宋海声+刘岸果+吕耕耕

摘 要：利用情景感知构建的智慧家庭模型，打破了应用服务与智能家居结合的壁垒，使得情景感知作为智慧家庭应用服务推荐手段变得越来越重要，而其中最重要的就是情景感知服务模型和情景推理机制。文中通过空间变换理论构建了情景感知服务模型，并引入深度学习作为情景推荐机制的算法模型，提供了一种智慧家庭情景感知服务的构建方式。

关键词：情景感知；空间变换；情景推荐；深度学习

中图分类号：TP393 文献标识码：A 文章编号：2095-1302（2017）03-00-03

0 引 言

在物联网[1]不断发展的今天，智能家居作为重要应用，诸多知名科技公司投入了大量人力物力进行产品研发和方案探索[2]。现有的产品和解决方案都依照家居产品的智能化来搭建智能家居，而实际上传统家居环境导致智能家居只能停留在电器等少部分智能产品上，无法达到智慧家庭的程度，全方位的智能体验和个性化、差异化服务推荐是未来智能家居的研究重点。情景感知（context-aware）[3]的出现正好解决了用户个性化需求和系统智能化、人性化推荐的问题，因此，情景感知在未来智慧家庭的构建中必将起到关键作用[4]。研究情景感知有很多方法[3-6]，本文提出利用空间变换理论构建的情景感知模型具有明显的简洁性和较高的实用性，引入深度学习[7]作为情景推荐算法模型使得情景感知应用服务的推荐更有效、更匹配。

1 情景感知的空间变换理论框架

以本体为基本元素，特征和服务为集合空间，构建本体服务模型，情景感知可以根据本体元素所处的情景信息提供服务，这些情景信息包括本体元素的偏好、本体元素设置的参数、本体元素的历史记录（即习惯）以及传感器所感知的环境参数等。我们把为本体元素提供的所有应用服务和信息看作一个空间集合S，将本体元素的偏好、设置的参数、本体元素的历史记录以及传感器所采集的数据看作一个数据集合D，所有本体元素作为一个元素集合N，本体元素所处情景看作一个空间集合P，那么情景感知系统提供服务的过程可以用如下表达式表示：

S=MD→S {D （N→P）} （1）

上式中的MD→S代表一种映射，表示相应本体元素的数据集合D，即数据和参数通过MD→S的映射获得系统最终的服务。MD→S所代表的空间变换概念是这个理论的核心关键。

就一般而言，MD→S所代表的推理和映射属于直接在服务应用上完成或者在服务应用和某些中间模块上协同完成。这就要求底层传感器构架清晰，情景信息的数据特征非常明确。但实际上采集到的情景信息是一种具有不确定性的数据，特征也很模糊，所以我们引入一个中间变量，类似于神经网络中的隐含层，将底层传感器与应用层服务分离，通过中间层过渡，使整个系统模型趋于稳定。我们把引入的中间变量设为C，将C看作预设情景的集合。上述（1）式可用如下两式表示：

S=MC→S （C） （2）

C=MD→C{D（N→P）} （3）

式（2）和式（3）中的和分别描述了两部分的内容，这样就将传感器所关心的情景信息与服务所关心的情景信息进行了区分，更好地将用户本体所处的情景进行分析和推理，与预先设定的情景相匹配，从而达到更精细、更有效的服务推荐。

2 情景层次的划分

在实际的情景中，本体所处的情景具有复杂性，我们将情景按照底层传感器采集的信息和上层应用服务所处理的信息把本体情景分为低级情景信息层和高级情景信息层[5]，按照情景的基础度和复杂度，可把低级情景看作细粒度情景，高级情景看作粗粒度情景，应用服务更多的是关心粗粒度情景。比如“房间温度高”，这是一种模糊而概略的信息；而底层传感器更关心细粒度情景，比如“此刻房间温度28.5℃”，是一个具体而精细的数值。在具体的情景中，底层数据的描述详细而零散分布，上层服务更多是通过模糊的不确定性自然语言来判断情景的匹配度，因此需要将底层的细粒度情景转化为上层的粗粒度情景，提供给顶层的应用服务进行本体服务推荐。情景层次划分如图1所示。

将式（2）和式（3）展开，从底层传感器获取本体情景数据，通过计算和推理，得出低級情景信息（细粒度情景）L：

L=MD→L{D（N→P）}

通过中间服务层将得到的低级情景信息L做进一步推理和处理，转化为高级情景信息（粗粒度情景）H：

H=ML→H（L）

应用服务层通过获得的高级情景信息H来进行情景的匹配和服务推荐：

S=MH→S（H）

定义复合运算从获取本体情景到服务推荐的过程为：

S=MH→S（ML→H（MD→L{D（N→P）}））

由此将MD→S所表示的映射推理分为三部分，分散在整个模型中，从而缓解了直接处理效率低和能力不足等问题。

3 深度学习的情景推理机制

情景推理机制[6]对于构建情景应用服务具有重要意义，而传统情景推理方法主要分为决策树、逻辑推理、贝叶斯理论[8]和神经网络[9]四种。

（1）决策树：主要利用归纳学习的方式，从大量样本中不断学习训练。在进入新的情景时，首先判断情景信息的属性值，使得情景从决策树的根节点转移到叶节点，从而完成情景匹配。制约决策树效率的一大重要因素在于内部节点对情景信息属性值的判断选取方面，一般采用ID3算法，它能直观完成情景推理，但决策树具有很强的局限性，在复杂情景下不能对所有属性值进行判断选取，效率较低。

（2）逻辑推理：与逻辑模型搭配或与本体模型搭配。在逻辑模型中，情景主要被定义为事实、表达式及规则，利用基本的逻辑推理来实现情景推理，这是一种自然推理方法。在本体模型中，利用一阶谓词逻辑来处理本体语言，对情景信息进行推理。

（3）贝叶斯理论：主要利用贝叶斯网络来完成概率计算，将概率与有向无环图结合，提出一种推理机制[10]，实际上它主要是一个概率的计算过程，得出情景信息的随机变量概率分布，从而与预先定义好的情景相匹配。贝叶斯理论的不足主要在于特别依赖先验知识，而对于现实中的一些情景来说，这种先验知识往往是最难获得的。

（4）神经网络：神经网络是模仿人脑神经工作原理而建立的计算模型，利用大量简单神经元组成网络，实现大规模复杂计算。一般神经网络主要分为输入层、隐含層与输出层，其中隐含层的层数和节点个数决定了整个网络的复杂度。神经网络的主要优点在于不需要知道先验知识的情况下，通过大量的样本进行训练学习，可实现复杂情景的描述和推理。

在实际应用中，情景感知服务中的情景信息主要分为现实情景信息和虚拟情景信息，而描述上述情景信息主要利用模糊逻辑[11]来处理信息的不确定性，构建一个隶属函数，利用一些不确定性信息计算出情景属性的真实度，即权重比，再根据该真实度来确定情景信息与事先定义的情景匹配度，做出相应的服务推荐。对于复杂情景来说，模糊逻辑只在单层面的推理已经满足不了现实的需求，因此我们引入深度学习[12]（deep learning）。

深度学习架构由多层非线性运算单元组成，每个较低层的输出作为更高层的输入，对输入数据进行分层处理，用每一层神经网络提取原始数据不同水平的特征，从而达到最终状态的完美情景匹配。

在深度学习中，我们选用深度信任网络[13]（Deep Belief Networks ，DBNs）作为情景信息推荐算法模型，利用堆叠波尔兹曼机[14]（RBM）来创建一个深度信任网络，而其核心是贪婪逐层预训练算法[15]。将一个具体的情景分成若干个简单情景进行分析，从低级情景出发，推理出更高级的情景，从基于无监督初始化的学习开始，逐层进行情景分析推理，将低级情景数据作为下一层情景分析的输入，不断与预设情景进行对比，对深度信任网络进行梯度下降的微调。深度信任网络的模型如图2所示。

根据深度学习机制，输入初始采集情景数据对第一层RBM进行训练，再利用其输出作为第二层RBM的训练样本，在无监督学习状态下，不断进行学习训练，具体定义步骤如下：

（1）令S0=D（N→P）为初始情景的最低阶层表示。

（2）对m阶层中训练所产生的数据Sm=Rm {D（N→P）}看作后一阶层m+1的训练样本Sm+1=Rm+1（Sm）。

（3）将S0=D（N→P）先进入第一层SL=RL {D（N→P）}进行训练，得到SH=RH （SL），再进行下一步训练，在情景度复杂的情况下，利用堆栈增加层来改善模型性能。

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

在深度信任网络中，将底层传感器采集的情景数据D作为初始情景进入网络进行学习训练过程MD→L，得到低级情景L，再根据推理规则ML→H得到高级情景H，最终在应用服务层MH→S映射推理下得出相匹配的情景，进行服务推荐。整个过程在深度学习的同时网络不断进行自我矫正，在经验概率分布上得出最优匹配情景结果。

4 实验结果

为验证推荐算法的有效性，我们选取北方一家五口不同年龄的实验样本作为本体，以卧室房间温度、湿度分别在白天和夜间不同生活场景下的几种情景来进行对比试验。样本采集数据见表1所列。

经过测试，采集了此家庭成员的温湿度喜好及其它相关信息，在一月内对情景推荐算法网络进行训练，并不断进行推荐服务，以推荐结果自动控制空调和加湿器工作，选取其中一天数据。室内温湿度采集数据见表2所列，情景推荐输出结果见表3所列。

经过长时间的训练对比，情景推荐服务算法输出结果与实际样本喜好基本符合，在实际推荐中因为受到北方夜晚气候寒冷的影响，夜晚空调一直在加热，导致室内干燥，湿度降低，情景推荐结果出现偏差。

5 结 语

与传统情景感知系统相比，本文所提出的情景感知模型具有易实现和易拓展的优势，在结合深度学习的推荐算法上，较为独特的利用深度信任网络的逐层训练方式，很好地结合了空间变换映射理论的服务模型，在情景推荐上将情景从细粒度不断转化为粗粒度，最后进行情景匹配，使得推荐过程变得更高效。但在实际情景中，若要实现精细化匹配，必定要预先设立大量情景样本作为训练样本，此举导致前期工作量增加。

参考文献

[1]王保云.物联网技术研究综述[J].电子测量与仪器学报，2009，23（12）： 1-7.

[2]宁焕生，徐群玉.全球物联网发展及中国物联网建设若干思考[J].电子学报，2010，38（11）： 2590-2598.

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

[4]童恩栋，沈强，雷君，等.物联网情景感知技术研究[J].计算机科学，2011，38（4）： 9-14.

[5]刘建伟，刘媛，罗雄麟.深度学习研究进展[J]. 计算机应用研究，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]顾君忠.情景感知计算[J].华东师范大学学报（自然科学版），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.