基于多Agent系统的定题爬虫算法

定题爬虫的研究是定题搜索引擎的关键技术。该文提出一种基于多Agent系统的爬虫算法,采用本题语义主题关键词过滤的方法来抓取与主题相关的网页,利用本体库语义网络实现本体领域中同近义词的过滤。凭借HTML网页标记对关键字识别的不同权重和超链接锚文本对主题相关网页进行预测,通过黑板的通信机制实现多Agent交互。实验结果表明算法在抓取网页的查准率、查全率方面有一定的改善。

文本自动分类关键技术研究

为了提高文本自动分类的准确率,本文在分析文本分类预处理阶段的中文分词、特征提取、向量空间模型、web结构挖掘技术等基础上,对相关技术进行了的改进,并设计基于支持向量机文本分类器(UJS-Classifier)实现了最终的文本分类。根据测试语料分别对中文分词模块和网页文本分类模块性能进行测试,实验结果表明UJS-Classifier在分词的歧义切分、网页分类的性能及准确率都有一定的提高。

基于Agent图的三级多Agent系统组织模型

多Agent系统的组织结构是Agent个体之间交互的框架。对分布式多Agent系统的组织方式、协作机制进行了简要讨论,提出了Agent域及Agent图的概念。根据不同Agent之间的地理位置和通信代价,由Agent个体、Agent组及Agent域三级组织结构形成一个Agent图,并借鉴计算机网络的分布式自适应路由选择策略进行多Agent系统的协作组织。分析表明,该模型具有高效、健壮、通信开销较小等优点。

基于多兴趣Agent的信息检索模型的研究

基于agent的信息检索系统在海量网络信息检索中已经得到广泛的应用。提出了一个基于多兴趣agent新的信息检索模型,该模型对查询信息进行了兴趣预测并生成了用户兴趣项权重向量。实验表明,模型在预测用户兴趣的效果和推荐搜索信息的准确率方面比传统的单兴趣Agent检索系统IRHO IA有一定的改善。

基于多兴趣Agent层次结构的检索系统

为提高基于Agent的信息检索系统在海量的网络信息检索中查询准确率,提出了基于多兴趣Agent层次结构的检索系统模型(IRHOMIA,information retrieval system based on hierarchically organizedofmulti-interest Agent),模型对查询信息进行了兴趣预测并生成了用户兴趣项权重向量,输入到训练过的神经网络并把输出层生成向量中的每个值与给定的阈值进行比较来确定将查询任务分配给其他兴趣Agent或者是拥有相应资源的查询工具。试验表明,IRHOMIA在预测用户兴趣的效果和推荐搜索信息的准确率方面比传统的检索系统以及单兴趣Agent检索系统IRHOIA有5%以上的提高。