中文摘要：

在许多现实的数据挖掘与机器学习应用中，排列是非常重要的。比如，零售商业中的客户信任度排列，金融业中的排列目标市场客户等。项目从理论上研究贝叶斯网络的表达排列问题的能力，更一步调查研究现有的经典的贝叶斯网络分类算法的排列性能并尝试用基于AUC的评估标准加以改进。首次系统研究应用增加隐含节点、实例克隆等新方法来设计基于贝叶斯网络的排列算法、并探讨其在实际应用领域中的价值。首次提出基于Weka平台二次开发贝叶斯网络排列算法软件包、搭建用于比较排列算法的实验平台，具有开发速度快、实验结果准确，代码可移植性好等特点。项目研究得到的理论成果可以为基于贝叶斯网络的排列算法研究提供示例，开发出来的贝叶斯网络排列算法软件包可以丰富Weka实验平台，为世界同行的研究带来方便。具有重大的理论意义和应用前景。

结论摘要：

本项目在执行期间对基于贝叶斯网络的排序算法及相关问题进行了深入研究。面向排序，从理论上研究了贝叶斯网络的表达能力贝叶斯网络表达排序能力的上界和下界；朴素贝叶斯网络属性条件独立性对其排序能力的影响；贝叶斯排序网络的结构复杂性和表达排序能力之间的关系。系统研究了改进朴素贝叶斯的各种方法结构扩展、实例加权、属性选择、组合学习等。对取得的重要进展和学术成绩详述如下 1）在结构扩展方向对加权平均的一依赖估测器算法（WAODE）进行了完善与扩展，提出了多种不同的权值学习方法；为改进树扩展的朴素贝叶斯算法（TAN）的类概率估测性能，利用组合学习的思想提出了平均树扩展的朴素贝叶斯算法（ATAN）。成果已发表在国际著名期刊JETAI和KBS上。 2）在实例加权方向结合判别学习提出了判别加权的朴素贝叶斯算法（DWNB）将其应用于文本分类中，取得了非常好的效果。还将实例加权的思想和半监督学习相结合，提出了实例加权的朴素贝叶斯算法（IWNB）。成果已发表在国际著名期刊IJAIT和JIIS上。 3）在属性选择方向将随机学习的思想融入到属性选择过程当中，提出了随机选择的朴素贝叶斯算法（RSNB）。还利用判别学习的思想，设计了三个不同版本的RSNB算法，以分别满足分类、排序、类概率估测三种不同学习目标的需要。该成果已发表在国际著名期刊ESWA上。 4）在组合学习方向将随机学习的思想融入父亲结点的选择过程中，提出了随机的一依赖估测器（RODE）。该成果已发表在国际著名期刊PRL上。 5）对决策树排序算法进行了初步的探索，提出了一种改进的随机森林算法（IRF）。该成果已发表在中国计算机科学前沿上。在本项目的支持下，共发表学术论文16 篇，其中国际SCI论文9篇。项目负责人还前往加拿大康考迪亚大学进行了为期半年的博士后研究，参加了两次国际会议，邀请了两名国外专家来华访问，培养了博士研究生1名，硕士研究生5名。