CN102609468A - 一种基于上下文感知和用户偏好的空间信息服务匹配方法 - Google Patents

Abstract

本发明公开了一种基于上下文感知和用户偏好的空间信息服务匹配方法，在用户的服务请求和候选空间信息服务的功能性匹配和非功能性匹配的基础上，考虑上下文敏感的用户偏好，计算出用户服务需求与智能空间中的各候选空间信息服务的匹配度，然后依据匹配度将候选空间信息服务推荐给用户。虽然用户可能具有固定的或者重复的偏好，但这些偏好不是在任何时候都相关，本发明基于上下文感知和用户偏好的空间信息服务匹配方法从上下文的角度对用户偏好进行精简，剔除与用户无关的用户偏好。同时，本发明由于从功能性匹配和非功能匹配两个方面进行匹配度计算，提高空间信息服务匹配的准确率，给客户最贴合其真实需求的空间信息服务。

Description

一种基于上下文感知和用户偏好的空间信息服务匹配方法

技术领域

本发明属于空间信息服务技术领域，更为具体地讲，涉及一种基于上下文感知和用户偏好的空间信息服务匹配方法。

背景技术

随着IT技术的不断革新，传统的信息服务推荐系统的概念发生了巨大变化，普适计算将在未来的信息服务推荐系统中占据重要的地位。自从Marc Weiser首先提出了普适计算的概念以后，有很大一部分的研究人员投身于上下文感知的研究当中。

在以用户为中心的信息服务推荐系统中，最基本的一个要素就是上下文感知，这里的上下文指的是能够用于刻画用户状况的一切信息。用户与信息服务推荐系统的交互通常是即刻发生的，并且没有详细的历史信息记录，这种交互可能在用户的办公室或者起居室发生，也可能通过手持设备发生。在这样的用户环境里，如果没有上下文感知技术的支持，信息服务推荐系统将无法了解用户的潜在真实需求，势必导致提供给用户的信息服务的准确率降低。

目前的信息服务的推荐方法主要从服务请求和候选服务的输入和输出匹配入手。M.Paolucci等人提出了一个基本的语义匹配方法，后续有很多关于信息服务匹配的研究都是建立在该方法的基础上的。Umesh Bellur等人提出了一种基于偶图匹配的服务匹配方法。A.Baki Kocaball等人提出了一种较好粒度的信息服务匹配方法，能够处理上下文信息的模糊性、主观性以及多维性。Kuck等人在用户相关上下文和改进的服务描述方法的基础上提出了一种上下文敏感的网络服务发现方法。

空间信息服务推荐系统经常只根据用户的请求来提供空间信息服务给用户，从而针对相同的用户请求，系统也提供相同的服务，大多数情况都不能满足用户的真实需求。而一些空间信息服务推荐系统通过利用隐含的用户偏好来补充用户的显示需求的方式来增强用户的个性化体验，个性化服务缓解信息过载，从而能够更好地满足用户需求。

上下文感知能够极大地减少用户注意力以及交互瓶颈，使得系统具有更强的适应性。上下文感知的目标是最大限度的利用上下文信息，比如用户的位置、身份以及活动等等。目前的上下文感知研究大多集中在具体的领域来考虑问题，并且很少考虑用户的行为。

众所周知，可靠性是空间信息服务领域里的一个重要的问题。但是由于当前的方法大多把用户环境当做静态的，并且仅仅是针对具体的应用领域的，导致了空间信息服务推荐准确性的降低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于上下文感知和用户偏好的空间信息服务匹配方法，以解决现有的空间信息服务匹配方法没有很好的考虑用户的移动性以及由此而造成的用户需求的多变性和失真性，以至于无法发现用户的真实需求，使得服务匹配的准确率不高问题。

为实现上述发明目的，本发明基于上下文感知和用户偏好的空间信息服务匹配方法，其特征在于，包括以下步骤：

(1)、对用户环境智能空间的候选空间信息服务进行语义描述；

(2)、获取用户的服务请求，同时对其进行语义描述；

(3)、对与用户相关的上下文信息以及用户偏好进行采集，并根据上下文信息对无效的用户偏好进行剔除，生成上下文敏感的用户偏好；

(4)、从功能性和非功能性两个方面将用户服务需求与智能空间中的各候选空间信息服务进行语义匹配计算，得到各候选空间信息服务的匹配度；

在匹配计算过程中，同时考虑步骤(3)中得到的上下文敏感的用户偏好；

(5)、空间信息服务推荐系统依据匹配度，将候选空间信息服务推荐给用户。

本发明的发明目的是这样实现的：

为了让空间信息服务系统更加智能地向用户提供个性化服务，本发明不仅仅要考虑用户的需求，还把相关的上下文信息和用户偏好考虑进来，在用户的服务请求和候选空间信息服务的功能性匹配和非功能性匹配的基础上，考虑上下文敏感的用户偏好，计算出用户服务需求与智能空间中的各候选空间信息服务的匹配度，然后依据匹配度将候选空间信息服务推荐给用户。虽然用户可能具有固定的或者重复的偏好，但这些偏好不是在任何时候都相关，本发明基于上下文感知和用户偏好的空间信息服务匹配方法从上下文的角度对用户偏好进行精简，剔除与用户无关的用户偏好。同时，本发明由于从功能性匹配和非功能匹配两个方面进行匹配度计算，提高空间信息服务匹配的准确率，给客户最贴合其真实需求的空间信息服务。

附图说明

图1是本发明中语义描述时涉及的领域本体知识库的构建方法示意图；

图2是本发明基于上下文感知和用户偏好的空间信息服务匹配方法一种具体实施方式的原理框图；

图3是本发明基于上下文感知和用户偏好的空间信息服务匹配方法一种具体实施方式的流程图；

图4是图2中的上下文敏感的用户偏好生成模块的示意图；

图5是图2中空间信息服务匹配模块的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

本发明所述的基于上下文感知和用户偏好的空间信息服务匹配方法实施的关键在于：领域本体知识库的建立，对候选空间信息服务以及服务请求进行语义描述，对上下文信息和用户偏好的采集，对服务请求和候选空间信息服务进行综合匹配。

在本发明中，步骤(1)、(2)需要对用户环境智能空间的候选空间信息服务、用户的服务请求进行语义描述，这样首先需要构建空间信息服务的领域本体知识库。

空间信息服务的领域本体知识库的建立对于需要交换信息和共享信息的用户或者异构系统来说，将有助于消除在概念和术语上的分歧，对领域内的概念理解达成共识。在本实施例中采用OWL-S作为本体语言，OWL-S包括三个组件，它们分别是：Service Profile，Service Model以及Service Grounding。其中Service Profile主要用于描述服务的功能，即告诉我们服务做什么的，服务搜索代理主要就是通过Service Profile实现服务匹配的，Service Profile主要从inputs、outputs、pre-conditions、effects等方面对一个服务进行定义；Service Model主要用于描述服务是怎么做的；Service Grounding描述怎样访问服务。

图1是本发明中语义描述时涉及的领域本体知识库的构建方法示意图；

如图1所示领域本体知识库的构建方法示意图，首先，确定领域本体的目标和范围，获取领域的有关知识实体并建立领域知识链；其次，用中间表达集合对知识链进行概念化，中间表达用类对领域知识的知识实体、属性进行描述和定义，实现领域本体的结构化；最后，根据编码规则，整合存在的文本，得到领域本体知识库。

利用领域本体知识库丰富的语义知识和语义结构及其共享性，解决数据的结构异构和语义异构问题。本体中的大部分知识不是显示说明的而是隐含的，因而对本体知识进行推理变得尤其重要，推理可以帮助获取隐含知识和进行冲突检测等。领域本体知识库属于现有技术，可以用现有的多种方法进行构建，在此不再赘述。

在本实施例中，领域本体知识库的构建是基于Jena进行的，在领域本体知识库构建以后，需要将其存储在数据库里，领域本体知识库是通过Jena将领域本体知识库文件存入MySQL数据库中。

在本实施例中，所述的对候选空间信息服务和服务请求进行语义描述的具体实施方法如下：

实现空间信息服务的关键是对空间信息服进行语义描述，在本实施例中，基于OWL-S对用户环境中的空间信息服务以及服务请求进行语义描述，并采用马里兰大学信息及网络动态实验室开发的OWL-SAPI提供的javaAPI编程接口，来读取、执行和编写服务的OWL-S描述。在本实施例中，所述的空间信息服务以及用户的服务请求都是通过OWL-S描述的，所以对用户请求的语义描述也是在已经构建的领域本体知识库的基础上。

本发明所述的服务请求和候选服务进行匹配的具体实施方法如下：

图2是本发明基于上下文感知和用户偏好的空间信息服务匹配方法一种具体实施方式的原理框图。如图2所示，一方面通过人机交互模块1获取到的用户服务请求，经过了语义化模块2，结合领域本体知识库3，对用户请求进行语义描述，然后经过服务请求代理模块3，最终输入到空间信息服务匹配模块4中去。另一方面通过对空间信息服务提供者5所提供的空间信息服务在语义化模块6中结合领域本体知识库3进行语言描述，通过服务注册模块7结合注册信息服务库8注册，并且提供候选空间信息服务到空间信息服务匹配模块9中。同时上下文敏感的用户偏好生成模块10将生成的上下文敏感的用户偏好输入到空间信息服务匹配模块9中去。这三类信息结合领域本体知识库3中的信息是本发明所述的匹配方法的关键。

图3是本发明基于上下文感知和用户偏好的空间信息服务匹配方法一种具体实施方式的流程图。如图3所示，流程如下：

首先，对用户环境智能空间中的候选空间信息服务进行语义描述；然后获取用户的服务请求，同时对其进行语义描述；接着是对与用户相关的上下文信息以及用户偏好进行采集，同时根据上下文信息对无效的用户偏好进行剔除，生成上下文敏感的用户偏好；然后从功能性和非功能性两个方面将用户服务需求和候选空间信息服务进行匹配，同时考虑前面步骤中得到的上下文敏感的用户偏好。在本实施例中，还根据上下文判断用户是否满意，如果满足用户要求，会推荐给用户最贴合其真实需求的空间信息服务；如果不能满足用户要求，那么推荐系统会继续到候选空间信息服务中去搜索服务，直至搜索到用户满意的服务，或者当所有发布出来的候选空间信息服务都搜索过以后，将以匹配失败而结束整个匹配过程。

图4是图2中的上下文敏感的用户偏好生成模块的示意图。

在本实施例中，上下文信息和用户偏好的采集步骤如下：

在本实施例中，所涉及的上下文信息主要包括典型的四种，它们分别是：时间、位置、人物以及事件，之所以这样做事处于实现简单的考虑。在用户环境中的部署了信息采集模块，具体包括：传感器模块，移动设备模块以及人际交互模块，用于动态地采集各种上下文信息，以实现物理空间和信息空间的绑定。通过RFID能够对不同的用户进行标识，并且在RFID的标签中可以储存了一些简单的用户相关信息；通过在用户环境中分散地布置阅读器，能够检测用户的位置；后台服务器也能方便的记录用户与系统交互的时间；对于事件上下文，就需要综合考虑积累上下文信息，来推断用户正在进行的活动，如：王先生的日程安排上记录着周二下午两点半到三点半要在公司开会，如果推荐系统采集到的各种上下文信息中，时间是周二下午三点，王先生的位置信息恰好是公司，并且所记录的日程信息并没有发生变化，那么可以推断出王先生可能正在开会。

在本实施例中，如图4所示，上下文敏感的用户偏好的具体产生步骤如下：

针对现有的匹配方法中出现的或是不考虑用户的偏好，或是考虑用户的静态偏好的情况。造成了空间信息服务推荐系统提供给用户的空间信息服务通常不能得到很好的满意度。本发明所述的上下文敏感的用户偏好，是从静态和动态两个方面来考虑用户偏好。其中静态偏好主要来自于用户以往同系统交互过程中，所记录下来的一些信息。而动态偏好来源于用户当前与系统的交互过程，主要通过物理层的信息采集模块，如传感器模块、移动设备模块或者人机交互模块等来采集用户的上下文信息，然后从中提取出用户偏好信息，通过静态和动态信息的互补，对一些与上下文无关的用户偏好进行删减，对一些必要的隐含用户偏好要进行补充。

本发明所述的上下文敏感的用户偏好主要是从上下文的角度对用户偏好的有效性进行评价。在本实施例中，考虑四种具有代表性同时也是比较常见的上下文信息，他们分别是时间、位置、人物以及事件。当然用户环境中的上下文信息远不止这四类，之所以这样选取是出于简化实现步骤的考虑。在静态用户偏好的信息库中已经储存了一些用户偏好信息，但是针对于具体的交互过程，如果直接考虑这些用户偏好，势必造成信息的冗余度太大，并且准确性也不高，只有结合交互过程中的知识上下文信息才能提高这种准确性。比如，通过人物信息，能够直接锁定正在与环境进行交互的用户身份信息；通过时间信息和位置信息，就可以删减掉用户在其他时间段或者其他位置的服务偏好；通过当前的事件上下文，能够知道用户正在进行的活动，这又大大提高了用户偏好的精确性。上下文信息不仅仅能够帮助删减无效的用户偏好，还能够补充在特定条件下额外的用户偏好信息。

如图4所示，在本实施例中，上下文敏感的用户偏好的生成需要上下文信息和用户偏好这两部分信息，并且是通过上下文信息对用户偏好进行适当的删减和补充。

如图4所示，上下文敏感的用户偏好生成模块10一方面通过信息采集模块1001，包括移动设备模块、传感器模块以及人机交互模块对用户相关信息进行采集，上下文信息采集模块1002负责对采集的用户相关信息中的上下文信息进行采集，然后上下文信息处理模块1003会根据上下文处理规则库1004中的规则对上下文信息进行处理，同时也会适当对上下文处理规则库1004里的规则进行更新。

另一方面，通过动态用户偏好搜集模块1005对信息采集模块1001中采集到的用户相关信息的分析，得到动态用户偏好，再通过静态用户偏好搜集模块1006，在静态用户偏好信息库1007中的搜集到静态用户偏好，在用户偏好集成模块1008中将动态用户偏好和静态用户偏好进行集成，得到较为全面的用户偏好。

在本实施例中，上下文信息选取了四类有代表性的上下文信息，它们分别是：时间、位置、人物以及事件，在上下文敏感的用户偏好模块1009中通过这四个方面对全面的用户偏好的相关性进行评价，把与上下文信息无关的用户偏好删减掉，同时推理出额外的用户偏好，最终得到所述的上下文敏感的用户偏好。

图5是图2中空间信息服务匹配模块的流程图。

本发明所述的空间信息服务匹配方法从功能性和非功能性两个方面进行匹配，同时还要满足上下文敏感的用户偏好的条件。通过匹配度DoM_total的大小，对候选的空间信息服务进行排序，推荐给用户匹配度较大的服务。并且匹配度DoM_total的计算公式为：

${\mathrm{DoM}}_{\mathrm{total}}=(w_{\mathrm{fun}}\·{\mathrm{DoM}}_{\mathrm{fun}}+w_{\mathrm{non}\_\mathrm{fun}}\·{\mathrm{DoM}}_{\mathrm{non}\_\mathrm{fun}})\·e^{{\mathrm{DoM}}_{\mathrm{context}\_\mathrm{pre}}}$

式中的w_fun和w_{non_fun}分别表示功能性匹配度和非功能性匹配度的权重，并且w_fun+w_{non_fun}＝1，DoM_fun表示功能性匹配度，DoM_{non_fun}表示非功能性匹配度，DoM_{context_pre}表示上下文敏感用户偏好的匹配度，公式中体现了上下文敏感用户偏好匹配的重要性。

在本实施例中，首先进行功能性匹配，主要从inputs和outputs两个方面进行匹配。本发明通过匹配度(Degree of Match，简称DoM)来衡量候选空间信息服务与用户请求之间的匹配程度，由于功能性匹配不是本发明的中点，所以本发明借鉴了一些经典的算法。根据M.Paolucci等的观点，当且仅当针对inputs的匹配，主要是通过query的inputs来匹配advertisement的inputs，通过advertisement的outputs来匹配query的outputs，所以在inputs和outputs的匹配过程中，只是query和advertisement的次序上相反，因此这里也仅对outputs的匹配方法进行介绍，M.Paolucci等提出的一个匹配函数match(outQ，outA)，其伪代码如下：

if outA＝outQ then

       return Exact

else if outA SuperClass of outQ then

       return Exact

else if outA Subsumes outQ then

       return Plugin

else if outQ Subsumes outA then

      return Subsumes

else

      return Fail

end if

其中根据匹配度从大到小的排序分别是：Exact、Plugin、Subsumes、Fail，这些匹配度都不是一个确定的值，本发明中所述的匹配度是在此基础上计算出的一个确定值，首先根据outQ和outA之间的语义距离，用||outQ，outA||表示，根据Maozhen Li等的观点，对本发明所述的匹配度(DoM)函数有如下定义：

$\mathrm{DoM}(\mathrm{outQ},\mathrm{outA})=\left\{\begin{array}{c}1\\ \frac{1}{2}+\frac{1}{e^{\left(\right||\mathrm{outQ},\mathrm{outA}||-1)}}\\ \frac{1}{2\×e^{\left(\right||\mathrm{outQ},\mathrm{outA}||-1)}}\\ 0\end{array}\right.$

类似的，inputs的匹配度可以通过DoM(inA，inQ)计算得出，能够得到最终的功能性匹配度DoM_fun。

然后是进行非功能性匹配，本发明所述的非功能性匹配主要是对服务质量的匹配，考虑用户对服务质量提出的要求与服务提供者提供的空间信息服务质量方面的匹配程度，根据匹配度函数能够计算出最终的非功能性匹配度DoM_{non_fun}。

最后是进行上下文敏感的用户偏好的匹配。在本实施例中，从前面所述的四类上下文信息的角度来评价用户偏好的相关性，以实现对用户偏好的去除或者补充。对于库里有记录的静态用户偏好，要依靠实时上下文信息来过滤，去除与上下文无关的用户偏好信息，即实现静态用户偏好和动态用户偏好的互补；对于没有记录的用户偏好，要能够根据信息采集模块采集到的信息推断出用户偏好。并且这样得到的用户偏好是从所选的四类上下文信息的角度来表示的，在做匹配的时候主要是从候选空间信息服务的上下文信息和上下文敏感的用户偏好进行匹配。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种基于上下文感知和用户偏好的空间信息服务匹配方法，其特征在于，包括以下步骤：

(1)、对用户环境智能空间的候选空间信息服务进行语义描述；

(2)、获取用户的服务请求，同时对其进行语义描述；

(3)、对与用户相关的上下文信息以及用户偏好进行采集，并根据上下文信息对无效的用户偏好进行剔除，生成上下文敏感的用户偏好；

(4)、从功能性和非功能性两个方面将用户服务需求，即服务请求与智能空间中的各候选空间信息服务进行语义匹配计算，得到各候选空间信息服务的匹配度；

在匹配计算过程中，同时考虑步骤(3)中得到的上下文敏感的用户偏好；

(5)、空间信息服务推荐系统依据匹配度，将候选空间信息服务推荐给用户。

2.根据权利要求1所述的基于上下文感知和用户偏好的空间信息服务匹配方法，其特征在于，匹配度的计算公式为：

${\mathrm{DoM}}_{\mathrm{total}}=(w_{\mathrm{fun}}\·{\mathrm{DoM}}_{\mathrm{fun}}+w_{\mathrm{non}\_\mathrm{fun}}\·{\mathrm{DoM}}_{\mathrm{non}\_\mathrm{fun}})\·e^{{\mathrm{DoM}}_{\mathrm{context}\_\mathrm{pre}}}$

式中的w_fun和w_{non_fun}分别表示功能性匹配度和非功能性匹配度的权重，并且w_fun+w_{non_fun}＝1，DoM_fun表示功能性匹配度，DoM_{non_fun}表示非功能性匹配度，DoM_{context_pre}表示上下文敏感用户偏好的匹配度。

3.根据权利要求2所述的基于上下文感知和用户偏好的空间信息服务匹配方法，其特征在于，步骤(3)通过上下文敏感的用户偏好生成模块来实现，其包括有信息采集模块、上下文信息采集模块、上下文信息处理模块、上下文处理规则库、动态用户偏好搜集模块、静态用户偏好搜集模块、静态用户偏好信息库、用户偏好集成模块以及上下文敏感的用户偏好模块

一方面通过信息采集模块，包括移动设备模块、传感器模块以及人机交互模块对用户相关信息进行采集；上下文信息采集模块负责对采集的用户相关信息中的上下文信息进行采集，然后上下文信息处理模块会根据上下文处理规则库中的规则对上下文信息进行处理，同时也会适当对上下文处理规则库里的规则进行更新；

另一方面，通过动态用户偏好搜集模块信息采集模块中采集到的用户相关信息的分析，得到动态用户偏好，再通过静态用户偏好搜集模块，在静态用户偏好信息库中的搜集到静态用户偏好，在用户偏好集成模块中将动态用户偏好和静态用户偏好进行集成，得到较为全面的用户偏好；

在上下文敏感的用户偏好模块中对全面的用户偏好的相关性进行评价，把与上下文信息无关的用户偏好删减掉，同时推理出额外的用户偏好，最终得到所述的上下文敏感的用户偏好。

Images