用户群Agent的建立采用聚类技术。聚类是将具有相同特征的项目和用户分类，用于建立用户综合模型。该聚类为个体和类之间的聚类而不是个体之间的聚类。用户模型表示成1个n维特征向量：ui={(t1，w1)，(t2,w2)，…，(tn,wn)}，用余弦公式计算用户和类的相关度。用户聚类采用关键词匹配法，根据需要设定阀值ε，当用户和类之间相似度大于ε时，说明用户属于该类，兴趣相同。用户群Agent更新算法为用户群模型的更新为追踪推荐模型中符合要求的关联文档点击次数，随着点击次数的增加，推荐用户的个人Agent的权重增加。
2．3 查询Agent
    查询Agent一方面负责用户Agent查询引导，另一方面接受用户群Agent的查询扩展。
    用户个人Agent查询引导，将用户特征模型的向量根据反馈信息提取用户查询结果的有关信息和无关信息，将其特征向量加入模型作为调节因子，其调节因子为布尔值，表示用户是否感兴趣，从而引导用户查询，修改查询中的关键词的权重。
    用户群Agent的查询扩展，用户个人Agent记录用户资源列表，在用户聚类基础上查询，查询资源聚类形成类资源，将类名表给用户反馈过滤得到相关类名表，查询Agent根据相关类名表，更新查询特征向量，进行扩展查询，查看点击兴趣Agent的资源列表。
2．4 过滤Agent
    用户模型和过滤文本的匹配包括2方面：用户个人Agent过滤和用户群Agent过滤。用户个人Agent使用关键词匹配法，使用tf—idf计算权重值，然后用余弦公式计算内容相关度。根据需要设定阀值ε，当文档d和主题q之间相似度大于ε时，说明内容符合主题，是用户需要的文档。

用户群Agent过滤采用基于用户一项目评价矩阵的表示法。用一个Rmxn矩阵来表示用户模型。其中m为系统用户数；n为项目数。矩阵中的每个元素rij表示了用户i对项目j的评价，一般是某个实数范围内的整数值。通常值越大，表示用户对相应项目的偏好程度越高。空元素值表示用户没有对相应的项目做出评价。采用这种表示方法的系统多是基于协同过滤的推荐系统。这种表示方法简单、直观，不需要任何学习技术就能够从收集的原始数据(显性的用户评价数据)中直接生成。
2．5 推荐Agent
    推荐Agent主要负责推荐关联文档，并更新用户群Agent模型。查询一个n维特征向量{(t1，w1)，(t2,w2)，…，(tn,wn))，文档模型为一个n维特征向量：di={<t1,w1i>，<t2,w2i>…<tj,wji>…<tn,wni>)，推荐模型中个人模型为M={d1，d2，…，dm)，则推荐模型中关键词在推荐群中单个用户的权值为：

 其中，Hti表示关于ti个体推荐文档被点击的次数；∑Hti表示关于ti个体推荐文档被点击的次数。
    个体的推荐度为：

    R=*A    (4)
    根据权值推荐汇集集合排序，并将和用户有较高相关度的前N个文档呈现给用户。

3 系统功能流程分析
    该系统的个性化信息搜索分为个性化过滤是通过建立用户个人Agent进行过滤，而协作式推荐通过建立用户群Agent进行推荐。
    个性化过滤过程个性化过滤流程如图2所示，首先通信Agent将反馈信息发送给用户监控Agent，用户监控Agent抽取反馈信息中的行为信息，然后结合用户注册Agent的基本信息和用户监控Agent的显性信息，用户个人Agent用向量空间模型法提取特征建立模型，最后过滤Agent用关键词匹配方法将个人特征向量和搜索文档进行匹配过滤得到个性化查询结果。