用多Agent技术实现个性化搜索

文中分析了随着WWW发展出现的信息过量和现有的搜索引擎很难很好考虑用户兴趣的问题，提出了能够协助用户浏览的多Agent系统，这个多Agent系统主要由界面Agent,搜索Agent和学习Agent三个子Agent组成，文中主要介绍了两种界面模式和两种搜索模型，并介绍了学习Agent的学习策略，然后对两种搜索Agent进行了比较。     

基于混合学习策略的多Agent信息过滤系统

针对用户个性化服务的要求，给出了一种基于混合学习策略和BP神经网络的多Agent信息过滤系统实现方案。系统采用蒙特卡罗强化学习算法进行多Agent协作学习，同时运用三层BP神经网络计算用户的满意度，根据算出的满意度对用户兴趣模型进行更新。本系统中用户无须反复提供显示反馈，由Agent跟踪并记录用户的浏览行为而得到用户的隐式反馈信息，从而减轻了用户的负担。     

基于移动Agent和Web服务的分布式地理信息查找研究

提出并实现了一种基于移动Agent和Web服务进行分布式地理信息查找的系统框架。根据系统的查找策略移动Agent可以对分布于网络中的地理信息进行自主搜索，利用移动Agent和Web服务之间的交互可以允许多种类型的应用程序透明访问查找服务。     

基于Agent的个性化信息过滤系统的设计与实现

针对用户个性化服务的特定需求，文中提出了一种基于Agent的个性化信息过滤系统的设计思想及其实现过程。采用基于主题的过滤和基于兴趣的过滤相结合的过滤方法对信息分两次过滤，同时利用Agent跟踪用户的浏览行为，从而提供隐式反馈。系统能够根据文本的内容自动判别文本所属主题分类，并计算待过滤信息与用户兴趣之间的相关度，最后利用用户的反馈对用户兴趣模型进行更新，从而帮助用户准确获取有用信息。     

MAS系统的问题求解能力分析

本文用状态空间搜索模型分析了多Agent系统(MAS)的问题求解能力，认为MAS系统中Agent之间知识的组合应用和对问题搜索方向的交互和决策是影响MAS系统问题求解能力的主要原因，在状态空间搜索模型下可以将Agent间知识的组合应用表达为不同Agent的搜索路径的组合，而Agent对搜索方向的判断是基于启发式信息做出的，从而为形式化分析MAS系统的性能建立了通用的模型．本文以A*算法为例探讨了可采纳算法下多Agent合作求解效果与Agent的知识和启发信息之间的关系，指出只有在一定条件下MAS系统才会获得更好的解题能力．本文还对非可采纳算法下MAS系统性能分析方法提出了初步看法．     

个性化网络信息过滤Agent的反馈评价机制

文章描述了信息过滤的作用,并介绍了一个基于Agent的万维网文档信息过滤系统。文中提出了个性化网络信息过滤Agent的结构及其实现方案,并讨论了用相关反馈评价机制更新用户兴趣模型的问题,建议用决策树从用户分类的文档集中学习用户的信息兴趣。     

基于知识的新闻信息采集软件Agent系统

给出了一个基干知识的Internet新闻信息自动识别、采集、过滤、索引的软件Agent系统，介绍了系统体系结构和功能，说明了新闻信息采集器、知识库、新闻信息索引以及用户兴趣表示等技术的实现，最后给出部分实验结果。     

基于多Agent的信息搜索策略

随着大型专用信息网络的应用,网络中信息数量急剧膨胀,这也给信息内容的搜索与监测带来挑战.针对这种情况提出了一种基于多Agent的分布式并行信息搜索策略,引入了节点搜索度和节点搜索回报等概念,从而达到协调多个Agent并行工作,以最短的时间和最小的资源占用完成对众多信息节点和海量信息的搜索任务,同时也可以实现对部分信息节点的监控.最后给出了这种多Agent系统的结构模式以及相应搜索策略的描述和实现算法.     

一个基于Agent的跨语种搜索模型

文章提出了一个在Web上查找信息的跨语种搜索模型,该模型基于Agent技术设计,由用户交互Agent、自动翻译Agent和网络搜索Agent组成,能够帮助用户跨越语言障碍,获取Internet上用其他语种表示的信息.详细讨论了该模型的结构和工作流程,并介绍了基于该模型实现的服务.     

基于Agent的个性化信息过滤系统的设计与实现

针对用户个性化服务的特定需求,文中提出了一种基于Agent的个性化信息过滤系统的设计思想及其实现过程。采用基于主题的过滤和基于兴趣的过滤相结合的过滤方法对信息分两次过滤,同时利用Agent跟踪用户的浏览行为,从而提供隐式反馈。系统能够根据文本的内容自动判别文本所属主题分类,并计算待过滤信息与用户兴趣之间的相关度,最后利用用户的反馈对用户兴趣模型进行更新,从而帮助用户准确获取有用信息。     

面向Internet的个性化智能信息检索

文中提出了一个面向Ｉｎｔｅｒｎｅｔ的个性化智能信息检索系统,该系统的研究内容属目前智能信息检索领域的重要研究课题。系统采用分布式智能体Ａｇｅｎｔ技术、相关反馈学习算法和基于多用户个性化模式的层次智能信息滤波算法,并采用多模块之间尖线交互机制和个性化检索与集中游览相结合的检索方式等方法,有效地解决了现有系统在交互方式、自适应用户兴趣和信息源的变化、高效并行检索等方面的不足,该系统普通适用于Ｉｎｔｅｒ     

基于Agent的个性化信息检索中相关度反馈的研究

本文分析了信息检索中的相关性反馈技术,对用户兴趣的反馈评价机制进行了研究。采用Agent技术,给出了一个智能Agent的相关度反馈模型;并对此模型中的用户兴趣的反馈评价机制进行了实验,通过改进的ID3算法,学习用户兴趣、更新用户兴趣模型来实现个性化的信息检索。实验证明,这种反馈评价机制是有效的,系统的查全率与查准率都有了明显的提高,能够更好地满足用户的个性化需求。     

交互式Agent在文本搜索中的应用

介绍了一个嵌入了Agent的文本编辑器,名为SmartTag,它能够通过与用户的一系列交互推理出通用模式。用户通过提供一些文本搜索的例子,Agent会推理出一个能够覆盖这些例子的通用模式,并且用户可以通过弹出菜单手工调整当前的模式以得到最终模式。然后,Agent可以通过得到的模式自动匹配当前文档中的其余文本字符串,这一交互过程简化了动态文本搜索的复合程度,并且使得人机之间的交互更加自然。     

一个智能用户接口Agent设计与实现

文章主要介绍了DOLTRI-Agent(distance and open learning training resource information retrieval agent)系统中的用户接口Agent(NanDa user interface agent, 简称NDUIA)的设计和实现的关键技术.此系统扩展了memory-based reasoning技术,采用了多个记忆模型和多个分析模型,通过对不同用户使用经验的分析产生该用户专用的用户兴趣模型;同时根据用户兴趣模型和特定场景的使用经验共同作用来提供主动的智能服务,包括信息导引、搜索结果的预处理、智能即时帮助和分类信息的修改等,从而实现软件与人的协作.     

Evaluation of keyphrase extraction algorithm and tiling process for a document/resource recommender within e-learning environments

The research presented in this paper is an examination of the applicability of IUI techniques in an online e-learning environment. In particular we make use of user modeling techniques, information retrieval and extraction mechanisms and collaborative filtering methods. The domains of e-learning, web-based training and instruction and intelligent tutoring systems provide a challenging environment due to the large and diverse user population it entails. The overall system concentrates on utilizing a user modeling system to filter results as part of a collaborative document recommendation system. The goal of such a system is to actively seek out and recommend documents that will either encourage the users to expand their knowledge of a given topic or reinforce the knowledge which they already have. The system aims to recommend these documents in a non-intrusive manner with minimal user inconvenience, and attempts to do so by utilizing the Key Extraction Algorithm and automatically extracting queries, searching the web and filtering the search results. Users are encouraged to provide feedback about the resources and links they have viewed.     

智能协作信息技术在信息检索中的应用

针对Internet信息资源的特点和信息检索系统的现状,提出一个应用智能协作信息技术进行Internet信息检索的完整的解决方案,该智能信息检索系统应用了三类智能主体,即用户接口主体、信息处理主体和信息搜索主体,分别实现个性化的智能游览器、网上信息（主要是文档）的分析处理以及信息的搜索。分析了系统的基本结构作主要工作原理,并对系统实现进行了初步的讨论。     

智能人机界面Agent的用户模型及其构建方法

智能Agent是计算机领域中自适应人机界面需要研究的关键问题之一。文章论述了智能Agent的定义、功能和组成。给出了用户模型的结构框图,探讨了用户模型及其构建方法,并通过实例介绍了几个典型的智能Agent系统。     

虚拟企业专业搜索引擎中个性化用户系统设计与实现

提出了一个由用户端和用户代理组成的个性化用户系统．用户可以通过它完成查询和对搜索结果的评价，同时用户系统还会根据对用户兴趣信息的总结，自动产生符合用户兴趣方向的虚拟企业黄页，从而大大提高搜索过程的个性化水平。     

Intelligent Control for Haptic Displays

Usually, a mouse is used for input activities only, whereas output from the computer is sent via the monitor and one or two loudspeakers. But why not use the mouse for output, too? For instance, if it would be possible to predict the next interaction object the user wants to click on, a mouse with a mechanical brake could stop the cursor movement at the desired position. This kind of aid is especially attractive for small targets like resize handles of windows or small buttons. In this paper, we present an approach for the integration of haptic feedback in everyday graphical user interfaces. We use a specialized mouse which, is able to apply simple haptic information, to the user's hand and index finger. A multi-agent system has been designed which ‘observes’ the ‘user in order to predict the next interaction object and launch haptic feedback, thus supporting positioning actions with the mouse. Although primarily designed in order to provide intelligent’ haptic feedback, the system can be combined with other output modalities as well, due to its modular and flexible architecture.     

Web search using a genetic algorithm

Webnaut is an intelligent agent system that uses a genetic algorithm to collect and recommend Web pages. A feedback mechanism adapts to user interests as they evolve. The authors first describe intelligent assistant systems in general and then present the Webnaut architecture, its learning agent, and the genetic algorithm. They conclude with results from two preliminary experiments that tested the accuracy and adaptability of the learning agent