相关度，根据节点A在第一时间段内的内容序列，以及节点C在第二时间段内的内容序列，获取节点A与节点C之间的第一相关度，根据节点A在第一时间段内的内容序列，以及节点D在第二时间段内的内容序列，获取节点A与节点D之间的第一相关度，其中，第二时间段的起始时间点晚于第一时间段的起始时间点，并将节点A与节点B、节点A与节点C之间、节点A与节点D之间的各第一相关度，分别与相关度阈值进行比较。若节点A与节点B、节点A与D之间的第一相关度大于预设相关度阈值，则可以将节点B、节点D作为第一候选节点，进而根据节点A以及节点B，生成以节点A为因的因节点对(A，B)，根据节点A以及节点D，生成以节点A为因的因节点对(A，D)。对于节点B、节点C、节点D，可以采用同样的方式，分别确定以节点B为因的因节点对、以节点C为因的因节点对、以节点D为因的因节点对，从而可以确定节点集合中以每个节点为因的因节点对。
步骤103，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。
其中，其他节点在第三时间段内的内容序列，为其他节点代表的变量在第三时间段内的内容组成的序列。
以某个节点为果的果节点对，指的是果节点对中，该节点为果，另一节点为因。举例来说，以节点B为果的果节点对(B，A)中，节点B为果，节点A为因。
本申请实施例中，针对节点集合中的每个节点，由于该节点对应的果节点对是根据该节点在第一时间段内的内容序列，以及节点集合中其他节点在第三时间段内的内容序列确定的，而第三时间段的起始时间点早于第一时间段的起始时间点，根据第一时间段和第三时间段的起始时间点的先后，可以确定该节点为果节点对中的果，其他节点为果节点对中的因。
其中，针对节点集合中的每个节点，以该节点为果的果节点对的数量，可能为一个，也可能为多个。
在示例性实施例中，针对节点集合中的每个节点，可以通过以下方法，确定以所述节点为果的果节点对：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。其中，针对节点集合中的每个节点，第二候选节点的数量，可能为一个，也可能为多个。
其中，确定每个节点与节点集合中其它节点之间的第二相关度的方法，可以根据需要设置。
比如，节点代表的变量的数据为连续数据时，可以根据节点在第一时间段内的内容序列，以及节点集合中其他节点在第三时间段内的内容序列，确定节点与其他节点之间的皮尔逊相关系数，将节点与其他节点之间的皮尔逊相关系数，作为节点与其他节点之间的第二相关度；节点代表的变量的数据为离散数据时，可以根据节点在第一时间段内的内容序列，以及节点集合中其它节点在第三时间段内的内容序列，确定节点与其他节点之间的信息熵，将节点与其他节点之间的信息熵，作为节点与其他节点之间的第二相关度；或者，还可以通过相关技术中确定变量之间的相关度的其它方式，确定节点与节点集合中其他节点之间的第二相关度，本申请对确定节点与其他节点之间的第二相关度的方法不作限制。
相关度阈值，可以根据需要任意设置，本申请对此不作限制。
具体的，可以预先设置相关度阈值，从而针对节点集合中的每个节点，可以将节点集合的其他节点中，与该节点的第二相关度大于或者等于预设相关度阈值的其他节点作为第二候选节点，并根据该节点以及第二候选节点，生成以该节点为果的果节点对。其中，对于以某节点为果的果节点对来说，由于果节点对是根据该节点以及第二候选节点生成的，而该节点对应的第一时间段的起始时间点晚于第二候选节点对应的第三时间段的起始时间点，根据第一时间段和第三时间段的起始时间点的先后，可以确定该节点为果节点对中的果，第二候选节点为果节点对中的因。
举例来说，假设节点集合中包括节点A、节点B、节点C、节点D，则对于节点A，可以根据节点A在第一时间段内的内容序列，以及节点B在第三时间段内的内容序列，获取节点A与节点B之间的第二相关度，根据节点A在第一时间段内的内容序列，以及节点C在第三时间段内的内容序列，获取节点A与节点C之间的第二相关度，根据节点A在第一时间段内的内容序列，以及节点D在第三时间段内的内容序列，获取节点A与节点D之间的第二相关度，其中，第三时间段的起始时间点早于第一时间段的起始时间点，并将节点A与节点B、节点A与节点C之间、节点A与节点D之间的各第二相关度，分别与相关度阈值进行比较。若节点A与节点C之间的第二相关度大于预设相关度阈值，则可以将节点C作为第二候选节点，进而根据节点A和节点C，生成以节点A为果的果节点对(A，C)。对于节点B、节点C、节点D，可以采用同样的方式，分别确定以节点B为果的果节点对、以节点C为果的果节点对、以节点D为果的果节点对，从而可以确定节点集合中以每个节点为果的果节点对。
步骤104，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。
可以理解的是，对于节点集合中的两个节点A和B，确定一个节点A为因后，仅是确定了这两个节点之间的因果关系满足充分条件，这种因果关系可能是不准确的，还需要验证这两个节点之间的因果关系是否满足必要条件，才能准确确定两个节点之间的因果关系，即还需要验证节点B是否为果，因此，本申请实施例中，可以结合各个节点对应的因节点对以及果节点对，来准确确定贝叶斯网络的结构。
在示例性实施例中，可以通过以下方式，确定贝叶斯网络的结构：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。
举例来说，假设节点集合中各个节点对应的因节点对中包括多个因节点对，以其中的一个以节点A为因的因节点对(A，B)为例，可以判断是否存在该因节点对所对应的果节点对(B，A)，其中，该果节点对以节点B为果，以节点A为因，若存在，则可以将因节点对(A，B)确定为候选因节点对，通过针对每个因节点对，判断是否存在因节点对所对应的果节点对，进而确定所有的候选因节点对后，可以根据各候选因节点对，确定贝叶斯网络的结构。
需要说明的是，上述步骤102-104可以由贝叶斯网络的结构学习装置中的确定模块执行。
本申请实施例的贝叶斯网络的结构学习方法，通过获取待进行结构学习的贝叶斯网络的节点集合后，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，以及节点集合中其他节点在第二时间段内的内容序列确定以该节点为因的因节点对，其中，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，以及节点集合中其他节点在第三时间段内的内容序列，确定以该节点为果的果节点对，其中，第三时间段的起始时间点早于第一时间段的起始时间点，进而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。
下面结合图2，对本申请实施例中的贝叶斯网络的结构学习方法中，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的过程进行进一步说明。
图2为本申请实施例二所提供的贝叶斯网络的结构学习方法的流程示意图。如图2所示，图1所示的贝叶斯网络的结构学习方法中，步骤104具体可以包括以下步骤：
步骤201，针对每个因节点对，判断是否存在因节点对所对应的果节点对，其中，所对应的果节点对，为与因节点对中节点一致且节点关系一致的果节点对。
在示例性实施例中，针对每个因节点对，可以通过以下方式，判断是否存在因节点对所对应的果节点对：针对每个因节点对，获取因节点对中作为因的第一节点和作为果的第二节点；根据第二节点，查询第二节点对应的果节点对；在第二节点对应的果节点对中存在包括第一节点的果节点对时，确定存在因节点对所对应的果节点对。另外，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。
举例来说，假设节点集合中各个节点对应的因节点对中包括因节点对(A，B)、(A，D)，各个节点对应的果节点对中包括果节点对(B、A)、(B、D)、(D，C)，其中，因节点对(A，B)中，节点A为因，节点B为果，因节点对(A，D)中，节点A为因，节点D为果，果节点对(B、A)中，节点B为果，节点A为因，果节点对(B、D)中，节点B为果，节点D为因，果节点对(D，C)中，节点D为果，节点C为因。
则针对因节点对(A，B)，可以获取该因节点对中作为因的第一节点，即节点A，以及作为果的第二节点，即节点B，并根据节点B，查询节点B对应的果节点对，由于节点B对应的果节点对包括(B、A)、(B、D)，其中果节点对(B，A)即为包括节点A的果节点对，从而可以确定存在因节点对(A，B)所对应的果节点对。
针对因节点对(A，D)，可以获取该因节点对中作为因的第一节点，即节点A，以及作为果的第二节点，即节点D，并根据节点D，查询节点D对应的果节点对，由于节点D对应的果节点对包括(D，C)，其中不存在包括节点A的果节点对，从而可以确定不存在因节点对(A，D)所对应的果节点对。
步骤202，在存在与因节点对所对应的果节点对时，确定因节点对为候选因节点对。
在示例性实施例中，针对每个因节点对，在存在与所述因节点对所对应的果节点对时，可以确定所述因节点对为候选因节点对。
举例来说，继续上述示例，由于对于因节点对(A，B)，存在与该因节点对所对应的果节点对(B，A)，从而可以确定因节点对(A，B)为候选因节点对。由于对于因节点对(A，D)，不存在与该因节点对所对应的果节点对(D，A)，从而可以不将因节点对(A，D)确定为候选因节点对。
步骤203，根据候选因节点对，确定贝叶斯网络的结构。
具体的，根据各因节点对，确定了候选因节点对后，即可根据候选因节点对，确定贝叶斯网络的结构。
在示例性实施例中，可以通过以下方式，确定贝叶斯网络的结构：针对每个候选因节点对，获取候选因节点对中作为因的第三节点和作为果的第四节点；在贝叶斯网络中建立从第三节点指向第四节点的连接边。
举例来说，假设节点集合中包括节点A、节点B、节点C、节点D，且确定了候选因节点对(B，A)、(A，C)和(A，D)。则针对候选因节点对(B，A)，可以获取该候选因节点对中作为因的第三节点，即节点B，以及作为果的第四节点，即节点A，进而在贝叶斯网络中建立从节点B指向节点A的连接边。针对候选因节点对(A，C)，可以获取该候选因节点对中作为因的第三节点，即节点A，以及作为果的第四节点，即节点C，进而在贝叶斯网络中建立从节点A指向节点C的连接边。针对候选因节点对(A，D)，可以获取该候选因节点对中作为因的第三节点，即节点A，以及作为果的第四节点，即节点D，进而在贝叶斯网络中建立从节点A指向节点D的连接边，从而可以得到如图3所示的贝叶斯网络结构。
在示例性实施例中，确定节点集合中各个节点对应的因节点对后，对于每个因节点对，还可以先获取该因节点对中作为因的节点以及作为果的节点，并在贝叶斯网络中建立从作为因的节点指向作为果的节点的连接边，从而得到一个仅包括因关系的贝叶斯网络，比如称之为因图。类似的，对于每个果节点对，还可以先获取该果节点对中作为果的节点以及作为因的节点，并在贝叶斯网络中建立从作为因的节点指向作为果的节点的连接边，从而得到一个仅包括果关系的贝叶斯网络，比如称之为果图。
进而，可以将因图和果图进行对比，对于因图中的每个连接边，若在果图中存在与该连接边的方向、连接边对应的父节点、连接边对应的子节点均相同的连接边，则可以保留因图中的该连接边，若在果图中不存在与该连接边的方向、连接边对应的父节点、连接边对应的子节点均相同的连接边，则可以删除因图中的该连接边，从而在两个节点在因图中有因果关系时，通过判断在果图中是否有满足一定概率的必要条件，来对两个节点之间的因图中的因果关系进行确认，进而对因图进行更新，更新后的因图的结构，即为本申请最终要得到的准确的贝叶斯网络的结构。
本申请实施例的贝叶斯网络的结构学习方法，针对每个因节点对，判断是否存在因节点对所对应的果节点对，其中，所对应的果节点对，为与因节点对中节点一致且节点关系一致的果节点对，在存在与因节点对所对应的果节点对时，确定因节点对为候选因节点对，进而根据候选因节点对，确定贝叶斯网络的结构，实现了根据节点集合中各个节点对应的因节点对以及果节点对，准确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。
下面结合具体应用场景，对本申请实施例提供的贝叶斯网络的结构学习方法进行进一步说明。
场景一、推荐场景(以用户购物时的商品推荐场景为例)
图4为本申请实施例三所提供的推荐场景下贝叶斯网络的结构学习方法的流程示意图。如图4所示，该贝叶斯网络的结构学习方法包括以下步骤：
步骤401，获取待进行结构学习的贝叶斯网络的节点集合，其中，节点集合中的各节点，代表购物事件。
其中，节点集合中的各节点，可以代表一个大购物事件中涉及到的各个小购物事件。例如，培养执业技能为一个大购物事件，其中包括培养执业技能过程中的购买技能书事件、购买技能视频事件、购买技能相关工具事件、购买考试用品事件等，则节点集合中的各节点，可以代表购买技能书事件、购买技能视频事件、购买技能相关工具事件、购买考试用品事件，待进行结构学习的贝叶斯网络的节点集合，为培养执业技能中各购物事件的集合。
需要说明的是，由于在进行贝叶斯网络结构学习时，利用的是节点代表的变量的向量，因此，本申请实施例中需要获取节点集合中各节点代表的购物事件的向量。
其中，购物事件的向量，可以根据一段时间内的各个时间点上表征该购物事件是否发生的数据来确定。其中，每个时间点的数据，可以为一个人的数据，也可以为多个人的数据，本申请对此不作限制。比如，假设每个时间点的数据为1个人的数据，利用1表征购物事件发生，利用0表示购物事件未发生，一段时间内包括顺序排列的t1、t2、t3、t4四个时间点时，假设节点A代表购买技能书事件、节点B代表购买技能视频事件，若某个人在t1时间点购买了技能书，在t2时间点购买了技能视频，则节点A代表的购物事件的向量为[1,0,0,0]，节点B代表的购物事件的向量为[0,1,0,0]。
步骤402，针对购物事件集合中的每个购物事件，根据购物事件的向量在第一时间段内的各元素，以及购物事件集合中其他购物事件的向量在第二时间段内的各元素，确定以购物事件为因的因购物事件对；其中，第二时间段的起始时间点晚于第一时间段的起始时间点。
可以理解的是，在商品推荐场景中，上述实施例中的节点在第一时间段内的内容序列，具体可以为购物事件的向量在第一时间段内的各元素，表示在第一时间段内的各个时间点上购物事件是否发生；上述实施例中节点集合中其他节点在第二时间段内的内容序列，具体可以为购物事件集合中其他购物事件的向量在第二时间段内的各元素，表示在第二时间段内的各个时间点上购物事件是否发生；上述实施例中以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。
具体的，针对购物事件集合中的每个购物事件，可以先根据购物事件的向量在第一时间段内的各元素，以及购物事件集合中其他购物事件的向量在第二时间段内的各元素，确定购物事件与其他购物事件之间的第一相关度，再获取其它购物事件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购物事件，进而根据购物事件以及第一候选购物事件，生成以购物事件为因的因购物事件对。
举例来说，假设节点A代表购买技能书事件，节点B代表购买技能视频事件，节点C代表购买技能相关工具事件，且节点A代表的购买技能书事件的向量为[1,0,0,0]，节点B代表的购买技能视频事件的向量为[0,1,0,0]，节点C代表的购买技能相关工具事件的向量为[0,0,1,0]。
由于向量中各元素分别与顺序排列的t1、t2、t3、t4四个时间点对应，假设第一时间段为t2-t3，第二时间段为t3-t4，则针对节点B代表的购买技视频事件，可以根据向量[0,1,0,0]中t2-t3时间点对应的元素1、0，以及节点A代表的购买技能书事件的向量[1,0,0,0]中t3-t4时间点对应的元素0、0，确定购买技能视频事件与购买技能书事件之间的第一相关度，根据向量[0,1,0,0]中t2-t3时间点对应的元素1、0，以及节点C代表的购买技能相关工具事件的向量[0,0,1,0]中t3-t4时间点对应的元素1、0，确定购买技能视频事件与购买技能相关工具事件之间的第一相关度。
进而再根据各第一相关度是否大于或等于预设相关度阈值，确定第一候选购物事件，其中假设确定购买技能视频事件与购买技能相关工具事件之间的第一相关度大于预设相关度阈值，则可以将购买技能相关工具事件确定为第一候选购物事件，并根据购买技能视频事件以及购买技能相关工具事件，生成以购买技能视频事件为因的因购物事件对。
步骤403，根据购物事件的向量在第一时间段内的各元素，以及购物事件集合中其他购物事件的向量在第三时间段内的各元素，确定以购物事件为果的果购物事件对；其中，第三时间段的起始时间点早于第一时间段的起始时间点。
可以理解的是，在商品推荐场景中，上述实施例中节点集合中其他节点在第三时间段内的内容序列，具体为购物事件集合中其他购物事件的向量在第三时间段内的各元素，表示在第三时间段内的各个时间点上购物事件是否发生；上述实施例中以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。
具体的，针对购物事件集合中的每个购物事件，可以先根据购物事件的向量在第一时间段内的各元素，以及购物事件集合中其他购物事件的向量在第三时间段内的各元素，确定购物事件与其他购物事件之间的第二相关度，再获取其它购物事件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购物事件，进而根据购物事件以及第二候选购物事件，生成以购物事件为果的果购物事件对。
举例来说，假设节点A代表购买技能书事件，节点B代表购买技能视频事件，节点C代表购买技能相关工具事件，且节点A代表的购买技能书事件的向量为[1,0,0,0]，节点B代表的购买技能视频事件的向量为[0,1,0,0]，节点C代表的购买技能相关工具事件的向量为[0,0,1,0]。
由于向量中各元素分别与顺序排列的t1、t2、t3、t4四个时间点对应，假设第一时间段为t2-t3，第三时间段为t1-t2，则针对节点B代表的购买技能视频事件，可以根据向量[0,1,0,0]中t2-t3时间点对应的元素1、0，以及节点A代表的购买技能书事件的向量[1,0,0,0]中t1-t2时间点对应的元素1、0，确定购买技能视频事件与购买技能书事件之间的第二相关度，根据向量[0,1,0,0]中t2-t3时间点对应的元素1、0，以及节点C代表的购买技能相关工具事件的向量[0,0,1,0]中t1-t2时间点对应的元素0、0，确定购买技能视频事件与购买技能相关工具事件之间的第二相关度。
进而再根据各第二相关度是否大于或等于预设相关度阈值，确定第二候选购物事件，其中假设确定购买技能视频事件与购买技能书事件之间的第二相关度大于预设相关度阈值，则可以将购买技能书事件确定为第二候选购物事件，并根据购买技能视频事件以及购买技能书事件，生成以购买技能视频事件为果的果购物事件对。
步骤404，根据购物事件集合中各个购物事件对应的因购物事件对以及果购物事件对，确定贝叶斯网络的结构。
具体的，确定了以购物事件集合中各购物事件为因的因购物事件对和以各购物事件为果的果购物事件对后，针对每个因购物事件对，可以判断是否存在因购物事件对所对应的果购物事件对，其中，所对应的果购物事件对，为与因购物事件对中购物事件一致且因果关系一致的果购物事件对，在存在与因购物事件对所对应的果购物事件对时，确定因购物事件对为候选因购物事件对，进而根据候选因购物事件对，确定贝叶斯网络的结构。
举例来说，假设购物事件集合中各个购物事件对应的因购物事件对中包括多个因购物事件对，以其中的一个以购买技能视频为因的因购物事件对(购买技能视频事件，购买技能相关工具事件)为例，可以判断是否存在该因购物事件对所对应的果购物事件对(购买技能相关工具事件，购买技能视频事件)，其中，该果购物事件对以购买技能相关工具事件为果，以购买技能视频事件为因。若存在，则可以将因购物事件对(购买技能视频事件，购买技能相关工具事件)确定为候选因购物事件对。
通过针对每个因购物事件对，判断是否存在因购物事件对所对应的果购物事件对，进而确定所有的候选因购物事件对后，可以针对每个候选因购物事件对，获取候选因购物事件对中作为因的购物事件和作为果的购物事件，在贝叶斯网络中建立从因购物事件指向果购物事件的连接边，从而确定贝叶斯网络的结构。
通过上述过程，分别确定以购物事件集合中各购物事件为因的因购物事件对以及以各购物事件为果的果购物事件对，进而根据各个购物事件对应的因购物事件对以及果购物事件对，确定贝叶斯网络的结构，可以准确确定各购物事件之间的发展关系，从而能够根据用户的实际情况为用户进行准确的商品推荐，比如用户在某个时间点购买技能书后，在后续的预设时间点或者时间段向用户准确推荐相关视频、工具或者考试用品等。
场景二、数据挖掘场景(以病症症状数据挖掘场景为例)
图5为本申请实施例四所提供的数据挖掘场景下贝叶斯网络的结构学习方法的流程示意图。如图5所示，该贝叶斯网络的结构学习方法包括以下步骤：
步骤501，获取待进行结构学习的贝叶斯网络的节点集合，其中，节点集合中的每个节点，代表一个病症症状。
例如，节点A代表发烧症状、节点B代表上火症状，待进行结构学习的贝叶斯网络的节点集合，为各病症症状的集合。
需要说明的是，由于在进行贝叶斯网络结构学习时，利用的是节点代表的变量的向量，因此，本申请实施例中需要获取节点集合中各节点代表的病症症状的向量。
其中，病症症状的向量，可以根据一段时间内的各个时间点上表征该病症症状是否出现的数据来确定。其中，每个时间点的数据，可以为一个人的数据，也可以为多个人的数据，本申请对此不作限制。比如，假设每个时间点的数据为1个人的数据，利用1表征病症症状出现，利用0表示病症症状未出现，一段时间内包括顺序排列的t1、t2、t3、t4四个时间点时，假设节点D代表感冒症状、节点E代表发烧症状，若某个人在t1时间点出现了感冒症状，在t2时间点出现了发烧症状，则节点D代表的感冒症状的向量为[1,0,0,0]，节点E代表的发烧症状的向量为[0,1,0,0]。
步骤502，针对病症症状集合中的每个病症症状，根据病症症状的向量在第一时间段内的各元素，以及病症症状集合中其他病症症状的向量在第二时间段内的各元素，确定以病症症状为因的因病症症状对；其中，第二时间段的起始时间点晚于第一时间段的起始时间点。
可以理解的是，在病症症状数据挖掘场景中，上述实施例中的节点在第一时间段内的内容序列，具体为病症症状的向量在第一时间段内的各元素，表示在第一时间段内的各个时间点上病症症状是否出现；上述实施例中节点集合中其他节点在第二时间段内的内容序列，具体为病症症状集合中其他病症症状的向量在第二时间段内的各元素，表示在第二时间段内的各个时间点上病症症状是否出现；上述实施例中以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。
具体的，针对病症症状集合中的每个病症症状，可以先根据病症症状的向量在第一时间段内的各元素，以及病症症状集合中其他病症症状的向量在第二时间段内的各元素，确定病症症状与其他病症症状之间的第一相关度，再获取其它病症症状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病症症状，进而根据病症症状以及第一候选病症症状，生成以病症症状为因的因病症症状对。
举例来说，假设节点D代表感冒症状，节点E代表发烧症状，节点F代表头疼症状，且节点D代表的感冒症状的向量为[1,0,0,0]，节点E代表的发烧症状的向量为[0,1,0,0]，节点F代表的头疼症状的向量为[0,0,1,0]。
由于向量中各元素分别与顺序排列的t1、t2、t3、t4四个时间点对应，假设第一时间段为t2-t3，第二时间段为t3-t4，则针对节点E代表的发烧症状，可以根据向量[0,1,0,0]中t2-t3时间点对应的元素1、0，以及节点D代表的感冒症状的向量[1,0,0,0]中t3-t4时间点对应的元素0、0，确定发烧症状与感冒症状之间的第一相关度，根据向量[0,1,0,0]中t2-t3时间点对应的元素1、0，以及节点F代表的头疼症状的向量[0,0,1,0]中t3-t4时间点对应的元素1、0，确定发烧症状与头疼症状之间的第一相关度。
进而再根据各第一相关度是否大于或等于预设相关度阈值，确定第一候选病症症状，其中假设确定发烧症状与头疼症状之间的第一相关度大于预设相关度阈值，则可以将头疼症状确定为第一候选病症症状，并根据发烧症状以及头疼症状，生成以发烧症状为因的因病症症状对。
步骤503，根据病症症状的向量在第一时间段内的各元素，以及病症症状集合中其他病症症状的向量在第三时间段内的各元素，确定以病症症状为果的果病症症状对；其中，第三时间段的起始时间点早于第一时间段的起始时间点。
可以理解的是，在病症症状数据挖掘场景中，上述实施例中节点集合中其他节点在第三时间段内的内容序列，具体为病症症状中其他病症症状的向量在第三时间段内的各元素，表示在第三时间段内的各个时间点上病症症状是否出现；上述实施例中以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。
具体的，针对病症症状集合中的每个病症症状，可以先根据病症症状的向量在第一时间段内的各元素，以及病症症状集合中其他病症症状的向量在第三时间段内的各元素，确定病症症状与其他病症症状之间的第二相关度，再获取其它病症症状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病症症状，进而根据病症症状以及第二候选病症症状，生成以病症症状为果的果病症症状对。
举例来说，假设节点D代表感冒症状，节点E代表发烧症状，节点F代表头疼症状，且节点D代表的感冒症状的向量为[1,0,0,0]，节点E代表的发烧症状的向量为[0,1,0,0]，节点F代表的头疼症状的向量为[0,0,1,0]。
由于向量中各元素分别与顺序排列的t1、t2、t3、t4四个时间点对应，假设第一时间段为t2-t3，第三时间段为t1-t2，则针对节点E代表的发烧症状，可以根据向量[0,1,0,0]中t2-t3时间点对应的元素1、0，以及节点D代表的感冒症状的向量[1,0,0,0]中t1-t2时间点对应的元素1、0，确定发烧症状与感冒症状之间的第二相关度，根据向量[0,1,0,0]中t2-t3时间点对应的元素1、0，以及节点F代表的头疼症状的向量[0,0,1,0]中t1-t2时间点对应的元素0、0，确定发烧症状与头疼症状之间的第二相关度。
进而再根据各第二相关度是否大于或等于预设相关度阈值，确定第二候选病症症状，其中假设确定发烧症状与感冒症状之间的第二相关度大于预设相关度阈值，则可以将感冒症状确定为第二候选病症症状，并根据发烧症状以及感冒症状，生成以发烧症状为果的果病症症状对。
步骤504，根据病症症状集合中各个病症症状对应的因病症症状对以及果病症症状对，确定贝叶斯网络的结构。
具体的，确定了以病症症状集合中各病症症状为因的因病症症状对和以各病症症状为果的果病症症状对后，针对每个因病症症状对，可以判断是否存在因病症症状对所对应的果病症症状对，其中，所对应的果病症症状对，为与因病症症状对中病症症状一致且因果关系一致的果病症症状对，在存在与因病症症状对所对应的果病症症状对时，确定因病症症状对为候选因病症症状对，进而根据候选因病症症状对，确定贝叶斯网络的结构。
举例来说，假设病症症状集合中各个病症症状对应的因病症症状对中包括多个因病症症状对，以其中的一个以发烧症状为因的因病症症状对(发烧症状，头疼症状)为例，可以判断是否存在该因病症症状对所对应的果病症症状对(头疼症状，发烧症状)，其中，该果病症症状对以头疼症状为果，以发烧症状为因。若存在，则可以将因病症症状对(发烧症状，头疼症状)确定为候选因病症症状对。
通过针对每个因病症症状对，判断是否存在因病症症状对所对应的果病症症状对，进而确定所有的候选因病症症状对后，可以针对每个候选因病症症状对，获取候选因病症症状对中作为因的病症症状和作为果的病症症状，在贝叶斯网络中建立从因病症症状指向果病症症状的连接边，从而确定贝叶斯网络的结构。
通过上述过程，分别确定以病症症状集合中各病症症状为因的因病症症状对以及以各病症症状为果的果病症症状对，进而根据各个病症症状对应的因病症症状对以及果病症症状对，确定贝叶斯网络的结构，可以准确确定各病症症状之间的发展关系，从而能够根据用户的实际情况为用户进行准确的病症症状预测，比如用户在某个时间点出现发烧症状后，预测用户在后续的预设时间点或者时间段可能会头疼等。
需要说明的是，本申请中的贝叶斯网络，例如还可以用于故障诊断场景等场景。
其中，在故障诊断场景中，以空调的故障诊断为例，节点集合中的各节点可以代表空调中各传感器检测到的温度、湿度等状态参数。节点在第一时间段内的内容序列，具体可以为状态参数的向量在第一时间段内的各元素，表示在第一时间段内的各个时间点上状态参数是否异常；节点集合中其他节点在第二时间段内的内容序列，具体可以为状态参数集合中其他状态参数的向量在第二时间段内的各元素，表示在第二时间段内的各个时间点上状态参数是否异常；以节点为因的因节点对，可以表示以状态参数为因的因状态参数对。节点集合中其他节点在第三时间段内的内容序列，具体可以为状态参数中其他状态参数的向量在第三时间段内的各元素，表示在第三时间段内的各个时间点上状态参数是否异常；以节点为果的果节点对，表示以状态参数为果的果状态参数对。
具体的，在获取待进行结构学习的贝叶斯网络的节点集合后，针对状态参数集合中的每个状态参数，可以根据状态参数的向量在第一时间段内的各元素，以及状态参数集合中其他状态参数的向量在第二时间段内的各元素，确定以状态参数为因的因状态参数对；其中，第二时间段的起始时间点晚于第一时间段的起始时间点，并且，可以根据状态参数的向量在第一时间段内的各元素，以及状态参数集合中其他状态参数的向量在第三时间段内的各元素，确定以状态参数为果的果状态参数对；其中，第三时间段的起始时间点早于第一时间段的起始时间点，进而根据状态参数集合中各个状态参数对应的因状态参数对以及果状态参数对，确定贝叶斯网络的结构。
通过上述过程，分别确定以状态参数集合中各状态参数为因的因状态参数对以及以各状态参数为果的果状态参数对，进而根据各个状态参数对应的因状态参数对以及果状态参数对，确定贝叶斯网络的结构，可以准确确定各状态参数之间的发展关系，从而能够根据空调中各个状态参数的状态准确诊断空调是否发生故障。
图6为本申请实施例五所提供的贝叶斯网络的结构学习装置的结构示意图。
如图6所示，该贝叶斯网络的结构学习装置600可以包括：第一获取模块610、第一确定模块620、第二确定模块630和第三确定模块640。
其中，第一获取模块610，用于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；
第一确定模块620，用于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；
第二确定模块630，用于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；
第三确定模块640，用于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。
进一步地，在本申请实施例的一种可能的实现方式中，第一确定模块620，具体用于：
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。
进一步地，在本申请实施例的一种可能的实现方式中，第二确定模块630，具体用于：
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。
进一步地，在本申请实施例的一种可能的实现方式中，参考图7，第三确定模块640，包括：
判断单元641，用于针对每个因节点对，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；
第一确定单元642，用于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；
第二确定单元643，用于根据所述候选因节点对，确定所述贝叶斯网络的结构。
进一步地，在本申请实施例的一种可能的实现方式中，判断单元641，具体用于：
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。
进一步地，在本申请实施例的一种可能的实现方式中，判断单元641，还用于：
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。
进一步地，在本申请实施例的一种可能的实现方式中，第二确定单元643，具体用于：
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。
需要说明的是，前述贝叶斯网络的结构学习方法实施例中的解释说明也适用于该实施例的贝叶斯网络的结构学习装置，此处不再赘述。
本申请实施例的贝叶斯网络的结构学习装置，通过获取待进行结构学习的贝叶斯网络的节点集合后，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，以及节点集合中其他节点在第二时间段内的内容序列确定以该节点为因的因节点对，其中，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，以及节点集合中其他节点在第三时间段内的内容序列，确定以该节点为果的果节点对，其中，第三时间段的起始时间点早于第一时间段的起始时间点，进而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。
为了实现上述实施例，本申请还提出一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本申请前述实施例提出的贝叶斯网络的结构学习方法。
为了实现上述实施例，本申请还提出一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如本申请前述实施例提出的贝叶斯网络的结构学习方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本申请前述实施例提出的贝叶斯网络的结构学习方法。
图8示出了适于用来实现本申请实施方式的示例性电子设备的框图。图8显示的电子设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图8中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (20)
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；
第一确定模块，用于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；
第二确定模块，用于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；
第三确定模块，用于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。
11.根据权利要求10所述的贝叶斯网络的结构学习装置，其特征在于，所述第一确定模块，具体用于：
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。
12.根据权利要求10所述的贝叶斯网络的结构学习装置，其特征在于，所述第二确定模块，具体用于：
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。
13.根据权利要求10所述的贝叶斯网络的结构学习装置，其特征在于，所述第三确定模块，包括：
判断单元，用于针对每个因节点对，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；
第一确定单元，用于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；
第二确定单元，用于根据所述候选因节点对，确定所述贝叶斯网络的结构。
14.根据权利要求13所述的贝叶斯网络的结构学习装置，其特征在于，所述判断单元，具体用于：
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。
15.根据权利要求13所述的贝叶斯网络的结构学习装置，其特征在于，所述判断单元，还用于：
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。
16.根据权利要求13所述的贝叶斯网络的结构学习装置，其特征在于，所述第二确定单元，具体用于：
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。
17.根据权利要求10-16任一项所述的贝叶斯网络的结构学习装置，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。
18.根据权利要求10-16任一项所述的贝叶斯网络的结构学习装置，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。
19.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110298277.7A CN113822431B (zh) | 2021-03-19 | 2021-03-19 | 贝叶斯网络的结构学习方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110298277.7A CN113822431B (zh) | 2021-03-19 | 2021-03-19 | 贝叶斯网络的结构学习方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822431A true CN113822431A (zh) | 2021-12-21 |
| CN113822431B CN113822431B (zh) | 2024-04-16 |
Family
ID=78912423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110298277.7A Active CN113822431B (zh) | 2021-03-19 | 2021-03-19 | 贝叶斯网络的结构学习方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822431B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120005532A1 (en) * | 2010-07-02 | 2012-01-05 | Oracle International Corporation | Method and apparatus for determining ranked causal paths for faults in a complex multi-host system with probabilistic inference in a time series |
| US8903750B1 (en) * | 2011-09-02 | 2014-12-02 | Lockheed Martin Corporation | Adaptive learning network for fusion of remaining useful life with machinery condition |
| US20150074035A1 (en) * | 2013-09-02 | 2015-03-12 | Appnomic Systems Private Limited | Detecting root cause for transaction degradation using causal bayesian networks |
| CN106326585A (zh) * | 2016-08-29 | 2017-01-11 | 东软集团股份有限公司 | 基于贝叶斯网络推理的预测分析方法以及装置 |
| CN110351118A (zh) * | 2019-05-28 | 2019-10-18 | 华为技术有限公司 | 根因告警决策网络构建方法、装置和存储介质 |
| WO2020046261A1 (en) * | 2018-08-27 | 2020-03-05 | Siemens Aktiengesellschaft | Systematic prognostic analysis with dynamic causal model |
| CN111047041A (zh) * | 2019-11-25 | 2020-04-21 | 清华大学 | 基于贝叶斯网络推理模型的犯罪重建方法及装置 |
-
2021
- 2021-03-19 CN CN202110298277.7A patent/CN113822431B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120005532A1 (en) * | 2010-07-02 | 2012-01-05 | Oracle International Corporation | Method and apparatus for determining ranked causal paths for faults in a complex multi-host system with probabilistic inference in a time series |
| US8903750B1 (en) * | 2011-09-02 | 2014-12-02 | Lockheed Martin Corporation | Adaptive learning network for fusion of remaining useful life with machinery condition |
| US20150074035A1 (en) * | 2013-09-02 | 2015-03-12 | Appnomic Systems Private Limited | Detecting root cause for transaction degradation using causal bayesian networks |
| CN106326585A (zh) * | 2016-08-29 | 2017-01-11 | 东软集团股份有限公司 | 基于贝叶斯网络推理的预测分析方法以及装置 |
| WO2020046261A1 (en) * | 2018-08-27 | 2020-03-05 | Siemens Aktiengesellschaft | Systematic prognostic analysis with dynamic causal model |
| CN110351118A (zh) * | 2019-05-28 | 2019-10-18 | 华为技术有限公司 | 根因告警决策网络构建方法、装置和存储介质 |
| CN111047041A (zh) * | 2019-11-25 | 2020-04-21 | 清华大学 | 基于贝叶斯网络推理模型的犯罪重建方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 滕越: "基于因果效应的贝叶斯网络结构学习方法及应用", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 01 * |
| 高丽;田丰;张晓丹;: "一种用于汽车发动机故障诊断的贝叶斯网络模型", 计算机测量与控制, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822431B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8732666B2 (en) | Automatic identification of subroutines from test scripts | |
| CN110263732B (zh) | 多尺度目标检测方法及装置 | |
| CN111811694B (zh) | 一种温度校准方法、装置、设备及存储介质 | |
| KR20190125029A (ko) | 시계열 적대적인 신경망 기반의 텍스트-비디오 생성 방법 및 장치 | |
| CN111949798A (zh) | 图谱的构建方法、装置、计算机设备和存储介质 | |
| US10437944B2 (en) | System and method of modeling irregularly sampled temporal data using Kalman filters | |
| CN107463486B (zh) | 系统性能分析方法、装置及服务器 | |
| CN109639526A (zh) | 网络数据监控方法、装置、设备及介质 | |
| CN116303100B (zh) | 一种基于大数据平台的文件集成测试方法及系统 | |
| CN113822431B (zh) | 贝叶斯网络的结构学习方法、装置及电子设备 | |
| CN110826616B (zh) | 信息处理方法及装置、电子设备、存储介质 | |
| CN115018077A (zh) | 贝叶斯网络的结构学习方法、装置及电子设备 | |
| CN114096959A (zh) | 时间序列数据压缩和图形签名分析 | |
| KR102575359B1 (ko) | 시계열 데이터 압축 및 복원 방법 | |
| CN111383245B (zh) | 视频检测方法、视频检测装置和电子设备 | |
| US11688175B2 (en) | Methods and systems for the automated quality assurance of annotated images | |
| CN110647826B (zh) | 商品训练图片的获取方法、装置、计算机设备和存储介质 | |
| US11348213B2 (en) | Multistage process model training | |
| US20220083816A1 (en) | Regression detection and correction in relationships between performance indicators and ai metrics | |
| Murphy et al. | Semiparametric mixtures in case-control studies | |
| CN113780238A (zh) | 多指标时序信号的异常检测方法、装置及电子设备 | |
| CN114639056A (zh) | 直播内容的识别方法、装置、计算机设备及存储介质 | |
| CN113723436A (zh) | 数据的处理方法、装置、计算机设备和存储介质 | |
| CN114238968A (zh) | 应用程序检测方法及装置、存储介质及电子设备 | |
| CN107665258A (zh) | 文件系统可用性确定方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |