用户在淘宝、京东、Amazon、豆瓣、大众点评、Tripadvisor等Web2.0应用上的评分行为产生了海量评分数据,这些数据直观反映了用户对商品或服务的评价,同时蕴含着用户潜在偏好。评分数据涉及应用广泛,具有稀疏、多维等特点,一般包括用户属性、评分对象属性以及评分值。基于评分数据对用户偏好建模,构建能描述评分数据各变量间依赖关系的用户偏好模型,对实现个性化服务、精准营销有着重要意义。此外,为了反映海量评分数据的动态演化,有必要对评分数据进行增量式建模。贝叶斯网(Bayesian Network,BN)作为一种表示属性之间不确定性依赖关系的有效框架在偏好建模中得到了广泛应用,但无法直观刻画数据中的隐含知识,属性之间的依赖关系也较为复杂。含隐变量BN(BNwith Latent Variables)用隐变量描述隐含知识,可以直观描述用户潜在偏好、增强模型的可解释性。同时,含隐变量BN可利用EM算法和SEM算法来构建。因此,本文从评分数据出发,用多个隐变量表示多维偏好,重点研究多维偏好模型(Multi-dimensional Preference Bayesian Network,MPBN)的构建及增量更新,克服模型构建中计算量随着隐变量个数增加呈指数增长的效率瓶颈。具体而言,本文的主要研究内容概括如下:(1)本文以多维偏好建模为目标,以含多个隐变量的BN作为知识表示和推理的基本框架,给出了多维偏好模型的定义。(2)针对海量评分数据的动态性、EM算法和SEM算法对初始值的敏感性,并保证大量迭代计算的高效性,给出了模型构建的约束条件和初始模型,进而提出基于约束和子图嵌套合并的多维偏好模型构建方法及增量更新方法,并利用Spark计算引擎设计模型构建的并行算法。(3)针对用户个体之间的差异,基于MPBN的概率推理,给出了一种引入用户评分行为修正估计结果的偏好估计与评分估计方法。(4)为了测试本文方法的有效性与可行性,使用MovieLens真实评分数据集对多维偏好模型的构建、增量更新、偏好和评分估计结果进行了实验测试,实验结果验证了本文方法的有效性、可扩展性和高效性。