产品质量的根因分析方法、装置和电子设备

技术领域

本公开涉及人工智能技术领域，尤其涉及机器学习、数据处理技术领域，尤其涉及一种产品质量的根因分析方法、装置、电子设备、存储介质和计算机程序产品。

背景技术

目前，产品质量的根因分析，对于提升产品质量至关重要。然而，随着产品的制造工艺复杂度的提升，比如工艺环节的增加、原材料的类别的增加等，导致产品质量的根因分析难度较大，相关技术中，大多依赖用户的主观经验来进行根因分析，对于用户的经验积累要求较高，且存在准确性低的问题。

发明内容

本公开提供了一种产品质量的根因分析方法、装置、电子设备、存储介质和计算机程序产品。

根据本公开的一方面，提供了一种产品质量的根因分析方法，包括：获取产品的目标数据；获取所述产品的多个候选特征，其中，所述候选特征影响所述产品的质量；基于所述目标数据，得到所述候选特征的总重要性参数，其中，所述总重要性参数用于表征所述候选特征对所述产品的质量的重要性；基于所述总重要性参数，从多个所述候选特征中筛选出目标特征。

根据本公开的另一方面，提供了一种产品质量的根因分析装置，包括：第一获取模块，用于获取产品的目标数据；第二获取模块，用于获取所述产品的多个候选特征，其中，所述候选特征影响所述产品的质量；分析模块，用于基于所述目标数据，得到所述候选特征的总重要性参数，其中，所述总重要性参数用于表征所述候选特征对所述产品的质量的重要性；筛选模块，用于基于所述总重要性参数，从多个所述候选特征中筛选出目标特征。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行产品质量的根因分析方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行产品质量的根因分析方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现产品质量的根因分析方法的步骤。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的产品质量的根因分析方法的流程示意图；

图2是根据本公开第二实施例的产品质量的根因分析方法的流程示意图；

图3是根据本公开第三实施例的产品质量的根因分析方法的流程示意图；

图4是根据本公开第四实施例的产品质量的根因分析方法的示意图；

图5是根据本公开第五实施例的产品质量的根因分析方法的流程示意图；

图6是根据本公开第五实施例的产品质量的根因分析方法中因果图的示意图；

图7是根据本公开第一实施例的产品质量的根因分析装置的框图；

图8是用来实现本公开实施例的产品质量的根因分析方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

AI(Artificial Intelligence，人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。

ML(Machine Learning，机器学习)是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一。涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。

数据处理(Data Processing)的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据，包括数据的采集、存储、检索、加工、变换和传输等。

图1是根据本公开第一实施例的产品质量的根因分析方法的流程示意图。

如图1所示，本公开第一实施例的产品质量的根因分析方法，包括：

S101，获取产品的目标数据。

需要说明的是，本公开实施例的产品质量的根因分析方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选地，执行主体可包括工作站、服务器，计算机、用户终端及其他智能设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。

需要说明的是，对产品、目标数据均不做过多限定，比如，产品可包括化工产品、机械设备、电子产品等。比如，目标数据可包括原材料数据、工艺数据、环境数据、测试数据等。其中，原材料数据可包括物料批次号、物料号、物料参数等，物料参数可包括内径、直径、高度、弹力、强度等，测试数据可包括产品的生命周期内的至少一个环节的测试数据，其中，环节可包括生产环节、成品测试环节等。

在一种实施方式中，可预先建立产品的目标数据和产品之间的映射关系或者映射表，在对产品的产品质量进行根因分析时，可基于产品查询上述映射关系或者映射表，将查询到的目标数据确定为产品的目标数据。

在一种实施方式中，获取产品的目标数据，可包括获取产品的原始数据，对原始数据进行数据预处理，生成产品的目标数据。应说明的是，对数据预处理的具体方式不做过多限定，比如，可采用相关技术中的至少一种数据预处理方式来实现，可包括数据清洗、缺失值填充、归一化、离散化等。

S102，获取产品的多个候选特征，其中，候选特征影响产品的质量。

需要说明的是，候选特征影响产品的质量，对候选特征不做过多限定，比如，可包括物料参数、工艺参数、环境参数等。

需要说明的是，对候选特征的数量不做过多限定，比如，候选特征可为10个、20个等。

S103，基于目标数据，得到候选特征的总重要性参数，其中，总重要性参数用于表征候选特征对产品的质量的重要性。

需要说明的是，每个候选特征的总重要性参数为一个，不同的候选特征可对应不同的总重要性参数。对总重要性参数的取值范围不做过多限定，比如，总重要性参数的取值范围为-1至1。

需要说明的是，总重要性参数用于表征候选特征对产品的质量的重要性。比如，总重要性参数与候选特征对产品的质量的重要性正相关或者负相关。在一种实施方式中，总重要性参数越大，对应的候选特征对产品的质量的重要性越强，反之，总重要性参数越小，对应的候选特征对产品的质量的重要性越弱。

在一种实施方式中，基于目标数据，得到候选特征的总重要性参数，包括构建候选特征的重要性评估指标体系，基于重要性评估指标体系，得到总重要性参数。应说明的是，对重要性评估指标体系不做过多限定。

在一种实施方式中，基于目标数据，得到候选特征的总重要性参数，包括将目标数据输入根因分析模型中，由根因分析模型输出候选特征的总重要性参数。应说明的是，对根因分析模型不做过多限定，比如，可包括机器学习模型、因果模型、统计模型等。其中，机器学习模型可包括GBDT(Gradient Boosting Decision Tree，梯度提升决策树)，因果模型可包括贝叶斯树模型，统计模型可包括卡方分布模型、相关系数模型等。相关系数模型可包括spearman相关系数(Spearman's rank correlation coefficient，斯皮尔曼等级相关系数)模型。根因分析模型可预先训练得到，也可实时训练得到。

S104，基于总重要性参数，从多个候选特征中筛选出目标特征。

需要说明的是，目标特征对产品的质量的重要性较强，即目标特征为影响产品的质量的关键特征，对目标特征的数量不做过多限定，比如，目标特征为至少一个。

在一种实施方式中，基于总重要性参数，从多个候选特征中筛选出目标特征，包括对多个候选特征按照总重要性参数进行降序排序，将排序前N个的候选特征确定为目标特征。应说明的是，对N不做过多限定，N为正整数，比如，N＝10。由此，该方法中可将总重要性参数最大的至少一个候选特征确定为目标特征。

综上，根据本公开实施例的产品质量的根因分析方法，获取产品的目标数据，获取产品的多个候选特征，其中，候选特征影响产品的质量，基于目标数据，得到候选特征的总重要性参数，其中，总重要性参数用于表征候选特征对产品的质量的重要性，基于总重要性参数，从多个候选特征中筛选出目标特征。由此，可基于产品的目标数据，得到候选特征的总重要性参数，以从多个候选特征中筛选出目标特征，相较于相关技术中大多依赖用户的主观经验来进行根因分析，本方案中可对候选特征对产品的质量的重要性进行量化，得到总重要性参数，以进行根因分析，提高了产品质量的根因分析的准确性。

图2是根据本公开第二实施例的产品质量的根因分析方法的流程示意图。

如图2所示，本公开第二实施例的产品质量的根因分析方法，包括：

S201，获取产品的目标数据。

S202，获取产品的多个候选特征，其中，候选特征影响产品的质量。

步骤S201-S202的相关内容可参见上述实施例，这里不再赘述。

S203，基于目标数据，得到候选特征和产品的质量标签之间的关联关系。

需要说明的是，对产品的质量标签不做过多限定，比如，质量标签可包括良、不良，或者，质量标签可包括优、良、中、差，或者，质量标签可包括合格、不合格。

需要说明的是，对关联关系不做过多限定。比如，关联关系可为数值，即本方案中可对关联关系进行量化，数值越大，表明关联关系越强。

在一种实施方式中，目标数据包括多组数据，每组数据包括候选特征、产品的质量标签。基于目标数据，得到候选特征和产品的质量标签之间的关联关系，包括获取候选特征、质量标签隶属于同一组数据的第一组数，基于第一组数，得到关联关系。

比如，目标数据包括(候选特征1，质量标签A)、(候选特征2，质量标签A)、(候选特征1，质量标签B)、(候选特征1，质量标签B)，即目标数据包括4组数据，则候选特征1、质量标签A隶属于同一组数据的第一组数为1，候选特征1、质量标签B隶属于同一组数据的第一组数为2，候选特征2、质量标签A隶属于同一组数据的第一组数为1，候选特征2、质量标签B隶属于同一组数据的第一组数为0。

在一些例子中，基于第一组数，得到关联关系，包括若第一组数大于或者等于设定阈值，则关联关系为第一关联关系，反之，若第一组数小于设定阈值，则关联关系为第二关联关系。其中，第一关联关系相较于第二关联关系更强。

在一些例子中，基于第一组数，得到关联关系，包括基于第一组数所处的设定区间和关联关系之间的对应关系，得到关联关系。可以理解的是，可预先将第一组数划分为多个设定区间，任意两个设定区间对应不同的关联关系。

S204，基于关联关系，得到总重要性参数。

需要说明的是，不同的关联关系，对应的候选特征的总重要性参数可能不同。

在一种实施方式中，基于关联关系，得到总重要性参数，包括基于关联关系和总重要性参数之间的对应关系，得到总重要性参数。

在一种实施方式中，关联关系为数值，基于关联关系，得到总重要性参数，包括基于关联关系所处的设定区间和总重要性参数之间的对应关系，得到总重要性参数。

在一种实施方式中，质量标签为多个，基于关联关系，得到总重要性参数，包括基于候选特征和多个质量标签之间的关联关系，得到总重要性参数。由此，该方法中可综合考虑到候选特征和多个质量标签之间的关联关系，得到总重要性参数，提高了总重要性参数的准确性。

在一些例子中，基于候选特征和多个质量标签之间的关联关系，得到总重要性参数，包括基于候选特征和质量标签之间的关联关系，得到候选特征的子重要性参数，对多个子重要性参数进行加权平均，得到总重要性参数。

比如，若候选特征1和质量标签A之间的关联关系为第一关联关系，则可确定候选特征1的子重要性参数为0.5，若候选特征1和质量标签B之间的关联关系为第二关联关系，则可确定候选特征1的子重要性参数为1，候选特征1的子重要性参数包括0.5、1，对0.5、1进行加权平均，得到候选特征1的总重要性参数为0.75。

S205，基于总重要性参数，从多个候选特征中筛选出目标特征。

综上，根据本公开实施例的产品质量的根因分析方法，可基于目标数据，得到候选特征和产品的质量标签之间的关联关系，以得到总重要性参数。

图3是根据本公开第三实施例的产品质量的根因分析方法的流程示意图。

如图3所示，本公开第三实施例的产品质量的根因分析方法，包括：

S301，获取产品的目标数据。

S302，获取产品的多个候选特征，其中，候选特征影响产品的质量。

步骤S301-S302的相关内容可参见上述实施例，这里不再赘述。

S303，基于目标数据，得到候选特征的多个子重要性参数。

在一种实施方式中，如图4所示，根因分析模型包括机器学习模型、因果模型和统计模型，其中，统计模型包括卡方分布模型、相关系数模型，基于目标数据，得到候选特征的多个子重要性参数，可包括将目标数据分别输入机器学习模型、因果模型、卡方分布模型、相关系数模型中，由机器学习模型、因果模型、卡方分布模型、相关系数模型分别输出候选特征的第一子重要性参数1、第一子重要性参数2、第二子重要性参数、第三子重要性参数。

在一种实施方式中，基于目标数据，得到候选特征的多个子重要性参数，可包括如下几种可能的实施方式：

方式1、基于目标数据，得到产品的特征包括候选特征的情况下，产品的质量在质量标签下的第一概率，基于第一概率，得到候选特征的第一子重要性参数。

由此，该方法中可基于目标数据，得到第一概率，以得到第一子重要性参数。

在一些例子中，可将目标数据分别输入机器学习模型、因果模型中，由机器学习模型基于目标数据，得到第一概率，基于第一概率，得到候选特征的第一子重要性参数1，并由因果模型基于目标数据，得到第一概率，基于第一概率，得到候选特征的第一子重要性参数2。

在一些例子中，目标数据包括多组数据，每组数据包括候选特征、产品的质量标签。基于目标数据，得到产品的特征包括候选特征的情况下，产品的质量在质量标签下的第一概率，包括获取候选特征、质量标签隶属于同一组数据的第一组数，将第一组数与目标数据包括的数据的总组数的比值，确定为第一概率。

在一些例子中，基于目标数据，得到产品的特征包括候选特征的情况下，产品的质量在质量标签下的第一概率，包括基于目标数据，得到产品的特征包括候选特征的第二概率，以及产品的质量在质量标签下的第三概率，以及产品的质量在质量标签的情况下，产品的特征包括候选特征的第四概率，基于第二概率、第三概率和第四概率，得到第一概率。应说明的是，第二概率、第三概率均为先验概率、第一概率、第四概率均为后验概率。由此，该方法中可综合考虑到第二概率、第三概率和第四概率，来得到第一概率，提高了第一概率的准确性。

在一些例子中，目标数据包括多组数据，每组数据包括候选特征、产品的质量标签，可获取候选特征所在的组数据的第二组数，将第二组数与目标数据包括的数据的总组数的比值，确定为第二概率。可获取质量标签所在的组数据的第三组数，将第三组数与目标数据包括的数据的总组数的比值，确定为第三概率。可获取候选特征、质量标签隶属于同一组数据的第一组数，将第一组数与目标数据包括的数据的总组数的比值，确定为第四概率。

在一些例子中，基于第一概率，得到候选特征的第一子重要性参数，可包括基于第一概率所处的设定区间和第一子重要性参数之间的对应关系，得到第一子重要性参数。

在一些例子中，质量标签为多个，基于第一概率，得到候选特征的第一子重要性参数，包括基于候选特征对应的多个第一概率，得到候选特征的第一子重要性参数。比如，可对候选特征对应的多个第一概率进行加权平均，得到第一子重要性参数。

方式2、基于目标数据，得到产品的质量在质量标签的情况下，产品的特征包括候选特征的第四概率，基于第四概率，得到候选特征和质量标签之间的卡方系数，基于卡方系数，得到候选特征的第二子重要性参数。

由此，该方法中可基于目标数据，得到第四概率，基于第四概率，得到卡方系数，以得到第二子重要性参数。

需要说明的是，基于目标数据得到第四概率的相关内容，可参见上述实施例，这里不再赘述。

在一些例子中，可将目标数据输入卡方分布模型中，由卡方分布模型基于目标数据，得到第四概率，基于第四概率，得到候选特征的卡方系数，基于卡方系数，得到候选特征的第二子重要性参数。

在一些例子中，可基于目标数据，得到产品的质量在质量标签A的情况下，产品的特征包括候选特征1的第四概率，基于上述第四概率，得到候选特征1和质量标签A之间的卡方系数，还可基于目标数据，得到产品的质量在质量标签B的情况下，产品的特征包括候选特征1的第四概率，基于上述第四概率，得到候选特征1和质量标签B之间的卡方系数。

需要说明的是，基于第四概率得到卡方系数的相关内容，可采用相关技术中的任一卡方系数的获取方式来实现，这里不再赘述。

在一些例子中，基于卡方系数，得到候选特征的第二子重要性参数，可包括将卡方系数确定为第二子重要性参数。

在一些例子中，质量标签为多个，基于卡方系数，得到候选特征的第二子重要性参数，包括基于候选特征对应的多个卡方系数，得到候选特征的第二子重要性参数。比如，可对候选特征对应的多个卡方系数进行加权平均，得到第二子重要性参数。

方式3、基于目标数据，得到候选特征和产品的质量标签之间的相关系数，基于相关系数，得到候选特征的第三子重要性参数。

由此，该方法中可基于目标数据，得到相关系数，以得到第三子重要性参数。

在一些例子中，可将目标数据输入相关系数模型，由相关系数模型基于目标数据，得到相关系数，以得到第三子重要性参数。

需要说明的是，对基于目标数据得到相关系数的相关内容，可采用相关技术中的任一相关系数的获取方式来实现，这里不再赘述。

在一些例子中，基于相关系数，得到候选特征的第三子重要性参数，可包括将相关系数确定为第三子重要性参数。

在一些例子中，质量标签为多个，基于相关系数，得到候选特征的第三子重要性参数，包括基于候选特征对应的多个相关系数，得到候选特征的第三子重要性参数。比如，可对候选特征对应的多个相关系数进行加权平均，得到第三子重要性参数。

S304，对多个子重要性参数进行加权平均，得到总重要性参数。

继续以图4为例，可对第一子重要性参数1、第一子重要性参数2、第二子重要性参数、第三子重要性参数进行加权平均，得到总重要性参数。

S305，基于总重要性参数，从多个候选特征中筛选出目标特征。

综上，根据本公开实施例的产品质量的根因分析方法，可基于目标数据，多次获取候选特征的子重要性参数，以得到多个子重要性参数，并对多个子重要性参数进行加权平均，得到总重要性参数，即可综合考虑到候选特征的多个子重要性参数来得到总重要性参数，提高了总重要性参数的准确性。

图5是根据本公开第五实施例的产品质量的根因分析方法的流程示意图。

如图5所示，本公开第五实施例的产品质量的根因分析方法，包括：

S501，获取产品的目标数据。

S502，获取产品的多个候选特征，其中，候选特征影响产品的质量。

步骤S501-S502的相关内容可参见上述实施例，这里不再赘述。

S503，基于每个候选特征，构建因果图，其中，因果图的第一节点用于表征候选特征，因果图的第二节点用于表征产品的质量，第一节点、第二节点之间的边用于表征候选特征和产品的质量之间的关联关系。

需要说明的是，对因果图不做过多限定，比如，因果图可包括无向图、有向图、同构图、异构图等。

可以理解的是，第一节点与候选特征一一对应，即第一节点的数量与候选特征的数量相等，第一节点为多个，第二节点为一个。需要说明的是，对候选特征和产品的质量之间的关联关系不做过多限定，比如，可包括候选特征影响产品的质量(即候选特征为原因，产品的质量为结果)。

在一种实施方式中，第一节点、第二节点之间的边为第一节点指向第二节点的边。

在一些例子中，因果图如图6所示，第一节点包括v

在一种实施方式中，第一节点的节点属性包括候选特征的总重要性参数、子重要性参数等。

S504，基于目标数据，得到产品的特征包括第一候选特征的情况下，产品的特征包括第二候选特征的第五概率。

在一种实施方式中，目标数据包括多组数据，每组数据包括候选特征、产品的质量标签。基于目标数据，得到产品的特征包括第一候选特征的情况下，产品的特征包括第二候选特征的第五概率，包括获取第一候选特征、第二候选特征隶属于同一组数据的第四组数，将第四组数与目标数据包括的数据的总组数的比值，确定为第五概率。

在一种实施方式中，基于目标数据，得到产品的特征包括第一候选特征的情况下，产品的特征包括第二候选特征的第五概率，包括基于目标数据，得到产品的特征包括第一候选特征的第六概率，以及产品的特征包括第二候选特征的第七概率，以及产品的特征包括第二候选特征的情况下，产品的特征包括第一候选特征的第八概率，基于第六概率、第七概率和第八概率，得到第五概率。应说明的是，第六概率、第七概率均为先验概率、第五概率、第八概率均为后验概率。由此，该方法中可综合考虑到第六概率、第七概率和第八概率，来得到第五概率，提高了第五概率的准确性。

需要说明的是，第六、第七概率的获取过程，可参见上述实施例中第二概率的获取过程，第八概率的获取过程，可参见上述实施例中第四概率的获取过程，这里不再赘述。

S505，基于第五概率，确定第一候选特征和第二候选特征之间存在关联关系。

需要说明的是，对第一候选特征、第二候选特征之间的关联关系不做过多限定，比如，可包括第一候选特征影响第二候选特征(即第一候选特征为原因，第二候选特征为结果)，第二候选特征影响第一候选特征(即第二候选特征为原因，第一候选特征为结果)等。

在一种实施方式中，基于第五概率，确定第一候选特征和第二候选特征之间存在关联关系，包括若第五概率大于或者等于设定阈值，确定第一候选特征和第二候选特征之间存在关联关系。

S506，在第一候选特征对应的节点和第二候选特征对应的节点之间增加连接边，以更新因果图，任意两个第二节点之间的边用于表征任意两个候选特征之间的关联关系。

在一种实施方式中，在第一候选特征对应的节点和第二候选特征对应的节点之间增加连接边，包括响应于第一候选特征和第二候选特征之间的关联关系为第一候选特征影响第二候选特征，在因果图中增加第一候选特征对应的节点指向第二候选特征对应的节点的连接边；反之，响应于第一候选特征和第二候选特征之间的关联关系为第二候选特征影响第一候选特征，在因果图中增加第二候选特征对应的节点指向第一候选特征对应的节点的连接边。

继续以图6为例，若第一节点v

若候选特征1和候选特征4之间的关联关系为候选特征4影响候选特征1，则边e

综上，根据本公开实施例的产品质量的根因分析方法，基于目标数据，得到第五概率，以确定第一候选特征和第二候选特征之间存在关联关系，并在第一候选特征对应的节点和第二候选特征对应的节点之间增加连接边，以更新因果图，从而因果图可体现出候选特征和产品的质量之间的关联关系，还可体现出多个候选特征之间的关联关系。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种产品质量的根因分析装置，用于实现上述的产品质量的根因分析方法。

图7是根据本公开第一实施例的产品质量的根因分析装置的框图。

如图7所示，本公开实施例的产品质量的根因分析装置700，包括：第一获取模块701、第二获取模块702、分析模块703和筛选模块704。

第一获取模块701用于获取产品的目标数据；

第二获取模块702用于获取所述产品的多个候选特征，其中，所述候选特征影响所述产品的质量；

分析模块703用于基于所述目标数据，得到所述候选特征的总重要性参数，其中，所述总重要性参数用于表征所述候选特征对所述产品的质量的重要性；

筛选模块704用于基于所述总重要性参数，从多个所述候选特征中筛选出目标特征。

在本公开的一个实施例中，所述分析模块703还用于：基于所述目标数据，得到所述候选特征和所述产品的质量标签之间的关联关系；基于所述关联关系，得到所述总重要性参数。

在本公开的一个实施例中，所述质量标签为多个，所述分析模块703还用于：基于所述候选特征和多个质量标签之间的关联关系，得到所述总重要性参数。

在本公开的一个实施例中，所述分析模块703还用于：基于所述目标数据，得到所述候选特征的多个子重要性参数；对多个所述子重要性参数进行加权平均，得到所述总重要性参数。

在本公开的一个实施例中，所述分析模块703还用于：基于所述目标数据，得到所述产品的特征包括所述候选特征的情况下，所述产品的质量在质量标签下的第一概率；基于所述第一概率，得到所述候选特征的第一子重要性参数。

在本公开的一个实施例中，所述分析模块703还用于：基于所述目标数据，得到所述产品的特征包括所述候选特征的第二概率，以及所述产品的质量在所述质量标签下的第三概率，以及所述产品的质量在所述质量标签的情况下，所述产品的特征包括所述候选特征的第四概率；基于所述第二概率、所述第三概率和所述第四概率，得到所述第一概率。

在本公开的一个实施例中，所述分析模块703还用于：基于每个所述候选特征，构建因果图，其中，所述因果图的第一节点用于表征所述候选特征，所述因果图的第二节点用于表征所述产品的质量，所述第一节点、所述第二节点之间的边用于表征所述候选特征和所述产品的质量之间的关联关系；基于所述目标数据，得到所述产品的特征包括第一候选特征的情况下，所述产品的特征包括第二候选特征的第五概率；基于所述第五概率，确定所述第一候选特征和所述第二候选特征之间存在关联关系；在所述第一候选特征对应的节点和所述第二候选特征对应的节点之间增加连接边，以更新所述因果图，任意两个所述第二节点之间的边用于表征任意两个所述候选特征之间的关联关系。

在本公开的一个实施例中，所述分析模块703还用于：基于所述目标数据，得到所述产品的质量在质量标签的情况下，所述产品的特征包括所述候选特征的第四概率；基于所述第四概率，得到所述候选特征和所述质量标签之间的卡方系数；基于所述卡方系数，得到所述候选特征的第二子重要性参数。

在本公开的一个实施例中，所述分析模块703还用于：基于所述目标数据，得到所述候选特征和所述产品的质量标签之间的相关系数；基于所述相关系数，得到所述候选特征的第三子重要性参数。

在本公开的一个实施例中，所述目标数据包括多组数据，每组数据包括所述候选特征、所述产品的质量标签。

综上，本公开实施例的产品质量的根因分析装置，获取产品的目标数据，获取产品的多个候选特征，其中，候选特征影响产品的质量，基于目标数据，得到候选特征的总重要性参数，其中，总重要性参数用于表征候选特征对产品的质量的重要性，基于总重要性参数，从多个候选特征中筛选出目标特征。由此，可基于产品的目标数据，得到候选特征的总重要性参数，以从多个候选特征中筛选出目标特征，相较于相关技术中大多依赖用户的主观经验来进行根因分析，本方案中可对候选特征对产品的质量的重要性进行量化，得到总重要性参数，以进行根因分析，提高了产品质量的根因分析的准确性。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如图1至图6所述的产品质量的根因分析方法。例如，在一些实施例中，产品质量的根因分析方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的产品质量的根因分析方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行产品质量的根因分析方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现本公开上述实施例所述的产品质量的根因分析方法的步骤。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。