一种基于加权贝叶斯推理的负序列推荐方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110111184A(43)申请公布日2019.08.09(21)申请号201910379410.4(22)申请日2019.05.08(71)申请人齐鲁工业大学地址250353山东省济南市长清区大学路3501号(72)发明人杨振宇张鸣鸽(74)专利代理机构济南圣达知识产权代理有限公司37221代理人张庆骞(51)Int.Cl.G06Q30/06(2012.01)权利要求书2页说明书10页附图1页(54)发明名称一种基于加权贝叶斯推理的负序列推荐方法及系统(57)摘要本公开提供了一种基于加权贝叶斯推理的负序列推荐方法及系统。其中，基于加权贝叶斯推理的负序列推荐方法，包括：从用户行为数据库中提取相应用户购买行为的正负序列；其中，正负序列为按照时间先后顺序排列的用户购买物品序列，序列中的元素为物品名称；将提取的正负序列划分成若干个子序列并存储在序列数据库中；其中，序列数据库为物品空间；在当前需要决策的已购买某物品的条件下，利用贝叶斯加权序列模型推理出在物品空间中各个物品所具有的似然概率，进而得到不同物品被用户偏好的后验概率，从而实现“最高概率”推荐或“best-N”推荐。CN110111184ACN110111184A权利要求书1/2页1.一种基于加权贝叶斯推理的负序列推荐方法，其特征在于，包括：从用户行为数据库中提取相应用户购买行为的正负序列；其中，正负序列为按照时间先后顺序排列的用户购买物品序列，序列中的元素为物品名称；将提取的正负序列划分成若干个子序列并存储在序列数据库中；其中，序列数据库为物品空间；在当前需要决策的已购买某物品的条件下，利用贝叶斯加权序列模型推理出在物品空间中各个物品所具有的似然概率，进而得到不同物品被用户偏好的后验概率，从而实现“最高概率”推荐或“best-N”推荐。2.如权利要求1所述的基于加权贝叶斯推理的负序列推荐方法，其特征在于，通过f-NSP算法从用户行为数据库中提取相应用户购买行为的正负序列。3.如权利要求1所述的基于加权贝叶斯推理的负序列推荐方法，其特征在于，预先设定提取的正负序列的最大长度，若某一序列仅包含一个元素，则直接存储在序列数据库中。4.如权利要求1所述的基于加权贝叶斯推理的负序列推荐方法，其特征在于，该方法还包括对贝叶斯加权序列模型进行在线学习，其过程为：利用贝叶斯加权序列模型实现的“最高概率”或“best-N”物品推荐给用户；用于对推荐物品的动作以子序列形式返回至序列数据库，重新进入贝叶斯加权序列模型进行学习，从而实现贝叶斯加权序列模型的动态更新。5.一种基于加权贝叶斯推理的负序列推荐系统，其特征在于，包括：正负序列提取模块，其用于从用户行为数据库中提取相应用户购买行为的正负序列；其中，正负序列为按照时间先后顺序排列的用户购买物品序列，序列中的元素为物品名称；序列存储模块，其用于将提取的正负序列划分成若干个子序列并存储在序列数据库中；其中，序列数据库为物品空间；贝叶斯网络推理模块，其用于在当前需要决策的已购买某物品的条件下，利用贝叶斯加权序列模型推理出在物品空间中各个物品所具有的似然概率，进而得到不同物品被用户偏好的后验概率，从而实现“最高概率”推荐或“best-N”推荐。6.如权利要求5所述的基于加权贝叶斯推理的负序列推荐系统，其特征在于，在所述正负序列提取模块中，通过f-NSP算法从用户行为数据库中提取相应用户购买行为的正负序列。7.如权利要求5所述的基于加权贝叶斯推理的负序列推荐系统，其特征在于，在所述序列存储模块中，预先设定提取的正负序列的最大长度，若某一序列仅包含一个元素，则直接存储在序列数据库中。8.如权利要求5所述的基于加权贝叶斯推理的负序列推荐系统，其特征在于，该系统还包括：贝叶斯网络在线学习模块，其用于：利用贝叶斯加权序列模型实现的“最高概率”或“best-N”物品推荐给用户；用于对推荐物品的动作以子序列形式返回至序列数据库，重新进入贝叶斯加权序列模型进行学习，从而实现贝叶斯加权序列模型的动态更新。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的基于加权贝叶斯推理的负序列推荐方法中的步2CN110111184A权利要求书2/2页骤。10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于加权贝叶斯推理的负序列推荐方法中的步骤。3CN110111184A说明书1/10页一种基于加权贝叶斯推理的负序列推荐方法及系统技术领域[0001]本公开属于数据处理领域，尤其涉及一种基于加权贝叶斯推理的负序列推荐方法及系统。背景技术[