[发明专利]一种作业决策方案获取方法、装置及计算机设备

说明书

本申请提出了一种作业决策方案获取方法、装置及计算机设备，预先基于包含自注意力机制和交叉注意力机制的表征学习网络，利用智能制造场景下的不同样本对象的历史数据，训练得到因果效应估计模型，由于其中的交叉注意力机制的全局查询向量经过训练后能够指示对不同查询提取不同的特征，依据该应该效果估计模型，可以对智能制造场景下的任一待估计对象的属性信息，以及所述待估计对象支持的能够干扰作业目标值的参数类型和同一所述参数类型下的多个候选参数值进行处理，快速且准确获得待估计对象按照不同候选参数值作业能够实现的作业目标估计值，据此获得待估计对象的作业决策方案。

技术领域

本申请主要涉及因果效应估计领域，更具体地说是涉及一种作业决策方案获取方法、装置及计算机设备。

背景技术

目前，在如流行病学、临床试验、生态学、社会学和经济学等很多领域的决策制定中，通常都需要基于待估计对象的观测数据估计因果效应，例如医生要根据病人对不同药物剂量的预期反应制定最优的治疗方案，老师要根据学生的特点选择合适的教学计划等。如图1所示，通过研究某协变量(Covariate，可以由X表示个体以及环境的属性特征，如病人或医生的某些属性，老师或学生的某些属性)，以及某干预变量(Treatment，可以由T表示不同的治疗方案或教学计划等)组合，或如图2所示，还可以结合对应的剂量变量d，对于结果变量(Outcome，可以由Y表示病人康复概率或学生的分数等)的影响，据此确定最优决策。

然而，在上述因果效应估计过程中，需要依托于反事实推理实现，但每个样本对象的在每个历史时刻只有一种干预变量T选择，在其他干预变量T下的反事实结果是不可能观测到的，而且，由于观测数据中对不同干预变量T的选择偏好不同，导致不同干预变量T下协变量X分布有显著差异，这将会影响因果效应估计准确性，进而降低了所得决策方案的可靠性和准确性。

发明内容

为了解决上述问题，本申请提供了以下技术方案：

一方面，本申请提出了一种作业决策方案获取方法，所述方法包括：

获取智能制造场景下的任一待估计对象的属性信息，以及所述待估计对象支持的能够干扰作业目标值的参数类型和同一所述参数类型下的多个候选参数值；

依据因果效应估计模型，对所述属性信息、所述参数类型以及对应的所述候选参数值进行处理，获得所述待估计对象按照不同所述候选参数值作业能够实现的作业目标估计值；其中，所述因果效应估计模型是基于包含自注意力机制和交叉注意力机制的表征学习网络，利用所述智能制造场景下的不同样本对象的历史数据训练得到，且所述交叉注意力机制的全局查询向量经过训练后能够指示对不同查询提取不同的特征；

依据获得的多个所述作业目标估计值，获得所述待估计对象的作业决策方案；所述作业决策方案包括所述待估计对象作业所执行的目标参数值。

可选的，所述因果效应估计模型包括：协变量表征学习网络、干预变量表征学习网络以及基于交叉注意力机制的预测网络；其中，所述协变量表征学习网络和所述干预变量表征学习网络均包括基于自注意力机制的编码器，以及基于交叉注意力机制的解码器；

所述依据因果效应估计模型，对所述属性信息、所述参数类型以及对应的所述候选参数值进行处理，获得所述待估计对象按照不同所述候选参数值作业能够实现的作业目标估计值，包括：

依据所述协变量表征学习网络，对所述属性信息进行处理，得到所述待估计对象的属性表征；

依据所述干预变量表征学习网络，对所述参数类型和对应的所述候选参数值进行处理，得到所述待估计对象作业的参数表征；

依据所述预测网络，对所述属性表征和所述参数表征进行交互处理，获得所述待估计对象按照对应的所述候选参数值作业能够实现的作业目标估计值。

可选的，所述依据所述干预变量表征学习网络，对所述参数类型和对应的所述候选参数值进行处理，得到所述待估计对象作业的参数表征，包括：