CN102360457A - 一种自主完善网络结构的贝叶斯网络及本体联合推理的方法 - Google Patents

Abstract

本发明公开了一种自主改变网络结构的贝叶斯网络和本体联合推理的方法，首先基于本体来对低级上下文形成一定的逻辑关系，并将结果作为贝叶斯网络的父节点输入，最后通过贝叶斯网络来推理用户未来的行为习惯。在该算法中通过用户反馈来动态调整贝叶斯网络结构和本体模型，同时为用户提供个性化服务，建立个人的本体模型，经过一段时间的学习后，可形成完全基于个人的上下文推理系统模型；通过直接提供贝叶斯网络父节点的输入来提高贝叶斯网络的推理精确度，从而较大的提高整个推理过程的速度和准确率。

Description

一种自主完善网络结构的贝叶斯网络及本体联合推理的方法

技术领域

本发明涉及一种用于上下文推理的、能够自主完善网络结构的贝叶斯网络和本体联合推理的方法，属于上下文感知计算技术领域。 

背景技术

在上下文感知技术中，上下文推理是其核心过程。一方面，在一个智能空间里通过传感器等感知设备感知的数据均属于低级上下文信息，对于如此大量未经任何修饰的数据，尤其是在多传感器协同感知的情况下，很可能出现数据不一致、不精确、不稳定、模糊不清的情况，甚至可能不同传感器上传的数据会包含矛盾和错误的信息，不能直接作用于顶层的决策，必须要经过去粗取精的过程，即对其进行数据的过滤、推理和融合等上下文推理的过程才能形成高级上下文，最大限度的支持决策的进行。另一方面，上下文推理过程将建立语义统一、逻辑清晰的高级语义上下文信息，便于上下文信息的存储和传输。 

在上述去粗取精过程中，过滤过程可以滤除底层上下文中矛盾或不合理的数据，初步提高上下文信息的精确度；融合过程可以尽量减少数据的冗余度，便于上下文推理的使用；而推理过程主要是从有效的上下文信息中提取总结、归纳推测出用户的行为习惯及未来的活动预期。所产生的高级上下文将直接用于用户行为决策。 

在上下文推理的核心推理过程中，推理技术的选择将直接影响推理结果的准确度。上下文推理的方法很多，主要的有贝叶斯网络、神经网络、决策树及规则推理和谓词逻辑等。贝叶斯网络和神经网络都属于基于网络结构来推理的方法。作为一种基于概率的不确定性推理方法，贝叶斯网络以其独特的推理方式和高度的准确率正日益受到人们的青睐， 被广泛应用到处理不确定信息的智能化系统中，例如已成功地用于医疗诊断、信息融合、统计决策和专家系统等领域。这些成功的应用充分表明贝叶斯网络技术是一种强有力的不确定性推理方法。 

研究表明，贝叶斯网络的推理结果的准确度与学习的时间有很大关系，当学习次数达到2000次以上时，贝叶斯网络的推理结果可达到80％以上。 

贝叶斯网络节点概率的计算问题可以表述如下： 

已知先验概率P(θ|ξ)和样本D，样本D是一个互不相容的完备事件组中的任意事件，则第m+1次试验中的事件Bi发生的概率为 

贝叶斯网络的结构形成所采用的方法可以是首先利用先验知识或专家经验来确定各种上下文信息之间的因果联系及条件独立性，然后通过一些训练数据的学习或者通过已有的资料来确定上下文信息之间的概率依存关系；如果缺乏相应的先验知识，则可以利用样本数据集来学习网络结构和概率分布，从而形成一个初步的贝叶斯网络结构；另一种方法是利用专家经验建立了本体模型后，可通过对本体模型的学习来形成贝叶斯网络的结构。 

典型的贝叶斯网络推理如图1所示，根据现有知识、先验数据、测试结果和专家知识等来确定贝叶斯网络结构及各个父节点(A₁，A₂，A₃；B₁，B₂)的概率分布参数，然后得到各个节点的先验概率分布，最后统计出C节点的概率分布。 

基于规则的推理方法是将已有的事实同预定义的规则进行匹配而产生出新的知识，主要针对不同的应用领域中用户特定的应用场景对低级上下文信息进行抽象和映射。需要预定义规则库，一个规则本质上是一个If-Then语句，根据预定义的前提条件得出相应的动作或结论。If-Then结构接近于人的思维和自然推理形式，易于理解，易于实现人机对话，可操作性强，其自然性也给领域专家和知识工程师间的协作提供了方便。 但是这种方法的后期维护较麻烦，要求规则库的可扩展性非常好，本专利中的可以自主完善网络结构的贝叶斯网络和本体模型的设计在实现中采用的是规则推理。 

本体上下文是上下文推理中的重要部分，基于本体建立的上下文模型逻辑性强，独立的低级上下文通过本体模型后建立有效的逻辑联系，同时，消除隐含的逻辑矛盾。如果检测到冲突则触发冲突解决机制，即按照知识层次的顺序逐级消除那些基于不可靠假设得出的错误信息。冲突解决机制将推理功能和其他的功能划分开来，结构清楚，使求解问题的复杂度控制在合理的范围内。 

在基于本体和贝叶斯网络的联合推理过程中，目前的研究方法中有的是将本体模型直接规模化，完整化，从而形成固定的本体模型，然后用本体模型直接生成贝叶斯网络的结构，即贝叶斯网络的结构是从本体模型学习而成，且网络结构是固定的，导致了贝叶斯网络在推理过程中只进行概率的计算，此种方法未能发挥贝叶斯网络的优势；有的研究是令贝叶斯网络独立学习，通过专家系统、先验知识等来形成贝叶斯网络结构，并结合其他方式(例如谓词逻辑、规则推理方式)进行联合推理，此种方法时间复杂度较大；大多数贝叶斯网络的研究集中于贝叶斯网络结构的学习，而对节点概率的计算多采用训练数据的方法忽视了对本体模型推理结果的应用，从而降低了贝叶斯网络的推理精确度。 

针对现有研究方法的不足之处，本发明提出一种自主完善网络结构的贝叶斯网络和本体联合推理的方法，首先建立本体模型，然后将本体模型映射为贝叶斯网络，同时将本体模型的推理结果作为贝叶斯网络第一层父节点的概率输入，从而提高贝叶斯网络的推理精确度；然后对经过贝叶斯网络推理后的结果进行判断，通过用户反馈信息来动态修改、逐步完善贝叶斯网络的结构和本体模型，从而充分发挥贝叶斯网络的优势，同时尽量减少上下文推理的时间复杂度及贝叶斯网络学习时间，提 高整个系统的推理精确度。 

发明内容

本发明的目的是采用可自主完善网络结构的贝叶斯网络和本体相结合的推理方法解决在复杂环境下对环境信息的感知及学习，并最大限度的保证高效推理出用户的行为习惯，做出相应的预测。 

为实现上述的发明目的，本发明采用下述的技术方案： 

一种自主完善网络结构的贝叶斯网络和本体联合推理的方法，其特征在于包括以下步骤： 

步骤1，当有低级上下文信息输入时，启动本推理算法，并存储于低级上下文信息库中，同时向本体模型库发送指令，启动本体模型库； 

步骤2，低级上下文经过本体模型后，获得用户此时此刻的环境信息及用户和环境之间的逻辑关系； 

步骤3，将环境信息的值作为贝叶斯网络第一层父节点的输入； 

步骤4，根据用户当前的活动信息，通过贝叶斯网络来推理出用户未来的行为； 

步骤5，选取贝叶斯网络的推理结果集中概率最大的结果，判断该结果是否大于80％：如果是，则启动步骤8；如果否，则启动冲突检测及用户反馈系统； 

步骤6，在步骤5需要启动用户反馈系统时，首先检查贝叶斯推理的结果是否符合用户需求，(a)如果推理结果符合用户需求，则启动步骤8；(b)如果用户对推理结果不满意，给系统反馈本次推理结果不符合实际的地方，并为系统提供自己期望得到的结果； 

步骤7，在步骤6的(b)情况发生后，系统确认用户的反馈，并将反馈信息与本体模型库相比较，确认本体模型库中是否存在用户反馈回来的逻辑关系；若本体模型库中不存在此种逻辑关系，则对本体模型进行修正，添加用户反馈的逻辑关系，同时对贝叶斯网络的结构做动态修正； 

步骤8，为用户提供服务； 

步骤9，基于贝叶斯网络和本体逻辑联合推理的上下文推理过程结束； 

其中， 

所述步骤1中，本体模型库的起始系统初始化设置是基于专家系统的完整模型，并假设所有用户的模型均相同，在以后的推理中启动的本体模型是经过学习后形成的用户自己的本体模型。 

所述步骤2中，本体推理所需的数据均来自于感知层传感器上报的原始数据。 

所述步骤3中，首先贝叶斯网络的层次结构是基于本体模型的，可根据本体模型中的逻辑关系和因果联系来构建贝叶斯网络，其次将本体推理的结果作为贝叶斯网络第一层节点的输入的目的是最大限度的保证父节点的概率为100％，提高整个网络的推理准确度。 

所述步骤4中，贝叶斯网络在对用户行为做出预测的同时需要此时此刻的时间信息，所以对于以用户为中心的行为推理都要添加时间标签来增加预测准确性。 

本发明所提供的可自主改变网络结构的贝叶斯网络和本体联合推理的方法，提供了一种与用户交互式的推理方法。 

一方面通过用户反馈的数据及个性化的需求来最大限度的保证上下文推理的准确度，并动态的修正贝叶斯网络的结构和本体模型；同时为单个用户提供个性化服务，基于专家系统的完整本体模型并不符合每个用户的行为习惯，所以对于个人用户添加用户反馈可以保证为用户提供的推理结果是符合该用户的行为习惯，同时，也可以减轻本体模型的复杂度。 

另一方面将本体推理的结果作为贝叶斯网络第一层父节点的输入可以减少从历史数据训练节点先验概率造成的不准确性。 

下面结合附图和具体实施方式对本发明作进一步的说明。 

附图说明

图1为典型的贝叶斯网络图。 

图2为基于贝叶斯网络和本体逻辑联合推理的上下文推理方法结构图。 

图3为基于贝叶斯网络和本体逻辑联合推理的上下文推理方法的算法流程图。 

具体实施方式

如图2所示，本发明的逻辑结构由三部分组成：本体推理模块，贝叶斯网络推理模块和用户反馈模块。 

用户低级上下文送入上下文推理模块，经过以上三个模块的过滤、推理和融合后形成高级上下文为用户提供服务，具体来说：低级上下文的过滤在本体模型中进行；推理和融合在本体模型和贝叶斯网络中进行。 

一个具体的实施过程示例参照图3所示，低级上下文输入后，存储在原始上下文信息库中，同时启动个人本体模型库，本体模型库的最初设置是基于本体的二层模型建立的，在专家系统基础上，假设所有用户的行为习惯均是基于相同的场景。 

低级上下文信息首先经过本体推理，进行过滤，消除其中的错误信息，得到用户及周围环境信息之间的逻辑关系。然后将结果作为贝叶斯网络的父节点输入，从而确保贝叶斯网络的父节点有较大的概率。 

经过贝叶斯网络推理后，在用户行为预测的结果中选取概率值最大的结果作为本次的推理结果，并比较本次推理结果是否和贝叶斯网络自学习N次(本发明中借鉴前人的研究，以N＝2000次为例进行说明)以上的结果一致，是大于Pmax的(此处借鉴典型贝叶斯网络自学习2000次以上的结果，即Pmax＝80％)。如果本次的推理结果为大于Pmax，则立即为用户提供服务，同时将本次推理作为一次学习的结果，存储在数据库中。如果本次的推理结果小于Pmax，则启动用户反馈系统，由用户判定此次 的推理结果是否满足用户需求：如果仍然满足用户需求，则为用户提供服务，将本次推理结果作为一次学习的结果，存储在数据库中；如果本次推理结果不满足用户需求，则判断本次的推理结果在语义{who，when，where，what，how}中是否有逻辑错误：如果有，则立即建立新的本体模型，并覆盖之前的本体；如果没有，则用户可自主判断本次所需服务类型，并将结果作为一次贝叶斯网络推理的结果学习并保存。 

上面对本发明所述的基于贝叶斯网络和本体联合推理的上下文推理方法进行了详细的说明，本发明的具体实现形式可以是多种多样的，所应用的应用环境也很广泛。对于本技术领域的一般技术人员来说，在不背离本发明所述方法的精神和权利要求范围的情况下对它进行的各种显而易见的改变都在本发明的保护范围之内。 

Claims (2)

1.所述具有自主改变网络结构的贝叶斯网络及本体模型特征的上下文推理方法的实现是通过用户反馈模块，具体包括以下步骤：经过贝叶斯网络推理后，首先客观判断推理结果是否具有高准确度，然后根据用户主观反馈的满意度来确定采取何种处理方式，来确定是否动态调整贝叶斯网络结构及本体模型结构：(a)如果用户反馈满意推理结果，则使用此次推理结果；(b)如果用户反馈不满意此次推理结果，则根据用户反馈情况来修正本体模型结构，或者添加贝叶斯网络新节点来动态调整贝叶斯网络的结构；

2.所述的贝叶斯网络和本体联合推理的方法：

本体推理的结果在作为推理结果的同时作为贝叶斯网络的第一层父节点的输入，减少贝叶斯网络的自学习时间，提高贝叶斯网络第一层父节点的准确度，从而提高整个网络的推理准确度；

Images