CN115018077A - 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
- CN115018077A CN115018077A CN202110246431.6A CN202110246431A CN115018077A CN 115018077 A CN115018077 A CN 115018077A CN 202110246431 A CN202110246431 A CN 202110246431A CN 115018077 A CN115018077 A CN 115018077A
- Authority
- CN
- China
- Prior art keywords
- node
- sub
- bayesian network
- bayesian
- 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.)
- Pending
Links
Images
Landscapes
- 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,涉及计算机技术领域,方法包括:获取待进行结构学习的贝叶斯网络的节点集合;对所述节点集合进行拆分,以得到所述贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合;针对每个子贝叶斯网络,根据所述子贝叶斯网络的子节点集合,确定所述子贝叶斯网络的结构;对多个所述子贝叶斯网络的结构进行融合处理,以得到所述贝叶斯网络的结构。减少了贝叶斯网络的结构学习的计算量,进而缩短了利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的耗时,提高了利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的效率。
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所有数据之间的时序相关性,进而根据所有数据之间的时序相关性学习贝叶斯网络的结构,但是利用这种方式确定贝叶斯网络的结构时,若待进行结构学习的贝叶斯网络的节点数量很多,则计算量很大,从而导致利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的耗时长,效率低。
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在学习贝叶斯网络的结构时的计算量大,从而导致利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的耗时长,效率低的技术问题。
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;对所述节点集合进行拆分,以得到所述贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合;针对每个子贝叶斯网络,根据所述子贝叶斯网络的子节点集合,确定所述子贝叶斯网络的结构;对多个所述子贝叶斯网络的结构进行融合处理,以得到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: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;拆分模块,用于对所述节点集合进行拆分,以得到所述贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合;第一确定模块,用于针对每个子贝叶斯网络,根据所述子贝叶斯网络的子节点集合,确定所述子贝叶斯网络的结构;融合模块,用于对多个所述子贝叶斯网络的结构进行融合处理,以得到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,对节点集合进行拆分,以得到贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合,再针对每个子贝叶斯网络,根据子贝叶斯网络的子节点集合,确定子贝叶斯网络的结构,进而对多个子贝叶斯网络的结构进行融合处理,以得到贝叶斯网络的结构,减少了贝叶斯网络的结构学习的计算量,进而缩短了利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的耗时,提高了效率。
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为本申请实施例三所提供的贝叶斯网络的结构学习方法的应用场景示例图;
图4为本申请实施例四所提供的贝叶斯网络的结构学习方法的应用场景示例图;
图5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6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7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所有数据之间的相关性,进而根据所有数据之间的相关性学习贝叶斯网络的结构,但是利用这种方式确定贝叶斯网络的结构时,若待进行结构学习的贝叶斯网络的节点数量很多,则计算量很大,从而导致利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的耗时长,效率低。
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在学习贝叶斯网络的结构时的计算量大,从而导致利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的耗时长,效率低的技术问题,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,获取待进行结构学习的贝叶斯网络的节点集合后,对节点集合进行拆分,以得到贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合,再针对每个子贝叶斯网络,根据子贝叶斯网络的子节点集合,确定子贝叶斯网络的结构,进而对多个子贝叶斯网络的结构进行融合处理,以得到贝叶斯网络的结构,减少了贝叶斯网络的结构学习的计算量,进而缩短了利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的耗时,提高了利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的效率。
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,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。
步骤102,对节点集合进行拆分,以得到贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合。
可以理解的是,若待进行结构学习的贝叶斯网络的节点集合中包括n个节点,由于在学习贝叶斯网络的结构时,需要计算节点集合中每两个节点之间的相关度,则贝叶斯网络的结构的种类为2n-1个。若将贝叶斯网络拆分为m个子贝叶斯网络,即将贝叶斯网络的节点集合拆分为等量的m个子节点集合,则m个子贝叶斯网络的结构的总种类为m*(2n/m-1)个。可见,若将贝叶斯网络的节点集合进行拆分,则子贝叶斯网络的结构的总种类数,相比拆分之前的贝叶斯网络的结构种类数呈指数级递减,从而学习贝叶斯网络的结构时的计算量能够大幅减少。
那么,本申请实施例中,为了减少贝叶斯网络的结构学习的计算量,获取待进行结构学习的贝叶斯网络的节点集合后,在学习贝叶斯网络的结构时,可以将贝叶斯网络拆分得到的多个子贝叶斯网络,将贝叶斯网络的节点集合拆分为多个子贝叶斯网络的子节点集合,再对多个子贝叶斯网络的结构分别进行学习,最终再对多个子贝叶斯网络的结构进行融合处理,得到贝叶斯网络的结构。
其中,每个子贝叶斯网络的子节点集合中的各节点之间具有较高的相似性,不同的子贝叶斯网络的子节点集合之间的相似度较低。
在示例性实施例中,可以通过以下方式,对节点集合进行拆分:对节点集合中的节点进行图聚类处理,得到多个聚类结果;针对每个聚类结果,根据聚类结果中的节点,生成贝叶斯网络中的一个子贝叶斯网络的子节点集合。
在示例性实施例中,可以通过谱聚类(spectral clustering)算法,对贝叶斯网络的节点集合中的节点进行谱聚类处理,得到多个聚类结果。
其中,谱聚类算法,建立在谱图理论基础上,能够在任意形状的样本空间上聚类且收敛于全局最优解,具体通过谱聚类算法对节点集合中的节点进行谱聚类处理的过程,可以参考相关技术中的描述,此处不再赘述。
在示例性实施例中,还可以通过GCN(Graph Convolutional Network图卷积网络),或者其它任意能够实现图聚类的聚类算法,从对节点集合进行拆分,本申请对贝叶斯网络的节点集合的拆分方法不作限制。
在对节点集合中的节点进行拆分,得到多个聚类结果后,针对每个聚类结果,可以根据聚类结果中的节点,生成贝叶斯网络中的一个子贝叶斯网络的子节点集合,从而对各聚类结果进行相同处理,可以得到多个子贝叶斯网络的子节点集合。
步骤103,针对每个子贝叶斯网络,根据子贝叶斯网络的子节点集合,确定子贝叶斯网络的结构。
具体的,得到贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合后,针对每个子贝叶斯网络,可以根据子贝叶斯网络的子节点集合,确定子贝叶斯网络的结构。
在示例性实施例中,可以通过以下方法,确定子贝叶斯网络的结构:确定子贝叶斯网络的子节点集合中每两个节点之间的相关度,并且预先设置相关度阈值,在对应的相关度大于预设相关度阈值时,确定两个节点之间存在连接关系,从而确定子节点集合中各节点之间的连接关系;确定存在连接关系的每两个节点之间的独立性,从而结合存在连接关系的每两个节点之间的独立性,确定子节点集合对应的无向连接图;对于无向连接图中的每两个建立有连接的节点,对两个节点之间的连接边的方向进行评分,以确定两个节点之间的连接边的方向。比如,对于节点A和节点B,可以确定节点A指向节点B的方向的评分以及节点B指向节点A的方向的评分,从而将评分高的方向确定为节点A与节点B之间的连接边的方向。
其中,确定子贝叶斯网络的子节点集合中每两个节点之间的相关度的方法,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,可以确定两个节点的数据之间的皮尔逊相关系数,将两个节点之间的皮尔逊相关系数,作为两个节点之间的相关度;节点代表的变量的数据为离散数据时,可以确定两个节点之间的信息熵,将两个节点之间的信息熵,作为两个节点之间的相关度;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,确定两个节点之间的相关度,本申请对确定两个节点之间的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。
需要说明的是,上述确定子贝叶斯网络的结构的方法,仅是示意性说明,在实际应用中,可以通过其他任意贝叶斯网络的结构方法,确定每个子贝叶斯网络的结构。
步骤104,对多个子贝叶斯网络的结构进行融合处理,以得到贝叶斯网络的结构。
具体的,在确定多个子贝叶斯网络的结构后,即可对多个子贝叶斯网络的结构进行融合处理,得到贝叶斯网络的结构。
本申请实施例的贝叶斯网络的结构学习方法,通过对待进行结构学习的贝叶斯网络的节点集合进行拆分,得到贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合,再针对每个子贝叶斯网络,根据子贝叶斯网络的子节点集合,确定子贝叶斯网络的结构,进而对多个子贝叶斯网络的结构进行融合处理,以得到贝叶斯网络的结构,减少了贝叶斯网络的结构学习的计算量,进而缩短了利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的耗时,提高了利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的效率。
通过上述分析可知,本申请实施例中,获取待进行结构学习的贝叶斯网络的节点集合后,可以对节点集合进行拆分,以得到贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合,在确定每个子贝叶斯网络的结构后,再对多个子贝叶斯网络的结构进行融合处理,以得到贝叶斯网络的结构,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,对多个子贝叶斯网络的结构进行融合处理的过程进行说明。
图2为本申请实施例二所提供的对多个子贝叶斯网络的结构进行融合处理的过程的流程示意图。如图2所示,在图1所示实施例的基础上,步骤104具体可以包括以下步骤:
步骤201,针对每个子贝叶斯网络的子节点集合中的各个节点,从其他子贝叶斯网络的节点集合中选择各个节点的相关节点。
其中,其他子贝叶斯网络的节点集合,包括其他多个子贝叶斯网络的多个子节点集合中所有的节点。
在示例性实施例中,步骤201可以通过以下方式实现:获取各个节点与其他子贝叶斯网络的节点集合中节点的相关度;按照相关度对其他子贝叶斯网络的节点集合中节点进行降序排序,得到排序结果;从排序结果中排序在前的预设数量的节点中获取各个节点的相关节点。
其中,确定各个节点与其他子贝叶斯网络的节点集合中节点的相关度的方法,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,可以确定各个节点与其他子贝叶斯网络的节点集合中节点之间的皮尔逊相关系数,将各个节点与其他子贝叶斯网络的节点集合中节点之间的皮尔逊相关系数,作为各个节点与其他子贝叶斯网络的节点集合中节点的相关度;节点代表的变量的数据为离散数据时,可以确定各个节点与其他子贝叶斯网络的节点集合中节点之间的信息熵,将各个节点与其他子贝叶斯网络的节点集合中节点之间的信息熵,作为各个节点与其他子贝叶斯网络的节点集合中节点的相关度;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,确定各个节点与其他子贝叶斯网络的节点集合中节点的相关度,本申请对确定各个节点与其他子贝叶斯网络的节点集合中节点的相关度的方法不作限制。
需要说明的是,在贝叶斯网络的节点集合中的各个节点的数据为时序数据时,针对每个子贝叶斯网络的子节点集合中的各个节点,可以通过各个节点与其他子贝叶斯网络的节点集合中的各个节点,在相同时间段内的内容序列,确定各个节点与其他子贝叶斯网络的节点集合中的各个节点的相关性。
预设数量,可以根据需要设置。
在获取各个节点与其他子贝叶斯网络的节点集合中节点的相关度后,可以按照相关度对其他子贝叶斯网络的节点集合中节点进行降序排序,得到排序结果,再将排序结果中排序在前的预设数量的节点,确定为各个节点的相关节点。
举例来说,假设子贝叶斯网络1的子节点集合中包括节点A和节点B,子贝叶斯网络2的子节点集合包括节点C和节点D,子贝叶斯网络3的子节点集合包括节点D和节点F。则针对子贝叶斯网络1,可以分别获取节点A和节点C的相关度XAC、节点A和节点D的相关度XAD、节点A和节点E的相关度XAE、节点A和节点F的相关度XAF,节点B和节点C的相关度XBC、节点B和节点D的相关度XBD、节点B和节点E的相关度XBE、节点B和节点F的相关度XBF,并对这几个相关度进行降序排序,从而得到节点C、节点D、节点E、节点F的降序排序后的排序结果,进而将排序结果中排序在前的预设数量的节点确定为节点A和节点B的相关节点。
比如,假设预设数量为3,上述8个相关度的降序排序结果为XAC、XBD、XBF、XBE、XAF、XAD、XAE、XBC,即子贝叶斯网络的节点集合中节点的排序结果为节点C、节点D、节点F、节点E、节点F、节点D、节点E、节点C,则可以将排序结果中排序在前的3个节点:节点C、节点D、节点F,确定为节点A和节点B的相关节点。其中,根据排序在前的3个相关度,可以确定节点A的相关节点为节点C,节点B的相关节点为节点D和节点F。
需要说明的是,根据上述示例可知,排序结果中节点C、节点D、节点E和节点F均排序了2次,在本申请实施例中,可以对排序结果进行去重处理,在去重处理后再从排序结果中排序在前的预设数量的节点中获取各个节点的相关节点,以避免从排序结果中排序在前的预设数量的节点中获取的各个节点的相关节点为相同节点。
以上述示例为例,在对其他子贝叶斯网络的节点集合中节点进行降序排序后,可以对排序结果进行去重处理,得到去重处理后的排序结果:节点C、节点D、节点F、节点E,再将去重处理后的排序结果中排序在前的3个节点确定为节点A和节点B的相关节点。
或者,假设对其他子贝叶斯网络的节点集合中节点进行降序排序后,排序结果为:节点C、节点D、节点D、节点F、节点E、节点F、节点E、节点C,可以对排序结果进行去重处理,得到去重处理后的排序结果:节点C、节点D、节点F、节点E,再将去重处理后的排序结果中排序在前的3个节点确定为节点A和节点B的相关节点。
步骤202,确定各个节点与对应的相关节点之间的连接边。
在示例性实施例中,确定各个节点与对应的相关节点后,针对每个节点与对应的一个相关节点,可以对节点与相关节点之间的连接边的方向进行评分,以确定节点与相关节点之间的连接边的方向,进而建立节点与对应的相关节点之间的连接边。比如,对于节点A和节点A的相关节点B,可以确定节点A指向相关节点B的方向的评分以及相关节点B指向节点A的方向的评分,从而将评分高的方向确定为节点A与相关节点B之间的连接边的方向。比如假设节点A指向相关节点B的方向的评分高,则可以建立节点A指向相关节点B的连接边。
需要说明的是,上述确定各个节点与对应的相关节点之间的连接边的方式,仅是示意性说明,在实际应用中,可以通过任意确定节点之间的连接边的方式,确定各个节点与对应的相关节点之间的连接边,本申请对确定各个节点与对应的相关节点之间的连接边的方式不作限制。
步骤203,结合各个节点与对应的相关节点之间的连接边,对子贝叶斯网络的结构与其他子贝叶斯网络的结构进行融合处理。
具体的,确定了各个节点与对应的相关节点之间的连接边后,即可按照各个节点与对应的相关节点之间的连接边,将相关节点与对应的节点连接,从而实现对子贝叶斯网络的结构与其他子贝叶斯网络的结构的融合处理。
通过上述过程,实现了对子贝叶斯网络的结构与其他子贝叶斯网络的结构的融合处理。通过对每个子贝叶斯网络执行上述步骤201-203的过程,可以实现对多个子贝叶斯网络的结构的融合处理。
可以理解的是,在确定多个子贝叶斯网络的结构后,还可以确定多个子贝叶斯网络中各个节点的概率参数,由于在将多个子贝叶斯网络的结构进行融合处理后,某一个或多个节点的连接关系可能发生了变化,从而导致某一个或多个节点的概率参数也需要进行调整。
举例来说,假设贝叶斯网络的节点集合中包括节点A、节点B、节点C和节点D,在对节点集合进行拆分后,得到了两个子贝叶斯网络的子节点集合,其中,子贝叶斯网络1的子节点集合中包括节点A和节点B,且确定子贝叶斯网络1的结构为:节点A和节点B连接,且连接边的方向为从节点A指向节点B,子贝叶斯网络2的子节点集合中包括节点C和节点D,且确定子贝叶斯网络2的结构为:节点C和节点D连接,且连接边的方向为从节点C指向节点D。假设还确定子贝叶斯网络2中的节点C为节点B的相关节点,且在将贝叶斯网络1的结构和贝叶斯网络2的结构进行融合处理时,建立了节点C指向节点B的连接边,那么,由于将贝叶斯网络1的结构和贝叶斯网络2的结构进行融合处理之前,节点A的概率参数为节点A的发生概率,节点B的概率参数,是以节点A为条件的条件概率表示,将贝叶斯网络1的结构和贝叶斯网络2的结构进行融合处理之后,节点B的概率参数,是以节点A和C为条件的条件概率表示,从而在将贝叶斯网络1的结构和贝叶斯网络2的结构进行融合处理之后,节点B的概率参数需要进行相应调整。
即,在步骤203之后,还可以包括:
根据多个子贝叶斯网络的结构,确定多个子贝叶斯网络中各个节点的概率参数;
根据各个节点与对应的相关节点之间的连接边,确定各个节点中的待调整节点;
根据待调整节点与对应的相关节点之间的连接边,对待调整节点的概率参数进行调整。
其中,待调整节点,为对应的因节点发生变化的节点。
可以理解的是,由于对于多个子贝叶斯网络的结构的融合处理前后,因节点没有发生变化的节点来说,多个子贝叶斯网络的结构的融合处理,对于该节点的概率参数没有影响,从而本申请实施例中在将多个子贝叶斯网络的结构进行融合处理后,只需对多个子贝叶斯的各个节点中因节点发生变化的待调整节点的概率参数进行调整即可。比如,上述示例中,只需要对节点B的概率参数进行调整即可。
在示例性实施例中,可以根据多个子贝叶斯网络中各个节点与对应的相关节点之间的连接边,确定哪个节点的因节点发生了变化,从而将因节点发生了变化的节点确定为待调整节点,进而根据待调整节点与对应的相关节点之间的连接边,确定待调整节点以该节点的变化后的因节点为条件的条件概率表示,以对待调整节点的概率参数进行调整。
通过在对多个子贝叶斯网络的结构进行融合处理之后,对各个节点中因节点发生变化的待调整节点的概率参数进行调整,可以保证贝叶斯网络中各个节点的参数准确。
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3为本申请实施例三所提供的贝叶斯网络的结构学习方法的应用场景示例图。如图3所示,该贝叶斯网络的结构学习方法包括以下步骤:
步骤301,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t3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[0,0,1,0]。
步骤302,利用谱聚类算法,对各节点代表的购物事件进行聚类,以得到多个子购物事件集合,每个子购物事件集合中包括一个或多个购物事件。
步骤303,针对每个子购物事件集合,确定子购物事件集合中各购物事件之间的发展关系,以确定子购物事件集合对应的子贝叶斯网络的结构。
举例来说,假设某个子购物事件集合中包括购买技能视频事件、购买技能书事件,可以确定这两个购物事件之间的发展关系为先购买技能书,再购买技能视频,从而确定该子购物事件集合的子贝叶斯网络的结构为,购买技能书事件对应的节点A指向买技能视频事件对应的节点B。
具体确定每个子购物事件集合中各购物事件之间的发展关系时,可以根据每个子购物事件集合中各购物事件的向量确定。比如,针对每个子购物事件集合,可以确定子购物事件集合中每两个购物事件的向量之间的相关度,并且预先设置相关度阈值,在对应的相关度大于预设相关度阈值时,确定两个购物事件之间存在连接关系,从而确定子购物事件集合中各购物事件之间的连接关系,进而再确定存在连接关系的每两个购物事件之间的独立性,从而结合存在连接关系的每两个购物事件之间的独立性,确定子购物事件集合对应的无向连接图,进而对于无向连接图中的每两个建立有连接的购物事件,对两个购物事件之间的连接边的方向进行评分,以确定两个购物事件之间的连接边的方向。
步骤304,对各子购物事件集合对应的子贝叶斯网络的结构进行融合处理,以得到购物事件集合的贝叶斯网络的结构。
具体的,针对每个子贝叶斯网络的子购物事件集合中的每个购物事件,可以从其他子贝叶斯网络的子购物事件集合中选择各个购物事件的相关购物事件,再确定各个购物事件与对应的相关购物事件之间的连接边,进而结合各个购物事件与对应的相关购物事件之间的连接边,对子贝叶斯网络的结构与其他子贝叶斯网络的结构进行融合处理,从而实现将子购物事件集合对应的子贝叶斯网络的结构与其他子贝叶斯网络的结构进行融合处理。
通过上述过程,将各购物事件的集合拆分成各子购物事件集合,针对每个子购物事件集合分别确定子贝叶斯网络的结构,再将各子贝叶斯网络的结构进行融合处理,以得到购物事件集合的贝叶斯网络的结构,可以减少直接对购物事件集合中各购物事件之间发展关系进行学习的计算量,从而能够根据用户的实际情况为用户进行商品推荐,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推荐相关视频、工具或者考试用品等,从而缩短了商品推荐时间。
场景二、数据挖掘场景(以疾病诊断数据挖掘场景为例)
图4为本申请实施例四所提供的贝叶斯网络的结构学习方法的应用场景示例图。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,节点集合中的每个节点,代表一个疾病症状。
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,为各疾病症状的集合。
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疾病症状的向量。
其中,疾病症状的向量,可以根据一段时间内的各个时间点上表征该疾病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表征疾病症状出现,利用0表示疾病症状未出现,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C代表发烧症状、节点D代表上火症状,若某个人在t1时间点出现了发烧症状,在t3时间点出现了上火症状,则节点C代表的发烧症状的向量为[1,0,0,0],节点D代表的上火症状的向量为[0,0,1,0]。
步骤402,利用谱聚类算法,对各节点代表的疾病症状进行聚类,以得到多个子疾病症状集合,每个子疾病症状集合中包括一个或多个疾病症状。
步骤403,针对每个子疾病症状集合,确定子疾病症状集合中各疾病症状之间的发展关系,以确定子疾病症状集合对应的子贝叶斯网络的结构。
举例来说,假设某个子疾病症状集合中包括感冒症状和发烧症状,可以确定这两个疾病症状之间的发展关系为先感冒,再发烧,从而确定该子疾病症状集合的子贝叶斯网络的结构为,感冒症状对应的节点E指向发烧症状对应的节点C。
具体确定每个子疾病症状集合中各疾病症状之间的发展关系时,可以根据每个子疾病症状集合中各疾病症状的向量确定。比如,针对每个子疾病症状集合,可以确定子疾病症状集合中每两个疾病症状的向量之间的相关度,并且预先设置相关度阈值,在对应的相关度大于预设相关度阈值时,确定两个疾病症状之间存在连接关系,从而确定子疾病症状集合中各疾病症状之间的连接关系,进而再确定存在连接关系的每两个疾病症状之间的独立性,从而结合存在连接关系的每两个疾病症状之间的独立性,确定子疾病症状集合对应的无向连接图,进而对于无向连接图中的每两个建立有连接的疾病症状,对两个疾病症状之间的连接边的方向进行评分,以确定两个疾病症状之间的连接边的方向。
步骤404,对各子疾病症状集合对应的子贝叶斯网络的结构进行融合处理,以得到疾病症状集合的贝叶斯网络的结构。
具体的,针对每个子贝叶斯网络的子疾病症状集合中的每个疾病症状,可以从其他子贝叶斯网络的子疾病症状集合中选择各个疾病症状的相关疾病症状,再确定各个疾病症状与对应的相关疾病症状之间的连接边,进而结合各个疾病症状与对应的相关疾病症状之间的连接边,对子贝叶斯网络的结构与其他子贝叶斯网络的结构进行融合处理,从而实现将子疾病症状集合对应的子贝叶斯网络的结构与其他子贝叶斯网络的结构进行融合处理。
通过上述过程,将各疾病症状的集合拆分成各子疾病症状集合,针对每个子疾病症状集合分别确定子贝叶斯网络的结构,再将各子贝叶斯网络的结构进行融合处理,以得到疾病症状集合的贝叶斯网络的结构,可以减少直接对疾病症状集合中各疾病症状之间发展关系进行学习的计算量,从而能够快速进行疾病诊断,比如用户在某个时间点感冒后,诊断用户在后续的预设时间点或者时间段可能会发烧等,从而缩短了疾病诊断的耗时。
图5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5所示,该贝叶斯网络的结构学习装置500可以包括:获取模块510、拆分模块520、第一确定模块530和融合模块540。
其中,获取模块510,用于获取待进行结构学习的贝叶斯网络的节点集合;
拆分模块520,用于对节点集合进行拆分,以得到贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合;
第一确定模块530,用于针对每个子贝叶斯网络,根据子贝叶斯网络的子节点集合,确定子贝叶斯网络的结构;
融合模块540,用于对多个子贝叶斯网络的结构进行融合处理,以得到贝叶斯网络的结构。
进一步地,在本申请实施例的一种可能的实现方式中,拆分模块520,包括:
处理单元,用于对节点集合中的节点进行图聚类处理,得到多个聚类结果;
生成单元,用于针对每个聚类结果,根据聚类结果中的节点,生成贝叶斯网络中的一个子贝叶斯网络的子节点集合。
进一步地,在本申请实施例的一种可能的实现方式中,融合模块540,包括:
选择单元,用于针对每个子贝叶斯网络的子节点集合中的各个节点,从其他子贝叶斯网络的节点集合中选择各个节点的相关节点;
确定单元,用于确定各个节点与对应的相关节点之间的连接边;
融合单元,用于结合各个节点与对应的相关节点之间的连接边,对子贝叶斯网络的结构与其他子贝叶斯网络的结构进行融合处理。
进一步地,在本申请实施例的一种可能的实现方式中,选择单元,具体用于:
获取各个节点与其他子贝叶斯网络的节点集合中节点的相关度;
按照相关度对其他子贝叶斯网络的节点集合中节点进行降序排序,得到排序结果;
从排序结果中排序在前的预设数量的节点中获取各个节点的相关节点。
进一步地,在本申请实施例的一种可能的实现方式中,选择单元,还用于:
根据各个节点在第一时间段内的内容序列,以及其他子贝叶斯网络的节点集合中节点在第二时间段内的内容序列,确定各个节点与其他子贝叶斯网络的节点集合中节点的相关度;其中,第二时间段的起始时间点早于第一时间段的起始时间点;
对应的,确定模块,具体用于:
建立从对应的相关节点指向各个节点的连接边。
进一步地,在本申请实施例的一种可能的实现方式中,结合参考图6,在图5所示实施例的基础上,贝叶斯网络的结构学习装置还可以包括:第二确定模块550、第三确定模块560和调整模块570。
其中,第二确定模块550,用于根据多个子贝叶斯网络的结构,确定多个子贝叶斯网络中各个节点的概率参数;
第三确定模块560,用于根据各个节点与对应的相关节点之间的连接边,确定各个节点中的待调整节点;
调整模块570,用于根据待调整节点与对应的相关节点之间的连接边,对待调整节点的概率参数进行调整。
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,对节点集合进行拆分,以得到贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合,再针对每个子贝叶斯网络,根据子贝叶斯网络的子节点集合,确定子贝叶斯网络的结构,进而对多个子贝叶斯网络的结构进行融合处理,以得到贝叶斯网络的结构,减少了贝叶斯网络的结构学习的计算量,进而缩短了利用贝叶斯网络进行故障诊断、图像识别、数据挖掘等的耗时,提高了效率。
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7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7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7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7未显示,通常称为“硬盘驱动器”)。尽管图7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7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 (12)
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;
对所述节点集合进行拆分,以得到所述贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合;
针对每个子贝叶斯网络,根据所述子贝叶斯网络的子节点集合,确定所述子贝叶斯网络的结构;
对多个所述子贝叶斯网络的结构进行融合处理,以得到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,所述对所述节点集合进行拆分,包括:
对所述节点集合中的节点进行图聚类处理,得到多个聚类结果;
针对每个聚类结果,根据所述聚类结果中的节点,生成所述贝叶斯网络中的一个子贝叶斯网络的子节点集合。
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,所述对多个所述子贝叶斯网络的结构进行融合处理,以得到所述贝叶斯网络的结构,包括:
针对每个子贝叶斯网络的子节点集合中的各个节点,从其他子贝叶斯网络的节点集合中选择所述各个节点的相关节点;
确定所述各个节点与对应的相关节点之间的连接边;
结合所述各个节点与对应的相关节点之间的连接边,对所述子贝叶斯网络的结构与其他子贝叶斯网络的结构进行融合处理。
4.根据权利要求3所述的贝叶斯网络的结构学习方法,其特征在于,所述从其他子贝叶斯网络的节点集合中选择所述各个节点的相关节点,包括:
获取所述各个节点与其他子贝叶斯网络的节点集合中节点的相关度;
按照相关度对其他子贝叶斯网络的节点集合中节点进行降序排序,得到排序结果;
从所述排序结果中排序在前的预设数量的节点中获取所述各个节点的相关节点。
5.根据权利要求3所述的贝叶斯网络的结构学习方法,其特征在于,还包括:
根据多个所述子贝叶斯网络的结构,确定多个所述子贝叶斯网络中各个节点的概率参数;
根据所述各个节点与对应的相关节点之间的连接边,确定所述各个节点中的待调整节点;
根据所述待调整节点与对应的相关节点之间的连接边,对所述待调整节点的概率参数进行调整。
6.一种贝叶斯网络的结构学习装置,其特征在于,包括:
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;
拆分模块,用于对所述节点集合进行拆分,以得到所述贝叶斯网络中待进行结构学习的多个子贝叶斯网络的子节点集合;
第一确定模块,用于针对每个子贝叶斯网络,根据所述子贝叶斯网络的子节点集合,确定所述子贝叶斯网络的结构;
融合模块,用于对多个所述子贝叶斯网络的结构进行融合处理,以得到所述贝叶斯网络的结构。
7.根据权利要求6所述的贝叶斯网络的结构学习装置,其特征在于,所述拆分模块,包括:
处理单元,用于对所述节点集合中的节点进行图聚类处理,得到多个聚类结果;
生成单元,用于针对每个聚类结果,根据所述聚类结果中的节点,生成所述贝叶斯网络中的一个子贝叶斯网络的子节点集合。
8.根据权利要求6所述的贝叶斯网络的结构学习装置,其特征在于,所述融合模块,包括:
选择单元,用于针对每个子贝叶斯网络的子节点集合中的各个节点,从其他子贝叶斯网络的节点集合中选择所述各个节点的相关节点;
确定单元,用于确定所述各个节点与对应的相关节点之间的连接边;
融合单元,用于结合所述各个节点与对应的相关节点之间的连接边,对所述子贝叶斯网络的结构与其他子贝叶斯网络的结构进行融合处理。
9.根据权利要求8所述的贝叶斯网络的结构学习装置,其特征在于,所述选择单元,具体用于:
获取所述各个节点与其他子贝叶斯网络的节点集合中节点的相关度;
按照相关度对其他子贝叶斯网络的节点集合中节点进行降序排序,得到排序结果;
从所述排序结果中排序在前的预设数量的节点中获取所述各个节点的相关节点。
10.根据权利要求8所述的贝叶斯网络的结构学习装置,其特征在于,还包括:
第二确定模块,用于根据多个所述子贝叶斯网络的结构,确定多个所述子贝叶斯网络中各个节点的概率参数;
第三确定模块,用于根据所述各个节点与对应的相关节点之间的连接边,确定所述各个节点中的待调整节点;
调整模块,用于根据所述待调整节点与对应的相关节点之间的连接边,对所述待调整节点的概率参数进行调整。
11.一种电子设备,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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110246431.6A CN115018077A (zh) | 2021-03-05 | 2021-03-05 | 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 |
---|---|---|---|
CN202110246431.6A CN115018077A (zh) | 2021-03-05 | 2021-03-05 | 贝叶斯网络的结构学习方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018077A true CN115018077A (zh) | 2022-09-06 |
Family
ID=83064452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110246431.6A Pending CN115018077A (zh) | 2021-03-05 | 2021-03-05 | 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) | CN115018077A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149663A (zh) * | 2023-10-30 | 2023-12-01 | 合肥中科类脑智能技术有限公司 | 多目标检测算法的部署方法、装置、电子设备和介质 |
-
2021
- 2021-03-05 CN CN202110246431.6A patent/CN115018077A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149663A (zh) * | 2023-10-30 | 2023-12-01 | 合肥中科类脑智能技术有限公司 | 多目标检测算法的部署方法、装置、电子设备和介质 |
CN117149663B (zh) * | 2023-10-30 | 2024-02-02 | 合肥中科类脑智能技术有限公司 | 多目标检测算法的部署方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11604822B2 (en) | Multi-modal differential search with real-time focus adaptation | |
US11605019B2 (en) | Visually guided machine-learning language model | |
CN109670029B (zh) | 用于确定问题答案的方法、装置、计算机设备及存储介质 | |
CN108540826B (zh) | 弹幕推送方法、装置、电子设备及存储介质 | |
CN110377740B (zh) | 情感极性分析方法、装置、电子设备及存储介质 | |
CN110046965A (zh) | 信息推荐方法、装置、设备和介质 | |
Wu et al. | Self-supervised sparse representation for video anomaly detection | |
CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN110929807A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN112257578B (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
CN109408829B (zh) | 文章可读性确定方法、装置、设备和介质 | |
JP2022554068A (ja) | ビデオコンテンツ認識方法、装置、プログラム及びコンピュータデバイス | |
US20200034738A1 (en) | Computer System and Method of Presenting Information Related to Basis of Predicted Value Output by Predictor | |
CN114896454B (zh) | 一种基于标签分析的短视频数据推荐方法及系统 | |
CN113987119A (zh) | 一种数据检索方法、跨模态数据匹配模型处理方法和装置 | |
JP2024500464A (ja) | 動的ファセットランク付け | |
CN110489613B (zh) | 协同可视数据推荐方法及装置 | |
CN115423037A (zh) | 一种基于大数据的用户分类方法及系统 | |
CN115761599A (zh) | 一种视频异常检测方法及系统 | |
CN115018077A (zh) | 贝叶斯网络的结构学习方法、装置及电子设备 | |
CN111738009A (zh) | 实体词标签生成方法、装置、计算机设备和可读存储介质 | |
CN110020195B (zh) | 文章推荐方法及装置、存储介质、电子设备 | |
US20230368503A1 (en) | Self-supervised audio-visual learning for correlating music and video | |
CN115617978A (zh) | 指标名称检索方法、装置、电子设备及存储介质 | |
CN114595787A (zh) | 推荐模型的训练方法、推荐方法、装置、介质及设备 |
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 |