本發(fā)明涉及商務類網(wǎng)站的智能推薦技術領域，具體涉及將關聯(lián)規(guī)則與貝葉斯網(wǎng)絡集成的推薦算法。

背景技術：

互聯(lián)網(wǎng)和信息技術快速發(fā)展使得商務網(wǎng)站交易越來越頻繁，大量的信息聚集起來形成海量信息。幫助用戶從海量信息中快速準確地尋找到自己感興趣的信息，建立一個有效的推薦系統(tǒng)，可以使商務網(wǎng)站建立穩(wěn)定的企業(yè)忠實顧客群，提高用戶滿意度。

關聯(lián)規(guī)則由于形式很簡單，應用方便，得到快速的發(fā)展。關聯(lián)規(guī)則可用于發(fā)現(xiàn)商務網(wǎng)站交易數(shù)據(jù)庫中不同項目之間的聯(lián)系,這些規(guī)則反映了用戶的網(wǎng)站瀏覽模式。發(fā)現(xiàn)這些規(guī)則可以應用向用戶推薦感興趣的網(wǎng)址。自從關聯(lián)規(guī)則提出以來，已成為主流的推薦技術。但是關聯(lián)規(guī)則不能表達不同規(guī)則之間的聯(lián)系，這極大地限制了關聯(lián)規(guī)則在復雜情形下的應用。而貝葉斯網(wǎng)絡用圖形化的形式表示了如何將與一系列節(jié)點相關的條件概率函數(shù)組合成為一個整體的聯(lián)合概率分布函數(shù)。一個貝葉斯網(wǎng)絡包括了一個結構模型和與之相關的一組條件概率分布函數(shù)。結構模型是一個有向無環(huán)圖，其中的節(jié)點表示了隨機變量，它是對于過程、事件、狀態(tài)等實體的某特性的描述，邊則表示變量間的概率依賴關系。圖中的每個節(jié)點都有一個在給定其父節(jié)點情況下該節(jié)點的條件概率分布函數(shù)。

由于貝葉斯網(wǎng)是變量的聯(lián)合概率的表示，所以在對節(jié)點狀態(tài)進行推理的過程中，能夠綜合考慮各個因素（父節(jié)點）的影響，由于關聯(lián)規(guī)則和貝葉斯網(wǎng)絡都是以概率論為理論基礎的，可以考慮使用貝葉斯網(wǎng)絡修正關聯(lián)規(guī)則，并通過概率推論的方式預測當前用戶訪問對未曾瀏覽網(wǎng)址的概率，將得到的結果排序，推薦概率top-n的網(wǎng)址。

本發(fā)明根據(jù)用戶歷史瀏覽信息，發(fā)現(xiàn)商務網(wǎng)站交易數(shù)據(jù)庫中不同項目之間的聯(lián)系,將這些反映了用戶的網(wǎng)站瀏覽模式的規(guī)則用有向無環(huán)圖表達出來，基于貝葉斯網(wǎng)絡預測當前用戶訪問各網(wǎng)址的條件概率，找出條件概率最大的n個網(wǎng)址推薦給用戶。為用戶提供個性化的服務的同時建立網(wǎng)站與用戶之間的密切關系，讓用戶對推薦系統(tǒng)產(chǎn)生依賴，從而建立穩(wěn)定的企業(yè)忠實顧客群，實現(xiàn)客戶鏈式反應增值，提高消費者滿意度。通過提高服務效率幫助消費者節(jié)約交易成本等，制定有針對性的營銷戰(zhàn)略方針，促進企業(yè)長期穩(wěn)定高速發(fā)展。

技術實現(xiàn)要素：

本發(fā)明針對商務網(wǎng)站的智能推薦技術，在關聯(lián)規(guī)則的基礎上學習貝葉斯網(wǎng)絡結構，提出將關聯(lián)規(guī)則與貝葉斯網(wǎng)絡集成的推薦算法。

方法包括以下步驟：首先，對網(wǎng)址進行關聯(lián)分析，并將關聯(lián)規(guī)則按提升度排序。然后，依據(jù)關聯(lián)規(guī)則前后件的關系，將關聯(lián)規(guī)則轉(zhuǎn)化成初始貝葉斯網(wǎng)絡。再然后對初始貝葉斯網(wǎng)絡進行結構學習，尋找最優(yōu)貝葉斯網(wǎng)絡結構，并學習最優(yōu)貝葉斯網(wǎng)絡結構的參數(shù)，此時的最優(yōu)貝葉斯網(wǎng)絡相當于對關聯(lián)規(guī)則的修正。最后使用貝葉斯方法預測當前用戶訪問未知網(wǎng)址的概率，將概率最大的n個網(wǎng)址推薦給用戶。

所述的將關聯(lián)規(guī)則與貝葉斯網(wǎng)絡集成，是對原始事務集使用apriori算法得到關聯(lián)規(guī)則，按提升度排序后,將其轉(zhuǎn)化成貝葉斯網(wǎng)絡結構。貝葉斯網(wǎng)的結構是一個有向無環(huán)圖，圖中的每一個節(jié)點唯一地對應一個隨機變量，節(jié)點的狀態(tài)對應于隨機變量的值。圖中的有向邊表示變量（節(jié)點）之間的條件（因果）依賴關系。關聯(lián)規(guī)則的前件和后件間也蘊含著一種依賴關系，轉(zhuǎn)化的思路就是將關聯(lián)規(guī)則中的這種依賴關系用貝葉斯網(wǎng)的結構表示出來。

所述的貝葉斯預測，將所有網(wǎng)址是否被訪問看成一組隨機向量變量，當前用戶的歷史訪問記錄就是一個樣本，結合這個樣本數(shù)據(jù)和參數(shù)先驗，預測某個網(wǎng)址被訪問的概率。變量包含貝葉斯網(wǎng)絡節(jié)點和非貝葉斯網(wǎng)絡節(jié)點兩部分，假設貝葉斯網(wǎng)絡節(jié)點條件獨立，非貝葉斯網(wǎng)絡節(jié)點相互獨立，貝葉斯網(wǎng)絡節(jié)點和非貝葉斯網(wǎng)絡節(jié)點相互獨立。

所述的關聯(lián)規(guī)則與貝葉斯網(wǎng)絡集成的推薦算法具體步驟如下：

1)數(shù)據(jù)預處理。在對原始數(shù)據(jù)的探索分析的基礎上，發(fā)現(xiàn)與分析目標無關或模型需要處理的數(shù)據(jù)，針對此類數(shù)據(jù)進行處理。通過數(shù)據(jù)清洗、數(shù)據(jù)集成和數(shù)據(jù)變換，將原始數(shù)據(jù)處理成模型需要的輸入數(shù)據(jù)。其中為用戶集，為網(wǎng)址集。

2)關聯(lián)規(guī)則。首先將數(shù)據(jù)集d轉(zhuǎn)化成事務集dt,考慮到要與貝葉斯網(wǎng)絡對應，本發(fā)明只分析具有單個后件屬性狀態(tài)的關聯(lián)規(guī)則前件更新問題，因此apriori算法只需檢索出事務數(shù)據(jù)庫中的所有2項頻繁項集，利用頻繁項集構造出滿足用戶最小提升度的規(guī)則，并根據(jù)提升度將規(guī)則按從大到小的順序排列。

3)將關聯(lián)規(guī)則轉(zhuǎn)化成貝葉斯網(wǎng)絡。轉(zhuǎn)化的思路就是將關聯(lián)規(guī)則中的這種依賴關系用貝葉斯網(wǎng)的結構表示出來。關聯(lián)規(guī)則的前件網(wǎng)址和后件網(wǎng)址間蘊含著一種依賴關系。貝葉斯網(wǎng)絡如果存在從節(jié)點指向節(jié)點的有向邊，則在指向的方向上，的狀態(tài)條件依賴于的狀態(tài)，稱是的一個父節(jié)點，的父節(jié)點集可以表示為。關聯(lián)規(guī)則的項與貝葉斯網(wǎng)絡的節(jié)點是對應的，貝葉斯網(wǎng)絡中的點表示的是一個變量，指用戶是否瀏覽網(wǎng)址這個二值變量，而關聯(lián)規(guī)則中的項表示的是這個變量的一個狀態(tài)，即用戶訪問網(wǎng)址這個事件。這樣依照提升度自上而下就將各節(jié)點及其父節(jié)點找出來。

4)尋找最優(yōu)貝葉斯網(wǎng)絡，并估計參數(shù)。本發(fā)明采用mcmc方法學習貝葉斯網(wǎng)絡的結構，通過gibbs抽樣算法，將局部的邊增加、刪除和反向的均勻分布作為抽樣過程的建議分布，并利用抽樣過程收斂之后產(chǎn)生的來自目標平穩(wěn)分布的網(wǎng)絡結構樣本來估計貝葉斯網(wǎng)絡的結構特征，構建最優(yōu)貝葉斯網(wǎng)絡。參數(shù)的學習實在最優(yōu)貝葉斯網(wǎng)絡結構的基礎上進行的，本發(fā)明使用貝葉斯方法估計的參數(shù)，節(jié)點的條件概率分布都是多項式分布，因此參數(shù)的共軛先驗及其后驗分布都是狄利克雷分布。從關聯(lián)規(guī)則的角度來看，貝葉斯網(wǎng)絡的學習過程實際上是關聯(lián)規(guī)則的優(yōu)化過程。

5)貝葉斯預測。目標網(wǎng)址是否被訪問是隨機變量，變量分為貝葉斯網(wǎng)絡節(jié)點和非貝葉斯網(wǎng)絡節(jié)點，非貝葉斯網(wǎng)絡節(jié)點相互獨立，非貝葉斯網(wǎng)絡節(jié)點和貝葉斯網(wǎng)絡節(jié)點相互獨立，所以若是非貝葉斯節(jié)點，預測值是其邊緣概率；貝葉斯網(wǎng)絡節(jié)點條件獨立，貝葉斯網(wǎng)絡節(jié)點和非貝葉斯網(wǎng)絡節(jié)點相互獨立，若是貝葉斯節(jié)點，預測值是條件概率的乘積。

6)做出推薦。將個網(wǎng)址的預測值排序，從中選出預測值top-n的網(wǎng)址推薦給當前用戶。然后對模型從精度和時效兩方面進行評價。統(tǒng)計精度方法采用指標平均絕對誤差（mae）。決策支持精度指標采用精確率（precision）和召回率（recall）。時效用響應時間來衡量。

本發(fā)明創(chuàng)造性地將關聯(lián)規(guī)則和貝葉斯網(wǎng)絡兩種數(shù)據(jù)挖掘方法集成運用在網(wǎng)站智能推薦上。一方面，關聯(lián)規(guī)則由于形式很簡單，應用方便，但不能表達不同規(guī)則之間的聯(lián)系，復雜情形下的應用受到極大地限制。而貝葉斯網(wǎng)表示變量的聯(lián)合概率，能夠綜合考慮各個因素（父節(jié)點）的影響。另一方面，貝葉斯網(wǎng)絡節(jié)點數(shù)量大時，計算量大，結構復雜，學習時間長，關聯(lián)規(guī)則可以較快的得到節(jié)點之間的依賴關系，借助關聯(lián)規(guī)則的貝葉斯網(wǎng)絡可以快速學習達到最優(yōu)結構。這兩種方法結合互補，經(jīng)驗證（見后文算法算例）提高了模型的精確度和運算效率。本發(fā)明用貝葉斯預測當前用戶訪問未知網(wǎng)址的概率，貝葉斯方法能夠使先驗知識和數(shù)據(jù)有機的結合，在樣本數(shù)據(jù)稀疏時，能夠充分利用先驗知識得到可靠結果，一些過于冷門或熱門網(wǎng)址，作為分析的異常點，在貝葉斯網(wǎng)絡分析中也能充分利用，并得到穩(wěn)健結果。

附圖說明

圖1關聯(lián)規(guī)則和貝葉斯網(wǎng)絡集成推薦算法的流程圖；

圖2步驟1數(shù)據(jù)預處理的流程圖；

圖3步驟3關聯(lián)規(guī)則轉(zhuǎn)化成貝葉斯網(wǎng)絡的一般式例，對一個關聯(lián)規(guī)則，通過本發(fā)明步驟3的算法課構建的貝葉斯結構；

圖4本發(fā)明模型的平均絕對誤差與傳統(tǒng)關聯(lián)規(guī)則算法的比較圖；

圖5本發(fā)明模型的精確率和召回率與傳統(tǒng)關聯(lián)規(guī)則算法的比較圖；

圖6本發(fā)明模型的時間性能與傳統(tǒng)貝葉斯網(wǎng)絡算法的比較圖。

具體實施方式

下面結合附圖和實施例對本發(fā)明的技術方案進行詳細的說明。

圖1給出了商務網(wǎng)站個性化推薦方法過程，具體步驟如下：

步驟1：數(shù)據(jù)預處理。在對原始數(shù)據(jù)的探索分析的基礎上，發(fā)現(xiàn)與分析目標無關或模型需要處理的數(shù)據(jù)，針對此類數(shù)據(jù)進行處理。通過數(shù)據(jù)清洗、數(shù)據(jù)集成和數(shù)據(jù)變換，將原始數(shù)據(jù)處理成模型需要的輸入數(shù)據(jù)。其中為用戶集，為網(wǎng)址集。

步驟2：關聯(lián)規(guī)則。首先將數(shù)據(jù)集d轉(zhuǎn)化成事務集dt,考慮到與貝葉斯網(wǎng)絡對應，本發(fā)明只分析具有單個后件屬性狀態(tài)的關聯(lián)規(guī)則前件更新問題，因此apriori算法只需檢索出事務數(shù)據(jù)庫中的所有2項頻繁項集，利用頻繁項集構造出滿足用戶最小提升度的規(guī)則，并根據(jù)提升度將規(guī)則按從大到小的順序排列。

步驟3：將關聯(lián)規(guī)則轉(zhuǎn)化成貝葉斯網(wǎng)絡。轉(zhuǎn)化的思路就是將關聯(lián)

規(guī)則中的這種依賴關系用貝葉斯網(wǎng)的結構表示出來。關聯(lián)規(guī)則的前件網(wǎng)址和后件網(wǎng)址間蘊含著一種依賴關系。貝葉斯網(wǎng)絡如果存在從節(jié)點指向節(jié)點的有向邊，則在指向的方向上，的狀態(tài)條件依賴于的狀態(tài)，稱是的一個父節(jié)點，的父節(jié)點集可以表示為。關聯(lián)規(guī)則的項與貝葉斯網(wǎng)絡的節(jié)點是對應的，貝葉斯網(wǎng)絡中的點表示的是一個變量，指用戶是否瀏覽網(wǎng)址這個二值變量，而關聯(lián)規(guī)則中的項表示的是這個變量的一個狀態(tài)，即用戶訪問網(wǎng)址這個事件。這樣依照提升度自上而下就將各節(jié)點及其父節(jié)點找出來。

步驟4：尋找最優(yōu)貝葉斯網(wǎng)絡，并估計參數(shù)。本發(fā)明采用mcmc方法學習貝葉斯網(wǎng)絡的結構，通過gibbs抽樣算法，將局部的邊增加、刪除和反向的均勻分布作為抽樣過程的建議分布，并利用抽樣過程收斂之后產(chǎn)生的來自目標平穩(wěn)分布的網(wǎng)絡結構樣本來估計貝葉斯網(wǎng)絡的結構特征，構建最優(yōu)貝葉斯網(wǎng)絡。參數(shù)的學習實在最優(yōu)貝葉斯網(wǎng)絡結構的基礎上進行的，本發(fā)明使用貝葉斯方法估計的參數(shù)，節(jié)點的條件概率分布都是多項式分布，因此參數(shù)的共軛先驗及其后驗分布都是狄利克雷分布。從關聯(lián)規(guī)則的角度來看，貝葉斯網(wǎng)絡的學習過程實際上是關聯(lián)規(guī)則的優(yōu)化過程。

步驟5：貝葉斯預測。目標網(wǎng)址是否被訪問是隨機變量，變量分為貝葉斯網(wǎng)絡節(jié)點和非貝葉斯網(wǎng)絡節(jié)點，非貝葉斯網(wǎng)絡節(jié)點相互獨立，非貝葉斯網(wǎng)絡節(jié)點和貝葉斯網(wǎng)絡節(jié)點相互獨立，所以若是非貝葉斯節(jié)點，預測值是其邊緣概率；貝葉斯網(wǎng)絡節(jié)點條件獨立，貝葉斯網(wǎng)絡節(jié)點和非貝葉斯網(wǎng)絡節(jié)點相互獨立，若是貝葉斯節(jié)點，預測值是條件概率的乘積。

步驟6：做出推薦。將個網(wǎng)址的預測值排序，從中選出預測值top-n的網(wǎng)址推薦給當前用戶。然后對模型從精度和時效兩方面進行評價。統(tǒng)計精度方法采用指標平均絕對誤差（mae）。決策支持精度指標采用精確率（precision）和召回率（recall）。時效用響應時間來衡量。

所述的步驟1具體說明如下：

抽取某法律網(wǎng)站三個月內(nèi)（2015-02-01~2015-04-29）廣州地區(qū)用戶的訪問數(shù)據(jù)作為原始數(shù)據(jù)集。其數(shù)據(jù)量總共有837450條記錄，其中包括用戶號、訪問時間和訪問頁面。從原始數(shù)據(jù)中對重復數(shù)據(jù)、與分析目標無關的數(shù)據(jù)（律師登錄助手的頁面）和目錄網(wǎng)頁（無html后綴的網(wǎng)頁）進行清洗。翻頁的網(wǎng)址屬于同一類型的網(wǎng)頁，這些網(wǎng)頁需要還原其原始類別。預處理后抽取245515條記錄，一共108204個用戶，48573個網(wǎng)址，作為實驗數(shù)據(jù)集。記用戶集為，網(wǎng)址集為，時間間隔集為，將實驗數(shù)據(jù)整理成形如數(shù)據(jù)源。

所述的步驟2具體說明如下：

首先將預處理后的數(shù)據(jù)轉(zhuǎn)化為事務數(shù)據(jù)庫dt，然后調(diào)用apriori算法利用迭代得到頻繁集集合，生成了二項頻繁集，根據(jù)支持度，提升度和置信度生成強關聯(lián)規(guī)則，并按提升度排序。關聯(lián)規(guī)則的生成算法具體如下：

輸入：事務數(shù)據(jù)，最小支持度，最小提升度；最小置信度；。

輸出：關聯(lián)規(guī)則。

步驟：

1）計算1項集的支持度，找到1項頻繁集；

2）根據(jù)apriori算法由生成2項頻繁集的候選集；

3）排列組合出候選集中的2項集，計算每個2項集的支持度；

篩選出2項頻繁集，

4）關聯(lián)規(guī)則初始化；

5）對任一2項頻繁集的2項，如果，且滿足或

，則有或。

6）將關聯(lián)規(guī)則按照提升度從大到小的順序排列。

所述的步驟3的具體說明如下：

記融合了關聯(lián)規(guī)則的貝葉斯網(wǎng)絡為，其中是貝葉斯網(wǎng)絡結構，為關聯(lián)規(guī)則前件和后件網(wǎng)址是否訪問的隨機向量變量，有向邊集表示前后件網(wǎng)址間的條件依賴關系，如果存在從節(jié)點指向節(jié)點的有向邊，則在指向的方向上，的狀態(tài)條件依賴于的狀態(tài)，稱是的一個父節(jié)點，的父節(jié)點集可以表示為；為條件概率分布的集合，由各節(jié)點的條件概率表值構成。表示節(jié)點在其父節(jié)點集取值影響下的條件概率。

該貝葉斯網(wǎng)的成立還需滿足以下三條假設：

假設一：假設所有前件對后件的影響都是獨立的。

假設二：假設已經(jīng)列盡了所有的前件。

假設三：假設沒有出現(xiàn)的前件對后件沒有影響。

貝葉斯網(wǎng)絡結構生成的算法如下：

輸入：事務數(shù)據(jù)集，待修正的關聯(lián)規(guī)則；

輸出：貝葉斯網(wǎng)絡結構。

步驟：

1）初始化結構式；

2）對于規(guī)則中的每一個頻繁集，如果，那么；

3）構造指針指向規(guī)則的起始位置。

4）取出指向的規(guī)則，，如果間不存在有向路徑，則；

5）如果還沒有到盡頭的話，指向下一條規(guī)則，回到步驟4；

6）刪除中沒有邊相連的節(jié)點。

所述的步驟4包括以下子步驟：

s4.1：貝葉斯網(wǎng)絡結構學習：

根據(jù)關聯(lián)規(guī)則的項集包含的網(wǎng)址集的被瀏覽記錄，找到相應的用戶集，構成用戶網(wǎng)址矩陣，作為訓練數(shù)據(jù)矩陣：

本發(fā)明采用mcmc方法學習貝葉斯網(wǎng)絡的結構，通過gibbs抽樣算法，將局部的弧增加、刪除和反向的均勻分布作為抽樣過程的建議分布，并利用抽樣過程收斂之后產(chǎn)生的來自目標平穩(wěn)分布的網(wǎng)絡結構樣本來估計貝葉斯網(wǎng)絡的結構特征。

添加輔助變量,

輔助變量的作用是描述貝葉斯網(wǎng)絡結構，記向量：

，

gibbs抽樣算法的抽樣過程如下：

1）將根據(jù)關聯(lián)規(guī)則構造的貝葉斯網(wǎng)絡作為初始狀態(tài)，此時

。

2）對循環(huán)采樣

3）

4）…

5）

6）…

7）

8）…

9）

以上算法收斂后得到的的穩(wěn)定分布，由此構造的貝葉斯網(wǎng)絡為所求的最優(yōu)網(wǎng)絡結構。

s4.2：貝葉斯網(wǎng)絡參數(shù)學習：

本發(fā)明采用mcmc方法學習貝葉斯網(wǎng)絡的參數(shù)，假設各分布參數(shù)的估計是相互獨立的。根據(jù)參數(shù)獨立性假設，節(jié)點的條件概率

其中為網(wǎng)址被訪問的次數(shù),為總的實例數(shù)。令，則有隨機變量條件分布的參數(shù)，的聯(lián)合條件分布為

從參數(shù)的后驗分布中應用gibbs抽樣算法，具體抽樣過程如下：

1）將根據(jù)關聯(lián)規(guī)則構造的貝葉斯網(wǎng)絡作為初始狀態(tài)，此時

2）對循環(huán)采樣

3）

4）…

5）

6）…

7）

8）…

9）

其中。

后驗分布的推導如下：

由于的似然函數(shù)是多項式分布，故的共軛先驗分布為狄利克雷分布：

其中超先驗參數(shù)。

的后驗分布為

其中，，，當時，為網(wǎng)址和網(wǎng)址同時被訪問的次數(shù)，當時，為網(wǎng)址被訪問的次數(shù)。

所述的步驟5具體說明如下：

把當前用戶的歷史訪問網(wǎng)址記錄，看成隨機變量的一個樣本，貝葉斯預測的目的就是在已知樣本數(shù)據(jù)的條件下，預測各網(wǎng)址被訪問概率，網(wǎng)址被訪問與否的隨機變量記，有貝葉斯網(wǎng)絡節(jié)點和非貝葉斯網(wǎng)絡節(jié)點兩種情況。

1.當網(wǎng)址為訓練樣本外的網(wǎng)址，即。

2.當網(wǎng)址為訓練樣本內(nèi)的網(wǎng)址，即。

這是一個高維積分，計算復雜，我們尋求另一種思路，考慮到，，，且獨立于，因此二項分布。

其中，記

則有的期望為：

因此

網(wǎng)址被訪問的預測值為：

所述的步驟6具體說明如下：

平均絕對誤差表示預測值與實際值的誤差，推薦結果的平均絕對誤差越小推薦質(zhì)量越好。精確率，召回率。其中是推薦結果中推薦正確的物品的數(shù)目,是推薦結果中錯誤推薦的物品的數(shù)目,是應該被推薦但沒有出現(xiàn)在推薦結果中的物品的數(shù)目。推薦結果的精確率和召回率越高，則最終得到的推薦結果越準確。下面兩表分別就傳統(tǒng)的關聯(lián)規(guī)則算法，和關聯(lián)規(guī)則與貝葉斯網(wǎng)絡集成算法比較平均絕對誤差值和精確率與召回率。時間性能取決于數(shù)據(jù)規(guī)模，下面分別就傳統(tǒng)貝葉斯網(wǎng)絡和關聯(lián)規(guī)則與貝葉斯網(wǎng)絡集成算法比較響應時間。

表1不同數(shù)據(jù)規(guī)模下的平均絕對誤差

表2不同推薦數(shù)目的精確率和召回率

表3不同數(shù)據(jù)規(guī)模下的時效

綜合以上分析，本發(fā)明將關聯(lián)規(guī)則和貝葉斯網(wǎng)絡兩種數(shù)據(jù)挖掘方法集成運用在網(wǎng)站智能推薦上，使兩種方法結合互補，提高了模型的精確度和運算效率。關聯(lián)規(guī)則可以較快的得到節(jié)點之間的依賴關系，借助關聯(lián)規(guī)則的貝葉斯網(wǎng)絡可以快速學習達到最優(yōu)結構。貝葉斯預測當前用戶訪問未知網(wǎng)址的概率，貝葉斯方法能夠使先驗知識和數(shù)據(jù)有機的結合，在樣本數(shù)據(jù)稀疏時，能夠充分利用先驗知識得到可靠結果，一些過于冷門或熱門網(wǎng)址，作為分析的異常點，在貝葉斯網(wǎng)絡分析中也能充分利用，并得到穩(wěn)健結果。