信息聚合中多智能Agent模型研究

1、    信息聚合中多智能Agent模型研究    信息聚合中多智能Agent模型研究    类别：通信网络      摘要：介绍了一种多智能Agent模型，用于解决用户个性化信息的聚合问题。该模型采用的运算法则是改进型的蒙特卡罗方法，并接合了Hopfield网络模型和Suffix Tree的特点，较准确有效地实现了对用户爱好信息的聚合。关键词：多智能Agent信息聚合智能模型 20世纪90年代以来，随着计算机网络、通

2、信等技术的快速发展，网络环境正由ClientServer发展到ClientNetwork，并向ClientVirtual Environment发展，分布式人工智能DAI(Distributed Artificial Intelligence)受到了人们的广泛关注，对智能Agent的研究又是其中的一个热点。多智能Agent降低了对集中式、顺序控制的限制，提供了移动控制、应急和并行处理，不仅为用户提供了一种远程智能程序设计的方法，实现了更加快捷的问题求解，而且将用户从纷繁的信息海洋中解放出来，可以集中精力关注他们感兴趣的信息。 用户对网络感兴趣的并不是网络资源所蕴含数据量的大小而是那些可以在一定

3、程度上能够满足自己需要的个性化信息，他们都希望能在最短的时间内掌握这些信息的分布情况。用传统的的方法来解决这个问题时，用户的代理服务器往往会遇到许多质疑，例如在无法深入调查用户坦率度的情况下如何准确把握用户的兴趣；如何保证对用户兴趣的模拟是准确的；如何保证聚合信息能满足用户的需求等。本文就如何准确模拟用户兴趣，并依此聚合用户的个性化信息作了尝试性研究，对常用的运算法则和模型的设计思想作了一定的改进收到了良好效果。1 智能Agent Wooldridge等人对智能Agent的“弱定义”和“强定义”广为人们接受。智能Agent不仅具有反应性、自治性、面向目标和环境性四个基本特征，还具有理性、善意和

4、学习等特点。因此可以认为智能Agent是指能为用户执行某些特定的任务且具有心智状态(mental state)，能自主地根据需要进行分析推理、自我完善的软件体，是一个具有一定智能行为的概念“人”。智能Agent既是人工智能的最初目标，也是人工智能的最终目标。2 模型设计2.1 智能Agent模型 模型选用了1998年中国科学院计算技术研究所研制的多主体系统开发工具AOSDE(Agent 通信模块，如图1所示。管理模块是核心模块，它负责监控其他四个模块，负责智能Agent的自我保护和自我完善；自检模块负责智能Agent的初始化和性能检测；任务模块负责接收任务、解释任务、执行任务并返回执行结果；储

5、存模块负责存储备用数据和执行结果；通信模块负责智能Agent间、智能Agent与Agent平台间的数据交换。22 智能Agent设计 模型中用到的智能Agent按功能分作四类：用户Agent、描述Agent、汇总Agent和学习Agent，它们的协作关系如图2所示。 (1)用户Agent，它是一个界面Agent，扮演“眼睛”的角色，完成用户与系统间的对话。 系统运行期间，用户Agent观察用户行为，并将观察到的行为信息传递给学习Agent和描述Agent。例如记录用户的ID号、文档的关键词，用户是否下载了文档、是否在文档中添加了书签或者建立了超链接等。用户通过它可以随时调用或更改用户侧面中储存

6、的兴趣主题(副主题)，整个系统对用户是透明的。 (2)描述Agent，它采用语义网络的表示方法来描述用户兴趣，并与学习Agent协作完成对用户兴趣的模拟。 用户的兴趣可以是单个主题，也可以是多个主题的结合体。描述Agent在对概念、行为描述的过程中考虑了合取概念聚类问题和主题间的相关性，用副主题来描述多个主题的聚台概念，主题和副主题都储存在用户侧面中。 描述Agent还负责描述用户对聚合信息的反映，并把结果作为计算主题(副主题)优先级变化量的一个参数。法则如下：用户对聚合信息中与主题(副主题)n相关文档j的反映可以分作四类：不喜欢、希望了解、比较感兴趣、喜欢。参数依次设定为一l、0、l、2，分

7、类的依据是时间利用率，=tn/T，其中，用户访问网络的时间为T，用户浏览j所用时间为tn，n的优先级变化量记为mn。定义：0.5时，用户对文档j喜欢，mn=2；0.5>O.3时。用户对文档j比较感兴趣，mn=l；0.3>0.15时，用户对文档j只是希望了解，mn=0；<0.15时，用户对文档j不喜欢，mn=一1。用户退出用户Agent时，描述Agent将mn作为更新值传递给用户侧面。描述法则伪程序如下： 接收用户对聚合信息的反映； 对于每个主题(副主题)n 将mn传到用户侧面并更新mn mn+mn； if mn50 then mn=50 if mn0 then从用户侧面中删除

8、n (3)汇总Agent，它是模型的“双手”，通过搜索和汇总来完成信息的聚合。 模型选用Google Web Service来完成搜索任务，应用程序接口选用Googte API。汇总Agent将搜索结果(URL、摘要等)按主题(副主题)优先级从高到低的顺序排列，在提交用户Agent的同时向学习Agent反馈汇总情况。为了使聚合效果更佳，模型采用了文献中详细讲述的STC(Suffix Tree Clustering)方法。在网络性能良好的情况下，如果搜索结果为空，它一方面向用户Agent提交“搜索结果为空，请重新输入主题(副主题)”的请求，另一方面将搜索情况反馈给学习Agent，由学习Agent

9、向用户侧面传递删除n的指令。如果网络存在故障，则暂时保存n。 (4)学习Agent，它扮演“大脑”的角色，是整个模型的核心部分，它依据用户的行为信息和汇总Agent的反馈信息来更新用户侧面完成对用户兴趣的模拟。 用户的行为信息指用户对聚合信息的反映情况。用a、b、c、d、，e依次表示用户是否点击了文档、用户是否浏览了文档、是否给文档加了标签、是否下载了文档、是否建立了超链接。文档优先级的计算采用Hopfiela网络模型学习方法，a、b、c、d、e五个输入节点按照“是”选l、“否”选0的方法来标注用户对文档的兴趣程度，输出节点是文档的优先级，用k表示。 学习Agent依据用户的行为信息更新用户侧

10、面。法则如下：文档j的优先级kj可用上述方法求出，mn表示主题(副主题)n的优先级，定义初始值为20，最高值为50，最低值为0，当20<mn50时，用户对n兴趣度比较高；当0<mn<20时，兴趣度比较低；当mnO时，用户就可以将n删除，顺序是先删副主题后删主题，当mn>O且与n相关副主题ni的优先级mni=0时，将ni删除；当mn=0且mni>O时，则将ni和n全部删除。n的优先级增量mn的算法是：对于文档j的优先级kj，如果kj=0，取mn=-l；如果ki>O，取mn=kj，是学习率，=tnlT，用户退出用户Agent时，学习Agent用只保留一位小数的m

11、n更新用户侧面。学习法则伪程序如下： 从用户Agem接受用户行为信息； 对于每个主题(副主题)n 2.3 智能Agent间的协作 模型采用多智能Agent旨在克服单个智能Agent知识不完整、处理信息不确定等缺点，解决单个智能Agent由于各种原因不能或难以解决的问题，形成智能Agent协调合作的问题求解网络。这种协作表现为：智能Agent间的相互依赖、对协作行动的相互承诺、无死锁的协作过程、协作与约束和协作与协调。如图3所示。 协调体负责智能Agent间的任务分解、合作规划和竞争谈判，尽可能避免冲突。智能Agent间的通信语言ACL(Agent Communication Language)

12、通常有两种：KQML(knowledge Query and Manipulation Language)和KIF(Knowledge Intechange Format)。模型选用了KQML，它定义了一种描述Agent间信息传递的标准语法以及一些“动作表达式”。2.4 设计思想 选优是人类赋予科学的永恒课题。蒙特卡洛方法McM(Monte Carl Method)是一种优选法，用来解决数学和物理的非确定性问题，在确定大量事物的某种特定表现时行之有效。MCM作为一种统计方法，随着取样次数的增大，计算结果与事实相符。 模型中用到的运算法则是结合了Hopfield网络模型和STC特点的改进MCM。

13、问题原型如下：设计一种优化策略，通过智能Agent间的协作来模拟用户兴趣、聚合需求信息。由于网络更新速度快，文档的URL刷新频率高，聚合信息需要及时更新。模型考虑了两种情况：(1)用户没有发布查询指令时，汇总Agent处于静止状态，不更新聚合信息；(2)汇总Agent收到聚合指令后，开始搜索网络空间，更新聚合信息。这样处理既满足了用户的需求，又提高了系统的利用率。 对于兴趣固定的用户，用户侧面中的主题是比较固定的，系统只需将用于模糊查询的主题组加以合取聚类，作为新的副主题更新用户侧面就可以了；对于兴趣不固定的用户，用户侧面中的主题(副主题)以及聚合信息需要的更新周期短，系统运行期间，通过不断地

14、更新用户侧面，删除用户并不真正喜欢的主题和副主题，使用户侧面尽可能地与用户兴趣相一致，而不去考虑用户的坦率度，也不需要去深入质问用户的兴趣爱好。 模型中用到的运算法则有别于传统的MCM。首先，文档j的优先级算法都一样，结果可被视为传统MCM算法的平均值，因为汇总Agent每次搜索的网络环境和信息聚合结果完全一样的概率很小，计算结果ki与用MCM算出的结果相当。另一方面，传统的MCM把用户的行为信息存储在“look up table”中，而模型对于用户的行为信息并不加以保存，只是作为学习Agem和描述Agent计算用户兴趣主题(副主题)优先级更新值的依据。汇总Agent可以根据用户侧面传递的聚合指令自动聚合信息，所以MCM中的发现、存储用户行为信息并不是必须的。25 系统运行 系统首次运行时，要求用户输入用户名、兴趣主题