偏好信息挖掘是人工智能领域一个重要的研究内容,近年来得到了广泛的研究。CP-nets在人工智能领域具有广泛的应用,主要被应用在协同过滤、推荐系统、产品配置等方面。然而,随着当前社会发展和数字数据的急剧增长,实时应用中的偏好数据以数据流的形式快速生成,并随着时间的变化而发生改变。挖掘数据的偏好越来越需要适应这种流式数据变化。传统的偏好学习方法大多应用在静态数据中,CP-nets动态学习相关的理论尚未完善,数据流中学习CP-nets的能力相对低效。针对该问题,本文从学习CP-nets的基本理论出发,利用滑动窗口模型研究数据流中的CP-nets增量式学习问题。论文主要研究内容包括如下两部分:(1)基于位序列表的CP-nets增量式学习研究。当数据流不断更新时,连续增加的数据逐渐成为海量大数据。由于内存和CPU有限,数据可能无法大批量存储运算,每个数据元组须在存储一定的时间后被忽略。本文提出基于位序列表的CP-nets增量式学习方法处理偏好数据流。该方法设置一个滑动窗口和滑动时间作为数据存储结构,将数据流批量输入并能够进行增减操作。利用位序列表增量存储二进制偏好信息,通过CP-nets学习算法学习属性之间的偏好关系。该算法在模拟数据集和真实数据集上的实验结果表明,算法能够根据用户的偏好信息得到较准确的CP-nets模型。与其他算法比较,在保证准确性的前提下,该算法的时间复杂度更低,算法效率更高。(2)基于MMPC算法的CP-nets增量式学习研究。由于用户需求和观测数据的随机性,训练样本中存在属性多样化问题。本文提出基于MMPC算法的CP-nets增量式学习方法能够在动态数据中挖掘属性偏好,该方法通过滑动窗口对动态数据样本进行增量的属性约减并建立初始父子关系结构,再利用增量式评分算法对结构进行优化,以得到最优CP-nets结构。该算法在模拟数据集和真实数据集上的实验结果表明,该算法具有一定的准确性和高效性,并能够在有限的时间内获得最优CP-nets结构。综上,基于位序列表的CP-nets增量式学习研究和基于MMPC算法的CP-nets增量式学习研究均通过滑动窗口模型进行CP-nets增量式学习,前者通过位序列表存储结构存储偏好数据学习属性之间的偏好,后者通过基于MMPC算法的增量学习方法学习属性之间的偏好,两种方法都能在较低算法的时间复杂度下得到准确、优化的CP-nets模型。