基于隐马尔可夫模型的在线视频个性化推荐研究

王新武

（大连财经学院，辽宁 大连 116000）

0 引言

隐马尔可夫模型（HMM）是由Baum等人于1966年率先提出来的[1]。HMM是马尔可夫模型的延伸，是一个概率模型，可以用来预测序列问题。HMM最早应用于语音识别中，并获得了巨大的成功，之后被广泛应用于模式识别、图像识别、生物信息科学、故障诊断等领域，取得了可喜的成绩[2]。随着研究的深入，HMM的应用也越来越广泛。

1 隐马尔可夫模型建模

下面是以解码问题为例的隐马尔可夫模型建模过程：

（1）状态集：定义一个状态集合G={G1,G2,…,Gn}

（2）转移集：每个状态转移元素集合(gi→gi+1)

（3）观察集：输出的观察符号集：

从g1开始，转移到新的状态gi，可以观测到一个输出符号σi。经过转移到最终状态，会得到一个符号串：H=h1,h2,…,h i。每一个状态转移对应的概率为P(gi→gi+1)。在任意状态观测到特殊符号的概率P(H|g)。在一个隐马尔可夫模型O上，序列H被观测到的概率是所有可能路径的概率和，如式（1）所示：

建立隐马尔科夫模型的目的就是找到能使观察概率达到最大的状态序列Q(H|O)，如式（2）所示：

HMM用图形表示如图1所示。

图1 HMM图形

任意时刻状态序列的产生：序列在某时刻的状态是a1，在该状态下得到的观察值是e1，从a1转移到a2，在a2状态下得到观察值e2。按照此种方法，会得到一个观察值序列E={e1,e2,…ei,…,et}。因为在任意时刻产生的观察值e只依赖于状态值a，所以可以得到在a状态下出现e观察值的概率为所有时刻状态转移概率和观测概率的乘积，

2 隐马尔可夫模型应用

（1）个性化推荐：基于隐马尔可夫模型的偏好进化学习和高维数据稀疏问题处理[3]。……