一种基于智能Agent的科技文献快速协作推送机制

针对目前网络科技文献共享平台上汇聚的海量的科技文献,提出了一种新的基于智能Agcnt的科技文献快速协作推送模型,通过引入由智能Agen、技术构建的用户Agent、数据传递Agent、信息评佑Agent、信息分析Agent ,服务器监控Agent和数据挖掘Agent,在客户机和服务器之间建立一种有效的协作关系,联合为每个用户主动提供最符合其需求的科技文献。提出了一种新的文献一读者契合度评估算法,算法综合考虑用户主动提供的订阅信息、用户的阅读历史情况、文献价值客观评价值以及文献发表的先后时间,获取契合度值向量对文献与读者的匹配情况进行客观的评估,从而在准确获得用户真实兴趣和关注领域的情况下及时为用户提供最有价值、最符合用户需求的高质量科技文献信息。分析了目前的网络信息获取和传送方法,然后介绍了基于智能Agcnt的科技文献快速协作推送系统模型,最后详细探讨了文献一读者契合度评佑算法及契合度向量的各个参数的计算方法。     

支持人机协同的智能用户界面体系结构

从分析实现人机协同智能用户界面需解决的问题入手,探讨了多Agent系统解决上述问题的技术途径;提出一种基于多Agent系统的人机协同式智能用户界面体系结构,并重点讨论了如何解决多媒体对象展示关系、Agent之间协同、应用语义反馈、用户智能向导等问题。在该结构中,控制Agent协调可视元素之间的通信,用户Agent负责保存用户兴趣模型和提供推理服务。支持用户界面按构件方式进行组合,具有良好的扩展必和可重用性。模拟实例验证了该体系结构的可行性。     

智能搜索引擎的研究与设计

本文根据现有搜索引擎的不足,提出了一个基于MAS的智能元搜索引擎模型。旨在帮助用户快速、准确地获得想要地Web信息。本系统以多Agent技术为基本框架,利用Agent的自治性和协作性来完成智能搜索,并详细讨论了元搜索引擎的建立、用户兴趣模型的建立和用户兴趣的学习。     

一种基于Agent的数据挖掘结果模式推荐模型

结合数据挖掘模式存储和人工智能Agent技术，提出了基于智能个性化Agent的数据挖掘结果模式的推荐模型，该推荐模型能自动对用户兴趣进行分析，并向用户推荐其感兴趣而又值得关注的挖掘结果模式，有一定的实用价值。     

基于元搜索引擎的专业式智能网络信息检索系统

随着网络信息资源的迅速增加和实时更新，如何及时准确地获取自己所需的有用信息是现代网络信息检索技术需要解决的主要问题。介绍了一种基于元搜索引擎的新型专业式智能网络信息检索系统。该系统建立专业词库和用户知识库，结合人工智能的Agent技术，能够很好地对用户的兴趣进行自适应学习，以实现个性化的信息检索，既保证了查全率，又提高了检索结果的查准率。     

基于内容的智能图像检索系统设计

由于Internet中的图像信息资源是异构的．人们要想从中发现、收集和维护自己需要的信息要花费大量的时间和精力。为了更有效地利用Internet上的图像资源，文章从基于内容的图像检索的现状出发，运用Agent技术，提出了一种基于内容的智能图像检索系统的初步模型，并设计了其中核心部分的基本结构：用户Agent、协调器和信息Agent，从而弥补了现有图像检索系统在自适应用户兴趣和交互式等方面的不足，提高了系统的检索正确率和检索能力。     

基于模糊兴趣集和智能Agent的推荐系统模型研究

提出了一种结合用户模糊兴趣和智能多Agent的电子商务推荐系统模型,利用智能Agent获取用户对产品属性的喜好度和相应权重,依此建立起清晰的用户兴趣模型.在智能多Agent技术下建立一种多属性综合评价机制,采用逼近理想解法(Topsis法)对候选产品进行实时处理,并根据排序结果产生Top-N推荐.     

基于用户兴趣反馈的智能合作过滤模型的研究

随着网络信息资源的迅速增加,如何及时准确地获取所需信息是现代网络信息过滤技术需要解决的主要问题.为了给用户提供更准确的信息,提出了一种基于用户反馈的智能合作过滤模型(Agent collaborative filtering model based on users'feedback,ACFM)和用户兴趣模型,该模型通过隐式反馈和显式反馈这两种用户兴趣反馈学习实现合作过滤.实验结果表明,ACFM在预测用户兴趣的效果和推荐搜索信息的准确率方面比传统的搜索引擎有明显改善.     

基gf Agent的 个性化主动KDD系统

介绍一个用多Agent实现的主动式KDD系统的设计与实现。系统在建模的基础上挖掘知识，结合Agent技术和机器学习的方法，逐步建立出越来越符合用户兴趣的模型，并试图发现尽可能多的用户兴趣点。     

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。     

Index Navigator: Search Engine with Reasoning for Understanding and Expressing User's Changing Mind

When a search engine user becomes interested in a new area for him/herself, it is difficult for the user to enter a query precisely expressing the interest or to select areas including the interest, because he/she is just a beginner of the interest. This paper presents a system called Index Navigator, which tells areas a user is interested in, keywords he/she should enter as a query, and documents concerning his/her interest. A tough problem for such a system is to understand the user's interest from the query he/she entered. Index Navigator employs an inference method called Cost-based Cooperation of Multi-Abducers (CCMA), for understanding a user's interest from the history of the user's queries (expression of interest in incomplete keywords), even if the changing speed of the user's interest can not be estimated. With this device, Index Navigator guided the user to areas, keywords and documents relevant to his/her interest, according to the experimental results.     

个性化信息检索系统中用户兴趣模型的建立

个性化检索系统通过收集和分析用户信息来学习用户的兴趣和行为,从而实现对用户的个性化的信息推荐服务。而用户兴趣模型正是用户和兴趣的信息模型,用户兴趣模型直接影响到个性化的信息服务。     

基于Web访问信息的用户兴趣迁移模式的研究

针对用户浏览网页的兴趣会随时间而变化这一现象,设计了一种网络用户兴趣迁移模式的挖掘模型。把用户的访问兴趣通过隐马尔可夫模型抽象成一种时间序列,以此反映用户兴趣的序列性,进而利用GSP算法从用户兴趣序列中挖掘出用户兴趣的迁移模式。实验证明该方法是有效的,从时间属性上更深层次地描述了用户兴趣的变化情况。     

蚁群算法在Web站点导航中的应用研究

Web站点导航是Web数据挖掘的一个重要研究领域,是准确理解用户访问网站行为的关键;传统Web站点导航技术很难全面反映出用户对页面浏览的兴趣程度,找到用户感兴趣页面路径准确度比较低;为提高找到用户感兴趣页面路径准确度,提出一种基于蚁群算法的Web站点导航技术;将网络用户看作人工的蚂蚁,用户的浏览兴趣作蚂蚁的信息素,通过利用Web日志数据采用正负反馈机制和路径概率选择机制建立一个Web站点导航模型,挖掘用户感兴趣页面的导航路径;仿真实验结果表明,基于蚁群算法的Web站点导航技术提高了找到用户感兴趣页面路径准确度,更加能够准确反映出用户的浏览兴趣,用于Web站点导航是可行的。     

基于简化ODP的用户兴趣模型

通过搜集搜索引擎用户的个人兴趣偏好,个性化搜索技术能够对搜索结果中的页面进行分析并与用户的兴趣进行比较,帮助用户从中找出更为感兴趣的结果,从而提高用户的搜索效率。通过利用简化的ODP目录层次结构进行训练以建立基本的用户兴趣树型结构,并在模型使用过程中通过用户的隐式操作反馈,对用户兴趣模型进行动态更新以反映用户不断变化的兴趣偏好。这一用户兴趣建模方法以简化的ODP结构为参考框架,并以用户个人的搜索行为作为模型修正和更新的依据,实现消除词条歧义并且表达用户个人兴趣偏好的目的。     

协作过滤研究概述

协作过滤分析用户兴趣 ,在用户群中找到指定用户的相似 (兴趣 )用户 ,综合这些相似用户对某一信息的评价 ,形成系统对该指定用户对此信息的喜好程度的预测。其协作过滤具有推荐新信息的能力等多种优点 ,介绍了其现状与发展趋势。     

基于模糊关联规则的微博用户潜在兴趣发现

针对微博用户兴趣随时间变化的特征,提出一种基于模糊关联规则的潜在兴趣发现方法(PIDFAR),利用LDA主题模型表达微博主题分布,通过时间加权的方式计算出用户现在兴趣的主题分布,进行模糊关联规则挖掘,得出关联规则集合以表示和发现用户兴趣随时间发生变化的一般规律,最后根据关联规则集合中关联规则和用户现在兴趣的主题分布来计算相似度,取相似度较高的关联规则的后项的集合组成用户的潜在兴趣.实验表明, PIDFAR方法能够使得用户潜在兴趣的发现过程脱离用户的好友群体限制,相比基于协同过滤技术的潜在兴趣发现方法明显提高了发现微博用户潜在兴趣的准确率.     

基于矩阵分解模型的微博好友推荐算法

微博作为一种实时的信息传播和分享的社交网络平台,对人们日常生活的影响越来越大.在微博中,用户可以通过关注关系,添加自己感兴趣的好友,扩大自己的交际圈.但如何推荐高质量的关注好友,一直是个性化服务的难点之一.针对此种情况,提出一种微博好友推荐算法,旨在为用户推荐高质量的关注用户.该算法是对基于Seeker-Source矩阵分解模型的一种改进算法.文中分析了微博用户的多种数据源信息,并给出了相应的特征提出方法,最后将这些特征引入到Seeker-Source矩阵分解模型中,通过对模型的优化求解,得到最佳的参数因子矩阵,从而完成好友推荐.在真实的微博数据集上的实验表明,本文所提出的算法取得了良好的效果.     

基于搜索结果的个性化推荐系统研究

搜索引擎返回的信息太多且不能根据用户的兴趣提供检索结果,使得用户使用搜索引擎难以用简便的方式找到感兴趣的文档。个性化推荐是一种旨在减轻用户在信息检索方面负担的有效方法。文中把内容过滤技术和文档聚类技术相结合,实现了一个基于搜索结果的个性化推荐系统,以聚类的方法自动组织搜索结果,主动推荐用户感兴趣的文档。通过建立用户概率兴趣模型,对搜索结果STC聚类的基础上进行内容过滤。实验表明,概率模型比矢量空间模型更好地表达了用户的兴趣和变化。     

邮件系统中的兴趣漂移混合模型

针对如何在邮件系统中进行用户兴趣模型更新的问题,提出了一种兴趣漂移方法。根据用户长期兴趣和短期兴趣的不同特点,对短期兴趣模型采用时间窗口方法,对长期兴趣模型采用遗忘函数方法进行模型更新。实验结果表明,短期兴趣模型能很好地预测用户近期的兴趣,长期兴趣模型对较长时间段内用户兴趣的预测更稳定。采用混合模型能更好地描述用户兴趣。