随着移动互联网的快速发展,互联网已经渗入到人们生活工作的方方面面,随之产生了大量的用户行为数据。用户行为数据中蕴含着用户的偏好,而用户偏好预示了用户的个人倾向以及可能的行为。同时,用户对评分对象的倾向是多个方面的,例如用户对一部电影的倾向,会分为对类型、语言等多个方面,这形成了多个维度的用户偏好。因此,理解用户行为数据、构建多维用户偏好模型、基于偏好模型的评分预测和偏好估计,是个性化服务的有效支撑,具有重要意义。一方面,用户偏好是客观存在的,但无法被直接观测到,隐变量可以描述无法直接观测的变量。同时,用户评分数据各属性之间拥有任意形式的依赖关系以及不确定性,贝叶斯网(Bayesian Network,BN)可以有效的表达属性间任意的依赖关系以及不确定性,且具有优秀的推理能力。将隐变量引入贝叶斯网是用户偏好建模的有效方法,已被广泛的应用于不确定性知识领域。本文以含多个隐变量的贝叶斯网来构建多维用户偏好模型。多隐变量情形下模型的构建过程会产生大量中间数据,使得计算复杂度急剧上升,而Spark计算框架能够有效的处理高计算复杂度的问题。另一方面,偏好估计和评分预测是多维用户偏好模型的两个重要应用,是个性化等服务的直接支撑,其核心是贝叶斯网的推理。传统的贝叶斯网推理方法重复计算多、计算复杂度高,变量消元法是一种能有效减少重复计算的贝叶斯网推理方法。因此,本文的主要研究工作概括如下:1.本文从用户的评分数据出发,以多个隐变量分别描述用户在评分对象多个维度的偏好,以含多个隐变量的隐变量模型作为表示用户偏好的基本知识框架。2.根据用户偏好和隐变量的特定含义设置约束条件,提出基于约束条件的模型构建方法。使用约束条件下的期望最大算法(Expectation Maximization,EM)来构建模型参数,约束条件下的结构期望最大算法(Structure Expectation Maximization,SEM)来构建模型结构,并以Spark计算框架加以实现。3.利用Spark计算框架,以变量消元法为基础,并引入预处理的思想,进而提出了基于多维偏好模型的偏好估计和评分预测的方法。最后,建立在Movielens数据集上的实验表明,本文提出的模型构建方法和模型应用方法是有效的。