基于multi-agent的電子商務(wù)個(gè)性化推薦系統(tǒng)模型設(shè)計(jì)與研究-資料下載頁(yè)
【導(dǎo)讀】技術(shù)來(lái)構(gòu)建核心推薦模塊。該論文還對(duì)該模型中各組成部分的功能和設(shè)計(jì)思想進(jìn)行闡述。根據(jù)推薦對(duì)象的不同，目前主要有兩種類型的推薦系統(tǒng)，一種是以網(wǎng)頁(yè)為推薦。一種是網(wǎng)上購(gòu)物環(huán)境下，以商品為推薦對(duì)象的個(gè)性化推薦系統(tǒng)，大市場(chǎng)銷售，特別是將偶爾訪問(wèn)網(wǎng)站的用戶轉(zhuǎn)變?yōu)橹艺\(chéng)客戶。對(duì)于電子商務(wù)網(wǎng)站來(lái)說(shuō)，強(qiáng)大。興趣愛(ài)好的程度。出的勞動(dòng)量或得到推薦結(jié)果的容易程度。實(shí)現(xiàn)提供了有利的技術(shù)支持。和與外界進(jìn)行通訊能力的能持續(xù)自主地發(fā)揮作用的一個(gè)軟件實(shí)體。務(wù)加以分析、分解，有針對(duì)性地提供信息、解決問(wèn)題。Agent能夠感知外界的環(huán)境，并能對(duì)相關(guān)事物做出適時(shí)的反應(yīng)。導(dǎo)自己的決策使之符合用戶需求。Agent通過(guò)交流與合作在Multi-Agent環(huán)境中協(xié)調(diào)工作和消解沖突，從而執(zhí)行和。完成一些自身無(wú)法求解的復(fù)雜任務(wù)。Agent無(wú)需外界參與而自主運(yùn)行，且對(duì)自己的行為和和內(nèi)部狀態(tài)有一定程度的控。多Agent系統(tǒng)優(yōu)于僅由單個(gè)Agent控制的系統(tǒng)，本文提出了一個(gè)基于多Agent的電子商個(gè)性化推薦系統(tǒng)，簡(jiǎn)稱MAPRS[4]。
【正文】 信函式推薦的控制。 推薦生成 Agent 一個(gè)好的電子商務(wù)推薦系統(tǒng)通常會(huì)綜合使用多種信息推薦方法，以期待更好地為客戶服務(wù)。在本文提出的 MAPRS 中， 在具體推薦技術(shù)上， 采用線上及時(shí)推薦和線下信函式推薦兩種推薦策略。線上及時(shí)推薦 采用一種混合式推薦技術(shù)。 基于內(nèi)容過(guò)濾的推薦 技術(shù) （ Contence－ based Filtering Remender )： 是 利用資源和用戶興趣的相似性來(lái)推薦資源 [5]。 其優(yōu)點(diǎn)是簡(jiǎn)單、有效，缺點(diǎn)是難以區(qū)分資 源內(nèi)容的品質(zhì)和風(fēng)格，而且不能為用戶發(fā)現(xiàn)新的感興趣的資源，只能發(fā)現(xiàn)和用戶已有興趣相似的資源。 基于協(xié)同過(guò)濾 的 推薦 技術(shù) (Collaborative Filtering Rmender ) ： 在預(yù)測(cè)某個(gè)用戶可能的商品購(gòu)買傾向時(shí)是根據(jù)一個(gè)用戶群的情況而決定的 ， 是根據(jù)用戶的相似性來(lái)推薦資源 。這種依賴于用戶之間 的相似性 相互推薦的 資源的方式 ， 不僅能保證信息的推薦質(zhì)量 ， 同時(shí)又能為用戶發(fā)現(xiàn)新的感興趣的信息 。 協(xié)同過(guò)濾推薦技術(shù)的 缺點(diǎn)是存在兩個(gè)很難解決的問(wèn)題，一個(gè)是稀疏性：在系統(tǒng)使用初期，由于系統(tǒng)資源還未獲得足夠多的評(píng) 價(jià)，系統(tǒng)很難利用這些評(píng)價(jià)來(lái)發(fā)現(xiàn)相似的用戶；另一個(gè)是可擴(kuò)展性，即隨著系統(tǒng)用戶和資源的增多，系統(tǒng)的性能會(huì)越來(lái)越低 。 本文在設(shè)計(jì)上 采用混合模式的 推薦 技術(shù) ( Hybrid Remender Technology)， 它 是基于內(nèi)容過(guò)濾推薦技術(shù)和基于協(xié)作過(guò)濾技術(shù)的組合。 綜合 這兩種推薦技術(shù)可以克服各自的一些缺點(diǎn)，為了克服協(xié)同過(guò)濾的稀疏性問(wèn)題，可以利用用戶瀏覽過(guò)的資源內(nèi)容預(yù)期用戶對(duì)其它資源的評(píng)價(jià)，這樣可以增加資源評(píng)價(jià)的密度，利用這些評(píng)價(jià)再進(jìn)行協(xié)同過(guò)濾， 從而提高系統(tǒng)在預(yù)測(cè)和推薦時(shí)的性能。 推薦生成 Agent 接收控制監(jiān)控 Agent 的命令，根據(jù) 候選產(chǎn)品集合、用戶興趣模型 以及數(shù)據(jù)庫(kù)相關(guān)記錄（ 已知的用戶模型中的用戶數(shù)目 和 經(jīng)過(guò)用戶興趣評(píng)價(jià)后的商品數(shù)目 ），選擇相應(yīng) 推薦技術(shù)中的 相應(yīng) 算法產(chǎn)生推薦結(jié)果。同時(shí)，將推薦結(jié)果保存到 推薦記錄 庫(kù)中，以便與評(píng)價(jià)反饋 Agent 進(jìn)行通信，通過(guò)反饋評(píng)價(jià)來(lái)獲取用戶對(duì)推薦結(jié)果的滿意度， 記錄到評(píng)價(jià)記錄庫(kù)中， 供下次推薦時(shí)再利用和自身的學(xué)習(xí)提高。 通過(guò)推薦控制 Agent 的命令來(lái)決定到底采用混合推薦中的哪種具體推薦 技術(shù) 。 個(gè)性化推薦 技術(shù)是電子商務(wù)推薦系統(tǒng)中最核心、最關(guān)鍵的技術(shù) ， 很大程度上決定了推薦系統(tǒng)性能的優(yōu)劣 [6]。 在 設(shè)計(jì)的推薦系統(tǒng)中，引入了信函式推薦評(píng)價(jià)模塊來(lái)進(jìn)行線下推薦，采用混合推薦方式來(lái)進(jìn)行線上及時(shí)推薦 ，是本系統(tǒng)中最大的設(shè)計(jì)亮點(diǎn) 。 4． 結(jié)束語(yǔ) 電子商務(wù)的迅速發(fā)展，電子商務(wù)個(gè)性化推薦服務(wù)已經(jīng)成為一個(gè)熱點(diǎn)。 為了建立具有個(gè)性化、智能化程度高的個(gè)性化推薦系統(tǒng)，本文采用 多 Agent 技術(shù)與多種推薦技術(shù)來(lái)構(gòu)建推薦系統(tǒng)模型。 目前該模型的分析與設(shè)計(jì)工作已經(jīng)基本完成 ，要達(dá)到應(yīng)用的程度還有許多工作需要進(jìn)一步地深入研究 。 參考文獻(xiàn) [1] 余力 . 電子商務(wù)個(gè)性化 理論、方法與應(yīng)用 [M]. 北京：清華大學(xué)出版社， 2020 7 [2] 徐俊萍 . 基于 Agent 的個(gè)性 化信息服 務(wù)技術(shù) 的研究 [J]. 計(jì)算機(jī)工程與科學(xué)，2020,24(3):7476. [3] 肖毅 . 基于 MultiAgent 技術(shù)的個(gè)性化信息服務(wù)研究 [J]. 計(jì)算機(jī)應(yīng)用 , 2020(3):8284 [4] 閏艷 , 王鎖柱 . 基于多 Agent 的電子商務(wù)個(gè)性化推薦系統(tǒng)模型研究 [J]. 情報(bào)雜志，2020(5):5961. [5] 李華明 . 智能 Agent 技術(shù)與個(gè)性化信息服務(wù)模式的實(shí)現(xiàn) [J]. 圖書(shū)館論壇， 2020，25(3):101103. [6] 曾春 , 刑春曉 . 個(gè)性化服務(wù)技術(shù)綜述 [J]. 軟件學(xué)報(bào)， 2020， 13(10):19521961. 作者簡(jiǎn)介：郭艷燕（ 1980），女（漢）， 山東榮成人， 講師， 碩士， 主要 研究方向 為 數(shù)據(jù)挖掘 和 個(gè)性化服務(wù) 。 作者：郭艷燕 通信地址：山東省煙臺(tái)市煙臺(tái)大學(xué)計(jì)算機(jī)學(xué)院軟件工程教研室 郵編： 264005 電話號(hào)碼： 13853591080 電子郵件：
鄂ICP備17016276號(hào)-1