基于多Agent电子商务系统研究与设计.docVIP

基于多Agent电子商务系统研究与设计 　　摘 要： 采用多Agent的设计思想，对电子商务推荐系统的工作过程、总体结构、详细设计等进行分析研究，建立一个基于多Agent的电子商务个性化推荐系统模型，并分析改进三种较为常见的推荐算法。 　　关键词： Agent；电子商务推荐系统；个性化推荐 　　中图分类号：TP393.09 文献标识码：A 文章编号：1671－7597（2011）1120087－01 　　 　　1 概述 　　1.1 电子商务推荐系统简介 　　电子商务推荐系统的定义最初是由Resniek及Varian在1997年正式提出的，将其定义为“利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品、模拟销售人员帮助客户完成购买过程的系统”。随着当前电子商务应用的飞速发展，设计并实现一个具有一定智能性、主动性的推荐系统对提高企业的效益具有十分重要的现实意义。一般来说，电子商务推荐系统由输入模块、推荐方法模块和输出模块三部分组成。输入模块用于对用户信息进行收集、有关信息的输入并接受用户的推荐请求；输出模块将推荐信息以建议、预测、评分和评论的形式呈现给用户。其中，推荐方法模块是推荐系统的核心部分，一般可根据实际情况选择聚类分析、规则关联、知识网格区分、Agent等多种算法。 　　1.2 Agent工作过程 　　Agent技术标准化组织FIPA（Foundation for Intelligent physical Agents）将Agent定义为：“驻留于环境中的实体，它可以解释从环境中获取的反映环境中所发生事件的数据，并执行对环境产生影响的行动”。目前较为著名且应用较为广泛的Agent平台是JADE（Java Agent development 　　Framework）。当JADE平台启动时，Agent管理系统和目录服务同时建立，在每台主机上只有一个JAVA应用程序执行。JAVA虚拟机作为Agent的应用容器，为Agent的执行提供一个运行环境，同时多个Agent在同一个主机上能够并行执行。主容器（main container）是Agent容器，为JADE Agent的执行提供一个完整的运行环境。 　　2 系统总体设计 　　 　　 　　图1 系统总体结构图 　　为能够准确分析用户以往的购买行为及兴趣爱好，向用户提供有效的商品推荐，论文将多Agent的通信与协作技术融入电商务个性化推荐系统中，以充分发挥多Agent协作的优点，构建了用户监控、WEB分析、偏好分析、数据挖掘、数据转换、界面管理、推荐引擎7个相互协作的Agent。系统总体结构如图1所示。 　　采用这种总体结构设计的优点主要体现在： 　　1）适应性强。将现有的多种推荐算法以规则库的形式构建并集中存储，当用户有不同的产品推荐需求时，由推荐引擎Agent根据不同的推荐需求选择与之相适应的算法和规则，不仅具有较强的灵活性，推荐成功率也较高。 　　2）适用范围广。当某类型商务应用提出推荐需求时，系统可以主动调用监控Agent提供的统一WEB服务接口，当系统权值参数调整达到相对稳定时，就能给这类商务应用提供优质的推荐服务。 　　3）算法扩展性好。推荐引擎Agent可以实时实现主动更新，当推荐算法经过优化或者新算法参数、权值重新调整时，只要推荐引擎Agent提供的是标准的web服务接口，就可以实时在线更新，系统Agent可以实现自动识别并使用其提供的推荐服务。 　　推荐引擎Agent由业务处理层、数据服务层组成，其结构见图2。 　　 　　 　　图2 推荐引擎Agent结构图 　　3 推荐算法研究 　　本文的系统实现采用了三种改进的算法来完成推荐。其中，物品相似度算法以及反馈算法用于基于内容Agent的推荐，而用户相似度算法则用于协作过滤Agent的推荐。由于本地高速缓存和代理服务器及防火墙的存在，服务器访问日志文件中记录的用户访问信息可能不够真实与完整，因此有必要在数据挖掘前进行数据的预处理。 　　3.1 物品相似度算法 　　较为经典的物品相似度算法中，是直接对用户兴趣向量和物品向量中的各个分量进行计算，从而找出与用户兴趣最接近的物品。设为用户兴趣向量，为物品描述向量，则应用下式计算二者之间的相似度： 　　 　　 　　3.2 用户相似度算法 　　为克服由于数据量不足造成无法准确推荐，系统在算法中使用用户的兴趣描述向量来计算相似度，而不是简单的利用用户评价。因为对于一个具有一定规模的电子商务网站来说，物品库的大小可以用“海量”来形容，即使用户做出几百次评价也显得数据量过小。设 分别表示两名用户的显式偏好向量，则其用户相似度算法如下所示： 　　 　　 　　3.3 反馈算法 　　反馈算法主要用于在