一种增强贝叶斯网络结构学习的自动变量序调整算法

现有的混合结构学习算法受制于变量的邻居集,导致混合结构学习算法在约束学习阶段,若变量的邻居集没有包含真实结构的节点,该节点将再也不会被考虑.为改进这一问题,通过探索贝叶斯网络结构与节点影响度间存在的可能性关系,设计基于节点影响度的变量序调整方法并将调整后的变量序应用于网络结构学习.调整后的变量序在减少搜索空间的同时,也改善了传统约束空间过于依赖变量邻居集的问题,进而提升网络结构的学习质量.实验结果表明,该算法能有效地提升现有混合结构学习算法的精度,同时也验证了从节点影响度的角度去探索贝叶斯网络结构图的可行性.