基于多智能主体协作的知识检索模型

5.2.5　基于多智能主体协作的知识检索模型

分布式多智能主体(multi-Agent)是人工智能领域的研究热点之一。它从高层次模拟个人及群体的智能行为和协作模式。从广义上讲，主体指的是人或一个物理的或抽象的实体，能作用于自身和环境，并与其他主体通信。它可以模拟一个专家系统、一个过程、一个模式或一个求解单元等。因此在完成知识检索任务的整个过程中，起到主要或是辅助检索功能的逻辑部件均可以看成一个主体，如学习主体、检索主体等。因此知识检索任务事实上是由各种具有不同关系的智能主体相互协作、共同完成的。随着计算机技术的不断发展，主体能够模拟越来越多的人的思维和行为，具有越来越强的智能性和协作能力。事实上，在前面章节的讨论中，我们已经多次运用到智能主体。在这一节中，我们将更加深入系统地探讨智能主体的相关技术及其在知识检索中的应用。

1.智能主体技术

尽管智能主体这一术语已被广泛使用，但至今学术界仍没有给出它的确切定义。一般所说的智能主体，是指能在某一环境中运行，并能适应环境的变化，灵活、自主地采取行动以满足其设计目标的计算机系统或程序。这类主体通常由当前的人工智能技术来实现，一般具有某种程度的感知、推理、学习、自适应和协作能力，能够辅助人们并代表人们完成一定繁杂的操作，比如智能信息过滤主体等。每个主体可以包含有多个分量，分别表示方法、知识、属性、推理机制、语言、信息操作、信息接受协议、全局知识等。推理过程和内部表示是主体的最初轮廓。

智能主体应有的关键属性是自主性、智能性、自学习与自反应性、主动性、代理性、协作能力、游动性或移动性、适应性或进化性、诚实性和理智性。其中前五项是基本的或主体必备的。主体与对象不同，是因为对象没有自主性，只能被动地等待指示。主体与客户/服务器计算模式的服务器也不同，是因为服务器没有主动性，不能针对某个目标采取主动行动。

智能主体真正的智能性在于它总能够通过与周围环境之间的交互学到新的知识，从而不断提高自身解决问题的能力。无论是接受任务，还是获取知识，都离不开与环境的交互。通信是交互的手段，由通信原语及通信内容两部分组成，发送任务，表达各智能主体对任务的态度及传递被处理的信息。智能主体的通信是通过一组协议的支持完成的。智能主体的协议为智能主体提供了与其他智能主体和外部环境相互交互的基本机制和规范。它规定了各智能主体间所共享信息的种类、格式和实现，以及怎样响应从其他智能主体和外部环境接收消息。所有智能主体的协议一起构成多主体系统的协调机制。

2.基于多智能学习主体的知识检索模型

人工智能领域把学习任务独立出来由某类智能主体专门完成，主要是因为机器学习是一项智能程度非常高的技术，而它又是许多人工智能系统要反复应用的技术。在网络环境下，特别强调系统能够学习所需要的各种类型的知识，就需要智能主体具有多维学习功能。所谓多维学习方法，是指利用分布式多智能主体，采用多种学习方法，从多种角度所进行的复合学习。这些学习主体，负责获取系统所需要的各种知识，如领域知识、用户知识和专家经验知识等。

基于多智能学习主体的知识检索模型主要包括用户接口模块、专家知识学习模块、检索/协调模块、分类知识学习模块(图5-6)。模型实现对用户知识、专家经验知识、信息源分类知识的多方位多维学习，实现知识检索。

(1)用户接口模块

用户接口包括各种不同类型、不同功能的学习主体。通过多维学习机制，它们从不同角度、不同深度全面获取用户的背景知识、需求信息和检索行为知识，从而构建和管理用户模型与用户分类模式。同时在用户使用系统的整个过程中，学习主体不断依据用户的表现，调整和优化其用户模型，使之准确反映用户愿望。

用户知识学习主体的主要任务是:

●监控功能。观察、记录用户信息，追踪用户的行为(包括用户的交互行为、检索行为和反馈活动)，同时记录当时的任务信息和系统状态。

图5-6　基于多智能学习主体的知识检索模型

●自动学习。依据监控机制的报告和用户的知识背景，选择合适的学习算法，执行多维学习，生成用户的描述型知识和行为处理模式。

●构建和维护用户知识库。将获取的静态与动态的用户知识，经过分析、分类与整合，建立用户模型。多个学习主体还可以通过相互学习与协作，将用户各方面的检索知识以及其他相关用户的知识整合、继承和联接，从而实现知识的共享。

所有领域相关以及功能相关的学习主体都将建立一种学习关联。当其中一个学习主体发现自身学习能力或是领域知识上的“漏洞”时，即可请求其他学习主体的知识“援助”。

多学习主体的协作，可实现共建、共享和智能化服务的智能接口。

(2)专家知识学习模块

在本模型中，依靠多类学习主体的多维学习，尽可能全面地获取信息科学专家、信息系统专家以及领域专家的经验知识，同时还可获取专家系统、智能检索系统、智能搜索引擎中的经典知识。

各学习主体对专家的知识、经验加以系统学习、记录，并通过对不同专家或同一专家不同时期的检索案例与检索经验进行归纳学习，从而提取出一系列针对不同领域、不同用户的检索模式和策略。

各学习主体根据不同的知识获取需要，执行不同的任务，例如信息收集(包括文字、语音、手势、眼神等信息)、理解(包括语义理解、动作理解等)、经验规则归纳(包括静态归纳、序归纳等)。同用户知识的多维学习过程一样，专家知识学习主体也根据问题领域的复杂程度，采取灵活的学习策略与分配机制，依靠协作实现多维学习。

与用户知识学习主体相比，专家知识学习主体在功能类型和学习侧重上均与前者有别。由于专家的专业性比较强，对于所捕捉到的专家信息的筛选工作以及理解工作都相对减轻，然而对于专家经验知识的机器归纳学习，则成为学习过程中的重点。

(3)检索/协调模块

检索/协调模块中，检索主体融合各类元知识，建立元知识仓库。它集成检索技术、推理技术、机器学习、知识发现、智能演算、智能搜索等高效的智能技术，构建推理机制和多种检索模式与方法，并根据一定的协调策略，协同完成知识检索任务。

元知识仓库(Metaknowledge Warehouse)包含描述各类信息源内容的元数据与分类模式、用户与专家的模型知识、各类控制知识、各种优化的检索模式和检索方法等。

各检索主体根据不同的任务分配，采用不同的检索模式。从知识的处理方式来看，常用的检索模式有:基于知识内容的检索模式，例如概念检索、模糊检索;基于知识结构的检索模式，例如分类检索、继承检索、多维检索。还有基于用户知识的个性化检索、基于专家知识的检索、基于推理或学习的检索。

协调主体集成高层次的调控型元知识和协作协议，灵活形成问题求解规划，经过查询，并与其他智能主体交换信息后，通过冲突检查、消解、通信、决策等工作，来调控系统中各类智能主体的工作进程。

由于检索/协调过程是存在于一个动态发展的信息资源环境中，检索和协调主体也应具有一定学习功能。例如检索主体采用观察、示教、反馈等多种学习方法，对检索执行状况加以归纳与模式化。协调主体从不同的调控角度，将各检索流程运作时的系统状态加以记录、总结，从而不断调整系统的控制与运作水准。

(4)分类知识学习模块

模型中分类知识的获取由各种分类学习主体完成。对于不同的信息源，分类学习主体采用不同的学习方法，常见的有决策树方法、近邻算法以及神经网络学习方法。

神经网络学习过程中，根据对象描述生成分类模型，同时在分类结构上增加虚网状结点和一种推理链，使之具有推理的功能，称之为虚网状图是因为它是动态生成的，并不占据外部存储空间。这种结构具有继承特性，就是低层结点可以沿着等级关系继承上层结点的所有性质。利用此特性，可以实现继承推理和信息共享。

另一种高效的方法是机器归纳学习，对选择的训练实例集执行归纳推理，学习分类规则。该方法可用于网络信息资源环境的在线学习。

分类知识的学习与应用，将在很大程度上克服依据信息外部特征分类所造成的问题与缺陷。在学习的质量上，多个分类学习主体协作，可以达到较高的水准(它不受主观因素的干扰);在学习效率上，它可以在在线或脱机的状态下连续工作，基本能适应网络信息的增长，保证信息的时效性。

3.智能主体的协作策略

在基于多智能主体的知识检索系统中，各种智能主体因为完成任务的多样性而千差万别，而且它们处于分布式的网络环境中，彼此处于相对独立的状态。怎样使系统中的多个智能主体既能各尽其责，又能实现整体的协调一致，为完成共同的检索任务而协作，是知识检索系统中必须关注的一个问题。

(1)协作类型

在知识检索系统中，主体不是孤立存在的，主体间存在着相互依赖的关系。大多数任务在时间或空间上的复杂性超越了个体的能力，许多任务需要由多种主体共同完成，同时在任务进行的任一阶段也需要多主体之间的协作。协作不仅能够提高单个主体以及由多个主体所形成的系统整体行为的性能，增强主体及主体系统解决问题的能力，还能使系统具有更好的灵活性，能通过协作来参与更多的实际应用。总之，协作成为检索系统的智能化实现的必要行为。

在多主体检索系统中，主体群体协作行为的协调程度、系统的全局连贯性和多主体组织是否具有自适应性，都是关系到整个系统性能和开放性的核心研究内容，同时也是衡量系统智能水平的重要指标。

根据主体之间目标的关系以及协同的程度，可以将协作分成五种类型:

①完全协同型。系统中的主体都围绕着一个共同的全局目标，各主体没有自己的局部目标，所有主体全力以赴地协作。

②协同型。系统中的主体具有一个共同的全局目标，同时各主体还有与全局目标一致的局部目标。

③自私型。系统中不存在共同的全局目标，各主体都为自己的局部目标工作，且目标之间可能存在冲突。

④完全自私型。系统中不存在共同的全局目标，各主体都为自己的局部目标工作，且不考虑任何协作行为。

⑤协同与自私共存型。系统中既存在一些共同的全局目标，某些主体也可能还具有与全局目标无直接关系的局部目标。

(2)基本协作策略

Malone较早对协作理论提出了一种广义的见解:协作就是协同工作行为。随后，Ferber对Malone的广义见解作了如下解释:协作是在多主体环境中必须执行的一系列补充行为，这些行为是单个主体在完成同样任务时所不能执行的。这种解释首次将协作理论引入人工智能领域。

在此基础上，Malone等提出了以下四种基本的协作策略:

①层次(上下级)。协作活动的参加者中有一个知道如何管理活动间的相关性，并且具有能使其他人接受他提出的解决方法。

②主体协作。协作活动的参加者中有一个人知道如何管理活动间的相关性，他将解决方法公布给其他参与者，如果大家同意，就采用这个解决方法。这种协作方法称为主体协作，即一个参与者提出方案，其他人选择是否接受。

③多维伙伴。参与者之间通过协商找到解决问题的方法。

④代理。所有的参与者同意由一个代理来决定最后的解决方法。这通常是在多维伙伴经过多次协作不能达成一致意见的情况下，由代理来完成方案的选择。

以上四种协作策略，比较全面地反映了各具体领域业务运作过程中不同业务单元以及活动之间的关系。

(3)知识检索中智能主体的协作策略

①学习主体的协作策略

检索系统中学习主体的协作主要完成以下三个方面的任务:

●目标怎样被分解成具体的行为。在多维学习智能检索系统中，系统的学习主要包括用户偏好知识学习、专家经验知识学习和知识分类学习三种。根据学习属性的不同，学习目标可以分解为向用户、专家、网络源信息学习等三种行为。

●分解的行为怎样被分配给不同的个体(即任务的分配)。在多维学习智能检索系统中，任务是按照学习主体服务对象的特点来分配的。无论是信息用户、检索专家，还是网络源信息，虽然他们的个体差异很大，但他们具有某些类的相似形。例如，不同的信息用户可能对同一主题的信息感兴趣，不同的检索专家对同一领域的信息检索提出见解，不同形式的网络源信息在内容上是相关的，等等。系统正是按照类的属性来为个体学习主体分配任务的。

●为实现全局目标，不同个体怎样共享信息。在分布式的网络环境中，信息共享是学习主体协作的基础。这种信息共享同时存在于同类或异类学习主体之间。不同个体间的信息共享是建立在通信管理模块和通信协议的基础之上的。

正像Gerhard Weiss的定义中提到的一样，检索系统中的学习主体的协作包括合作和竞争两个方面。学习主体间的合作包括同类间的合作和异类间的合作。以用户偏好学习主体为例，在同类之间，为避免对同类用户偏好的重复学习，用户偏好学习主体之间必须互通学习内容，以便做出合理分工;在异类之间，用户偏好学习主体需要主动与专家经验知识学习主体协商，让其学习与已代理的用户信息需求有关的检索经验知识。学习主体间的竞争主要是在同类间进行的，它是系统采取优胜劣汰方式自我优化的手段。以知识分类学习主体为例，如果某个学习主体的学习训练集不够优秀，导致知识分类的效果不佳，它在实际检索中得到的负反馈就多，久而久之它就会被业务能力强的学习主体所淘汰。

②检索主体的协作策略

对检索主体而言，存在两方面的协作问题:第一种协作问题是关于检索主体与检索主体之间的交互，从而避免对同一站点多次重复访问。第二种协作问题是关于检索主体与外部环境之间的交互，来确定检索站点上的信息方式。这一方面要考虑如何能快速地找到所需的资源，另一方面要考虑安全性问题，如果让一个检索主体不受任何控制直接访问本地系统的资源，便可能产生一些安全隐患。

结合检索主体的特点，提出四种策略解决协作问题，每一种策略有相应的协作模型。

◇客户/服务器方式

基于客户/服务器模式的协作策略，是一种直接协作模式。检索主体按客户/服务器方式相互协作，站点上的本地资源通过一个本地服务器按照客户/服务器模式来访问。这种策略需要额外的机制提供支持，因为检索主体不知道相互之间的位置。因此，为了让智能主体之间进行交互，就需要一种路径机制的支持;而且，从前面所介绍的检索主体的搜索过程可以了解到，智能主体是根据找到的链接而动态生成的，它们相互之间并不知道同一搜索任务中还有哪些其他的检索主体，这也妨碍了智能主体之间的直接合作。

◇会合方式

检索主体在一个站点上会合来进行交互，本地资源也按照客户/服务器模式来访问。在会合式标记智能主体协作方式模型中，两个智能主体通过一个额外的智能主体——“标记智能主体”实现交互。当一个检索主体访问了某个站点后，它就生成一个“标记智能主体”。“标记智能主体”则驻留在该站点上跟踪站点的访问情况。如果其他的检索主体到达该站点，它只需检查“标记智能主体”的状态就可以知道该站点是否已被访问过了。

会合方式最大的优点在于能动态地减少网络负载。此外，标记智能主体能记录站点上每次访问的时间，为后来的检索主体的访问提供依据，检索主体只需检索那些自上次访问以来发生改变的页面。

不过，这种方式所需要的“标记智能主体”是“闯入”主机系统的一种实体，即使它没有运行起来也需要消耗资源;其次，这也带来了安全问题，一个智能主体永远驻留在一个运行环境中，可能会捕获保密信息并向外发送，或者会找出系统中的安全漏洞并加以攻击。

◇黑板方式

所谓黑板方式，是系统在每个站点上设置一个本地“黑板”，智能主体能利用它来存储、检索、抽取信息。该方式中，由于不需要智能主体一直运行在已访问的站点上，只需要它留下消息，因此可以减少网络负载，比会合方式更安全有效。

◇反应式数组空间方式

与黑板方式基本一样，除了本地执行环境以及搜索任务以外，其余的交互工作是由智能主体自己定义协作规则。反应式数组方式中的数组不再是一个纯粹的消息存储器，它有自己的状态，能根据其状态及所存储的内容对智能主体的访问做出相应的反应。

此外，还可以通过定义数组的反应，由智能主体自己决定协作规则。协作规则的表现形式可以是在应用定义中声明的高级指令。当智能主体到达一个站点后，运行一条指令在数组中安装该搜索任务对应的反应。