[发明专利]用于确定因果关系的方法、系统和计算机程序产品

说明书

本公开内容的实现方式涉及用于确定因果关系的方法、系统和计算机程序产品。提供了一种确定多个变量之间的因果关系的方法，包括：响应于采集到与多个变量相关联的多个样本的数据集，获取描述多个变量之间的因果关系的矩阵，多个样本中的每个样本包括对应于多个变量的数据；基于数据集以及矩阵，确定与因果关系相关联的拟合度以及专家知识约束，其中专家知识约束包括针对矩阵中的两个变量之间的直接因果关系的边约束以及针对矩阵中的两个变量之间的间接因果关系的路径约束中的至少任一项；根据确定的拟合度和专家知识约束构建描述因果关系的问题公式；以及针对构建的问题公式进行求解以获得矩阵的候选结果。进一步，提供了相应系统和计算机程序产品。

技术领域

本公开内容的各实现方式涉及概率模型，更具体地，涉及用于确定因果关系的方法、系统和计算机程序产品。

背景技术

概率模型是基于概率推理而获得的图形化网络模型，在此概率推理是指通过分析采集到的对应于多个变量的信息来获得这些变量之间的关联关系。贝叶斯网络(Bayesiannetwork)是为了解决不定性和不完整性问题而提出的一种概率模型，目前已经在多个领域中获得广泛应用。

贝叶斯网络可以采用有向无环图(Directed Acyclic Graph，DAG)来描述多个变量之间的因果关系，该DAG可以包括代表变量的节点以及代表变量之间的因果关系的有向边和路径。例如，由父节点指向其子节点的有向边可以表示：父节点所代表的变量与子节点所代表的变量之间具有直接因果关系。又例如，从一个节点指向另一节点的路径可以表示：两个节点所代表的变量之间具有间接因果关系。贝叶斯网络适用于表达和分析具有不确定性和概率性的事件，并且可以从采集到的对应于多个变量的不完全、不精确或不确定的信息来确定。

目前已经开发出了基于采集到的数据集以及专家知识来确定因果关系的技术方案，然而这些技术方案对于专家知识的要求过于苛刻，或者在确定因果关系的过程中可能会涉及到与专家的交互。因而，如何基于专家知识(可能并不完善)，以简单有效的方式确定多个变量之间的因果关系成为一个研究热点。

发明内容

专家知识在一定程度上可以提高单纯基于数据集确定的多个变量之间的因果关系的准确性。因而，期望开发并实现一种能够以更为准确并有效的方式来基于专家知识确定因果关系的技术方案。并且期望该技术方案能够尽可能地将专家知识用于指导因果关系的学习的过程。

根据本发明的第一方面，提供了用于确定多个变量之间的因果关系的方法。方法包括：响应于采集到与多个变量相关联的多个样本的数据集，获取描述多个变量之间的因果关系的矩阵，多个样本中的每个样本包括对应于多个变量的数据；基于数据集以及矩阵，确定与因果关系相关联的拟合度以及专家知识约束，其中专家知识约束包括针对矩阵中的两个变量之间的直接因果关系的边约束以及针对矩阵中的两个变量之间的间接因果关系的路径约束中的至少任一项；根据确定的拟合度和专家知识约束构建描述因果关系的问题公式；以及针对构建的问题公式进行求解以获得矩阵的候选结果。

根据本发明的第二方面，提供了一种用于确定多个变量之间的因果关系的系统，包括：一个或者多个处理器；耦合至一个或者多个处理器中的至少一个处理器的存储器；在存储器中存储的计算机程序指令，当由至少一个处理器执行计算机程序指令时，使得系统执行用于确定多个变量之间的因果关系的方法。该方法包括：响应于采集到与多个变量相关联的多个样本的数据集，获取描述多个变量之间的因果关系的矩阵，多个样本中的每个样本包括对应于多个变量的数据；基于数据集以及矩阵，确定与因果关系相关联的拟合度以及专家知识约束，其中专家知识约束包括针对矩阵中的两个变量之间的直接因果关系的边约束以及针对矩阵中的两个变量之间的间接因果关系的路径约束中的至少任一项；根据确定的拟合度和专家知识约束构建描述因果关系的问题公式；以及针对构建的问题公式进行求解以获得矩阵的候选结果。