Web上的信息过滤问题研究

摘要

文本将介绍Web上的信息过滤的基本问题,包括:信息过滤的体系结构,过滤系统的特点及分类,检索和过滤的关系,过滤系统常用的模型以及过滤系统的性能评价指标等,从总体上对过滤问题进行一定的讲述,指出现存的信息过滤系统中存在的问题. 针对过滤系统中存在的部分问题,在现有的信息过滤技术的基础上,结合机器学习中的神经网络方法和智能体Agent的技术,对现有的过滤算法进行了一定的改进,并给出了具有智能性、主动性和扩充性的基于多Agents的个性化过滤系统的模型.该文的主要研究内容为以下三个部分:个性化模式库的表示、建立和维护;改进的过滤匹配算法;基于多Agents的智能过滤系统模型. 对于个性化模式库的表示,该文给出了一种多用户多主题的分类表示方式,使得每个Profile文件只表达一个用户的一个主题,可以更清晰的表达用户的兴趣;对于个性化模式库的建立,该文采用了机器学习中的Hopfield神经网络模型,Honfield网络具有丰富的联想记忆功能,可以用来对用户兴趣进行联想,建立用户的初始个性化模式库;对于个性化模式库的维护,采用了基于用户反馈的学习方法. 在改进的过滤匹配算法当中,该文结合了布尔模型和向量空间模型的优点,综合考虑了过滤过程中的匹配度和相似度,给出了新的过滤匹配算法,并通过对比模拟实验证明了算法的有效性. 结合智能Agent的特性,该文提出了基于多Agents的个性化智能过滤系统模型,对系统中Agent的关系、功能、结构以及系统实现的关键技术和流程进行了详细介绍.该模型充分利用了Agent智能体的特性,将从智能性、主动性、扩充性、易维护性等方面弥补了现有信息过滤系统中的不足,提高速度和精度,帮助人们最大限度的发现自己感兴趣的问题.