基于滑动窗口的CP-nets增量式学习研究

摘要

偏好信息挖掘是人工智能领域数据挖掘中一个重要的研究内容,近年来得到了广泛的研究.随着当前社会发展和数字数据的急剧增长,实时应用中的偏好数据是以数据流的形式快速生成。然而,挖掘偏好的动态特性越来越需要适应流式数据变化的解决方案。造成这种情况的主要原因是用户的偏好不是静态的,可以随着时间的推移发生变化,而传统的偏好求取方法大多集中应用在静态数据集中,不能高效地处理数据流。本文主要采用基于窗口的CP-nets增量式学习算法处理偏好数据流。该算法在合成数据集和真实数据集上的实验结果表明本文提出的算法能够根据用户的上下文偏好信息得到与传统学习算法大体一致的较准确的用户CP-nets模型,并且与传统算法比较,该算法的时间复杂度低,算法效率更高。