基于g方检验的cp-nets学习

偏好处理是人工智能中的一个重要研究内容。cp-nets（conditionalpreferencenetworks，条件偏好网）是一个带标记的有向图，它编码相关变量之间的偏好关系。作为一种简单直观的图形偏好表示工具，却很少有工作对cp-nets的结构进行研究。研究cp-nets的结构，提出了基于g方检验对cp-nets进行结构学习的算法，并给出算法的时间复杂度为o(n？2n).作为一种对数似然比检验方法，g方检验特别适合于判断变量之间的因果关系。由于cp-nets的核心概念是条件偏好无关，因此利用g方检验可有效地实现cp-nets的结构学习。通过构造g方检验的统计量，在给定的成对比较样本集中，执行零假设检验，从而依次求出每个顶点的父亲集，进而得到cp-nets的结构。最后，通过随机生成的模拟数据，验证了所提出算法的有效性。与相关cp-nets的学习算法对比，本文提出的方法具有被动的，离线的，和基于统计学习的特征。