基于朴素贝叶斯学习的电子商务网站客户兴趣分类的应用研究.ppt

基于朴素贝叶斯学习的电子商务网站客户兴趣分类的应用研究 贝叶斯推理基于如下的假定,即待考查的量遵循某概率分布,且可根据这些概率及已观察到的数据进行推理,以做出最优的决策。朴素贝叶斯学习算法能够计算显式的假设概率,是解决相应学习问题的最实际的方法之一。 朴素贝叶斯分类器基于一个简单的假定:在给定目标值时属性值之间条件相互独立,即在给定实例的目标值情况下,观察到联合的a1,a2,…,an的概率等于每个单独属性的概率乘积 P(a1,a2,…,an|vj)=∏iP(ai|vj)(1) 贝叶斯方法的新实例分类目标是在给定描述实例的属性值〈a1,a2,…,an〉下,得到最可能的目标值vMAP vMAP=argmaxvj∈V p(vj|a1,a2,…,an) (2) (1)式代入(2)式中,可得到朴素贝叶斯分类器所使用的方法: vNB=argmaxP(vj)∏i vj ∈VP(ai|vj) (3) 对于每个客户浏览过的网页和购买过的商品建立兴趣配置文件,每次客户登录时向他介绍感兴趣的商品。由于兴趣配置文件以文本为形式,这样,朴素贝叶斯分类器就可以应用于兴趣配置文件。朴素分类器是目前所知文本文档分类算法中最有效的方法之一,可以得到很好的效果。 用于学习和分类文本的朴素贝叶斯算法 以下两个过程,其中LEARN—NAIVE—BAYES—TEXT用来分析所有训练文档,抽取所有出现的英文单词、中