基于multi-agent的电子商务个性化推荐系统模型设计与研究

基于multi-agent的电子商务个性化推荐系统模型设计与研究内容摘要：

针对用户特点提供良好的人机操作界面 ，以便用户给出规范的 兴趣偏好，同时记录 用户的访问模式和兴趣偏好， 与用户兴趣模型管理Agent 进行通信， 为用户信息的收集、 用户兴趣模型 的建立和更新提供信息 ， 为 整个推荐 系统个性化服务提供依据。 其二， 用户界面 Agent 将 推荐 引擎 Agent 获得的推荐结果主动通知给用户 浏览，并提供评价反馈窗口， 由用户对推荐结果进行评价反馈。 并且与评价反馈 Agent 进行通信， 并将用户的评价反馈结果 传递给评价反馈 Agent，以便将 用户评价 存储到 数据库中 ， 按照一定的规则， 记录用户对推荐结果的满意程度。 监视 Agent 监视 Agent 主要职责 是 监视用户界面 Agent 上用户的操作和浏览行为。 监视 Agent 随时捕获 登录 电子商务 网站的顾客信息 ， 并依据顾客的浏览或购买行为向推荐引擎 Agent 发送推荐请求。 监视 Agent 可以采用主动的或被动的执行方式。 主动执行方式是捕获到顾客 在用户界面 Agent 的相关行为后，及时通告推荐引擎 Ag ent 为顾客进行推荐服务 ； 被动方式是顾客 可以 通过用户界面 Agent 和监视 Agent 进行交互，由用户向监视 Agent提出搜索商品或需要推荐的要求，再由其通告推荐引擎 Agent 为用户提供推荐服务。 另外，监视 Ag ent 还会及时地捕获用户浏览行为或购买行为的变化，一旦顾客的行为和兴趣 发生变化，它会及时地向 用户兴趣模型管理 Agent、 数据 挖掘 Agent 通告相应的 信息用户界面 Agent 监视 Agent 数据挖掘 Agent 评价反馈 Agent 推荐引擎 Agent 源数据库 监控 Agent 用户兴趣模型管理 Agent 用户 逻辑 层 数据 层 产品信息 库 推荐算法库 推荐 记录 库 评价记录 库 用户数据 库 源数据 库 挖掘数据 库 图 1 MAPRS 的整体架构图 4 变化， 用户兴趣模型管理 Agent 、 数据挖掘 Agent 能够及时地对用户的行为进行分析， 及时 更新用户 兴趣 模型， 为推荐引擎 Agent 提供最新的用户信息 和兴趣爱好。 评价反馈 Agent 用户评价反馈 Agent 接收 用户界面 Agent 传递的用户评价结果， 把评价结果存储到用户评价库中， 通过 数据 挖掘 Agent 进行学习，预测用户评价 ， 动态地修改用户兴趣模型 ，从而更精确地描述用户兴趣 ，同时 辅助 推荐引擎 Agent 提高推荐 的准确度。 评价推荐的两种方式 为 ：离线评价和在线评价。 在设计该评价反馈 Agent 时，同时采用了这两种评价方式。 通过这两种评价方式，能大大提高用户对资源评价的准确性，有利于获得更准确更真实的兴趣偏好。 在线评价，是通过网上在线调查用户对推荐 结果 的评价。 用户界面 Agent 提供的用户 评价反馈窗口就是属于在线评价。 它将评价结果 传递给 评价反馈 Agent。 离线评价：利用数据挖掘技术，从用户的评价数据库及用户兴趣行为数据库中进行数据挖掘，根据已作出的评价，从而预测出没有的评价。 利用这些评价再进行协同过滤，可以增加资源评价的密度，克服协同过滤的稀疏性，从而提高协同过滤的性能 ， 达到 提高推荐结果的满意度 的目的。 在设计推荐引擎 Agent 中，采用混合推荐模式（基于内容过滤的推荐方法和基于协同过滤的推荐方法的组合），所以在评价反馈 Agent 设计上，也采用了这种离线评价方法。 数据 挖掘 Agent 与评价反馈 Agent 需要共同协作，才能 得到更准确的评价。 在设计环节中，本文还引入一种 通过信函式推荐 间接 获取 用户的评价 的方法。 信函式推荐 是 推荐 系统进行线 下 推荐的方式， 是 通过 的方式 将 符合用户兴趣的 推荐结果及其相应的链接通知给用户。 系统可以从用户是否点击链接来推测用户是否对推荐 结果 满意。 用户查看 发现推荐的内容不符合自己的要求时， 往往 是不会点击链接来浪费时间。 所以，点击链接表示用户对此内容感兴趣。 通过此种方式得到的用户评价比较准确， 能 更好的反映用户的满意度。 有时，比通过在线评价反 馈系统得到的用户 评价 更准。