本文選題：Bayes網(wǎng)模型 + Bayes網(wǎng)推理��； 參考：《重慶大學(xué)》2007年碩士論文

【摘要】： 隨著電子商務(wù)的發(fā)展,網(wǎng)上購(gòu)物被越來越多的人所接受,購(gòu)物網(wǎng)站所提供的信息也越來越豐富,購(gòu)物網(wǎng)站之間的競(jìng)爭(zhēng)也越來越激烈,好的購(gòu)物網(wǎng)站導(dǎo)購(gòu)系統(tǒng)在購(gòu)物網(wǎng)站競(jìng)爭(zhēng)中起非常重要的作用,因此如何更好地為客戶在眾多的商品信息中提供更好的導(dǎo)購(gòu)服務(wù)成為各購(gòu)物網(wǎng)站必須解決的問題。Bayes網(wǎng)(概率網(wǎng))在在線導(dǎo)購(gòu)中的應(yīng)用能比較好的解決這一問題。Pearl于1982年提出的Bayes網(wǎng),又稱貝葉斯網(wǎng)、概率網(wǎng)、信度網(wǎng),是一種基于概率論和圖論的不確定知識(shí)表示模型。Bayes網(wǎng)在不確定知識(shí)表示及推理中表現(xiàn)出的卓越性能,使其獲得了廣泛的關(guān)注,對(duì)Bayes網(wǎng)的研究已成為當(dāng)今人工智能領(lǐng)域研究的熱點(diǎn)之一。目前對(duì)Bayes網(wǎng)的研究可以分為三個(gè)方面:Bayes網(wǎng)推理、Bayes網(wǎng)學(xué)習(xí)及Bayes網(wǎng)應(yīng)用。本論文對(duì)這三方面作了一些總結(jié)和探討,并提出了一種基于Bayes網(wǎng)的在線購(gòu)物網(wǎng)站導(dǎo)購(gòu)系統(tǒng)模型。 基于信度網(wǎng)的在線導(dǎo)購(gòu)系統(tǒng)中,其導(dǎo)購(gòu)過程主要是依靠信度網(wǎng)的推理計(jì)算。信度網(wǎng)的推理算法可以分為兩類:一類稱為精確推理,即精確地計(jì)算假設(shè)變量的后驗(yàn)概率。另一類稱為近似推理,即在不影響推理正確性的前提下,通過適當(dāng)降低推理精度來達(dá)到提高計(jì)算效率的目的。而本導(dǎo)購(gòu)系統(tǒng)是利用顧客所有的瀏覽購(gòu)物網(wǎng)站的歷史信息作為推理的證據(jù)來推導(dǎo)顧客感興趣的商品,從而提供在線導(dǎo)購(gòu)。如果該顧客是首次瀏覽網(wǎng)站,沒有歷史瀏覽信息,則利用所有顧客的瀏覽信息作為推理證據(jù)進(jìn)行推理,從而實(shí)現(xiàn)導(dǎo)購(gòu)。 可見,要實(shí)現(xiàn)導(dǎo)購(gòu),就要通過對(duì)顧客瀏覽數(shù)據(jù)庫(kù)的學(xué)習(xí)來建立關(guān)于商品的Bayes網(wǎng)模型,該模型中包含了大量顧客在購(gòu)物網(wǎng)站上的瀏覽中所體現(xiàn)出的對(duì)各個(gè)商品的相關(guān)性。創(chuàng)建該模型的過程包括建立Bayes網(wǎng)的結(jié)構(gòu),以及學(xué)習(xí)對(duì)應(yīng)結(jié)構(gòu)的條件概率表兩個(gè)過程。我們可以利用購(gòu)物網(wǎng)站的信息結(jié)構(gòu)圖來構(gòu)造信度網(wǎng)的結(jié)構(gòu)。用于Bayes網(wǎng)學(xué)習(xí)的顧客瀏覽數(shù)據(jù)庫(kù)是一個(gè)完整的實(shí)例數(shù)據(jù)庫(kù),所以計(jì)算結(jié)構(gòu)中各個(gè)結(jié)點(diǎn)的條件概率表比較簡(jiǎn)單,通過對(duì)瀏覽數(shù)據(jù)庫(kù)的統(tǒng)計(jì)就可以完成。 目前Bayes網(wǎng)已應(yīng)用到模式識(shí)別、知識(shí)發(fā)現(xiàn)及最優(yōu)決策等多個(gè)領(lǐng)域。本文提出的基于Bayes網(wǎng)的購(gòu)物網(wǎng)站在線智能導(dǎo)購(gòu)系統(tǒng),利用Bayes網(wǎng)模型對(duì)顧客的瀏覽數(shù)據(jù)進(jìn)行分析,可以在線為顧客提供導(dǎo)購(gòu),使其快速找到感興趣的商品。另外通過最大可能配置計(jì)算獲得的結(jié)果,表示了顧客對(duì)購(gòu)物網(wǎng)站的各個(gè)商品的興趣,利用這些信息來重新調(diào)整購(gòu)物網(wǎng)站的結(jié)構(gòu)設(shè)計(jì),就可以設(shè)計(jì)出符合顧客愛好的商品結(jié)構(gòu),而且通過對(duì)這些熱點(diǎn)商品的發(fā)現(xiàn),可以找到最佳的廣告插入點(diǎn),從而提高廣告的訪問量。因而該系統(tǒng)還可用于購(gòu)物網(wǎng)站結(jié)構(gòu)優(yōu)化、廣告最佳插入位置的選定等。
[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.
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2007
【分類號(hào)】：TP183

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 濮永仙;;貝葉網(wǎng)在農(nóng)業(yè)專家系統(tǒng)中的研究與應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2011年07期

2 唐燕玉;經(jīng)濟(jì)學(xué)中的貝葉斯模型[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2003年03期

3 蘇巖;貝葉斯統(tǒng)計(jì)的發(fā)展及其爭(zhēng)鳴[J];保定師范專科學(xué)校學(xué)報(bào);2003年02期

4 陳景年;黃厚寬;楊莉萍;田鳳占;;基于分布不完整數(shù)據(jù)選擇性分類器[J];北京交通大學(xué)學(xué)報(bào);2008年02期

5 陳景年;黃厚寬;徐力;伊傳環(huán);;利用增益率構(gòu)建混合型選擇性不完整數(shù)據(jù)分類器[J];北京交通大學(xué)學(xué)報(bào);2009年05期

6 王中鋒;王志海;付彬;;貝葉斯網(wǎng)絡(luò)分類器結(jié)構(gòu)與變量分布的差異性分析[J];北京交通大學(xué)學(xué)報(bào);2011年02期

7 吳秀鵬;李文澤;俞康倫;;貝葉斯網(wǎng)絡(luò)在維修保障決策中的應(yīng)用[J];兵工自動(dòng)化;2007年05期

8 尹江麗;侯妍;;數(shù)理統(tǒng)計(jì)方法在彈道一致性評(píng)定中的應(yīng)用研究[J];兵工自動(dòng)化;2010年02期

9 田玉斌,蔡瑞嬌,嚴(yán)楠;ONE-SHOT試驗(yàn)中的BAYES方法[J];兵工學(xué)報(bào);1996年01期

10 李寶盛,何洪慶;自導(dǎo)武器特性指標(biāo)的評(píng)價(jià)分析方法[J];兵工學(xué)報(bào);1999年03期

相關(guān)會(huì)議論文 前10條

1 程澤凱;泰鋒;;貝葉斯網(wǎng)絡(luò)分類器結(jié)構(gòu)學(xué)習(xí):基于啟發(fā)式的G2算法[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

2 楊波;秦鋒;程澤凱;;一種新的分類學(xué)習(xí)系統(tǒng)評(píng)估度量[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

3 趙越嶺;王英麗;;基于粗糙集感應(yīng)電動(dòng)機(jī)故障診斷決策規(guī)則分析[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

4 ;Gas Thickness On-line Monitoring Instrument Design Based on BP Neural Network[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

5 ;Fault Diagnosis Based on Bayesian Networks for the Data Incomplete Industrial System[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

6 劉向南;王浩;姚宏亮;;一種基于x~2測(cè)試的貪婪搜索結(jié)構(gòu)學(xué)習(xí)算法[A];2011中國(guó)儀器儀表與測(cè)控技術(shù)大會(huì)論文集[C];2011年

7 鄭援;胡成軍;;基于數(shù)據(jù)融合的魚雷目標(biāo)識(shí)別[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

8 ;A Recursive Method of Learning Bayesian Network for Rule Extraction Based on Information Theory[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[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 申培魯;高安春;李秉雯;;MM5中尺度預(yù)報(bào)模式利用不同初始場(chǎng)模擬黃淮氣旋結(jié)果的集成[A];山東氣象學(xué)會(huì)2005年學(xué)術(shù)交流會(huì)優(yōu)秀論文集[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 劉家國(guó);基于突發(fā)事件風(fēng)險(xiǎn)的供應(yīng)鏈利益分配與行為決策研究[D];哈爾濱工程大學(xué);2010年

2 孟宇龍;基于本體的多源異構(gòu)安全數(shù)據(jù)聚合[D];哈爾濱工程大學(xué);2010年

3 李炳龍;文檔碎片取證關(guān)鍵技術(shù)研究[D];解放軍信息工程大學(xué);2007年

4 朱佳俊;不確定可拓群決策優(yōu)化方法及應(yīng)用[D];東華大學(xué);2010年

5 曾獻(xiàn)輝;服飾智能適配系統(tǒng)的研究與應(yīng)用[D];東華大學(xué);2010年

6 王中鋒;樹型貝葉斯網(wǎng)絡(luò)分類器鑒別式訓(xùn)練研究[D];北京交通大學(xué);2011年

7 祁瑞華;不完整數(shù)據(jù)分類知識(shí)發(fā)現(xiàn)算法研究[D];大連理工大學(xué);2011年

8 陳玲;線性模型中參數(shù)型經(jīng)驗(yàn)Bayes估計(jì)若干問題研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2011年

9 王清;集成學(xué)習(xí)中若干關(guān)鍵問題的研究[D];復(fù)旦大學(xué);2011年

10 緱葵香;基于貝葉斯理論的基因調(diào)控網(wǎng)絡(luò)建模研究[D];天津大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 鄭偉;MDL算法用于時(shí)間梯度設(shè)計(jì)試驗(yàn)豬骨骼肌基因調(diào)控網(wǎng)絡(luò)分析上的研究[D];華中農(nóng)業(yè)大學(xué);2010年

2 蘇韓;逆威布爾分布的Bayes估計(jì)問題[D];廣西師范學(xué)院;2010年

3 鄧立鳳;逆高斯分布參數(shù)的Bayes 估計(jì)研究[D];廣西師范學(xué)院;2010年

4 韋師;幾種分布參數(shù)的E-Bayes估計(jì)及其應(yīng)用[D];廣西師范學(xué)院;2010年

5 雷斌;基于Java技術(shù)的智能化搜索引擎的研究與設(shè)計(jì)[D];哈爾濱工程大學(xué);2010年

6 李冠廣;基于貝葉斯網(wǎng)絡(luò)的入侵檢測(cè)[D];大連理工大學(xué);2010年

7 魏娟;多自由度機(jī)械臂軌跡跟蹤控制仿真研究[D];湘潭大學(xué);2010年

8 許筱婷;基于本體論的知識(shí)表達(dá)[D];湘潭大學(xué);2010年

9 劉偉麗;基于粒子群算法和支持向量機(jī)的中文文本分類研究[D];河南工業(yè)大學(xué);2010年

10 張蕾;保險(xiǎn)業(yè)客戶忠誠(chéng)模式設(shè)計(jì)與挖掘[D];哈爾濱理工大學(xué);2010年

，

本文編號(hào)：2008568