One aspect of the invention is the construction of mixtures of Bayesian networks. Another aspect of the invention is the use of such mixtures of Bayesian networks to perform inferencing. A mixture of Bayesian networks (MBN) consists of plural hypothesis-specific Bayesian networks (HSBNs) having possibly hidden and observed variables. A common external hidden variable is associated with the MBN, but is not included in any of the HSBNs. The number of HSBNs in the MBN corresponds to the number of states of the common external hidden variable, and each HSBN is based upon the hypothesis that the common external hidden variable is in a corresponding one of those states. In one mode of the invention, the MBN having the highest MBN score is selected for use in performing inferencing. In another mode of the invention, some or all of the MBNs are retained as a collection of MBNs which perform inferencing in parallel, their outputs being weighted in accordance with the corresponding MBN scores and the MBN collection output being the weighted sum of all the MBN outputs. In one application of the invention, collaborative filtering may be performed by defining the observed variables to be choices made among a sample of users and the hidden variables to be the preferences of those users.

Ein Aspekt der Erfindung ist der Aufbau der Mischungen der bayesischen Netze. Ein anderer Aspekt der Erfindung ist der Gebrauch solcher Mischungen der bayesischen Netze, das Inferencing durchzuführen. Eine Mischung der bayesischen Netze (MBN) besteht aus den plural Hypothese-spezifischen bayesischen Netzen (HSBNs) vielleicht versteckend und den beobachteten Variablen. Eine allgemeine externe versteckte VariableIST mit dem MBN verbunden, aber ist nicht in irgendwelchen des HSBNs eingeschlossen. Die Zahl von HSBNs im MBN entspricht der Zahl Zuständen der allgemeinen externen versteckten Variable, und jedes HSBN basiert nach der Hypothese, die die allgemeine externe versteckte Variable in entsprechender jener Zustände ist. In einem Modus der Erfindung, wird das MBN, welches die höchste MBN Kerbe hat, für Gebrauch vorgewählt, wenn man das Inferencing durchführt. In einem anderen Modus der Erfindung, werden einiges oder die ganze MBNs als Ansammlung von MBNs behalten, die das Inferencing in der Ähnlichkeit, ihre Ausgänge durchführen, die in Übereinstimmung mit den entsprechenden MBN Kerben belastet werden und die MBN Ansammlung, die seiend die belastete Summe aller MBN Ausgänge ausgegeben wird. In einer Anwendung der Erfindung, kann die gemeinschaftliche Entstörung durchgeführt werden, indem man die beobachteten Variablen definiert, um die Wahlen zu sein, die unter einer Probe der Benutzer und der versteckten Variablen getroffen werden, um die Präferenzen jener Benutzer zu sein.