Bayes网理论及其在在线导购中的应用研究

发布时间：2018-06-12 05:38

  本文选题：Bayes网模型 + Bayes网推理　； 参考：《重庆大学》2007年硕士论文

【摘要】： 随着电子商务的发展,网上购物被越来越多的人所接受,购物网站所提供的信息也越来越丰富,购物网站之间的竞争也越来越激烈,好的购物网站导购系统在购物网站竞争中起非常重要的作用,因此如何更好地为客户在众多的商品信息中提供更好的导购服务成为各购物网站必须解决的问题。Bayes网(概率网)在在线导购中的应用能比较好的解决这一问题。Pearl于1982年提出的Bayes网,又称贝叶斯网、概率网、信度网,是一种基于概率论和图论的不确定知识表示模型。Bayes网在不确定知识表示及推理中表现出的卓越性能,使其获得了广泛的关注,对Bayes网的研究已成为当今人工智能领域研究的热点之一。目前对Bayes网的研究可以分为三个方面:Bayes网推理、Bayes网学习及Bayes网应用。本论文对这三方面作了一些总结和探讨,并提出了一种基于Bayes网的在线购物网站导购系统模型。 基于信度网的在线导购系统中,其导购过程主要是依靠信度网的推理计算。信度网的推理算法可以分为两类:一类称为精确推理,即精确地计算假设变量的后验概率。另一类称为近似推理,即在不影响推理正确性的前提下,通过适当降低推理精度来达到提高计算效率的目的。而本导购系统是利用顾客所有的浏览购物网站的历史信息作为推理的证据来推导顾客感兴趣的商品,从而提供在线导购。如果该顾客是首次浏览网站,没有历史浏览信息,则利用所有顾客的浏览信息作为推理证据进行推理,从而实现导购。 可见,要实现导购,就要通过对顾客浏览数据库的学习来建立关于商品的Bayes网模型,该模型中包含了大量顾客在购物网站上的浏览中所体现出的对各个商品的相关性。创建该模型的过程包括建立Bayes网的结构,以及学习对应结构的条件概率表两个过程。我们可以利用购物网站的信息结构图来构造信度网的结构。用于Bayes网学习的顾客浏览数据库是一个完整的实例数据库,所以计算结构中各个结点的条件概率表比较简单,通过对浏览数据库的统计就可以完成。 目前Bayes网已应用到模式识别、知识发现及最优决策等多个领域。本文提出的基于Bayes网的购物网站在线智能导购系统,利用Bayes网模型对顾客的浏览数据进行分析,可以在线为顾客提供导购,使其快速找到感兴趣的商品。另外通过最大可能配置计算获得的结果,表示了顾客对购物网站的各个商品的兴趣,利用这些信息来重新调整购物网站的结构设计,就可以设计出符合顾客爱好的商品结构,而且通过对这些热点商品的发现,可以找到最佳的广告插入点,从而提高广告的访问量。因而该系统还可用于购物网站结构优化、广告最佳插入位置的选定等。
[Abstract]:With the development of electronic commerce, online shopping is accepted by more and more people, the information provided by shopping websites is more and more abundant, and the competition between shopping websites is becoming more and more fierce. A good shopping website guide system plays a very important role in the competition of shopping websites. Therefore, how to better provide customers with better purchasing guidance services in a large number of commodity information has become a problem that must be solved by various shopping websites. The application of Bayes net (probability net) in online shopping guidance can better solve this problem. Pearl Bayes Network, proposed in 1982, Bayesian network, probabilistic network, reliability net, is a kind of uncertain knowledge representation model based on probability theory and graph theory. Bayes net has shown excellent performance in uncertain knowledge representation and reasoning, which has attracted wide attention. The research of Bayes network has become one of the hotspots in the field of artificial intelligence. At present, the research on Bayes net can be divided into three aspects: Bayesian net reasoning and Bayesian net learning and Bayesian net application. This paper summarizes and discusses these three aspects, and puts forward a model of online shopping website guided purchase system based on Bayes net. In the online shopping guide system based on reliability net, the process of purchase guidance mainly depends on the reasoning calculation of reliability net. The inference algorithms of reliability nets can be divided into two categories: one is called exact reasoning, that is, the posteriori probability of hypothetical variables is calculated accurately. The other is called approximate reasoning, that is, the calculation efficiency can be improved by reducing the reasoning accuracy properly without affecting the correctness of reasoning. The shopping guide system is to use the historical information of the customer to browse the shopping website as the reasoning evidence to deduce the goods of interest to the customer so as to provide the online shopping guide. If the customer is visiting the website for the first time and there is no historical browsing information, then the browsing information of all customers is used as the reasoning evidence to achieve the purchase guide. The Bayesian net model of commodities is built through the study of customer browsing database. The model includes the relevance of a large number of customers in the browsing on the shopping website. The process of creating the model includes the construction of Bayesian network and the learning of conditional probability table of corresponding structure. We can make use of the information structure chart of shopping website to construct the structure of reliability network. The customer browsing database used for Bayesian network learning is a complete instance database, so the conditional probability table of each node in the computing structure is relatively simple. At present, Bayes net has been applied to many fields such as pattern recognition, knowledge discovery and optimal decision. The online intelligent shopping guide system based on Bayes net is put forward in this paper. By using Bayes net model to analyze the browsing data of customers, it can provide online guide for customers and make them find the goods of interest quickly. In addition, the results obtained by the maximum possible configuration calculation show the customer's interest in the various items of the shopping website. Using this information to readjust the structural design of the shopping website, we can design a commodity structure that conforms to the customer's preferences. And through the discovery of these hot goods, we can find the best advertisement insertion point and increase the number of visitors. Therefore, the system can also be used to optimize the structure of shopping websites and select the best insertion location of advertisements.
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：TP183

【共引文献】

相关期刊论文 前10条

1 濮永仙;;贝叶网在农业专家系统中的研究与应用[J];安徽农业科学;2011年07期

2 唐燕玉;经济学中的贝叶斯模型[J];安庆师范学院学报(自然科学版);2003年03期

3 苏岩;贝叶斯统计的发展及其争鸣[J];保定师范专科学校学报;2003年02期

4 陈景年;黄厚宽;杨莉萍;田凤占;;基于分布不完整数据选择性分类器[J];北京交通大学学报;2008年02期

5 陈景年;黄厚宽;徐力;伊传环;;利用增益率构建混合型选择性不完整数据分类器[J];北京交通大学学报;2009年05期

6 王中锋;王志海;付彬;;贝叶斯网络分类器结构与变量分布的差异性分析[J];北京交通大学学报;2011年02期

7 吴秀鹏;李文泽;俞康伦;;贝叶斯网络在维修保障决策中的应用[J];兵工自动化;2007年05期

8 尹江丽;侯妍;;数理统计方法在弹道一致性评定中的应用研究[J];兵工自动化;2010年02期

9 田玉斌,蔡瑞娇,严楠;ONE-SHOT试验中的BAYES方法[J];兵工学报;1996年01期

10 李宝盛,何洪庆;自导武器特性指标的评价分析方法[J];兵工学报;1999年03期

相关会议论文 前10条

1 程泽凯;泰锋;;贝叶斯网络分类器结构学习:基于启发式的G2算法[A];2005年“数字安徽”博士科技论坛论文集[C];2005年

2 杨波;秦锋;程泽凯;;一种新的分类学习系统评估度量[A];2005年“数字安徽”博士科技论坛论文集[C];2005年

3 赵越岭;王英丽;;基于粗糙集感应电动机故障诊断决策规则分析[A];第二十七届中国控制会议论文集[C];2008年

4 ;Gas Thickness On-line Monitoring Instrument Design Based on BP Neural Network[A];第二十七届中国控制会议论文集[C];2008年

5 ;Fault Diagnosis Based on Bayesian Networks for the Data Incomplete Industrial System[A];中国自动化学会控制理论专业委员会A卷[C];2011年

6 刘向南;王浩;姚宏亮;;一种基于x~2测试的贪婪搜索结构学习算法[A];2011中国仪器仪表与测控技术大会论文集[C];2011年

7 郑援;胡成军;;基于数据融合的鱼雷目标识别[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

8 ;A Recursive Method of Learning Bayesian Network for Rule Extraction Based on Information Theory[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

9 ;The Intelligent Methods for Teaching Quality Comprehensive Assessment[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

10 申培鲁;高安春;李秉雯;;MM5中尺度预报模式利用不同初始场模拟黄淮气旋结果的集成[A];山东气象学会2005年学术交流会优秀论文集[C];2005年

相关博士学位论文 前10条

1 刘家国;基于突发事件风险的供应链利益分配与行为决策研究[D];哈尔滨工程大学;2010年

2 孟宇龙;基于本体的多源异构安全数据聚合[D];哈尔滨工程大学;2010年

3 李炳龙;文档碎片取证关键技术研究[D];解放军信息工程大学;2007年

4 朱佳俊;不确定可拓群决策优化方法及应用[D];东华大学;2010年

5 曾献辉;服饰智能适配系统的研究与应用[D];东华大学;2010年

6 王中锋;树型贝叶斯网络分类器鉴别式训练研究[D];北京交通大学;2011年

7 祁瑞华;不完整数据分类知识发现算法研究[D];大连理工大学;2011年

8 陈玲;线性模型中参数型经验Bayes估计若干问题研究[D];中国科学技术大学;2011年

9 王清;集成学习中若干关键问题的研究[D];复旦大学;2011年

10 缑葵香;基于贝叶斯理论的基因调控网络建模研究[D];天津大学;2010年

相关硕士学位论文 前10条

1 郑伟;MDL算法用于时间梯度设计试验猪骨骼肌基因调控网络分析上的研究[D];华中农业大学;2010年

2 苏韩;逆威布尔分布的Bayes估计问题[D];广西师范学院;2010年

3 邓立凤;逆高斯分布参数的Bayes 估计研究[D];广西师范学院;2010年

4 韦师;几种分布参数的E-Bayes估计及其应用[D];广西师范学院;2010年

5 雷斌;基于Java技术的智能化搜索引擎的研究与设计[D];哈尔滨工程大学;2010年

6 李冠广;基于贝叶斯网络的入侵检测[D];大连理工大学;2010年

7 魏娟;多自由度机械臂轨迹跟踪控制仿真研究[D];湘潭大学;2010年

8 许筱婷;基于本体论的知识表达[D];湘潭大学;2010年

9 刘伟丽;基于粒子群算法和支持向量机的中文文本分类研究[D];河南工业大学;2010年

10 张蕾;保险业客户忠诚模式设计与挖掘[D];哈尔滨理工大学;2010年

，

本文编号：2008568