多Agent推荐系统及应用

　　《多Agent推荐系统及应用》主要将Agent技术应用于推荐系统，以改善现有的推荐方法，包括以下五个方面的内容。1.推荐系统及应用中相关理论分析；2.基于“效用”（Utility）理论的推荐方法研究；3.基于BDI Agent的协作推荐模型研究；4.基于遗传算法的粗糙集属性约简研究；5.基于合同网的协作粒子群优化方法研究。
　　《多Agent推荐系统及应用》同时也探讨了粗糙集理论及智能优化方法在其中综合应用问题。
　　本书适用于高校计算机专业的本科生及硕士生参考阅读。

1绪论
1.1研究背景及意义
1.1.1研究背景
1.1.2研究意义
1.2推荐系统概论
1.2.1推荐系统的概念
1.2.2推荐系统的研究内容
1.2.3推荐系统研究与应用现状
1.2.4推荐系统面临的问题
1.2.5智能Agent与推荐系统
1.3本书的主要工作
1.3.1研究的内容
1.3.2本书的结构
2相关技术研究
2.1推荐系统
2.1.1推荐系统的分类
2.1.2推荐系统的主要算法
2.1.3推荐方法的评价
2.2Agent技术
2.2.1Agent的概念及应用
2.2.2Agent的体系结构
2.2.3Agent通讯语言
2.2.4多Agent系统的概念
2.2.5多Agent系统的交互与协作
2.3粗糙集理论
2.3.1粗糙集理论概述
2.3.2粗糙集理论基本概念及定义
2.3.3粗糙集理论的主要工作
2.4智能优化概念及方法
2.4.1进化计算概述
2.4.2智能优化的基本方法
2.4.3优化算法的基本工作步骤
2.4.4基于Agent的智能优化技术
2.5本章小结
3基于粗糙集及多属性效用的推荐研究
3.1引言
3.2现有推荐方法分析及问题提出
3.2.1现有推荐方法分析
3.2.2用户偏好研究
3.2.3个性化效用推荐问题的提出
3.3多目标决策概述
3.3.1多目标决策概念
3.3.2多属性效用理论
3.4TOPSIS方法
3.4.1TOPSIS方法概述
3.4.2TOPSIS数学模型
3.5基于粗糙集的属性重要度识别
3.5.1粗糙集知识表达及基本概念
3.5.2属性依赖度
3.5.3属性重要度
3.5.4基于粗糙集的属性权重识别算法
3.5.5属性重要度权重算例分析
3.6基于粗糙集及多属性效用推荐研究
3.6.1基于粗糙集及多属性效用推荐工作方法
3.6.2基于粗糙集及多属性效用的推荐流程
3.6.3基于粗糙集及多属性效用的推荐系统框架
3.6.4基于可变精度粗糙集的用户偏好识别
3.6.5基于用户偏好的多属性效用推荐算法
3.6.6基于用户偏好的协同过滤推荐方法
3.6.7实验及分析
3.7本章小结
4基于BDI Agent的协作推荐研究
4.1引言
4.2现有推荐方法分析
4.2.1现有推荐方法的不足与挑战
4.2.2基于多Agent的推荐系统的优势
4.3BDI模型及合同网概述
4.3.1BDI模型
4.3.2合同网
4.4基于BDI Agent协作推荐模型
4.4.1Agent的分工与职能
4.4.2基于协作推荐的改进合同网
4.4.3基于ACL的协作推荐合同网会话协议
4.4.4BDI Agent工作逻辑
4.4.5协作推荐结果的生成方法
4.4.6协作权重设置及更新
4.4.7协作推荐系统框架模型
4.4.8实验及分析
4.5本章小结
5基于遗传算法的粗糙集属性约简研究
5.1引言
5.2信息系统属性约简问题概述
5.3粗糙集理论属性约简问题分析
5.3.1粗糙集理论
5.3.2粗糙集属性约简方法分析
5.3.3粗糙集属性约简相关概念及定义
5.3.4粗糙集求属性约简方法
5.4遗传算法分析
5.4.1遗传算法概述
5.4.2遗传算法相关概念及定义
5.4.3遗传算法步骤
5.5基于遗传算法的变精度粗糙集属性约简”
5.5.1关系模型及关系数据库
5.5.2基于关系运算的可变精度粗糙集
5.5.3基于遗传算法的可变精度粗糙集属性约简
5.5.4实验及分析
5.6本章小结
6基于合同网模型的协作粒子群优化研究
6.1引言
6.2协作推荐的优化问题分析
6.3粒子群算法概述与分析
6.3.1粒子群算法概述
6.3.2粒子群算法相关定义及算法过程
6.3.3粒子群算法研究的现状与不足
6.4多Agent系统的协作
6.4.1多Agent协作的概念与优点
6.4.2多Agent协作相关模型及相关研究
6.5基于合同网的协作粒子群优化模型
6.5.1基于合同网的协作粒子群优化模型概述
6.5.2 基于合同网的协作粒子群优化模型相关定义
6.5.3基于合同网的协作粒子群背包求解算法
6.5.4实验及分析
6.6本章小结
7结论与展望
7.1本书总结
7.2进一步研究展望
参考文献

　　Kirkpatrkk等人于1983年将退火思想引入组合优化的领域，提出了模拟退火算法（Simulated Annealing，SA）。模拟退火算法是基于Mente Cartlo迭代求解策略的随机优化算法，模拟物质的退火过程中，从一个初始温度开始，随着温度的降低，概率性地跳跃，以实现在解空间中对最优解的搜索。在物质退火算法体现在获得局部解时，能概率性性地跳出并趋于全局最优解。
　　3.蚁群算法
　　蚁群算法（Ant Colony Optimization Algorithm，ACOA）是受到自然界中蚂蚁搜索事物行为的启发，提出的一种随机优化的算法。最早提出蚁群算法的是意大利学者Marco Dorigo，他于1991年在其博士论文中提出的一种基于蚂蚁种群的新型优化算法。其基本思想是：对于单个蚂蚁是脆弱的，然而整个蚁群却能适应自然环境，在严酷的环境下生存下来。蚁群能完成单个蚂蚁无法承担的工作。蚁群是通过信息素这种化学物质进行信息传递，实现群体协作的。当蚂蚁经过一个路径时，会在此路径上留下信息素，其他的蚂蚁依据信息索重复前面蚂蚁走过的路径。某路径上留下的信息素越强，该路径经过的蚂蚁越多，路径的重复选择性越强，体现出一种正反馈的机制。这种正反馈机制及信息索通讯方法是蚁群算法的基础。