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。

　　这些问题都涉及到用户模型的两个功能：评估和预测。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…。

　　2．1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|=(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。

　　2．2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，变量c表示病人眼中出现晶状体，变量v表示病人的视力由于眯眼而有所提高，变量s表示病人抱怨视力差，变量r表示病人的视网膜反射可察觉。在这个贝叶斯网络中，变量a与b之间的弧表明相对于其它变量，a与g是直接依赖的。变量a与s之间没有弧相连，它们是通过变量b与c而发生依赖关系。

　　变量间依赖的强弱由条件概率分布函数bp量化。例如，当a为真，b为真的概率为p(b=tia=t)=0．75。当给定了变量的父节点的值后，该变量为假的条件概率可以从此变量为真的条件概率中推导出来，在此就没有给出。

 

　　3自适应超媒体系统中贝叶斯网络的构造

　　一个贝叶斯网络由网络结构表示其定性部分，由条件概率分布函数表示其定量部分。这两部分必须加以指明以构成一个贝叶斯网络，之后在一个系统中被用作推导引擎。在超媒体系统中，构造贝叶斯网络分为四个阶段。

　　(1)定义域变量。在某一领域，确定需要哪些变量描述该领域的各个部分，以及每个变量的确切含义。

　　(2)确定网络结构。由专家确定各个变量之间的依赖关系，从而获得该领域内的网络结构。在确定网络结构时必须注意要防止出现有向环。

　　(3)确定条件概率分布函数。通过由专家确定的网络结构中每个变量的条件概率分布函数，量化变量之间的依赖关系。

　　(4)应用到实际系统。运用到实际系统中，利用系统搜集的数据，经过计算和分析，调整贝叶斯网络的网络结构和各变量的条件概率分布函数，对贝叶斯网络进行优化。

　　在实际应用中，在每一个阶段之后，都要进行评估，考察前面的阶段是否被成功地执行。每当发现前面阶段所得的结论不充分时，前一个阶段将被再次执行，否则，前进到下一阶段。每个阶段发生的错误应被及时更正，在早期产生的错误若在后期加以更正将比在早期更正花费更大的代价。我们称重复经历某个阶段并进行评估的过程为建立一测试期(budd—textcycle)，据此，我们构建了自适应超媒体系统贝叶斯网络构造生命周期图，如图4所示。

　　在某一特定领域构造贝叶斯网络是一件非常困难并且也费时的工作。这种困难一方面来自于某些领域过于复杂，即使该领域的专家也无法完全正确的描述该领域的因果关系，这影响了贝叶斯网络的网络结构的构造；而另一方面，人们擅长于描述定性的关系，而不擅长描述定量的关系，这直接造成了在确定条件概率分布函数时的困难。

　　利用数据库中的大量原始数据，经过计算、分析，自动构造贝叶斯网络的网络结构和条件概率分布函数的方法，是一个能够有效降低贝叶斯网络构造工作量的途径，这方面的研究成为贝叶斯网络学习问题，最近几年，研究者提出了许多自动学习贝叶斯网络的算法，在此不再赘述。

　　4结语

    超媒体系统中存在着众多的不确定因素，这促使研究者求助于概率理论中的贝叶斯网络方法，并由此发展成为目前人工智能领域中研究日益广泛的一个分支一贝叶斯网络。贝叶斯网络为超媒体系统提供了一种有效的推理机制，但是如何根据超媒体系统的特点构造一个有效、准确的贝叶斯网络将成为今后发展的重点。