1、在過去的數(shù)年間,大量的研究集中在基于數(shù)據(jù)驅動的方式發(fā)現(xiàn)因果貝葉斯網(wǎng)絡。因果關系揭示了系統(tǒng)要素作用的本質,因果結構學習已成為貝葉斯網(wǎng)絡學習中一種重要的結構學習方法。但是從數(shù)據(jù)中學習全局貝葉斯網(wǎng)絡是一個NP難題,并且人們通常僅關心其感興趣的變量的局部因果結構。因此,學習貝葉斯網(wǎng)絡中關于目標變量的局部因果結構成為該領域的一個重要研究內(nèi)容。局部因果結構學習方法可以應用于發(fā)現(xiàn)經(jīng)濟領域的因果知識。發(fā)現(xiàn)目標變量的局部因果結構是一個充滿挑戰(zhàn)性的問題,同

2、時也具有重要的科學意義和較高的應用價值。
　　論文中,將針對目標變量局部因果結構學習展開一系列的探討。局部因果結構學習主要包括兩個方面:一是,從數(shù)據(jù)中獲取關于目標變量的局部模型;二是,發(fā)現(xiàn)局部模型中變量間的因果關系。針對這兩個方面的研究內(nèi)容,本文所開展的研究工作具體如下:
　　第一,為了能夠有效的學習網(wǎng)絡中目標變量的局部因果結構,提出了基于擾動學習的局部因果結構學習方法(I-LCSL方法)。首先,利用馬爾可夫毯的結構劃分能力

3、從觀測數(shù)據(jù)中獲取目標變量的局部模型。其次,利用擾動學習的因果發(fā)現(xiàn)能力,從局部模型中隨機選擇一個擾動變量進行擾動,進而獲取一組擾動數(shù)據(jù)。最后,聯(lián)合觀測數(shù)據(jù)和擾動數(shù)據(jù),利用動態(tài)規(guī)劃算法學習關于變量的局部因果結構。利用邊的錯誤率對I-LCSL方法學習到的局部因果結構進行評估。
　　第二,針對現(xiàn)有方法都難以確定擾動節(jié)點的缺點,提出一種基于因果強度的局部因果結構主動學習方法(CSI-LCSL方法)。首先,尋找目標節(jié)點的馬爾可夫毯生成關于目標

4、節(jié)點的局部模型;其次,利用不對稱信息熵對局部模型中的每一節(jié)點進行因果強度分析,選取因果強度值較大的節(jié)點進行擾動,生成擾動數(shù)據(jù);再次,聯(lián)合擾動數(shù)據(jù)和觀測數(shù)據(jù)學習邊的后驗概率,從而獲得一個關于目標節(jié)點的局部因果網(wǎng)絡。最后,利用結構信息熵對CSI-LCSL方法的學習結果進行評估。
　　通過現(xiàn)實生活中的數(shù)據(jù),對本文所提出的方法進行了綜合評估。實驗表明,本文提出的方法能夠有效發(fā)現(xiàn)目標變量的局部因果結構,且學習結果優(yōu)于當前的其它算法。