雷威　張玉繼　李文博

摘 要：通過分析用戶行為和Agent技術(shù)，提出基于用戶行為的多Agent個性化信息推薦系統(tǒng)設(shè)計模型。對基于用戶行為數(shù)據(jù)進行分析，整合用戶的行為特性可以為用戶帶來更好的使用體驗，多Agent技術(shù)能結(jié)合用戶興趣偏好信息及用戶訪問記錄實現(xiàn)信息過濾并推理出用戶的意圖，從而提供個性化的推薦服務(wù)。

關(guān)鍵詞：多 Agent技術(shù)；推薦系統(tǒng)；信息過濾；用戶行為

DOI：10.11907/rjdk.171443

中圖分類號：TP399 文獻標識碼：A 文章編號：1672-7800（2017）009-0167-03

Abstract：The individualized demand of the user has become a trend. By analyzing the user behavior and Agent technology， the paper puts forward the design model of the multi-agent personalized information recommendation system based on user behavior. Based on the user behavior data analysis， the integration of the users behavior can give users a better experience， multi-agent technology can be combined with user interest preferences and user access records to carry out information filtering to infer the users intention to provide Personalized referral service. Multi-Agent technology is the core of this system to realize personalized information recommendation.

Key Words：Multi-agent； recommended system； information filtering； user behavior

0 引言

信息爆炸時代，信息過載問題日益突出，需要通過某種方式來作出篩選以滿足人們的個性化信息需求，此時電子商務(wù)推薦系統(tǒng)應(yīng)運而生，它能幫助用戶快速找到所需商品。目前的推薦系統(tǒng)種類繁多[1]，各有優(yōu)勢但同時也存在各自的缺點，在不同的平臺表現(xiàn)出來的性能差異較大。通過調(diào)查分析發(fā)現(xiàn)，市場上的推薦系統(tǒng)普遍存在以下問題：系統(tǒng)移植比較困難、提供的推薦功能不夠靈活多樣、系統(tǒng)不容易維護、系統(tǒng)需要定制導致開發(fā)代價高等。

鑒于此，本文基于用戶行為的多Agent信息推薦系統(tǒng)，結(jié)合用戶行為數(shù)據(jù)進行分析，引入多Agent技術(shù)[2]，利用Agent的智能性、自主性、代理性特征，能夠使得推薦系統(tǒng)從眾多信息里過濾出用戶真正所需的信息，使得推薦結(jié)果更符合用戶的請求，即使在不確定和動態(tài)的環(huán)境下，此系統(tǒng)也能夠表現(xiàn)出良好的性能，真正體現(xiàn)了智能適應(yīng)性的個性信息推薦，也即“信息找人”的服務(wù)模式，從而提高系統(tǒng)的整體運營效率并創(chuàng)造更多的效益，有效減輕了信息過載問題。

1 信息推薦系統(tǒng)核心技術(shù)

1.1 用戶行為數(shù)據(jù)分析

用戶瀏覽系統(tǒng)往往具有很強的目的性，用戶行為數(shù)據(jù)分析[3]是指獲得訪問基本數(shù)據(jù)情況，對有關(guān)數(shù)據(jù)進行統(tǒng)計、分析，用戶很多瀏覽行為都能很好地反映用戶興趣愛好，從服務(wù)器日志挖掘出代表用戶興趣的模型，從中發(fā)現(xiàn)用戶訪問規(guī)律，并將這些規(guī)律與推薦算法等相結(jié)合，從而提高個性推薦系統(tǒng)的精確度。

用戶行為分析包含以下重點數(shù)據(jù)分析：①用戶的來源地區(qū)、來路域名和頁面；②用戶在網(wǎng)站的停留時間、回訪次數(shù)、間隔訪問次數(shù)；③用戶所使用的搜索引擎、關(guān)鍵詞、站內(nèi)關(guān)鍵詞；④注冊用戶和非注冊用戶兩者之間的瀏覽習慣。

通過對用戶行為監(jiān)測獲得的數(shù)據(jù)進行分析可以更加詳細、清楚地了解用戶個性化需求。

用戶通過瀏覽相關(guān)物品信息，以及有相似興趣的其他用戶或者好友和用戶本身注冊信息具有的標簽等，通過對這些數(shù)據(jù)的分析向用戶推薦個性化的物品信息。用戶行為分析模型如圖1所示。

1.2 多Agent技術(shù)

Agent技術(shù)是一種處于一定環(huán)境下包裝的計算機系統(tǒng)，能在該環(huán)境下靈活、自主地活動。Agent具有這樣的特性：自治性、社會性、反映性、能動性，還具備一些人類才具有的特性，如知識、信念、義務(wù)、意圖等。它擁有一定程度的擬人性，也即幫助或者代替人來完成某些任務(wù)，因此本文使用Agent來構(gòu)建個性化推薦系統(tǒng)。

多Agent技術(shù)是多個Agent組成的集合，Agent成員之間相互協(xié)調(diào)、相互服務(wù)，將大而復(fù)雜的系統(tǒng)建設(shè)成小的、能夠彼此相互通信和協(xié)調(diào)的智能化易于管理的系統(tǒng)。各Agent成員之間的活動是自治獨立的，其自身的目標和行為不受其它Agent成員的限制，它們通過競爭和磋商等手段協(xié)商和解決相互之間的矛盾和沖突。多Agent技術(shù)研究的主要目的是通過多個Agent所組成的交互式團體求解超出Agent個體能力的大規(guī)模復(fù)雜問題。

多Agent技術(shù)用于解決實際問題的優(yōu)勢主要體現(xiàn)在：①支持分布式應(yīng)用，具有良好的模塊性、易于擴展性和設(shè)計靈活簡單，克服了建設(shè)一個龐大系統(tǒng)所造成的管理和擴展的困難，有效降低了系統(tǒng)的總成本；②各Agent通過相互協(xié)調(diào)去解決大規(guī)模的復(fù)雜問題，多Agent采用信息集成技術(shù)，將每個Agent的信息集成在一起，完成復(fù)雜的功能；③Agent是異質(zhì)的、分布的。它們可以是不同的個人或組織，采用不同的設(shè)計方法和計算機語言開發(fā)而成，因此可以是完全異質(zhì)和分布的；④多Agent技術(shù)打破了人工智能領(lǐng)域僅使用一個專家系統(tǒng)的限制，各領(lǐng)域的不同專家可協(xié)作求解某一個專家無法解決的問題，提高系統(tǒng)解決問題的能力；⑤處理是異步的，由于各Agent是自治的，每個Agent都有自己的進程，按照自己的運行方式異步地進行。endprint

1.3 基于用戶的協(xié)同過濾推薦算法

基于用戶推薦的算法是以用戶為主題的算法，一般在海量用戶中發(fā)掘出一小部分品位比較相似的用戶，在協(xié)同過濾中這些用戶成為鄰居，然后根據(jù)他們喜歡的其它東西組成一個排序的目錄推薦給這些用戶。要實現(xiàn)協(xié)同過濾[4]，需要實現(xiàn)幾個步驟：①收集用戶偏好；②找到相似的用戶或物品；③計算推薦給用戶。舉例說明，基于用戶的協(xié)同過濾算法基于這樣一個事實：如果A與B在電影方面的喜好相同，那么用戶B把他喜歡的電影推薦給用戶A是合理的，以此為基礎(chǔ)，基于用戶的協(xié)同過濾算法出現(xiàn)了，可據(jù)此求出用戶的相似度。式（1）給出了相似度計算方法，R代表相似度的值，如果想計算每兩個用戶的相似度，所需要的時間復(fù)雜度為O（n*n*d）。n為用戶數(shù)目，d為商品數(shù)目。R=N（u）∩N（v）N（u）*N（v）

（1） 通過式（1）能得到一個相似度矩陣。然而在很多應(yīng)用中該相似度矩陣是很稀疏的，也即很多用戶相互之間沒有相同的商品生產(chǎn)行為。如果直接先將相似度不為0的用戶對數(shù)求出來，然后只計算這些不為0的用戶對，這樣復(fù)雜度較高。用數(shù)組C[u][v]記錄用戶u和v有相同商品行為的數(shù)目，首先建立一個倒排表，每個物品都保存在產(chǎn)生過行為的用戶信息中，然后對于每個物品的所有用戶對數(shù)（u，v），C[u][v]加1，這樣結(jié)束后就可只利用相似度不為0的用戶對數(shù)。

得到相似度矩陣后利用式（2）預(yù)測用戶u對物品i的感興趣程度。其中S（u，k）表示與用戶u最接近的k個用戶，N（i）表示對物品i有過行為的用戶集合，Wuv表示用戶u和v的相似度，rvi表示用戶v對物品i的感興趣程度。p（u，i）=∑v∈S（u，k）∩N（i）wuvrvi

（2） 從式（2）可以看出，如果p（u，i）的值越大，說明u對物品i越感興趣，這時可以設(shè)定一個給定的閾值，如果小于該閾值就不推薦，否則推薦給相應(yīng)的用戶。

2 推薦系統(tǒng)整體架構(gòu)與運行機制

2.1 推薦系統(tǒng)功能

傳統(tǒng)的信息服務(wù)系統(tǒng)大多需要用戶根據(jù)自己的需要主動搜索信息，但是人們處于一種信息過載的環(huán)境中，已經(jīng)很難及時和準確獲取用戶想要的信息數(shù)據(jù)。此時改變傳統(tǒng)的被動服務(wù)方式，“信息找人”的模式也即主動向客戶推薦用戶想要的個性化信息資源非常有必要。本文提出的基于用戶行為的多Agent信息推薦系統(tǒng)，根據(jù)用戶行為，由多個Agent替用戶獲得所需信息，此系統(tǒng)可以主動幫助用戶獲得用戶所需的個性化信息需求。此推薦系統(tǒng)可以給用戶提供多種類型和層次多樣化的信息服務(wù)，建立一個更個性化、更高效的信息推薦平臺。

2.2 系統(tǒng)架構(gòu)

實現(xiàn)個性化信息推薦的核心是解決用戶行為監(jiān)測、信息反饋、數(shù)據(jù)挖掘[5]、過濾推薦等問題。本文提出了一個信息推薦系統(tǒng)構(gòu)架，將系統(tǒng)劃分層次結(jié)構(gòu)，分別由不同的Agent來完成，各Agent相互協(xié)調(diào)工作實現(xiàn)系統(tǒng)功能，具體如圖2所示。

2.3 系統(tǒng)運行機制

當用戶在使用系統(tǒng)時，系統(tǒng)里的各Agent開始協(xié)調(diào)工作，源數(shù)據(jù)庫監(jiān)控Agent監(jiān)測源數(shù)據(jù)庫里的數(shù)據(jù)并發(fā)送給推薦引擎Agent，用戶行為Agent接收監(jiān)測Agent里的數(shù)據(jù)并對這些數(shù)據(jù)進行分析，數(shù)據(jù)挖掘Agent根據(jù)監(jiān)測Agent監(jiān)測數(shù)據(jù)進行挖掘，用戶興趣模型管理Agent則對數(shù)據(jù)挖掘Agent和用戶行為Agent發(fā)送過來的數(shù)據(jù)進行用戶興趣建模和管理，推薦引擎Agent根據(jù)源數(shù)據(jù)庫監(jiān)控Agent和用戶興趣模型管理Agent發(fā)送過來的數(shù)據(jù)，產(chǎn)生推薦結(jié)果發(fā)送給用戶界面Agent，然后再由用戶界面Agent發(fā)送給用戶。

基于以上系統(tǒng)框架，推送系統(tǒng)根據(jù)用戶興趣從眾多相關(guān)信息中篩選和過濾出用戶真正需要的信息推薦給用戶。

3 結(jié)語

信息爆炸時代下，如何在互聯(lián)網(wǎng)世界里查找到用戶想要的信息，避免不必要的時間浪費值得重視。基于用戶行為的Agent技術(shù)的出現(xiàn)讓智能信息推薦在互聯(lián)網(wǎng)世界里引領(lǐng)潮流，隨著多Agent技術(shù)的繼續(xù)發(fā)展，其必然給社會創(chuàng)造更多的效益。推薦構(gòu)架還有一些問題需要攻克，比如，一個新的信息推薦系統(tǒng)如何使用該推薦服務(wù)解決冷啟動的問題。相信隨著后續(xù)研究的深入，這些問題將逐一解決。

參考文獻：

[1] 夏洪文，蒿景蘭.基于web3.0的個性化信息服務(wù)及其系統(tǒng)設(shè)計[J].現(xiàn)代教育技術(shù)，2012（11）：121-123.

[2] 林琳，劉峰.基于改進合同網(wǎng)協(xié)議的多Agent協(xié)作模型[J].計算機研究與發(fā)展，2010，20（3）：70-75.

[3] 李建延，郭曄，湯志軍.基于用戶瀏覽行為分析的用戶興趣度計算[J].計算機工程與設(shè)計，2012（3）：968-972.

[4] 王元濤.Netflix數(shù)據(jù)集上的協(xié)同過濾算法[D].北京：清華大學，2009：156-158.

[5] 朱建峰.可視化數(shù)據(jù)挖掘[M].北京：電子工業(yè)出版社，2008：302-304.

（責任編輯：孫 娟）endprint