[发明专利]基于隐变量模型的用户偏好提取方法

权利要求书

1.一种基于隐变量模型的用户偏好提取方法，其特征在于，包括以下步骤：

S1：根据需要从商品相关属性中选取N个属性构成商品属性集合V＝{X₁,X₂,…,X_N}，根据这N个属性的历史数据d构建得到贝叶斯网络有向无环图结构，并计算贝叶斯网络中每个节点的条件概率表；

S2：对贝叶斯网络搜索得到最大半团；

S3：向最大半团中插入表示用户偏好的隐变量L得到隐变量模型，L＝1表示用户喜好，L＝0表示用户不喜好；插入隐变量L的具体方法为：首先在最大半团中找到所有存在父亲节点的节点，将隐变量节点作为这些节点的父亲节点；然后找到最大半团中所有没有父亲节点的节点，将这些节点作为隐变量节点的父亲节点；

对隐变量模型进行参数学习，得到隐变量模型中各个节点的条件概率表；

S4：根据隐变量L的条件概率表，进行用户偏好提取：查找得到L＝1时，条件概率最大值对应的属性组合项，该项对应用户最喜好的商品类型；查找得到L＝0时，条件概率最大值对应的属性组合项，该项对应用户最不喜好的商品类型。

2.根据权利要求1所述的用户偏好提取方法，其特征在于，所述步骤S1中，贝叶斯网络的构建方法包括以下步骤：

S1.1：初始化一个以属性集合V＝{X₁,X₂,…,X_N}中各属性为节点、无边的图结构G＝(V,E)，E表示属性之间有向边的集合，此时初始化一个空列表H；

计算每一对节点的互信息I(X_i,X_j)，计算公式为：

I(Xi,Xj)=ΣXi,XjP(Xi,Xj)log2P(Xi,Xj)P(Xi)P(Xj)]]>

其中，i、j表示属性序号，取值范围为1≤i≠j≤N，P(X_i,X_j)表示表示属性X_i和X_j的取值都在历史数据d中出现的概率，P(X_i)、P(X_j)分别表示X_i、X_j的取值在历史数据d中出现的概率；

将互信息I(X_i,X_j)作为节点X_i、X_j之间边的权重，将其中I(X_i,X_j)＞ε的边按其权重由大到小排序，并放入列表H中，其中ε为给定的互信息阈值；对于列表H中每条边对应的节点对，如果它们之间不存在开放路径，则将对应边添加到边集合E中，从而得到初始的有向无环图G，同时从列表H中删除该节点对；将处理完之后的列表H记为H₁；

S1.2：如果贝叶斯网络结构构建完毕，否则进入步骤S1.3；

S1.3：对列表H₁中的每个节点对进行以下操作：

记节点对为(X_i,X_j)，在当前有向无环图G中搜索得到节点X_i和X_j的最小割集C，然后计算节点X_i和X_j在最小割集C下的条件互信息I(X_i,X_j|C)，其计算公式为：

I(Xi,Xj|C)=ΣXi,Xj(i≠j)(P(Xi,Xj,C)log2P(Xi,Xj|C)P(Xi|C)P(Xj|C))]]>

其中，P(X_i,X_j,C)表示X_i、X_j、C的取值都在历史数据d中出现的概率，P(X_i,X_j|C)表示在最小割集C下X_i和X_j的取值在历史数据d中都出现的概率，P(X_i|C)、P(X_j|C)分别表示在最小割集C下X_i、X_j的取值在历史数据d中出现概率。；

如果I(X_i,X_j|C)＞ε，则将对应边添加到边集合E中，否则不作任何操作；

S1.4：对于边集合E中的每一节点对X_i和X_j之间的有向边，如果X_i和X_j之间除了这条边之外还存在其他路径，则暂时从边集合E中删除这条边，搜索得到节点X_i和X_j的最小割集C，计算X_i和X_j在最小割集C下的条件互信息I(X_i,X_j|C)，如果I(X_i,X_j|C)＞ε，则恢复这条边，否则永久删除这条边；如果X_i和X_j之间仅有一条路径，则不作任何操作；

S1.5：采用极大似然估计方法计算得到每个节点的条件概率表，每个节点的条件概率参数的计算公式为：

αirq=WirqWiq]]>

其中，1≤i≤N，r表示X_i的可能取值序号，q表示X_i的父亲节点的可能取值序号，对于一个固定的节点序号i，1≤r≤R_i，R_i表示X_i的可能取值个数，1≤q≤Q_i，Q_i表示X_i的父亲节点集P_a(X_i)中所有节点的可能取值组合个数；W_irq表示N个属性的历史数据d中同时满足X_i＝r和Pa(X_i)＝q的样本数量，W_iq表示N个属性的历史数据d中满足Pa(X_i)＝q的样本数量。