基于Agent的個性化出版物信息服務(wù)系統(tǒng)設(shè)計.pdf_第1頁
已閱讀1頁,還剩75頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展,各計算機終端都可以輕易擁有海量的信息資源,人們獲取信息的渠道增多了,但同時也讓很多用戶覺得力不從心,當(dāng)用戶在網(wǎng)絡(luò)上搜索信息時,往往就會因為信息量過大且無目的性發(fā)生“迷航”、“認(rèn)知過載”等現(xiàn)象。另外,隨著信息資源的積累,龐大的數(shù)據(jù)仍由單一的服務(wù)器存儲,這對搜索及管理也帶來了諸多不便。
   因此,本文首先研究了傳統(tǒng)內(nèi)容過濾和協(xié)同過濾推薦技術(shù),對傳統(tǒng)協(xié)同過濾技術(shù)改進,構(gòu)建分類評估矩陣,并給出一種新的協(xié)同過濾

2、推薦公式;結(jié)合內(nèi)容過濾推薦技術(shù),提出分布式綜合推薦模型,該模型融合了內(nèi)容過濾和協(xié)同過濾的優(yōu)點,并通過實驗證明了此推薦模型的有效性和科學(xué)性。其次,提出一個基于Agent的Web挖掘模型,采用分布式的架構(gòu),詳細(xì)設(shè)計各Agent的功能;通過學(xué)習(xí)Agent模塊,不斷更新知識庫;把分布式綜合推薦模型作為信息選擇Agent的核心算法,從而為用戶推薦最感興趣的項目;提出基于XML的KQML解決辦法來配合多個代理間信息的交互,實現(xiàn)多Agent之間的協(xié)同

3、工作。再次,將分布式綜合推薦模型和基于Agent技術(shù)的Web挖掘模型應(yīng)用于出版物服務(wù)系統(tǒng),設(shè)計了兩級數(shù)據(jù)庫,分別用于支撐內(nèi)容挖掘模塊和協(xié)同過濾模塊;充分利用分布式架構(gòu)與Agent技術(shù)的優(yōu)勢,實現(xiàn)跨站點的分布式智能搜索和個性化推薦,對于相同的關(guān)鍵字查詢,不同用戶將會搜索出不同的結(jié)果,以最大程度滿足不同類型用戶的需求,并給出了系統(tǒng)實現(xiàn)界面圖。
   論文最后部分對所做的工作進行了總結(jié),并提出了有待改進的地方,同時展望了Agent技術(shù)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論