[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

说明书

本发明公开了一种基于贝叶斯网络的个人数据分析方法及计算机存储介质，方法包括以下步骤：(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。本方法将贝叶斯网络应用到个人行为数据分析中去，并对网络构造方法进行了改进，有效地提高学习的准确率和算法的收敛性，提升运行性能。

技术领域

本发明涉及一种个人数据分析方法及计算机存储介质，特别是涉及一种基于贝叶斯网络的个人数据分析方法及计算机存储介质。

背景技术

近年来，随着移动互联网技术的飞速发展和移动智能终端的兴起与普及，对于人们在工作、购物、睡觉、吃饭、锻炼以及交流等行为中所产生的数据，可以实时、安全并私密地通过移动智能终端采集下来。人们每天都在产生这样的“数字痕迹”，社交网络、搜索引擎、移动运营商、网络游戏和电子商务网站都在广泛地应用着这些数据。他们会聚类并分析这些数据，来进行广告推广并改善服务体系的性能。通过分析日常生活数据，可以发现这些数据中的潜在信息，对这些信息充分利用，可以驱使着事物向有利的方向发展。贝叶斯网络作为一种图形化的建模工具，提供了一种表示变量间因果关系的有效方法，可以用来发现隐藏在数据中的知识。贝叶斯网络将图论和概率论有效地结合了起来，在不确定性推理方面发挥了很大的优势。根据采集的数据，构建一个高精度的贝叶斯网络，对后面的参数学习和推理至关重要。

贝叶斯网络结构学习需要确定网络中节点之间的边和边的方向。基于依赖分析的方(如TPDA、PC、SGS)通常通过互信息来确定两个变量间的关系，然后通过条件互信息对冗余边进行去除，最后通过“碰撞检测”来进行因果关系的确定，即方向的确定。由于碰撞检验方法的局限性，导致学习出的网络结构存在着一些未定向边，影响了结构学习的准确率。同时，该类方法采用一种绝对的方式来衡量不同变量间的关系，即如果变量A与变量B的互信息大于某一正数，就认为A,B存在关联，可以添加一条无向边，但该方法容易丢失弱联合依赖边，可能导致最终学习出的网络是个非连通图，从而导致所学习出的结果不是全局最优解。基于评分搜索的方法能够学习到一个较优的网络结构，但容易陷入局部最优，而且一些算法(例如K2)需要事先知道节点的拓扑序列，一个低准确率的拓扑序列会导致学习结果的准确率低。混合搜索方法(如MMHC)在降低搜索空间复杂度的同时，也缩小了解空间的范围，在评分搜索阶段由于空间结构的限制，无法修正这一错误，容易陷入局部最优解，从而难以学习到最佳的网络结构。

发明内容

发明目的：本发明要解决的技术问题是提供一种基于贝叶斯网络的个人数据分析方法及计算机存储介质，将贝叶斯网络应用到个人行为数据分析中去，对个人的行为可能的发生原因与后果进行推理与预测；并对贝叶斯网络构造方法进行了改进，在结构学习过程中保持了网络的连通性，且对边定向的正确率比较高，有效地提高了学习的准确率，在推理过程中对现有算法收敛速度慢、易早熟等不足进行了改进，有效提高了算法的收敛性，提高了运行性能。

技术方案：本发明所述的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。