20世纪90年代以来，随着计算机网络、通信等技术的快速发展，网络环境" title="网络环境">网络环境正由Client/Server发展到Client/Network，并向Client/Virtual Environment发展，分布式人工智能DAI(Distributed Artificial Intelligence)受到了人们的广泛关注，对智能Agent的研究又是其中的一个热点^[1]。多智能Agent降低了对集中式、顺序控制的限制，提供了移动控制、应急和并行处理，不仅为用户提供了一种远程智能程序设计的方法，实现了更加快捷的问题求解，而且将用户从纷繁的信息海洋中解放出来，可以集中精力关注他们感兴趣的信息。
　　用户对网络感兴趣的并不是网络资源所蕴含数据量的大小，而是那些可以在一定程度上能够满足自己需要的个性化信息，他们都希望能在最短的时间内掌握这些信息的分布情况。用传统的的方法来解决这个问题时，用户的代理服务器往往会遇到许多质疑，例如在无法深入调查用户坦率度的情况下如何准确把握用户的兴趣；如何保证对用户兴趣的模拟是准确的；如何保证聚合信息能满足用户的需求等。本文就如何准确模拟用户兴趣，并依此聚合用户的个性化信息作了尝试性研究，对常用的运算法则和模型的设计思想" title="设计思想">设计思想作了一定的改进，收到了良好效果。
1 智能Agent
　　Wooldridge等人对智能Agent的“弱定义”和“强定义”^[2]广为人们接受。智能Agent不仅具有反应性、自治性、面向目标和环境性四个基本特征，还具有理性、善意和学习等特点。因此可以认为智能Agent是指能为用户执行某些特定的任务且具有心智状态(mental state)^[1][3]，能自主地根据需要进行分析推理、自我完善的软件体，是一个具有一定智能行为的概念“人”。智能Agent既是人工智能的最初目标，也是人工智能的最终目标。
2 模型设计
2.1 智能Agent模型
　　模型选用了1998年中国科学院计算技术研究所研制的多主体系统开发工具AOSDE(Agent Oriented Software Developing Environment)。该系统用Java编写，可以保证Agent的可移植性和异构环境下的互操作性。在此基础上设计了智能Agent的统一结构模型，包括五个模块：管理模块、自检模块、任务模块、储存模块和通信模块" title="通信模块">通信模块，如图1所示。管理模块是核心模块，它负责监控其他四个模块，负责智能Agent的自我保护和自我完善；自检模块负责智能Agent的初始化和性能检测；任务模块负责接收任务、解释任务、执行任务并返回执行结果；储存模块负责存储备用数据和执行结果；通信模块负责智能Agent间、智能Agent与Agent平台间的数据交换。

2.2 智能Agent设计
　　模型中用到的智能Agent按功能分作四类" title="四类">四类：用户Agent、描述Agent、汇总Agent和学习Agent，它们的协作关系如图2所示。

　　(1)用户Agent，它是一个界面Agent，扮演“眼睛”的角色，完成用户与系统间的对话。
　　系统运行期间，用户Agent观察用户行为，并将观察到的行为信息传递给学习Agent和描述Agent。例如记录用户的ID号、文档的关键词，用户是否下载了文档、是否在文档中添加了书签或者建立了超链接等。用户通过它可以随时调用或更改用户侧面中储存的兴趣主题(副主题)，整个系统对用户是透明的。
　　(2)描述Agent，它采用语义网络的表示方法来描述用户兴趣，并与学习Agent协作完成对用户兴趣的模拟。
　　用户的兴趣可以是单个主题，也可以是多个主题的结合体。描述Agent在对概念、行为描述的过程中考虑了合取概念聚类问题^[3]和主题间的相关性，用副主题来描述多个主题的聚合概念，主题和副主题都储存在用户侧面中。
　　描述Agent还负责描述用户对聚合信息的反映，并把结果作为计算主题(副主题)优先级变化量的一个参数。法则如下：用户对聚合信息中与主题(副主题)n相关文档j的反映可以分作四类：不喜欢、希望了解、比较感兴趣、喜欢。参数依次设定为-1、0、1、2，分类的依据是时间利用率β，β=t_n/T，其中，用户访问网络的时间为T，用户浏览j所用时间为t_n，n的优先级变化量记为δm_n。定义：β≥0.5时，用户对文档j喜欢，δm_n=2；0.5>β≥0.3时，用户对文档j比较感兴趣，δm_n=1；0.3>β≥0.15时，用户对文档j只是希望了解，δm_n=0；β<0.15时，用户对文档j不喜欢，δm_n=-1。用户退出用户Agent时，描述Agent将δm_n作为更新值传递给用户侧面。描述法则伪程序如下：

　　(3)汇总Agent，它是模型的“双手”，通过搜索和汇总来完成信息的聚合。
　　模型选用Google Web Service来完成搜索任务，应用程序接口选用Google API^[4]。汇总Agent将搜索结果(URL、摘要等)按主题(副主题)优先级从高到低的顺序排列，在提交用户Agent的同时向学习Agent反馈汇总情况。为了使聚合效果更佳，模型采用了文献^[5]中详细讲述的STC(Suffix Tree Clustering)方法。在网络性能良好的情况下，如果搜索结果为空，它一方面向用户Agent提交“搜索结果为空，请重新输入主题(副主题)”的请求，另一方面将搜索情况反馈给学习Agent，由学习Agent向用户侧面传递删除n的指令。如果网络存在故障，则暂时保存n。
　　(4)学习Agent，它扮演“大脑”的角色，是整个模型的核心部分，它依据用户的行为信息和汇总Agent的反馈信息来更新用户侧面，完成对用户兴趣的模拟。
　　用户的行为信息指用户对聚合信息的反映情况。用a、b、c、d、,e依次表示用户是否点击了文档、用户是否浏览了文档、是否给文档加了标签、是否下载了文档、是否建立了超链接。文档优先级的计算采用Hopfield网络模型学习方法，a、b、c、d、e五个输入节点按照“是”选1、“否”选0的方法来标注用户对文档的兴趣程度，输出节点是文档的优先级，用k表示。
　　学习Agent依据用户的行为信息更新用户侧面。法则如下：文档j的优先级k_j可用上述方法求出，m_n表示主题(副主题)n的优先级，定义初始值为20，最高值为50，最低值为0，当20＜m_n≤50时，用户对n兴趣度比较高；当0n＜20时，兴趣度比较低；当m_n≤0时，用户就可以将n删除，顺序是先删副主题后删主题，当m_n>0且与n相关副主题ni的优先级m_ni=0时，将n_i删除；当m_n=0且m_ni>0时，则将ni和n全部删除。n的优先级增量Δm_n的算法是：对于文档j的优先级k_j，如果∑k_j=0，取Δm_n=-1；如果∑k_j>0，取Δm_n=αk_j，α是学习率，α=β=t_n/T，用户退出用户Agent时，学习Agent用只保留一位小数的αm_n更新用户侧面。学习法则伪程序如下：

2.3智能Agent间的协作
　　模型采用多智能Agent旨在克服单个智能Agent知识不完整、处理信息不确定等缺点，解决单个智能Agent由于各种原因不能或难以解决的问题，形成智能Agent协调合作的问题求解网络。这种协作表现为：智能Agent间的相互依赖、对协作行动的相互承诺、无死锁的协作过程、协作与约束和协作与协调。如图3所示。