欢迎光临本站!

物联网搜索中用户意图的理解与表示

来源:技术探讨    更新时间:2019-12-13 15:23:49    编辑:老王    浏览:326

  情景感知意图理解


  情景也即上下文,是指反映实体所处环境特征的信息,例如实体所处的空间、时间、温度等。情景感知[14, 15]是指收集情景信息,并对情景信息进行智能处理的过程。准确理解用户的搜索意图是提高搜索质量的前提和基础。

  物联网搜索中感知用户搜索意图的渠道除了传统的文本输入之外,还可能通过物联网的各种感知设备感知用户的上下文环境,依据情景信息,更准确地理解用户的搜索意图。例如,通过将位置信息、查询信息、社交关系等因素引入到背景知识构建算法中,并利用该相关性以及各种时空情景实时判断用户的查询语义。

  用户意图理解有:基于时空的用户意图理解、基于形体动作的用户意图理解、基于情感分析的用户意图理解、基于统计分析的用户意图理解,交互式用户意图理解。基于时空的用户意图理解是指用户在查询时并没有给出时间和空间,但查询过程会自动去感知查询的时间和空间意图。

  基于形体动作的用户意图理解是基于用户的形体的一系列动作,如手势、表情、肢体语言等来推测用户的搜索意图。基于情感分析的用户意图理解是通过分析用户的情绪来选择与其个人风格、偏好相符的结果信息。

  基于统计分析的用户意图理解是指根据用户的历史关键词记录,选取搜索结果记录等历史偏好的统计信息,来理解用户的搜索意图。交互式用户的意图理解是指通过与用户的人机交互行为来理解用户的意图。

  典型的情景感知的框架包括:情景信息的采集、建模和处理。情景信息采集即通过传感器或人机交互方式获取物理实体的情景信息。物联网有着海量的传感器,不同的传感器采集到的信息以及信息的表示方式都不同,情景信息建模是对这些数据

  进行标准、统一的描述。情景信息建模有2个层面的,一个层面是形式上的统一,另一个层面是语义上的统一。形式上的统一是指对不同情景信息所采用的描述方式进行统一化和标准化,如关键值模型,语义上的统一,本体论模型就属于此。本体论模型通过本体论的知识表示解决情景信息的语义理解和互操作问题。情景信息处理是指通过可利用的情景信息推出新的知识,以便对实体有更好、更深的理解,它是一个从已知的情景信息的集合推导出一个高级情景信息的过程。情景信息推理分为3步。

  第1步是情景信息的预处理,即传感器的原始数据进行数据清洗。传感器硬件的性能较低以及通信资源受限,这导致从传感器收集到的数据精度不高,存在噪声甚至出现数据丢失。因此,数据需要通过填充缺失的值,去除异常值,验证情景信息的方式进行数据清洗。这一任务已广泛应用到了数据库领域、数据挖掘领域和物联网领域中。

  第2步是传感器数据的融合。这是一个融合多个传感器数据以产生一个更精确、更完全、更可靠信息的过程。在物联网中由于传感器的规模巨大并且产生的数据种类众多,因此数据融合对物联网来说显得非常重要。

  第3步是情景信息的推理(也即情景决策)。通过对低层次的情景信息进行推理可以得到高层次的情景信息。有许多不同的情景推理的决策模型,如决策树、朴素贝叶斯、隐马尔可夫模型、支持向量机、k-近邻、人工神经网络D-S、基于本体论的、基于规则的以及模糊推理等。情景信息推理有以下6类:监督学习、无监督学习、规则、模糊逻辑、本体推理和概率推理。

  1)监督学习:这类技术要求首先收集训练样本,接着根据所期望的结果对样本进行标记,然后推导出一个函数,该函数通过使用训练数据产期望的结果。这一技术在移动电话的感知和行为识别中得到了应用。决策树、人工神经网络、贝叶斯网络、支持向量机都属于监督学习型。

  2)无监督的学习:这类技术能够在未标记的数据中发现隐藏的结构。由于没有训练数据,所以没有错误或奖励信号来评估一个潜在的解决方案。聚类技术如K-最近邻被广泛应用在情景感知推理中。

  3)规则推理:这是最简单、最直接的方法。规则通常用IF-THEN-ELSE这种格式来表示。对低级的情景信息进行规则推理可以产生高级别的情景信息。近年来,规则已被大量应用于本体推理中。例如,MiRE是一个针对情景感知移动设备的小规则引擎。大多数的用户偏好使用规则进行编码。PRIAMOS使用语义规则对情景信息实施注释。

  4)模糊逻辑:与精确推理不同,模糊逻辑是一种近似推理。模糊逻辑类似于概率推理,但是它的值表示的是相似度而不是概率。在传统逻辑理论中,真值是0或1(即假或真),而在模糊逻辑中,真值不再是非真即假,可以是部分的真。由于很多真实世界的因素并不是绝对的,因此模糊逻辑更自然地表达了真实世界。模糊推理通常不能作为一个独立的推理技术,而是用来补充其他技术如基于规则的推理,概率或本体论。文献使用了模糊逻辑表达情景信息。

  5)基于本体的推理:本体推理是基于描述逻辑的,它是形式化的知识表示逻辑系列。常见的本体推理的描述语言是RDF(S)[26]和OWL(2)。本体推理的优势在于它可以和本体建模进行很好地集成。缺点是本体推理无法找到丢失的值或者模糊的信息,这是统计推理擅长的。本体推理已经被广泛应用于各种领域,如活动识别和混合推理和事件检测。

  6)概率推理:概率推理即根据问题有关的实事的概率做出决定。它可以用来结合2个不同来源的传感器数据。此外,对于情景感知中产生的冲突问题也可以用概率推理加以解决。Dempster-Shafer是基于概率逻辑的,允许不同的证据相结合来计算一个事件的概率,是常用的活动识别传感器数据融合。

  建模(models)技术


  通过建模技术可以无需进行交流而直接推断出相关信息。用户可以通过模型实现只索取其感兴趣的物理实体数据。实体通过模型实现只推送给对其感兴趣的用户处,模型是基于历史信息创建的。建模技术可引发启发式查询解析或者用来确定用户和实体集,确保随后的推送和索取操作能够获得精确的结果。

评论区

表情

共0条评论
  • 这篇文章还没有收到评论,赶紧来抢沙发吧~

相关内容

点击排行

随机新闻

评论排行榜