基于Multi-Agent的电子商务个性化推荐系统模型设计与研究定稿

2021-04-25 13:07:24本页面

基于Multi-Agent的电子商务个性化推荐系统模型设计与研究定稿


【正文】

基于MultiAgent的电子商务个性化推荐系统模型设计与研究 郭艳燕1杨军2 (1.烟台大学计算机学院,山东烟台264005 2.烟台大学文经学院,山东烟台264005) 摘要:为了更好地提高电子商务推荐系统的个性化、自动化、持久化程度,提出了一种基于MultiAgent的电子商务个性化推荐系统的整体架构模型,它采用Agent技术将个性化推荐系统中的功能模块构建为智能体,并在智能控制方式下采用线下信函式推荐和线上混合推荐技术来构建核心推荐模块。该论文还对该模型中各组成部分的功能和设计思想进行阐述。 关键字:电子商务;推荐系统;个性化;用户兴趣模型;多Agent系统;混合推荐系统 中图分类号:TP393文献表示码:A DesignandResearchontheModelofMultiAgentBasedPersonalizedRecommendationSysteminEcommerce GUOYanyan1。

YANGJun2 (1.CollegeofComputer,YantaiUniversity,Yantai264005,China 2.CollegeofWenjing,YantaiUniversity,Yantai264005,China) Abstract:InordertobetterimprovethedegreeofpersonalizationandautomationandpersistenceofrecommendationsysteminEcommerce,thispaperpresentstheoverallsystemarchitecturemodelofmultiagentbasedpersonalizedrecommendationsysteminEcommerce。

Agenttechnologyisusedtoconstructthefunctionalmodulesofthepersonalizedrecommendationsystem.Offlinerecommendationandhybridrecommendertechnologyareusedtoconstructthecorerecommendermodelundertheintelligentcontrol.Thepaperpresentsthefunctionanddesignideasofvariouscomponentsofthemodel. Keywords:Ecommerce;recommendersystem;personalization;userprofile; multiagentsystem;hybridrecommendersystem 0.引言 电子商务推荐系统是指电子商务网站根据用户的兴趣特点。

向用户推荐符合用户个性化需求的对象。根据推荐对象的不同,目前主要有两种类型的推荐系统,一种是以网页为推荐对象的搜索系统,如google。一种是网上购物环境下,以商品为推荐对象的个性化推荐系统,为用户推荐符合兴趣爱好的商品,如书籍、音像制品等。本文所研究的推荐系统,主要指的是第二种推荐系统。 电子商务网站通过分析用户的特征和兴趣爱好,以及用户历次的网上行为,如以往购买产品的品种和经常浏览的页面类型,以及相应的用户评价,为用户筛选出相对感兴趣的产品进行推荐,或根据个人情况的不同显示出不同的信息及广告,从而大大增加客户满意度,扩大市场销售,特别是将偶尔访问网站的用户转变为忠诚客户。对于电子商务网站来说。

强大的推荐功能是电子商务网站成功的关键。 1.电子商务推荐系统的评价标准 评价电子商务推荐系统的好坏主要有以下三个技术标准[1]: (1)个性化程度(DegreeofPersonnalization):个性化程度取决于推荐结果符合用户兴趣爱好的程度。个性化程度越高,推荐结果越有针对性,用户越满意。 (2)自动化程度(DegreeofAutomation):自动化程度取决于客户得到推荐结果所付出的劳动量或得到推荐结果的容易程度。 (3)持久性程度(DegreeofPersistence):持久性程度取决于给出的推荐是建立在当前会话基础上的,还是建立在多次用户会话(当前用户会话和以前的用户会话)基础上。

为了使电子商务推荐更具有个性化、自动化和持久性,人工智能领域的Agent技术为其实现提供了有利的技术支持。 2.智能Agent技术 2.1智能Agent技术及其特点[2] Agent是人工智能(AI)领域发展起来的一个概念,是指具有感知能力、问题求解能力和与外界进行通讯能力的能持续自主地发挥作用的一个软件实体。Agent具有以下特点: (1)智能性。Agent具有一定的推理能力,能比较准确地揣测用户的意图,并能将复杂的任务加以分析、分解,有针对性地提供信息、解决问题。它能根据用户的需求和环境的变化,主动向用户提供服务。 (2)反应性。Agent能够感知外界的环境,并能对相关事物做出适时的反应。

(3)学习性和自成长性。Agent作为一个独立的个体,能自主学习能与用户并行工作,并将用户的兴趣、爱好、习惯等信息直接转化为内部表示,存放在知识库中,建立用户模型来指导自己的决策使之符合用户需求。 (4)社会性。Agent通过交流与合作在MultiAgent环境中协调工作和消解冲突,从而执行和完成一些自身无法求解的复杂任务。 (5)主动性。Agent能主动地分析和获取用户的个性信息并根据用户的兴趣了解其潜在需求,采取主动服务。 (6)自主性。Agent无需外界参与而自主运行,且对自己的行为和和内部状态有一定程度的控制。 由于Agent具有以上特点,利用Agent来构建个性化推荐系统具有先天性的优势。

2.2多Agent系统 多Agent系统(MultiAgentSystem,MAS)是由多个Agent组成的系统,其基本思想是将具有不同目标的多个Agent对其目标、资源等进行合理的安排,以协调各自行为,最大程度地实现各自的目标。每一个Agent又是一个具有目标、知识和能力的自治计算实体,多个Agent协调合作形成问题的求解网络。多Agent系统优于仅由单个Agent控制的系统,通过Agent间合作,多Agent系统不仅改善了每个Agent的基本能力,而且可以解决单个Agent无法解决的复杂问题。 基于多Agent的个性化推荐技术是将多Agent技术应用到电子商务推荐系统中,利用多Agent的特性。

使电子商务推荐系统在个性化、自动化、持久化程度上都有明显的提高[3],使推荐系统更加适应电子商务网站动态变化的需要,能为用户提供更为主动的、智能性、适应性的个性化商品推荐服务。 3.基于MultiAgent的电子商务个性化推荐系统的整体架构 本文提出了一个基于多Agent的电子商个性化推荐系统,简称MAPRS[4]。它的总体设计思路是采用多Agent技术将个性化推荐系统中的功能模块构建为智能体,并在智能控制方式下采用线下信函式推荐和线上混合推荐技术来构建核心推荐模块。整体架构如图1所示。 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1MAPRS的整体架构图 该系统由图1中所示的多个Agent组成。

其中,推荐引擎Agent是该推荐系统的核心,用户兴趣模型管理Agent是推荐系统的前提和基础。监视Agent用于触发推荐引擎Agent,源数据监控Agent为推荐引擎Agent传递信息决定具体推荐技术的选取,评价反馈Agent、数据挖掘Agent、用户Agent为用户兴趣管理Agent的工作提供服务。它们之间相互协作,共同完成个性化推荐服务。 下面对该系统的各个组成模块的功能和设计思想进行详细阐述。 3.1用户界面Agent 用户界面Agent主要由两大功能。其一是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。 3.2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Agent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Agent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。 3。

3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email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email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确。 因此通过监视Agent来监视用户是否是通过email来激活链接进行网站登录的,来将这个反馈结果发送给评价反馈Agent进行用户评价的更新操作。 3.4源数据库监控Agent 源数据库监控Agent监督源数据库的变化,当某些数据表发生较大的改变时,通知推荐引擎Agent,以便推荐引擎Agent决定在具体的推荐技术上是采用基于内容过滤的推荐技术还是基于协同过滤的推荐技术。

设计规范相关推荐  
三九文库 www.999doc.com
备案图标苏ICP备2020069977号