基于Agent的个性化推荐系统研究与设计

论文摘要

面对复杂而庞大的Internet,多数用户往往觉得力不从心,当用户在网络上搜索信息时,往往就会因为信息量过大且无目的性发生“迷航”、“认知过载”等现象。基于此种情况,面对用户的网络个性化推荐系统应运而生而且发展迅速。个性化推荐系统在用户当前会话的基础上,根据以往访问用户习惯,立即判断当前用户类别并预测其下一步可能感兴趣的页面并推送至当前用户。这种的做法很大程度上减轻了用户的寻找难度,使得信息获取在某种程度上更加高效。本文在深入理解Web日志挖掘一般过程,研究Web日志挖掘的技术的基础上,结合实际情况,重点深入研究了Web日志挖掘的核心算法,在大量研究前人已有算法的基础上,提出了基于兴趣度的矩阵处理算法,此种算法较之以前单纯1,0填值的方式,改进并采用了兴趣度填值,其中兴趣度模型的建立结合了最能代表用户偏好的浏览时间和浏览次数比两个参数,最后得出的结果在保留高效快捷的基础上,更加比普通矩阵算法更加贴近用户习惯,推荐结果更加准确。在得出了核心算法之后,本文进一步研究了页面推荐算法,并给出了一系列定义帮助理解。同时本文也着重分析研究了Agent的概念、技术框架,多Agent之间的通信,JADE开发平台以及代码编写,并在此基础上,利用其交互性、自主性、协作性等众多特性搭建了完整的基于Agent技术的WEB日志挖掘系统框架,并详细阐述了系统中每个Agent的功能和流转方式,针对在MAS系统中遇到的通信问题给出了基于XML的KQML的通信言语解决办法,阐明了在实际开发过程中,独立Agent的代码组成部分及编写方法,并在最后给出了系统实现界面和相应的用户聚类、页面聚类结果图。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的目的与意义
• 1.1.1 研究的目的
• 1.1.2 研究的意义
• 1.2 国内外研究现状
• 1.2.1 国内研究现状
• 1.2.2 国外研究现状
• 1.3 AGENT技术的研究现状
• 1.4 个性化推荐系统介绍
• 1.5 本文研究内容
• 第二章 知识背景
• 2.1 数据挖掘的概论
• 2.1.1 数据挖掘的定义
• 2.1.2 数据挖掘的一般过程
• 2.1.3 数据挖掘的一般算法
• 2.2 WEB日志挖掘
• 2.2.1 什么是WEB挖掘
• 2.2.2 WEB挖掘的分类
• 2.2.3 WEB挖掘的特点
• 2.2.4 WEB日志挖掘
• 2.3 个性化推荐系统及其相关技术介绍
• 2.3.1 个性化推荐系统定义与特点
• 2.3.2 个性化推荐系统的一般过程
• 2.3.3 相关技术
• 2.4 本章小结
• 第三章 多Agent技术及JADE平台介绍
• 3.1 问题概述
• 3.2 Agent定义
• 3.3 Agent技术简析
• 3.4 多Agent主要研究内容
• 3.5 JADE平台
• 3.5.1 JADE平台介绍
• 3.5.2 用JADE创建多Agent系统
• 3.6 交互协议
• 第四章 基于矩阵分类的日志算法的改进
• 4.1 日志挖掘算法的研究现状
• 4.2 基于矩阵分类的聚类算法
• 4.2.1 矩阵的生成
• 4.2.2 基于矩阵的用户聚类
• 4.2.3 基于矩阵的频繁路径生成
• 4.3 算法的改进
• 4.3.1 [1,0]矩阵分类算法的不足
• 4.3.2 矩阵分类算法的改进
• 4.3.3 实例结果分析
• 4.4 最终推荐集合的生成
• 4.5 算法特点
• 4.6 本章小结
• 第五章 基于AGENT的模型架构
• 5.1 模型概述
• 5.2 系统架构设计
• 5.3 各AGENT功能描述
• 5.3.1 服务型Agent
• 5.3.2 展示型Agent
• 5.4 多Agent间的通信
• 5.4.1 ACL遇到的障碍及其XML描述KQML的可行性
• 5.4.2 XML与KQML的集成
• 5.4.3 KQML与XML集成的优点
• 5.5 系统实现
• 5.5.1 系统开发环境
• 5.5.2 Agent主要开发
• 5.5.3 系统用户界面
• 5.5.4 结果分析
• 5.6 本章小结
• 第六章 总结与展望
• 致谢
• 参考文献
• 攻读学位期间的研究成果