| 【中文题名】 | 基于MAS的信息合作过滤关键技术的研究 |
| 【英文题名】 | The Main Technology's Research of Information Collaborative Filtering Based on MAS |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-9 |
| 【中关键词】 | MAS,ICF,信息过滤,合作,兴趣度,智能Agent |
| 【英关键词】 | MAS,ICF,Information Filtering,Collaborative,Interest degree,Intelligent agent, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>计算机网络>一般性问题 |
| 【论文摘要】 |
随着互联网的迅猛发展和在世界范围内的普及,Web信息正以指数级的速度增长,在这样一个无限、无序、无边的空间里,快速、准确的查询到所需要的信息已经成为一件非常困难的事。如何帮助用户从互联网的海量信息中获得真正需要的信息正成为当前网络信息获取技术研究领域须迫切解决的一个问题。为了解决这个问题,智能信息过滤技术正成为非常重要的研究方向,信息过滤技术的发展方向应该是不断贴近用户需求,模拟人类智慧,其智能化、个性化发展已经成为必然的发展趋势。
本文主要针对网络信息的个性化服务,通过分析用户兴趣的反馈信息,对用户不再感兴趣的信息进行及时过滤,并向用户推荐其可能感兴趣信息而展开研究工作的。研究的目的在于希望通过在客户端浏览器上引入界面Agent、学习Agent和合作过滤Agent的协调工作,加强和改进客户端浏览器的功能,提高信息采集质量和信息搜索效率,实现面向用户兴趣的信息检索。本文的主要工作包括:
①提出了基于MAS(Multi-Agent System,简称MAS)的信息合作过滤(Information Collaborative Filtering,简称ICF)模型,ICF通过建立用户个人模... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
ABSTRACT |
6-11 |
|
第1章 绪论 |
11-15 |
|
1.1 问题的提出 |
11-12 |
|
1.2 研究的意义 |
12 |
|
1.3 本文的工作和创新 |
12-13 |
|
1.4 论文的组织结构 |
13-15 |
|
第2章 网络信息过滤技术研究现状 |
15-24 |
|
2.1 网络信息过滤技术 |
15-16 |
|
2.1.1 网络信息的特点 |
15-16 |
|
2.1.2 网络信息过滤技术的特点 |
16 |
|
2.2 网络信息过滤产品 |
16-18 |
|
2.3 信息过滤技术分类 |
18-19 |
|
2.3.1 基于内容的过滤 |
18 |
|
2.3.2 合作过滤 |
18 |
|
2.3.3 经济过滤 |
18-19 |
|
2.4 信息过滤模型 |
19-21 |
|
2.4.1 布尔模型 |
19 |
|
2.4.2 向量空间模型 |
19-20 |
|
2.4.3 潜在语义索引模型 |
20-21 |
|
2.5 信息过滤技术中的用户兴趣模型 |
21-22 |
|
2.5.1 用户兴趣的获取 |
21 |
|
2.5.2 用户兴趣的描述 |
21-22 |
|
2.6 网络信息过滤技术发展趋势 |
22-23 |
|
2.7 本章小结 |
23-24 |
|
第3章 Agent与多Agent系统的基本理论 |
24-32 |
|
3.1 Agent和多Agent系统 |
24-26 |
|
3.1.1 Agent的概念 |
24 |
|
3.1.2 多Agent系统 |
24-26 |
|
3.2 AOP设计语言JACK |
26-31 |
|
3.2.1 关于JACK |
26-27 |
|
3.2.2 JACK对JAVA语言的扩充 |
27-29 |
|
3.2.3 JACK的推理机制 |
29-31 |
|
3.3 本章小结 |
31-32 |
|
第4章 基于强化学习的用户兴趣反馈学习算法 |
32-41 |
|
4.1 用户兴趣模型的建立 |
32-39 |
|
4.1.1 用户兴趣的表示 |
32-34 |
|
4.1.2 用户个人兴趣模型和共同兴趣模型 |
34-35 |
|
4.1.3 基于强化学习的用户兴趣反馈 |
35-39 |
|
4.2 兴趣相似度模型的改进 |
39-40 |
|
4.2.1 兴趣度页面推荐模型 |
39 |
|
4.2.2 兴趣相似度模型 |
39-40 |
|
4.2.3 兴趣相似度模型改进 |
40 |
|
4.3 本章小结 |
40-41 |
|
第5章 基于用户兴趣度的信息过滤算法IWFP-tree |
41-50 |
|
5.1 构造FP-tree |
41-42 |
|
5.2 FP-Growth方法 |
42-44 |
|
5.3 IWFP-tree算法 |
44-49 |
|
5.3.1 基本IWFP-tree过程 |
45-47 |
|
5.3.2 IWFP-Growth |
47-48 |
|
5.3.3 进一步优化 |
48 |
|
5.3.4 IWFP-tree的合并 |
48-49 |
|
5.4 本章小结 |
49-50 |
|
第6章 ICF原型系统分析与设计 |
50-69 |
|
6.1 ICF模型 |
50-51 |
|
6.2 用户模型 |
51-53 |
|
6.3 界面Agent |
53-56 |
|
6.3.1 界面Agent功能描述 |
53-54 |
|
6.3.2 界面Agent工作原理 |
54-56 |
|
6.4 学习Agent |
56-59 |
|
6.4.1 学习Agent功能描述 |
56 |
|
6.4.2 学习Agent工作原理 |
56-57 |
|
6.4.3 学习Agent的设计 |
57-59 |
|
6.5 合作过滤Agent |
59-64 |
|
6.5.1 合作过滤Agent功能描述 |
59 |
|
6.5.2 合作过滤Agent工作原理 |
59-60 |
|
6.5.3 合作过滤Agent中的协作机制 |
60-61 |
|
6.5.4 合作过滤Agent的设计 |
61-64 |
|
6.6 知识库 |
64-67 |
|
6.7 本章小结 |
67-69 |
|
第7章 ICF原型系统应用 |
69-76 |
|
7.1 ICF系统部分功能介绍 |
69-71 |
|
7.2 ICF比较测试 |
71-75 |
|
7.2.1 实验数据库 |
71-72 |
|
7.2.2 实验评价指标 |
72 |
|
7.2.3 实验结果 |
72-75 |
|
7.3 本章小结 |
75-76 |
|
第8章 结束语 |
76-78 |
|
8.1 全文总结 |
76-77 |
|
8.2 工作展望 |
77-78 |
|
参考文献 |
78-82 |
|
致谢 |
82-83 |
|
论文及科研情况 |
83 |
|
| 【DOI】 | LunWen.ID:2.2008.361442 |