可信度方法是MYCIN系统采用的一种不精确的推理模型，在许多实际应用中都是一个合理有效的推理模式 [ 12 ]。根据经验对一个事物或现象为真的相信程度称为可信度。每条规则具有一个可信度，每个证据也具有一个可信度。

IF E THEN H (CF(H, E))，其中 C F ( H , E ) 为该规则的可信度。

C F ( H , E ) 表示已知证据E的情况下对假设H为真的支持程度，其取值在[−1, 1]。

C F ( H , E ) > 0 表示结论为真的程度，值越大H越真。 C F ( H , E ) = 1 表示为真。

C F ( H , E ) < 0 表示结论为假的程度，值越小H越假。 C F ( H , E ) = − 1 表示为假。

C F ( H , E ) = 0 表示E与H没有关系。

定义 C F ( H , E ) = M B ( H , E ) − M D ( H , E ) 。其中 M B ( H , E ) 称为信任增长度，表示因证据E的出现而对假设H为真的信任增加程度。 M D ( H , E ) 称为不信任增长度，表示因证据E的出现而对假设H为真的信任减少的程度。

当 M B ( H , E ) > 0 时， P ( H | E ) > P ( H ) 。当 MB(H, E) < 0 时， P ( H | E ) < P ( H ) 。因此得到：

如果 P ( H | E ) < P ( H ) ，则： M B = 0 ， M D = [ P ( H ) − P ( H | E ) ] / P ( H ) ， CF = MB −MD 。

如果 P ( H | E ) > P ( H ) ，则： M D = 0 ， M B = [ P ( H | E ) − P ( H ) ] / [ 1 − P ( H ) ] ， C F = M B − M D 。

对于一般的客户数据库而言，很少能真正找到个体的兴趣及其所从事的行业属性，本文考虑从其他相关联的数据库中，通过一定的推理，用定量的方法找到其兴趣、从事行业以及偏好的产品种类 [ 13 ][ 14 ][ 15 ]。

定义1个性化数据库(Personalized Database)：是指包含了个人基本信息的不同群体的数据库。比如教师库，包含了某个区域范围内的所有教师的基本信息，如姓名、年龄、家庭住址等基本信息。

定义2杂志订阅数据库(Magazine Subscriptions Database)：是指包含了某个区域范围内订阅杂志用户的基本信息的数据库。其中的数据属性包括姓名、家庭住址、联系方式、订阅杂志名称等。

定义3标准数据库(Standard Database)：是指融合了个性化数据库、杂志订阅库、小区数据库等数据库信息的数据库。该数据库除了包含上述数据库种的信息之外，还包含了通过可信度推理算法得出的新的数据属性，比如兴趣、从事行业、产品偏好等信息。

用户兴趣的挖掘主要依据杂志订阅库中用户所订阅的杂志信息 [ 16 ]。首先利用霍兰德职业兴趣测量表，建立兴趣数据库，其中包含了21种兴趣种类。具体参见表1。其次建立兴趣关键字库，利用文本挖掘方法将不同兴趣对应的关键字提取出来，并建立相应的关键字库。

算法一：兴趣可信度算法

1) 计算每个杂志对应兴趣的关键字的个数 L 1 , L 2 , L 3 , ⋯ , L 21 ；

2) 兴趣关键字数为 T i ， a i 为杂志 在兴趣 I i 中关键字出现频率， a i = L i T i ( i = 1 , 2 , ⋯ , 21 ) ;

3) 计算杂志 中所有兴趣的后验概率 。 ( i = 1 , 2 , ⋯ , 21 ; j = 1 , 2 , ⋯ , n ) ；

表1. 依据霍兰德职业兴趣表提取的兴趣种类

4) 计算各个兴趣的先验概率 p ( I i ) = 1 / 21 ；

5) 计算信任增长度MB和不信任增长度MD：

如果 p ( I i | M j ) > p ( I i ) ，则 M B j i = P ( I i | M j ) − P ( I i ) 1 − P ( I i ) ， MD ji =0 ， ( i = 1 , 2 , ⋯ , 21 ; j = 1 , 2 , ⋯ , n ) 。

如果 ，则 M B j i = 0 ， M D j i = P ( I i ) − P ( I i | M j ) P ( I i ) ， ( i = 1 , 2 , ⋯ , 21 ; j = 1 , 2 , ⋯ , n ) ：

6) 计算兴趣在杂志中的可信度： CF ji = MB ji - MD ji 。

用户所从事行业的挖掘主要依据也是杂志订阅库中用户所订阅的杂志信息。首先利用霍兰德职业兴趣测量表，建立行业数据库，其中包含了25种行业种类。具体参见表2。其次建立行业关键字库，利用文本挖掘方法将不同行业对应的关键字提取出来，并建立相应的关键字库。

算法二：行业可信度算法

1) 计算每个杂志对应行业的关键字的个数 L 1 , L 2 , L 3 , ⋯ , L 25 ；

2) 行业关键字数为 T i ， a i 为杂志 M i 在行业 H i 中关键字出现频率， a i = L i T i ( i = 1 , 2 , ⋯ , 25 ) ;

3) 计算杂志 M j 中所有行业的后验概率 p ( H i | M j ) = a i / ∑ i = 1 25 a i ， ( i = 1 , 2 , ⋯ , 25 ; j = 1 , 2 , ⋯ , n ) 。

4) 计算各个行业的先验概率

5) 计算信任增长度MB和不信任增长度MD：

如果 p ( H i | M j ) > p ( H i ) ，则 M B j i = P ( H i | M j ) − P ( H i ) 1-P ( H i ) ， M D j i = 0 ， ( i = 1 , 2 , ⋯ , 25 ; j = 1 , 2 , ⋯ , n ) ，

如果 p ( H i | M j ) < p ( H i ) ，则 M B j i = 0 ， M D j i = P ( H i ) − P ( H i | M j ) P ( H i ) ， ( i = 1 , 2 , ⋯ , 25 ; j = 1 , 2 , ⋯ , n ) 。

6) 计算行业基于杂志的可信度： C F j i = M B j i − M D j i 。

同样，用户偏好产品的挖掘主要依据也是杂志订阅库中用户所订阅的杂志信息。首先根据霍兰德职业兴趣测量表，建立杂志中包含广告对应的产品数据库，其中包含了22种产品广告种类。其次建立产品的广告关键字库，利用文本挖掘方法将不同产品广告对应的关键字提取出来，并建立相应的关键字库

算法三：产品偏好可信度算法

1) 计算每种杂志对应某种产品广告的关键字的个数 L 1 , L 2 , L 3 , ⋯ , L 22 。

2) 广告关键字数量为 T i ， a i 为杂志M_i在广告A_i中关键字出现频率， a i = L i T i ( i = 1 , 2 , ⋯ , 22 ) ；

3) 计算杂志 M j 中所有兴趣的后验概率 p ( A i | M j ) = a i / ∑ i = 1 22 a i ，其中 ；

表2. 依据霍兰德职业兴趣表提取的行业种类

4) 计算各种产品广告的先验概率 p(A_i)=1/22 。

5) 计算信任增长度MB和不信任增长度MD：

如果 p ( A i | M j ) > p ( A i ) ，则 M B j i = P ( A i | M j ) − P ( A i ) 1 − P ( A i ) ， M D j i = 0 ， ( i = 1 , 2 , ⋯ , 22 ; j = 1 , 2 , ⋯ , n ) 。

如果 ，则 ， M D j i = P ( A i ) − P ( A i | M j ) P ( A i ) ， ；

6) 计算产品广告在杂志中的可信度： C F j i = M B j i − M D j i 。

一般的两人结构家庭，首先通过地址进行关联，当两条数据记录的地址相同时，初步判定为一个两人结构家庭。在此基础上进行家庭关系的判断，一般在不考虑权重的情况下按照年龄、性别和姓氏进行判断。具体的规则如表3。

对于标准数据库中地址相同的两人，如果其中一人的年龄属性依照一定的概率来源于某一类型的个性化数据库，此时需要对权重进行设置，由于个性化数据库的类型较多，本文仅以学生个性化数据库为例，进行规则的设计，具体见表4。

排版后为通栏的统一调整到页面的顶端或底端；如果是单栏则应调整到页面的左右四角的位置对于三人家庭结构而言，与两人结构家庭的判断规则类似，首先也要通过地址进行关联，当出现三条数据记

表3. 两人家庭结构判断规则

表4. 概率依赖型两人家庭结构判断规则

录的地址相同时，可以初步判定为一个三人结构家庭。在此基础上进行家庭关系的判断，一般在不考虑权重的情况下按照年龄、性别和姓氏进行判断。具体的规则如表5所示。

对于标准数据库中通过地址关联，得到的具有相同地址的三条数据，如果其中两条数据中的年龄属性依照一定的概率来源于某一类型的个性化数据库，此时需要对权重进行设置，由于个性化数据库的类型较多，本文仅以老年人(夕阳红)个性化数据库为例，进行规则的设计，具体见表6。

上述规则作为标准数据中家庭融合的依据，可将标准化数据库中的数据按照家庭进行组合，并对家庭结构做出判断，为营销策略的制定提供决策支持。