随着移动互联网的高速发展,互联网已经与我们生活的方方面面紧密相连,同时也产生了大量的用户行为数据。这些用户行为数据具有海量、高维、内部结构复杂等特征,且蕴含着用户的偏好,用户偏好表达了用户的个人倾向以及可能的行为,因此,构建用户偏好模型,基于偏好模型进行评分预测和偏好估计,为个性化服务、推荐提供有效支撑,具有重要意义。一方面,用户偏好客观存在但无法被直接观测到,用隐变量描述无法直接观测的变量。同时,用户评分数据中各属性间存在复杂的相互依赖关系,而贝叶斯网(Bayesian Network,BN)可以有效的表达属性间任意的依赖关系及其不确定性,并且具有良好的推理能力。含隐变量的贝叶斯网是构建用户偏好模型的一种有效方法,已被广泛的应用于不确定性知识领域。因此本文考虑,用隐变量表示用户偏好,提出基于隐变量模型的评分数据中的用户偏好模型;另一方面,含隐变量的贝叶斯网的构建过程会产生大量中间数据,使得计算复杂度急剧上升,因此本文考虑在含隐变量的贝叶斯网的基础上引入深度信念网络(Deepbelief Network,DBN)分类器构建用户偏好模型,降低模型构建复杂度。具体来说,本文采用DBN对评分数据进行分类,利用类别变量扩展隐变量模型,称为类别简化的贝叶斯网(Class Simplified BN,CSBN),继而基于评分数据的特点和隐变量模型构建的关键步骤,给出模型构建时需要满足的约束条件,以及约束条件下模型参数学习和结构学习方法。此外,评分预测和偏好估计是用户偏好模型的两个重要应用,是个性化等服务、推荐的直接支撑,可基于贝叶斯网概率推理完成。因此,本文以CSBN模型为基本框架、变量消元法为基础,给出了评分数据的偏好估计和评分预测的方法,最后基于MovieLens数据集和大众点评数据集,对本文提出的方法进行测试,验证本文方法的高效性及有效性。