基于规则的情境感知信息推送架构

摘 要：随着网络技术的发展和移动设备的广泛的应用，情境感知服务已经成为了近年来一个研究热点。利用语义网技术，文章提出了一个基于规则的情境感知信息推送架构。架构的核心模块是一个相关性判定规则引擎，能够通过执行不同的规则集，对系统的行为进行配置。定义了基于本体的情境模型组织来自不同信息源的情境信息，并表示出用户的情境特征。定量的评估结果表明，该架构具有一般性和自适应性，能够为移动警察推送支持其正确行动和决策的信息。

关键词：情境感知；信息推送；本体；SPARQL

中图分类号： G252.62 文献标识码： A DOI： 10.11968/tsygb.1003-6938.2015071

Abstract Current web service technologies together with the advances in mobile devices have significantly increased the development of context-aware services. Relying on the Semantic Web technologies， this paper offers a rule-based architecture supporting delivery of contextualized information. The core functionality is fulfilled by the relevance assessment rule engine， which can re-configure the behavior of the system by specifying the different rule sets. It defines an ontology-based context model， which formalizes the context from different information sources and characterizes the contextual situations of mobile users. Qualitative evaluation results that the architecture has the generality and adaptability； thus can assist mobile police to take decisions during their activities.

Key words context-aware； information delivery； Ontologies； SPARQL

1 引言

当今的移动用户需要随时随地获取信息，以协助他们更有效的完成的日常活动。网络服务技术的迅速发展和移动设备的广泛应用，极大的提高了为用户“随时随地”提供所需服务或是信息的能力。同时，用户对自适应的信息服务的需求也越来越迫切。比如，处理突发事件的警察需要获取特定情境下执行任务相关的信息，以保证他们在快速改变的环境中能及时做出正确的行动和决策。如何设计出开发具有自适应性的、情境感知的系统架构，已经成为迫切需要解决问题。

与室内的办公环境不同的是，移动用户的情境特征是由不同类型的变量所决定的。既包括时间、地点和速度这样可以从传感器获得的外部情境，也包括与用户当前活动或是目标有关的内部情境[1]。为了能满足用户在当前情境下的信息需求，面向情境感知的应用系统不仅需要及时的感知情境的变化，更重要的该系统要能够为用户推送用于支持其进行决策的信息。对于处理突发事件的应急人员，其所处的情境具有势态演化迅速的特点，因此决策信息的时效性和预测性显得尤其重要。进行有关面向移动用户的情境感知服务的研究，对于丰富和发展现有的决策支持系统，具有重要的理论和应用价值[2]。

虽然已经有大量的研究致力于情境信息的获取、建模和管理，并将成果应用于情境感知服务，如交通导航和虚拟导游。但是，目前使用最多的情境因素仍然是用户的位置信息[3]。很少有研究将地理位置与用户所从事的活动类型这两方面综合起来描述情境的特征。此外，根据我们的文献调研，多数面向突发事件管理的信息系统[4]，并不能很好的满足应急人员在特定情境下的信息需求，也不能解决如何根据动态的情境实时判定出信息相关性的问题。

本文的研究重点是利用语义网与本体技术，设计一个基于规则的情境感知信息推送架构，并依据此架构开发出能够根据用户情境实时的判定信息相关性的系统，并以处理突发事件的警察为应用实例，对系统的可配置性和自适应性进行了评估。

2 情境感知应用研究概述

情境（Context）可以定义为：“用来描述一个实体特征的任何信息。这个实体可以看成是与用户和应用程序交互过程相关的人、地点或实物（包括用户和应用程序本身） [5]”。情境既包含能标识用户个人特征的静态信息，如性别、年龄、职业等；也包括能表示用户所处环境特征的动态信息如时间、位置、温度等。在人机交互领域，情境也包括用户的状态、心理、经验等内部因素，以及用户的知识结构和选择交互方式的偏好[6]。对信息系统而言，如何从海量数据中筛选出相关信息，情境起着至关重要的作用。一般说来，四个比较重要的情境变量包括地点（location），特征（identity），活动（activity）和时间（time）。在本研究中我们着重分析上述四个比较重要的情境因素之间的语义关系。

情境感知 （Context-aware）通常也被称为“上下文感知”[7]。上下文感知计算是对设备、上下文、物理环境等构成的计算环境进行管理、协调和调度，建立实体对象间互操作的基础，为应用开发提供统一的框架和应用程序接口[8]。近年来，有关情境感知应用的研究发展迅速。由最初基于位置感知的应用（location-based services），即考虑用户所处的地理位置，如智能博物馆导览[9]，发展到能够为用户提供个性化或者增强服务的人机交互系统[10]。以智能会议室（smart meeting room）的应用为例，当系统检测到有一份重要的电子邮件需要用户马上阅读时，系统应该根据用户当前的情境（开会中）以及用户所携带的移动设备（如smart phone）做出判断，将此邮件转发到手机上，并通过震动提醒用户阅读。 如果系统判断出用户是单独待在会议室，就可以选择语音提示用户阅读邮件，并可以由用户选择是否显示在大屏幕上。目前，越来越多的研究关注于针对大规模场景建立一个情境感知架构[11]，从而对情境数据进行分类和特征化，以便支持多种类型情境感知的应用。如‘BeAware！’的系统原型设计[12]，可为道路交通管理中的操作人员提供用于决策支持的情境信息，帮助其分析潜在的不利于交通安全的因素，从而及时避免交通事故的发生。

非常规突发事件具有态势演化迅速、影响面广泛的特点。将情境的概念引入传统突发公共事件的应急管理机制中，把情境与突发事件管理相结合，有助于为应急决策提供有效的信息保障[13]。通过对情境演变过程的刻画、分析，揭示非常规突发事件的演变规律，能够为应急决策模式提供理论指导[14]。目前，发达国家的科研机构已经在非常规突发事件应急响应的机制方面进行了多年的研究，建立了一些较有影响的应急管理系统[15]。在国内，随着突发公共事件的增多，国家在突发事件应用研究和体系建设方面已相应的设置了规划项目进行支持[16]。许多高校和研究机构有关应急管理系统的课题也受到众多项目的资助。如，2013年度国家社会科学基金重大项目“面向突发事件应急决策的快速响应情报体系研究”[12]，主要围绕突发事件的辅助决策支持，根据突发事件信息流的特点，构建能够快速反应的情报体系。该文的研究成果可应用于快速响应情报体系中的信息处理与组织。

3 情境感知信息推送系统架构

基于大量用户实例，我们对目标用户（即应对突发事件的警察）的信息需求进行了问卷调研，并由此归纳出设计情境感知系统架构的基本需求[17]。首先，由于用户的信息需求与其所处的情境状态紧密相关，需要设计一个能够表示出用户活动、状态和当前事件关系的情境模型。其次，系统需要能够集成和利用来自不同信息源动态和静态的情境，包括来自传感器的数据（sensor data）、数据库中获取的个人背景信息（personal background information）等。最后，架构应该能够支持根据特定情境实时判断信息相关度系统的开发。

目前大多数的情境感知架构，比如SOCAM[18]（Service-Oriented Context-Aware Middleware），偏重于对情境信息的获取、解释和发现，而并不能很好的解决如何根据演化的情境，为移动用户推送能够支持其活动的相关信息。依据从需求调研中归纳的设计策略，本文提出了情境感知架构 CIDA（Contextualized Information Delivery Architecture）。CIDA的主要组件和相互工作的原理如图1所示：

（1）信息条目库。该模块存储来自不同信息源的信息项。所有的信息项都以RDF数据模型进行组织，表示出信息中所包含的事实属性。在对信息进行事实抽取、分类后，以RDF三元组的最后模型表示出信息项的重要属性。具体包括：所报道的事件，事件的发生地点和时间，与事件有关的主体，信息的类型和来源。

以一条报告了‘肇事司机有过激行为’的信息为例，此信息描述的主体（describedObject）是一位叫“Bob”的司机 （身份，identification）， 涉及一起交通事故 （有关事件，involved Event）。以上事实可以由两个RDF三元组表示为：（“AggressiveActionMsg”_：describedObject“Bob”）（“Bob”_：involvedEvent“CarIncident”）。

（2）情境数据库。情境数据库主要对三种类型的情境信息进行组织和建模。包括从传感器和观测器获得的已感知的情境（sensed context）；由目标用户指定的情境，如警察在移动设备上输入的信息（manually entered context）；以及从以上两种情境或是已有数据库中推断出的情境（deduced context）。本文提出了基于本体的情境模型对以上类型的情境进行组织，具体将在下文中阐述。

（3）规则库。规则库包含若干规则集。在语义网规则语言 SWRL1（Semantic Web Rule Language）的基础上，为了通过规则的执行，达到为特定的用户/消息组（user/message pair）计算累计相关度值的目的，我们定义了相应的规则语言。一个规则公理由前提（Body）和结论（Head）组成；规则前提定义了一系列的判定条件，当判定条件都满足时，依据规则结论中指定的值，更新相关信息条目对特定用户的相关度。例如，当Rule1.1中指定的一系列条件都满足时，包括信息的类别、所描述的主体，主体和事件的关系、用户的任务与事件的关系，以及时间的限定，与目标事件相关的导航信息，对于准备出发处理事件的用户来说，其相关度值增加“5.0”。

Rule 1.1： infoType （？msg， NaviInfo） &describedEvent（？msg， ？event） &isTargetedBy（？event， ？user）&engagedIn（？user， ？task）&describedLoc（？msg， ？loc）&isDestinationOf（？loc， ？user）&inPhaseOf（？user，Departure） &reportTime（？msg，？reportTime）&startTime（？task，？startTime） &[？reportTime≥？startTime-30m]=>updateRating（+5.0）

（4）相关性评估规则引擎。规则引擎RARE （Relevance Assessment Rule Engine）是系统中的关键模块，它可以通过指定不同的规则集，对系统的行为进行重新配置。RARE在执行规则库中规则的同时，考虑存储在情境数据库中的信息，从而完成了对信息项相关性进行判断的核心功能。

规则引擎主要有三个模块组成[19]：①规则编译器 （rule parser），②查询语言生成器 （query generator）；③查询语句评估器 （query evaluator）。具体来说，规则编译器使用JavaCC生成规则的解析器，从而为查询语言生成器提供抽象语法树（AST）。依据MRRL语法规则，查询语言生成器将生成的ASTs转换为SPARQL检索语句，并将这些语句提供给查询语句评估器。最后，由查询语句评估器使用Sesame API 执行检索语句。

基于情境感知的信息推送系统架构工作流程是：首先，将代表目标事件和背景信息的事实存储在信息条目库中。其次，根据RDF数据模型，对来自不同信息源的情境信息进行组织，并存储在情境数据库中。然后，当有新的情境信息被接收到时，触发规则引擎以便执行规则库中规则集。每一条规则相应的被翻译为SPARQL查询语句。规则引擎将所有被执行的规则所指定的相关度值进行累积，为特定用户/消息组计算出最终的相关度值。随后，对在信息条目库中记录的相关度值进行更新。最后，依据相关度对信息项进行排序，相关度较高的消息将会实时的推送给目标用户。

本文所提出的情境感知架构CIDA有两个重要的特征：其一是能够利用基于本体的模型表示出用户所处动态环境的情境特征，特别是能揭示出用户当前活动内部情境变量之间的语义关系。其二是自适应性。可以通过指定不同的规则集对系统的行为进行不同的配置，从而达到适应不同情境需求的目的。根据我们所定义描述性的规则语言，开发者只需要花费较少的时间，就可以对规则集进行扩展和修改，实现在不同场景和领域中的应用。

4 基于本体的情境模型

目前，大多数的情境模型只注重列举一些情境概念[20]，如用户偏好、移动设备或地点。但是，在构建这些情境时，很少有模型能表示出情境变量之间的动态关系。我们所提出的基于本体的情境模型，不仅可以突破只考虑时间和地点这些外部情境因素的限制，还能进一步揭示出用户所从事的活动、目标事件和相关主体这些情境变量之间的语义关系。该模型包含一个一般性的本体和一个领域本体。

（1）一般性的本体。具有通用性的情境本体，可以抽象的表示出移动用户当前情境的上层概念。如图2所示，一般性的本体定义了包括用户、时间、地点、事件和任务在内的情境概念。

我们定义的一般性本体可以用来描述移动用户所处的情境，构建的概念可以在不同的应用领域进行扩展和重用。处理突发事件的警察，往往以管理或是控制某一目标事件为目的，并在特定的地点采取活动。因此，用户所执行的任务是由目标事件驱动的。当由于事态的发展变化引起用户所处的情境发生改变时，情境模型能反应出用户的活动是如何在外界事件的影响下动态进行的， 从而实时的表示出用户的信息需求。

模型中所表示的情境变量的关系由属性（predicate）定义。例如，属性“isTargetedBy”的定义域是“Event”， 值域是“User”， 表示出了事件和用户之间‘哪一个事件由谁来处理’的关系；属性“isEngagedIn”的定义域是“User”，值域是“Task”，表示出了用户和任务之间‘谁在从事哪一项任务’的关系；属性“isLocatedAt”的定义域是“User”，值域是“Location”，表示出了用户和地点之间‘谁在何处’的位置关系；以及属性“happensAt”的定义域是“Event”，值域是“Time”，表示出了事件和时间之间‘何事何时发生’的时间关系。

（2）领域本体。为了满足本文实例分析的需要，我们将一般本体中的概念和属性具体化，设计了能够适应于移动警察需求的领域本体。如图3所示，领域本体为用户类定义了警察这个子类，并为事件类定义了能够反映事件紧急程度的属性。对用户类的扩展还有为其定义了表示警察处于某一特定状态的属性，即‘inPhaseOf’。对相应类的扩展具体描述为：

①‘User’类有一个命名为‘PoliceOfficer’的子类，以便描述出警察所处的情境状态（Phase）。

②‘Event’类有两个属性，即‘involvedObject’和‘emergencyLevel’。用这两个属性表示出参与事件的主体以及事件的紧急程度。

③‘Task’类在一般本体中有两个子类，即‘ScheduledTask’和‘DerivedTask’。为了表示出目标主体和任务的类型，在领域本体中为该类定义了两个属性：‘targetedObject’和‘taskType’。

④‘Location’类用于描述地理信息。 该类在一般本体中的子类包括：‘Country’，‘City’and‘Street’。在领域本体中，更明确的表示出了事件的发生地（isSpotOf）和用户的所在地（locatedAt）。还定义了属性‘isNearby’来描述多个事件间地理位置的关系。

⑤‘Time’类不仅可以表示事件发生或是任务执行的即时时间（InstantTime），还可以表示事件和任务的持续时间（IntervalTime）。

5 基于规则的相关性判定系统评估

为了验证情境感知架构CIDA的有效性，我们开发了基于规则的相关性评定系统，并对系统的可配置性和适应性进行了评估。

数据集和规则集的定义。基于用户调研中所使用的交通事故和抢救伤员两个案例，我们分别构建了两个数据集Dc和Dp，分别包含590个和610个RDF三元组，用来描述一系列的消息和情境信息。例如，一条有关‘目击者证实司机Kees在事发前闯红灯’的消息如下图所示：

首先针对数据集Dc，定义了包含32条规则的初始规则集Rulc。其次为了能适应前溯用例的需要，对规则集进行增量式的扩展，即将适用于新场景的规则添加到现有规则集中，而不对当前已有的规则做改动。因此，数据集Dp的规则集Rulc+p，包含Rulc和20条新增的规则。

系统配置的策略。对系统进行评估的方法是基于不同的数据集和规则集而制定的。首先，评估系统的有效性，将初始规则集Rulc应用到相应的数据集Dc上。其次，为证实针对用例而制定的规则集，仍然能使系统适应于新的情境，将初始规则集Rulc应用到测试集Dp上。再次，为验证可以通过对规则集进行扩展，使系统行为适应前溯用例，将扩展后的规则集Rulc+p应用到测试集Dp上。最后，为进一步评估出为适用于前溯用例的向新增规则对后溯用例的影响，规则集Rulc+p也被应用到Dc上。

评估指标。针对系统所计算出的依据相关性排序的信息，选择前五条和前十条信息（top-5 和top-10），在两个模式下：（1）宽松的（lenient）和（2）严格的（strict），对系统的查准率和查全率以及 F-Measure进行计算。根据在需求调研中的用户对信息条目相关性的判定，定义了标准集（gold standard）。具体说来，在严格的（strict）评估模式下 ，我们将相关度值大于 ‘+3.5’的信息条目视为正确的信息，并产生了标准集GSstrict；而在宽松的（lenient）评估模式下，将相关度值不低于 ‘+2.0’的信息条目视为正确的信息，并产生了标准集GSlenient。

查准率和查全率以及F-Measure 的计算公式定义如下 （α∈{strict， lenient}， k∈{5， 10}）：

Pa@k=，

Ra@k=，

Fa@k=2×.

评估结果。对系统在不同规则集和数据集上进行配置得出的评估结果如表1所示。可以看出，系统能达到0.95的查准率（P@5，Lenient）和1.00的查全率（R@10，Strict）。具体分析如下，（1）将初始规则集Rulc应用到数据集Dc上，查准率在0.40（P@10， Strict）和0.95（P@5， Lenient）之间；查全率在0.51（R@5， Lenient）和1.00 （R@10，Strict）之间。（2）将Rulc应用到测试集Dp上，最大的查准率和查全率可以达到0.60（P@5， Lenient）和0.75（R@10，Strict）。（3）将扩展后的规则集Rulc+p应用到Dp上，查准率在0.25（P@10， Strict）和0.90（P@5， Lenient）之间；查全率在0.50（R@5， Lenient）和1.00（R@10，Strict）之间。（4）规则集Rulc+p在后溯用例上仍然可以达到0.95的查全率（P@5，Lenient）和1.00的查准率（R@10，Strict）。根据以上的评估结果，可以得到以下结论：

①系统可以为目标用户较为准确的选择出满足用户特定情境下需求的相关信息。

②为特定数据集所定义的规则不会只适用于既定的场景，在前溯用例上仍然能够提供合理的表现。

③通过对规则集进行扩展，开发人员可以较容易的使系统适应于新的场景和用例。

④新增加的规则在提高系统在前溯用例上表现的同时，不会很明显的影响系统在后溯用例上的结果。

6 结语

本文利用语义网与本体技术，提出了一个具有可扩展性的情境感知系统架构。能够支持开发根据移动用户当前的情境推送相关信息的系统。利用一个基于本体的情境模型，表示出用户的活动任务、目标事件和外部情境因素间的语义关系。特别的，为了表示出危机管理中的情境特征，对一般性的情境本体进行了扩展，定义了领域本体，以适应于处理突发事件的应急人员的信息需求。架构的核心模块是一个支持相关性判定的规则引擎，可以通过执行不同的规则集，使系统的行为适应于不同用例和场景。

为验证架构的有效性，实现了一个基于规则的系统，可以根据警察所处的情境判定信息的相关度。依据处理小规模突发事件的案例，构建了用于系统评估的数据集和规则集，计算和分析了系统在不同配置下所能达到的查全率和查准率。定量的评估结果表明，系统能够根据警察所处的情境，及时准确的推送与其执行任务相关的、用以支持决策的关键信息。而且，开发者只需花费较少的时间对规则集进行扩展，就可以使系统适用于新的用例。

在今后的研究工作中，需要对架构CIDA进行扩展，设计一个能够预测出用户所处情境状态的推理机制[21]。具体实现一个能够从物理元件感知情境中推理出逻辑层面情境的模块，从而使情境感知更好的应用于突发事件预警中[22]。并且，还需要基于不同应用领域的数据，对架构的自适应性和可配置性做进一步的评估。

参考文献：

[1] Mehra P. Context-aware computing： beyond search and location-based services[J].Internet Computing， IEEE， 2012， 16（2）： 12-16.

[2] 苏新宁， 朱晓峰. 面向突发事件应急决策的快速响应情报体系构建[J]. 情报学报， 2014 （12）.

[3] Chon J， Cha H. Lifemap： A smartphone-based context provider for location-based services[J]. IEEE Pervasive Computing， 2011 （2）： 58-67.

[4] Glick J A， Barbara J A. Moving from situational awareness to decisions during disaster response： Transition to decision making[J]. Journal of emergency management （Weston， Mass.）， 2012， 11（6）： 423-432.

[5] Dey A K， Abowd G D. CybreMinder： A context-aware system for supporting reminders[C].Handheld and Ubiquitous Computing. Springer Berlin Heidelberg， 2000： 172-186.

[6] Adomavicius G， Tuzhilin A. Context-aware recommender systems[M]. Recommender systems handbook. Springer US， 2011： 217-253.

[7] 王立才， 孟祥武， 张玉洁. 上下文感知推荐系统[J]. Journal of Software， 2012， 23（1）.

[8] 戴江鹏. 移动情境感知的人本普适计算研究[D].南京：东南大学，2011.

[9] Bihler P， Imhoff P， Cremers A B. SmartGuideCA smartphone museum guide with ultrasound control[J].Procedia Computer Science， 2011（5）： 586-592.

[10] Adomavicius G， Tuzhilin A. Context-aware recommender systems[M].Recommender systems handbook. Springer US， 2011： 217-253.

[11] 莫同， 李伟平， 吴中海， 等. 一种情境感知服务系统框架[J]. 计算机学报， 2010， 33（11）： 2084-2092.

[12] Baumgartner N， Retschitzegger W. A survey of upper ontologies for situation awareness[C].Proc. of the 4th IASTED International Conference on Knowledge Sharing and Collaborative Engineering， St. Thomas， US VI. 2006： 1-9.

[13] 陈祖琴， 苏新宁. 基于情景划分的突发事件应急响应策略库构建方法[J]. 图书情报工作， 2014， 58（19）： 105-110.

[14] 文刘奕， 刘艺， 张辉. 非常规突发事件应急管理关键科学问题与跨学科集成方法研究[J].中国应急管理，2014（1）：12-17.

[15] 许有志， 杨吉江， 王青. 基于情境的突发公共事件应急管理系统研究[J]. 计算机与数字工程， 2009， 9（37）： 133-136.

[16] 康伟. 突发事件舆情传播的社会网络结构测度与分析――基于 “11・ 16 校车事故” 的实证研究[J]. 中国软科学， 2012（7）：169-178.

[17] Hu， B.， Hidders， J.， and Cimiano， P. Towards context-based information delivery to police officers： A questionnaire-based requirements elicitation study[C].Proceedings of the 7th International Conference on Information Systems for Crisis Response and Management， 2011：1-6.

[18] Gu T， Wang X H， Pung H K， et al. An ontology-based context model in intelligent environments[C].Proceedings of communication networks and distributed systems modeling and simulation conference. 2004： 270-275.

[19] Hu B， Hidders J， Cimiano P. A rule engine for relevance assessment in a contextualized information delivery system[C]. Proceedings of the 16th international conference on Intelligent user interfaces. ACM， 2011： 343-346.

[20] Strang T， Linnhoff-Popien C. A context modeling survey[C].Workshop Proceedings，2004.

[21] Bikakis A， Antoniou G. Rule-based contextual reasoning in ambient intelligence[M]. Semantic Web Rules. Springer Berlin Heidelberg， 2010： 74-88.

[22] 王旭坪， 杨相英， 樊双蛟， 等. 非常规突发事件情景构建与推演方法体系研究[J]. 电子科技大学学报 （社科版）， 2013 15（1）：22-27.

作者简介： 胡蓓蓓（1983-），女，南京大学信息管理学院博士生。