论文部分内容阅读
随着无线通信技术的发展、移动终端设备的高速增长和信息访问需求的日益增加,移动电子商务具有远大的市场前景。移动电子商务能够超越时间和空间的限制,使人们通过移动通信设备“随时随地”获得数据服务。移动电子商务个性化推荐能为顾客推荐符合其兴趣偏好的商品,又能根据顾客使用的移动设备的具体特点展示这些商晶推荐信息。当前,越来越多的传统电子商务活动扩展到移动电子商务领域。移动电子商务需要处理更为复杂的情况,这对移动电子商务的个性化推荐提出了巨大的挑战。为了应对这种挑战,本文在移动电子商务领域引入了混合推荐方法,通过集成多种优势互补的推荐算法的推荐结果,提高推荐的性能,能够适应复杂的移动商务应用环境。
整个移动电子商务混合推荐过程可以分为三个阶段:第一阶段,收集全面的顾客信息,为各种具体的推荐算法提供精确的输入数据;第二阶段,各种具体的推荐算法根据各自的推荐机制提供推荐商品列表,然后使用混合算法将所有的推荐列表合并得到最终的混合推荐结果;第三阶段,根据顾客访问移动商务网站使用的移动设备的特点,将混合推荐结果以合适的用户界面展示给顾客。为了满足三个阶段的需求,提出了三个相应的解决方案:第一,使用通用顾客Profile描述全面、准确的顾客信息,包括静态的用户描述数据和动态的用户行为数据。第二,使用混会算法合并所有具体推荐算法给出的推荐列表。首先,每个推荐算法按照自己的推荐机制进行推荐。接着,混合算法组合、排序所有的推荐结果,最后,选择前N项推荐作为最终的推荐结果。第三,通过简化已有的移动设备Profile标准创建适合推荐结果展示需求的移动设备Profile。使用产生式规则推理的方法,根据移动设备Profile描述的移动设备的特点,对最终的混合推荐结果的显示界面进行格式化。
为了将上面的三个解决方案统一起来,论文提出了基于MAS(Multi-AgentSystem)的移动电子商务混合推荐系统的体系架构。体系架构使用多个互相协作的Agent共同完成复杂的移动电子商务混合推荐任务。每个Agent负责整体推荐任务的一个环节。
加权混合算法是体系架构的核心。Hybrid recommendation agent封装加权混合算法。加权混合算法为每个用户针对每个具体推荐算法分配一个权值。对于同一个用户,不同推荐算法给出的推荐列表中的产品和推荐程度是不同的。为了合并推荐列表,将每个推荐算法给出的每个产品的推荐得分乘以相应的权值就得到一个加权值。一个产品所有加权值的和就是这个产品在混合推荐列表中进行排序的分数。最后选取混合推荐列表中前N个产品作为最终的混合推荐结果。
Customer agent代理顾客在移动电子商务混合推荐系统中的所有活动,并负责收集顾客的各种行为数据。这些顾客行为数据是创建通用顾客Profile的基础。当混合推荐结果产生并且经过用户界面格式化处理后,由Customer agent负责将推荐结果发送到顾客移动设备上进行显示。
Profile management agent负责管理通用顾客Profile和移动设备Profile。通用顾客Profile的文件结构使用数据描述方法定义的XML模式进行描述;根据混合推荐结果展示的需要,对移动设备生产厂商提供的符合User Agent Profile标准的移动设备描述文件进行简化,产生移动设备Profile。Profile managementagent提供了通用访问接口帮助外部应用程序和其它Agent访问Profile文件。
Interface format agent负责根据顾客正在使用的移动设备的特点将混合推荐结果进行格式化,使得用户界面显示能够符合移动设备的具体要求。Interfaceformat agent首先读取顾客移动设备Profile文件,然后将移动Profile的内容动态转化为规则推理事实,冉使用预定义的用户界面格式化推理规则,使用Jess推理引擎推理产生符合移动设备显示特点的页面文件。
最后,使用JADE(Java Agent DEvelopment Framework)开发平台,基于提出的移动电子商务混合推荐体系架构实现了一个原型系统——餐馆推荐系统。通过对原型系统的测试和评估,证明了设计的移动电子商务混合推荐体系架构的可行性。