上下文感知

历史：

普适计算(PervasiveComputing)成为继主机计算、桌面计算之后的一种新的计算模式，最早起源于1988年Xerox PARC实验室计划，由Mark Weiser首先提出普适计算的概念。而最早由Schilit在1994年提出来的上下文感知(Context—aware)是普适计算的核心技术之一。

普适计算：又称普存计算、普及计算（英文中叫做pervasive computing或者Ubiquitous computing）这一概念强调和环境融为一体的计算，而计算机本身则从人们的视线里消失。在普适计算的模式下，人们能够在任何时间、任何地点、以任何方式进行信息的获取与处理。

上下文感知：在普适计算的环境中，人和计算机不断的进行着透明性的交互，，在这个交互过程中，普适系统获取与用户需求相关的上下文信息来确认为用户提供什么样的服务，这就是上下文感知，它是普适计算的重要技术，其主要涉及的问题包括：上下文信息的获取，上下文信息的融合和上下文信息的处理。

上下文的信息主要分为4类：

1)计算上下文，主要是指信息空间的网络状态，如网络的可用性、网络带宽、通信开销、显示器等资源。

2)用户上下文，主要指当前服务对象的信息，包括用户的个性、位置、社会关系等。

3)物理上下文，主要是指基本的物理环境信息，包括光线的明暗、噪声大小、气候、温度等。

4)历史上下文，是指以前的上下文信息，由于历史的上下文信息往往对用户的兴趣爱好的推断等推理上具有参考价值。

上下文感知的推理方法：分为三大类：

基于规则的推理方法：是指把相关领域的专家知识形式化的描述出来，形成系统规则。这些规则表示着该领域的一些问题与这些问题相应的答案，可以利用它们来模仿专家在求解中的关联推理能力。

将已有的事实同预定义的规则进行匹配而产生新的知识。该方法具有明显直观，推理清楚，有效的表达启示式知识，模块性强等优点，可有效的解决上下文推理方法中的推理能力差和不确定性，它利用预定义的规则来推荐内容，一个规则的本质是一个If-Then语句，根据预定义的前提条件得出相应的动作和结论，其自然性也给出领域专家和工程师间相互协作提供了方便。

基于本体的推理方法：本体的目标是获取，描述和表示相关领域的知识，提供对该领域知识的共同理解，确定该领域内共同认可的术语，并从不同层次的形式化模型上给出这些术语和术语间相互关系的明确定义。计算机根据本体描述文件理解本体的含义和层次间关系并建立相关的推理规则对其进行推理，这就实现了基于本体论的推理引擎，目前比较流行的有class/slot,RDF,OWL

基于概率统计的推理方法：某些情况下很难获得充分的上下文信息或者知识不完备，这个时候基于知识的推理就意义不大了。著名的贝叶斯网络推理算法就是这类推理，其实这种推理不仅仅使用在上下文推理中，在其他的应用中也广泛的出现，比如将贝叶斯算法在拦截垃圾邮件应用上就取得较为显著的效果，当然此类推理也需要一些前提条件，如需要一些先验的知识作为推导的基础。

本体的定义：本体本是一个哲学术语，在计算机领域有学着给出定义“描述构成特定领域词汇的术语和基本关系，及利用这些术语和基本关系构成的约束这些词

汇外延规则的概念”

本体的描述：可以用自然语言、框架和逻辑语言等来描述本体

上下文建模：六种方法

(1)键值对模型(Key-Value Model)

这个模型采用了比较简单的数据结构，使用在计算机领域比较常用的一个关键字对应一个值的结构。这种模型的特点是数据结构简单，从而在数据的存储和查方面具有优势，但是同样由于数据结构单一，对于比较复杂的上下文的表示就显得表达力不足。另外，这种上下文表示也增加了上下文推理等处理的难度。

(2)标记模式模型 (Makeupschema Model)

此模型的主要特点是，采用一种分层的数据结构及属性与内容的组合标一记的方法来对上下文进行建模。这种模型可以通过反复的标记嵌套方式来表达一些比较复杂的上下文信息，而且可以使表示的上下文信息序列化，表达能力也比较强。此模型的缺点在于，过深的嵌套可能增加数据的复杂度，这不利于后续的上下文处理。

(3)图形化模型(Graphieal Model)

图形化的模型代表性的应用如我们熟悉的UML建模语言，它的应用不限于上下文建模，在像软件工程等方面也有广泛的应用。基于此模型的上下文建模的研究有交通管理系统的建模等。

(4)面向对象模型 (objectoriented Model)

此模型的形成思想是基于对象的重用性和封装性。因为普适环境下的上下文信息具有动态性的特点，很多问题都是因为上下文的此特性引起，使用此模型给上下文建模能一定程度上解决上下文的动态性导致的问题。面向对象的建模将上下文信息的处理方式很好的隐藏在实体对象里面，可以通过开放的对外接口来访问处理相关的上下文信息。

(5)基于逻辑的模型(Logic Based Model)

这一模型是一种具有较高形式化的建模方法，它一般是通过将用在逻辑学中称为事实的概念，再加上相关的表达式及规则来描述上下文信息。基于此模型的上下文信息可以通过一种基于逻辑的管理系统来处理信息，包括增加、删除和更新信息等。新的上下文信息可以通过基于规则的推理来产生，这要归功于较高形式化的上下文建模。

(6)基于本体的模型 (Ontology Based Model)

这是一个比较成功且很有前景的上下文建模模型，这源于本体较强的表达能力、较高程度的形式化、完整严密语法的描述语言，以及可以利用已有比较成熟和强大的推理机和规则的支持，另外本体还有较强的知识共享性等特点。目前对基于本体模型的上下文建模研究很热，研究的重点主要是如何重用这些基于本体的上下文模型和系统的通用性研究。

上下文感知的技术难点：

(1) 上下文的合适表示。上下文信息具有多样性，所以上下文信息的表示应该尽量使得信息易于获取和处理。上下文信息的复杂性，表现在上下文信息本身的多样性和同一个信息描述的多样性上面。目前基于本体的上下文表示成为热点，原因是本体可以选择丰富的本体语言进行描述

(2) 上下信息的获取。从上下文的获取来源上看，一般有以下几个来源。

 直接从各种物理或逻辑的传感器获取，这也是最原始的上下文信息;

 从系统中已有的信息中获得，如系统的时间和系统存储的历史上下文信息;

 有些信息是上层直接通过下层提供的上下文访问接口来获得;

 还有些上下文信息是由用户自己设定输入等。

一般上下文的获取方法和上下文信息的种类直接相关，一种上下文的分类方法是将上下文分为底层和高层两类。一般来说底层的上下文信息获取比较简单，可以直接从各种传感器中获得。底层的上下文信息具有准确性不足、模糊性和冗余性的特点，底层的上下文信息一般是不能直接被利用，要通过去噪、过滤等处理后再交给上层模块处理或使用。高层的上下文信息，一般需要更多更复杂的技术来获得，比如利用计算机视觉来对用户的情绪进行识别和判断。

(3) 上下文信息的存储和管理。上下文信息往往不是孤立，前后上下文信息都是相互联系的，对于上下文信息的存储过多会导致存储空间的和计算的压力，过少则会导致信息容量不足，而导致推理偏差，需要寻求一个平衡点。另外对于这些信息的使用要提高操作的效率和系统的实时性

(4) 上下文信息的利用。即是系统利用上下文信息，进行适当的推理后所给出的适当行为。