基于智能代理的Web信息自动推送系统

　　·46·机电工程杂志Vo1.22第1期2 2005年机电工程第22卷，第12期，2005年，尹锡杰（山东大学计算机科学与技术学院，山东济南250100）基于基于智能代理的Web信息自动推送系统摘要: 实现Internet信息个性化服务是Web信息处理中的一个重要研究课题，目的是使用户在Internet上花费更少的时间和精力，同时获得他们所需要的信息. 希望及时有效地将信息推送技术用于集成机器学习和智能代理技术，以实现Internet上相关信息的自动采集. ，检索并推送. 该系统可以有效满足用户实时页面推荐的需求，并提供一种快速有效获取信息的手段. 关键词: Web信息挖掘个性化；智能代理；自动推送中文图书馆分类号: TP393文档标识号: 物品编号: 1001—4551（2005）12—0046—04基于智能代理的Web信息自动推荐系统尹锡烈（计算机科学与技术学院） （山东大学，济南250100）摘要: Web信息个性化服务是Web信息过程中的重要研究问题. 本文设计并实现了一种基于智能Agent的网络信息自动推荐系统. 它可以有效地满足用户对实时页面推荐的需求，并提供一种快速获取信息的方法. 关键词: Web信息挖掘个性化智能代理；机器学习0引言随着Internet技术的飞速发展和Web数据库资源的日益普及，获取信息变得更加便捷.

　　但是，面对信息服务网站提供的大量信息资源，它们缺乏快速有效地获取信息的手段. 用户无法从这些信息服务网站上采集和有效，及时地获取他们所需的所有信息. 因此，基于智能Agent技术的个性化信息自动推送服务将提供智能检索和有效的知识管理，将受到越来越多的关注和欢迎. 已收到13个问题: 2005年10月20日修订13个问题: 2005年11月25日关于作者: 尹希杰（1966），女，山东省潍坊市人，高级工程师，主要从事网络知识发*敏*感*词*金. 基于特征映射的CAD / CAPP集成技术研究[J]. 天津工程学院学报，2001，17（2）. VIP信息机电工程2005卷22 No. 1 2机电工程杂志Vo1.22 No. 1 2 2005信息推送技术是根据用户的需求，有针对性地，及时地将用户感兴趣的信息主动地发送到用户的计算机. ，以实现“寻找信息的用户”.

　　基于智能代理的Web信息自动推送系统使用信息推送技术，将机器学习和智能代理技术集成在一起，并基于系统在特定领域中建立的用户兴趣模型，来获取用户感兴趣的相关信息. 在进行组织，分类和处理等编辑操作后，将满足用户主题要求的信息过滤并导入到数据库中. 同时，它监视设置的相关网站，并使用智能代理技术自动采集并自动通知用户哪些信息是最新更新，从而可以大大提高用户获取信息的及时性和有效性. 其主要功能包括: （1）根据用户背景，兴趣爱好，检索目的，任务等从用户提交的初始兴趣样本中自动提取特征，并自动学习获取用户信息需求描述； （2）在互联网上采集与Web相关的信息，并对采集到的信息进行过滤和分析，检索适量，高质量，较满意的查询结果，最终获得满足特定用户信息需求的完整信息； （3）为每个用户提供自己的信息查询环境，与用户互动，获取信息服务网站的地址，监控相关网站的更新，并自动将新信息通知用户. 1体系结构在吸收数据挖掘，智能信息检索等最新思想和技术的基础上，提出了一种基于智能代理的Web信息自动推送模型.

　　该模型主要由四个部分组成，系统结构如图1所示. 图1基于智能代理的Web信息自动推送系统架构（1）用户界面. 用户和计算机之间的人机对话界面. 它可以接受用户的查询请求，并积极帮助用户优化查询请求. 它也是检索结果的浏览器窗口. 同时，在操作过程中学习并记录用户的兴趣和习惯，还可以显示本地用户信息数据库的内容. （2）问题分析. 分析用户偏好，将分析的用户需求导入用户的本地信息数据库，并通过用户界面进入信息数据库管理系统，并使用知识数据库管理系统提供的数据库建立，查询，添加，删除和修改功能在知识库中建立，查询和维护网络信息数据库. 该方法可以人工干预机器学习系统中用户兴趣过程中的缺陷，增加用户感兴趣的信息，删除对用户无用的信息，从而弥补了机器学习推理的不足. 机制；它还可以加快机器学习的过程. 当然，也可以通过在返回的结果中搜索相应的有效信息来自动修改和更新信息数据库. 此处反映了智能代理的适应性或演化，推理和计划能力. 同时，根据用户的本地信息数据库信息，解释用户需求，自适应地学习和调整用户兴趣模型.

　　（3）采集和监视. 根据问题分析提供的用户兴趣模型，在Internet上搜索所需的查询结果，然后将查询结果提交给信息挖掘代理. （4）信息挖掘. 通过智能处理，将采集和监视的基本信息转换为可直接理解的有组织信息，并将其转换为知识库，并提交给用户界面代理. 该模型中的知识库存储用户知识和领域知识. 用户信息数据库存储用户满意并需要保存的信息以及需要监视的网站列表. 在这里，使用多个智能代理来实现个性化的主动信息服务，主要解决三个问题: 获取用户的信息需求，信息的自动检索以及推送检索结果信息. 通过A-gent技术，在获得用户的信息需求后，系统将继续工作以满足用户的特定需求. 一旦找到合适的中间或最终结果，系统将主动通知用户. 2系统工作原理和方法实际上，“推”和“拉”这两种技术是相辅相成的. 面对大量信息，有必要以高效率和高质量获得实用信息. 结合“推”和“拉”的智能信息“推技术”将是未来在线信息采集技术的重要发展方向. 在传统的Internet中，信息的传输是以“拉”模式进行的，所提供的服务是被动的. 在采用“推+拉”方式时，不仅必须将信息推送给用户，而且还要根据用户的预设. 条件满足条件时，系统的触发事件和发送要求会自动向用户发送消息见过.

　　真正的个性化应该是动态的和积极主动的. 设置初始规则后，系统可以自动跟踪用户的使用倾向. 因此，在用户进行初始设置之后，他想要的东西将对系统来说变得自然. 我事先想过. 需要实现的是信息的自动“推”和“拉”，即用户要求系统根据预定的时间和定制来提交所需的信息. Weipu Information机电工程杂志，Vo1.22第12期，2005机电工程，第22卷，第12期，2005信息. 具体的实现步骤如下: 首先，用户提到他们对特定的网站或主题感兴趣. 其次，系统使用采集和监视代理根据用户的请求在特定或所需的网站上搜索所需的内容. 如果自最近一次采集以来输入了​​新内容，该内容将被传输到用户的接收界面，最终用户可以根据自己的设置查看其自定义的新内容或新链接. 2.1用户兴趣学习构建用户兴趣模型的智能代理具有一定程度的学习和响应能力. 首先，用户界面代理执行人机交互，问题分析代理首先确定用户的一些基本信息，并将其记录在信息数据库中. 根据用户对每个查询返回的结果的响应，提取用户的个性化信息，并连续形成用户兴趣集.

　　当前，有多种可用于构建用户兴趣模型的机器学习方法，例如贝叶斯分类器，最近邻方法，PEBLS，决策树，TFIDF，神经网络等. 在这里，决策树方法用于根据用户对过滤结果的反馈评估来学习用户的兴趣. 答: gent根据用户的兴趣初始模型过滤掉一些文档. 如果用户认为文档符合他的兴趣，它将对文档进行正面评价，否则将做出负面评价. 代理使用ID3算法为反馈样本集导出决策树，将决策树转换为布尔查询字符串，然后将其提交给采集和监视代理进行检索. 2.2信息采集和监视信息采集和监视模块基于“用户兴趣模型”，即查询请求，使用智能代理，并使用元搜索引擎技术向多个搜索工具（例如Alta Vista和Infoseek，并将获得URL列表被合并，重复的内容被删除，然后从不同的www服务器获取页面内容，并将信息返回给信息挖掘代理. 用户可以为采集和监视模块提供初始URL，或者提供一些相关的HTML页面，或者提供一些关键字，或者一些与现场相关的培训样本. 该系统可以学习和训练样本以发现用户兴趣. 采集和监视模块可以使用搜索引擎来采集信息.

　　当然，由于该模型是特定于某个领域的，因此可以预先人为地确定一系列站点作为搜索信息的起点. 对于用户感兴趣或熟悉的域中的权威站点，监视代理根据设置的时间重复监视必需站点列表中的站点，并在更改时给出提示. 具体的实现方法是通过用户界面将监视需求添加到可执行监视网站的队列中. 监控表可以根据用户的兴趣定期向可执行的监控网站队列提交监控目标，以实现用户对互联网上感兴趣的信息的主动（或半主动）查询，从而体现了智能代理的自主性. . 这样，当某个网站的内容发生变化时，系统将通知用户新信息进行浏览. 例如，如果用户对“纺织”领域感兴趣，则可以监视该领域的专业站点，例如: 中国纺织网（http://WWW.texnet.com.cn）中国纺织经济信息网（http: //www.Ctei.gov.cn）ITCB（http://www.itcb.org）和国际纺织服装局的其他网站. 2.3信息挖掘信息分析和过滤模块对采集和监控模块采集的网页进行分析，提取文档特征，统计网页中用户信息数据库中关键词的出现频率，并计算出该网页的主题概念成员资格. 使用主题概念的隶属程度和关键字的频率作为描述网页的结构化信息，然后与用户模型进行比较，向对它感兴趣的用户推荐最相似的文档，并提取新主题概念关键字，将它们添加到知识库中.

　　此模块的关键技术是文档选择. 文档选择是指向感兴趣的相关用户推荐新收入的文档. 该模块会定期或在最近收到的文档达到一定数量时启动文档选择任务. 对于文档选择，我们必须首先比较每个文档d和每个用户之间的相关程度. 比较方法主要基于内容[关键字]，同时考虑了用户对域主题概念的关注程度. DU-SIM（d，“）= A: I: SIM（Od，O）+（1一A）: I: SIM（，F）≤A