贝叶斯学习是机器学习理论中的重要研究方向。它以贝叶斯法则为基础，通过已了解的数据分布的先验知识，结合样本训练数据来估算出整体数据的数学模型。贝叶斯学习的结果是获得一组变量的联合概率分布。贝叶斯学习由于其用概率的形式来表示不确定知识，故对不确定形式的问题它有独特的描述和计算优势。通过贝叶斯学习模型来计算一组输入，模型会给出每种解结果可能发生的概率值，而不是单一的给出一个确切解。个性化搜索和推荐是当下互联网研究的一个热点，其对搜索引擎、电子商务等有重要意义。由于每个人的选择倾向会受到各种因素的影响，故个性化定制问题也是一种不确定问题。正因此，笔者在深入研究贝叶斯学习相关理论的同时，重点探究了贝叶斯学习对个性化搜索和推荐的应用性。论文的主要内容和创新如下：1.研究了贝叶斯分类器理论及其在个性化搜索应用，设计了一种应用于商品分类的贝叶斯分类器，该分类器将表示商品的属性分为两类：一种是文字描述属性，用来表述商品名称、简介和评价等；令一种是表示离散量的属性，如价格、销量等。对于文本描述属性，分类器依据经典贝叶斯文本分类器方法计算分类概率，然后与其它离散属性的分类概率相乘。经过该分类器对商品分类，可以实现对商品添加更具目标性的描述标签，从而既可以丰富用户定位商品的术语选择，也有利于个性化搜索引擎解析用户描述语义，返回个性化搜索结果。2.研究了贝叶斯信念网络及其在个性化推荐应用，设计了一种根据全网客户的购买记录来构造一个描述用户购买行为的贝叶斯网络。对于推荐行为，算法的本质思想是发现与待推荐用户具有相似购买序的用户，并将购买序链中其它级的商品推荐给用户。该网络以用户购买的商品作为网络节点，应用基于信息论的依赖分析网络构造算法构造此网络，并学习训练网络节点的参数表。用户推荐就是贝叶斯网络推理的过程，对推荐网络的设计在考量计算规模和精度等情形下选择了一种近似推理的随机推理算法。