浅析贝叶斯网络在自适应超媒体系统中应用研究

《浅析贝叶斯网络在自适应超媒体系统中应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浅析贝叶斯网络在自适应超媒体系统中应用研究论文关键词：贝叶斯网络　自适应超媒体　用户模型论文摘要：本文通过分析超媒体系统中的不确定性因素，引A．T贝叶斯网络方法。在介绍贝叶斯网络概念的基础上，分析了贝叶斯网络的优化方案，讨论了自适应超媒体系统中贝叶斯网络构造过程。在自适应超媒体系统中，其关键技术之一就是用户建模，可以说，用户模型既是自适应超媒体系统的特点，也是难点。用户建模技术将需要处理众多的不确定因素，例如，如何准确评估用户的知识程度、如何准确预测用户的学习目标、如何选取合适的学习计划等都是一个值得深入研究的问题。中国编辑。这些问题都涉及到用户模型的两个功能：评估和预测

2、。而自适应超媒体系统能否准确生成合适的自适应内容和自适应导航，对用户的不确定信息的准确评估是关键因素。而贝叶斯网络最大的优点就是处理不确定信息，因此本文将主要探讨贝叶斯网络技术在自适应超媒体系统中的应用。1超媒体系统中的不确定性在自适应超媒体系统中，用户建模过程中存在的不确定性因素最多，用户模型就是在众多的不确定因素的基础上做出对用户的评估和预测。用户模型需要处理的不确定因素主要有如下几类。(1)关于用户领域知识的初始掌握程度的不确定性。用户对领域内的知识掌握程度一般是无法确切衡量的。例如在教育超媒体系统中，学生的知识水平就存在很大的不确定性，这种不确定性在实际的课堂教学

3、中也无法完全排除。一个超媒体系统在初始化阶段，分析用户在使用这样的系统之前的掌握程度，一般是通过一组或几组问题进行测试。如果测试的问题过多，用户对于系统的兴趣就会受到影响，因此大部分的系统在初始化测试时，所采用的问题一般非常有限，这样对于用户领域知识的初始化程度就无法很准确的评估。(2)用户的浏览动作与知识掌握程度之间关系的不确定性。虽然系统能够精确记录下用户与超媒体系统交互的动作的时间，但是，对每一个用户而言，完成阅读每一个信息节点的“合适”的时间是无法确切衡量的。一种方法是通过其他途径获得每一个用户的阅读速度，但这不是所有系统能够获取的信息。(3)用户的浏览动作和目标

4、的联系的不确定性。认知心理学的研究成果表明，这种不确定尤其表现在用户初期使用系统的时候，出于好奇心理，尝试浏览可能和他本身不感兴趣的内容。而这些动作有可能对系统在预测用户的浏览目标时带来不利的影响。　　2贝叶斯网络贝叶斯网络是一个概率推理机制，它在概率论的基础上进行不确定推理。贝叶斯网络为在某一特定应用领域中描述随机变量之间的概率独立性提供了一个图形化的表达方式，以及利用这些独立进行复杂的概率推理的算法…。．1贝叶斯网络的定义贝叶斯网络又称为信念网络，是一种图型化的模型，能够图形化地表示一组变量间的联合概率分布函数。一个贝叶斯网络包括了一个结构模型和与之相关的一组条件概率

5、分布函数。结构模型是一个有向无环图，其中的节点表示了随机变量，是对于过程、事件、状态等实体的某特性的描述，边则表示变量间的概率依赖关系。图中的每个节点都有一个给定其父节点情况下该节点的条件概率分布函数。这样，一个贝叶斯网络就用图形化的形式表示了如何将与一系列节点相关的条件概率函数组合成为一个整体的联合概率分布函数J。具体定义如下：定义：设V={x，x2……X}是值域u上的n个随机变量，则值域U上的贝叶斯网络BN(B。，B)，其中：(1)B

6、=(V，E)是一个定义在V上的有向无环图(DAG)，V是该DAG的节点集，E是该DAG的边集。如果存在一条节点Xi到节点X的有向边，则

7、称Xi是Xi的父节点，Xi是Xi的子节点。记Xi的所有父节点为诚。(2)Bp={P()(il)6-[0，1]}lxi∈V，对于V中的每个节点，定义了一组条件概率分布函数P(Xl)∈[0，1]。由贝叶斯网络，利用贝叶斯公式，我们很容易得到X的全概率分布函数：P(x)=P(x。，x2……XⅡ)=liP(Xl)，诚是Xi的所有父节点。．2贝叶斯网络的优化贝叶斯网络的主要用途是进行概率推理。在已知网络中某些节点概率值的情况下，利用贝叶斯网络计算可以获得其它节点的条件概率。这种推理可以形象的称为条件概率的“传播”。然而，一般的贝叶斯网络推理都存在一个“NP—Hard”问题J。当贝叶

8、斯网络中不存在无向环的结构时，可以找到多项式时间算法，为了将一般的贝叶斯网络改造为不含无向环的贝叶斯网络，通常采用以下两种方法。(1)聚簇。如图l所示，将图中的节点B和C合并成一个节点，从而消除图l(a)中的有向环，这种方法称作聚簇。　(2)条件分割。设变量A的取值范围为：A。，A2，…，，则将原来的贝叶斯网络分割成n个网络，分别是A=A。，A=A2，…，A：。这种方法称作分割，如图2所示。(3)贝叶斯网络举例。图3显示了一个贝叶斯网络的例子，它模型化了下述的二进制变量：变量a表示病人的年龄大于75岁，变量b表示病人需要戴眼镜