在人工智能领域,不确定性问题一直成为人们关注和研究的焦点。贝叶斯网是自然、紧凑的联合概率分布的图形表示形式,反映了变量间的潜在的依赖关系,揭示了领域对象的内在结构。由于其具有很多优点,贝叶斯网已成为解决许多不确定性问题的强有力工具,成为人工智能领域的研究热点。 贝叶斯网的关键在于建立网络,而由专家给出的贝叶斯网带有主观性和不确定性,因此从数据中学习成为可行的和必要的建网方法。 本文主要研究完备数据集的贝叶斯网结构学习,在研究和分析现有结构学习算法的基础上,将ACO算法和K2评分标准引入到基于打分的结构学习算法中。主要研究内容如下: (1) 基于ACO的贝叶斯网结构学习:本文将ACO算法作为搜索算法,K2评分标准作为评分函数,针对结构学习中的节点排序和建网提出了AntOrdering算法和ACO B算法,并且针对ACO算法的变化形式,对ACO B算法加以讨论。 (2) 贝叶斯网在CRM中应用:将贝叶斯网应用到CRM的客户分析(数据挖掘)模块中,利用贝叶斯网对客户信息加以分析和萃取,从中获得所需的信息,以满足决策者的需求。