[发明专利]标签联合概率分析方法及系统

权利要求书

1.一种标签联合概率分析方法，其特征在于，包括：

通过多种渠道获取标签数据，根据每个渠道对应的渠道权重计算所述标签数据的概率分布，生成标签概率统计表；

对所有标签数据进行分组组合，根据标签组合对所述标签概率统计表进行拆分得到多个标签概率子表，计算所有标签概率子表的联合概率；

综合所有标签概率子表的联合概率计算获取标签概率矩阵；

所述对所有标签数据进行分组组合，根据标签组合对所述标签概率统计表进行拆分得到多个标签概率子表，包括：

将每个用户的三个标签数据进行标签组合，合成标签三元组；

根据标签三元组对所述标签概率统计表进行拆分得到多个标签概率子表；

所述计算所有标签概率子表的联合概率，包括：

计算所述标签三元组的相对熵；其中，所述相对熵的计算公式为：

结合所述标签组合中预设的有效标签的相对熵权重和标签三元组的相对熵计算所有标签概率子表的联合概率；计算公式为：

其中，A、B、C表示标签属性；KL(P_i||P_θ)表示标签三元组的相对熵；P_i表示用户i的概率；A_l表示A标签属性的l标签；B_m表示B标签属性的m标签；C_n表示C标签属性的n标签；表示标签概率子表的联合概率；λ_i是用户i的有效标签的相对熵权重；

所述综合所有标签概率子表的联合概率计算获取标签概率矩阵，包括：

将所述所有标签概率子表的联合概率分解为基于所述标签属性的单元概率函数的连乘与用于计算残差的神经网络函数的和，计算公式为

其中，所述单元概率函数的计算公式为：

其中，A(i_n)单元概率函数、Z是归一化因子。

2.根据权利要求1所述的方法，其特征在于，确定所述单元概率函数与用于计算残差的神经网络函数后，如果已知任意标签组合X，那么对任意未知标签组合Y求解条件概率；计算公式为

3.根据权利要求2所述的方法，其特征在于，还包括：

实时根据训练或实践结果迭代更新训练权重，以更新用于计算残差的神经网络函数。

4.一种标签联合概率分析系统，其特征在于，包括：

生成模块，用于通过多种渠道获取标签数据，根据每个渠道对应的渠道权重计算所述标签数据的概率分布，生成标签概率统计表；

拆分模块，用于对所有标签数据进行分组组合，根据标签组合对所述标签概率统计表进行拆分得到多个标签概率子表，计算所有标签概率子表的联合概率；

计算模块，用于综合所有标签概率子表的联合概率计算获取标签概率矩阵；

所述对所有标签数据进行分组组合，根据标签组合对所述标签概率统计表进行拆分得到多个标签概率子表，包括：

将每个用户的三个标签数据进行标签组合，合成标签三元组；

根据标签三元组对所述标签概率统计表进行拆分得到多个标签概率子表；

所述计算所有标签概率子表的联合概率，包括：

计算所述标签三元组的相对熵；其中，所述相对熵的计算公式为：

结合所述标签组合中预设的有效标签的相对熵权重和标签三元组的相对熵计算所有标签概率子表的联合概率；计算公式为：

其中，A、B、C表示标签属性；KL(P_i||P_θ)表示标签三元组的相对熵；P_i表示用户i的概率；A_l表示A标签属性的l标签；B_m表示B标签属性的m标签；C_n表示C标签属性的n标签；表示标签概率子表的联合概率；λ_i是用户i的有效标签的相对熵权重；

所述综合所有标签概率子表的联合概率计算获取标签概率矩阵，包括：

将所述所有标签概率子表的联合概率分解为基于所述标签属性的单元概率函数的连乘与用于计算残差的神经网络函数的和，计算公式为

其中，所述单元概率函数的计算公式为：

其中，A(i_n)单元概率函数、Z是归一化因子。