Agentes de información

Resumen

En este artículo se realiza un estudio del uso de los agentes inteligentes en Internet. Se recogen
sus posibles aplicaciones así como diferentes productos, algunos de ellos comercializados con
éxito. El paradigma de agente constituye un área de creciente interés dentro de la Inteligencia
Artificial, entre otras razones, porque permite abordar de una manera apropiada la construcción
de sistemas complejos. Este paradigma se ha venido aplicando a diferentes áreas, como pueden
ser control de procesos, robots móviles y recuperación de información.

Autor: Vicente Julián(*), Miguel Rebollo y Carlos Carrascosa

(*)
Socio de ALI

{vinglada, mrebollo, carrasco}@dsic.upv.es

Profesores de la Facultad de Informática. Universidad Politécnica de Valencia

Titular 1: “Los agentes de información tratan de resolver el problema de la obtención de la

información correcta en el tiempo preciso”

Titular 2: “Los agentes de búsqueda incrementan la precisión de las búsquedas en Internet”

Titular 3: “Los agentes de filtrado utilizan perfiles de usuario para determinar la relevancia de
los documentos”

Titular 4: “Los agentes de monitorización descubren y notifican los eventos declarados

interesantes”

1. Introducción
Actualmente, dentro del área de la Inteligencia Artificial ha surgido un nuevo paradigma
conocido como “paradigma de agentes”, el cual está tomando un gran auge entre los
investigadores. Dicho paradigma aborda el desarrollo de entidades que puedan actuar de forma
autónoma y razonada y que, según sus defensores, permite la construcción de sistemas
complejos de manera más apropiada. Ante un comentario de este tipo, para un profano surgen
obligatoriamente ciertas preguntas de carácter general, como por ejemplo: ¿qué es un agente?,
¿cómo se caracteriza un agente?, ¿qué nos ofrece de nuevo? etc... Algunas de estas preguntas
son difíciles de responder, entre otras cosas debido a que estamos hablando de una tecnología en
ciernes y todavía existen lagunas a nivel conceptual y de desarrollo. Estas lagunas se ven
todavía más agravadas cuando el área de aplicación es un campo tan inexplorado y cambiante
como Internet.

En la última década los métodos para gestionar y organizar la información han variado de forma
notable, debido a la aparición de Internet. Hoy en día, la red se ha convertido en el gran
vehículo o contenedor de información. A medida que ésta ha ido evolucionando y creciendo se
ha complicado la forma de localizar y consultar la información disponible en la propia red. La
mayoría de herramientas disponibles actualmente para la localización y recuperación de
información se centran más en la cantidad que en la calidad de la propia información. Es
habitual en cualquier proceso de recuperación que un usuario se sienta desbordado por el
elevado volumen de documentos o de referencias que se le suministran. Resulta, en este caso,
evidente la necesidad de una cierta automatización en el proceso que facilite la labor de
localización de información de calidad y que a su vez permita diferenciar entre ella desde el
punto de vista subjetivo del propio usuario. En este punto, el empleo de técnicas inteligentes
resulta adecuado para la mejora de los resultados obtenidos, y es justo en este momento donde
cabe plantearse el uso de agentes inteligentes.

2. Definición
Actualmente, podemos encontrar un gran número de propuestas en la literatura acerca de lo que
es y lo que no es un agente, sin que ninguna de ellas haya sido plenamente consensuada por la
comunidad científica. Una definición bastante aceptada es la propuesta por Michael Wooldridge
en [Wooldridge 1995], según la cual, un agente es un sistema software, el cual, viene definido
por su flexibilidad, entendiendo por flexible que un agente sea:

• Reactivo, responda al entorno en que se encuentra.

• Proactivo, que sea capaz de intentar cumplir sus propios objetivos.
• Social, sea capaz de comunicarse con otros agentes mediante algún tipo de lenguaje.

En los trabajos más recientes relacionados con el tema se tiende a etiquetar a un agente en
función del papel que desempeña. Así, por ejemplo, un agente con acceso a diversas fuentes de
información y que es capaz de agrupar y manipular la información obtenida de dichas fuentes
para ponerla a disposición del usuario se conoce como agente de información.

Más formalmente, los agentes inteligentes de información o agentes de Internet pueden

definirse como aquellos sistemas software de computación que tienen acceso a múltiples y
heterogéneas fuentes de información que están distribuidas geográficamente [Klusch 1999].
Esta clase de agentes suelen ayudar a sus usuarios en la búsqueda de información útil y
relevante. Los agentes de información, además de proveer acceso transparente a las diferentes
fuentes de información existentes en Internet, deben ser capaces de recuperar, analizar,
manipular, e integrar información heterogénea cuando esta sea solicitada. En resumen, este tipo
de agentes trata de resolver el problema de la obtención de la información correcta en el tiempo
preciso.

Para que este tipo de agentes pueda servir eficientemente a sus distintos usuarios, necesita ser
capaz de almacenar, aprender y manipular las preferencias y gustos de cada usuario, así como
sus cambios. Además, necesitan reaccionar flexiblemente a las modificaciones producidas en su
entorno. El último requisito implica la capacidad de aprendizaje y de comunicación con otros
agentes que tengan características similares. Esto conlleva a desarrollar agentes, no de forma
independiente, sino como entidades que constituyen un sistema. A este sistema se le denomina
multi-agente [Huhns 1998]. Las interacciones más habituales, tales como informar o consultar a
otros agentes, permiten a los agentes conversar entre ellos, tener en cuenta las acciones que
realizan cada uno de ellos y razonar acerca del papel jugado por los agentes.

3. Agentes de Información
Al consultar la bibliografía referente a dicho tipo de agentes, es frecuente la aparición de
términos como Interface agents, System agents, Advisory agents, Filtering agents, Retrieval
agents, Navigation agents, Monitoring agents, Recommender agents, Profiling agents y otros
que están surgiendo continuamente. A continuación se presentan diferentes tipologías que nos
permiten clasificar a los agentes inteligentes de información, basándose tanto en el ámbito en el
que actúan como en las tareas que llevan a cabo.

La primera clasificación toma como criterio el ámbito de actuación de los agentes [Caglayan
1997], distinguiendo entre:
• Agentes de escritorio: se trata de agentes que se encargan de las tareas habituales en el
manejo cotidiano de un ordenador. Dependiendo del tipo de software al que sirvan
 como base, se puede distinguir entre agentes de sistema operativo, agentes de
aplicaciones, etc.
• Agentes Intranet: operan en una red local y facilitan el uso de la red, el compartir
información y la cooperación entre los usuarios. Entre ellos se encuentran los agentes
de ayuda colaborativa, agentes de bases de datos, agentes de automatización de
procesos, etc.
• Agentes Internet: su ámbito de trabajo es Internet. En función del tipo de acciones que
realizan, se pueden encontrar agentes de búsqueda, filtrado, recuperación de
información, agentes de notificación, agentes móviles, etc.

En [Klusch 1999] se proponen cuatro clases de agentes de información, atendiendo a las

características que poseen como agentes. Cada clase no es exclusiva, de forma que un agente
determinado puede pertenecer a varias de ellas al mismo tiempo:
• Agentes de información cooperativos o no–cooperativos, dependiendo de la habilidad
de los agentes para cooperar entre ellos en la ejecución de sus tareas. Existen diversos
modelos para la cooperación en diferentes escenarios, tales como la delegación
jerárquica, los contratos y la negociación descentralizada.
• Agentes de información adaptativos. Son capaces de adaptarse a los cambios en las
redes y en la información que en ellas se encuentra. Un ejemplo claro son los asistentes
personales para el aprendizaje en la Web.
• Agentes de información racionales. Son capaces de actuar por sí mismos o de colaborar
con el fin de incrementar su propio beneficio. El principal campo de aplicación de este
tipo de agentes es el comercio electrónico en Internet (i-commerce); por ejemplo, los
shop bots y los sistemas para subastas mediadas por agentes en la Web.
• Agentes de información móviles, son capaces de viajar de forma autónoma a través de
Internet y permiten, por ejemplo, balancear la carga en redes de gran escala o reducir la
transferencia de datos entre servidores de información.

De acuerdo a la definición de agentes de información y a esta última clasificación, podemos

concluir que un agente de información debe mantener un conjunto de habilidades básicas, que
se pueden resumir en cuatro: (1) habilidades para ejecutar sus tareas, (2) habilidades de
conocimiento, (3) habilidades de comunicación y (4) habilidades de colaboración (ver
Ilustración 1). En ella, debajo de cada habilidad se enumeran las tecnologías clave disponibles
en la actualidad.

Ilustración 1. Habilidades básicas de los agentes de información

La clasificación propuesta en este artículo divide los agentes de información según su función y
se puede considerar como una clasificación más generalista:
• Agentes de búsqueda (retrieval agents): agentes que buscan, recuperan y proporcionan
la información como si fueran autenticos gestores de información y documentación
(information brokers). Muchos productos se autoproclaman como agentes de búsqueda,
tanto aplicaciones cliente: AT1, BullsEye, Copernic, CiteSeer, BargainFinder, Kasbah,
Go-Get-It, Got-It, Surfbot y WebCompass; como aplicaciones servidor: Agentware e
InfoMagnet.
• Agentes de filtrado (filtering agents): agentes que se usan para reducir la
sobreabundancia de información mediante el borrado de los datos no deseados (por
ejemplo, los datos que no satisfacen completamente el perfil de usuario). Muchos
clientes de e-mail, así como los productos Agentware e InfoMagnet proporcionan
prestaciones básicas de agentes de filtrado. Podemos resaltar Letizia, Tapestry System,
Usenet News Reader, NewsHound e If-Web.
• Agentes de monitorización (monitoring agents): proporcionan al usuario la
información cuando sucede un determinado acontecimiento; por ejemplo cuando los
datos han sido actualizados, trasladados de lugar o borrados. Algunos productos
ejemplo son: Do-I-Care, WBI de IBM y SmartBookmarks.

Al igual que en la clasificación anterior, estos grupos no son excluyentes y un mismo agente
puede pertenecer a varios de ellos.

3.1. Agentes de búsqueda

Los agentes de búsqueda son, quizás, el tipo de agente de información más conocido y del que
se pueden encontrar más ejemplos en la literatura. Este tipo de agente permite al usuario la
búsqueda de información en servidores de la red (el agente en sí es independiente de si nos
encontramos en Internet o en una Intranet). Actualmente existen en la red infinidad de robots de
búsqueda con los que el usuario interactúa directamente con mayor o menor fortuna.

La calidad de la respuesta a una consulta determinada se basa en dos parámetros:

• precisión: mide la relación existente entre los documentos relevantes para la consulta y
el total de documentos devueltos por la misma.
• recall: mide la relación entre el total de documentos relevantes devueltos y el total de
documentos.

Web
browser Servidor de noticias

Artículos
indizados

Web
Motor de
indización

Ilustración 2: Esquema de un agente de búsqueda.

Ambos parámetros son inversamente proporcionales, por tanto si intentamos mejorar uno
perjudicaremos el otro. Se debería intentar conseguir un equilibrio entre los dos, lo cual es
bastante complejo en los actuales motores de búsqueda. Los agentes de búsqueda proporcionan
un punto de inicio en la exploración en Internet para los usuarios. Las ventajas que podemos
encontrar o que deberían proporcionar son:
• Facilidad de uso
• Incremento de la productividad si el usuario sabe lo que quiere
• Incremento de la precisión en la búsqueda sin aumentar notablemente el número de
documentos devueltos.
• Reducción de la sobrecarga que generan los procesos de búsqueda en la Web y en el
propio sistema.

Este tipo de agentes podrían realizar las siguientes funciones en una organización:
• Indexar información sobre los servidores de la organización para mejorar el
rendimiento de las búsquedas realizadas por los empleados.
• Desarrollar servicios especializados de búsqueda, empleando recursos externos si es
relevante para la organización.
• Promocionar mediante servicios específicos el uso de los recursos internos disponibles.
• Permitir compartir resultados de búsquedas entre diferentes comunidades de usuarios.

3.2. Agentes de filtrado

Para que un agente de información pueda servir eficientemente a sus distintos usuarios, necesita
almacenar, aprender y manipular las preferencias y gustos de cada uno de ellos, así como
contemplar cualquier cambio que se produzca. Este perfil de usuario puede servir como un
indicador mucho más fiable de la información a recuperar que las palabras clave proporcionadas
por el usuario, método utilizado por los distintos buscadores de información que existen en la
actualidad.

La tarea de filtrado de un agente de Internet consiste en determinar si un artículo es relevante

o irrelevante para el usuario basándose en el perfil de usuario [Caglayan 1997], en un entorno
donde la probabilidad de encontrar un documento relevante es muy baja en comparación con la
alta probabilidad de encontrar un documento irrelevante.

Existen diferentes técnicas de aprendizaje que los agentes utilizan para aprender el perfil de
usuario. Entre ellas se pueden destacar los clasificadores Bayesianos, el vecino más cercano, los
árboles de decisión, TF-IDF, redes neuronales y algoritmos genéticos. Después de haber logrado
aprender el perfil, éste puede ser utilizado para el filtrado de información, pudiendo además
anticiparse a la obtención de la información solicitada por el usuario. La arquitectura de un
agente de filtrado de información es la que muestra la Ilustración 3.

El funcionamiento de un agente de filtrado de información es el siguiente:

1. Establece el perfil del usuario. Esto se puede llevar a cabo de dos formas diferentes:
o Directa: Cuando el usuario determina su perfil a través de una interfaz en el que
especifica, por medio de palabras clave, los temas de interés.
o Indirecta: Por el control efectuado por el propio agente de los enlaces seguidos por
el usuario en una sesión concreta.
2. Comienza la búsqueda en las diferentes fuentes de información, indizando, mediante el
motor de indización, todos los artículos que encuentre de acuerdo con el perfil de
usuario establecido previamente.
3. Una vez filtrados aquellos artículos que se ajustan a la especificación del usuario,
elabora el informe que presenta los resultados obtenidos los cuales serán enviados a la
dirección correspondiente.
 Web
browser Servidor de noticias

Artículos Perfil del

indizados usuario

Web

Motor de
indización

Otras
fuentes

Ilustración 3. Esquema de un agente de filtrado

El motor de indización asigna una palabra clave a cada artículo. La mayoría de sistemas de
recuperación de información también generan diccionarios de sinónimos con la intención de
indizar palabras por su raíz.

Para conocer la representatividad de un término dentro de un documento determinado y, por

tanto para establecer la pertinencia del mismo al perfil del usuario, el motor de indización
emplea técnicas de frecuencia de términos como la siguiente fórmula:

Wik = fik [ log n- log dk + 1]

Donde fik es la frecuencia de ocurrencias de términos K en un documento i, dk es el número de

documentos en la colección con términos K, y n es la colección total. Esta ponderación significa
que el término K en un documento i es directamente proporcional al número de veces que él
aparece en el documento, y la importancia del término K es inversamente proporcional al
número de documentos de la colección donde el término aparece.

Algunas de las aplicaciones de este tipo de agentes son:

• Entrega de noticias de cualquier tipo (financieras, políticas, etc.) que puedan tener
repercusión para el usuario.
• Seguimiento de las noticias de un determinado perfil de usuario.
• Actualización automática de configuraciones hardware según un perfil, incluso
proporcionando precios de posibles actualizaciones.
• Proporcionar noticias de un determinado perfil a diferentes comunidades de una
organización.

3.3. Agentes de monitorización

Este tipo de agentes permiten tener alerta a un usuario frente a eventos interesantes para el
mismo. Los eventos frente a los cuales estos agentes lanzan algún tipo de notificación pueden
ser:
• Cambios en una página Web lo suficientemente importantes para un usuario
• Comunicación de eventos de tipo personal. Por ejemplo, lanzar un mensaje el día del
cumpleaños de alguien.
• Adiciones a los motores de búsqueda para determinadas palabras clave.

Los agentes de monitorización se pueden considerar como un software localizado en un

determinado servidor que se encarga de descubrir y notificar eventos interesantes especificados
previamente por el usuario. La forma en que este tipo de agentes sirven la información a su
usuario puede ser variada:
• Indicar únicamente qué página o páginas han cambiado y desde cuándo ha sucedido
esto.
 • Descargar el texto de las páginas actualizadas y que son de interés para el usuario,
filtrando en este caso imágenes, gráficos y demás.
• Construir páginas HTML que embeben las modificaciones encontradas en la Web por el
agente y que son presentadas al usuario.

4. Aplicaciones
En este punto se describen las características de algunos ejemplos de agentes de información
que pueden ser ya utilizados en la red.

BullsEye
Esta aplicación junto con Copernic puede enmarcarse dentro de la tipología de agentes de
búsqueda. BullsEye es una aplicación que permite a los usuarios recuperar, gestionar y
permanecer al tanto sobre determinada información en Internet. El agente utiliza una colección
de motores de búsqueda que recuperan los resultados relevantes de información visible y no
visible (puesto que es capaz de lanzar consultas a bases de datos). Además BullsEye realiza
búsquedas en aproximadamente 600 bases de datos de contenido no indexado por búsquedas
ingeniadas, más nuevos grupos de redes, listas de correos y usuarios específicos de páginas
Web. Encuentra y analiza este contenido por relevancia, elimina contenidos duplicados y
deshace enlaces hipertextuales; prepara un informe a medida para su uso personal o grupo de
distribución.

Además, tiene ciertas características que le permiten clasificar como agente de monitorización.
BullsEye es como tener un “servicio de recorte de noticias” privado que automáticamente
encuentra, captura y entrega los datos más actuales de cualquier lugar de Internet.

Letizia.
Letizia [Lieberman 1997] es un agente de filtrado con un funcionamiento básicamente
proactivo. Trabaja con un navegador convencional utilizando una configuración multi-ventana.
Al mismo tiempo que el usuario está consultando una página Web, Letizia realiza una búsqueda
en profundidad desde la página actual, visualizando los enlaces encontrados. De esta forma, va
proporcionando de forma continua recomendaciones sobre páginas Web.

Para lograr que el trabajo realizado sea efectivo, el agente debe conocer al usuario, y debe ser
capaz de anticiparse a las opiniones del usuario sobre una página determinada. Para ello, Letizia
utiliza un método de aprendizaje. Observa el comportamiento del usuario, e intenta inferir sus
gustos automáticamente. Almacena cada una de las opciones tomadas por el usuario, y lee cada
página leída por el usuario.

Ilustración 4: Diferentes ventanas de Letizia.

A diferencia de los buscadores, que proporcionan un gran número de páginas sin ninguna
conexión entre ellas, Letizia se aprovecha de la conexión propia de las páginas Web. El
conjunto de páginas que están conectadas mediante una serie de enlaces a una página dada
constituyen una especie de vecinos de esa página. De este modo, Letizia realiza su búsqueda en
estas páginas vecinas, combinando una búsqueda en anchura con una búsqueda en profundidad.
Este tipo de búsqueda tiene una mayor probabilidad de obtener resultados relevantes que la
búsqueda global realizada por los distintos buscadores.

CiteSeer o ResearchIndex
CiteSeer (o ResearchIndex) es un sistema autónomo para creación de índices de citas de la
literatura científica en soporte electrónico. La imposibilidad de gestionar todo tipo de
información suministrada por la red ha provocado que el agente se especialice en la búsqueda de
artículos de investigación en la red.

Ilustración 5: Ventana de CiteSeer.

El funcionamiento básico del agente es como sigue:

• Recorre la web y descarga artículos en diferentes soportes que convierte a texto.
• Analiza los artículos para extraer las citas (incluye un algoritmo para identificar los
diferentes formatos de cita).
• Se extrae la siguiente información: URL del fichero, cabecera, resumen, introducción si
existe, citas, contexto de las citas y texto completo.
• Se extrae cada cita y se localiza el título, autor, año, páginas y formato de cita.
• Crea una base de datos con las citas.

Do-I-Care
El agente Do-I-Care [Starr 1996] es un claro ejemplo de agente de monitorización, que emplea
técnicas de machine learning para detectar cambios “interesantes” en aquellas páginas Web que
han sido clasificadas previamente como relevantes por el usuario. Debido a que este agente se
centra en cambios de páginas conocidas en lugar de descubrir nuevas páginas se incrementa la
probabilidad de que la información encontrada va a ser interesante.

La precisión del agente tanto para encontrar cambios relevantes, como en su proceso de
aprendizaje, se mejora aprovechándose de que las páginas usualmente son modificadas
siguiendo unos patrones regulares. Además, estos agentes pueden colaborar entre si
encadenándose y propagando información significativa a los agentes de otros usuarios.
BargainFinder
BargainFinder es un agente de búsqueda experimental para compras por Internet mediante
comparaciones de precio on-line. Ha sido desarrollado por el Center for Strategic Technology
Research de Andersen Consulting. BargainFinder fue el primer agente inteligente en
proporcionar venta mediante comparación (comparison shopping) en Internet. Se desarrolló
para demostrar el impacto del comercio electrónico, revelando asimismo cómo los agentes
basados en la web podían proporcionar un enorme poder añadido a los consumidores. Permite a
los usuarios introducir el nombre de un CD o un grupo musical y buscar entonces los precios
más bajos disponibles en las tiendas en línea de Internet.

BargainFinder utiliza búsquedas paralelas, de la misma forma que los buscadores del tipo de
Meta Crawler. BargainFinder envía la petición de búsqueda introducida por el usuario hacia un
grupo de vendedores simultáneamente (búsqueda paralela), completando los formularios
necesarios en cada sitio web. Una vez recibidos los resultados de cada vendedor, BargainFinder
los filtra y los combina para presentar al usuario un único informe en el que aparece toda la
información obtenida de manera resumida y fácil de comprender.

Hasta el momento, BargainFinder está centrado en la búsqueda de vendedores y de los mejores

precios de CDs, pero está previsto ampliar en un futuro las vistas de este robot de compras para
acceder a las industrias de viajes, banca, automóviles y ropa.

Kasbah (Market Maker)

En 1996, el grupo Software Agents desarrolló Kasbah, el mercado electrónico de primera
generación, un agente de búsqueda para comercio electrónico de consumidor a consumidor
(C2C). Market Maker es la segunda generación de mercado electrónico, está basado en el
agente Kasbah, introduciendo nuevas características y posibilidades. Actualmente, los
estudiantes del MIT (Massachusetts Institute of Technology) utilizan Market Maker para
comprar y vender artículos comunes, como libros y CDs de música.

Un usuario que quiere comprar o vender algo, crea un agente, le da alguna dirección estratégica
y lo envía al mercado de agentes. Los agentes en el mercado buscarán compradores o
vendedores potenciales y negociarán con ellos en nombre de sus creadores. El objetivo de cada
agente es conseguir el “mejor negocio” posible, sujeto a las especificaciones establecidas por el
usuario, tales como precio deseado, unos máximos o mínimos de precio, o una fecha en la cual
completar la transacción. Market Maker mantiene una amplia gama de productos y servicios
para las transacciones.

5. Lecturas Recomendadas
Existen numerosas referencias y publicaciones donde se puede obtener gran cantidad de
información relacionada. A nivel general recomendamos las lecturas del artículo [Wooldridge
1995], el cual puede considerarse como un clásico dentro de la temática, y también el primer
capítulo del libro de [Huhns 1998] y los artículos de [Nwana 1996] y [Franklin 1996] .

En cuanto a referencias más específicas sobre agentes de información podemos sugerir los
libros publicados por [Caglayan 1997] y [Klusch 1999] donde se recogen los últimos avances
sobre el tema.

Finalmente, para disponer de más información referente a aplicaciones existentes hoy en día,
pueden ser consultadas las siguientes páginas Web:
• BargainFinder. URL: http:// bf.cstar.ac.com/
• Bullseye. URL: http://www.intelliseek.com/prod/bullseye.htm
• CiteSeer. URL: http://www.researchindex.com
• Kasbah - Market Maker. URL: http://ecommerce.media.mit.edu/maker/maker.htm
• Letizia. URL: http://lcs.www.media.mit.edu/people/lieber/Lieberary/Letizia/Letizia-
Intro.html

Referencias

[Caglayan 1997] Caglayan, Alper y Harrison, Colin: Agent sourcebook. New York, etc., Wiley
Computer Publishing, cop. 1997.
[Franklin 1996] Franklin, S., Graesser, A.: Is it an Agent, or just a Program?: A Taxonomy for
Autonomous Agents. Proceedings of the Third International Workshop on Agent
Theories, Architectures, and Languages. Springer-Verlag (1996).
[Huhns 1998] Huhns, M., Singh, M. P.: Readings in Agents. Readings in Agents. Chapter 1, 1-
24 (1998).
[Klusch 1999] Klusch, Matthias: Intelligent Information Agents. Springer-Verlag. 1999
[Lieberman 1995] Henry Lieberman. Letizia: An Agent That Assists Web Browsing.
Proceedings of the International Joint Conference on Artificial Intelligence, Montreal,
August 1995.
[Nwana 1996] Nwana, H. S.: Software Agents: An Overview. Intelligent Systems Research.
AA&T, BT Laboratories, Ipswich, United Kingdom (1996).
[Starr 1996] Brian Starr, Mark S. Ackerman, and Michael Pazzani. Do-I-Care: A Collaborative
Web Agent, Proceedings of the ACM CHI'96 Conference, April, 1996.
[Wooldridge 1995] M. Wooldridge and N. R. Jennings, editors. Intelligent Agents --- Theories,
Architectures, and Languages. Volume 890 of Lecture Notes in Artificial Intelligence,
Springer-Verlag, January 1995. ISBN 3-540-58855-8.