[发明专利]基于频繁项挖掘的贝叶斯网络结构优化方法和装置

权利要求书

1.一种基于频繁项挖掘的贝叶斯网络结构优化方法，其特征在于，所述方法包括：

获取数据集；所述数据集中包括随机变量和所述随机变量对应的样本数据；

根据反映所述随机变量之间关联度的关联规则，构建关联规则集；

从所述数据集提取频繁项集，根据所述频繁项集对预先设置的贝叶斯网络进行学习，得到贝叶斯网络结构集，根据所述贝叶斯网络结构集，得到最大频繁项集对应的最大贝叶斯网络结构集；

根据所述关联规则集和所述最大贝叶斯网络结构集，从所述数据集中提取白名单和黑名单；

根据所述白名单和黑名单中的样本数据，构建罚项；

根据所述罚项和BDeu评分函数，得到融合先验的评分函数；

根据融合先验的评分函数以及爬山搜索算法进行循环搜索，得到最优贝叶斯网络结构。

2.根据权利要求1所述的方法，其特征在于，根据反映所述随机变量之间关联度的关联规则，构建关联规则集，包括：

根据反映所述随机变量之间重要性的支持度规则，以及根据反映所述随机变量之间可信程度的置信度规则，得到关联规则集。

3.根据权利要求2所述的方法，其特征在于，根据反映所述随机变量之间重要性的支持度规则，以及根据反映所述随机变量之间可信程度的置信度规则，得到关联规则集，包括：

获取支持度阈值和置信度阈值，当根据所述支持度规则计算所述随机变量之间的支持度大于或等于所述支持度阈值，并且根据所述置信度规则计算所述随机变量之间的置信度大于或等于所述置信度阈值时，将两个随机变量对应的节点对加入关联规则集。

4.根据权利要求1所述的方法，其特征在于，根据所述贝叶斯网络结构集，得到最大频繁项集对应的最大贝叶斯网络结构集，包括：

根据所述贝叶斯网络结构集，得到最大频繁项集对应的最大贝叶斯网络结构集：

其中，BN_{max_f}表示最大贝叶斯网络结构集，表示第i个频繁项集freq_item_i对应的贝叶斯网络结构集，表示所有贝叶斯网络结构集的并集。

5.根据权利要求4所述的方法，其特征在于，根据所述关联规则集和所述最大贝叶斯网络结构集，从所述数据集中提取白名单和黑名单，包括：

当所述数据集中的随机变量对属于所述关联规则集，并且所述随机变量对属于所述最大贝叶斯网络结构集，则将所述随机变量对加入白名单；

当所述数据集中的随机变量对属于所述关联规则集，并且所述随机变量对属于所述最大贝叶斯网络结构集，则将所述随机变量对加入黑名单。

6.根据权利要求5所述的方法，其特征在于，根据所述白名单和所述黑名单中的样本数据，构建罚项，包括：

根据所述白名单和所述黑名单中的样本数据，构建罚项为：

其中，φ_D(G)表示罚项，D表示数据集，G表示有向无环图，其中r_w表示属于白名单并且属于有向无环图的元素个数，n_k表示第k个属于白名单并且属于有向无环图的样本个数，r_b表示属于黑名单并且属于有向无环图的元素个数，n_t表示第t个属于黑名单并且属于有向无环图的样本个数。

7.根据权利要求1所述的方法，其特征在于，根据所述罚项和BDeu评分函数，得到融合先验的评分函数，包括：

根据所述罚项和BDeu评分函数，得到融合先验的评分函数为：

其中表示融合先验的评分函数，S_D(G)表示BDeu评分函数，γ表示罚项权重。

8.根据权利要求1所述的方法，其特征在于，根据融合先验的评分函数以及爬山搜索算法进行循环搜索，得到最优贝叶斯网络结构，包括：

根据融合先验的评分函数以及爬山搜索算法进行循环搜索，对贝叶斯网络结构进行加边，减边和/或逆转边操作，直至输出最优贝叶斯网络结构。