《武汉工程大学学报》  2012年05期 73-78   出版日期：2012-05-31   ISSN:1674-2869   CN:42-1779/TQ
情景感知的本体网络化学习系统模型研究


0引言　　网络化学习系统(E\|Learning)作为一种新的教育培训方式，实现了对组织中一切学习资源和学习活动的管理.它具有传统的课堂教学无可比拟的优势，给教师和学生提供了一个新的学习机会.但现在的E\|Learning环境中，网络资源提供者还是被动的满足学习者的需求［1］.如何主动感知用户情景的变化并进行信息交互，通过分析学习者的个性化需求主动提供服务是当前研究热点之一［2］.　　在E\|Learning学习环境中，学习者迫切期望的是，能够在其所使用的学习终端上正确显示与当前学习情景密切相关的学习资源.如何能够理解学习者的当前需求，并根据学习者周围环境和学习设备的变化，从无限的网络学习资源中快捷、准确地检索到最恰当的学习资源提供给学习者，实现这一功能的核心技术之一就是情景感知［3］.笔者结合本体论和情景感知技术与方法构建了基于情景感知的本体E\|Learning系统，并对主要功能做了阐述.应用实例验证了该系统可以识别学习者的学习状态并进行实时反馈，提高了学习者的学习兴趣和学习效率.1情景感知的系统模型1.1情景感知的概念　　情景感知技术源于普适计算的研究，其处理对象是环境中的情景信息.情景感知就是通过传感器及其相关的技术使计算机设备能够“感知”到当前的情景，并让计算设备给出相应的反应.而情景是指能够用于描述实体情形的任何信息.所谓可以是一个人、一个地点或者在用户和应用之间交互的某个对象，包括用户和应用本身［4］.1.2情景感知计算　　情景感知计算是有效利用环境中的情景信息来辅助决策优化的一种计算模式，它需要解决的问题主要包括：获取情景信息、情景建模和智能处理.情景感知的研究受到学术界和企业界的关注，国际知名大学也纷纷建立情感计算研究小组，情感计算将有巨大的发展潜力和应用价值［5-7］.总的说来，情感计算的研究还处于起步阶段，主要侧重于情感信号的获取、情感计算的应用和情感建模等方面.本节以情景感知的处理流程为主线进行讨论.
1.2.1获取情景信息如何感知并获取情景信息，它是情景感知计算中极为重要的环节.获取情景信息的方式主要有用户主动输入、通过传感器采集以及情景提取等.情景感知的目的是在用户较少参与或者根本不需用户参与的情况下，通过普适计算资源来实现用户服务推荐.本文的情景感知的本体E\|Learning系统借助于计算机的日志、用户资料等情景信息来获取学习者的学习信息，如生活习惯、学习效率及日程表等，来辅助E\|Learning系统做出正确的决策.
1.2.2情景处理与识别获得了学习者的情景信息后，下一步的任务是运用数据处理技术将采集到的原始情景数据变成情景信息.情景处理与识别涉及情景表示和转换问题.根据采取的情景模型的不同，情景表示也各不相同.为了表示情景常需要将情景数据作恰当的转换，转换成与模型相匹配的形态.文献［8］使用一个四元组来描述和实体对应的数据对象(entity name, feature,value, time)，其中每个实体采用标识符来唯一命名.从而可使用特征、值和时间来表述情景.情景识别可获取情景数据的语义，并与情景机理相应的内容对应起来，从而指导系统做出相应的反应.
1.2.3情景建模情景建模是情景感知的基础.E\|Learning的主要特性就是数据的复杂性，不同的学习者对同一学习过程反馈的情景信息却不同，如学习时间或学习效果等.如何从最初的情景信息有效地提取出有意义的情景信息，同样也需要对情景信息进行有效的组织和表达.情景信息的建模可以分为两个层面：首先是形式上的统一，即不同的情景信息要采用统一的表示方式，它不涉及语义；其次是支持语义上的统一，即通过统一的语义表达来解决情景信息语义互操作和利用效率的问题，比如基于本体论的知识表达.本体可很好的描述情景信息，使用本体建模是当前很常用的一种方法［9］.2情景感知的系统模型分析2.1情景感知的本体E\|Learning系统　　根据情景感知的技术与方法，结合本体E\|Learning的特点，在参照文献［10］提出的将情景信息和业务服务紧耦合成情景感知服务系统的基础上，提出一种基于情景感知的本体E\|Learning系统，如图1所示.图1情景感知的本体E\|Learning系统
Fig.1E\|Learning system of context aware ontology2.2情景感知处理　　情景感知服务运行时，首先由情景获取模块实时采集情景信息，构造情景信息模型，然后情景推理模块对情景信息进行推理和分析，得出情景推理规则，最后学习资源的调度模块根据采集值及相应推理规则调用相应的业务服务向顾客提供.
第5期王传安，等：情景感知的本体网络化学习系统模型研究
武汉工程大学学报第34卷
2.2.1情景信息本体模型构造本体的目的是为了获取相关领域的知识，然后通过确定该领域认可的词汇，进一步实现对该领域知识的理解，使其符合E\|Learning系统中的情景本体对语义互操作的要求.E\|Learning系统中的情景信息本体模型包括情景信息九元组<Person、KnowledgeDomain、StudyTime、PersonStudyTime、PStudyTime、Test、TestStandard、TestMark、AverageGrade>及元组内部的关联和概念之间相互存在的关系［2］，如图2所示.在学习活动过程中，学习者的学习习惯是否正常合理，学习时间是否充分，属于学习活动方面，而学习效率与学习效果只有通过测试来验证，属于测试活动方面.因此，可从学习活动和测试活动两个方面来介绍情景信息本体模型中的情景信息元组和关系.图2情景信息本体模型
Fig.2Otology model of context aware（1） 学习活动方面的概念和关系　　Person表示E\|Learning环境中的学习者P，P=<P_ID, Name, Age, Sex>，其中P_ID为学习者标识.　　KnowledgeDomain表示知识域KD，KD=<KD_ID,Description,Document, KD_pre>，其中KD_ID表示知识域标识，Description表示知识域描述，Document表示资料文档，KD_pre为前序知识域.　　StudyTime表示专家预估的学习时间域St，St=<KD_ID, Min_Time, Max_Time>，其中Min_Time，Max_Time分别为学习KD所需的最短时间及最长时间.　　PStudyTime表示实际学习时间Pst，Pst=<P_ID, KD_ID ,time>，其中time为学习时间.　　PersonStudyTime表示Pst与St百分比Perst， Pers=<P_ID, Per>，其中Per=Pst/St.　　hassequence表示KD间存在一种传递性的时序关系，hassequence={<x,y>|x,yKD∧x先于y }.　　hasstudied表示已学习过某知识域，hasstudied={<x,y>|xP∧yKD∧x学习过y }.　　hasMoreTime表示Pst超出St上限，hasMoreTime={<x,y,z>|xPst∧ySt∧zPerst∧x.Time>y.Max_Time*z.Per }. 　　hasInTime表示Pst在St范围内，hasInTime={<x,y,z>|xPst∧ySt∧zPerst∧y.Min_Time*z.Per<x.Time< y.Max_Time*z}.　　hasLessTime表示Pst小于St下限，hasLessTime={<x,y,z>|xPst∧ySt∧zPerst∧x.Time<y.Min_Time*z.Percent }. （2） 测试活动方面的概念和关系Test表示测试T，T=<T_ID, KD_ID,Content>，其中T_ID 为测试标识、Content测试内容.　　TestStandard表示测试成绩评定标准Tsd，Tsd=<T_ID, KD_ID,sd>，其中sd为测试评定标准.　　TestMark表示测试成绩Tm，Tm=<P_ID, T_ID, Mark>，其中Mark为测试的成绩.　　AverageGrade表示测试成绩标准Ag，Ag=<P_ID, T_Num, Avg_Mark>，其中T\|Num为测试次数，Avg_Mark为平均测试成绩.　　hasGoodMark表示测试成绩较好Hgm，Hgm={<x,y>|xTm∧yTsd∧x.Mark>y. Standard +5}.　　hasNormalMark表示测试成绩一般Hnm，Hnm={<x,y>|xTm∧yTsd∧y.sd-5<x.Mark<y. sd +5}.　　hasBadMark表示测试成绩较差Hbm，Hbm={<x,y>|xTm∧yTsd∧x.Mark<y. sd -5}.　　hasProgress表示测试成绩有进步Hpg，Hpg={<x,y>|xTm∧yAvg∧x.Mark>y. Avg_Mark }.
2.2.2情景推理由上述情景信息本体模型里定义的相关概念及关系，可分析出学习者在学习过程中不同情景下的学习状态.构造的具体推理规则如下：推理1：对于学习活动合理性的推理规则为：m(＜KD_pre,KD＞∈hassequence→＜P,KD_pre＞∈hasstudied)|P完成KD合理　　推理2：完成知识域学习目标出色的推理规则为：（＜Pst,St,Perst＞∈hasInTime∨＜Pst,St,Perst＞∈hasLessTime）∧＜Tm,Tsd＞∈Hgmp完成KD目标出色　　推理3：完成知识域学习目标一般的推理规则为：(＜Pst,St,Perst＞∈hasInTime∧＜Tm,Ts＞∈Hnm)∨(＜Pst,St,Perst＞∈hasMoreTime∧＜Tm,Ts＞∈Hgm)p完成KD目标一般　　推理4：完成知识域学习目标较差的推理规则为：＜Tm,Ts＞∈Hbm∨(＜Pst,St,Perst＞∈hasMoreTime∧＜Tm,Ts＞∈Hnm)p完成KD目标较差　　推理5：学习知识域有进步的推理规则为：(＜Pst,St,Perst＞∈hasInTime∨＜Pst,St,Perst＞∈hasLessTime)∧＜Tm,Ag＞∈Hpgp学习有进步　　 利用上述的推理规则，将学习者的各种学习情景信息综合起来考虑，然后进行学习情景的分析和推理，从而获得较为准确的学习状态.判定了学习者的学习状态后，还可进一步推理分析，获得学习者的情绪状态.推理6：积极学习情绪的推理规则.p学习KD合理∧(p完成学习目标出色∨(p完成学习目标一般∧p有进步））p有积极学习情绪　　推理7：消极学习情绪的推理规则.p学习知识域不合理的次数超过情绪界限N次∨p完成知识域学习目标较差p有消极学习情绪
2.2.3学习资源调度当学习者完成知识域学习时，其学习的相关情景信息经过采集和推理分析后，被送到调用控制模块进行分析判断，从而决定是否需要调用以及具体调用哪个学习资源服务类型及时向学习者反馈.为更好的描述学习资源调度算法的过程，首先给出几个相关定义：定义1采集信息　　采集信息（Obt）用一个四元组来表示，Obt=<Obt_ID, P_ID, Cxt,val>其中Obt_ID是Obt的标识信息、Cxt表明采集的是哪种情景信息、val是采集值.定义2推理信息　　推理信息（Reast）也用一个四元组来表示，Reast=<Reast_ID, P_ID, Reast_V, Reas>其中　　① Reast_ID是Reast的标识信息.　　② Reast_V={〈Reast1, v1x〉,〈Reast2, v2y〉,…,〈Reast,vnz〉}是情景信息及对应值集合，其中Reast1, Reast2,…, Reastn是情景信息，vij是Reasti的值.　　③ Reas是情景推理服务.定义3资源调度配置模型　　资源调度配置模型（Resm）用一个五元组来表示，Resm=<Resm_ID,P-ID, Scps, Anals, Lbs>，其中Resm_ID是Resm的标识信息、Scps是资源调度服务、Anals是推理得到的情景信息、Lbs是资源业务.定义4学习资源信息　　学习资源信息（Resc）用一个二元组来表示，Resc=<Resc_ID,sors>，其中Resc_ID是Resc的标识信息、sors是情景处理服务.　　具体的调用控制算法如下：　　输入：采集信息集合（OBT），资源调度配置模型集合（RESM），推理信息集合（REAST）以及学习资源集合（RESC）　　输出：学习资源服务LBS　　主要步骤:　　（1）OBT= ; RESM= ; LBS= //初始化　　（2） for (all Obt∈OBT) { //将所有采集信息存入推理信息集合并执行推理　　　　 select Obt.Cxt, Obt.val from Obt； 　　　　　If Obt.P_ID=Reast.P_ID then Insert Obt.Cxt, Obt.Val into Reast. Reast_V;　　　　　Else Insert Obt.P_ID, Obt.Cxt, Obt.Val into Reast. Reast. P_ID, Reast_V;　　　　 insert Reast into REAST; do Reast. Reas }　　（3）for(all Reast∈REAST)　　　　{ //将情景推理后的结果存入资源配置模型集合 select val(Reast. Reas) from Reast;　　　　　Insert val(Reast. Reas) into Resm.Anals; insert Resm into RESM; }　　（4）for(all Resm.Anals and RESC！= )　　　　{ //查找需调用的学习资源服务并存入资源服务集合 select Resc.Resc_id from Resc where val(Resc.sors)= Resm.Anals ;　　　　　insert Resc.Resc_id into Lbs;　　　　　insert Lbs into LBS; } 　　（5）return(LBS).3应用实例　　为验证所提出的情景感知的本体E\|Learning系统，在学习过程中实现主动提供学习资源的有效性，利用Stanford 大学提供的Protégé建模工具，来对前面定义的情景信息的概念、属性和相互关系进行建模，最终生成了Semantic Web 的OWL文档，并利用惠普公司提供的JENA推理机开发了情景感知的本体E\|Learning原型系统.　　通过Protégé本体建模工具对其进行建模，最终形成XML格式的dd.owl文档，如图3所示.图3情景信息本体界面
Fig.3Ontology interface of context aware由于E\|Learning系统面向的服务对象主要是学习者，所以对系统学习者终端功能的要求要尽可能的全面丰富，以满足学习者不同的学习要求和兴趣爱好.在本系统中，学习者终端的基本功能主要有学习和测试两类功能.学习者访问学习内容部分则可以为进行课程学习，知识点学习，知识域学习等.另外，当学习某章节结束后，将会提供相应于该章节的在线小测试.在学习者学完某门课程后，可以选择在线考核.可以根据学习效果的反馈了解学习者当前的学习效果.如图4所示.情景分析功能主要是从学习者的学习过程、学习内容等情景信息因素来分析学习者所处的学习情景.本系统主要从学习者学习过程和学习时间是否合理、学习成绩是否理想、学习是否有进步等学习因素来进行综合考虑分析的.对以上这些学习因素进行分析和感知，可以推理出具体的学习者的学习情景，如学习过程合理、完成学习目标较好、学习取得进步等.基于学习者情景感知的的推荐界面如图5所示.图4学习者学习效果反馈界面
Fig.4Interface of Learning effect feedback图5基于情景感知的的学习资源推荐
Fig.5learning resource recommendation based
on context aware4结语　　为了对学习者进行更为有效的学习指导，结合本体E\|Learning环境的特点，提出应用情景感知的方法和技术对学习者在学习过程中的情景信息进行实时反馈，并建立了基于情景感知的本体E\|Learning系统.应用实例表明文中构建的系统能够实现学习资源服务的自适应服务，但在获取的情景信息不完整的情况下，该系统无法将明确的学习资源服务提供给学习者.如何提高获取信息的准确性和可靠性及系统的自适应性，将是下一步的研究重点.