Онтологическая база знаний системы. Для построения МАС предлагается использовать подход автоматизированного синтеза агентов. Про это пишут с специализированных публикациях, технический перевод которых могут выполнить с центрах переводов. Исходными данными для синтеза агентов являются онтологии, описывающие основные аспекты предметной области и требования к системе, в частности онтология предметной области и вариантов использования, описанные с помощью языка веб-онтологий OWL. Для обеспечения основной функциональности агентов (принятие решений, планирование действий, взаимодействие с другими агентами) автоматизированно создается онтологическая база знаний, которая содержит модели концептуальных понятий, отношений и правила для анализа и ситуативной ориентации. Онтология предметной области является ключевым элементом в процессе синтеза агентов, так как служит основой для формирования модели знаний системы в целом и каждого агента в отдельности. Соответственно, одним из первых этапов разработки МАС является построение онтологической модели предметной области. Можно использовать готовую существующую онтологию, если она описывает всю требуемую информацию. Если информация в существующей онтологии представлена частично, то ее можно взять за основу.
На рис. 1 представлен фрагмент разработанной модели знаний в виде OWL-онтологии для контекстной рекламы.
Рис. 1. Фрагмент OWL-онтологии для системы управления контекстной рекламой
Основными сущностями модели является кампания(Campaign), объявление(Advertisement) и ключевое слово(Keyword). Одной из основных задач системы является оценка эффективности кампаний и составление предложений по улучшению эффективности. Ключевым показателем эффективности ключевых фраз и объявлений является CTR (Click-Through Rate, отношение количества кликов к количеству показов, где клик – одно нажатие на рекламное сообщение, показ – одно отображение рекламного сообщения посетителю вебстраницы). После получения статистики по кампании в системе производится анализ основных показателей Для показателя CTR нижним пределом в настоящее время считаются значения 0,3 – 0,5%. Для этого случая в разработанной онтологии существует аксиома (здесь приводится с использованием OWL Functional Syntax):
При понижении уровня показателя CTR ниже допустимого значения, ключевое слово или объявление может быть остановлено:
Внешнему состоянию StoppedForLowCtr соответствует внутреннее состояние Stopped:
Из правил 1 – 3 видно, что ключевое слово перешло в системе в состояние «Остановлено» (Stopped), при этом пользователь получает детальное описание причин остановки. Далее система производит оптимизацию отключенных ключевых фраз и ключевых фраз с низким показателем CTR для повышения эффективности кампании в целом. Для этого используются следующие OWL-аксиомы:
Все ключевые фразы, удовлетворяющие условиям 4 – 6, переводятся в состояние “NotEffective”. Это состояние обрабатывается системой, в результате чего появляются задачи по повышению эффективности ключевых фраз. Повышение эффективности по отношению к ключевому слову заключается в добавлении минус-слов (“NegativityKeyword”), в комбинации с которыми исходное ключевое слово на поиске не будет вызывать показа соответствующего объявления. После проведения оптимизации ключевых слов агентам выставляются задачи на изменение слов на рекламных площадках. Система уведомляет пользователя о происшедших изменениях, и при необходимости пользователь может отменить оптимизацию или произвести ее самостоятельно.
Следующим этапом разработки МАС при использовании автоматизированного синтеза агентов является разработка модели вариантов использования. Для разработки модели вариантов использования в первую очередь анализируются пользователи мультиагентной системы (подобно построению диаграмм вариантов использования в UML). В нашем случае они определены в модели предметной области: domCA:Publisher (конкретный рекламодатель), domCA:Agency (менеджер рекламного агентства).
Пользователи могут наследовать роли друг друга (factor-generalization), при этом наследник наследует связанные с предком варианты использования. Далее определяем варианты использования, связи с пользователями и друг с другом (аналогично расширению и включению в UML). Включение в UML обозначается как “include-relationship”, и подразумевает, что поведение, определяемое во включаемом варианте использования явно включается в поведение, определенное в базовом варианте использования. Предлагаемая модель вариантов использования представлена на рис. 2.
Рис. 2. Модель вариантов использования для системы управления контекстной рекламой
Из модели вариантов использования мы извлекаем информацию о модели ролей и шаблонах поведения агентов. Варианты использования описывают в общем задачи агентов. Группируя похожие задачи, получаем основные роли. Агентам в системе ставится в соответствие одна или несколько ролей. Роль включает в себя цель, набор задач, а также неявно – сведения о инициаторе взаимодействия и о самом взаимодействии. Исходя из модели предметной области и модели вариантов использования, получаем модель ролей. Из описания роли извлекается информация о взаимодействии в основном на основании описания задач. Параллельные задачи фиксируют взаимодействие и могут быть использованы, чтобы определять сложные протоколы взаимодействия. Параллельные задачи также составляют основу для обмена сообщениями между классами агентов на этапе проектирования мультиагентой системы. Задачи, принадлежащие одной и той же роли, координируются между собой с помощью внутренних событий. Для того, чтобы гарантировать, что все цели в системе будут выполнены, с каждой ролью должен быть связан хотя бы один агент. Цели могут быть достигнуты различными способами и комбинациями задач. Для достижения целей в системе описываются стратегии поведений агентов.