以本体论为基的情境感知之服务推理

1、以本體論為基的情境感知之服務推理郭文傑輔仁大學資訊管理研究所aki0.tw翁頌舜輔仁大學資訊管理研究所.tw摘要隨著無線網路與行動裝置等相關設備和技術的發展，人們可以透過各種行動裝置與人以及環境產生互動，甚至可以 ”Anytime”或”Anywhere” 讓使用者隨時存取所需要的資訊、服務，這即是所謂的智慧環境(Ambient Intelligence)，特別是在近幾年來的歐洲，對於普及運算的發展更是不遺餘力。但問題在於使用者對於服務的要求是非常動態且不確定，更複雜的是又考慮到環境中的位置、時間與人等因素，使用者在不同的情境 (Context) 下所需要的

2、服務並不盡相同。因此，在普及運算(Ubiquitous Computing)的環境下，行動裝置必須更智慧地根據不同的情境來提供更適當的服務，而本研究的目的是希望利用本體論(Ontology)在普及運算的基礎建設下建構一個情境本體論，而使用本體論是為了能促使知識分享、再用於其他的情境感知應用，還能更近一步的支援推理機制。研究採用案例式推理(CBR)來推理服務，CBR是接近人們思考沒事來推理，重視過去的經驗和方法，可運用於複雜的情境下。此智慧型推理克服以往推薦並未考慮到的位置以及時間等因素去找尋使用者所需要的服務，並且能讓使用者真正的跟環境產生互動，使得人們的生活更豐富有趣。關鍵字：本體論，推理，

3、情境感知，智慧環境壹、 引言一、 研究背景、動機隨著無線網路和行動裝置的普及和發展，從早期的窄頻撥接演進到今日的寬頻網路，從有線電話至如今人手一機的行動電話，從有線網路進一步發展至無線網路，在今天人們可以於任何時間和地點皆可透過任何的行動裝置，存取或運算所需要的任何資訊。在這樣的背景下，打造了普及運算(Ubiquitous computing)發展的舞台，也有另外一個名詞叫做pervasive computing，在歐洲則稱為Ambient Intelligence，指的都是相同概念。普及運算積極促使人們可以透過各種的行動裝置與環境、人產生互動，甚至可以Anytime、Anywhere、Any

4、thing、Anyone讓使用者隨時運算或存取所需要的服務。而在普及運算領域中的Context-Awareness(情境感知)是近幾年來有趣的議題，情境感知簡單的概念就是，一個智慧型情境感知系統會透過一些感應器(像是GPS、照相機、攝影機、RFID等)，去偵測使用者的Context(情境)資訊(情境是指位置、溫度、時間等可以描述實體的資訊)，然後根據不同的情境，給於使用者所需要的產品或服務，一些相關應用像是行動導覽系統(使用者透過透過行動裝置來與環境互動，也支援導航和搜尋服務)，其他像是智慧型房間、智慧型辦公室等，而運用的最高宗旨，都是希望能豐富人們的生活。 許多的研究文獻對於情境感知的都有顯

5、著且驚人速度的發展，但是情境感知最重要的是關鍵在於能做到移動性中的個人化(Personalization)，也就是不管在何處都能得到自己所需要的資訊、商品或服務，而這部份的研究也是現今研究的聚焦。 重點在如何將各種情境表達出來呢?又該找何種資料模式來表達呢?根據Chen et al.(2004)的建議，他們相信本體論 (Ontology)是發展情境感知的一個必備條件，有以下三個理由：(一)一個概念的本體論可以在開放和動態分散系統下做到知識分享。(二)完善定義(Well-Defined)的Ontology可以提供語意(Semantic)來使得代理人(Agent)可以互相溝通和智慧的去推理情境。(

6、三)明確的本體論可以讓裝置和代理人不需被設計成一起運作來達到溝通(Interoperate)，而達到有意義溝通的能力(Serendipitous Interoperability)圖一個人化是情境感知的關鍵 (資料來源：Koch, 2002) 如圖一所示，當中描述了許多與使用者相關的各種資訊，這些資訊像是使用者的名字、位置、統計和購買的歷史紀錄，或是一些動態的資訊像是位置、時間等，這些資訊可以用來協助個人化(這些資訊在本研究稱為情境因素，而這些情境因素可以組合成不同的情境)。此外，情境感知對於個人化仍有一些挑戰，如同Lewis (2004)所說的，一個情境感知系統必須考慮到：(一)幫助使用者找

7、到正確的服務來使用。(二)替使用者管理服務(透過友善的人機互動介面來管理服務)。(三)建立信任。二、 研究目的基於以上眾多學者Koch(2002)、Chen et al.(2004)&Lewis (2004)的觀點，本研究希望能做到以下：(一)採用本體論(Ontolog)來建置情境的本體論，來充分表達人們和環境互動的關係，此外採用本體論也可以做到知識分享、再用等優點，另外可以讓其他的情境感知可以共同使用使情境本體論。(二)採用OWL DL具描述邏輯的本體論語言，將許多種情境錯綜的關聯表達出來，因本身具有邏輯推論的特性，有利於系統推理和知識庫的建置。(三)採用更具彈性的推理機制，本研究考

8、慮了法則式和案例式的推理機制(法則式和案例式推理在第二章有詳細說明)，最後採用案例式來面對複雜情境的推理，因案例式推理較適合用來處理比較非結構的問題。(四)採用案例式推理，系統可以不斷的去學習，因案例式運作是用以往解決問題的經驗，來處理相似的問題，並經處理完後的案例在儲存於知識庫，來不斷擴充知識庫，使的知識庫更完備，讓往後推理的服務能更符合使用者所需。貳、 文獻探討一、 情境感知 (Context-Awareness)情境察知此概念最早是由Schilit et al. (1994) 提出，他們提到由於分散式行動計算(Mobile Distributed Computing)的興起，使用者可以透

9、過行動裝置與其他行動裝置或電腦互動，計算不再侷限於一個位置在一個環境，它可以擴展到辦公室、會議室、家裡、機場、公車站、飛機上等。此外，行動裝置的移動性，也使的位置的資訊是非常必要的，因為根據位置資訊，使用者可以查詢週遭的裝置和服務。那麼一種新的挑戰便產生了，那就是情境感知。根據Dey(2001)對情境感知的定義為：一個情境感知的系統是可以提供相關的資訊或是服務給使用者，而此相關則是依據使用者的目的。一個情境感知的功能必須能支援以下三點：(一)提供資訊或是服務給使用者。(二)替使用者自動化的執行服務。(三)將情境資訊附加在原始資料上，可以利用這些情境資訊的標籤內容來做進階的查詢。而當中所指的情境

10、，根據Schilit et al.(1994)將情境的資訊可以分為以下三大類：(一)計算的情境：像是網路的連接、頻寬和附近的資源，例如印表機、顯示器或是工作站。(二)使用者的情境：始用者的偏好、位置、週遭的人、目前的社會處境，或是用者目前的姿勢、行為等。(三)實體環境的情境：燈光、噪音的程度、交通情況、溫度等，可以描述環境狀況的資訊。二、 本體論 (Ontology)本體論(Ontology)最早的概念是從哲學來的，以哲學的觀點認為Ontology是關於真實世界的基本特性哲學理論，之後被引進電腦科學領域，像是促進資料互通性、資訊搜尋與檢索、自然語言、人工智慧、代理人的溝通等等，可見其應用性很廣

11、。而根據W3C對其的定義為：本體論是用來描述與表示各種領域的知識，簡單來說，就是我們可以利用本體論來架構一個領域知識(Domain Knowledge)，並進一步分析此領域中各種概念的關係。此外，Studer(1998)採用了Gruber(1993)和Borst(1997)的定義認為：本體論可以將共享的概念明確的形式化，當中則說明本體論的四層涵義：(一)概念：是指本體論乃是從真實世界的現象中去得到一個概念的模型。(二)明確性：是指概念的使用，概念必須被明確的定義和表達其限制。例如：醫學的領域，疾病和徵兆是兩個概念，他們之間的關係是因果的，而疾病的限制就是疾病不能被自己所引起。(三)形式化：是指

12、本體論是可以被電腦所解讀。(四)共享：本體論是被群體共同認可的知識，不是個體所有的，而是屬於群體的。OWL是Web Ontology Language的縮寫，是設計來被某些應用使用，而這些應用是需要處理資訊的內容，而不單只是將資訊呈現給人，簡單來說就是希望透過OWL做到Machine-Readable，相對於Human-Readable。OWL是由W3C的Web Ontology Working Group所發展的，也是W3C所推薦的本體論描述語言，也因為他是最完善的本體論描述語言。OWL可以明確的表示詞語的意思和詞語間的關係，而這些詞語意思和他們間關係的描述便是本體論，OWL比XML、RDF

13、、RDF-S更易於表達意思(Meaning)和語意(Semantic)，因此OWL促使這些內容可以在網頁上被機器所了解，OWL是DAML+OIL的結合。OWL有三種子語言，分為為OWL Lite、OWL DL、OWL Full：(一)OWL Lite：支援給只需要一個分類的階層和簡單約束的使用者。相較於OWL DL是比較不複雜。(二)OWL DL：支援需要大量描述的使用者，此外OWL DL也保證計算的完整性(Completeness，是指結論必須保證能計算出) 可決定性(Decidability，是指計算必須在有限的時間內完成)，OWL DL包含了全部OWL的約束，OWL DL的命名是來自敘述

14、邏輯(Description Logic)。(三)OWL Full：支援需要大量的描述的使用者，此外RDF語法不需要計算的保證，OWL也允許使用者可增加預先定義的(RDF、OWL)辭彙，因此並沒有任何的推理軟體能夠完整支援的OWL Full特色的推理。在使用OWL發展本體論時，必須先考量哪一種OWL子語言是最適用的，因本研究的Context Ontology必須能夠將更種複雜的關係描述出，在服務推理的部份也有要有完善的語言來支援，所以選用OWL DL具有敘述邏輯能力的語言來支援。三、 Case-Based Reasoning, CBR(案例式推理)用認知心理學的角度來看腦袋的運作，人們的腦部就

15、像是擁有龐大記憶體的電腦，當人們愈到任何事情或是突發狀況，第時間都會去搜尋腦中以前所遭遇過的類似問題，而這些以前所遭遇過的類似問題便是種經驗，用這些經驗來解決目前所遇到的問題，而當問題解決之後，這些被解決的問題又會被記憶在腦中成為經驗的一部份。而案例式推理解決問題的方式就跟人類一樣，它充分利用過去的案例和經驗的問題情況和解決方式，來解決問題。而案例是推理的特色在於，他重視過去的每個經驗和案例，所以可以用來處理一些例外的情況，而且藉著每次問題解決後的經驗，可以使的越來越接近人類的學習行為，來確保以後解決問題越來越準確。圖三Case-Based Reasoning循環圖 (資料來源：江孟峰，200

16、3)如圖三所示，Case-Based Reasoning的步驟有：(一)案例擷取：當有案例發生時，系統會到案例知識庫依據案例的相似度計算的結果，擷取相似的案例，作為此專家系統對此問題的描述和解決，在提供給使用者。(二)案例再用：當此新案例式原本案例知識庫中所沒有的，專家系統可以評估是否將此新案例加入到案例知識庫中。(三)案例修正：雖然有些案例式案例知識庫所沒有，但有時案例會過於特殊，此時會對案例作一些修正。(四)案例更新：將經過專家系統處理或修正後的案例儲存於知識庫中。參、 研究方法、網路架構此系統的基礎建設，是建設在具有普及運算的環境下，使用者的行動裝置( PDA、手機、筆記型電腦.)可以透

17、過無線網路、Bluetooth等通訊設備，來與系統溝通。另外，一個基礎建設便是此環境已具備一些感應裝置，像是GPS、RFID、Thermometer、Camera、Monitor等感應器。如圖四所示：圖四 Context-Awareness系統的網路架構(資料來源：本研究整理)感應器可以去感應一些環境跟使用者的情境資訊，像是GPS可以提供定位功能，告知系統使用者目前的位置，而溫度則根據GPS所提供的位置資訊，去連結到此地區的氣象資訊，另外，RFID可以更詳細的描繪出使用者離什麼物件距離最近等等。其他的感應器則可以根據不同的應用領域來增減，其他的感應器則可以根據不同的應用領域來增減，像是Moni

18、tor可以去偵測使用者的姿勢(站、坐、走路速度多少)，可以運用在智慧型房間，例如：若使這用的位置是在房間，而姿勢是躺著，躺著持續時間超過半小時，就自動將手機調為震動、房間電燈熄滅等。情境資訊最後都將傳送給情境感知系統。使用者的行動裝置上也可備有一些感應器裝置(例如麥克風、相機等等)，也可以讓使用者本身也提供一些情境資訊給系統，來增加系統推理的正確性，當使用者連接無線網路登入此系統時，Context-Awareness Services System可以透過感應接收器來偵測使用者的情境當這些情境滿足條件時，系統便會通過啟動情境服務推理機制，來提供適當的服務給使用者。二、系統架構本研究的系統架構如

19、圖五所示，灰色方形表示模組，而箭頭表資料流：圖五 系統架構圖(資料來源：本研究整理)本系統主要的系統元件有：Context Acquirement、Context Reasoning Engine、Case Adjustment、Developer/Management Interface、User Interface，資料庫則分為兩個，一個是Case Knowledge Base，另一個存放情境的本體論。流程的說明如下，使用者可以主動或是系統端的Sensor Receiver自動的傳送情境資訊給Context Acquirement，Context Acquirement在將情境資訊送至Co

20、ntext Reasoning Engine，Context Reasoning Engine則比較此情境和Case Knowledge Base的情境案例，從相似的案例中找尋最接近或完全吻合的案例找出使用者可能需要的服務內容，在將服務的資訊傳送給Service Center，讓Service Center根據推理的結果，來替使用者找尋相關服務。而Case Adjustment的運作則是配合Context Reasoning Engine，當在推理的過程中，會將案例的權重調整或是考慮是否此新情境案例新增至Case Knowledge Base。而Developer/Management Int

21、erface則提供Service Center去修改、維護Case Knowledge Base和Context Ontology。Service Center除了傳送使用者所需的服務外，也負責將Context Ontology所描述的知識擷取至Case Knowledge Base，來將新的案例加入Case Knowledge Base。系統詳細的元件說明如下：(一)User Interface：使用者介面是使用者與系統間的中介者，使用者透過它來與系統互動，它提供傳送情境資訊的能力，也將最後Service Center傳送的服務呈現給使用者。(二)Context Acquirement：主要

22、功能在於能自動的去收集使用者或是感應器所傳送的情境資訊，並提供給這些情境資訊像是位置、氣候、時間等給Context Reasoning Engine。(三)Context Reasoning Engine：本研究所採用的Context Reasoning Engine主要將Context Acquirement 所收集到的Context和以存放於Case Knowledge Base的Case去做相似度的比較。此Context Reasoning Engine考慮到使用者所需的服務是非必定性的，也就是推理出來的答案不一定是絕對的，所以推理時會考慮權重和特徵植。而此Context Reasoni

23、ng Engine所採用的演算法主要來自Kolodner(1993)，此公式是運用Case中屬性的權重，來計算新Case和知識庫內Case的相似度和權重，Case之間相似度比較的公式如下：(3.2)(3.1)當中的值為：表一相似度公式之變數sim(x,y)：特徵相似度：兩個Case中，具有相同特徵數量之總和：兩個Case中，所有特徵數量之總和：輸入Case與知識庫中第i個Case之相似值。：輸入的案例：儲放於知識庫的案例n：屬性的個數。：各屬性的權重值；權重值總和為1。：輸入Case之第j個屬性值。：知識庫中第i個Case之第j個屬性值。：輸入Case與知識庫中的Case於第j個屬性的相似值。

24、但是也並非完全依照特徵植來決定，因為有些情況並非指依據特徵植來判斷，所以也有權重調整的機制，會隨著Case的不斷使用，各權重值也會改變，本研究採用了依據搜尋次數來決定權重值，其權重的演算法如下：(3.3)當中的值為：表二 權重調整公式之變數：下次搜尋時系統所計算的權重預設值。：搜尋時，系統所提出的預設值。t：系統使用此Case的次數。：使用者所輸入的權重值。透過此案例推理的演算法，會隨著時間和Case使用的次數，來使Case的此Knowledge Base更完善，而根據此Case Knowledge Base來推論出的服務，也會更符合使用者的要求。(四)Case Adjust/Add Engi

25、ne：此模組主要是根據案例的使用次數來調整權重，權重調整公式以在上圖介紹過了，另外，此模組也負責將新案例加入。(五)Context Ontology：從文獻知道情境是非常複雜的，情境甚至可以說是人與環境互動的知識，所以本研究採用本體論來描繪和表達情境。而本研究使用的Context Ontology，如圖六所示。圖六Hierarchical Context Ontology(資料來源：本研究整理)此階層的Ontology包含了四大類的本體論(Top-level Ontology、Domain Ontology、Task Ontology、Application Ontology)。本研究將情境的

26、因素置於Top-level Ontology，而Domain Ontology則可以根據不同的領域來增加，像是醫學、觀光，而Services則放在Task Ontology，而Application Ontology則是可以針對不同的應用去繼承、整合和擴充，Application Ontology所描述的實體也就是在執行活動時所扮演的角色。將本體論分為不同的階層，可以使Ontology有易於維護、分享、再用的優點。不過Context因素的定義會根據領域而有所差異，不過一個完善的Context因素必須是可以表達世界萬物的關聯，並且能將Context具體的描述和表示，所以本研究採用七個情境因素(L

27、ocation、Time、Person、Resource、Status、Weather、Other)來表達。(六)Case Knowledge Base：知識庫儲存判斷各種Context下所產生行為和在此Context下需要服務的Case。採用Case Knowledge Base優於Rule Knowledge Base的好處，在於能夠不斷具有學習能力，從不斷的從的去從一些新Case去自我擴充Case Knowledge Base。 此知識庫的案例主要是利用Context Ontology底下的Application Ontology的實體，再利用每個實體對應到Task Ontology的關

28、連，而每個案例的屬性值來自每個實體的屬性。(七)Developer/Management Interface：此介面主要提供Service Center可以增加、刪除、修改Ontology和Case Knowledge Base，同時也能讓Service Center將Ontology的知識轉為案例存存於Case Knowledge Base。肆、 情境本體論和案例設計此研究的實驗步驟，主要有2個主要的部份，第一是Context Ontology的建置、第二是讓如何建立案例和案例知識庫如何從情境本體論去學習。實驗步驟實驗計畫安排如圖七所示：圗七實驗步驟(本研究整理)此研究一開始最重要的工程便是

29、情境本體論的建置，因為本體論建置的完整性，對往後案例的維護、描述和推理的有效性有很大的關係，所以本研究依照Tovm本體論工程來建置，採用Tovm本體論工程，是考量到Tovm本體論工程是現階段較成熟和嚴謹的方法。在語言使用OWL DL本體論描述語言，OWL DL是目前描述最完善也是W3C推薦的語言，此外OWL DL對於推理有完整性、絕對性的保證。在工具方面，使用史丹佛大學開發的 Protégé ，它是一個協助開發本體論的工具，最新版的Protégé已經可以支援以OWL為基礎的本體論的建置，此外它是一個開放的軟體，擁有許多的外掛，另外也可以讓使用者自行新增或

30、移除外掛。圖八Context Ontology上層類別關係圖(資料來源：本研究整理)圗八是情境因素間的關係，圖中的灰色橢圓形是Class(類別)，而實線箭頭則是表示類別間的關係，像Time、Person、Resource、Status、Weather以”Locatedin”和Location為關連，而位置和位置之間的關係也是以”LocatedIn”為關連，因為小地方會被大地方所包含。而Person則透過”need”和Services關連，這些關連主要是以Location和Person這兩個類別為最重要依據，這些類別間的屬性會被下層的類別和實體所繼承。圖九有一個簡單案例說明：圖九 實體關係圖(資

31、料來源：本研究整理)圗九中的空心橢圓表示實體，實線箭頭表示實體間的關係，虛線箭頭表示推論的依據，而紅色虛線雙箭頭則表示推理出來使用者所需要的服務。此圖說明了二個情境案例，第一個案例是當新生在樹德樓教室時，而且所處時間點剛好是開學第一天，系統便會推論出新生需要選課的服務，服務中心自動提供選課服務給新生，第二個案例是當A老師跟B學生同時在圖書館，並且是移動狀態，系統推論出他們需要研討室預訂，服務中心會自動將圖書館目前狀態是空的研討室提供給老師選擇。而推理主要是依據實體間的關聯去找尋。除了將案例建置於本體論之外，尚可以利用SWRL(Semantic Web Rule Language)來協助案例的建

32、立，SWRL是結合OWL的子語言(Owl DL和OWL Lite)和Rule Markup Language的子語言(RuleML)而來，而本研究則利用SWRL來作為法則加強的部份。伍、 結論本研究的主要是透過本體論來建置情境本理論，希望能透過本體論的特性將人與環境的互動知識表達出來，在表達描述的過程中，本體論還能進一步的去支援推理，根據推理的結果，讓系統可以及時知道使用者正確的服務需求，此外還可以讓此情境本體論能互相溝通於其他應用中。而未來研究方面，希望能夠透過此一機制將各領域所需的服務皆包含，也就是探討此機制跟其他服務的整合性，促使此機制推理的服務能更豐富，另一方面就是情境資訊雖然豐富，但

33、也涉及了隱私權的部份，像是如何設定合適的View來讓不同應用來存取個人的資訊等方法，未來亦可朝此方向研究。陸、參考文獻Chen H., Finin T. & Joshi A., ”An Ontology for Context-Aware Pervasive Computing Environments”, Workshop on Ontologies and Distributed Systems, Vol. 18, Issue. 3, 2003, pp. 197-207.Chen H., Finin T. & Joshi A., ”An Ontology for Context-Aware Pervasive