一種自主完善網絡結構的貝葉斯網絡及本體聯合推理的方法
2023-07-18 02:50:16 2
專利名稱：一種自主完善網絡結構的貝葉斯網絡及本體聯合推理的方法
技術領域：
本發明涉及一種用於上下文推理的、能夠自主完善網絡結構的貝葉斯網絡和本體聯合推理的方法，屬於上下文感知計算技術領域。
背景技術：
在上下文感知技術中，上下文推理是其核心過程。一方面，在一個智能空間裡通過傳感器等感知設備感知的數據均屬於低級上下文信息，對於如此大量未經任何修飾的數據，尤其是在多傳感器協同感知的情況下，很可能出現數據不一致、不精確、不穩定、模糊不清的情況，甚至可能不同傳感器上傳的數據會包含矛盾和錯誤的信息，不能直接作用於頂層的決策，必須要經過去粗取精的過程，即對其進行數據的過濾、推理和融合等上下文推理的過程才能形成高級上下文，最大限度的支持決策的進行。另一方面，上下文推理過程將建立語義統一、邏輯清晰的高級語義上下文信息，便於上下文信息的存儲和傳輸。在上述去粗取精過程中，過濾過程可以濾除底層上下文中矛盾或不合理的數據， 初步提高上下文信息的精確度；融合過程可以儘量減少數據的冗餘度，便於上下文推理的使用；而推理過程主要是從有效的上下文信息中提取總結、歸納推測出用戶的行為習慣及未來的活動預期。所產生的高級上下文將直接用於用戶行為決策。在上下文推理的核心推理過程中，推理技術的選擇將直接影響推理結果的準確度。上下文推理的方法很多，主要的有貝葉斯網絡、神經網絡、決策樹及規則推理和謂詞邏輯等。貝葉斯網絡和神經網絡都屬於基於網絡結構來推理的方法。作為一種基於概率的不確定性推理方法，貝葉斯網絡以其獨特的推理方式和高度的準確率正日益受到人們的青睞，被廣泛應用到處理不確定信息的智能化系統中，例如已成功地用於醫療診斷、信息融合、統計決策和專家系統等領域。這些成功的應用充分表明貝葉斯網絡技術是一種強有力的不確定性推理方法。研究表明，貝葉斯網絡的推理結果的準確度與學習的時間有很大關係，當學習次數達到2000次以上時，貝葉斯網絡的推理結果可達到80%以上。貝葉斯網絡節點概率的計算問題可以表述如下已知先驗概率Ρ( θ I ξ)和樣本D，樣本D是一個互不相容的完備事件組中的任意
P(Bi)P(DIBi)
事件，則第m+1次試驗中的事件Bi發生的概率為ΣΓη^^ρ^,Β.)；貝葉斯網絡的結構形成所採用的方法可以是首先利用先驗知識或專家經驗來確定各種上下文信息之間的因果聯繫及條件獨立性，然後通過一些訓練數據的學習或者通過已有的資料來確定上下文信息之間的概率依存關係；如果缺乏相應的先驗知識，則可以利用樣本數據集來學習網絡結構和概率分布，從而形成一個初步的貝葉斯網絡結構；另一種方法是利用專家經驗建立了本體模型後，可通過對本體模型的學習來形成貝葉斯網絡的結構。
典型的貝葉斯網絡推理如圖1所示，根據現有知識、先驗數據、測試結果和專家知識等來確定貝葉斯網絡結構及各個父節點(A1, A2, A3 ;B1 B2)的概率分布參數，然後得到各個節點的先驗概率分布，最後統計出C節點的概率分布。基於規則的推理方法是將已有的事實同預定義的規則進行匹配而產生出新的知識，主要針對不同的應用領域中用戶特定的應用場景對低級上下文信息進行抽象和映射。 需要預定義規則庫，一個規則本質上是一個If-Then語句，根據預定義的前提條件得出相應的動作或結論。If-Then結構接近於人的思維和自然推理形式，易於理解，易於實現人機對話，可操作性強，其自然性也給領域專家和知識工程師間的協作提供了方便。但是這種方法的後期維護較麻煩，要求規則庫的可擴展性非常好，本專利中的可以自主完善網絡結構的貝葉斯網絡和本體模型的設計在實現中採用的是規則推理。本體上下文是上下文推理中的重要部分，基於本體建立的上下文模型邏輯性強， 獨立的低級上下文通過本體模型後建立有效的邏輯聯繫，同時，消除隱含的邏輯矛盾。如果檢測到衝突則觸發衝突解決機制，即按照知識層次的順序逐級消除那些基於不可靠假設得出的錯誤信息。衝突解決機制將推理功能和其他的功能劃分開來，結構清楚，使求解問題的複雜度控制在合理的範圍內。在基於本體和貝葉斯網絡的聯合推理過程中，目前的研究方法中有的是將本體模型直接規模化，完整化，從而形成固定的本體模型，然後用本體模型直接生成貝葉斯網絡的結構，即貝葉斯網絡的結構是從本體模型學習而成，且網絡結構是固定的，導致了貝葉斯網絡在推理過程中只進行概率的計算，此種方法未能發揮貝葉斯網絡的優勢；有的研究是令貝葉斯網絡獨立學習，通過專家系統、先驗知識等來形成貝葉斯網絡結構，並結合其他方式 (例如謂詞邏輯、規則推理方式)進行聯合推理，此種方法時間複雜度較大；大多數貝葉斯網絡的研究集中於貝葉斯網絡結構的學習，而對節點概率的計算多採用訓練數據的方法忽視了對本體模型推理結果的應用，從而降低了貝葉斯網絡的推理精確度。針對現有研究方法的不足之處，本發明提出一種自主完善網絡結構的貝葉斯網絡和本體聯合推理的方法，首先建立本體模型，然後將本體模型映射為貝葉斯網絡，同時將本體模型的推理結果作為貝葉斯網絡第一層父節點的概率輸入，從而提高貝葉斯網絡的推理精確度；然後對經過貝葉斯網絡推理後的結果進行判斷，通過用戶反饋信息來動態修改、逐步完善貝葉斯網絡的結構和本體模型，從而充分發揮貝葉斯網絡的優勢，同時儘量減少上下文推理的時間複雜度及貝葉斯網絡學習時間，提高整個系統的推理精確度。
發明內容
本發明的目的是採用可自主完善網絡結構的貝葉斯網絡和本體相結合的推理方法解決在複雜環境下對環境信息的感知及學習，並最大限度的保證高效推理出用戶的行為習慣，做出相應的預測。為實現上述的發明目的，本發明採用下述的技術方案一種自主完善網絡結構的貝葉斯網絡和本體聯合推理的方法，其特徵在於包括以下步驟步驟1，當有低級上下文信息輸入時，啟動本推理算法，並存儲於低級上下文信息庫中，同時向本體模型庫發送指令，啟動本體模型庫；
步驟2，低級上下文經過本體模型後，獲得用戶此時此刻的環境信息及用戶和環境之間的邏輯關係；步驟3，將環境信息的值作為貝葉斯網絡第一層父節點的輸入；步驟4，根據用戶當前的活動信息，通過貝葉斯網絡來推理出用戶未來的行為；步驟5，選取貝葉斯網絡的推理結果集中概率最大的結果，判斷該結果是否大於 80% 如果是，則啟動步驟8 ；如果否，則啟動衝突檢測及用戶反饋系統；步驟6，在步驟5需要啟動用戶反饋系統時，首先檢查貝葉斯推理的結果是否符合用戶需求，(a)如果推理結果符合用戶需求，則啟動步驟8; (b)如果用戶對推理結果不滿意，給系統反饋本次推理結果不符合實際的地方，並為系統提供自己期望得到的結果；步驟7，在步驟6的(b)情況發生後，系統確認用戶的反饋，並將反饋信息與本體模型庫相比較，確認本體模型庫中是否存在用戶反饋回來的邏輯關係；若本體模型庫中不存在此種邏輯關係，則對本體模型進行修正，添加用戶反饋的邏輯關係，同時對貝葉斯網絡的結構做動態修正；步驟8，為用戶提供服務；步驟9，基於貝葉斯網絡和本體邏輯聯合推理的上下文推理過程結束；其中，所述步驟1中，本體模型庫的起始系統初始化設置是基於專家系統的完整模型， 並假設所有用戶的模型均相同，在以後的推理中啟動的本體模型是經過學習後形成的用戶自己的本體模型。所述步驟2中，本體推理所需的數據均來自於感知層傳感器上報的原始數據。所述步驟3中，首先貝葉斯網絡的層次結構是基於本體模型的，可根據本體模型中的邏輯關係和因果聯繫來構建貝葉斯網絡，其次將本體推理的結果作為貝葉斯網絡第一層節點的輸入的目的是最大限度的保證父節點的概率為100%，提高整個網絡的推理準確度。所述步驟4中，貝葉斯網絡在對用戶行為做出預測的同時需要此時此刻的時間信息，所以對於以用戶為中心的行為推理都要添加時間標籤來增加預測準確性。本發明所提供的可自主改變網絡結構的貝葉斯網絡和本體聯合推理的方法，提供了一種與用戶交互式的推理方法。一方面通過用戶反饋的數據及個性化的需求來最大限度的保證上下文推理的準確度，並動態的修正貝葉斯網絡的結構和本體模型；同時為單個用戶提供個性化服務，基於專家系統的完整本體模型並不符合每個用戶的行為習慣，所以對於個人用戶添加用戶反饋可以保證為用戶提供的推理結果是符合該用戶的行為習慣，同時，也可以減輕本體模型的
複雜度。另一方面將本體推理的結果作為貝葉斯網絡第一層父節點的輸入可以減少從歷史數據訓練節點先驗概率造成的不準確性。下面結合附圖和具體實施方式
對本發明作進一步的說明。
圖1為典型的貝葉斯網絡圖。
圖2為基於貝葉斯網絡和本體邏輯聯合推理的上下文推理方法結構圖。圖3為基於貝葉斯網絡和本體邏輯聯合推理的上下文推理方法的算法流程圖。
具體實施例方式如圖2所示，本發明的邏輯結構由三部分組成本體推理模塊，貝葉斯網絡推理模塊和用戶反饋模塊。用戶低級上下文送入上下文推理模塊，經過以上三個模塊的過濾、推理和融合後形成高級上下文為用戶提供服務，具體來說低級上下文的過濾在本體模型中進行；推理和融合在本體模型和貝葉斯網絡中進行。一個具體的實施過程示例參照圖3所示，低級上下文輸入後，存儲在原始上下文信息庫中，同時啟動個人本體模型庫，本體模型庫的最初設置是基於本體的二層模型建立的，在專家系統基礎上，假設所有用戶的行為習慣均是基於相同的場景。低級上下文信息首先經過本體推理，進行過濾，消除其中的錯誤信息，得到用戶及周圍環境信息之間的邏輯關係。然後將結果作為貝葉斯網絡的父節點輸入，從而確保貝葉斯網絡的父節點有較大的概率。經過貝葉斯網絡推理後，在用戶行為預測的結果中選取概率值最大的結果作為本次的推理結果，並比較本次推理結果是否和貝葉斯網絡自學習N次(本發明中借鑑前人的研究，以N = 2000次為例進行說明)以上的結果一致，是大於Pmax的(此處借鑑典型貝葉斯網絡自學習2000次以上的結果，即Pmax = 80%)o如果本次的推理結果為大於Pmax， 則立即為用戶提供服務，同時將本次推理作為一次學習的結果，存儲在資料庫中。如果本次的推理結果小於Pmax，則啟動用戶反饋系統，由用戶判定此次的推理結果是否滿足用戶需求如果仍然滿足用戶需求，則為用戶提供服務，將本次推理結果作為一次學習的結果，存儲在資料庫中；如果本次推理結果不滿足用戶需求，則判斷本次的推理結果在語義Iwho， when, where, what, how}中是否有邏輯錯誤如果有，則立即建立新的本體模型，並覆蓋之前的本體；如果沒有，則用戶可自主判斷本次所需服務類型，並將結果作為一次貝葉斯網絡推理的結果學習並保存。上面對本發明所述的基於貝葉斯網絡和本體聯合推理的上下文推理方法進行了詳細的說明，本發明的具體實現形式可以是多種多樣的，所應用的應用環境也很廣泛。對於本技術領域的一般技術人員來說，在不背離本發明所述方法的精神和權利要求範圍的情況下對它進行的各種顯而易見的改變都在本發明的保護範圍之內。
權利要求
1.所述具有自主改變網絡結構的貝葉斯網絡及本體模型特徵的上下文推理方法的實現是通過用戶反饋模塊，具體包括以下步驟經過貝葉斯網絡推理後，首先客觀判斷推理結果是否具有高準確度，然後根據用戶主觀反饋的滿意度來確定採取何種處理方式，來確定是否動態調整貝葉斯網絡結構及本體模型結構(a)如果用戶反饋滿意推理結果，則使用此次推理結果；(b)如果用戶反饋不滿意此次推理結果，則根據用戶反饋情況來修正本體模型結構，或者添加貝葉斯網絡新節點來動態調整貝葉斯網絡的結構；
2.所述的貝葉斯網絡和本體聯合推理的方法本體推理的結果在作為推理結果的同時作為貝葉斯網絡的第一層父節點的輸入，減少貝葉斯網絡的自學習時間，提高貝葉斯網絡第一層父節點的準確度，從而提高整個網絡的推理準確度；
全文摘要
本發明公開了一種自主改變網絡結構的貝葉斯網絡和本體聯合推理的方法，首先基於本體來對低級上下文形成一定的邏輯關係，並將結果作為貝葉斯網絡的父節點輸入，最後通過貝葉斯網絡來推理用戶未來的行為習慣。在該算法中通過用戶反饋來動態調整貝葉斯網絡結構和本體模型，同時為用戶提供個性化服務，建立個人的本體模型，經過一段時間的學習後，可形成完全基於個人的上下文推理系統模型；通過直接提供貝葉斯網絡父節點的輸入來提高貝葉斯網絡的推理精確度，從而較大的提高整個推理過程的速度和準確率。
文檔編號G06N5/04GK102360457SQ201110319410
公開日2012年2月22日 申請日期2011年10月20日 優先權日2011年10月20日
發明者孫詠梅, 宋超男, 紀越峰 申請人:北京郵電大學