贝叶斯网络结构学习方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115796290A(43)申请公布日2023.03.14(21)申请号202310053146.1(22)申请日2023.02.03(71)申请人北京灵迅医药科技有限公司地址100000北京市海淀区中关村大街11号中关村E世界财富中心C座9层952A(72)发明人王俊枝王维玉(74)专利代理机构深圳市恒程创新知识产权代理有限公司44542专利代理师苗广冬(51)Int.Cl.G06N7/01(2023.01)G06N20/20(2019.01)G16B40/20(2019.01)G16B25/10(2019.01)权利要求书2页说明书9页附图2页(54)发明名称贝叶斯网络结构学习方法、装置、设备及存储介质(57)摘要本发明公开了一种贝叶斯网络结构学习方法、装置、设备及存储介质，该方法包括：对目标数据集进行重抽样处理，获得若干个Bootstrap数据集，目标数据集为卵巢癌患者基因表达谱数据和健康对照数据，重抽样处理为从目标数据集中抽取数据后再放回目标数据集进行下一次抽样处理；对各Bootstrap数据集进行学习，获得Bootstrap数据集对应的贝叶斯网络；基于预设得分函数从贝叶斯网络中确定目标贝叶斯网络结构。由于本发明对目标数据集进行重抽样获得若干个Bootstrap数据集，并对各Bootstrap数据集进行学习获得对应的贝叶斯网络，再基于得分函数从贝叶斯网络中确定目标贝叶斯网络结构，解决了贝叶斯网络结构学习准确度低的技术问题。CN115796290ACN115796290A权利要求书1/2页1.一种贝叶斯网络结构学习方法，其特征在于，所述贝叶斯网络结构学习方法包括：对目标数据集进行重抽样处理，获得若干个Bootstrap数据集，所述目标数据集为卵巢癌患者基因表达谱数据和健康对照数据，所述重抽样处理为从所述目标数据集中抽取数据后再放回所述目标数据集进行下一次抽样处理；对各Bootstrap数据集进行学习，获得所述Bootstrap数据集对应的贝叶斯网络；基于预设得分函数从所述贝叶斯网络中确定目标贝叶斯网络结构。2.如权利要求1所述的贝叶斯网络结构学习方法，其特征在于，所述基于预设得分函数从所述贝叶斯网络中确定目标贝叶斯网络结构的步骤，包括：基于预设得分函数确定所述贝叶斯网络对应的得分；基于所述得分和贪婪爬山法对所述贝叶斯网络进行搜索，并根据搜索结果确定目标贝叶斯网络结构。3.如权利要求2所述的贝叶斯网络结构学习方法，其特征在于，所述基于所述得分和贪婪爬山法对所述贝叶斯网络进行搜索，并根据搜索结果确定目标贝叶斯网络结构的步骤，包括：基于所述得分和贪婪爬山法对所述贝叶斯网络进行搜索；在所述贪婪爬山法处于局部最优状态时，对所述贝叶斯网络中的边进行预设调整；在调整完成时，继续对所述贝叶斯网络进行搜索；在搜索次数达到预设次数阈值时，获取得分最高的贝叶斯网络结构；基于所述得分最高的贝叶斯网络结构确定目标贝叶斯网络结构。4.如权利要求3所述的贝叶斯网络结构学习方法，其特征在于，所述基于所述得分最高的贝叶斯网络结构确定目标贝叶斯网络结构的步骤，包括：获取所述得分最高的贝叶斯网络结构中任意两节点的连接频率；将所述连接频率与预设置信度阈值进行比较，并根据比较结果获取目标连接边；基于所述目标连接边确定目标贝叶斯网络结构。5.如权利要求4所述的贝叶斯网络结构学习方法，其特征在于，所述将所述连接频率与预设置信度阈值进行比较，并根据比较结果获取目标连接边的步骤，包括：将所述连接频率与预设置信度阈值进行比较；在所述连接频率不低于所述预设置信度阈值时，获取所述连接频率对应的节点对，并根据所述节点对确定目标连接边。6.如权利要求1所述的贝叶斯网络结构学习方法，其特征在于，所述对各Bootstrap数据集进行学习，获得所述Bootstrap数据集对应的贝叶斯网络的步骤之后，还包括：基于Bootstrap方法确定所述贝叶斯网络中任意两节点的目标连接频率；将所述目标连接频率与预设阈值进行比较，并根据比较结果获取所述贝叶斯网络对应的网络评价结果。7.如权利要求2所述的贝叶斯网络结构学习方法，其特征在于，所述预设得分函数包括：BIC得分函数；所述基于预设得分函数确定所述贝叶斯网络对应的得分的步骤，包括：获取所述目标数据集的数据总例数和所述贝叶斯网络的参数个数；基于所述数据总例数、所述参数个数和所述BIC得分函数确定所述贝叶斯网络对应的2CN115796290A权利要求书2/2页得分。8.一种贝叶斯网络结构学习装置，其特征在于，所述装置包括：数据集处理模块，用于对目标数据集进行重抽样处理，获得若干个Bootstrap数据集，所述目标数据集为卵巢癌患者基因表达谱数据和健康对照数据，所述重抽样处理为从所述目标数