20世紀(jì)90年代以來，隨著計算機網(wǎng)絡(luò)、通信等技術(shù)的快速發(fā)展，網(wǎng)絡(luò)環(huán)境" title="網(wǎng)絡(luò)環(huán)境">網(wǎng)絡(luò)環(huán)境正由Client/Server發(fā)展到Client/Network，并向Client/Virtual Environment發(fā)展，分布式人工智能DAI(Distributed Artificial Intelligence)受到了人們的廣泛關(guān)注，對智能Agent的研究又是其中的一個熱點^[1]。多智能Agent降低了對集中式、順序控制的限制，提供了移動控制、應(yīng)急和并行處理，不僅為用戶提供了一種遠程智能程序設(shè)計的方法，實現(xiàn)了更加快捷的問題求解，而且將用戶從紛繁的信息海洋中解放出來，可以集中精力關(guān)注他們感興趣的信息。
　　用戶對網(wǎng)絡(luò)感興趣的并不是網(wǎng)絡(luò)資源所蘊含數(shù)據(jù)量的大小，而是那些可以在一定程度上能夠滿足自己需要的個性化信息，他們都希望能在最短的時間內(nèi)掌握這些信息的分布情況。用傳統(tǒng)的的方法來解決這個問題時，用戶的代理服務(wù)器往往會遇到許多質(zhì)疑，例如在無法深入調(diào)查用戶坦率度的情況下如何準(zhǔn)確把握用戶的興趣；如何保證對用戶興趣的模擬是準(zhǔn)確的；如何保證聚合信息能滿足用戶的需求等。本文就如何準(zhǔn)確模擬用戶興趣，并依此聚合用戶的個性化信息作了嘗試性研究，對常用的運算法則和模型的設(shè)計思想" title="設(shè)計思想">設(shè)計思想作了一定的改進，收到了良好效果。
1 智能Agent
　　Wooldridge等人對智能Agent的“弱定義”和“強定義”^[2]廣為人們接受。智能Agent不僅具有反應(yīng)性、自治性、面向目標(biāo)和環(huán)境性四個基本特征，還具有理性、善意和學(xué)習(xí)等特點。因此可以認為智能Agent是指能為用戶執(zhí)行某些特定的任務(wù)且具有心智狀態(tài)(mental state)^[1][3]，能自主地根據(jù)需要進行分析推理、自我完善的軟件體，是一個具有一定智能行為的概念“人”。智能Agent既是人工智能的最初目標(biāo)，也是人工智能的最終目標(biāo)。
2 模型設(shè)計
2.1 智能Agent模型
　　模型選用了1998年中國科學(xué)院計算技術(shù)研究所研制的多主體系統(tǒng)開發(fā)工具AOSDE(Agent Oriented Software Developing Environment)。該系統(tǒng)用Java編寫，可以保證Agent的可移植性和異構(gòu)環(huán)境下的互操作性。在此基礎(chǔ)上設(shè)計了智能Agent的統(tǒng)一結(jié)構(gòu)模型，包括五個模塊：管理模塊、自檢模塊、任務(wù)模塊、儲存模塊和通信模塊" title="通信模塊">通信模塊，如圖1所示。管理模塊是核心模塊，它負責(zé)監(jiān)控其他四個模塊，負責(zé)智能Agent的自我保護和自我完善；自檢模塊負責(zé)智能Agent的初始化和性能檢測；任務(wù)模塊負責(zé)接收任務(wù)、解釋任務(wù)、執(zhí)行任務(wù)并返回執(zhí)行結(jié)果；儲存模塊負責(zé)存儲備用數(shù)據(jù)和執(zhí)行結(jié)果；通信模塊負責(zé)智能Agent間、智能Agent與Agent平臺間的數(shù)據(jù)交換。

2.2 智能Agent設(shè)計
　　模型中用到的智能Agent按功能分作四類" title="四類">四類：用戶Agent、描述Agent、匯總Agent和學(xué)習(xí)Agent，它們的協(xié)作關(guān)系如圖2所示。

　　(1)用戶Agent，它是一個界面Agent，扮演“眼睛”的角色，完成用戶與系統(tǒng)間的對話。
　　系統(tǒng)運行期間，用戶Agent觀察用戶行為，并將觀察到的行為信息傳遞給學(xué)習(xí)Agent和描述Agent。例如記錄用戶的ID號、文檔的關(guān)鍵詞，用戶是否下載了文檔、是否在文檔中添加了書簽或者建立了超鏈接等。用戶通過它可以隨時調(diào)用或更改用戶側(cè)面中儲存的興趣主題(副主題)，整個系統(tǒng)對用戶是透明的。
　　(2)描述Agent，它采用語義網(wǎng)絡(luò)的表示方法來描述用戶興趣，并與學(xué)習(xí)Agent協(xié)作完成對用戶興趣的模擬。
　　用戶的興趣可以是單個主題，也可以是多個主題的結(jié)合體。描述Agent在對概念、行為描述的過程中考慮了合取概念聚類問題^[3]和主題間的相關(guān)性，用副主題來描述多個主題的聚合概念，主題和副主題都儲存在用戶側(cè)面中。
　　描述Agent還負責(zé)描述用戶對聚合信息的反映，并把結(jié)果作為計算主題(副主題)優(yōu)先級變化量的一個參數(shù)。法則如下：用戶對聚合信息中與主題(副主題)n相關(guān)文檔j的反映可以分作四類：不喜歡、希望了解、比較感興趣、喜歡。參數(shù)依次設(shè)定為-1、0、1、2，分類的依據(jù)是時間利用率β，β=t_n/T，其中，用戶訪問網(wǎng)絡(luò)的時間為T，用戶瀏覽j所用時間為t_n，n的優(yōu)先級變化量記為δm_n。定義：β≥0.5時，用戶對文檔j喜歡，δm_n=2；0.5>β≥0.3時，用戶對文檔j比較感興趣，δm_n=1；0.3>β≥0.15時，用戶對文檔j只是希望了解，δm_n=0；β<0.15時，用戶對文檔j不喜歡，δm_n=-1。用戶退出用戶Agent時，描述Agent將δm_n作為更新值傳遞給用戶側(cè)面。描述法則偽程序如下：

　　(3)匯總Agent，它是模型的“雙手”，通過搜索和匯總來完成信息的聚合。
　　模型選用Google Web Service來完成搜索任務(wù)，應(yīng)用程序接口選用Google API^[4]。匯總Agent將搜索結(jié)果(URL、摘要等)按主題(副主題)優(yōu)先級從高到低的順序排列，在提交用戶Agent的同時向?qū)W習(xí)Agent反饋匯總情況。為了使聚合效果更佳，模型采用了文獻^[5]中詳細講述的STC(Suffix Tree Clustering)方法。在網(wǎng)絡(luò)性能良好的情況下，如果搜索結(jié)果為空，它一方面向用戶Agent提交“搜索結(jié)果為空，請重新輸入主題(副主題)”的請求，另一方面將搜索情況反饋給學(xué)習(xí)Agent，由學(xué)習(xí)Agent向用戶側(cè)面?zhèn)鬟f刪除n的指令。如果網(wǎng)絡(luò)存在故障，則暫時保存n。
　　(4)學(xué)習(xí)Agent，它扮演“大腦”的角色，是整個模型的核心部分，它依據(jù)用戶的行為信息和匯總Agent的反饋信息來更新用戶側(cè)面，完成對用戶興趣的模擬。
　　用戶的行為信息指用戶對聚合信息的反映情況。用a、b、c、d、,e依次表示用戶是否點擊了文檔、用戶是否瀏覽了文檔、是否給文檔加了標(biāo)簽、是否下載了文檔、是否建立了超鏈接。文檔優(yōu)先級的計算采用Hopfield網(wǎng)絡(luò)模型學(xué)習(xí)方法，a、b、c、d、e五個輸入節(jié)點按照“是”選1、“否”選0的方法來標(biāo)注用戶對文檔的興趣程度，輸出節(jié)點是文檔的優(yōu)先級，用k表示。
　　學(xué)習(xí)Agent依據(jù)用戶的行為信息更新用戶側(cè)面。法則如下：文檔j的優(yōu)先級k_j可用上述方法求出，m_n表示主題(副主題)n的優(yōu)先級，定義初始值為20，最高值為50，最低值為0，當(dāng)20＜m_n≤50時，用戶對n興趣度比較高；當(dāng)0n＜20時，興趣度比較低；當(dāng)m_n≤0時，用戶就可以將n刪除，順序是先刪副主題后刪主題，當(dāng)m_n>0且與n相關(guān)副主題ni的優(yōu)先級m_ni=0時，將n_i刪除；當(dāng)m_n=0且m_ni>0時，則將ni和n全部刪除。n的優(yōu)先級增量Δm_n的算法是：對于文檔j的優(yōu)先級k_j，如果∑k_j=0，取Δm_n=-1；如果∑k_j>0，取Δm_n=αk_j，α是學(xué)習(xí)率，α=β=t_n/T，用戶退出用戶Agent時，學(xué)習(xí)Agent用只保留一位小數(shù)的αm_n更新用戶側(cè)面。學(xué)習(xí)法則偽程序如下：

2.3智能Agent間的協(xié)作
　　模型采用多智能Agent旨在克服單個智能Agent知識不完整、處理信息不確定等缺點，解決單個智能Agent由于各種原因不能或難以解決的問題，形成智能Agent協(xié)調(diào)合作的問題求解網(wǎng)絡(luò)。這種協(xié)作表現(xiàn)為：智能Agent間的相互依賴、對協(xié)作行動的相互承諾、無死鎖的協(xié)作過程、協(xié)作與約束和協(xié)作與協(xié)調(diào)。如圖3所示。