CN106650937A - 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 - Google Patents
一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 Download PDFInfo
- Publication number
- CN106650937A CN106650937A CN201611252003.XA CN201611252003A CN106650937A CN 106650937 A CN106650937 A CN 106650937A CN 201611252003 A CN201611252003 A CN 201611252003A CN 106650937 A CN106650937 A CN 106650937A
- Authority
- CN
- China
- Prior art keywords
- context
- information
- subjective
- weight
- contextual information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Abstract
本发明涉及一种基于反馈的自适应主客观权重上下文感知系统及其工作方法。所述上下文感知系统,包括原始上下文信息采集模块、上下文融合模块、上下文推理模块、上下文应用模块以及用户模块,所述用户模块还与上下文融合模块相连。该上下文感知系统在上下文融合模块引入了基于用户反馈的自适应主客观权重分配机制,可以动态调整优化各类上下文信息的主观权重和客观权重各自的贡献率,提高上下文信息融合的准确率和效率,使系统可以为用户提供更智能化、个性化的服务。
Description
技术领域
本发明涉及一种基于反馈的自适应主客观权重上下文感知系统及其工作方法,属于上下文感知的技术领域。
背景技术
随着无线传感器网络、人机交互和智能计算技术的大规模应用,以为用户提供“透明”交互为目的的上下文感知技术获得了迅速的发展。上下文感知系统实现了计算系统从以设备为中心到以人为中心的转变,该计算系统可以自动收集感兴趣的上下文信息并感知应用情境的变化,并依据搜集到的上下文信息主动为用户提供相关应用服务。
无线传感器网络技术日趋成熟,使大量具有计算能力的微处理器节点组成的无线传感网络可以被运用,随时随地获取各种信息。上下文感知系统除了要准确大量的采集与当前应用相关的上下文信息之外,还要能够根据海量的信息,针对用户需求做出高效、智能和个性化的服务。
通常,不同类型的上下文信息可以反映同一事件的情况或状态,但是对系统所感知的事件会有不同的影响力,又由于上下文感知系统的最终目的是为用户提供“以人为本”的个性化服务,这就要求系统能够在上下文信息的融合推理过程中体现用户的个人偏好,反映出对用户而言各类上下文信息在系统推理融合过程中具有不同的影响力,即各类上下文信息在推理融合过程中具有不同的权重。因此,如何体现不同类型上下文信息在推理融合中的差异性和对决策的影响程度,以及如何根据用户反馈动态地对系统进行调整以提高感知准确率就成为上下文感知技术的一大挑战。
此外,近年来,研究者在上下文获取、上下文处理、上下文分发及上下文应用等领域开展了大量的研究,但是很多研究工作都是基于特定应用场景进行的,系统架构与应用逻辑紧密耦合在一起,阻碍了多系统之间的互联及互操作,不利于系统的扩展和复用。
综上所述,现有的上下文感知系统还不是很完善,有些智能性较差,有些受应用领域的限制较强,在改善现存问题的基础上,如何更加精确、智能地为用户提供个性化服务仍然是上下文感知领域的研究重点。
发明内容
针对现有技术的不足,本发明提供一种基于反馈的自适应主客观权重上下文感知系统。
本发明还提供了上述上下文感知系统的工作方法。
上下文感知系统在对海量不同类型的原始上下文信息进行处理后才会得到最终的决策信息。通常情况下,不同类型的上下文信息可以反映同一事件的情况或状态,但是对系统所感知的事件会有不同的影响力。并且,系统在为用户提供服务时,要充分考虑用户的主观偏好信息,做到“以人为本”。基于反馈的自适应主客观权重上下文感知系统既考虑到用户的偏好信息,又考虑到了各类上下文信息对决策的客观影响,针对不同的感知事件选择合理的上下文信息种类,在上下文信息融合推理过程中为不同种类的上下文信息分配不同的权重因子。同时,该机制结合用户的反馈信息动态更新优化各类上下文信息的主观权重和客观权重各自的贡献率,进而得到各类上下文信息的主客观权重,即主观权重和客观权重的优化组合值,提高了上下文感知系统的智能性和精确度,可以为用户提供更加个性化的服务。
原始上下文信息多种多样,不可避免地存在异构数据。同类上下文信息间具有一定的相似性,更容易进行约减和融合,所以先进行同类上下文信息的融合,然后结合动态的主客观权重信息进行多种异类上下文信息的融合,可以更高效地得出精确的感知结果。
本发明的技术方案为:
一种基于反馈的自适应主客观权重上下文感知系统,包括原始上下文信息采集模块、上下文融合模块、上下文推理模块、上下文应用模块以及用户模块。
所述原始上下文信息采集模块与所述上下文融合模块相连,所述上下文融合模块、所述上下文推理模块、所述上下文应用模块以及所述用户模块依次循环连接;
所述原始上下文采集模块用于采取不同的方式从不同的信息源采集原始上下文信息,所述原始上下文信息是指从不同传感器采集到的原始数据;所述上下文融合模块用于对原始上下文信息进行融合处理,提取出可供所述上下文推理模块使用的初级上下文信息;所述上下文推理模块用于对各种不同的初级上下文信息进行推理,得出可供所述上下文应用模块直接使用的高级上下文信息;所述上下文应用模块利用所述高级上下文信息,调整相应应用程序或设备,为用户提供恰当的服务;所述用户模块提取用户显式或隐式反馈,经过量化评估后转化为对每类上下文信息准确性的判断信息,发送至所述主客观权重管理单元,用于对各类上下文信息进行主观权重和客观权重各自贡献率的优化;所述显式反馈是指用户主动做出的反馈行为,如采用满意度评分机制收集到的用户数据,所述隐式反馈是指上下文感知系统通过用户表情识别,用户行为分析间接推断出来的用户数据。
根据本发明优选的,所述上下文融合模块包括依次连接的上下文信息预处理单元、主客观权重管理单元、上下文信息融合单元;
所述上下文信息预处理单元对原始上下文信息进行数据建模,建模模式为“感知类型+感知信息”,并对原始上下文信息分类,通过均值方法、最小二乘方法、最大似然估计方法或卡尔曼滤波方法对同类上下文信息间进行缺失值处理和融合操作;
所述主客观权重管理单元用于:根据系统感知事件类型,确认需要分配权重的上下文信息种类,并用主观赋权算法计算各类上下文信息的主观权重,所述主观赋权算法包括:Delphi算法、循环打分法、二项系数法和层次分析法(Analytic Hierarchy Process,AHP);然后用客观赋权法计算各类上下文信息的客观权重,所述客观赋权法包括主成分分析法(Principal Components Analysis,PCA)、变异系数法、熵权法和多目标规划法,根据用户反馈的评估量化信息动态计算各类上下文信息的主观权重和客观权重的贡献率,最后根据贡献率得出各类上下文信息的主客观权重;
所述上下文信息融合单元对所述主客观权重管理单元给出的多类上下文信息和主客观权重用多种信息融合算法进行融合,得到初级上下文信息,所述信息融合算法包括基于神经网络的融合算法,基于卡尔曼滤波的融合算法、基于模糊理论的融合算法和基于D-S证据理论的融合算法。
根据本发明优选的,所述上下文推理模块包括依次连接的决策管理单元和上下文信息推理单元;
所述决策管理单元根据初级上下文信息的种类和感知事件类型选择合适的推理方法,并为多种信息融合算法的结果分配不同的权重以提高推理准确度;
所述上下文信息推理单元根据所述决策管理单元给出的推理方法,对所述上下文信息融合单元的不同融合算法产生的初级上下文信息进行推理处理,得到可供所述上下文应用模块直接使用的高级上下文信息,所述上下文推理方法包括本体推理方法、基于规则的推理方法、基于证据论的推理方法和基于贝叶斯网络的推理方法。
上述上下文感知系统的工作方法,包括步骤如下:
S01:原始上下文信息采集
从各类传感器获取原始上下文信息;
S02:上下文信息建模
所述上下文信息预处理单元对原始上下文信息进行数据建模,建模模式为“感知类型+感知信息”;
S03:上下文信息分类融合
所述上下文预处理单元对原始上下文信息进行分类,即表示同种属性的上下文信息归为同类原始上下文信息,同类原始上下文信息间,通过均值方法、最小二乘方法、最大似然估计方法或卡尔曼滤波方法进行缺失值处理和融合操作;
S04:确认感知所需上下文信息类型
所述主客观权重管理单元根据系统感知事件类型及各类上下文信息与该事件的相关性来确认需要分配权重的上下文信息种类,例如:在水质污染状况检测中,通常会获取到水温、酸碱度等几十类上下文信息,但与水质污染状况检测相关性较高的只有PH值、电导率等几类关键上下文信息,所以只需要对这几类关键上下文信息分配权重。需要分配权重的上下文信息种类数量总数设为n;
S05:计算各类上下文信息主观权重
所述主客观权重管理单元运用主观赋权算法,根据用户偏好,为需要分配权重的n类上下文信息分配权重,权重向量表示为Wsi表示第i类上下文信息的主观权重值;
S06:计算各类上下文信息客观权重
所述主客观权重管理单元运用客观赋权算法,为需要分配权重的n类上下文信息分配权重,权重向量表示为Woi表示第i类上下文信息的客观权重值;
S07:判断是否有反馈产生
所述主客观权重管理单元判断是否有来自所述用户模块的用户反馈,若有,则执行步骤S08,若没有,则执行步骤S09;
S08:计算贡献率
所述主客观权重管理单元根据用户反馈的评估量化信息来计算主观权重和客观权重的贡献率,主观权重的贡献率为α,客观权重的贡献率为1-α,计算公式如式(Ⅰ)所示:
式(Ⅰ)中,Ti为用户产生的反馈总数;Ri为:在有用户反馈的情况下,第i类上下文信息经融合推理后得到的结果与用户反馈一致的数目,此处一致是指用户认同系统通过融合推理后给出的结果,包括用户主动给出的认可评价(显式)或者根据用户表情及动作等间接推断出的认可行为(隐式);α的初始值设为0.5,即各类上下文信息的主观权重和客观权重的贡献率相同;
S09:主客观权重合成
所述主客观权重管理单元根据贡献率对各类上下文信息的主观权重和客观权重进行合成,得到每类上下文信息的主客观权重值,合成公式如式(Ⅱ)所示:
式(Ⅱ)中,Wi为第i类上下文信息的主客观权重值;
最终得到的主客观权重为
S10:多算法上下文信息融合
所述上下文信息融合单元结合主客观权重,用不同的上下文信息融合算法,分别对多类上下文信息进行融合,每种信息融合算法得出一个概率向量,用来表示系统所有感知结果的可能性,这几个相同或者不同的概率向量作为初级上下文信息用来进行上下文信息推理;
S11:上下文信息推理
所述上下文推理模块利用所述决策管理单元给出的推理算法,对步骤S10得到的初级上下文信息进行推理,几个相同或者不同的概率向量经过相应的推理算法推理后得到最终的感知结果,即可供所述上下文应用模块应用的高级上下文信息;
S12:上下文应用
所述上下文应用模块接收到高级上下文信息后,调整相应应用程序或设备,为用户提供恰当的服务;
S13:用户反馈
所述用户模块记录用户在使用上下文应用过程中对系统进行的调整或用户在使用系统过程中的行为,作为用户的显式反馈或者隐式反馈;
S14:评估量化
所述用户模块提取用户显式反馈或者隐式反馈,转化为对每类上下文信息准确性的判断信息,发送至所述主客观权重管理单元进行主观权重和客观权重各自贡献率的优化。
本发明的有益效果为:
1、不同类型的上下文信息可以反映同一事件的情况或状态,但是会对检测精度产生影响。并且,系统在为用户提供服务时,要充分考虑用户的主观偏好信息,做到“以人为本”。本发明所述基于反馈的自适应主客观权重上下文感知系统既考虑到用户的偏好信息,又考虑到了各类上下文信息对决策的客观影响,针对不同的感知事件选择合理的上下文信息种类,在上下文信息融合推理过程中为不同种类的上下文信息分配不同的权重因子,提高了上下文信息融合推理的效率和准确率,可以为用户提供更智能、个性化的服务;
2、本发明所述基于反馈的自适应主客观权重上下文感知系统结合用户的反馈量化信息动态更新优化各类上下文信息的主观权重和客观权重各自的贡献率,进而得到各类上下文信息的主客观权重,即主观权重和客观权重的优化组合值,提高了上下文感知系统的智能性和精确度,可以为用户提供更加个性化的服务。
附图说明
图1为本发明所述基于反馈的自适应主客观权重上下文感知系统的结构框架图;
图2为本发明所述基于反馈的自适应主客观权重上下文感知系统的工作流程图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例1
一种基于反馈的自适应主客观权重上下文感知系统,如图1所示,包括原始上下文信息采集模块、上下文融合模块、上下文推理模块、上下文应用模块以及用户模块。
原始上下文信息采集模块与上下文融合模块相连,上下文融合模块、上下文推理模块、上下文应用模块以及用户模块依次循环连接;
原始上下文采集模块用于采取不同的方式从不同的信息源采集原始上下文信息,原始上下文信息是指从不同传感器采集到的原始数据;上下文融合模块用于对原始上下文信息进行融合处理,提取出可供所述上下文推理模块使用的初级上下文信息;上下文推理模块用于对各种不同的初级上下文信息进行推理,得出可供所述上下文应用模块直接使用的高级上下文信息;上下文应用模块利用所述高级上下文信息,调整相应应用程序或设备,为用户提供恰当的服务;用户模块提取用户显式或隐式反馈,经过量化评估后转化为对每类上下文信息准确性的判断信息,发送至所述主客观权重管理单元,用于对各类上下文信息进行主观权重和客观权重各自贡献率的优化;显式反馈是指用户主动做出的反馈行为,如采用满意度评分机制收集到的用户数据,隐式反馈是指上下文感知系统通过用户表情识别,用户行为分析间接推断出来的用户数据。
上下文融合模块包括依次连接的上下文信息预处理单元、主客观权重管理单元、上下文信息融合单元;
上下文信息预处理单元对原始上下文信息进行数据建模,建模模式为“感知类型+感知信息”,并对原始上下文信息分类,通过均值方法、最小二乘方法、最大似然估计方法或卡尔曼滤波方法对同类上下文信息间进行缺失值处理和融合操作;
主客观权重管理单元用于:根据系统感知事件类型,确认需要分配权重的上下文信息种类,并用主观赋权算法计算各类上下文信息的主观权重,所述主观赋权算法包括:Delphi算法、循环打分法、二项系数法和层次分析法(Analytic Hierarchy Process,AHP);然后用客观赋权法计算各类上下文信息的客观权重,所述客观赋权法包括主成分分析法(Principal Components Analysis,PCA)、变异系数法、熵权法和多目标规划法,根据用户反馈的评估量化信息动态计算各类上下文信息的主观权重和客观权重的贡献率,最后根据贡献率得出各类上下文信息的主客观权重;
上下文信息融合单元对所述主客观权重管理单元给出的多类上下文信息和主客观权重用多种信息融合算法进行融合,得到初级上下文信息,所述信息融合算法包括基于神经网络的融合算法,基于卡尔曼滤波的融合算法、基于模糊理论的融合算法和基于D-S证据理论的融合算法。
上下文推理模块包括依次连接的决策管理单元和上下文信息推理单元;
决策管理单元根据初级上下文信息的种类和感知事件类型选择合适的推理方法,并为多种信息融合算法的结果分配不同的权重以提高推理准确度;
上下文信息推理单元根据所述决策管理单元给出的推理方法,对所述上下文信息融合单元的不同融合算法产生的初级上下文信息进行推理处理,得到可供所述上下文应用模块直接使用的高级上下文信息,所述上下文推理方法包括本体推理方法、基于规则的推理方法、基于证据论的推理方法和基于贝叶斯网络的推理方法。
实施例2
实施例1所述的上下文感知系统的工作方法,如图2所示,本实施例以上下文感知计算的一个场景——智慧健身系统为例,在智慧健身系统中,通过不同传感器分别采集用户的体重、身高、心率和血氧饱和度这些上下文信息,分别表示为Iw、Ih、Ir、Io。通过采集这4种上下文信息,最终给用户提出合适运动强度的健身项目建议。此例中,最后给出的建议包括三种:较弱强度的项目、中等强度的项目和较高强度的项目。包括步骤如下:
S01:原始上下文信息采集
获取的原始上下文信息有1组体重信息Iw,2组身高信息Ih1、Ih2,2组心率信息Ir1、Ir2,1组血氧饱和度信息Io。
S02:上下文信息建模
建模好的上下文信息为Iw=“感知类型-体重”+“感知信息-70kg”,Ih1=“感知类型-身高”+“感知信息-180cm”,Ih2=“感知类型-身高”+“感知信息-180cm”,Ir1=“感知类型-心率”+“感知信息-70次/min”,Ir2=“感知类型-心率”+“感知信息-72次/min”,Io=“感知类型-血氧饱和度”+“感知信息-95%”。
S03:上下文信息分类融合
对2组身高信息Ih1、Ih2进行处理后得到一组数据Ih,对2组心率信息Ir1、Ir2进行处理后得到一组数据Ir,此处无数据缺失且数据量较小,融合算法选择均值法。
S04:确认感知所需上下文信息类型
感知事件类型为用户提供合理运动强度的健身项目,确认忽略掉身高信息,需要分配的上下文信息种类为体重、心率、血氧饱和度,上下文信息种类总数为3。
S05:计算各类上下文信息主观权重
根据专家建议及用户喜好等信息,用主观赋权算法赋予三类上下文信息Iw、Ir、Io的权重向量为
S06:计算各类上下文信息客观权重
用客观赋权算法赋予三类上下文信息Iw、Ir、Io的客观权重向量为
S07:判断是否有反馈产生
判断是否有用户的反馈信息,即用户对于系统建议的运动方式是否适合自己的反馈信息。若接收到反馈信息,则执行步骤S08,若没有接收到反馈信息,则执行步骤S09;
S08:计算贡献率
n=3,初始的主观权重贡献率为α=0.5,当用户给出反馈后,根据公式(Ⅰ)计算主观权重的贡献率α和客观权重的贡献率1-α,公式为:
S09:主客观权重合成
三类上下文信息Iw、Ir、Io的主观权重向量为客观权重向量为用公式(Ⅱ)对两种权重进行合成,公式为
最终得到的主客观权重向量为
S10:多算法上下文信息融合
结合最终给出的主客观权重向量,用4种不同的上下文融合算法(基于神经网络的融合算法,基于卡尔曼滤波的融合算法、基于模糊理论的融合算法和基于D-S证据理论的融合算法)对3种上下文信息Iw、Ir、Io进行融合,每个算法得出一个用概率向量表示的建议,如:第一种算法的融合结果为用户适合较弱强度的项目、中等强度的项目还是较高强度的项目各自的概率为(0.6,0.3,0.1),共得出4个相同或者不同的概率向量。
S11:上下文信息推理
对步骤S10得出的4个概率向量用所述决策管理单元给出的推理算法进行推理最后给出最终的1个建议,如:该用户适合中等强度的健身项目;
S12:上下文应用
系统根据步骤S11给出的建议—用户适合中等强度的健身项目,自动在屏幕显示中等强度运动项目类型及相关注意事项。
S13:用户反馈
用户看到系统给出的运动建议,选择了中等强度运动的健身项目,则认为该次用户反馈信息与上下文感知系统的推理结果一致。
S14:评估量化
所述用户模块动态保存用户的反馈次数以及推理结果与用户反馈一致的数目,并将这些信息实时发送至主客观权重管理单元动态更新主观权重和客观权重各自的贡献率。
Claims (4)
1.一种基于反馈的自适应主客观权重上下文感知系统,其特征在于,包括原始上下文信息采集模块、上下文融合模块、上下文推理模块、上下文应用模块以及用户模块;
所述原始上下文信息采集模块与所述上下文融合模块相连,所述上下文融合模块、所述上下文推理模块、所述上下文应用模块以及所述用户模块依次循环连接;
所述原始上下文采集模块用于采取不同的方式从不同的信息源采集原始上下文信息,所述原始上下文信息是指从不同传感器采集到的原始数据;所述上下文融合模块用于对原始上下文信息进行融合处理,提取出可供所述上下文推理模块使用的初级上下文信息;所述上下文推理模块用于对各种不同的初级上下文信息进行推理,得出可供所述上下文应用模块直接使用的高级上下文信息;所述上下文应用模块利用所述高级上下文信息,调整相应应用程序或设备,为用户提供恰当的服务;所述用户模块提取用户显式或隐式反馈,经过量化评估后转化为对每类上下文信息准确性的判断信息,发送至所述主客观权重管理单元,用于对各类上下文信息进行主观权重和客观权重各自贡献率的优化;所述显式反馈是指用户主动做出的反馈行为,所述隐式反馈是指上下文感知系统通过用户表情识别,用户行为分析间接推断出来的用户数据。
2.根据权利要求1所述的一种基于反馈的自适应主客观权重上下文感知系统,其特征在于,所述上下文融合模块包括依次连接的上下文信息预处理单元、主客观权重管理单元、上下文信息融合单元;
所述上下文信息预处理单元对原始上下文信息进行数据建模,建模模式为“感知类型+感知信息”,并对原始上下文信息分类,通过均值方法、最小二乘方法、最大似然估计方法或卡尔曼滤波方法对同类上下文信息间进行缺失值处理和融合操作;
所述主客观权重管理单元用于:根据系统感知事件类型,确认需要分配权重的上下文信息种类,并用主观赋权算法计算各类上下文信息的主观权重,所述主观赋权算法包括:Delphi算法、循环打分法、二项系数法和层次分析法;然后用客观赋权法计算各类上下文信息的客观权重,所述客观赋权法包括主成分分析法、变异系数法、熵权法和多目标规划法,根据用户反馈的评估量化信息动态计算各类上下文信息的主观权重和客观权重的贡献率,最后根据贡献率得出各类上下文信息的主客观权重;
所述上下文信息融合单元对所述主客观权重管理单元给出的多类上下文信息和主客观权重用多种信息融合算法进行融合,得到初级上下文信息,所述信息融合算法包括基于神经网络的融合算法,基于卡尔曼滤波的融合算法、基于模糊理论的融合算法和基于D-S证据理论的融合算法。
3.根据权利要求2所述的一种基于反馈的自适应主客观权重上下文感知系统,其特征在于,所述上下文推理模块包括依次连接的决策管理单元和上下文信息推理单元;
所述决策管理单元根据初级上下文信息的种类和感知事件类型选择合适的推理方法,并为多种信息融合算法的结果分配不同的权重以提高推理准确度;
所述上下文信息推理单元根据所述决策管理单元给出的推理方法,对所述上下文信息融合单元的不同融合算法产生的初级上下文信息进行推理处理,得到可供所述上下文应用模块直接使用的高级上下文信息,所述上下文推理方法包括本体推理方法、基于规则的推理方法、基于证据论的推理方法和基于贝叶斯网络的推理方法。
4.权利要求3所述的一种基于反馈的自适应主客观权重上下文感知系统的工作方法,其特征在于,包括步骤如下:
S01:原始上下文信息采集
从各类传感器获取原始上下文信息;
S02:上下文信息建模
所述上下文信息预处理单元对原始上下文信息进行数据建模,建模模式为“感知类型+感知信息”;
S03:上下文信息分类融合
所述上下文预处理单元对原始上下文信息进行分类,即表示同种属性的上下文信息归为同类原始上下文信息,同类原始上下文信息间,通过均值方法、最小二乘方法、最大似然估计方法或卡尔曼滤波方法进行缺失值处理和融合操作;
S04:确认感知所需上下文信息类型
所述主客观权重管理单元根据系统感知事件类型及各类上下文信息与该事件的相关性来确认需要分配权重的上下文信息种类,需要分配权重的上下文信息种类数量总数设为n;
S05:计算各类上下文信息主观权重
所述主客观权重管理单元运用主观赋权算法,根据用户偏好,为需要分配权重的n类上下文信息分配权重,权重向量表示为Wsi表示第i类上下文信息的主观权重值;
S06:计算各类上下文信息客观权重
所述主客观权重管理单元运用客观赋权算法,为需要分配权重的n类上下文信息分配权重,权重向量表示为Woi表示第i类上下文信息的客观权重值;
S07:判断是否有反馈产生
所述主客观权重管理单元判断是否有来自所述用户模块的用户反馈,若有,则执行步骤S08,若没有,则执行步骤S09;
S08:计算贡献率
所述主客观权重管理单元根据用户反馈的评估量化信息来计算主观权重和客观权重的贡献率,主观权重的贡献率为α,客观权重的贡献率为1-α,计算公式如式(Ⅰ)所示:
式(Ⅰ)中,Ti为用户产生的反馈总数;Ri为:在有用户反馈的情况下,第i类上下文信息经融合推理后得到的结果与用户反馈一致的数目;
S09:主客观权重合成
所述主客观权重管理单元根据贡献率对各类上下文信息的主观权重和客观权重进行合成,得到每类上下文信息的主客观权重值,合成公式如式(Ⅱ)所示:
式(Ⅱ)中,Wi为第i类上下文信息的主客观权重值;
最终得到的主客观权重为
S10:多算法上下文信息融合
所述上下文信息融合单元结合主客观权重,用不同的上下文信息融合算法,分别对多类上下文信息进行融合,每种信息融合算法得出一个概率向量,用来表示系统所有感知结果的可能性,这几个相同或者不同的概率向量作为初级上下文信息用来进行上下文信息推理;
S11:上下文信息推理
所述上下文推理模块利用所述决策管理单元给出的推理算法,对步骤S10得到的初级上下文信息进行推理,几个相同或者不同的概率向量经过相应的推理算法推理后得到最终的感知结果,即可供所述上下文应用模块应用的高级上下文信息;
S12:上下文应用
所述上下文应用模块接收到高级上下文信息后,调整相应应用程序或设备,为用户提供恰当的服务;
S13:用户反馈
所述用户模块记录用户在使用上下文应用过程中对系统进行的调整或用户在使用系统过程中的行为,作为用户的显式反馈或者隐式反馈;
S14:评估量化
所述用户模块提取用户显式反馈或者隐式反馈,转化为对每类上下文信息准确性的判断信息,发送至所述主客观权重管理单元进行主观权重和客观权重各自贡献率的优化。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611252003.XA CN106650937B (zh) | 2016-12-30 | 2016-12-30 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
JP2019532041A JP6771105B2 (ja) | 2016-12-30 | 2017-09-30 | フィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムおよびその動作方法。 |
PCT/CN2017/104988 WO2018120963A1 (zh) | 2016-12-30 | 2017-09-30 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611252003.XA CN106650937B (zh) | 2016-12-30 | 2016-12-30 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650937A true CN106650937A (zh) | 2017-05-10 |
CN106650937B CN106650937B (zh) | 2019-09-27 |
Family
ID=58836300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611252003.XA Active CN106650937B (zh) | 2016-12-30 | 2016-12-30 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6771105B2 (zh) |
CN (1) | CN106650937B (zh) |
WO (1) | WO2018120963A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052973A (zh) * | 2017-12-11 | 2018-05-18 | 中国人民解放军战略支援部队信息工程大学 | 基于多项眼动数据的地图符号用户兴趣分析方法 |
WO2018120963A1 (zh) * | 2016-12-30 | 2018-07-05 | 山东大学 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
CN109711663A (zh) * | 2018-11-15 | 2019-05-03 | 国网山东省电力公司淄博供电公司 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及系统 |
CN110599033A (zh) * | 2019-09-12 | 2019-12-20 | 辽宁工程技术大学 | 一种引入更新因子的采空区自燃危险动态预测方法 |
CN110619466A (zh) * | 2019-09-16 | 2019-12-27 | 卓尔智联(武汉)研究院有限公司 | 信息处理方法、装置及存储介质 |
WO2020001095A1 (zh) * | 2018-06-25 | 2020-01-02 | 山东大学 | 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113257023B (zh) * | 2021-04-13 | 2022-09-09 | 哈尔滨工业大学 | 一种l3级自动驾驶风险评估与接管预警方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594928A (zh) * | 2012-04-05 | 2012-07-18 | 山东大学 | 一种协作上下文感知的框架模型 |
CN105389405A (zh) * | 2015-12-30 | 2016-03-09 | 山东大学 | 一种多推理引擎融合上下文感知系统框架及其工作方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004533660A (ja) * | 2000-10-18 | 2004-11-04 | ジヨンソン・アンド・ジヨンソン・コンシユーマー・カンパニーズ・インコーポレーテツド | 知能性能ベースの製品推奨システム |
US20040025183A1 (en) * | 2002-07-31 | 2004-02-05 | Koninklijke Philips Electronics N.V. | Optimization of personal television |
JP5491891B2 (ja) * | 2009-05-11 | 2014-05-14 | パナソニック株式会社 | 機器マネージメント装置およびプログラム |
FI20095570L (fi) * | 2009-05-22 | 2009-09-11 | Valtion Teknillinen | Kontekstin tunnistaminen mobiiliaitteissa |
US8886586B2 (en) * | 2009-05-24 | 2014-11-11 | Pi-Coral, Inc. | Method for making optimal selections based on multiple objective and subjective criteria |
JP5851737B2 (ja) * | 2011-07-04 | 2016-02-03 | 大和ハウス工業株式会社 | 室内環境制御システム及び室内環境制御方法 |
JP5775417B2 (ja) * | 2011-10-18 | 2015-09-09 | Kddi株式会社 | ユーザインタフェース自動分析評価システム及びユーザインタフェース自動分析評価方法 |
CN103246819B (zh) * | 2013-05-20 | 2016-10-05 | 山东大学 | 一种面向普适计算的不一致性上下文消除系统和方法 |
CN104346451A (zh) * | 2014-10-29 | 2015-02-11 | 山东大学 | 一种基于用户反馈的情景感知系统及其工作方法和应用 |
CN105095471A (zh) * | 2015-08-07 | 2015-11-25 | 合肥工业大学 | 一种基于短记忆的上下文感知推荐方法 |
CN105654134B (zh) * | 2015-12-30 | 2018-11-23 | 山东大学 | 一种基于有监督自反馈的情景感知系统及其工作方法与应用 |
CN106650937B (zh) * | 2016-12-30 | 2019-09-27 | 山东大学 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
-
2016
- 2016-12-30 CN CN201611252003.XA patent/CN106650937B/zh active Active
-
2017
- 2017-09-30 JP JP2019532041A patent/JP6771105B2/ja active Active
- 2017-09-30 WO PCT/CN2017/104988 patent/WO2018120963A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594928A (zh) * | 2012-04-05 | 2012-07-18 | 山东大学 | 一种协作上下文感知的框架模型 |
CN105389405A (zh) * | 2015-12-30 | 2016-03-09 | 山东大学 | 一种多推理引擎融合上下文感知系统框架及其工作方法 |
Non-Patent Citations (2)
Title |
---|
李石: "上下文感知系统框架及不一致上下文信息处理算法研究", 《中国学位论文全文数据库》 * |
马守明等: "基于集对分析的上下文感知不确定性的推理方法", 《南京邮电大学学报(自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120963A1 (zh) * | 2016-12-30 | 2018-07-05 | 山东大学 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
CN108052973A (zh) * | 2017-12-11 | 2018-05-18 | 中国人民解放军战略支援部队信息工程大学 | 基于多项眼动数据的地图符号用户兴趣分析方法 |
CN108052973B (zh) * | 2017-12-11 | 2020-05-05 | 中国人民解放军战略支援部队信息工程大学 | 基于多项眼动数据的地图符号用户兴趣分析方法 |
WO2020001095A1 (zh) * | 2018-06-25 | 2020-01-02 | 山东大学 | 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 |
CN109711663A (zh) * | 2018-11-15 | 2019-05-03 | 国网山东省电力公司淄博供电公司 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及系统 |
CN109711663B (zh) * | 2018-11-15 | 2021-03-02 | 国网山东省电力公司淄博供电公司 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及系统 |
CN110599033A (zh) * | 2019-09-12 | 2019-12-20 | 辽宁工程技术大学 | 一种引入更新因子的采空区自燃危险动态预测方法 |
CN110619466A (zh) * | 2019-09-16 | 2019-12-27 | 卓尔智联(武汉)研究院有限公司 | 信息处理方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106650937B (zh) | 2019-09-27 |
JP2020504374A (ja) | 2020-02-06 |
WO2018120963A1 (zh) | 2018-07-05 |
JP6771105B2 (ja) | 2020-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650937A (zh) | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 | |
Liu et al. | Toward AI fashion design: An Attribute-GAN model for clothing match | |
Christakou et al. | A hybrid movie recommender system based on neural networks | |
CN103649958B (zh) | 基于用户心理指数的建议推荐系统 | |
CN104077351B (zh) | 基于异构信息网络的内容提供方法及系统 | |
CN106919951A (zh) | 一种基于点击与视觉融合的弱监督双线性深度学习方法 | |
CN106874355A (zh) | 同时融入社交关系和用户相似度的协同过滤方法 | |
CN107292097A (zh) | 基于特征组的特征选择方法、及中医主症选择方法 | |
CN109636467A (zh) | 一种品牌的互联网数字资产的综合评估方法及系统 | |
CN109446420A (zh) | 一种跨域协同过滤方法和系统 | |
Gagliardi et al. | Evaluation of sustainability of a city through fuzzy logic | |
CN110288097A (zh) | 一种模型训练的方法以及相关装置 | |
KR102461863B1 (ko) | 개인화 스타일링 추천 시스템 및 방법 | |
CN116226655A (zh) | 智慧家庭环境感知方法、装置、存储介质和电子设备 | |
CN107657480A (zh) | 基于售卖设备用户信息进行信息采集和/或推送的系统 | |
CN107562866A (zh) | 基于用户需求的匹配方法及装置 | |
JP2020135494A (ja) | 画像検索装置および教師データ抽出方法 | |
KR102305177B1 (ko) | Ai 개체에 대한 정보 수집 플랫폼 및 이를 통한 정보 수집 방법 | |
CN107895215A (zh) | 基于神经网络的社会网络影响力预测及最大化系统与方法 | |
Cervera et al. | Forecasting model with machine learning in higher education ICFES exams | |
CN116935270A (zh) | 用户视频辅助管理方法、存储介质及电子装置 | |
CN114386826A (zh) | 一种基于融合感官体验的模糊网络dea包装材料评估方法 | |
CN108875030A (zh) | 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 | |
CN112131711A (zh) | 一种基于概率神经网络的运动紧身服合体性水平预测方法 | |
Dutta et al. | Dialogue in hierarchical learning of concept using prototypes and counterexamples |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |