雷威　张玉继　李文博

摘 要：通过分析用户行为和Agent技术，提出基于用户行为的多Agent个性化信息推荐系统设计模型。对基于用户行为数据进行分析，整合用户的行为特性可以为用户带来更好的使用体验，多Agent技术能结合用户兴趣偏好信息及用户访问记录实现信息过滤并推理出用户的意图，从而提供个性化的推荐服务。

关键词：多 Agent技术；推荐系统；信息过滤；用户行为

DOI：10.11907/rjdk.171443

中图分类号：TP399 文献标识码：A 文章编号：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，信息过载问题日益突出，需要通过某种方式来作出筛选以满足人们的个性化信息需求，此时电子商务推荐系统应运而生，它能帮助用户快速找到所需商品。目前的推荐系统种类繁多[1]，各有优势但同时也存在各自的缺点，在不同的平台表现出来的性能差异较大。通过调查分析发现，市场上的推荐系统普遍存在以下问题：系统移植比较困难、提供的推荐功能不够灵活多样、系统不容易维护、系统需要定制导致开发代价高等。

鉴于此，本文基于用户行为的多Agent信息推荐系统，结合用户行为数据进行分析，引入多Agent技术[2]，利用Agent的智能性、自主性、代理性特征，能够使得推荐系统从众多信息里过滤出用户真正所需的信息，使得推荐结果更符合用户的请求，即使在不确定和动态的环境下，此系统也能够表现出良好的性能，真正体现了智能适应性的个性信息推荐，也即“信息找人”的服务模式，从而提高系统的整体运营效率并创造更多的效益，有效减轻了信息过载问题。

1 信息推荐系统核心技术

1.1 用户行为数据分析

用户浏览系统往往具有很强的目的性，用户行为数据分析[3]是指获得访问基本数据情况，对有关数据进行统计、分析，用户很多浏览行为都能很好地反映用户兴趣爱好，从服务器日志挖掘出代表用户兴趣的模型，从中发现用户访问规律，并将这些规律与推荐算法等相结合，从而提高个性推荐系统的精确度。

用户行为分析包含以下重点数据分析：①用户的来源地区、来路域名和页面；②用户在网站的停留时间、回访次数、间隔访问次数；③用户所使用的搜索引擎、关键词、站内关键词；④注册用户和非注册用户两者之间的浏览习惯。

通过对用户行为监测获得的数据进行分析可以更加详细、清楚地了解用户个性化需求。

用户通过浏览相关物品信息，以及有相似兴趣的其他用户或者好友和用户本身注册信息具有的标签等，通过对这些数据的分析向用户推荐个性化的物品信息。用户行为分析模型如图1所示。

1.2 多Agent技术

Agent技术是一种处于一定环境下包装的计算机系统，能在该环境下灵活、自主地活动。Agent具有这样的特性：自治性、社会性、反映性、能动性，还具备一些人类才具有的特性，如知识、信念、义务、意图等。它拥有一定程度的拟人性，也即帮助或者代替人来完成某些任务，因此本文使用Agent来构建个性化推荐系统。

多Agent技术是多个Agent组成的集合，Agent成员之间相互协调、相互服务，将大而复杂的系统建设成小的、能够彼此相互通信和协调的智能化易于管理的系统。各Agent成员之间的活动是自治独立的，其自身的目标和行为不受其它Agent成员的限制，它们通过竞争和磋商等手段协商和解决相互之间的矛盾和冲突。多Agent技术研究的主要目的是通过多个Agent所组成的交互式团体求解超出Agent个体能力的大规模复杂问题。

多Agent技术用于解决实际问题的优势主要体现在：①支持分布式应用，具有良好的模块性、易于扩展性和设计灵活简单，克服了建设一个庞大系统所造成的管理和扩展的困难，有效降低了系统的总成本；②各Agent通过相互协调去解决大规模的复杂问题，多Agent采用信息集成技术，将每个Agent的信息集成在一起，完成复杂的功能；③Agent是异质的、分布的。它们可以是不同的个人或组织，采用不同的设计方法和计算机语言开发而成，因此可以是完全异质和分布的；④多Agent技术打破了人工智能领域仅使用一个专家系统的限制，各领域的不同专家可协作求解某一个专家无法解决的问题，提高系统解决问题的能力；⑤处理是异步的，由于各Agent是自治的，每个Agent都有自己的进程，按照自己的运行方式异步地进行。endprint

1.3 基于用户的协同过滤推荐算法

基于用户推荐的算法是以用户为主题的算法，一般在海量用户中发掘出一小部分品位比较相似的用户，在协同过滤中这些用户成为邻居，然后根据他们喜欢的其它东西组成一个排序的目录推荐给这些用户。要实现协同过滤[4]，需要实现几个步骤：①收集用户偏好；②找到相似的用户或物品；③计算推荐给用户。举例说明，基于用户的协同过滤算法基于这样一个事实：如果A与B在电影方面的喜好相同，那么用户B把他喜欢的电影推荐给用户A是合理的，以此为基础，基于用户的协同过滤算法出现了，可据此求出用户的相似度。式（1）给出了相似度计算方法，R代表相似度的值，如果想计算每两个用户的相似度，所需要的时间复杂度为O（n*n*d）。n为用户数目，d为商品数目。R=N（u）∩N（v）N（u）*N（v）

（1） 通过式（1）能得到一个相似度矩阵。然而在很多应用中该相似度矩阵是很稀疏的，也即很多用户相互之间没有相同的商品生产行为。如果直接先将相似度不为0的用户对数求出来，然后只计算这些不为0的用户对，这样复杂度较高。用数组C[u][v]记录用户u和v有相同商品行为的数目，首先建立一个倒排表，每个物品都保存在产生过行为的用户信息中，然后对于每个物品的所有用户对数（u，v），C[u][v]加1，这样结束后就可只利用相似度不为0的用户对数。

得到相似度矩阵后利用式（2）预测用户u对物品i的感兴趣程度。其中S（u，k）表示与用户u最接近的k个用户，N（i）表示对物品i有过行为的用户集合，Wuv表示用户u和v的相似度，rvi表示用户v对物品i的感興趣程度。p（u，i）=∑v∈S（u，k）∩N（i）wuvrvi

（2） 从式（2）可以看出，如果p（u，i）的值越大，说明u对物品i越感兴趣，这时可以设定一个给定的阈值，如果小于该阈值就不推荐，否则推荐给相应的用户。

2 推荐系统整体架构与运行机制

2.1 推荐系统功能

传统的信息服务系统大多需要用户根据自己的需要主动搜索信息，但是人们处于一种信息过载的环境中，已经很难及时和准确获取用户想要的信息数据。此时改变传统的被动服务方式，“信息找人”的模式也即主动向客户推荐用户想要的个性化信息资源非常有必要。本文提出的基于用户行为的多Agent信息推荐系统，根据用户行为，由多个Agent替用户获得所需信息，此系统可以主动帮助用户获得用户所需的个性化信息需求。此推荐系统可以给用户提供多种类型和层次多样化的信息服务，建立一个更个性化、更高效的信息推荐平台。

2.2 系统架构

实现个性化信息推荐的核心是解决用户行为监测、信息反馈、数据挖掘[5]、过滤推荐等问题。本文提出了一个信息推荐系统构架，将系统划分层次结构，分别由不同的Agent来完成，各Agent相互协调工作实现系统功能，具体如图2所示。

2.3 系统运行机制

当用户在使用系统时，系统里的各Agent开始协调工作，源数据库监控Agent监测源数据库里的数据并发送给推荐引擎Agent，用户行为Agent接收监测Agent里的数据并对这些数据进行分析，数据挖掘Agent根据监测Agent监测数据进行挖掘，用户兴趣模型管理Agent则对数据挖掘Agent和用户行为Agent发送过来的数据进行用户兴趣建模和管理，推荐引擎Agent根据源数据库监控Agent和用户兴趣模型管理Agent发送过来的数据，产生推荐结果发送给用户界面Agent，然后再由用户界面Agent发送给用户。

基于以上系统框架，推送系统根据用户兴趣从众多相关信息中筛选和过滤出用户真正需要的信息推荐给用户。

3 结语

信息爆炸时代下，如何在互联网世界里查找到用户想要的信息，避免不必要的时间浪费值得重视。基于用户行为的Agent技术的出现让智能信息推荐在互联网世界里引领潮流，随着多Agent技术的继续发展，其必然给社会创造更多的效益。推荐构架还有一些问题需要攻克，比如，一个新的信息推荐系统如何使用该推荐服务解决冷启动的问题。相信随着后续研究的深入，这些问题将逐一解决。

参考文献：

[1] 夏洪文，蒿景兰.基于web3.0的个性化信息服务及其系统设计[J].现代教育技术，2012（11）：121-123.

[2] 林琳，刘峰.基于改进合同网协议的多Agent协作模型[J].计算机研究与发展，2010，20（3）：70-75.

[3] 李建延，郭晔，汤志军.基于用户浏览行为分析的用户兴趣度计算[J].计算机工程与设计，2012（3）：968-972.

[4] 王元涛.Netflix数据集上的协同过滤算法[D].北京：清华大学，2009：156-158.

[5] 朱建峰.可视化数据挖掘[M].北京：电子工业出版社，2008：302-304.

（责任编辑：孙 娟）endprint