基于JADE的學(xué)習(xí)社區(qū)構(gòu)建和個(gè)性化推薦系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、隨著個(gè)人終端電腦的普及和Internet日益廣泛的延伸，通過網(wǎng)絡(luò)獲取知識(shí)已經(jīng)成為一種非常重要的學(xué)習(xí)手段。然而網(wǎng)絡(luò)上的知識(shí)載體已呈現(xiàn)爆炸增長(zhǎng)的趨勢(shì)，要在海量的信息中找到真正需要的資料并不是一件容易的事情。同時(shí)，由于缺乏對(duì)用戶歷史數(shù)據(jù)的研究和對(duì)相似群體的綜合分析，很難主動(dòng)向用戶推薦他們可能感興趣的信息。 目前，國內(nèi)外相關(guān)領(lǐng)域的研究屢有創(chuàng)新的進(jìn)展。從基于內(nèi)容的過濾到協(xié)同過濾，研究者們意識(shí)到信息過濾不應(yīng)該單純的依賴信息本身，而應(yīng)該從信息

2、的使用者、傳遞者——“人”出發(fā)，分析其偏好和行為等特性，同時(shí)有效的挖掘和利用用戶間的相互關(guān)系，以期實(shí)現(xiàn)更為準(zhǔn)確和有效的信息過濾，即個(gè)性化推薦。 本課題嘗試在上海交通大學(xué)網(wǎng)絡(luò)學(xué)院已有的龐大在線學(xué)生群體和良好的網(wǎng)上學(xué)習(xí)條件之基礎(chǔ)上，建立一個(gè)自組織的學(xué)習(xí)社區(qū)平臺(tái)，幫助學(xué)習(xí)者形成各個(gè)方面的學(xué)習(xí)團(tuán)體?？傮w上，我們將系統(tǒng)分為三個(gè)功能模塊：代理構(gòu)建模塊、分類與自組織模塊以及推薦模塊。我們?yōu)槊總€(gè)實(shí)際用戶構(gòu)建一個(gè)推薦代理 (Agent) ，并定義

3、了它的內(nèi)部結(jié)構(gòu)、屬性 (信任權(quán)值、鄰居等)與行為 (查詢和主動(dòng)推薦)。基于JADE (Java Agent Development framework) 平臺(tái)，我們實(shí)現(xiàn)了用于管理監(jiān)控的服務(wù)器端軟件與個(gè)性化定制的客戶端軟件。 從推薦系統(tǒng)的角度出發(fā)，我們對(duì)現(xiàn)有的社區(qū)結(jié)構(gòu)發(fā)現(xiàn)方法進(jìn)行了綜述和比較。基于Hebbian Learning 法則，我們提出了一種多代理的自組織社區(qū)算法，利用學(xué)習(xí)者的相互查詢與推薦更新他們之間的信任權(quán)值，從而使興

4、趣相近的學(xué)習(xí)者得到更好的交流。通過采用不同的社區(qū)初始化方法、信任鄰居權(quán)值更新算法、潛在鄰居結(jié)構(gòu)調(diào)整算法以及附加的優(yōu)化策略等，社區(qū)自組織性能得到了大幅度提升。 實(shí)驗(yàn)結(jié)果表明系統(tǒng)可以非常迅速的將具有相同興趣的學(xué)習(xí)者聚合在一起，并很好的滿足他們的查詢、推薦需求，極大的提升用戶滿意度。從性能分析的結(jié)果看，隨著用戶行為的增加，推薦的準(zhǔn)確率也隨之增加并迅速達(dá)到一個(gè)穩(wěn)定的高水平(>90％)。系統(tǒng)同時(shí)也表現(xiàn)出了良好的可擴(kuò)展性，構(gòu)建穩(wěn)定社區(qū)所需的

5、平均行為數(shù)量隨著用戶規(guī)模線性增加，非常適合于網(wǎng)絡(luò)學(xué)習(xí)的大范圍應(yīng)用特性。同時(shí)，由于采用的是純P2P方法，本系統(tǒng)非常適用于分布式開放環(huán)境，極大的減小了因關(guān)鍵結(jié)點(diǎn)失效而引起的系統(tǒng)崩潰風(fēng)險(xiǎn)。誤差分析表明，在社區(qū)的自組織達(dá)到一定程度后，本系統(tǒng)的平均絕對(duì)誤差要好于標(biāo)準(zhǔn)的Item-based推薦算法，同時(shí)具有更優(yōu)的時(shí)間代價(jià)。 在接下來的研究中，我們將不僅僅關(guān)注于用戶的自組織。社區(qū)的構(gòu)建元素agent需要更智能、更有交互性，能夠做出相應(yīng)的推理和