[发明专利]基于时序图规则的事件预测的方法及装置

说明书

本发明提供了一种基于时序图规则的事件预测的方法及装置，方法包括：获取时序图数据，并对所述时序图数据加入机器学习模型的事件预测结果得到时序图扩展数据；依据验证比例从时序图扩展数据中提取用于验证预测规则信赖度的子图；依据所述时序图扩展数据与所述子图对规则创造者进行训练，得到时序事件预测规则集合；依据所述时序事件预测规则集合与所述时序图数据获取预测事件集合。通过将事件预测的机器学习模型作为谓词嵌入基于规则的关联关系系统中，使关联规则不仅可以利用现有的机器学习模型事件预测结果，还可以用逻辑条件来完善机器学习模型的预测结果，表达能力更强，不必约束间隔时间恒定，也不必对于图模式有共同焦点约束。

技术领域

本发明主要涉及时序图关联规则领域，尤其涉及一种基于时序图规则的事件预测的方法及装置。

背景技术

如今已经开发出一系列时序关联规则，用于表示关系数据中的时间相关关系。然而面向图数据的关联规则研究相对有限，主要有以下三种。图关联规则(GraphAssociationRules，GAR)是定义在静态图上的关联规则，主要用于指定静态图中实体之间的相关性和规律，不适用于时序图处理。图时序关联规则(GraphTemporalAssociationRules，GTAR)通过两个共享同一焦节点和同一恒定时间间隔的事件模式来指定事件之间的联系，从而可以在时序图中进行事件关联分析。类似地，图演化规则(GraphEvolutionRules，GER)采用两个相连的子模式定义，这两个子模式由单一的图模式分解而成，从而可以表示时序图局部的变化。因此图演化规则可以用来描述时序图中节点的标签变化。

现有面向时序图的关联规则主要有以下缺点：第一，前人提出的关联规则不能有效融合机器学习算法对于时序图中事件预测的成果，这阻碍了关联规则用于事件预测的准确度提升；第二，前人提出的用于事件预测的关联规则具有过多限制条件，表达能力有限。例如GAR只能用于静态图数据，GTAR需要设置模式的共同焦点，GER只能表达恒定一致的时间间隔。

发明内容

鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的基于时序图规则的事件预测的方法及装置，包括：

一种基于时序图规则的事件预测的方法，包括：

获取时序图数据，并对所述时序图数据加入机器学习模型的事件预测结果得到时序图扩展数据；

依据验证比例从时序图扩展数据中提取用于验证预测规则信赖度的子图；

依据所述时序图扩展数据与所述子图对规则创造者进行训练，得到时序事件预测规则集合；

依据所述时序事件预测规则集合与所述时序图数据获取预测事件集合。

进一步的，所述依据所述时序图扩展数据以及所述子图对规则创造者进行迭代交互训练，得到时序事件预测规则集合的步骤，包括：

依据所述时序图扩展数据对所述规则创造者进行预训练；

依据所述时序图扩展数据与所述预训练数据对所述规则创造者进行迭代交互训练。

进一步的，所述依据所述时序图扩展数据对所述规则创造者进行预训练的步骤，包括：

所述规则创造者依据在所述时序图扩展数据中抽取预设位置的局部图结构数据生成若干候选时序事件预测规则；

所述规则创造者依据时序图模型生成所述候选时序事件预测规则的图模式并生成标签，得到图模式的候选时序事件预测规则；

所述规则创造者对所述图模式的候选时序事件预测规则运用层级扩展过程构建逻辑依赖并形成候选时序事件预测规则集合；

规则批评者依据所述子图将所述候选时序事件预测规则集合中，支持度与信赖度高于预设阈值的所述候选时序事件预测规则添加到新集合中生成时序事件预测规则集合。