基于多智能体的用户偏好系统研究

《基于多智能体的用户偏好系统研究 》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于多智能体的用户偏好系统研究　[摘要]面对因特网的海量信息，网络用户面临着信息过载和有效需求不足的双重问题。本文提出了基于多智能体的用户兴趣模型的表示和更新机制，在数据挖掘分析基础上，建立用户兴趣模型，利用相关反馈，追踪和更新用户兴趣模型，提高个性化信息服务的效率，为解决用户偏好挖掘效率问题和多智能体偏好更新问题提供了新的研究思路。　　[关键词]多智能体系统偏好推荐个性化拍卖　　　　一、引言　　近年来，网络信息量有了飞速增长，如何快速发现用户潜在需求并做出正确的反应成为当前电子商务中亟待解决的问题。传统的信息获取手段在处理非结构化的资料的能力相对较弱，它不能从海量的信息中找出用户感兴趣的

2、知识，更不能处理随用户不同而变化的个性知识、随地域不同而变化的区域性知识以及不同领域的专业性知识等。为此，本文试图创建基于多智能体的用户偏好挖掘模型，通过网络顾客提供的静态和动态信息，对顾客偏好进行分析，建立基于多Agent的顾客需求代理系统，以发现顾客的真实需求。　　二、推荐系统框架分析　　一般个性化推荐系统的推荐的过程是：用户提交检索信息、偏好表示、信息推荐、用户反馈。在多Agent推荐系统中，系统对用户行为的识别和表示，是通过智能体合作协商通信来实现的。个性化推荐系统的基本功能包括：分析顾客的行为，建立顾客行为的表示模型；利用模型向用户提供推荐；对推荐进行反馈，并根据反馈修正推荐。基

3、于多Agent系统的顶层数据流程图如图1。　　用户识别模块：对用户历史信息进行对比识别，并对用户的浏览习惯进行识别，以减少用户误识别的概率。　　行为识别模块：根据信息及其识别用户和行为，并将信息转换为系统可识别的偏好信息，以便于数据分析。　　行为收集模块：将用户记录按照相应格式存入数据库。　　用户偏好模块：判断是否有用户记录，并根据用户即时信息和存档信息选择构建偏好模型或进行偏好更新。　　数据挖掘模块：被动的接受请求或主动的对用户历史行为记录进行数据挖掘，通过神经网络、聚类等方法，进行顾客购买、访问行为的分析，或在数据分析人员的干预下进行推荐效果分析，为偏好推荐模块提供参考。　　偏好推荐模

4、块：根据相关模块得到的用户偏好信息、用户行为信息、数据挖掘结果和相应推荐规则，做出推荐。　　推荐协商模块：其通过与“黑板”进行关于当前搜索趋势方面进行交互，并对推荐结果进行相应修正。并在用户反馈的基础上，对用户偏好进行学习，并建立相应的学习经验。在对结果进行修正后，将推荐结果返回给用户。　　在整个推荐过程中，这样一个行为收集、偏好分析、推荐结果的过程将不停的重复修正，最终满足客户需求。　　三、系统协商过程　　偏好推荐部分是个性化推荐系统研究的核心。提高推荐的质量被作为所有推荐系统的共同目标，然而，不同的推荐方法在不同的市场环境中的适应性各有不同。引入多智能体拍卖协商机制后，所有被推荐的项目

5、都有自己投标价格，系统就可以从中筛选出投标价格最高的推荐项目提供给用户。　　本统体系结构严格遵照MAS（Multi-AgentSystem）有关Agent生命周期思想，通过模拟拍卖过程进行偏好推荐。在系统中偏好推荐Agent作为卖方智能体，协商Agent作为拍卖主持智能体。协商智能体根据客户对商品的需求程度、个人偏好、风险态度、供货数量等利用博弈分析算法自动计算出最优竞价策略，并向供应商发出投标，等待交易消息，收到成功消息，偏好推荐Agent在第一次报价时根据经验得到的权重进行加权，得到第一次报价。协商Agent获得投标消息后，拍卖主持Agent处理收集到的各竞标Agent投标信息，根据拍

6、卖机制库将投标结果进行排序，然后公布该阶段的最高投标人和当前的次高投标价，并发送给各竞标Agent，然后进入下一阶段。确定投标价格，后通知客户，并进行交易，若协商失败，则开始一轮新的协商。如果某一阶段，上一阶段的次高价格已经超过它的保留价，它就发消息给拍卖主持Agent，然后退出拍卖将最终投标消息返回给用户。直到最后一个阶段，拍卖主持Agent处理完收集到的各竞标Agent投标信息后，公布竞标结果。　　四、系统算例　　系统采用MovieLens站点的数据集进行实验，通过对协通过滤算法的推荐结果进行竞标优化。对推荐结果的评价采用统计精度度量方法中被广泛采用的平均绝对偏差MAE作为推荐精度度量

7、标准。平均绝对偏差MAE通过计算预测的用户评分与实际的用户评分之间的偏差度量预测的准确性，MAE越小，推荐质量越高。设预测的用户评分集合表示为{p1,p2…pn}，对应的实际用户评分集合为｛q1,q2,…qn｝，则平均绝对偏差MAE定义为：　　　　试验过程中,分别指定用户聚类的数目为30,40,目标用户的最近邻居个数从10增加到40,间隔为10,分别计算本文提出的算法与传统的协同过滤推荐算法的MAE,试验结果如图4.1：