[发明专利]一种因果关系分析模型构建及因果关系分析方法

说明书

本发明公开了一种因果关系分析模型构建及因果关系分析方法，获取网络图谱中的每一个目标节点以及与所述目标节点相连接的关联节点；对每一个所述目标节点对应的关联节点的类型进行划分得到所述目标节点对应的多个前因条件节点，在布尔代数算法的三层模型中输入计算得到的前因节点对所述目标节点的信息增益以及前因条件节点的中心度进行训练得到满足条件的因果关系分析模型，然后利用该因果关系分析模型进行因果关系分析，在保留布尔代数算法的高效率性的同时提高了模型分析的准确性。

技术领域

本发明涉及数据挖掘技术领域，具体涉及一种因果关系分析模型构建及因果关系分析方法。

背景技术

网络图谱是以结构化的形式描述客观世界中概念、实体、事件、属性及其关系，将信息表达成更接近人类认知世界并且可以被计算机处理的形式，提供了一种更好地组织、管理和理解海量信息的能力；网络图谱数据更多的会以图数据库进行存储，通过对网络图谱结构中节点与边蕴含的信息再配合图交互探索进行更进一步的分析可以支持从数据分析、智能问答、反欺诈等一系列智能应用。

在知识图谱中如果任意节点的变量的改变会对其他节点造成影响，则需要对该因果关系进行分析。传统上，因果关系分析是基于相关分析进行的。相关分析描述的是客观事物之间的密切程度，一般情况下采用因果关系网络图谱进行分析。目前，研究提出了三种复杂的因果关系，包括：并发因果关系、等效性因果关系以及非对称因果关系，不能被简单的相关性分析解释。针对这种情况，提出了CARE复杂因果关系分析法，该方法结合了BOOM布尔表达式压缩算法和社会学中的网络分析算法将布尔表达式的简化效率大幅提升的同时将网络中心度的概念融合进了因果关系分析中。但是，该方法忽视了前因条件对结果出现的直接影响力，分析结果准确度较低。

发明内容

有鉴于此，本发明实施例提供了涉及一种因果关系分析模型构建及因果关系分析方法，以解决现有技术中因果关系分析时忽视了前因条件对结果出现的直接影响力导致分析结果准确度较低的技术问题。

本发明提出的技术方案如下：

本发明实施例第一方面提供一种因果关系分析模型构建方法，该因果关系分析模型构建方法包括：获取网络图谱中的每一个目标节点以及与所述目标节点相连接的关联节点；对每一个所述目标节点对应的关联节点的类型进行划分得到所述目标节点对应的多个前因条件节点；将所述多个前因条件节点对应的二分条件值和相应的目标节点对应的二分条件值构成多条极小项；将所述极小项中所述目标节点对应的二分条件值为1的构成正集群，将所述极小项中所述目标节点对应的二分条件值为0的构成负集群；根据所述前因节点在所述正集群中的频率计算所述前因节点对所述目标节点的信息增益；将每一个目标节点对应所述信息增益和所述前因条件节点在所述网络图谱中的中心度输入布尔代数算法的三层模型进行训练直至得到满足条件的因果关系分析模型。

本发明实施例第二方面提供一种因果关系分析方法，该因果关系分析方法包括：获取待分析网络图谱；对所述待分析网络图谱中任一待分析节点确定所述待分析节点对应的前因条件节点在所述待分析网络图谱中的中心度以及所述待分析节点与其对应的前因条件节点构建的多条极小项；；将所述待分析节点对应的前因条件节点在所述待分析网络图谱中的中心度以及所述多条极小项输入到如本发明实施例第一方面所述的因果关系分析模型构建方法得到的因果关系分析模型得到所述待分析节点的信息增益；根据所述中心度与所述信息增益在所述因果关系分析模型对所述待分析节点进行分析。

可选地，所述根据所述中心度与所述信息增益在所述因果关系分析模型对所述待分析节点进行分析，包括：根据所述多条极小项构造布尔表达式得到对应的蕴涵项并进行筛选得到满足预设条件的蕴涵项；对每一个所述蕴涵项中对应的所述前因条件节点进行排查直至所述每一个蕴涵项得到对应的素蕴涵项；根据LCMC衡量法对所述素蕴涵项进行筛选直至得到的本质蕴涵项覆盖所述正集群。