[论文解读] Interface agents: A review of the field

Stuart E. Middleton|ArXiv.org|Mar 9, 2002

Machine Learning and Algorithms参考文献 73被引用 31

一句话总结

本文回顾了接口代理（interface agents）——即在用户与数字系统之间进行中介的软件代理——的演变历程、面临的挑战及当前状态。文章提出了一个涵盖电子邮件过滤、新闻推荐和会议安排等领域的代理系统分类体系，并分析了用于个性化代理行为的关键机器学习与用户建模技术。

ABSTRACT

This paper reviews the origins of interface agents, discusses challenges that exist within the interface agent field and presents a survey of current attempts to find solutions to these challenges. A history of agent systems from their birth in the 1960's to the current day is described, along with the issues they try to address. A taxonomy of interface agent systems is presented, and today's agent systems categorized accordingly. Lastly, an analysis of the machine learning and user modelling techniques used by today's agents is presented.

研究动机与目标

• 追溯1950年代至2000年代初软件代理的发展历程。
• 识别设计高效接口代理的核心挑战，如用户建模与适应性问题。
• 基于所提出的分类体系，对跨多样化应用领域的现有接口代理系统进行分类。
• 分析当代接口代理中所采用的机器学习与用户建模技术。

提出的方法

• 基于应用领域（包括电子邮件过滤、新闻过滤、匹配推荐和推荐系统）提出接口代理系统的分类体系。
• 回顾10个具体的接口代理应用领域，详细描述代表性系统与原型。
• 分析用于相关性判断与分类任务的机器学习技术，如决策树、朴素贝叶斯、最近邻和Rocchio分类器。
• 考察用户建模方法，包括用户档案与基于交互历史的自适应行为。
• 回顾关键学习算法，如ID3、遗传算法与强化学习，用于代理的自适应能力提升。
• 引入并定义与代理系统相关的核心机器学习术语，包括TF-IDF、余弦相似度与信息增益。

实验结果

研究问题

• RQ1 软件代理如何从符号人工智能演变为现代接口代理？
• RQ2 设计高效、用户自适应接口代理的主要挑战是什么？
• RQ3 当前接口代理在不同应用领域中如何进行分类？
• RQ4 在代理系统中，哪些机器学习技术在用户建模与内容过滤方面最为有效？
• RQ5 用户档案与自适应学习在提升代理自主性与个性化方面发挥什么作用？

主要发现

• 接口代理起源于符号人工智能，经由专家系统与知识表示技术发展而来，其关注重点逐步转向以用户为中心的交互。
• 该领域面临用户建模、适应性与可扩展性等挑战，尤其体现在维持准确且动态的用户档案方面。
• 在电子邮件过滤、新闻推荐与会议安排等不同领域中，存在广泛多样的代理系统，各类系统均采用量身定制的学习与建模技术。
• 朴素贝叶斯、Rocchio与最近邻等机器学习技术被广泛用于根据用户偏好对内容进行分类与过滤。
• TF-IDF加权与余弦相似度是向量空间模型中衡量文档与用户偏好相似性的标准方法。
• 强化学习与遗传算法被探索用于实现自适应行为，但其应用频率仍低于概率方法与基于实例的方法。