[发明专利]基于贝叶斯网络的个人数据分析方法及计算机存储介质

权利要求书

1.一种基于贝叶斯网络的个人数据分析方法，其特征在于包括以下步骤：

(1)将个人生活行为数据具体化为行为和行为属性的一维向量，行为属性中至少包含时间属性，经过数据预处理，得到生活行为数据记录；

(2)通过混合结构学习算法对数据进行学习，构建生活数据贝叶斯网络；

(3)根据步骤(2)中的生活数据贝叶斯网络进行参数学习，学习得到每个网络节点的条件概率分布表；

(4)根据步骤(2)中的生活数据贝叶斯网络，使用联合树推理算法，基于特定行为的概率计算其他行为发生的概率，完成个人生活行为分析预测。

2.根据权利要求1所述的基于贝叶斯网络的个人数据分析方法，其特征在于：步骤(1)中的行为属性包括行为主体、时间、地点、环境、状态、客体和结果。

3.根据权利要求1所述的基于贝叶斯网络的个人数据分析方法，其特征在于：步骤(2)中的生活数据贝叶斯网络构建过程为：

(21)选定行为作为节点，根据行为之间的逻辑关系及时序关系进行网络的初始化，得到一个有向无环网络；

(22)通过最大信息系数来衡量网络中两个节点X_i与X_j的关联程度，进行初始化，得到一个单连通网络；

(23)通过条件互信息进行条件独立性检测，对步骤(22)中的单连通网络进行增厚，得到无向网络S；

(24)在保证无向网络S连通性的前提下，进行条件独立性检测，进行网络中的冗余边去除；

(25)利用BDe评分函数和贪婪搜索算法进行结构学习，得到评分最优的网络结构。

4.根据权利要求3所述的基于贝叶斯网络的个人数据分析方法，其特征在于：步骤(22)中进行初始化的过程为，计算每个节点X_i与其他节点的最大信息化系数MIC，找出其最大值MMIC(X_i)，找出满足MIC_δ(X_i,X_j)≥αMMIC(X_i)或者MIC_δ(X_i,X_j)≥αMMIC(X_j)的边(X_i,X_j)，并将满足要求的边加入序列L，对序列进行降序排列，若X_j和X_j之间不存在边，则添加边，如此重复，构造一个单连通网络，其中阈值因子α＝0.8。

5.根据权利要求3所述的基于贝叶斯网络的个人数据分析方法，其特征在于：步骤(23)中所述的网络增厚的方法为：对于每对顶点(X_i，X_j)，找出与节点X_i相连的节点集合N1以及与X_j相连的节点集合N2，通过dSeparateA函数对N1和N2进行D-separate检测，若不满足条件独立性，则在两点之间添加一条边，如此反复，完成网络增厚；步骤(24)中所述的冗余边去除的方法为：找出与N1相连的节点集N1’以及与N2相连的节点集N2’，对集合N1+N1’和N2+N2’进行D-separate检测，若满足条件独立性，则删除两点之间的边，如此反复，完成网络冗余边的去除。

6.根据权利要求3所述的基于贝叶斯网络的个人数据分析方法，其特征在于：步骤(25)中进行结构学习的过程为：对于与X_i相连接的每个节点X_j，计算添加边X_i→X_j之后的BDe评分，找出使评分最大化增加的边X_j→X_i，添加到贝叶斯网络中，直到评分不再增加为止；然后计算将每条边转向之后的BDe评分，对增加评分的边执行转向操作，直到评分不再增加为止。

7.根据权利要求1所述的基于贝叶斯网络的个人数据分析方法，其特征在于：步骤(3)中得到条件概率分布表的过程为将每个行为或行为/属性看作随机变量θ，根据已有数据计算其先验概率P(θ)，得到每个节点的条件概率分布表。