Hauptnavigation

Einsatz eines intelligenten, lernden Agenten für das WWW

Abstract
    Motiviert durch WebWatcher, einen Tour-Guide-Agenten für das World Wide Web (WWW), wird die Frage untersucht, wie das von WebWatcher benötigte Wissen mit Methoden des maschinellen Lernens automatisch gelernt werden kann. WebWatchers Aufgabe ist es, Benutzer beim Browsing auf dem WWW zu begleiten und jeweils vielversprechende Hyperlinks auf der aktuellen Seite hervorzuheben. Zwei Informationsquellen, aus denen Wissen hierfür gelernt werden kann, werden aufgezeigt. Zum einen wird gezeigt, wie mit Methoden der Textkategorisierung aus Touren von vorangegangenen Benutzern gelernt werden kann. Zum anderen wird das Problem mit Methoden des Reinforcement Learning modelliert. Durch Analyse der Hypertextstruktur und der Dokumentinhalte werden dem Benutzer Pfade durch das WWW vorgeschlagen, die möglichst viel relevante Information enthalten. Beide Ansätze werden experimentell evaluiert. Es zeigt sich, dass der Textkategorisierungsansatz eine höhere Performanz erzielt, wenn genügend Benutzerinteraktionen als Trainingsbeispiele zur Verfügung stehen. Ansonsten ist der Reinforcement-Learning-Ansatz von Vorteil, da er nicht auf solche Trainingbeispiele angewiesen ist, sondern direkt aus den Dokumenten und der Hypertextstruktur lernt.
Kontakt