CN114548407A - 层级目标定向因果发现方法、装置及电子设备 - Google Patents
层级目标定向因果发现方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114548407A CN114548407A CN202210119084.5A CN202210119084A CN114548407A CN 114548407 A CN114548407 A CN 114548407A CN 202210119084 A CN202210119084 A CN 202210119084A CN 114548407 A CN114548407 A CN 114548407A
- Authority
- CN
- China
- Prior art keywords
- factor
- cause
- causal
- target
- correlation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000000694 effects Effects 0.000 title claims abstract description 34
- 230000001364 causal effect Effects 0.000 claims abstract description 93
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000003860 storage Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 230000001143 conditioned effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
Abstract
本公开实施例提出了一种层级目标定向因果发现方法、装置及电子设备。该方法包括：设定目标因子；获取所述目标因子的第一原因因子集；对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算；根据因果关联性超出第一设定阈值的第一原因因子，生成因果发现结果。
Description
技术领域
本公开实施例涉及数据挖掘技术领域，更具体的，涉及一种层级目标定向因果发现方法、装置及电子设备。
背景技术
随着社会进步和科技发展，人们需要认识的事物变得越来越复杂，系统内部的因果关系是客观存在的，因果发现就是从数据中心挖掘其蕴含的因果关系，从而帮助认门认识事物间的客观规律。
相关技术中，探寻因果关系的方式通常是基于历史数据来挖掘因子之间的因果关系。例如，可以将因果发现问题转化为连续组合优化问题，但在这种解决方案中，需要生成平方量级的节点矩阵，在节点出入度较高的情况下，运行计算需要较大的内存空间，容易导致内存溢出。
因此，有必要提出一种新的因果发现方法。
发明内容
本公开实施例提供一种层级目标定向因果发现的方法，使得因果发现方法更具有针对性，且能节省因果发现算法所需的内存空间，节省计算开销。
根据本公开实施例的第一方面，提供了一种层级目标定向因果发现方法，包括：
设定目标因子；
获取所述目标因子的第一原因因子集；
对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算；
根据因果关联性超出第一设定阈值的第一原因因子，生成因果发现结果。
可选地，所述获取所述目标因子的第一原因因子集，包括：
获取多个第二原因因子；
计算每个所述第二原因因子与所述目标因子之间的第一相关性，并计算每个所述第二原因因子的树模型特征重要性值；
根据所述第一相关性大于第二设定阈值的第二原因因子，以及对应的书模型特征重要性值，得到所述第一原因因子集。
可选地，所述通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算，包括：
从所述第一原因因子集中，获取与所述第一原因因子具有相关显著性的第三原因因子；
在以所述第三原因因子作为条件的情况下，计算所述第一原因因子与所述目标因子之间的第二相关性；
在所述第二相关性的绝对值大于第三设定阈值的情况下，确定所述第一原因因子与所述目标因子之间具有所述因果关联性。
可选地，所述在以所述第三原因因子作为条件的情况下，计算所述第一原因因子与所述目标因子之间的第二相关性，包括：
在所述第三原因因子的数量为一个的情况下，通过分位法计算所述第一原因因子与所述目标因子之间的第二相关性；
在所述第三原因因子的数量为多个的情况下，通过核方法计算所述第一原因因子与所述目标因子之间的第二相关性。
可选地，所述生成因果发现结果之前，所述方法还包括：
在判断当前迭代的层级数未达到设定层级数的情况下，根据因果关联性超出第一设定阈值的所有第一原因因子，生成第二原因因子集；
将所述第二原因因子集作为新的第一原因因子集，执行所述对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算的处理，直至判断当前迭代的层级数达到所述设定层级数为止；
在判断当前迭代的层级数达到所述设定层级数的情况下，生成所述因果发现结果。
根据本公开实施例的第二方面，还提供一种层级目标定向因果发现装置，包括：
设定模块，用于设定目标因子；
获取模块，用于获取所述目标因子的第一原因因子集；
检验模块，用于对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算；
生成模块，用于根据因果关联性超出第一设定阈值的第一原因因子，生成因果发现结果。
可选地，所述获取模块具体用于：获取多个第二原因因子；
所述装置还包括计算模块，用于计算每个所述第二原因因子与所述目标因子之间的第一相关性，并计算每个所述第二原因因子的树模型特征重要性值；
所述获取模块还用于：根据所述第一相关性大于第二设定阈值的第二原因因子，以及对应的书模型特征重要性值，得到所述第一原因因子集。
可选地，所述检验模块具体用于：
从所述第一原因因子集中，获取与所述第一原因因子具有相关显著性的第三原因因子；
在以所述第三原因因子作为条件的情况下，计算所述第一原因因子与所述目标因子之间的第二相关性；
在所述第二相关性的绝对值大于第三设定阈值的情况下，确定所述第一原因因子与所述目标因子之间具有所述因果关联性。
可选地，所述检验模块具体用于：
在所述第三原因因子的数量为一个的情况下，通过分位法计算所述第一原因因子与所述目标因子之间的第二相关性；
在所述第三原因因子的数量为多个的情况下，通过核方法计算所述第一原因因子与所述目标因子之间的第二相关性。
可选地，所述生成模块还用于：
在判断当前迭代的层级数未达到设定层级数的情况下，根据因果关联性超出第一设定阈值的所有第一原因因子，生成第二原因因子集；
所述装置还包括触发模块，所述触发模块用于触发所述检验模块将所述第二原因因子集作为新的第一原因因子集，执行所述对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算的处理，直至判断当前迭代的层级数达到所述设定层级数为止；
所述生成模块还用于：在判断当前迭代的层级数达到所述设定层级数的情况下，生成所述因果发现结果。
根据本公开实施例的第三方面，还提供了一种电子设备，其中，包括：
如本公开实施例的第二方面中任一项所述的层级目标定向因果发现装置；或者，
处理器和存储器，所述存储器用于存储指令，所述指令用于控制所述处理器执行根据本公开实施例的第一方面中任一项所述的方法。
根据本公开实施例的第四方面，还提供一种可读存储介质，存储介质存储有可执行指令，所述可执行指令被处理器执行时，执行如本公开实施例的第一方面中任一项所述的方法。
在一个实施例中，通过设定目标因子；获取所述目标因子的第一原因因子集；对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算；根据因果关联性超出第一设定阈值的第一原因因子，生成因果发现结果。本公开实施例中，可以通过设定目标因子，使得因果发现方法更具有针对性，且能节省因果发现算法所需的内存空间，节省计算开销。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成公开实施例的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是根据本公开实施例的层级目标定向因果发现方法的流程示意图；
图2是应用本公开实施例的层级目标定向因果发现方法的原理示意图；
图3是可用于本公开实施例的层级目标定向因果发现装置的原理框图；
图4是可用于实施本公开实施例的电子设备的原理框图；
图5示出了能够用于实施一个实施例的层级目标定向因果发现方法的一种电子设备的组成结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<方法实施例>
图1是根据本公开实施例的层级目标定向因果发现方法的流程示意图，该方法可以由电子设备实施。
如图1所示，本实施例的层级目标定向因果发现方法可以包括如下步骤1100～步骤1400：
步骤1100，设定目标因子。
其中，所述目标因子是当前的业务目标，且该目标因子具有唯一性。
示例性的，对于用户购买场景，可以设定目标因子为“用户是否购买”。
步骤1200，获取所述目标因子的第一原因因子集。
具体的，所述第一原因因子集的来源可以有三种，第一种是对于任务数据不清楚逻辑的场景，可以根据相关性得到所述第一原因因子集。第二种是通过算法模型对目标因子进行建模，可以用模型对因子的重要性排序获得苏搜第一原因因子集。第三种可以将先验知识作为所述第一原因因子集。在实际应用中，所述第一原因因子集的来源，可以根据具体场景选择上述三种来源中的一种或几种组合，在此不做具体限定。
在一个例子中，每个第二原因因子与目标因子的第一相关性都需要计算一遍，并按照第一相关性的绝对值从大到小排序后，保留阈值以上的第二原因因子作为所述第一原因因子集中的第一原因因子。
具体的，电子设备在获取所述目标因子的第一原因因子集时，可以先获取多个第二原因因子；计算每个所述第二原因因子与所述目标因子之间的第一相关性，并计算每个所述第二原因因子的树模型特征重要性值；根据所述第一相关性大于第二设定阈值的第二原因因子，以及对应的书模型特征重要性值，得到所述第一原因因子集。
需要说明的是，在计算每个所述第二原因因子与所述目标因子之间的第一相关性时，如果场景简单，底层数据大致符合正态分布，则可以采用Pearson算法进行计算；如果场景复杂且不存在正态分布，则可以选择Kendall算法或者Spearsman算法进行计算，这两种算法都是非参数型相关性计算方法，区别在于Kendall算法对数据分布没明显要求，Spearsman算法则需要相关计算其中一方为序列/枚举因子。
步骤1300，对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算。
可以理解的是，条件检验算法中需要三个因子，一个是目标因子，一个是条件因子，一个是影响因子，其目的是证明在以条件因子作为条件的前提下，影响因子和目标因子之间的相关性的绝对值是否还能保持在阈值以上，如果能，则说明两者之间存在因果关联性，如果不能，则说明两者之间不存在因果关联性。通常，条件因子和影响因子都处于目标因子的候选因子集中，且该候选因子集中的每个因子都会分别充当条件因子和影响因子，且条件因子需与影响因子具备相关显著性。
本步骤中，电子设备在计算所述第一原因因子与所述目标因子之间的因果关联性时，可以从所述第一原因因子集(候选因子集)中，获取与所述第一原因因子(影响因子)具有相关显著性的第三原因因子(即条件因子)；在以所述第三原因因子作为条件的情况下，计算所述第一原因因子与所述目标因子之间的第二相关性；在所述第二相关性的绝对值大于第三设定阈值的情况下，确定所述第一原因因子与所述目标因子之间具有所述因果关联性。
其中，在所述第三原因因子的数量为一个的情况下，通过分位法计算所述第一原因因子与所述目标因子之间的第二相关性；在所述第三原因因子的数量为多个的情况下，通过核方法(Kernel)计算所述第一原因因子与所述目标因子之间的第二相关性。
示例性的，如果要计算身高和收入的条件相关性，需要选择条件因子，比如选择性别，则计算的时候会将数据按照性别分成两份，每一份算一次相关性，再把各自的相关性乘以对应的占比，得到以性别为条件下，身高和收入的条件相关。
步骤1400，根据因果关联性超出第一设定阈值的第一原因因子，生成因果发现结果。
其中，所述因果发现结果可以为DAG(Directed acyclic graph，有向无环图)因果关系图。在本实施例中，可以因果关联性满足第一设定阈值的第一原因因子和目标因子，生成所述因果关系图，同时，还可以得到对应的JSON输出文件。
为了得到更准确的因果关系，在本实施例中，还可以设置多层迭代层级，在生成所述因果发现结果之前，对当前迭代的层级数是否达到设定层级数进行判断，如图2所示，在判断当前迭代的层级数Ln未达到设定层级数L的情况下，根据因果关联性超出第一设定阈值的所有第一原因因子，生成第二原因因子集；将所述第二原因因子集作为新的第一原因因子集，执行上述步骤1300，直至判断当前迭代的层级数达到所述设定层级数为止；在判断当前迭代的层级数Ln达到所述设定层级数L的情况下，生成所述因果发现结果(OUTPUT)。
其中，T(Target)为所述目标因子，ST为第一原因因子集，SFFPROCESS为证伪模块，用于通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算，CT表示经过证伪以后的第一原因因子集。
需要说明的是，在本实施例中，上述第一原因因子集中的第一原因因子，可以是用户提供的满足业务逻辑的先验因果关系。比如，在推荐系统中，若最终目标是点击，那一个比较正确的先验关系是曝光和点击之间漏斗式的递进关系，表示为「曝光」->「点击」。
可选地，在本实施例中，还可以提供白名单和黑名单功能，白名单与黑名单功能互补。具体的，对于白名单功能，用户提供特定原因因子候选集，对于黑名单功能，用户提供特定原因因子的非候选集，也就是说，即使该集合中的因子即使通过了筛选和证伪，也不会进入层级迭代中。这样，使得本实施例的方案能够适配不同用户需求，兼容性更强。
以上已结合附图对本公开实施例的层级目标定向因果发现方法进行了说明，在本实施例中，通过设定目标因子；获取所述目标因子的第一原因因子集；对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算；根据因果关联性超出第一设定阈值的第一原因因子，生成因果发现结果。本公开实施例中，可以通过设定目标因子，使得因果发现方法更具有针对性，且能节省因果发现算法所需的内存空间，节省计算开销。
<装置实施例>
在本实施例中，还提供一种层级目标定向因果发现装置，该层级目标定向因果发现装置例如可以设置在电子设备中。
如图3所示，该层级目标定向因果发现装置3000包括：设定模块3100，获取模块3200，检验模块3300和生成模块3400。
其中，设定模块3100，用于设定目标因子。
获取模块3200，用于获取所述目标因子的第一原因因子集。
检验模块3300，用于对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算。
生成模块3400，用于根据因果关联性超出第一设定阈值的第一原因因子，生成因果发现结果。
在一个实施例中，所述获取模块3200具体用于：获取多个第二原因因子；所述装置还包括计算模块，用于计算每个所述第二原因因子与所述目标因子之间的第一相关性，并计算每个所述第二原因因子的树模型特征重要性值；所述获取模块3200还用于：根据所述第一相关性大于第二设定阈值的第二原因因子，以及对应的书模型特征重要性值，得到所述第一原因因子集。
在一个实施例中，所述检验模块3300具体用于：从所述第一原因因子集中，获取与所述第一原因因子具有相关显著性的第三原因因子；在以所述第三原因因子作为条件的情况下，计算所述第一原因因子与所述目标因子之间的第二相关性；在所述第二相关性的绝对值大于第三设定阈值的情况下，确定所述第一原因因子与所述目标因子之间具有所述因果关联性。
在一个实施例中，所述检验模块3300具体用于：在所述第三原因因子的数量为一个的情况下，通过分位法计算所述第一原因因子与所述目标因子之间的第二相关性；在所述第三原因因子的数量为多个的情况下，通过核方法计算所述第一原因因子与所述目标因子之间的第二相关性。
在一个实施例中，所述生成模块3400还用于：在判断当前迭代的层级数未达到设定层级数的情况下，根据因果关联性超出第一设定阈值的所有第一原因因子，生成第二原因因子集；所述装置还包括触发模块，所述触发模块用于触发所述检验模块3300将所述第二原因因子集作为新的第一原因因子集，执行所述对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算的处理，直至判断当前迭代的层级数达到所述设定层级数为止；所述生成模块3400还用于：在判断当前迭代的层级数达到所述设定层级数的情况下，生成所述因果发现结果。
本实施例的层级目标定向因果发现装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
<设备实施例>
本实施例中，还提供一种电子设备，该电子设备包括本说明书装置实施例中描述的层级目标定向因果发现装置3000；或者，该电子设备为图4所示的电子设备4000，包括：
存储器4100，用于存储可执行命令。
处理器4200，用于在存储器4100存储的可执行命令的控制下，执行本说明书任意方法实施例中描述的方法。
在电子设备根据所执行的方法实施例的实施主体，可以是服务器，也可以是电子设备。
图5示出了能够用于实施一个实施例的层级目标定向因果发现方法的一种电子设备的组成结构示意图。
如图5所示，本实施例的电子设备5000可以包括处理器5100、存储器5200、接口装置5300、通信装置5400、显示装置5500、输入装置5600、扬声器5700、麦克风5800，等等。
其中，处理器5100用于执行程序指令，该程序指令可以采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集。存储器5200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置5300例如包括USB接口、耳机接口等。通信装置5400例如能够进行有线或无线通信。显示装置5500例如是液晶显示屏、触摸显示屏等。输入装置5600例如可以包括触摸屏、键盘等。扬声器5700用于输出语音信息。麦克风5800用于采集语音信息。
电子设备5000可以是智能手机、便携式电脑、台式计算机、平板电脑等任意设备。
本实施例中，电子设备5000的存储器5200用于存储指令，所述指令用于控制所述处理器5100进行操作以支持实现根据本公开任意实施例的层级目标定向因果发现方法。技术人员可以根据本说明书所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
本领域技术人员应当理解，尽管在图5中示出了电子设备5000的多个装置，但是，本公开实施例的电子设备5000可以仅涉及其中的部分装置，例如，只涉及处理器5100和存储器5200等。
图5所示的电子设备5000仅是解释性的，并且决不是为了要限制本说明书、其应用或用途。
<可读存储介质实施例>
本实施例提供一种可读存储介质，该存储介质中存储有可执行命令，该可执行命令被处理器执行时，执行本说明书任意方法实施例中描述的方法。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (12)
1.一种层级目标定向因果发现方法，其特征在于，包括：
设定目标因子；
获取所述目标因子的第一原因因子集；
对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算；
根据因果关联性超出第一设定阈值的第一原因因子，生成因果发现结果。
2.根据权利要求1所述的方法，其特征在于，所述获取所述目标因子的第一原因因子集，包括：
获取多个第二原因因子；
计算每个所述第二原因因子与所述目标因子之间的第一相关性，并计算每个所述第二原因因子的树模型特征重要性值；
根据所述第一相关性大于第二设定阈值的第二原因因子，以及对应的书模型特征重要性值，得到所述第一原因因子集。
3.根据权利要求1所述的方法，其特征在于，所述通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算，包括：
从所述第一原因因子集中，获取与所述第一原因因子具有相关显著性的第三原因因子；
在以所述第三原因因子作为条件的情况下，计算所述第一原因因子与所述目标因子之间的第二相关性；
在所述第二相关性的绝对值大于第三设定阈值的情况下，确定所述第一原因因子与所述目标因子之间具有所述因果关联性。
4.根据权利要求3所述的方法，其特征在于，所述在以所述第三原因因子作为条件的情况下，计算所述第一原因因子与所述目标因子之间的第二相关性，包括：
在所述第三原因因子的数量为一个的情况下，通过分位法计算所述第一原因因子与所述目标因子之间的第二相关性；
在所述第三原因因子的数量为多个的情况下，通过核方法计算所述第一原因因子与所述目标因子之间的第二相关性。
5.根据权利要求1所述的方法，其特征在于，所述生成因果发现结果之前，所述方法还包括：
在判断当前迭代的层级数未达到设定层级数的情况下，根据因果关联性超出第一设定阈值的所有第一原因因子，生成第二原因因子集；
将所述第二原因因子集作为新的第一原因因子集，执行所述对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算的处理，直至判断当前迭代的层级数达到所述设定层级数为止；
在判断当前迭代的层级数达到所述设定层级数的情况下，生成所述因果发现结果。
6.一种层级目标定向因果发现壮志，其特征在于，包括：
设定模块，用于设定目标因子；
获取模块，用于获取所述目标因子的第一原因因子集；
检验模块，用于对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算；
生成模块，用于根据因果关联性超出第一设定阈值的第一原因因子，生成因果发现结果。
7.根据权利要求6所述的装置，其特征在于，所述获取模块具体用于：获取多个第二原因因子；
所述装置还包括计算模块，用于计算每个所述第二原因因子与所述目标因子之间的第一相关性，并计算每个所述第二原因因子的树模型特征重要性值；
所述获取模块还用于：根据所述第一相关性大于第二设定阈值的第二原因因子，以及对应的书模型特征重要性值，得到所述第一原因因子集。
8.根据权利要求6所述的装置，其特征在于，所述检验模块具体用于：
从所述第一原因因子集中，获取与所述第一原因因子具有相关显著性的第三原因因子；
在以所述第三原因因子作为条件的情况下，计算所述第一原因因子与所述目标因子之间的第二相关性；
在所述第二相关性的绝对值大于第三设定阈值的情况下，确定所述第一原因因子与所述目标因子之间具有所述因果关联性。
9.根据权利要求8所述的装置，其特征在于，所述检验模块具体用于：
在所述第三原因因子的数量为一个的情况下，通过分位法计算所述第一原因因子与所述目标因子之间的第二相关性；
在所述第三原因因子的数量为多个的情况下，通过核方法计算所述第一原因因子与所述目标因子之间的第二相关性。
10.根据权利要求6所述的装置，其特征在于，所述生成模块还用于：
在判断当前迭代的层级数未达到设定层级数的情况下，根据因果关联性超出第一设定阈值的所有第一原因因子，生成第二原因因子集；
所述装置还包括触发模块，所述触发模块用于触发所述检验模块将所述第二原因因子集作为新的第一原因因子集，执行所述对于所述第一原因因子集中的每一第一原因因子，通过条件检验算法对所述第一原因因子与所述目标因子之间的因果关联性进行计算的处理，直至判断当前迭代的层级数达到所述设定层级数为止；
所述生成模块还用于：在判断当前迭代的层级数达到所述设定层级数的情况下，生成所述因果发现结果。
11.一种电子设备，其中，包括：
如权利要求6～10中任一项所述的层级目标定向因果发现装置；或者，
处理器和存储器，所述存储器用于存储指令，所述指令用于控制所述处理器执行根据权利要求1～5中任一项所述的方法。
12.一种可读存储介质，存储介质存储有可执行指令，所述可执行指令被处理器执行时，执行如权利要求1～5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210119084.5A CN114548407A (zh) | 2022-02-08 | 2022-02-08 | 层级目标定向因果发现方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210119084.5A CN114548407A (zh) | 2022-02-08 | 2022-02-08 | 层级目标定向因果发现方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114548407A true CN114548407A (zh) | 2022-05-27 |
Family
ID=81672829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210119084.5A Pending CN114548407A (zh) | 2022-02-08 | 2022-02-08 | 层级目标定向因果发现方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548407A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151431A (zh) * | 2023-10-30 | 2023-12-01 | 四川省致链数字科技有限公司 | 一种木质家具订单任务的自动分发方法及系统 |
-
2022
- 2022-02-08 CN CN202210119084.5A patent/CN114548407A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151431A (zh) * | 2023-10-30 | 2023-12-01 | 四川省致链数字科技有限公司 | 一种木质家具订单任务的自动分发方法及系统 |
| CN117151431B (zh) * | 2023-10-30 | 2024-01-26 | 四川省致链数字科技有限公司 | 一种木质家具订单任务的自动分发方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7166322B2 (ja) | モデルを訓練するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
| US10656909B2 (en) | Learning intended user actions | |
| US10496902B2 (en) | Data augmentation for image classification tasks | |
| US20190108067A1 (en) | Decomposing monolithic application into microservices | |
| US10503827B2 (en) | Supervised training for word embedding | |
| US11613008B2 (en) | Automating a process using robotic process automation code | |
| US11436129B2 (en) | System, method and recording medium for generating mobile test sequences | |
| US10783068B2 (en) | Generating representative unstructured data to test artificial intelligence services for bias | |
| US10832150B2 (en) | Optimized re-training for analytic models | |
| US20180341852A1 (en) | Balancing memory consumption of multiple graphics processing units in deep learning | |
| US10592304B2 (en) | Suggesting application programming interfaces based on feature and context analysis | |
| US10915529B2 (en) | Selecting an optimal combination of systems for query processing | |
| CN111966361A (zh) | 用于确定待部署模型的方法、装置、设备及其存储介质 | |
| CN115964646A (zh) | 用于应用微服务的异构图生成 | |
| US20220292390A1 (en) | Uniform artificial intelligence model conversion | |
| CN114548407A (zh) | 层级目标定向因果发现方法、装置及电子设备 | |
| US11573785B2 (en) | Predicting code vulnerabilities using machine learning classifier models trained on internal analysis states | |
| US20220164163A1 (en) | Floating-point computation with threshold prediction for artificial intelligence system | |
| US11182674B2 (en) | Model training by discarding relatively less relevant parameters | |
| CN111104874A (zh) | 人脸年龄预测方法及模型的训练方法、装置及电子设备 | |
| US10831797B2 (en) | Query recognition resiliency determination in virtual agent systems | |
| US11922129B2 (en) | Causal knowledge identification and extraction | |
| CN111626401B (zh) | 运算方法及装置 | |
| CN110704619B (zh) | 文本分类方法、装置及电子设备 | |
| CN111049988A (zh) | 移动设备的亲密度预测方法、系统、设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240226 Address after: Room 303, 3rd Floor, Building 5, No. 699 Wangshang Road, Changhe Street, Binjiang District, Hangzhou City, Zhejiang Province, 310052 Applicant after: Hangzhou Alibaba Overseas Internet Industry Co.,Ltd. Country or region after: China Address before: 310052 room 508, 5th floor, building 4, No. 699 Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: Alibaba (China) Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right |