貝葉斯學習及其在個性化搜索和推薦應用研究.pdf

1、貝葉斯學習是機器學習理論中的重要研究方向。它以貝葉斯法則為基礎，通過已了解的數據分布的先驗知識，結合樣本訓練數據來估算出整體數據的數學模型。貝葉斯學習的結果是獲得一組變量的聯合概率分布。貝葉斯學習由于其用概率的形式來表示不確定知識，故對不確定形式的問題它有獨特的描述和計算優(yōu)勢。通過貝葉斯學習模型來計算一組輸入，模型會給出每種解結果可能發(fā)生的概率值，而不是單一的給出一個確切解。個性化搜索和推薦是當下互聯網研究的一個熱點，其對搜索引擎、電子

2、商務等有重要意義。由于每個人的選擇傾向會受到各種因素的影響，故個性化定制問題也是一種不確定問題。正因此，筆者在深入研究貝葉斯學習相關理論的同時，重點探究了貝葉斯學習對個性化搜索和推薦的應用性。
　　論文的主要內容和創(chuàng)新如下：
　　1.研究了貝葉斯分類器理論及其在個性化搜索應用，設計了一種應用于商品分類的貝葉斯分類器，該分類器將表示商品的屬性分為兩類：一種是文字描述屬性，用來表述商品名稱、簡介和評價等；令一種是表示離散量的屬性

3、，如價格、銷量等。對于文本描述屬性，分類器依據經典貝葉斯文本分類器方法計算分類概率，然后與其它離散屬性的分類概率相乘。經過該分類器對商品分類，可以實現對商品添加更具目標性的描述標簽，從而既可以豐富用戶定位商品的術語選擇，也有利于個性化搜索引擎解析用戶描述語義，返回個性化搜索結果。
　　2.研究了貝葉斯信念網絡及其在個性化推薦應用，設計了一種根據全網客戶的購買記錄來構造一個描述用戶購買行為的貝葉斯網絡。對于推薦行為，算法的本質思想是