随着电子商务的发展,网上购物被越来越多的人所接受,购物网站所提供的信息也越来越丰富,购物网站之间的竞争也越来越激烈,好的购物网站导购系统在购物网站竞争中起非常重要的作用,因此如何更好地为客户在众多的商品信息中提供更好的导购服务成为各购物网站必须解决的问题。Bayes网(概率网)在在线导购中的应用能比较好的解决这一问题。Pearl于1982年提出的Bayes网,又称贝叶斯网、概率网、信度网,是一种基于概率论和图论的不确定知识表示模型。Bayes网在不确定知识表示及推理中表现出的卓越性能,使其获得了广泛的关注,对Bayes网的研究已成为当今人工智能领域研究的热点之一。目前对Bayes网的研究可以分为三个方面:Bayes网推理、Bayes网学习及Bayes网应用。本论文对这三方面作了一些总结和探讨,并提出了一种基于Bayes网的在线购物网站导购系统模型。基于信度网的在线导购系统中,其导购过程主要是依靠信度网的推理计算。信度网的推理算法可以分为两类:一类称为精确推理,即精确地计算假设变量的后验概率。另一类称为近似推理,即在不影响推理正确性的前提下,通过适当降低推理精度来达到提高计算效率的目的。而本导购系统是利用顾客所有的浏览购物网站的历史信息作为推理的证据来推导顾客感兴趣的商品,从而提供在线导购。如果该顾客是首次浏览网站,没有历史浏览信息,则利用所有顾客的浏览信息作为推理证据进行推理,从而实现导购。可见,要实现导购,就要通过对顾客浏览数据库的学习来建立关于商品的Bayes网模型,该模型中包含了大量顾客在购物网站上的浏览中所体现出的对各个商品的相关性。创建该模型的过程包括建立Bayes网的结构,以及学习对应结构的条件概率表两个过程。我们可以利用购物网站的信息结构图来构造信度网的结构。用于Bayes网学习的顾客浏览数据库是一个完整的实例数据库,所以计算结构中各个结点的条件概率表比较简单,通过对浏览数据库的统计就可以完成。目前Bayes网已应用到模式识别、知识发现及最优决策等多个领域。本文提出的基于Bayes网的购物网站在线智能导购系统,利用Bayes网模型对顾客的浏览数据进行分析,可以在线为顾客提供导购,使其快速找到感兴趣的商品。另外通过最大可能配置计算获得的结果,表示了顾客对购物网站的各个商品的兴趣,利用这些信息来重新调整购物网站的结构设计,就可以设计出符合顾客爱好的商品结构,而且通过对这些热点商品的发现,可以找到最佳的广告插入点,从而提高广告的访问量。因而该系统还可用于购物网站结构优化、广告最佳插入位置的选定等。