● 摘要
个性化推荐系统是根据消费者的个性化特征和需求，按照某种策略，进行产品推荐的一个辅助决策系统。它的出现是为了解决信息过载的问题，帮助消费者在浩如烟海的产品中找到自己需要的产品，为消费者提供个性化的购物体验。由于贝叶斯网络能够一方面利用有向图模型定性的表示用户和产品之间的关系机理，同时又能够对于用户和产品之间的关系用概率分布的方式进行定量的表示，从而基于贝叶斯网络的个性化推荐越来越成为相关研究的热点。但基于贝叶斯网络的个性化推荐存在两个问题，首先是静态的结构算法对贝叶斯网络结构不能进行及时学习以应对用户变化的需求；其次，当贝叶斯网络随机变量的父节点有无限的可能值时，那么随机变量的本地分布就不能明显的定义出来。论文对于在线网络结构学习，提出了基于并行迭代的MHS抽样的结构学习算法。该算法在利用重要样本法选取在线学习最佳数据集的基础上，基于节点之间的互信息，利用MHS抽样对多条并行收敛于Boltzmann分布的马尔科夫链进行初始化，然后在其迭代过程中通过评估并行学习后的网络并选择可信的网络结构作为新的在线结构。在标准数据集上的实验结果验证该算法能够实现在线结构调整，并具有很好的收敛速度、融合性和学习精度。论文对于贝叶斯网络个性化推荐的随机变量本地分布定义，提出了基于多实体贝叶斯网络用一阶逻辑语言来定义参数化函数。对网络进行结构定义后，根据知识库对网络进行参数学习，从而生成特定情境的贝叶斯网络，再进行网络推理得到对应用户随机变量的后验概率，在此基础上进行推荐。最后使用标准数据集对模型和其他推荐算法以MAE准则进行评估，评估结果显示通过多实体贝叶斯网络定义参数化函数后，推荐准确率有一定的上升。论文将上述研究成果应用于水利水电行业电子商务信用认证平台中，该平台是第三方信用服务系统，以水利水电行业注册企业信息库和企业产品信息库为基础，向物资供应商、设备供应商以及承包商提供信用认证和产品交易。经过实际系统应用，检验和证实了以上研究成果的有效性和可行性。