欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025109588229
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于贝叶斯网络与神经网络的规则组件推荐方法,其特征在于,包括以下步骤:S1.历史规则数据拆分:解析历史规则数据,将每条历史规则数据分别拆分为历史组件序列保存于组件序列数据库中;针对历史组件序列分别提取组件之间的单向连接关系来构成组件知识图谱;使用频率分析算法SFP Tree从历史序列组件中获取频繁项集,针对频繁项集挖掘关联规则,并对应得到关联规则的置信度;

S2.贝叶斯网络构建:

S21.根据待推荐组件的上下文信息动态地从组件知识图谱中选择相关组件及组件之间的单向连接关系,来构成有向无环图来作为贝叶斯子网络;

S22.基于贝叶斯子网络中的节点间的关系,获取具有父节点的各子节点,针对每个子节点分别获取条件概率表,其中,基于S1得到的关联规则的置信度使用Noisy-OR模型获取各子节点的条件概率表,基于条件概率表和贝叶斯子网络构成贝叶斯网络;其中,使用Noisy-OR模型获取各子节点的条件概率表的具体方法为:将任意一个子节点记作,其父节点集合记作,并设定的父节点之间无任何依赖关系:;

;

式中,指的第n个父节点,表示父节点集合中状态为1的节点集合,其中,若当前节点不出现,则将其节点状态记为0,出现则记为1,;为先验概率,由统计的边缘概率近似得到;边缘概率是支持度计数与事务集总数的比率,则:;

根据当前贝叶斯子图中关联规则的置信度,分别得到在任意一个父节点状态为1作为前项的情况下,其子节点状态为1的概率,记作,根据和Noisy-OR模型计算得到的概率得到各个节点状态下对应的条件概率,整理得到条件概率表;

S23.基于贝叶斯公式和条件概率表,计算待推荐组件的推荐概率,并按照推荐概率的大小进行推送;

S3.神经网络训练与构建:通过数据增强来扩展训练数据集,使用基于LSTM单元的循环神经网络作为整体框架;

S4.推荐结果融合:分别采用贝叶斯网络算法和神经网络算法进行推荐获得推荐结果,基于用户所采纳的推荐结果对应的推荐算法的频率融合贝叶斯网络和神经网络的推荐结果。

2.根据权利要求1所述的一种基于贝叶斯网络与神经网络的规则组件推荐方法,其特征在于,S1的具体内容包括:S11.通过采用解析器将xml文件形式的历史规则数据解析为抽象语法树;

S12.将抽象语法树在流程控制节点处进行截断,抽取出历史组件序列;

S13.将所得到的历史组件序列按照组件ID列表的形式保存于组件序列数据库中。

3.根据权利要求1所述的一种基于贝叶斯网络与神经网络的规则组件推荐方法,其特征在于,获取组件知识图谱的具体内容包括:以组件作为组件知识图谱中的实体E,以各组件之间的单向连接关系作为联系R,从S1挖掘得到的历史组件序列中,依次提取组件关系,并构成组件知识图谱。

4.根据权利要求1所述的一种基于贝叶斯网络与神经网络的规则组件推荐方法,其特征在于,使用频率分析算法SFP Tree从历史序列组件中获取频繁项集,针对频繁项集挖掘关联规则,并对应得到关联规则的置信度的具体内容包括:(1)初始化组件序列数据库,在组件序列数据库中历史组件序列格式化为ID列表的形式,其中,将一个历史组件序列记作一个事务,其中I为中任意一个组件,记作项,初始化最小置信度和最小支持度;

(2)生成项头表:遍历组件序列数据库,获取每个组件出现的次数即得到每个组件的支持度,根据最小支持度删去非频繁项保留频繁项,获取每个频繁项组件的表头链,构建生成项头表;

(3)生成SFP Tree并创建项头表的表头链:再次遍历组件序列数据库,将每个事务中保留的频繁项按照当前事务中的序列关系添加到SFP-Tree中,根节点为null,第一个序列直接挂在树根上,每个节点计数均为1;再挂下一个序列,如果发现树中存在相同的节点,则从相同的节点处开始挂,相应节点的计数加1,直到所有的序列都挂载完成;

(4)将最低端的节点与树中相同的其他节点进行关联,并最终将所有的节点与项头表的表头链进行关联,得到最终的SFP-Tree;

(5)遍历SFP Tree生成条件模式基、候选项集、频繁项集:从项头表的尾项开始,依次得到各项的条件模式基,即包含该项的路径的集合,然后对条件模式基遍历获取序列项,期间进行以下判断:① 若候选项集包含与当前序列项相同的项,则进行下一步,如果不存在,就在集合中新增一个对象,保存该序列项组成的项集以及当前序列的支持度;

②若存在包含相同项的候选项集,将该项集的支持度计数加上当前序列项的支持度计数,再进一步判断当前候选项集中是否存在与该序列项一致的序列,若存在,则将该项的支持度计数加上当前序列项的支持度计数;若不存在,则新增一项,保存当前序列项及其支持度计数;

③进行候选项集的删减,若候选项集的支持度计数大于等于最小支持度则保留;

(6)针对频繁项集挖掘关联规则,并对应得到关联规则的置信度;其中关联规则的置信度计算方法为:;

式中,表示项或项集,是有序序列;表示的序列支持度计数;表示频繁项,表示先于出现时的支持度计数;表示和同时出现,且先于出现的置信度,即概率。

5.根据权利要求1所述的一种基于贝叶斯网络与神经网络的规则组件推荐方法,其特征在于,S3的具体内容包括:S31.构建训练数据格式:将待推荐组件的位置通过MASK进行标识,并将待推荐组件的上下文信息分别插入MASK标识前后形成训练组件序列作为训练数据;

S32.将通过规则历史大数据挖掘得到的组件序列进行组件序列拆分,得到子序列,在各个子序列的各个位置加上MASK标识,根据训练数据格式得到各个子序列对应的训练数据的输入数据,分别对输入数据通过标签进行标注;

S33.将输入数据及对应的标签输入至神经网络模型进行训练,得到训练后的RNN模型。

6.根据权利要求5所述的一种基于贝叶斯网络与神经网络的规则组件推荐方法,其特征在于,S32的具体内容包括:将一个组件序列拆分为多个子序列,其中子序列由组件序列中的任意两个或两个以上的组件构成;

子序列个数如下式所示:

;

式中,为组件序列中的个数,为子序列中的个数。

7.根据权利要求1所述的一种基于贝叶斯网络与神经网络的规则组件推荐方法,其特征在于,S33中神经网络模型包括:嵌入层、编码层、解码层、全连接层以及输出层;

嵌入层,用于将高位的稀疏标识转换为低维的密集向量标识,通过密集向量标识捕捉数据之间的相似性和结构信息;同时用于提取数据的本质特征;

编码层和解码层均为由LSTM单元构成的RNN;

解码层用于:捕捉输入序列中的长期依赖关系,并为后续解码或分类任务提供有意义的上下文标识;信息选择性保留与更新;生成上下文向量,上下文向量保存着整个输入序列的关键信息,并作为后续解码器的输入状态或直接输入;处理边长输入,接受任意长度的输入序列;

解码层通过递归地处理每一个时间步来生成目标序列中的下一个元素:在每个时间步,解码器首先接收前一时间步生成的目标序列元素,结合当前的上下文向量和全连接层输出预测的下一个目标序列元素的概率分布,并更新内部状态,包括隐藏状态和细胞状态,准备下一个时间步;

输出层采用softmax操作,通过softmax操作将概率大于预设概率阈值的组件作为输出,通过输出层进行输出,给出推荐结果。

8.根据权利要求1所述的一种基于贝叶斯网络与神经网络的规则组件推荐方法,其特征在于,S4的具体内容包括:S41.获取用户推荐需求,分别通过贝叶斯网络推荐算法和神经网络推荐算法得到推荐结果;

S42.采集用户所采纳的推荐结果对应的推荐算法的频次,根据频次分别获取贝叶斯网络推荐算法和神经网络推荐算法与所有推荐结果的总组件数之间的权重,根据权重调整推荐算法的推荐结果个数。

9.根据权利要求1所述的一种基于贝叶斯网络与神经网络的规则组件推荐方法,其特征在于,S42的具体内容包括:若所有推荐结果的总组件数为,贝叶斯网络推荐算法所推荐的结果被采纳频率为,神经网络所推荐的结果被采纳频率为,则:;

其中,表示贝叶斯网络推荐算法的推荐组件数最大值;表示调整后神经网络推荐算法的推荐组件数最大值。