一種基于用戶行為的多Agent信息推薦系統研究

雷威　張玉繼　李文博

摘 要：通過分析用戶行為和Agent技術，提出基于用戶行為的多Agent個性化信息推薦系統設計模型。對基于用戶行為數據進行分析，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技術能結合用戶興趣偏好信息及用戶訪問記錄實現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。

關鍵詞：多 Agent技術；推薦系統；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，此時電子商務推薦系統應運而生，它能幫助用戶快速找到所需商品。目前的推薦系統種類繁多[1]，各有優勢但同時也存在各自的缺點，在不同的平臺表現出來的性能差異較大。通過調查分析發現，市場上的推薦系統普遍存在以下問題：系統移植比較困難、提供的推薦功能不夠靈活多樣、系統不容易維護、系統需要定制導致開發代價高等。

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

1 信息推薦系統核心技術

1.1 用戶行為數據分析

用戶瀏覽系統往往具有很強的目的性，用戶行為數據分析[3]是指獲得訪問基本數據情況，對有關數據進行統計、分析，用戶很多瀏覽行為都能很好地反映用戶興趣愛好，從服務器日志挖掘出代表用戶興趣的模型，從中發現用戶訪問規律，并將這些規律與推薦算法等相結合，從而提高個性推薦系統的精確度。

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

通過對用戶行為監測獲得的數據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，通過對這些數據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

Agent技術是一種處于一定環境下包裝的計算機系統，能在該環境下靈活、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、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，因此本文使用Agent來構建個性化推薦系統。

多Agent技術是多個Agent組成的集合，Agent成員之間相互協調、相互服務，將大而復雜的系統建設成小的、能夠彼此相互通信和協調的智能化易于管理的系統。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商和解決相互之間的矛盾和沖突。多Agent技術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個體能力的大規模復雜問題。

多Agent技術用于解決實際問題的優勢主要體現在：①支持分布式應用，具有良好的模塊性、易于擴展性和設計靈活簡單，克服了建設一個龐大系統所造成的管理和擴展的困難，有效降低了系統的總成本；②各Agent通過相互協調去解決大規模的復雜問題，多Agent采用信息集成技術，將每個Agent的信息集成在一起，完成復雜的功能；③Agent是異質的、分布的。它們可以是不同的個人或組織，采用不同的設計方法和計算機語言開發而成，因此可以是完全異質和分布的；④多Agent技術打破了人工智能領域僅使用一個專家系統的限制，各領域的不同專家可協作求解某一個專家無法解決的問題，提高系統解決問題的能力；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掘出一小部分品位比較相似的用戶，在協同過濾中這些用戶成為鄰居，然后根據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。要實現協同過濾[4]，需要實現幾個步驟：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，基于用戶的協同過濾算法出現了，可據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，所需要的時間復雜度為O（n*n*d）。n為用戶數目，d為商品數目。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行為。如果直接先將相似度不為0的用戶對數求出來，然后只計算這些不為0的用戶對，這樣復雜度較高。用數組C[u][v]記錄用戶u和v有相同商品行為的數目，首先建立一個倒排表，每個物品都保存在產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（u，v），C[u][v]加1，這樣結束后就可只利用相似度不為0的用戶對數。

得到相似度矩陣后利用式（2）預測用戶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，否則推薦給相應的用戶。

2 推薦系統整體架構與運行機制

2.1 推薦系統功能

傳統的信息服務系統大多需要用戶根據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境中，已經很難及時和準確獲取用戶想要的信息數據。此時改變傳統的被動服務方式，“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，根據用戶行為，由多個Agent替用戶獲得所需信息，此系統可以主動幫助用戶獲得用戶所需的個性化信息需求。此推薦系統可以給用戶提供多種類型和層次多樣化的信息服務，建立一個更個性化、更高效的信息推薦平臺。

2.2 系統架構

實現個性化信息推薦的核心是解決用戶行為監測、信息反饋、數據挖掘[5]、過濾推薦等問題。本文提出了一個信息推薦系統構架，將系統劃分層次結構，分別由不同的Agent來完成，各Agent相互協調工作實現系統功能，具體如圖2所示。

2.3 系統運行機制

當用戶在使用系統時，系統里的各Agent開始協調工作，源數據庫監控Agent監測源數據庫里的數據并發送給推薦引擎Agent，用戶行為Agent接收監測Agent里的數據并對這些數據進行分析，數據挖掘Agent根據監測Agent監測數據進行挖掘，用戶興趣模型管理Agent則對數據挖掘Agent和用戶行為Agent發送過來的數據進行用戶興趣建模和管理，推薦引擎Agent根據源數據庫監控Agent和用戶興趣模型管理Agent發送過來的數據，產生推薦結果發送給用戶界面Agent，然后再由用戶界面Agent發送給用戶。

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

3 結語

信息爆炸時代下，如何在互聯網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技術的出現讓智能信息推薦在互聯網世界里引領潮流，隨著多Agent技術的繼續發展，其必然給社會創造更多的效益。推薦構架還有一些問題需要攻克，比如，一個新的信息推薦系統如何使用該推薦服務解決冷啟動的問題。相信隨著后續研究的深入，這些問題將逐一解決。

參考文獻：

[1] 夏洪文，蒿景蘭.基于web3.0的個性化信息服務及其系統設計[J].現代教育技術，2012（11）：121-123.

[2] 林琳，劉峰.基于改進合同網協議的多Agent協作模型[J].計算機研究與發展，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].計算機工程與設計，2012（3）：968-972.

[4] 王元濤.Netflix數據集上的協同過濾算法[D].北京：清華大學，2009：156-158.

[5] 朱建峰.可視化數據挖掘[M].北京：電子工業出版社，2008：302-304.

（責任編輯：孫 娟）endprint