宋海聲+劉岸果+呂耕耕

摘 要：利用情景感知構(gòu)建的智慧家庭模型，打破了應(yīng)用服務(wù)與智能家居結(jié)合的壁壘，使得情景感知作為智慧家庭應(yīng)用服務(wù)推薦手段變得越來越重要，而其中最重要的就是情景感知服務(wù)模型和情景推理機(jī)制。文中通過空間變換理論構(gòu)建了情景感知服務(wù)模型，并引入深度學(xué)習(xí)作為情景推薦機(jī)制的算法模型，提供了一種智慧家庭情景感知服務(wù)的構(gòu)建方式。

關(guān)鍵詞：情景感知；空間變換；情景推薦；深度學(xué)習(xí)

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2017）03-00-03

0 引 言

在物聯(lián)網(wǎng)[1]不斷發(fā)展的今天，智能家居作為重要應(yīng)用，諸多知名科技公司投入了大量人力物力進(jìn)行產(chǎn)品研發(fā)和方案探索[2]?，F(xiàn)有的產(chǎn)品和解決方案都依照家居產(chǎn)品的智能化來搭建智能家居，而實(shí)際上傳統(tǒng)家居環(huán)境導(dǎo)致智能家居只能停留在電器等少部分智能產(chǎn)品上，無法達(dá)到智慧家庭的程度，全方位的智能體驗(yàn)和個(gè)性化、差異化服務(wù)推薦是未來智能家居的研究重點(diǎn)。情景感知（context-aware）[3]的出現(xiàn)正好解決了用戶個(gè)性化需求和系統(tǒng)智能化、人性化推薦的問題，因此，情景感知在未來智慧家庭的構(gòu)建中必將起到關(guān)鍵作用[4]。研究情景感知有很多方法[3-6]，本文提出利用空間變換理論構(gòu)建的情景感知模型具有明顯的簡(jiǎn)潔性和較高的實(shí)用性，引入深度學(xué)習(xí)[7]作為情景推薦算法模型使得情景感知應(yīng)用服務(wù)的推薦更有效、更匹配。

1 情景感知的空間變換理論框架

以本體為基本元素，特征和服務(wù)為集合空間，構(gòu)建本體服務(wù)模型，情景感知可以根據(jù)本體元素所處的情景信息提供服務(wù)，這些情景信息包括本體元素的偏好、本體元素設(shè)置的參數(shù)、本體元素的歷史記錄（即習(xí)慣）以及傳感器所感知的環(huán)境參數(shù)等。我們把為本體元素提供的所有應(yīng)用服務(wù)和信息看作一個(gè)空間集合S，將本體元素的偏好、設(shè)置的參數(shù)、本體元素的歷史記錄以及傳感器所采集的數(shù)據(jù)看作一個(gè)數(shù)據(jù)集合D，所有本體元素作為一個(gè)元素集合N，本體元素所處情景看作一個(gè)空間集合P，那么情景感知系統(tǒng)提供服務(wù)的過程可以用如下表達(dá)式表示：

S=MD→S {D （N→P）} （1）

上式中的MD→S代表一種映射，表示相應(yīng)本體元素的數(shù)據(jù)集合D，即數(shù)據(jù)和參數(shù)通過MD→S的映射獲得系統(tǒng)最終的服務(wù)。MD→S所代表的空間變換概念是這個(gè)理論的核心關(guān)鍵。

就一般而言，MD→S所代表的推理和映射屬于直接在服務(wù)應(yīng)用上完成或者在服務(wù)應(yīng)用和某些中間模塊上協(xié)同完成。這就要求底層傳感器構(gòu)架清晰，情景信息的數(shù)據(jù)特征非常明確。但實(shí)際上采集到的情景信息是一種具有不確定性的數(shù)據(jù)，特征也很模糊，所以我們引入一個(gè)中間變量，類似于神經(jīng)網(wǎng)絡(luò)中的隱含層，將底層傳感器與應(yīng)用層服務(wù)分離，通過中間層過渡，使整個(gè)系統(tǒng)模型趨于穩(wěn)定。我們把引入的中間變量設(shè)為C，將C看作預(yù)設(shè)情景的集合。上述（1）式可用如下兩式表示：

S=MC→S （C） （2）

C=MD→C{D（N→P）} （3）

式（2）和式（3）中的和分別描述了兩部分的內(nèi)容，這樣就將傳感器所關(guān)心的情景信息與服務(wù)所關(guān)心的情景信息進(jìn)行了區(qū)分，更好地將用戶本體所處的情景進(jìn)行分析和推理，與預(yù)先設(shè)定的情景相匹配，從而達(dá)到更精細(xì)、更有效的服務(wù)推薦。

2 情景層次的劃分

在實(shí)際的情景中，本體所處的情景具有復(fù)雜性，我們將情景按照底層傳感器采集的信息和上層應(yīng)用服務(wù)所處理的信息把本體情景分為低級(jí)情景信息層和高級(jí)情景信息層[5]，按照情景的基礎(chǔ)度和復(fù)雜度，可把低級(jí)情景看作細(xì)粒度情景，高級(jí)情景看作粗粒度情景，應(yīng)用服務(wù)更多的是關(guān)心粗粒度情景。比如“房間溫度高”，這是一種模糊而概略的信息；而底層傳感器更關(guān)心細(xì)粒度情景，比如“此刻房間溫度28.5℃”，是一個(gè)具體而精細(xì)的數(shù)值。在具體的情景中，底層數(shù)據(jù)的描述詳細(xì)而零散分布，上層服務(wù)更多是通過模糊的不確定性自然語言來判斷情景的匹配度，因此需要將底層的細(xì)粒度情景轉(zhuǎn)化為上層的粗粒度情景，提供給頂層的應(yīng)用服務(wù)進(jìn)行本體服務(wù)推薦。情景層次劃分如圖1所示。

將式（2）和式（3）展開，從底層傳感器獲取本體情景數(shù)據(jù)，通過計(jì)算和推理，得出低級(jí)情景信息（細(xì)粒度情景）L：

L=MD→L{D（N→P）}

通過中間服務(wù)層將得到的低級(jí)情景信息L做進(jìn)一步推理和處理，轉(zhuǎn)化為高級(jí)情景信息（粗粒度情景）H：

H=ML→H（L）

應(yīng)用服務(wù)層通過獲得的高級(jí)情景信息H來進(jìn)行情景的匹配和服務(wù)推薦：

S=MH→S（H）

定義復(fù)合運(yùn)算從獲取本體情景到服務(wù)推薦的過程為：

S=MH→S（ML→H（MD→L{D（N→P）}））

由此將MD→S所表示的映射推理分為三部分，分散在整個(gè)模型中，從而緩解了直接處理效率低和能力不足等問題。

3 深度學(xué)習(xí)的情景推理機(jī)制

情景推理機(jī)制[6]對(duì)于構(gòu)建情景應(yīng)用服務(wù)具有重要意義，而傳統(tǒng)情景推理方法主要分為決策樹、邏輯推理、貝葉斯理論[8]和神經(jīng)網(wǎng)絡(luò)[9]四種。

（1）決策樹：主要利用歸納學(xué)習(xí)的方式，從大量樣本中不斷學(xué)習(xí)訓(xùn)練。在進(jìn)入新的情景時(shí)，首先判斷情景信息的屬性值，使得情景從決策樹的根節(jié)點(diǎn)轉(zhuǎn)移到葉節(jié)點(diǎn)，從而完成情景匹配。制約決策樹效率的一大重要因素在于內(nèi)部節(jié)點(diǎn)對(duì)情景信息屬性值的判斷選取方面，一般采用ID3算法，它能直觀完成情景推理，但決策樹具有很強(qiáng)的局限性，在復(fù)雜情景下不能對(duì)所有屬性值進(jìn)行判斷選取，效率較低。

（2）邏輯推理：與邏輯模型搭配或與本體模型搭配。在邏輯模型中，情景主要被定義為事實(shí)、表達(dá)式及規(guī)則，利用基本的邏輯推理來實(shí)現(xiàn)情景推理，這是一種自然推理方法。在本體模型中，利用一階謂詞邏輯來處理本體語言，對(duì)情景信息進(jìn)行推理。

（3）貝葉斯理論：主要利用貝葉斯網(wǎng)絡(luò)來完成概率計(jì)算，將概率與有向無環(huán)圖結(jié)合，提出一種推理機(jī)制[10]，實(shí)際上它主要是一個(gè)概率的計(jì)算過程，得出情景信息的隨機(jī)變量概率分布，從而與預(yù)先定義好的情景相匹配。貝葉斯理論的不足主要在于特別依賴先驗(yàn)知識(shí)，而對(duì)于現(xiàn)實(shí)中的一些情景來說，這種先驗(yàn)知識(shí)往往是最難獲得的。

（4）神經(jīng)網(wǎng)絡(luò)：神經(jīng)網(wǎng)絡(luò)是模仿人腦神經(jīng)工作原理而建立的計(jì)算模型，利用大量簡(jiǎn)單神經(jīng)元組成網(wǎng)絡(luò)，實(shí)現(xiàn)大規(guī)模復(fù)雜計(jì)算。一般神經(jīng)網(wǎng)絡(luò)主要分為輸入層、隱含層與輸出層，其中隱含層的層數(shù)和節(jié)點(diǎn)個(gè)數(shù)決定了整個(gè)網(wǎng)絡(luò)的復(fù)雜度。神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)在于不需要知道先驗(yàn)知識(shí)的情況下，通過大量的樣本進(jìn)行訓(xùn)練學(xué)習(xí)，可實(shí)現(xiàn)復(fù)雜情景的描述和推理。

在實(shí)際應(yīng)用中，情景感知服務(wù)中的情景信息主要分為現(xiàn)實(shí)情景信息和虛擬情景信息，而描述上述情景信息主要利用模糊邏輯[11]來處理信息的不確定性，構(gòu)建一個(gè)隸屬函數(shù)，利用一些不確定性信息計(jì)算出情景屬性的真實(shí)度，即權(quán)重比，再根據(jù)該真實(shí)度來確定情景信息與事先定義的情景匹配度，做出相應(yīng)的服務(wù)推薦。對(duì)于復(fù)雜情景來說，模糊邏輯只在單層面的推理已經(jīng)滿足不了現(xiàn)實(shí)的需求，因此我們引入深度學(xué)習(xí)[12]（deep learning）。

深度學(xué)習(xí)架構(gòu)由多層非線性運(yùn)算單元組成，每個(gè)較低層的輸出作為更高層的輸入，對(duì)輸入數(shù)據(jù)進(jìn)行分層處理，用每一層神經(jīng)網(wǎng)絡(luò)提取原始數(shù)據(jù)不同水平的特征，從而達(dá)到最終狀態(tài)的完美情景匹配。

在深度學(xué)習(xí)中，我們選用深度信任網(wǎng)絡(luò)[13]（Deep Belief Networks ，DBNs）作為情景信息推薦算法模型，利用堆疊波爾茲曼機(jī)[14]（RBM）來創(chuàng)建一個(gè)深度信任網(wǎng)絡(luò)，而其核心是貪婪逐層預(yù)訓(xùn)練算法[15]。將一個(gè)具體的情景分成若干個(gè)簡(jiǎn)單情景進(jìn)行分析，從低級(jí)情景出發(fā)，推理出更高級(jí)的情景，從基于無監(jiān)督初始化的學(xué)習(xí)開始，逐層進(jìn)行情景分析推理，將低級(jí)情景數(shù)據(jù)作為下一層情景分析的輸入，不斷與預(yù)設(shè)情景進(jìn)行對(duì)比，對(duì)深度信任網(wǎng)絡(luò)進(jìn)行梯度下降的微調(diào)。深度信任網(wǎng)絡(luò)的模型如圖2所示。

根據(jù)深度學(xué)習(xí)機(jī)制，輸入初始采集情景數(shù)據(jù)對(duì)第一層RBM進(jìn)行訓(xùn)練，再利用其輸出作為第二層RBM的訓(xùn)練樣本，在無監(jiān)督學(xué)習(xí)狀態(tài)下，不斷進(jìn)行學(xué)習(xí)訓(xùn)練，具體定義步驟如下：

（1）令S0=D（N→P）為初始情景的最低階層表示。

（2）對(duì)m階層中訓(xùn)練所產(chǎn)生的數(shù)據(jù)Sm=Rm {D（N→P）}看作后一階層m+1的訓(xùn)練樣本Sm+1=Rm+1（Sm）。

（3）將S0=D（N→P）先進(jìn)入第一層SL=RL {D（N→P）}進(jìn)行訓(xùn)練，得到SH=RH （SL），再進(jìn)行下一步訓(xùn)練，在情景度復(fù)雜的情況下，利用堆棧增加層來改善模型性能。

（4）輸入S0和情景S的匹配概率分布為： p（S0）=[MH→S （ML→H（MD→L{D（N→P）}））]/S

在深度信任網(wǎng)絡(luò)中，將底層傳感器采集的情景數(shù)據(jù)D作為初始情景進(jìn)入網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練過程MD→L，得到低級(jí)情景L，再根據(jù)推理規(guī)則ML→H得到高級(jí)情景H，最終在應(yīng)用服務(wù)層MH→S映射推理下得出相匹配的情景，進(jìn)行服務(wù)推薦。整個(gè)過程在深度學(xué)習(xí)的同時(shí)網(wǎng)絡(luò)不斷進(jìn)行自我矯正，在經(jīng)驗(yàn)概率分布上得出最優(yōu)匹配情景結(jié)果。

4 實(shí)驗(yàn)結(jié)果

為驗(yàn)證推薦算法的有效性，我們選取北方一家五口不同年齡的實(shí)驗(yàn)樣本作為本體，以臥室房間溫度、濕度分別在白天和夜間不同生活場(chǎng)景下的幾種情景來進(jìn)行對(duì)比試驗(yàn)。樣本采集數(shù)據(jù)見表1所列。

經(jīng)過測(cè)試，采集了此家庭成員的溫濕度喜好及其它相關(guān)信息，在一月內(nèi)對(duì)情景推薦算法網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并不斷進(jìn)行推薦服務(wù)，以推薦結(jié)果自動(dòng)控制空調(diào)和加濕器工作，選取其中一天數(shù)據(jù)。室內(nèi)溫濕度采集數(shù)據(jù)見表2所列，情景推薦輸出結(jié)果見表3所列。

經(jīng)過長(zhǎng)時(shí)間的訓(xùn)練對(duì)比，情景推薦服務(wù)算法輸出結(jié)果與實(shí)際樣本喜好基本符合，在實(shí)際推薦中因?yàn)槭艿奖狈揭雇須夂蚝涞挠绊懀雇砜照{(diào)一直在加熱，導(dǎo)致室內(nèi)干燥，濕度降低，情景推薦結(jié)果出現(xiàn)偏差。

5 結(jié) 語

與傳統(tǒng)情景感知系統(tǒng)相比，本文所提出的情景感知模型具有易實(shí)現(xiàn)和易拓展的優(yōu)勢(shì)，在結(jié)合深度學(xué)習(xí)的推薦算法上，較為獨(dú)特的利用深度信任網(wǎng)絡(luò)的逐層訓(xùn)練方式，很好地結(jié)合了空間變換映射理論的服務(wù)模型，在情景推薦上將情景從細(xì)粒度不斷轉(zhuǎn)化為粗粒度，最后進(jìn)行情景匹配，使得推薦過程變得更高效。但在實(shí)際情景中，若要實(shí)現(xiàn)精細(xì)化匹配，必定要預(yù)先設(shè)立大量情景樣本作為訓(xùn)練樣本，此舉導(dǎo)致前期工作量增加。

參考文獻(xiàn)

[1]王保云.物聯(lián)網(wǎng)技術(shù)研究綜述[J].電子測(cè)量與儀器學(xué)報(bào)，2009，23（12）： 1-7.

[2]寧煥生，徐群玉.全球物聯(lián)網(wǎng)發(fā)展及中國(guó)物聯(lián)網(wǎng)建設(shè)若干思考[J].電子學(xué)報(bào)，2010，38（11）： 2590-2598.

[3] AK Dey. Understanding and Using Context[J]. Personal and Ubiquitous Computing， 2011， 5（1）： 4-7.

[4]童恩棟，沈強(qiáng)，雷君，等.物聯(lián)網(wǎng)情景感知技術(shù)研究[J].計(jì)算機(jī)科學(xué)，2011，38（4）： 9-14.

[5]劉建偉，劉媛，羅雄麟.深度學(xué)習(xí)研究進(jìn)展[J]. 計(jì)算機(jī)應(yīng)用研究，2014，31（7）：1921-1930.

[6] Junzhong Gu. Context-aware computing[J].Journal of east China normal university（natural science edition），2009，32（5）： 1-135.

[7]顧君忠.情景感知計(jì)算[J].華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2009（5）： 1-20.

[8] Y S Lee， S B Cho. Mobile context inference using two-layered Bayesian networks for smartphones[J]. Expert Systems with Applications， 2013， 40（11）：4333-4345.

[9] S Knoch， A Chapko， A Emrich，et al. A Context-Aware Running Route Recommender Learning from User Histories using Artificial Neural Net-works[C].2012 23rd International Workshop on Database and Expert Systems Ap-plications， Los Alamitos：IEEE Computer Soc，2012：106-110.

[10] H S Park， S B Cho. A modular design of Bayesian networks using expert knowledge： Context-aware home service robot[J]. Expert Systems with Applications， 2012，39（3）：2629-2642.

[11] S Zhou， C H Chu， Z Yu， et al. A context-aware reminder system for elders based on fuzzy linguistic approach[J].Expert Systems with Applications， 2012，39（10）：9411-9419.

[12] K Yu， L Jia， Y Chen，et al.Deep Learning：Yesterday，Today and Tomorrow[J].Journal of Computer Research and Development，2013，20（6）：1349.

[13] G E Hinton， S Osindero， Y W Teh.A fast learning algorithm for deep belief nets[J].Neural Computation，2006，18（7）：1572-1544.

[14] G E Hinton.A practical guide to training restricted Boltzmann machines[M].Neural Networks： Tricks of the Trade. Berlin： Springer-Verlag，2013：599-619.

[15] Y Bengio.Learning deep architectures for AI[J].Foundations and Trends in Machine Learning，2009，2（1）：1-55.