基于JADE的學習社區(qū)構建和個性化推薦系統(tǒng)的研究與實現(xiàn).pdf

1、隨著個人終端電腦的普及和Internet日益廣泛的延伸，通過網絡獲取知識已經成為一種非常重要的學習手段。然而網絡上的知識載體已呈現(xiàn)爆炸增長的趨勢，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，由于缺乏對用戶歷史數(shù)據的研究和對相似群體的綜合分析，很難主動向用戶推薦他們可能感興趣的信息。 目前，國內外相關領域的研究屢有創(chuàng)新的進展。從基于內容的過濾到協(xié)同過濾，研究者們意識到信息過濾不應該單純的依賴信息本身，而應該從信息

2、的使用者、傳遞者——“人”出發(fā)，分析其偏好和行為等特性，同時有效的挖掘和利用用戶間的相互關系，以期實現(xiàn)更為準確和有效的信息過濾，即個性化推薦。 本課題嘗試在上海交通大學網絡學院已有的龐大在線學生群體和良好的網上學習條件之基礎上，建立一個自組織的學習社區(qū)平臺，幫助學習者形成各個方面的學習團體?？傮w上，我們將系統(tǒng)分為三個功能模塊：代理構建模塊、分類與自組織模塊以及推薦模塊。我們?yōu)槊總€實際用戶構建一個推薦代理 (Agent) ，并定義

3、了它的內部結構、屬性 (信任權值、鄰居等)與行為 (查詢和主動推薦)?；贘ADE (Java Agent Development framework) 平臺，我們實現(xiàn)了用于管理監(jiān)控的服務器端軟件與個性化定制的客戶端軟件。 從推薦系統(tǒng)的角度出發(fā)，我們對現(xiàn)有的社區(qū)結構發(fā)現(xiàn)方法進行了綜述和比較。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，利用學習者的相互查詢與推薦更新他們之間的信任權值，從而使興

4、趣相近的學習者得到更好的交流。通過采用不同的社區(qū)初始化方法、信任鄰居權值更新算法、潛在鄰居結構調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。 實驗結果表明系統(tǒng)可以非常迅速的將具有相同興趣的學習者聚合在一起，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。從性能分析的結果看，隨著用戶行為的增加，推薦的準確率也隨之增加并迅速達到一個穩(wěn)定的高水平(>90％)。系統(tǒng)同時也表現(xiàn)出了良好的可擴展性，構建穩(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，非常適合于網絡學習的大范圍應用特性。同時，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，極大的減小了因關鍵結點失效而引起的系統(tǒng)崩潰風險。誤差分析表明，在社區(qū)的自組織達到一定程度后，本系統(tǒng)的平均絕對誤差要好于標準的Item-based推薦算法，同時具有更優(yōu)的時間代價。 在接下來的研究中，我們將不僅僅關注于用戶的自組織。社區(qū)的構建元素agent需要更智能、更有交互性，能夠做出相應的推理和