多智能體用戶偏好系統

前言：本站為你精心整理了多智能體用戶偏好系統范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

[摘要]面對因特網的海量信息，網絡用戶面臨著信息過載和有效需求不足的雙重問題。本文提出了基于多智能體的用戶興趣模型的表示和更新機制，在數據挖掘分析基礎上，建立用戶興趣模型，利用相關反饋，追蹤和更新用戶興趣模型，提高個性化信息服務的效率，為解決用戶偏好挖掘效率問題和多智能體偏好更新問題提供了新的研究思路。

[關鍵詞]多智能體系統偏好推薦個性化拍賣

一、引言

近年來，網絡信息量有了飛速增長，如何快速發現用戶潛在需求并做出正確的反應成為當前電子商務中亟待解決的問題。傳統的信息獲取手段在處理非結構化的資料的能力相對較弱，它不能從海量的信息中找出用戶感興趣的知識，更不能處理隨用戶不同而變化的個性知識、隨地域不同而變化的區域性知識以及不同領域的專業性知識等。為此，本文試圖創建基于多智能體的用戶偏好挖掘模型，通過網絡顧客提供的靜態和動態信息，對顧客偏好進行分析，建立基于多Agent的顧客需求系統，以發現顧客的真實需求。

二、推薦系統框架分析

一般個性化推薦系統的推薦的過程是：用戶提交檢索信息、偏好表示、信息推薦、用戶反饋。在多Agent推薦系統中，系統對用戶行為的識別和表示，是通過智能體合作協商通信來實現的。個性化推薦系統的基本功能包括：分析顧客的行為，建立顧客行為的表示模型；利用模型向用戶提供推薦；對推薦進行反饋，并根據反饋修正推薦。基于多Agent系統的頂層數據流程圖如圖1。

用戶識別模塊：對用戶歷史信息進行對比識別，并對用戶的瀏覽習慣進行識別，以減少用戶誤識別的概率。

行為識別模塊：根據信息及其來源識別用戶和行為，并將信息轉換為系統可識別的偏好信息，以便于數據分析。

行為收集模塊：將用戶記錄按照相應格式存入數據庫。

用戶偏好模塊：判斷是否有用戶記錄，并根據用戶即時信息和存檔信息選擇構建偏好模型或進行偏好更新。

數據挖掘模塊：被動的接受請求或主動的對用戶歷史行為記錄進行數據挖掘，通過神經網絡、聚類等方法，進行顧客購買、訪問行為的分析，或在數據分析人員的干預下進行推薦效果分析，為偏好推薦模塊提供參考。

偏好推薦模塊：根據相關模塊得到的用戶偏好信息、用戶行為信息、數據挖掘結果和相應推薦規則，做出推薦。

推薦協商模塊：其通過與“黑板”進行關于當前搜索趨勢方面進行交互，并對推薦結果進行相應修正。并在用戶反饋的基礎上，對用戶偏好進行學習，并建立相應的學習經驗。在對結果進行修正后，將推薦結果返回給用戶。

在整個推薦過程中，這樣一個行為收集、偏好分析、推薦結果的過程將不停的重復修正，最終滿足客戶需求。

三、系統協商過程

偏好推薦部分是個性化推薦系統研究的核心。提高推薦的質量被作為所有推薦系統的共同目標，然而，不同的推薦方法在不同的市場環境中的適應性各有不同。引入多智能體拍賣協商機制后，所有被推薦的項目都有自己投標價格，系統就可以從中篩選出投標價格最高的推薦項目提供給用戶。本統體系結構嚴格遵照MAS（Multi-AgentSystem）有關Agent生命周期思想，通過模擬拍賣過程進行偏好推薦。在系統中偏好推薦Agent作為賣方智能體，協商Agent作為拍賣主持智能體。協商智能體根據客戶對商品的需求程度、個人偏好、風險態度、供貨數量等利用博弈分析算法自動計算出最優競價策略，并向供應商發出投標，等待交易消息，收到成功消息，偏好推薦Agent在第一次報價時根據經驗得到的權重進行加權，得到第一次報價。協商Agent獲得投標消息后，拍賣主持Agent處理收集到的各競標Agent投標信息，根據拍賣機制庫將投標結果進行排序，然后公布該階段的最高投標人和當前的次高投標價，并發送給各競標Agent，然后進入下一階段。確定投標價格，后通知客戶，并進行交易，若協商失敗，則開始一輪新的協商。如果某一階段，上一階段的次高價格已經超過它的保留價，它就發消息給拍賣主持Agent，然后退出拍賣將最終投標消息返回給用戶。直到最后一個階段，拍賣主持Agent處理完收集到的各競標Agent投標信息后，公布競標結果。

四、系統算例

系統采用MovieLens站點的數據集進行實驗，通過對協通過濾算法的推薦結果進行競標優化。對推薦結果的評價采用統計精度度量方法中被廣泛采用的平均絕對偏差MAE作為推薦精度度量標準。平均絕對偏差MAE通過計算預測的用戶評分與實際的用戶評分之間的偏差度量預測的準確性，MAE越小，推薦質量越高。設預測的用戶評分集合表示為{p1,p2…pn}，對應的實際用戶評分集合為｛q1,q2,…qn｝，則平均絕對偏差MAE定義為：

試驗過程中,分別指定用戶聚類的數目為30,40,目標用戶的最近鄰居個數從10增加到40,間隔為10,分別計算本文提出的算法與傳統的協同過濾推薦算法的MAE,試驗結果如圖4.1：

由圖看出，本文提出的基于MAS的協同過濾推薦算法均具有較小的MAE。由于本系統只是對協同過濾算法進行優化，其結果的改進是有限的，如果賣方可以采用不同的推薦算法，其推薦精度將可能有較大的提高。由此可知，與傳統的最近鄰協同過濾推薦算法比較，本文提出的算法可以有效提高推薦系統的推薦質量，彌補了協同過濾算法在稀疏度和冷啟動方面的缺陷。

五、結束語

本文的創新點在于，利用多智能體系統在人工智能協商方面的優勢，提出了一個基于多智能體個性化推薦系統的架構，在原有推薦算法的基礎上通過對不同的推薦結果進行有效性協商，根據不斷進行自學習得到最優的推薦結果，以彌補原有推薦算法智能化不足的缺點，為量化、感知用戶需求等問題提供了新的研究思路。

參考文獻：

[1]王繼成潘金貴張福炎:web文本挖掘技術研究[J].計算機研究與發展，2000，37(5):513～520

[2]韋魯玉丁華福:基于Agent的個性化智能信息檢索系統[J].信息技術，2007，(01)

[3]李政偉夏士雄聶茹:基于Web服務的動態電子商務應用架構[J].計算機工程與設計，2005，(04)

[4]盛秋艷:基于Agent的個性化信息檢索技術的研究[J].黑龍江工程學院學報，2006，(02)