一个阶段将被再次执行，否则，前进到下一阶段。每个阶段发生的错误应被及时更正，在早期产生的错误若在后期加以更正将比在早期更正花费更大的代价。我们称重复经历某个阶段并进行评估的过程为建立一测试期(budd—textcycle)，据此，我们构建了自适应超媒体系统贝叶斯网络构造生命周期图，如图4所示。
在某一特定领域构造贝叶斯网络是一件非常困难并且也费时的工作。这种困难一方面来自于某些领域过于复杂，即使该领域的专家也无法完全正确的描述该领域的因果关系，这影响了贝叶斯网络的网络结构的构造；而另一方面，人们擅长于描述定性的关系，而不擅长描述定量的关系，这直接造成了在确定条件概率分布函数时的困难。
利用数据库中的大量原始数据，经过计算、分析，自动构造贝叶斯网络的网络结构和条件概率分布函数的方法，是一个能够有效降低贝叶斯网络构造工作量的途径，这方面的研究成为贝叶斯网络学习问题，最近几年，研究者提出了许多自动学习贝叶斯网络的算法，在此不再赘述。
4结语
超媒体系统中存在着众多的不确定因素，这促使研究者求助于概率理论中的贝叶斯网络方法，并由此发展成为目前人工智能领域中研究日益广泛的一个分支一贝叶斯网络。贝叶斯网络为超媒体系统提供了一种有效的推理机制，但是如何根据超媒体系统的特点构造一个有效、准确的贝叶斯网络将成为今后发展的重点。
上一页 [1] [2] [3]
