社交网络对多智能体推荐系统的影响
机器学习
2007-05-23 v1 计算复杂性
多智能体系统
摘要
Awerbuch 等人的方法是让智能体以随机方式采样产品，同时随机查询其他智能体以获取其所发现的最佳物品；我们通过添加通信网络来改进这一方法。智能体只能与网络中的直接邻居通信，但相邻的智能体可能或可能不代表具有共同兴趣的用户。我们定义了两种网络结构：在“邮件列表模型”中，代表相似用户的智能体形成 clique，在“口碑模型”中，智能体被随机分布在尺度自由网络 (SFN) 中。在这两种模型中，智能体在发现满意的产品后向其邻居报告。在口碑模型中，信息仅通过有兴趣的智能体传播，SFN 的参数会影响系统的性能。我们包括对随机 SFN 子图特征和参数的新结果概述，特别是从最小度为 1 开始的幂律分布的 SFN。这些网络的韧性不如 Cohen 等人最初所暗示的那样。在广为引用的“Internet 韧性”结果情况下，高失效率实际上导致 60% 网络失效后存续节点的一半被孤立，并在 90% 失效率时导致网络完全瓦解。我们表明，给定一个恰当的网络，通信网络可减少采样项目的数量、发送的消息数量以及“垃圾信息”的数量。我们得出结论，在许多情况下，DRS 将对多智能体学习系统中的信息共享非常有用。
引用
@article{arxiv.cs/0511011,
title = {The Impact of Social Networks on Multi-Agent Recommender Systems},
author = {Hamilton Link and Jared Saia and Terran Lane and Randall A. LaViolette},
journal= {arXiv preprint arXiv:cs/0511011},
year = {2007}
}
备注
12 pages, 4 figures. Published in the Proceedings of the Workshop on Cooperative Multi-Agent Learning (ECML/PKDD '05). Resubmitted to fix citations and metadata