偏好处理是人工智能领域的一个热门研究领域,条件偏好网(Conditional Preference networks,CP-nets)是一种图模型,可以表示变量与变量的偏好关系。其主要研究内容包括CP-nets的表示、推理、聚合和学习等。近年来,CP-nets的学习研究正吸引越来越多的关注,并取得了一系列的成果。CP-nets学习的思想是通过观察用户的查询记录来提取偏好结构和多个偏好参数。但是,CP-nets学习的相关方法尚未完善,要得到CP-nets准确的图模型比较困难,特别是数据量急剧增加时,求解时间也大大延长。针对现有研究存在的问题,本文提出了基于属性依赖度和进化规划方法研究CP-nets的结构学习问题,主要研究工作如下:(1)基于偏好数据库中属性依赖度的CP-nets结构学习研究本文在偏好数据库的基础上提出CP-nets结构学习的方法,包括以下几个方面的内容:基于偏好数据库对CP-nets学习问题进行形式化;提出了属性间依赖度的计算方法,并在此基础上提出了一种从偏好数据库中生成CP-nets结构的ADLA算法;在获得CP-nets结构之后,还提出了进行消环处理的方法和条件偏好表的学习。基于这些方法,可以获得更准确的CP-nets结构,并通过实验验证了算法的有效性。(2)基于进化规划方法的CP-nets结构学习研究随着偏好数据库中属性的增加,ADLA算法的时间复杂度呈指数型增加,很难学习到准确的CP-nets结构。为解决这一问题,采用进化规划的方法学习CP-nets结构,以获得其近似最优结构。主要工作包括:基于属性依赖度提出CP-nets结构的评估方法;结合进化规划方法进行搜索过程的优化,并提出了一种新的学习CP-nets结构的Evaluate-EP算法。通过实验验证,在获得近似最优CP-nets结构的同时,明显缩小了运行时间。综上所述,基于属性依赖度的ADLA算法一定能够在偏好数据库中学习得到一个紧凑的无环CP-nets结构。同时针对数据库中属性数量增加所带来的计算困难,利用Evaluate-EP学习方法在较短时间内得到近似最优的CP-nets结构。最后,总结了本文的主要内容,并给出未来的研究方向。