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。