model, AR),自回歸移動平均模型(Auto-Regressive and Moving Average model, ARMA),廣義自回歸條件異方差(Generalized Auto-Regressive Condit1nal Heteroskedasticity model, GARCH)等時間序列分析模型對用戶相關(guān)的時間序列，例如用戶的簽到check-1n行為或者發(fā)文時間等進行建模，以及對未來進行預(yù)測，例如對用戶賬戶的空閑時間的預(yù)測；
[0067]可以使用潛在狄利克雷分布模型(Latent Dirichlet Allocat1n, LDA)概率潛在語義分析(probabilistic Latent Semantic Analysis,PLSA)等話題模型對用戶標簽進行建模和預(yù)測。
[0068]可以使用全球定位系統(tǒng)(Global Posit1n System, GPS)、時間、抽取出來的實體等一系列信息，綜合對用戶的位置、空閑時間、屬性進行預(yù)測。
[0069]可選的，第一智能體可以向至少一個智能體發(fā)送學(xué)習(xí)邀請消息，本發(fā)明以第一智能體向一個智能體發(fā)送學(xué)習(xí)邀請消息為例進行舉例說明。
[0070]步驟202，第二智能體接收第一智能體發(fā)送的學(xué)習(xí)邀請消息。
[0071]步驟203，第二智能體根據(jù)學(xué)習(xí)邀請消息以及自身知識模型，判斷是否與第一智能體共享自身的相關(guān)信息。
[0072]第二智能體的相關(guān)信息至少包括以下一種:學(xué)習(xí)模型、數(shù)據(jù)、活動安排。當(dāng)然第二智能體的相關(guān)信息還可以包括其他的信息，在本實施例中不對相關(guān)信息進行限定。
[0073]可選的，第二智能體自身知識模型可以為根據(jù)其對應(yīng)的第二用戶發(fā)布的信息學(xué)習(xí)到的規(guī)則，或者第二智能體與其他智能體進行交互時學(xué)習(xí)到的規(guī)則。例如，第二智能體自身知識模型可以包括第二用戶的愛好、第二用戶的發(fā)文時間、第二用戶的學(xué)習(xí)模型、數(shù)據(jù)、活動安排等信息是否可與其他智能體共享等等。
[0074]步驟204，當(dāng)所述第二智能體不與第一智能體共享自身的相關(guān)信息時，則向第一智能體發(fā)送決策消息，所述決策消息為拒絕與第一智能體共享自身的相關(guān)信息。
[0075]步驟205，當(dāng)所述第二智能體與第一智能體共享自身的相關(guān)信息時，則向第一智能體發(fā)送決策消息，所述決策消息為同意與第一智能體共享自身的相關(guān)信息，所述決策消息中還包括第二智能體的相關(guān)信息。
[0076]步驟206，第一智能體接收第二智能體發(fā)送的決策消息。
[0077]步驟207，當(dāng)所述決策消息為拒絕與第一智能體共享自身的相關(guān)信息時，第一智能體根據(jù)所述第二智能體拒絕所述學(xué)習(xí)邀請消息的情況更新自身知識模型。
[0078]可選的，第一智能體可以學(xué)習(xí)此次第二智能體拒絕所述學(xué)習(xí)邀請消息的情況，以便后續(xù)不再向所述第二智能體發(fā)送學(xué)習(xí)邀請消息或者相關(guān)的其他信息。
[0079]步驟208，當(dāng)所述決策消息為待與所述第一智能體共享的所述第二智能體的相關(guān)信息時，第一智能體學(xué)習(xí)所述第二智能體的相關(guān)信息，并更新自身知識模型。
[0080]可選的，第一智能體可以學(xué)習(xí)其他智能體的相關(guān)信息，以便充實自身知識模型，使得可以與其他智能體更好的溝通。
[0081]可選的，第一智能體可以學(xué)習(xí)第二智能體的學(xué)習(xí)模型、數(shù)據(jù)、活動安排等，以便更好地了解第二智能體對應(yīng)的第二用戶。
[0082]第一智能體可以學(xué)習(xí)第二智能體的實體、地點、時間等知識，其中，實體指實際存在的東西，例如事物的名字。另外，第一智能體還可以學(xué)習(xí)第二智能體的標簽，以便通過統(tǒng)計標簽分布來得到自己所在的社區(qū)的畫像，或者更好的了解對方?？蛇x的，第一智能體還可以通過遷移學(xué)習(xí)技術(shù)，將第二智能體的樣本數(shù)據(jù)有效地遷移到自己的學(xué)習(xí)問題中來。需要說明的是，遷移學(xué)習(xí)技術(shù)與現(xiàn)有技術(shù)中的遷移學(xué)習(xí)技術(shù)不同，當(dāng)?shù)诙悄荏w的樣本數(shù)據(jù)與第一智能體的樣本數(shù)據(jù)不沖突時，則采用與現(xiàn)有技術(shù)中相同的遷移學(xué)習(xí)技術(shù)進行學(xué)習(xí)，當(dāng)?shù)诙悄荏w的樣本數(shù)據(jù)與第一智能體的樣本數(shù)據(jù)沖突時，則舍去沖突的第二智能體的樣本數(shù)據(jù)，不進行學(xué)習(xí)。
[0083]步驟209，第一智能體通過學(xué)習(xí)的內(nèi)容，以及將決策消息與自身知識模型比對，獲得學(xué)習(xí)結(jié)果。
[0084]可選的，學(xué)習(xí)結(jié)果可以包括第一智能體已經(jīng)學(xué)習(xí)的第二智能體的相關(guān)信息中的內(nèi)容，和/或，與第二智能體沖突的內(nèi)容等。
[0085]步驟210，第一智能體將所述學(xué)習(xí)結(jié)果反饋給所述第二智能體。
[0086]步驟211，第二智能體接收第一智能體發(fā)送的學(xué)習(xí)結(jié)果，并根據(jù)所述學(xué)習(xí)結(jié)果更新其知識模型。
[0087]可選的，第二智能體更新其知識模型的方法與第一智能體更新其知識模型的方法相同?？梢岳斫獾?，第一智能體與第二智能體相互學(xué)習(xí)，充實自己的知識模型。
[0088]可選的，智能體在更新其知識模型時，可以采用分布式計算或者云計算模式。例如，對于復(fù)雜的分析以及計算，可以采用云計算模式，即智能體將相關(guān)計算參數(shù)發(fā)送給云端，云端計算完成后，將計算結(jié)果反饋給智能體。需要說明的是，智能體可以計算學(xué)習(xí)方法的復(fù)雜度，例如訓(xùn)練模型時經(jīng)常會與訓(xùn)練樣本個數(shù)N相關(guān)，與樣本的維數(shù)相關(guān)，與算法本身需要的計算等相關(guān)，當(dāng)訓(xùn)練樣本個數(shù)較多，或者樣本的維數(shù)較多，或者算法本身需要的計算量大時，則此計算復(fù)雜度較高，此時可以在云端進行計算?？蛇x的，對于交互、提醒功能可以在終端進打。
[0089]需要說明的是，智能體之間交互時，可以不通知智能體對應(yīng)的用戶賬戶，即不向智能體對應(yīng)的用戶賬戶發(fā)送提醒或者通知消息。
[0090]本發(fā)明實施例提供一種智能體處理信息的方法，通過與其他智能體的交互對社交網(wǎng)絡(luò)中的信息學(xué)習(xí)以及處理，完成社交網(wǎng)絡(luò)上的數(shù)據(jù)的挖掘，充實各自的知識模型。
[0091]如圖3所示，本發(fā)明實施例提供另一種智能體處理信息的方法，該方法包括:
[0092]步驟301,第一智能體向第二智能體發(fā)送活動邀請消息。
[0093]可選的，本步驟與附圖2中步驟201相似，例如，第一智能體可以在任意時刻向所述第二智能體發(fā)送活動邀請消息；或者，所述第一智能體通過學(xué)習(xí)所述第二智能體對應(yīng)的第二用戶賬戶的歷史發(fā)文時間，預(yù)測所述第二用戶賬戶的空閑時間，所述第一智能體在所述第二用戶賬戶的空閑時間向所述第二智能體發(fā)送請求消息。
[0094]或者，第一智能體按照偏好選擇第二智能體，并向第二智能體發(fā)送活動邀請消息。
[0095]在本實施例中不再--贅述,具體可參見步驟201。
[0096]進一步的，活動邀請消息中還可以包括會議時間、會議地點、會議主題等信息。
[0097]步驟302,第二智能體接收第一智能體發(fā)送的活動邀請消息。
[0098]活動邀請消息可以為活動邀請、約會邀請、談話邀請等等，本發(fā)明實施例中不對活動邀請消息進行限定。
[0099]步驟303，第二智能體根據(jù)活動邀請消息以及自身知識模型，判斷是否同意第一智能體發(fā)送的活動邀請。
[0100]步驟304，當(dāng)所述第二智能體不同意第一智能體發(fā)送的活動邀請時，則向第一智能體發(fā)送決策消息，所述決策消息包括拒絕所述活動邀請的消息。
[0101]步驟305,當(dāng)?shù)诙悄荏w同意第一智能體發(fā)送的活動邀請時,則向第一智能體發(fā)送決策消息，所述決策消息為同意所述活動邀請的消息。
[0102]步驟306,當(dāng)?shù)诙悄荏w同意第一智能體發(fā)送的活動邀請時,第二智能體向所述第二智能體對應(yīng)的第二用戶賬戶發(fā)送通知信息，以便在所述第二用戶賬戶上顯示所述第二智能體接受所述活動邀請的信息。
[0103]步驟307，第一智能體接收第二智能體發(fā)送的決策消息。
[0104]步驟308，當(dāng)所述決策消息為拒絕活動邀請的消息時，則所述第一智能體根據(jù)所述第二智能體拒絕所述活動邀請的消息的情況更新自身知識模型。
[0105]可選的，第一智能體可以學(xué)習(xí)此次第二智能體拒絕所述活動邀請消息的情況，以便后續(xù)不再向所述第二智能體發(fā)送活動邀請消息或者相關(guān)的其他信息。
[0106]步驟309，當(dāng)所述決策消息為同意所述活動邀請的消息時，根據(jù)決策消息向第一智能體對應(yīng)的第一用戶賬戶發(fā)送通知消息，以便在所述第一用戶賬戶上顯示所述第二智能體接受所述活動邀請的信息。
[0107]第一用戶賬戶以及第二用戶賬戶接收到第一智能體或者第二智能體發(fā)送的通知消息后，第一用戶以及第二用戶可以按照活動邀請消息準備開會事項。
[0108]本發(fā)明實施例提供一種智能體處理信息的方法，通過第一智能體與第二智能體的協(xié)作，幫助第一用戶與第二用戶進行會議預(yù)約，使得可以提高用戶體驗。
[0109]如圖4所示，本發(fā)明實施例提供另一種智能體處理信息的方法，該方法包括:
[0110]步驟401，第一智能體向第二智能體發(fā)送推薦消息。
[0111]可選的，本步驟與附圖2中步驟201相似，例如，第一智能體可以在任意時刻向所述第二智能體發(fā)送推薦消息；或者，所述第一智能體通過學(xué)習(xí)所述第二智能體對應(yīng)的第二用戶賬戶的歷史發(fā)文時間，預(yù)測所述第二用戶賬戶的空閑時間，所述第一智能體在所述第二用戶賬戶的空閑時間向所述第二智能體發(fā)送請求消息。
[0112]或者，第一智能體按照偏好選擇第二智能體，并向第二智能體發(fā)送推薦消息。
[0113]在本實施例中不再--贅述,具體可參見步驟201。
[0114]進一步的，推薦消息中還可以包括待推薦的鏈接等信息，例如，推薦電影的鏈接、推薦商品的連接等等?；蛘?，推薦消息可以包括推薦的內(nèi)容，例如推薦評論、推薦圖片等。
[0115]推薦消息可以包括第一智能體通過學(xué)習(xí)其他智能體的操作信息而預(yù)測的智能體對應(yīng)的用戶喜歡的信息。
[0116]其他智能體指與所述第一智能體存在關(guān)聯(lián)關(guān)系的智能體。
[0117]步驟402，第二智能體接收第一智能體發(fā)送的推薦消息。
[0118]步驟403，第二智能體根據(jù)所述推薦消息以及自身知識模型，判斷是否接受所述推薦消息。
[0119]例如推薦消息中包括一個電影的鏈接、電影名稱等信息，第二智能體判斷此電影名稱是否符合第二用戶的興趣偏好，如果符合，則接受推薦消息，如果不符合，則不接受推薦消息。
[0120]步驟404，當(dāng)?shù)诙悄荏w不接受所述推薦消息時，則向第一智能體發(fā)送決策消息，所述決策消息包括拒絕所述推薦消息。
[0121]步驟405，當(dāng)?shù)诙悄荏w接受所述推薦消息時，則向第一智能體發(fā)送決策消息，所述