本發(fā)明涉及一種上下文感知系統(tǒng)，尤其涉及一種語用網(wǎng)驅(qū)動的上下文感知系統(tǒng)。

背景技術(shù)：

語義網(wǎng)(Semantic Web)是萬維網(wǎng)的本質(zhì)變革，語義網(wǎng)上的信息被賦予了明確的含義，便于人與計算機(jī)之間的協(xié)作，然而，傳統(tǒng)的語義網(wǎng)本體僅能表示靜態(tài)知識和絕對知識，不適合處理現(xiàn)實世界中動態(tài)變化的知識。針對傳統(tǒng)的語義網(wǎng)本體實現(xiàn)動態(tài)知識管理與控制存在的不足，引入了上下文(Context)這一概念，進(jìn)而發(fā)展成為下一代網(wǎng)絡(luò)：語用網(wǎng)(Pragmatic Web)。現(xiàn)階段的上下文感知系統(tǒng)架構(gòu)大多是靜態(tài)的，研究角度主要有基于本體和基于語義Web 技術(shù)等，它們無法結(jié)合用戶特定的情境(Specific Situation)及用戶動態(tài)變化的興趣偏好，不能準(zhǔn)確地捕獲用戶的真實意圖，無法準(zhǔn)確地為用戶推薦最適合的服務(wù)。

上下文是語用網(wǎng)的核心元素，用來刻畫實體的某種屬性，Dey 對上下文給出的定義是：上下文是用來描述實體狀態(tài)的任何信息，實的狀態(tài)可以是當(dāng)前狀態(tài)，也可以是已記錄的歷史狀態(tài)。其中，實體是指用戶和應(yīng)用程序交互過程中相關(guān)的人、地點或?qū)ο?，包括用戶以及?yīng)用程序本身，并且每一種實體都可以用一個owl:Class 來表示。上下文可由多個上下文屬性（contextattribute）表示，上下文屬性是用來描述上下文特征的元素，它具有標(biāo)識符、類型和值，上下文屬性的值與對各領(lǐng)域的興趣值一致。例如，一個智能家居環(huán)境的室溫、能源消耗以及光照強(qiáng)度等都可作為上下文屬性。

技術(shù)實現(xiàn)要素：

針對現(xiàn)階段上下文感知系統(tǒng)存在的局限性，本文借鑒了語用網(wǎng)在表達(dá)動態(tài)知識方面的優(yōu)勢，提出了一種面向全新領(lǐng)域的上下文感知系統(tǒng)—語用網(wǎng)驅(qū)動的上下文感知系統(tǒng)

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

語用網(wǎng)驅(qū)動的上下文感知系統(tǒng)包括三層結(jié)構(gòu)：上下文獲取層、上下文中間件層和上下文服務(wù)層。

所述的上下文獲取層包括外部上下文和內(nèi)部上下文的獲取。外部上下文（也稱低層上下文）通常描述物理環(huán)境的狀態(tài)，如位置、溫度和時間等，它可以通過物理傳感器、邏輯傳感器及其它知器直接獲取。內(nèi)部上下文（也稱高層上下文）用來描述用戶狀態(tài)，如工狀態(tài)、個人事件、通信上下文及用戶的情感狀態(tài)，通過網(wǎng)絡(luò)抓包技術(shù)抓取的用戶訪問的網(wǎng)頁、傳遞的文件或通過網(wǎng)絡(luò)媒介傳輸?shù)娜魏蝺?nèi)容均可作為內(nèi)部上下文的有效來源。由于用戶靜態(tài)的信息并不適用于上下文感知系統(tǒng)識別用戶動態(tài)變化的意圖，識別用戶的興趣最有效的資源是用戶當(dāng)前感興趣的上下文，因此，內(nèi)部上下文更具有應(yīng)用價值。，本文引入了基于數(shù)據(jù)包的上下文獲取技術(shù)，該技術(shù)可以高效的獲取用戶的內(nèi)部上下文。

所述的上下文中間件層在PWDCS 系統(tǒng)中起著承上啟下的作用，由三大模塊組成：上下文解析模塊、上下文存儲模塊和上下文推理模塊。上下文中間件層分離了上下文信息的感知與應(yīng)用開發(fā)，向上對上下文服務(wù)層提供統(tǒng)一的上下文使用接口，向下可以接入各類傳感器，此處是指廣義的傳感器，它可以是物理器件也可以是軟件系統(tǒng)。

所述的上下文服務(wù)層是PWDCS系統(tǒng)的應(yīng)用部分，它的實現(xiàn)是通過上下文存儲庫提供的高層上下文和智能體（Agent）間的通信、協(xié)商完成的。用戶通過API接口向PWDCS系統(tǒng)發(fā)出服務(wù)請求，這一請求被上下文感知服務(wù)中Agent所接收，并在上下文感知服務(wù)中發(fā)現(xiàn)與之相同或相關(guān)的服務(wù)，通過API接口推薦給用戶。

本發(fā)明的有益效果是：

針對已有的上下文感知系統(tǒng)無法對動態(tài)知識進(jìn)行表達(dá)和推理這一問題，本文提出并設(shè)計了具有動態(tài)架構(gòu)的語用網(wǎng)驅(qū)動的上下文感知系統(tǒng)，目的在于為上下文感知機(jī)制提供一個開放、可重用的基礎(chǔ)設(shè)施。該系統(tǒng)采用基于數(shù)據(jù)包的上下文獲取技術(shù)，更加準(zhǔn)確地捕獲了用戶的真實意圖，結(jié)合規(guī)則庫中的推理規(guī)則推導(dǎo)出高層上下文，并將其作為服務(wù)發(fā)現(xiàn)的有效信息來源，利用上下文感知Agent進(jìn)行上下文感知服務(wù)發(fā)現(xiàn)，將與用戶請求相符或相關(guān)的服務(wù)推薦給用戶，避免用戶盲目地尋找所需要的服務(wù)，為用戶節(jié)省時間，最終實現(xiàn)“以用戶為中心”的個性化推薦服務(wù)，提升用戶的滿意度。

附圖說明

下面結(jié)合附圖和實施例對本發(fā)明進(jìn)一步說明。

圖1是語用網(wǎng)驅(qū)動的上下文感知系統(tǒng)框架。

圖2是基于數(shù)據(jù)包的上下文獲取模塊的基本架構(gòu)。

圖3是基于數(shù)據(jù)包的上下文獲取模塊的工作流程圖。

圖4是上下文本體的解析流程圖。

圖5是上下文推理模塊的推理過程。

具體實施方式

如圖1所示，語用網(wǎng)驅(qū)動的上下文感知系統(tǒng)包括三層結(jié)構(gòu)：上下文獲取層、上下文中間件層和上下文服務(wù)層。上下文獲取層包括外部上下文和內(nèi)部上下文的獲取。外部上下文（也稱低層上下文）通常描述物理環(huán)境的狀態(tài)，如位置、溫度和時間等，它可以通過物理傳感器、邏輯傳感器及其它知器直接獲取。內(nèi)部上下文（也稱高層上下文）用來描述用戶狀態(tài)，如工狀態(tài)、個人事件、通信上下文及用戶的情感狀態(tài)，通過網(wǎng)絡(luò)抓包技術(shù)抓取的用戶訪問的網(wǎng)頁、傳遞的文件或通過網(wǎng)絡(luò)媒介傳輸?shù)娜魏蝺?nèi)容均可作為內(nèi)部上下文的有效來源。由于用戶靜態(tài)的信息并不適用于上下文感知系統(tǒng)識別用戶動態(tài)變化的意圖，識別用戶的興趣最有效的資源是用戶當(dāng)前感興趣的上下文，因此，內(nèi)部上下文更具有應(yīng)用價值。，本文引入了基于數(shù)據(jù)包的上下文獲取技術(shù)，該技術(shù)可以高效的獲取用戶的內(nèi)部上下文。上下文中間件層在PWDCS 系統(tǒng)中起著承上啟下的作用，由三大模塊組成：上下文解析模塊、上下文存儲模塊和上下文推理模塊。上下文中間件層分離了上下文信息的感知與應(yīng)用開發(fā)，向上對上下文服務(wù)層提供統(tǒng)一的上下文使用接口，向下可以接入各類傳感器，此處是指廣義的傳感器，它可以是物理器件也可以是軟件系統(tǒng)。上下文服務(wù)層是PWDCS系統(tǒng)的應(yīng)用部分，它的實現(xiàn)是通過上下文存儲庫提供的高層上下文和智能體（Agent）間的通信、協(xié)商完成的。用戶通過API接口向PWDCS系統(tǒng)發(fā)出服務(wù)請求，這一請求被上下文感知服務(wù)中Agent所接收，并在上下文感知服務(wù)中發(fā)現(xiàn)與之相同或相關(guān)的服務(wù)，通過API 接口推薦給用戶。

如圖2、3所示，基于數(shù)據(jù)包的上下文獲取技術(shù)的核心是基于數(shù)據(jù)包的上下文獲取模塊，簡稱為PBCAM (Package Based Context AcquisitionModule)。PBCAM運(yùn)行在用戶的計算機(jī)設(shè)備上，從網(wǎng)絡(luò)應(yīng)用程序中捕獲數(shù)據(jù)包，并對其進(jìn)行檢查和修改。網(wǎng)絡(luò)上有許多數(shù)據(jù)包，而PBCAM 只收集由用戶需要的文檔組成的明確的數(shù)據(jù)包，并忽略網(wǎng)絡(luò)流控制或除了TCP/IP協(xié)議之外的其它網(wǎng)絡(luò)協(xié)議的數(shù)據(jù)包。經(jīng)過提煉后的數(shù)據(jù)包抽取成純文檔，這些文檔經(jīng)過推理引擎處理后可作為內(nèi)部上下文。PBCAM原型系統(tǒng)使用VC++ 6.0 作為開發(fā)具，WinPcap3.1作為數(shù)據(jù)包獲取庫，其開發(fā)系統(tǒng)為安裝了服務(wù)包2 的臺式PC。PBCAM是由若干個智能體和推理引擎組成，首先，獲取引擎包括可以網(wǎng)絡(luò)層持續(xù)獲取數(shù)據(jù)包的監(jiān)聽智能體和用來配置監(jiān)聽智能體以集中獲取所需數(shù)據(jù)包的過濾模塊，過濾模塊是由系統(tǒng)自動配置，并將獲取到的數(shù)據(jù)包存檔。過濾后的數(shù)據(jù)包傳送到驗證引擎，根據(jù)已存儲在網(wǎng)絡(luò)協(xié)議數(shù)據(jù)庫中的網(wǎng)絡(luò)協(xié)議對其進(jìn)行檢查。然后，解碼智能體從驗證后的數(shù)據(jù)包中讀取分離出來的數(shù)據(jù)，并從數(shù)據(jù)中消除HTML 標(biāo)簽，生成純文檔。最后，PBCAM的推理引擎對純文檔進(jìn)行處理，此推理引擎包括詞向量工具WVT（Word Vector Tool）和支持向量機(jī)制SVM（Support Vector Machine），WVT用來攔截文檔中的單詞，并將這些單詞轉(zhuǎn)換成用向量表示的詞向量，SVM通過詞向量映射決定文檔的關(guān)鍵字，最終得到用戶的內(nèi)部上下文。PBCAM 模塊獲取到的內(nèi)上下文及傳感器直接獲取到的外部上下文都需要被組織成上下文本體的格式，便于上下文中間件層對其進(jìn)行深入處理。

上下文本體(Context Ontology)是指定義公共詞匯來共享普適計算領(lǐng)域中的上下文信息，利用上下文本體可以重用不同領(lǐng)域的知識。本文將上下文本體設(shè)計成兩層結(jié)構(gòu)：頂層本體和特定領(lǐng)域本體，頂層本體是可以獲取物理世界中通用上下文知識的高層本體，其中，術(shù)語ContextEntity是層次結(jié)構(gòu)圖的根，它的子實體指明所有的描述符都具有從根繼承來的一些屬性。頂層本體包含根元素ContextEntity和它的孩子：Person、Location、Activity、CompEntity。頂層本體提供一組基本概念（如實體），每個實體都描述一個物理或概念上的對象及一組抽象的子類。兩個實體通過屬性（用owl: DatatypeProperty表示）或關(guān)（owl:ObjectProperty表示）建立連接。另外，頂層本體與特定領(lǐng)域本體的子實體通過屬性owl: subClassOf建立關(guān)系，因此，可以通過添加特定領(lǐng)域所需的新概念來提供擴(kuò)展。特定領(lǐng)域本體用來收集低層本體，并定義每個子領(lǐng)域中詳細(xì)的通用概念和屬性。每個子領(lǐng)域的低層本體可以根據(jù)環(huán)境的改變動態(tài)地插入頂層本體或從頂層本體中撤離。例如，當(dāng)用戶離開家去車庫提車時，家這個領(lǐng)域本體就會自動從系統(tǒng)中撤離，而車輛領(lǐng)域本體會自動插入系統(tǒng)。

如圖4所示，上下文解析模塊主要負(fù)責(zé)對讀入的上下文本體文件進(jìn)行結(jié)構(gòu)分析、資源整合和語法轉(zhuǎn)換等語義解析，解析成上下文推模塊所能接受的三元組格式，并將解析后的上下文信息存儲到上下文存儲庫中。目前，基于描述邏輯(Description Logic-DL)的本體推理機(jī)本身不具備解析功能，因此需要第三方工具的支持，本文利用語義網(wǎng)工具包中Jena推理機(jī)完成解析，通過Jena 對OWL 語言及其它本體進(jìn)行推理。描述邏輯知識庫由ABox和TBox兩部分組成，基于描述邏輯的本體推理機(jī)最主要的就是從知識庫中的ABoxTBox進(jìn)行推理，實現(xiàn)上下文一致性檢驗的功能。另外，上下文存儲庫中存儲了所有知的上下文信息，包括經(jīng)過解析后的上下文信息、系統(tǒng)預(yù)定義的上下文本體和實例及用于推理的啟發(fā)性知識，如“同一個人不能在兩個不同地點同時出現(xiàn)”、“人的體溫不能為50℃”等，另外，經(jīng)過上下文推理模塊推導(dǎo)出的高層上下文也存儲到上下文存儲庫中。上下文存儲模塊最重要的功能是維護(hù)上下文存儲庫的一致性以及將一致的高層上下文信息向上交付給上下文服務(wù)層。引起上下文不一致的原因包括傳感數(shù)據(jù)的不完善和上下文存儲庫中上下文沒有及時反應(yīng)出環(huán)境的動態(tài)變化。

如圖5所示，上下文推理模塊主要功能包括：結(jié)合上下文存儲庫中的低層上下文推導(dǎo)出高層上下文以及利用上下文存儲庫中的啟發(fā)性知識判斷上下文信息的一致性，上下文推理模塊可用Jess（Java Expert System Shell）構(gòu)建，其工作原理是：從上下文存儲庫中讀取事實，與規(guī)則庫抽取的規(guī)則不斷地進(jìn)行匹配，如果滿足規(guī)則的前件則執(zhí)行規(guī)則指定的動作。

目前已有的上下文感知系統(tǒng)，如CoBrA，只能在局部環(huán)境的不同來源收集上下文信息以決定適合的服務(wù)推薦給用戶，但上下文感知系統(tǒng)是分布的、異構(gòu)的，僅返回精確匹配的結(jié)果是不夠的。為了改善當(dāng)前系統(tǒng)的這一局限性，本文設(shè)計的PWDCS系統(tǒng)在上下文服務(wù)層采用連接在全球服務(wù)（Global Service-GloServ）中的上下文感知Agent架構(gòu)進(jìn)行服務(wù)發(fā)現(xiàn)，不僅可以發(fā)現(xiàn)與用戶請求相符的精確結(jié)果，還能返回相關(guān)信息?；谏舷挛谋倔w分類的上下文感知Agent架構(gòu)中，每個Agent都處理一個指定的服務(wù)類，當(dāng)用戶發(fā)出服務(wù)請求時，Agent接收上下文信息，將它們映射到適當(dāng)?shù)腉loServ服務(wù)類中，并將它們轉(zhuǎn)換成指定的GloServ查詢，結(jié)合OWL語言對上下文及服務(wù)進(jìn)行分類，導(dǎo)致語義描述更加豐富，使得給用戶推薦的結(jié)果不只是精確信息，還包括相關(guān)信息，從而提升用戶的滿意度。通過一個具體實例來說明上下文感知Agent在全球服務(wù)中發(fā)現(xiàn)用戶所需服務(wù)的過程。當(dāng)用戶發(fā)出“cafe”請求，連接在GloServ中的Agent接收這條帶有用戶偏好的消息，將它映射到Restaurant這一服務(wù)類下，Restaurant類包含很多子類，如NYCRestaurant、BostonRestaurant等，Agent根據(jù)用戶提供的偏好在等價的服務(wù)或最接近的相關(guān)服務(wù)領(lǐng)域查找， 選擇了NYCRestaurant，NYCRestaurant類下ChineseNYCRestaurantAmericanNYCRestaurant等，結(jié)合高層上下文反映的用戶當(dāng)前位置信息，確定用戶當(dāng)前所處的位置，將最近的NYCRestaurant推薦給用戶，完成“以用戶為中心”的隨時隨地的個性化推薦服務(wù)。