1.一种基于加权贝叶斯推理的负序列推荐方法，其特征在于，包括：

通过f-NSP算法从用户行为数据库中提取相应用户购买行为的正负序列；其中，正负序列为按照时间先后顺序排列的用户购买物品序列，序列中的元素为物品名称；

将提取的正负序列划分成若干个子序列并存储在序列数据库中；其中，序列数据库为物品空间；

在当前需要决策的已购买某物品的条件下，利用贝叶斯加权序列模型推理出在物品空间中各个物品所具有的似然概率，进而得到不同物品被用户偏好的后验概率，从而实现“最高概率”推荐或“best-N”推荐；

所述贝叶斯加权序列模型中每位用户的网络参数集合为θi＝{θij}，其中，θij为任意序列节点Ti的条件概率，其估计公式为：其中，Num(Ti,Parent(Ti)j)表示在用户的序列数据库中，当序列节点Ti的取值为Ti时，其父节点取值组合为Parent(Ti)j时的事务数；Num(Parent(Ti)j)表示在序列数据库中，节点Ti的父母节点取值组合为Parent(Ti)j时的事务数，参数ω服从正态分布。

2.如权利要求1所述的基于加权贝叶斯推理的负序列推荐方法，其特征在于，预先设定提取的正负序列的最大长度，若某一序列仅包含一个元素，则直接存储在序列数据库中。

3.如权利要求1所述的基于加权贝叶斯推理的负序列推荐方法，其特征在于，该方法还包括对贝叶斯加权序列模型进行在线学习，其过程为：利用贝叶斯加权序列模型实现的“最高概率”或“best-N”物品推荐给用户；

用于对推荐物品的动作以子序列形式返回至序列数据库，重新进入贝叶斯加权序列模型进行学习，从而实现贝叶斯加权序列模型的动态更新。

4.一种基于加权贝叶斯推理的负序列推荐系统，其特征在于，包括：

正负序列提取模块，其用于通过f-NSP算法从用户行为数据库中提取相应用户购买行为的正负序列；其中，正负序列为按照时间先后顺序排列的用户购买物品序列，序列中的元素为物品名称；

序列存储模块，其用于将提取的正负序列划分成若干个子序列并存储在序列数据库中；其中，序列数据库为物品空间；

贝叶斯网络推理模块，其用于在当前需要决策的已购买某物品的条件下，利用贝叶斯加权序列模型推理出在物品空间中各个物品所具有的似然概率，进而得到不同物品被用户偏好的后验概率，从而实现“最高概率”推荐或“best-N”推荐；

所述贝叶斯加权序列模型中每位用户的网络参数集合为θi＝{θij}，其中，θij为任意序列节点Ti的条件概率，其估计公式为：其中，Num(Ti,Parent(Ti)j)表示在用户的序列数据库中，当序列节点Ti的取值为Ti时，其父节点取值组合为Parent(Ti)j时的事务数；Num(Parent(Ti)j)表示在序列数据库中，节点Ti的父母节点取值组合为Parent(Ti)j时的事务数，参数ω服从正态分布。

5.如权利要求4所述的基于加权贝叶斯推理的负序列推荐系统，其特征在于，在所述序列存储模块中，预先设定提取的正负序列的最大长度，若某一序列仅包含一个元素，则直接存储在序列数据库中。

6.如权利要求4所述的基于加权贝叶斯推理的负序列推荐系统，其特征在于，该系统还包括：贝叶斯网络在线学习模块，其用于：

利用贝叶斯加权序列模型实现的“最高概率”或“best-N”物品推荐给用户；

用于对推荐物品的动作以子序列形式返回至序列数据库，重新进入贝叶斯加权序列模型进行学习，从而实现贝叶斯加权序列模型的动态更新。

7.一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如权利要求1-3中任一项所述的基于加权贝叶斯推理的负序列推荐方法中的步骤。

8.一种计算机设备，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如权利要求1-3中任一项所述的基于加权贝叶斯推理的负序列推荐方法中的步骤。