[摘 要] 面對因特網(wǎng)的海量信息，網(wǎng)絡(luò)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(shù)據(jù)挖掘分析基礎(chǔ)上，建立用戶興趣模型，利用相關(guān)反饋，追蹤和更新用戶興趣模型，提高個性化信息服務(wù)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(guān)鍵詞] 多智能體系統(tǒng) 偏好推薦 個性化 拍賣

一、引言

近年來，網(wǎng)絡(luò)信息量有了飛速增長，如何快速發(fā)現(xiàn)用戶潛在需求并做出正確的反應(yīng)成為當(dāng)前電子商務(wù)中亟待解決的問題。傳統(tǒng)的信息獲取手段在處理非結(jié)構(gòu)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(qū)域性知識以及不同領(lǐng)域的專業(yè)性知識等。為此，本文試圖創(chuàng)建基于多智能體的用戶偏好挖掘模型，通過網(wǎng)絡(luò)顧客提供的靜態(tài)和動態(tài)信息，對顧客偏好進行分析，建立基于多Agent的顧客需求代理系統(tǒng)，以發(fā)現(xiàn)顧客的真實需求。

二、推薦系統(tǒng)框架分析

一般個性化推薦系統(tǒng)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(tǒng)中，系統(tǒng)對用戶行為的識別和表示，是通過智能體合作協(xié)商通信來實現(xiàn)的。個性化推薦系統(tǒng)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(jù)反饋修正推薦。基于多Agent系統(tǒng)的頂層數(shù)據(jù)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(xí)慣進行識別，以減少用戶誤識別的概率。

行為識別模塊：根據(jù)信息及其來源識別用戶和行為，并將信息轉(zhuǎn)換為系統(tǒng)可識別的偏好信息，以便于數(shù)據(jù)分析。

行為收集模塊：將用戶記錄按照相應(yīng)格式存入數(shù)據(jù)庫。

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

數(shù)據(jù)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(shù)據(jù)挖掘，通過神經(jīng)網(wǎng)絡(luò)、聚類等方法，進行顧客購買、訪問行為的分析，或在數(shù)據(jù)分析人員的干預(yù)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(jù)相關(guān)模塊得到的用戶偏好信息、用戶行為信息、數(shù)據(jù)挖掘結(jié)果和相應(yīng)推薦規(guī)則，做出推薦。

推薦協(xié)商模塊：其通過與“黑板”進行關(guān)于當(dāng)前搜索趨勢方面進行交互，并對推薦結(jié)果進行相應(yīng)修正。并在用戶反饋的基礎(chǔ)上，對用戶偏好進行學(xué)習(xí)，并建立相應(yīng)的學(xué)習(xí)經(jīng)驗。在對結(jié)果進行修正后，將推薦結(jié)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(jié)果的過程將不停的重復(fù)修正，最終滿足客戶需求。

三、系統(tǒng)協(xié)商過程

偏好推薦部分是個性化推薦系統(tǒng)研究的核心。提高推薦的質(zhì)量被作為所有推薦系統(tǒng)的共同目標(biāo)，然而，不同的推薦方法在不同的市場環(huán)境中的適應(yīng)性各有不同。引入多智能體拍賣協(xié)商機制后，所有被推薦的項目都有自己投標(biāo)價格，系統(tǒng)就可以從中篩選出投標(biāo)價格最高的推薦項目提供給用戶。

本統(tǒng)體系結(jié)構(gòu)嚴(yán)格遵照MAS（Multi-Agent System）有關(guān)Agent生命周期思想，通過模擬拍賣過程進行偏好推薦。在系統(tǒng)中偏好推薦Agent作為賣方智能體，協(xié)商Agent作為拍賣主持智能體。協(xié)商智能體根據(jù)客戶對商品的需求程度、個人偏好、風(fēng)險態(tài)度、供貨數(shù)量等利用博弈分析算法自動計算出最優(yōu)競價策略，并向供應(yīng)商發(fā)出投標(biāo)，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(jù)經(jīng)驗得到的權(quán)重進行加權(quán)，得到第一次報價。協(xié)商Agent獲得投標(biāo)消息后，拍賣主持Agent處理收集到的各競標(biāo)Agent投標(biāo)信息，根據(jù)拍賣機制庫將投標(biāo)結(jié)果進行排序，然后公布該階段的最高投標(biāo)人和當(dāng)前的次高投標(biāo)價，并發(fā)送給各競標(biāo)Agent，然后進入下一階段。確定投標(biāo)價格，后通知客戶，并進行交易，若協(xié)商失敗，則開始一輪新的協(xié)商。如果某一階段，上一階段的次高價格已經(jīng)超過它的保留價，它就發(fā)消息給拍賣主持Agent，然后退出拍賣將最終投標(biāo)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(biāo)Agent投標(biāo)信息后，公布競標(biāo)結(jié)果。

四、系統(tǒng)算例

系統(tǒng)采用MovieLens站點的數(shù)據(jù)集進行實驗，通過對協(xié)通過濾算法的推薦結(jié)果進行競標(biāo)優(yōu)化。對推薦結(jié)果的評價采用統(tǒng)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(biāo)準(zhǔn)。平均絕對偏差MAE通過計算預(yù)測的用戶評分與實際的用戶評分之間的偏差度量預(yù)測的準(zhǔn)確性，MAE越小，推薦質(zhì)量越高。設(shè)預(yù)測的用戶評分集合表示為{p1，p2 …pn}，對應(yīng)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(shù)目為30，40，目標(biāo)用戶的最近鄰居個數(shù)從10增加到40，間隔為10，分別計算本文提出的算法與傳統(tǒng)的協(xié)同過濾推薦算法的MAE，試驗結(jié)果如圖4.1：

由圖看出，本文提出的基于MAS的協(xié)同過濾推薦算法均具有較小的MAE。由于本系統(tǒng)只是對協(xié)同過濾算法進行優(yōu)化，其結(jié)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(tǒng)的最近鄰協(xié)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(tǒng)的推薦質(zhì)量，彌補了協(xié)同過濾算法在稀疏度和冷啟動方面的缺陷。

五、結(jié)束語

本文的創(chuàng)新點在于，利用多智能體系統(tǒng)在人工智能協(xié)商方面的優(yōu)勢，提出了一個基于多智能體個性化推薦系統(tǒng)的架構(gòu)，在原有推薦算法的基礎(chǔ)上通過對不同的推薦結(jié)果進行有效性協(xié)商，根據(jù)不斷進行自學(xué)習(xí)得到最優(yōu)的推薦結(jié)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(shù)研究[J].計算機研究與發(fā)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(tǒng)[J]. 信息技術(shù)， 2007，(01)

[3]李政偉 夏士雄 聶 茹:基于Web服務(wù)的動態(tài)電子商務(wù)應(yīng)用架構(gòu)[J].計算機工程與設(shè)計 ， 2005，(04)

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