【摘要】：Breese等人最早提出基于Bayesian网络模型的信息协同推荐算法[18]，该原理假设用户u对某一资源项目j的预测期望为:其中，P表示在给定的评价矩阵A的情况下，用户u对资源项目j的评价值为i的概率。由此可见，基于Bayesian网络的模型方法，是从概率的角度对协同过滤算法进行优化。但是，Bayesian网络学习方法的缺陷就是每个用户只能属于一个类，而在一些信息推荐系统中，用户如果属于多个类或许会更好一些。
Bayesian网络是基于概率模型进行分类的机器学习方法，可以使用该方法预测一个实例属于某一类的概率，在得到某一用户所属的分类之后，可以利用此分类中其他用户的评分情况来预测该用户对项目的评分，从而可以填充“用户—资源项目”的评分矩阵，降低数据稀疏性。Breese等人最早提出基于Bayesian网络模型的信息协同推荐算法[18]，该原理假设用户u对某一资源项目j的预测期望为:
其中，P(Ru，j＝i｜A)表示在给定的评价矩阵A的情况下，用户u对资源项目j的评价值为i的概率。由此可见，如何确定这一条件概率的值是算法的重点。通常的做法是在第一步的时候将用户群分成C类，然后由已知用户的评分数据估计出每类对资源项目j的评价分布P(Ru，j＝i｜C)，再由目标用户的已知信息估计出该用户属于某一类的概率P(u∈C｜Ru，k∈Iu)，结合这两者最终得到目标用户对资源项目的评价[19]。由此可见，基于Bayesian网络的模型方法，是从概率的角度对协同过滤算法进行优化。在该模型中，Bayesian网络中的节点表示某领域的信息资源或产品，节点的状态对应着每个信息资源或产品的评分值。网络的结构和条件概率可以从已有的数据中学习得到。但是，Bayesian网络学习方法的缺陷就是每个用户只能属于一个类，而在一些信息推荐系统中，用户如果属于多个类或许会更好一些。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
