英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

基于移动终端建议推送的态势感知

Ramon Hermoso¹,Jurgen Dunkel²,and Jan Krause²

¹University of Zaragoza,Zaragoza,Spain rhermoso@unizar.es

²Hannover University of Applied Sciences and Arts,Hannover,Germany juergen.dunkel@hs-hannover.de,jan.krause@stud.hs-hannover.de

摘要：本文关于基础推送CARS提出了一个创新的架构从而整合了不同的类型以及推理方法，复杂事件处理应用于实时数据从而提供态势感知，本体和语义规则是用来定义允许个性化的专业领域和特定领域的建议。对博物馆的案例研究即为该概念的验证。

关键词：上下文感知推荐系统 移动推荐系统 CEP 环境

1、介绍

在过去几年，随着信息技术的兴起，可以使用许多不同的数据来源来支持决策过程。此外，这巨大数量的信息可能会让用户感到不知所措和无法做出适当的决定。因此，不同的技术被用来帮助用户完善信息，采取不同的方式，只关注相关数据做出更准确的决定。这些技术信息融合的一些例子^[17]，大数据分析^[6]或复杂事件处理(CEP)^[14]。在本文中，我们关注的焦点是推荐系统决策过程的特定实例。特别是，我们感兴趣的是，所谓的，使用上下文(例如用户的位置、天气、时间、心情，等等)的上下文感知推荐系统(CARS)^[2]，来评估建议项目或活动用户潜在的兴趣所在。我们声称，CARS领域的重大进展还没有完全完成，在某些场景中相关问题的高动态性，这可能包括一个用户位置的连续变化，以及其他上下文元素改变，这些仍然是艰难的挑战^[8]。除此之外，应该仔细定义并利用，典型地，用户使用无线通讯与移动设备交互的环境，来表达一个适当的推荐过程。最终的目标是使上下文感知并且适合信息系统主动推荐有趣的项目或活动的移动用户。

移动设备的大规模扩散产生了可以被用于改善流程的巨大数量的事件。在本文中，我们提出一个新颖的基础推送CARS架构，集成了CEP和语义规则提供以下好处:(i)情况和环境意识的现状和背景的所有用户帐户(如位置、运动、周围的物体，时间);(2)灵活性通过声明性规则(尤其是CEP和语义规则)，定义所有触发和推理在推荐过程中，分别;(3)实时处理通过使用CEP可以处理频发的手机和传感器实时数据流。

总之，我们的方法提供了一个灵活的CARS架构，可以实时地给用户个性化的推荐，基于上下文的评估以及用户偏好。

本文结构如下：第二部分，我们坚持提供参考模型建立了基于推的上下文感知推荐系统。第三部分，展示了我们的体系结构方法。第四部分，我们通过使用一个博物馆的场景案例研究来更详细地解释它。第五部分，我们考虑相关工作。最后，第六部分，总结了我们的工作，草拟一些未来的道路。

1. 参考模型

在本节中，我们提出了一个用来阐明基础推送基于上下文信息的推荐流程的架构模型。我们依附于呈现在此的模型。

2.1 基于上下文的模型

在本节中，我们介绍了元素形成模型即上下文的一部分，环境、代理、事件和活动。

上下文：一个上下文，被认为是一个推荐过程的目标单元。一个上下文划分推荐的范围或目的。例如，在一个艺术博物馆的上下文中，去下一个艺术品是一个有效的推荐结果，同时建议去工作的路线结果毫无意义。我们正式将上下文按如下定义：

定义1：一个上下文c，是一个lt;E, delta;gt;组，其中E = {e1, ..., en}是用户活动环境的设置，delta;是这个推荐过程的目标。

环境：这个实体允许封装推荐过程及其相关的上下文信息,以及不同实体之间的沟通。正式地：

定义2：一个环境ec = lt;U,theta;, Actgt;，属于上下文c，是一个公共区域，物理的或虚拟的用户U（在当前环境下活跃的用户的集合）并存，在确定的环境约束theta;= {theta;1,theta;2,hellip;,theta;n }下，执行一系列的活动。

theta;中的约束，是物理的还是虚拟的界限，用于明确划分环境（例如，物理位置，环境期时间限定，代理接受的最大数量，等等）。此外，注意，相同目的的上下文，但不同的相关环境可能会导致不同的推荐结果。

代理：他们代表推荐过程的部分。代理被分为两个子组，即：用户和环境管理（EMs）。前者是推荐的接收者或第三方的代表，而后者是负责控制用户权限和沟通问题的特定环境下的特殊代理。

用户ui属于环境e_c，他或她满足环境约束theta;的所有约束。正式地，环境ec = lt;U,theta;, Actgt;，属于(ui, ec) harr; forall;theta;jisin;Theta; ，满足于(ui, theta;j )。因此，用户ui离开一个他或她属于的环境，那么环境约束theta;的任意约束就不再被他或她满足。

事件：我们将可能事件集分为两个不重叠的组：物理的和交际的。前者是被物理传感器感知的，代表由于环境的固有性质，如天气情况、时间和地点，可能发生的无法控制的现象。相反地，代理人为了通知环境中的用户，不同的问题，而发布交际事件。例如，一个博物馆可以向那些已经在环境中的用户，在短期内，播送一个游览指导。

活动：活动用Act = {act1, ..., actn}来表示，代表在环境中可执行的用户操作。例如，博物馆游客会被推荐去加入一个游览指导，还是去到一副确定的画作，这取决于环境。

2.2 环境管理

用户需要成为环境的一部分从而在特定的环境中获取建议。会员的管理是由每个环境中的EM来处理的，EMs通过约束用户在特定环境中的周期性活跃度来选择调查用户，一旦用户接受了调查信息，他/她的设备将会检查对约束条件是否满意，如果回复确认消息，那么用户就会正式成为环境中的一员。

1. 态势感知的推荐过程

在本节中我们提出了我们的架构方法，我们将特别地讨论用户代理和环境管理是如何利用特定知识为特定的用户做出个性化推荐，图1为架构的概述。

图1 推荐系统的结构路线

用户代理通过提供带有当前用户现状的推荐系统来实现用户端的推荐过程。此外，用户代理不会泄露用户的隐私，因为它仅仅传输用户明确允许转发到推荐系统的信息。

为了了解用户的个人情况，每一个用户代理都在持续不断地监测其传感数据。例如当前的GPS坐标（户外地点）或者是被检测到的信标信号强度（在室内设施中）。欲监测这些数据，用户代理系统不得不面对两种方案的处理：

1）触发推荐系统：如果用户有合适的条件可以接收新的推荐，那么它的用户代理就会接触EM来请求推荐，我们可以区分该情况的两种不同的类型：

（a）用户正进入一个新的环境：根据监测的传感数据，用户代理检测到用户满足所有的环境约束条件 Theta; = {theta;1, theta;2, ..., theta;n}.

（b）用户的情况已显著改变（如她的位置）并且她正处于适合接收新推荐的情况。例如，用户很久没登陆并且距离上次接收推荐已经有一段时间了。

为了触发新的推荐，用户代理需要传递环境信息给EM，这就包括所有用户对于实际情况想要保留以及增加的偏好。

1. 再过滤：当一个UA从EM接收新的推荐的时候，它处理一个过滤步骤。根据用户的个人喜好和她的现状，UA选择最合适的推荐，并且过滤出那些由于用户的个人约束而不被接受的。然后，UA显示所选推荐代理的用户界面。注意,这一步不能通过EM，因为他们缺乏用户的私人喜好。

环境管理（EMs）在环境方面实现推荐流程，当他们接收到用户请求一个新推荐，它进行如下步骤：

1. 首先，他们利用其详细的环境知识，评估用户现状。
2. 然后，通过掌握的所有现有用户的状况，把领域知识也考虑在内，推断出环境的全球局势。
3. 在本地用户和全球环境局势的基础上，EM运用特定领域的推荐规则来为用户推断合适的个性化推荐。

图1给出的体系结构产生的一个态势感知的推荐系统，应归于以下几个方面：

– 首先,每个UA利用它的传感器数据推断用户的实际情况。现状决定的知识下，如果用户想要一个新推荐。然后，现状上下文传播到EM来启用个性化推荐。

– 其次，一个EM做出态势感知的决策，是因为它考虑了所有已知用户的情况。所以，管理可以在用户关于需求和环境的条件约束的矛盾的欲望之间找到一个折中。

态势感知推荐系统必须得利用两种不同类型的知识:结构和态势。

– 结构性知识描述了对某一确定领域的本体的内行知识^[13]。本体包含一个描述术语或概念上的知识的TBox,和一个定义给定的事实或认定的知识的ABox。结构性知识可以以不随时间变化（如TBox）或者至少在一个很低的频率就像ABox定义的事实一样，稳定的知识为特征。

– 态势性知识利用实时数据定义了一个环境的当前状态。通常，实时数据是由传感器的连续流产生的数据。这种传感器可以内置在用户的智能手机中，或者永久安装在环境中（例如，运动传感器，相机，或烟雾探测器）。态势性知识可以被视为高变化频率的动态知识。每个数据集对应一个环境中特定的事件。事件流一定会被实时地评估以获得态势感知。

1. 系统设计

4.1 研究案例：博物馆场景

以博物馆游客推荐系统为一个研究案例，来说明给出的体系结构的细节，包含以下部分：

用户代理：UA是运行在智能手机上的，所有博物馆游客的软件代理。每个UA代表一个特定访客的意图和愿望。例如，它不仅包含某些确定的艺术家的偏好或艺术风格的数据，而且，包含具体的限制和约束，如博物馆外出现的约定口语。此外，用户代理利用传感器，如GPS，信号灯和加速度传感器，来推断用户的当前位置和行为。博物馆导游在他们的智能手机上也有他们自己特定的代理在运行。这种UA知道关于指南的专业知识和他们的现状，例如他们在博物馆的哪间房间。

环境管理：EM有一个关于博物馆的详细的结构性知识，这对于做出合适的推荐来说是必要的。例如，它知道平面图，所有艺术品的位置和所有已安装的信号灯的位置。此外，EM对艺术有一个大致的理解。它了解不同的艺术风格，哪些艺术家属于什么流派，以及如何将游客的喜好与确定的艺术品关联。另外，EM利用所有UA提供的态势性知识，即，它知道的所有游客和导游的现状。因此，EM可以调整它的推荐，来减少游客的步行距离，以及防止博物馆空间拥挤。为了简化，我们假定一个单独的EM。

配合：用户代理和环境管理根据以下步骤配合：

1.一旦UA通过GPS检测到它的用户进入了博物馆，就联系EM，发送位置信息，以及用户的个人喜好来触发推荐。

2.EM评估新访客的当前情况和上下文，房间的占用，以及，合适的博物馆导游的情况，来推断一些个性化的推荐，并送回给UA。

3.当一个UA接收到来自EM的推荐，它在将结果展示给用户之前，考虑用户的私人爱好，进行一步再过滤。

所有的用户代理不断地向EM发送他们的位置信息，特别是，当他们接收到新推荐的需求情绪。

4.2 用户代理的设计

用户代理的详细架构基于图2所示的各种技术。

图2 用户代理的设计

知识库：每个UA的知识可以通过语义网络技术来描述^[13]。UA基本上只包含可以用RDF三元组描述的事实（或ABox），但没有具体的术语知识。使用RDF提供了许多好处：RDF是在开放系统交换数据的最基础格式。此外，它很容易与本体语言，如OWL^[12]，以及规则系统，如Jena Rules2，结合。下面的知识库是用RDF写的，给出了一个可能的知识库内容的想法。

这里有不同类型的事实情况。我们可以区分用户的偏好（像喜欢康定斯基和表现主义），能力（说西班牙语），她的未来计划（12:30的会议），以及当前状况（位于入口大厅）。

情境规则：CEP规则捕获推荐系统的动态方面，用于提供UA用户的当前状况。以下CEP规则关联了两种不同的IBeacon事件推断出用户改变了她的位置。

注意，这个规则创建了一个新的ChangedLocationEvent类型的复合事件，它必须归并到知识库中。CEP2RDF组件提供了这个集成，映射这个事件到:User1 :isLocatedIn:B2 RDF的事实。因为rsquo;isLocatedInrsquo;具有功能性，原先的rsquo;isLocatedInrsquo;声明必须从知识库中删除。

CEP规则可以用来表达一个事件处理语言（EPL），如Esper，并且在相应的事件处理引擎上执行。

推荐触发：DL规则，如Jena Rules，访问知识库来检测一种适合从EM请求新推荐的情况。以下伪代码书写的规则描述了一个当用户已经准备好了一个新推荐的情况：

规则制定了四个条件来触发一次推荐：距离上次推荐至少间隔15分钟，用户改变了她的位置

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25521]，资料为PDF文档或Word文档，PDF文档可免费转换为Word