随着移动互联网的高速发展,电子商务和在线社交网络等Web2.0应用快速普及,随之产生了海量且动态变化的用户行为数据。用户评分数据是一种重要的用户行为数据,反映了用户对相关产品或服务的喜好程度。通过分析这些用户评分数据并建立用户偏好模型,能够为精准广告推荐、用户画像等个性化服务提供重要的数据和技术基础,且具有重要意义。近年来,许多研究人员提出了利用隐变量模型构建用户偏好模型的方法,以描述评分数据中的隐含知识,从而简化模型和增强模型的可解释性。含隐变量贝叶斯网(Bayesian network with a latent variable,BNLV)作为隐变量模型的一种,能够通过隐变量描述隐含在评分数据中的用户偏好,并且可以描述评分数据中属性间任意形式依赖关系及不确定性。传统的隐变量模型构建方法通常基于批量训练模式的机器学习算法,其假设所有评分数据在整个训练过程中可用。然而,数据通常按顺序到达,用户偏好可能会动态变化,用户产生的评分数据数量也会随着时间的推移而逐渐减少。评分数据稀疏和实时的特性,使得基于批量训练模式的偏好建模算法难以适应现实世界的在线应用。综上所述,本文的主要研究内容概括如下:(1)分析了评分数据中隐含的用户偏好及其相关属性,定义了基于BNLV的用户偏好模型(User preference model,UPM)。(2)针对传统BNLV参数学习算法需要利用期望最大化(Expectation Maximization,EM)算法迭代计算大量数据的问题,通过使用贝叶斯估计扩展Voting EM算法,提出了一种UPM参数的在线学习算法。(3)针对经典结构期望最大化(Structural Expectation Maximization,SEM)算法学习BNLV结构时需要调用EM算法进行参数学习的问题,提出了一种在搜索候选模型结构时重构模型参数表的方法,并改进打分搜索算法,使UPM结构学习能够满足在线学习的需求。(4)基于两个真实数据集测试了 UPM参数和结构在线学习的效率和有效性,并分析了相关实验结果。