基于多Agent的网络学习智能推荐模型

针对网络学习者面临海量信息选择的困扰,提出了一个基于多Agent的网络学习智能推荐模型.运用界面Agent采实现与学习者的交互,利用基于知识推荐的Agent提供与学习者兴趣相关的推荐,以及基于相似学习者推荐的Agent向特定学习者推荐新的知识,并对模型中推荐的相似度算法进行了阐述.通过多Agent技术的运用,较好的解决了网络学习推荐的智能化,个性化以及灵活性的问题,使网络学习者能在一种交互式的学习环境中得到更人性化的学习推荐服务.     

面向上下文感知计算的贝叶斯网络结构自学习算法的研究

通过对上下文感知计算中上下文特点的详细分析,提出一种面向上下文感知计算的通用贝叶斯网络结构自学习方法。该方法能在足够实例数据的支撑下自动对上下文感知计算中上下文之间的关系进行学习,进而形成贝叶斯网络结构,用于从低层上下文向高层上下文的演化。通过对上下文感知计算中上下文的层次化特点的有效利用,该方法对贝叶斯网络自学习方法进行了有效优化。研究分析表明,该方法能显著降低贝叶斯网络学习过程中的时间复杂度。     

基于多代理的个性化推荐学习系统

针对现有学习系统存在信息过载、缺乏个性化服务能力、不能提供检索服务的问题,提出基于多代理构建个性化推荐学习系统。该系统利用JADE设计学习者Agent与推荐Agent,采用Lucene设计带有个性化能力的搜索引擎支持推荐,并融合3种推荐方法发挥多Agent间协商与协作的优势。实验结果表明,相比单一推荐方法,该系统具有较好的推荐效果和效率。     

基于贝叶斯网络的上下文推荐算法

将上下文推荐系统同贝叶斯网络相结合,提出了一个上下文推荐算法,并设计了上下文资源推荐系统架构。首先利用贝叶斯网络,通过计算用户访问时间和资源信息的联合概率分布来取得用户在该环境下对资源的兴趣,然后比较当前用户所处环境所选取的资源与过去环境用户选取的资源的相似度,从而为用户提供合适的资源列表。最后将所提算法同其他常用的推荐系统算法进行了比较,系统架构按照M/G/1队列进行建模,对系统架构性能和稳定性进行了验证,取得较好结果。     

基于多Agent的用户上下文自适应站点构架

自适应站点很少考虑对用户环境的自适应。为此,提出用户上下文自适应站点的概念,给出基于多Agent技术的用户上下文自适应站点构架模型。阐述用户上下文获取、挖掘过程以及站点改造过程中各Agent的作用和交互情况。给出根据用户网络带宽和终端屏幕尺寸来调整推荐和显示的策略,并依据该构架实现了一个网上家具商场的原型站点。     

基于多Agent技术的分布式协同设计结构的研究

将多Agent技术引入协同设计中,使所构造的协同设计系统具有多Agent系统的分布性、协作性、智能性的特点。文中给出了Agent的结构、协同设计单元的多Agent组成和基于Web服务的整个协同设计系统的结构; 并对协同设计系统实现的一些关键技术进行了讨论,包括Agent的创建、Agent之间的交互、知识的共享和Agent之间的冲突的消解。     

个性化网络学习资源推荐系统研究

通过搜索资源来学习现已成为网络学习的一种重要的学习方式,为了提高这种方式下的学习效率,本文提出了一种基于Agent的网络推荐系统,通过获取学习者的当前学习需求,与内嵌的专家知识进行集成,利用多属性决策方法作为比较机制,以达到推荐合适学习资源的目的。系统还提出协同过滤方法,将相似学习者的学习资源推荐给学习者。最后。采用JADE平台开发了原型系统,并进行系统的集成和Web应用设计。     

多智能体搜索引擎的通信机理及其实现方法

本文采用多Agent技术实现一个智能搜索引擎的功能，使该系统具有社会性、自治性、协作性，自学习，自增长的特点，同时具有效率高，信息共享的作用。并着重讨论了多Agent之间的基于协作、协调、协商的通信机制的实现方式，对Agent的通信有一定的借鉴作用。     

基于多Agent学习机制的服务组合

服务Agent能够利用本身的功能以及来自外部的多个软件服务,向外界提供更为高层的服务.为了向用户提供综合的功能,服务Agent之间必须通过相互协同实现服务组合.提出了一种依靠多Agent学习机制进行服务组合的方法,其独特性在于通过学习,这些Agent能够对类似的输入迅速得到优化解.对基于多Agent协同进行服务组合的框架进行了介绍,在此基础上详细说明了如何利用多Agent学习机制进行服务组合,并对相关的实验进行了介绍.     

基于Multi-Agent技术的个性化信息服务研究

传统的网络信息服务技术难以满足用户个性化的需求。将人工智能的Agent技术引入信息服务研究中,提出了基于Multi-Agent的个性化信息服务技术,并详细阐述了系统的体系结构、设计思想和实现技术,设计了一个多Agent的模型系统。     

基于注意力机制的深度学习推荐研究进展

近年来,注意力机制AM被广泛应用到基于深度学习的自然语言处理任务中,基于注意力机制的深度学习推荐也成为推荐系统研究的一个新方向.探讨了注意力机制的结构和分类标准,从基于注意力机制的DNN推荐、CNN推荐、RNN推荐、GNN推荐4个方面分析了现有融合注意力机制的深度学习推荐研究的主要进展和不足,阐明了其中的主要难点,最后指出了多特征交互的注意力机制推荐、多模态注意力机制深度学习推荐、融入注意力机制的多种深度神经网络混合推荐和注意力机制的群组推荐等基于注意力机制的深度学习推荐未来的主要研究方向.     

深度学习推荐模型中的注意力机制研究综述

探讨注意力机制如何帮助推荐模型动态关注有助于执行当前推荐任务输入的特定部分.分析注意力机制网络框架及其输入数据的权重计算方法,分别从标准注意力机制、协同注意力机制、自注意力机制、层级注意力机制和多头注意力机制这五个角度出发,归纳分析其如何采用关键策略、算法或技术来计算当前输入数据的权重,并通过计算出的权重以使推荐模型可...     

基于注意力机制与改进TF-IDF的推荐算法

针对传统推荐系统主要依赖用户对物品的评分数据而无法学习到用户和项目的深层次特征的问题,提出基于注意力机制与改进TF-IDF的推荐算法（AMITI）。通过将双层注意力机制引入并行的神经网络推荐模型,提高模型对重要特征的挖掘能力。基于用户评分及项目类别改进TF-IDF,依据项目类别权重将推荐结果分类以构建不同类型的项目组并完成推荐。实验结果表明,AMITI算法能提高对文本中重要内容的关注度以及项目分配的注意力权重,有效提升推荐精度并在实现项目组推荐后改善推荐效果。     

开放网络环境中推荐信任关系研究

探讨了信任的定义和基本属性,研究了推荐信任的传递与合成方法,详细描述了推荐信任网的形成过程并给出了算法,并在此基础上提出了一种推荐信任模型。这对于防止恶意推荐和构筑分布式系统信任机制具有重要意义。     

采用反馈机制的自适应Web推荐系统

Web服务的初衷是能让用户能够快捷方便地找到自己需要的资源,但是当前过量的网络资源反而增加了用户的麻烦。于是出现了结合用户对Web使用的数据挖掘应用的Web推荐系统。在传统Web推荐系统的基础上引入了反馈机制。使推荐系统在线给用户提供推荐功能的同时,对自身的推荐机制改进,更体现了个性化服务的灵活性。     

动态融合社交信息的社会化推荐

针对推荐算法中的数据稀疏问题,通常引入社交数据作为辅助信息进行社会化推荐。传统的社会化推荐算法忽略用户的兴趣迁移,导致模型无法描述用户兴趣的动态变化特征,也忽略了社交影响的动态特性,导致模型将很久以前的社交行为与近期社交行为同等对待。针对这两点提出一种社交信息动态融合的社会化推荐模型SLSRec。首先,利用自注意力机制构建用户交互物品的序列模型,以实现对用户兴趣的动态描述;然后,设计具有时间遗忘的注意力机制对社交短期兴趣进行建模,并设计具有协同特性的注意力机制对社交长期兴趣进行建模;最后,融合社交的长短期兴趣与用户的短期兴趣来获得用户的最终兴趣并产生下一项推荐。利用归一化折损累计增益（NDCG）和命中率（HR）指标在稀疏数据集brightkite和稠密数据集Last.FM上把所提模型与序列推荐模型（自注意力序列推荐（SASRec）模型）和社会化推荐模型（社会推荐的神经影响扩散（DiffNet）模型）进行对比验证。实验结果显示,SLSRec模型与DiffNet模型相比,在稀疏数据集上的HR指标提升了8.5%;与SASRec模型相比,在稠密数据集上的NDCG指标提升了2.1%,表明考虑社交信息的动态特性使推荐结果更加准确。     

基于多级客户模型的个性化推荐机制

个性化是未来Web智能系统的一大特征．为了实现商品的个性化推荐，提出了一种新的基于多级客户模型的推荐系统机制，它由数据准备、模型学习、推荐集的生成和智能过滤四个子过程构成．该机制借助于多级客户模型从客户的购物需求、偏爱特征和消费能力三方面捕获客户的实际需求，从而实现了一种深层次的个性化推荐，改善了推荐效果．     

基于文本注意力的推荐系统可解释性研究

可解释性能够提高用户对推荐系统的信任度并且提升推荐系统的说服力和透明性,因此有许多工作都致力于实现推荐系统的可解释性。由于评论中包含了丰富的信息,能够体现用户偏好与情感信息,同时包含了对应商品所具有的特性,最近的一些基于评论的深度推荐系统有效地提高了推荐系统的可解释性。这些基于评论的深度推荐系统中内置的注意力机制能够从对应的评论中识别出有用的语义单元（例如词、属性或者评论）,而推荐系统通过这些高权重的语义单元做出决策,从而增强推荐系统的可解释性。但可解释性在很多工作中仅作为一个辅助性的子任务,只在一些案例研究中来做出一些定性的比较,来说明推荐系统是具有可解释性的,到目前为止并没有一个能够综合地评估基于评论推荐系统可解释性的方法。本文首先根据在注意力权重计算机制的不同,将这些具有可解释性的基于评论的推荐系统分为三类：基于注意力的推荐系统,基于交互的推荐系统,基于属性的推荐系统,随后选取了五个最先进的基于评论的深度推荐系统,通过推荐系统内置的注意力机制获得的评论权重文档,在三个真实数据集上进行了人工标注,分别量化地评价推荐系统的可解释性。标注的结果表明不同的基于评论的深度推荐系统的可解释性是具有优劣之分的,但当前的基于评论的深度推荐系统都有超过一半的可能性能够捕捉到用户对目标评论的偏好信息。在评估的五个推荐系统中,并没有哪个推荐系统在所有的数据中具有绝对的优势。也就是说,这些推荐系统在推荐可解释性方面是相互补充的。通过进一步的数据分析发现,如果推荐系统具有更精确的分数预测结果,那推荐系统通过注意力机制获得的高权重的信息确实更能够体现用户的偏好或者商品特征,说明推荐系统内置的注意力机制在提高可解释性的同时也能够提高预测精度;并且发现相较于长评论,推荐系统更容易捕捉到较短的评论中的特征信息;而可解释性评分高的推荐系统会更可能地为形容词赋予较高的权重。本文也为推荐系统可解释性评估进一步研究和探索更好的基于评论的推荐系统解决方案提供了一些启示。     

基于差分隐私的社交推荐方法

基于用户朋友关系的社交网络项目推荐技术可能泄露用户-项目隐私偏好。传统的匿名化方法由于过分依赖特定知识背景假设 而存在内在的脆弱性。提出一种基于差分隐私的社交网络项目推荐方法DPSR,该方法利用聚类技术对用户进行划分,利用拉普拉斯机制对用户-项目边的权重进行扰动。为了克服边权重中异常点对推荐结果的影响,提出了一种基于k-中心点的边权重聚类方法,该方法利用指数机制挑选出类中边权重集合的中位数。实验结果表明,DPSR优于同类方法。     

基于协同过滤算法的自动化隐式评分音乐双重推荐系统

根据传统系统采用的显示评分机制受到外界干扰影响,使推荐结果精准度低的问题,提出了基于协同过滤算法的自动化隐式评分音乐双重推荐系统。在异构普适环境推荐框架下,对系统总体结构进行设计。其中硬件部分采用四元件组成方式,使用W900710型号芯片作为播放器核心板,并将隐式评分提取器与推荐引擎结合起来,可避免噪声干扰。而软件部分设计场景模拟衰减现象,采用协同过滤算法描述衰减过程,根据描述结果,设立双重推荐机制来实现抗人为影响的音乐双重推荐系统。由实验结果可知,采用协同过滤算法设计的系统最高推荐结果精准度可达到90%,对于大规模音乐数据推荐具有良好可扩展性。