[发明专利]基于隐变量模型的用户偏好提取方法

摘要

本发明公开了一种基于隐变量模型的用户偏好提取方法，首先选取N个商品相关属性构成商品属性集合，根据历史数据构建得到贝叶斯网络，对贝叶斯网络搜索得到最大半团，然后向该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；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；然后根据隐变量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。本发明针对商品评价数据中隐含的用户偏好，通过贝叶斯网络结构来提取更客观、更符合实际的用户偏好结果。

主权项

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。