论文研究-基于属性Agent模型的新闻信息网页筛选技术 .pdf

在当今信息爆炸的时代，人工智能技术尤其是Agent技术已经在处理复杂动态系统建模上展现了巨大的潜力。Agent技术的特点在于其自主性、反应性、预动性以及社会能力和推理规划能力。在新闻信息网页筛选领域，传统的基于内容的筛选技术存在效率低下的问题，原因是新闻内容的随意性、实效性以及用户风格的差异性都对网页筛选的精度产生了很大影响。 属性Agent模型的提出正是为了解决这类问题。基于属性的网页筛选技术，重点在于使用网页的风格特征，如HTML标签、URL字符、文本内容和视觉效果等来获取风格特征的属性值，并据此构建新的风格决策树模式。通过这种方式，可以显著提高网页识别和筛选的精度。 Agent模型的理论基础可以追溯到卡尔·波普尔的科学方法图式，即D-N模型。该模型由特殊的初始态、特殊的最终态和普遍有效的概括组成。通过结合概括与已知状态，可以进行预言或解释，检验涉及的普遍概括。这种模型对于理解属性及其关系的抽象方式提供了科学的解释。 属性Agent模型的结构分为低级抽象层和高级建模层。低级抽象层主要由属性描述集、属性状态集、属性联系推理与验证、属性反应集构成。低级抽象层负责构建底层抽象事物属性的特征，形成基本属性联系的初级抽象，并提供上层建模的要素，同时构建监控外部环境的反应动作集。属性描述集用于定义属性的形式与计算方式；属性状态集对现实世界的信息进行定量或定性度量，并作为属性联系推理与验证的现实基础；属性联系推理与验证负责发掘和验证属性之间的关系；属性反应集则根据属性值触发紧急反应行动。 在网页筛选的实践中，属性Agent模型展现出了明显的优势。通过构建的属性Agent模型，研究者们不仅可以更准确地识别网页的风格特征，而且可以构建一个增量式的学习机制来构建复杂的特征风格决策树模型。这种方法相较于传统的基于内容的识别，能够将分类精度提高17%，达到93.07%的平均精度。尽管召回率稍有下降，但总体而言，其效果显著优于传统方法。 本文所提及的属性Agent模型在理论和实践上都为新闻信息网页筛选提供了新的思路和方法。它不仅能够适应网络信息的动态变化，还能够通过学习不断优化其筛选性能。这为未来研究提供了坚实的基础，并为实际应用开辟了新的途径。随着人工智能技术的不断进步，基于属性Agent模型的网页筛选技术有望在更多领域得到应用，并且在解决实际问题方面发挥更大的作用。