1.一种贝叶斯协同过滤推荐方法，其特征在于，包括：

模型的输入为协同过滤推荐系统的评分矩阵 分解为两个潜在矩阵其中对于M×K的矩阵Uik表示用户i属于组k的概率，Uik∈(0,1)；对于N×K的矩阵Vjk表示用户组k喜欢商品j的证据，即预测评分矩阵R'＝UVT；由于数据集R比较稀疏，所以观察的条目可以用集合Ω＝{(i,j)|Rij is observed}；对这个问题采取概率方法；

对观测数据表示一个似然函数，并将潜在矩阵作为随机变量来处理；当假设R的每个值来自U和V的乘积时，加上一些高斯噪声 即：R＝UVT+E,

其中Ui,Vj表示U和V的第i行和第j行，Rij服从精度为τ的高斯分布；我们模型的参数集表示为θ＝{U,V,τ}；

根据贝叶斯定理，将已观察到的数据集D＝{Rij}i,j∈Ω作为先验，然后找到关于参数θ的分布：P(θ|D)∝P(D|θ)P(θ),

通常不能精确地计算后验P(θ|D)，但是可以通过选择适合的先验得到一个很好的逼近；为了使分解后的矩阵数值有可解释的意义，所以将U,V约束为非负；用户与用户、商品与商品之间相互独立，所以在U和V选择选择指数先验，这样U和V中的每个元素都被假定为独立的指数分布且速率参数 同时也能被约束为非负；即：对于精度τ采用ατ,βτ＞0的伽马分布，即：

变分贝叶斯中用近似q(θ)去逼近后验P(θ|D)；根据平均场理论，假设变分分布q(θ)完全成立，因此所有变量在后验中都是独立的，即： 利用贝叶斯定理得到以下分布：其中

近似函数q(θi)服从以下分布：

通过最小化KL散度，使近似函数q(θ)去近似后验P(θ|D)：为了使KL散度最小，则只需要极大化证据下界L(q)，这样就可以得到后验p(θ|D)的近似解；即可以找到第i个q*(θi)的最优分布，然后依次更新其他θi，最终相互迭代达到稳定，从而可以找到变分参数的最优更新，该算法保证了证据下界的最大化：添加自动相关性确定方法，不需要选择正确的k，而是给出一个上限，模型将自动确定要使用的因子数；将分解矩阵先验的各个参数替换为同一列中所有条目共享的一个，即为每个因子共享，并在λk上放置一个伽马先验；则先验分布变为：Uik～ε(Uik|λk)Vik～ε(Vjk|λk)朴素贝叶斯分类：

假设D是样本数据集，对于D中每个样本X的n个属性A1,A2,…An，用n维特征向量表示为X＝[x1,x2,…,xn]；假设样本有m个类别，每个类别分别用C1,C2,…Cm表示；

根据贝叶斯定理 对于待分类的样本X，可以得出在X出现的条件下，D中各个的类别Ci出现的概率；比较类别出现的后验概率，选择其中概率最大的类别；

由于p(X)对于所有类别都是常数，当且仅当先验概率p(X|Ci)p(Ci)为最大时，后验概率p(Ci|X)最大；为了降低开销，实现有效估算，假设各个类别、属性相互独立，即只需考虑：假设 表示训练集D中的Ci类样本的集合，可以得出类先验概率: 对离散属性而言，假设 表示 中Ak属性上取值为xk的样本组成的集合，则条件概率:对连续属性而言，可以考虑概率密度函数，把连续的属性离散化；

根据重要性对不同的用户、属性采用相应的影响因子，在加权朴素贝叶斯模型上进行了改进：其中ρi表示用户ui的权重，ωk表示属性Ak的权重；其权重值越大，即影响越大，利用信息熵计算该权值；

HBPM中的“隐”体现在从BNMF中的U矩阵获得的隐藏用户组K；由U矩阵V矩阵相乘得到一个预测评分矩阵，从中获得了一部分隐藏但可靠预测评分；最后结合属性利用改进的朴素贝叶斯进行修正，得到最终预测结果。

2.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述方法的步骤。

3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述方法的步骤。

4.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1所述的方法。