移動環境下多情景源用戶情景序列的提取

劉明偉，張曉濱，楊東山

（西安工程大學 計算機科學學院，陜西 西安710048）

0 引 言

隨著移動智能終端的智能化和普及化，越來越多移動用戶的實時信息被用作移動推薦服務的基礎數據源.移動智能終端中種類繁多的傳感器是收集大量信息的重要工具，通過獲取用戶實時的情景信息，可為移動用戶提供多情景源情景數據序列.

HMM模型起初被廣泛應用于模式識別研究領域，之后被引入到預測分析.文獻［1-2］利用HMM模型對傳感器信號進行建模，評估有效剩余壽命，進而判定系統狀態，實現診斷和預測.文獻［3］將嵌套的HMM模型引入用戶網絡流量預測分析中，用于監控設備.目前，HMM模型主要是對單一信息源進行信息的挖掘和獲取，對于從多情景源信息獲取用戶情景序列的研究尚處于探索階段.在用戶情景序列提取推薦方面，文獻［4］在社交網絡技術分析中引入基于遺忘曲線的協同過濾推薦算法.文獻［5］為研究社會網絡中用戶間的關系，提出了基于社會網絡分析的協同過濾算法的改進方法.文獻［6］提出了基于用戶偏好的自動分類的社會媒體數據推薦算法，但其算法比較復雜，可擴展性存在問題，性能會越來越低.也有一些研究［7-11］為改進現有算法的不足，優化情景生成的序列，從不同方面用不同方法提高算法的實用性、靈活性和有效性.然而，這些算法僅僅考慮了影響移動環境中用戶個性化推薦服務的幾個客觀因素，而對于用戶自身因素并未考慮，忽略了用戶自身因素對用戶情景序列結果的影響.

因此，文中通過獲取移動智能終端的傳感器信息，提取用戶的身體健康狀態信息作為用戶多情景源數據，利用笛卡爾乘積對多傳感器獲得的多情景源信息進行融合［12］，并用HMM模型提取用戶隱含的情景數據序列.

1 HMM模型

HMM模型的雙重隨機過程，不僅能反映用戶觀測狀態的隨機性和隱藏狀態的關聯性，而且還可以體現出隱藏狀態和觀測狀態間的轉換過程［13］.在某個給定的時刻，給定狀態的轉移概率只取決于系統在上一時刻所處的狀態.通過馬爾科夫過程，決定每個輸出值的概率，依據產生的觀察序列挖掘出潛在的隱藏信息［14］.HMM模型λ可以用5個元素來描述，即λ=（S，O，A，B，π），包括2個狀態集合和3個概率矩陣.參數設置如下：

（1）隱含狀態序列S= ｛S1，S2，…，Sn｝；

（2）可觀測狀態O= ｛O1，O2，…，On｝；

（3）隱含狀態轉移概率矩陣A，其中Aij=P（Si｜Sj），1≤i，j≤N；

（4）觀察狀態轉移概率矩陣B，其中Bij=P（Oi｜Sj），1≤i≤M，1≤j≤N；

（5）初始狀態概率矩陣π= （p1，p2，…，pn）.

2 多情景源環境下用戶情景序列的提取

HMM模型通常是從單一情景源信息中提取隱含狀態序列，對于從多情景源信息中提取用戶情景狀態序列不太適用［15］.傳統模糊理論用隸屬度表示傳感器信息的不確定性，然后利用模糊變換進行數據處理.對于兩個模糊集合A′= ｛a1，a2，…，am｝和B′= ｛b1，b2，…，bn｝，它們之間的模糊關系定義為這兩個集合之間笛卡爾乘積的一個模糊子集，模糊關系可用矩陣表示為

其中，μij表示二元組（ai，bj）隸屬于該模糊關系的隸屬度，且0≤μij≤1.在應用于多傳感器信息融合時，A′看作是傳感器集合，B′看作是所有決策的集合，RA′×B′中μij表示單個傳感器i推斷為決策j的可能性［16］.

對于特征集X= ｛x1，x2，…，xn｝中，任一模式類ωj，令μj：X→ ［0，1］，μi（xj）（i=1，2，…，n）表示用單個特征值來衡量模式在ωj類中的隸屬度.則從特征集X=｛x1，x2，…，xn｝的角度來衡量模式在ωj類中總的隸屬度就為

其中，μj（xi）∧πj（xi）表示特征xi對于模式為ωj的貢獻程度.可以看出模式在ωj類中的總隸屬程度是由模式特征集中貢獻最大的單個特征決定，而直接忽略其他特征對決策的影響.

移動環境中，多情景源下獲得的傳感器信息具有離散性，且它們之間并沒有直接關系，需要對用戶在多情景源下不同傳感器獲得的數據信息進行融合處理.文中提出一種基于多傳感器同時為對象ωk推斷為決策j的可能性的方法.對于多情景源下的傳感器信息，用RC×D表示傳感器C通過獲得的所有信息產生所有決策D的集合，RC′×D表示為另一個傳感器C′通過獲得的所有信息產生所有決策D的集合.根據傳統模糊理論將C和C′做笛卡爾乘積C×C′，則RCC′×D表示兩個傳感器通過將獲得的信息共同作用后產生所有決策D的可能性.

RCC′×D就是兩個傳感器同時對D作用產生的模糊集，可將其看作HMM模型里對應的的狀態轉移集R，對應的狀態轉移概率矩陣A.在t時刻，HMM模型在隱含狀態為Si和輸出觀察序列為O=｛O1，O2，…，OT｝下的最大概率記作δt（i），隱含狀態序列的路徑記作ψt（j），記錄該路徑上狀態Si的前一個狀態.多情景源用戶情景數據序列提取方法如下：

HMM 模型表示為：λ= （S，O，A，B，π）

用戶情景數據序列表示為：Q= ｛q1，q2，…，qT｝

用戶情景數據序列提取方法參數如下：

S為表示隱含狀態序列，記作S= ｛S1，S2，…，Sn｝；

O為表示觀察狀態序列，記作O= ｛O1，O2，…，On｝；

A為表示隱含狀態轉移概率矩陣，記作Aij=P（Si｜Sj），1≤i，j≤N；

B為表示觀察狀態轉移概率矩陣，記作Bti=P（Ot｜Si），1≤t≤T，1≤i≤N；

π為表示初始狀態概率矩陣，記作π= （p1，p2，…，pn）.

輸入：隱含狀態轉移概率矩陣A，觀察狀態轉移概率矩陣B，初始狀態集合list，count=1，發生概率最大的隱含狀態序號max-node，隱含狀態發生最大的概率max-v；

輸出：多情景源用戶隱含狀態序列及對應的概率值.

算法描述：

result［0］［i］=p1＊b［i］［j］／／初始化，根據初始狀態序列中首個狀態發生概率，計算出對應的所有可能的隱含狀態的概率

for（i=1；i≤n；i＋＋）

｛for（j=0；j≤n；j＋＋）

｛tmp=result［i-1］［0］＊a［0］［j］＊b［j］［list［count］］／／根據初始狀態提取出的首個隱含狀態及概率，進行歸納計算，提取出初始狀態序列中剩余所有可能的隱含狀態

for（k=1；k≤n；k＋＋）

｛tmpcpr=result［i-1］［k］＊a［k］［j］＊b［j］［list［count］］／／以此類推，計算出所有隱含狀態可能出現的概率

if（tmpcpr＞tmp）

max-v=result［i］［k］；

max-node=k；／／標記出最有可能發生的隱含狀態序號及發生概率

count＋=1；｛／／比較每個觀察狀態對應的所有隱含狀態發生的概率｝

printf（"%d%d%f＼n"，i＋1，j＋1，result［i］［j］）｝｝｝；

printf（"Pmax=%f＼n"，max-v）；／／輸出隱含狀態概率矩陣、隱含狀態的最大概率

for（k=n；k＞1；k--）

｛printf（"step%d：%d＼n"，k，max［k］［max-node］＋1）；

max-node=max［k］［max-node］；｝／／倒序輸出初始狀態序列對應的最大概率隱含狀態序列

通過反復利用HMM模型，并有效結合改進后的方法即可從多源信息中提取到更多有價值的信息.在移動環境中，傳感器獲取的信息是離散的、大量的，并且它們之間沒有直接的關聯.通過對來自不同傳感器的數據信息進行分析與綜合，對被測對象產生統一的最佳估計，這樣就可以使綜合信息在準確性、可靠性及完備性等方面較其中任何單個傳感器有明顯提高.由于傳感器所提供的數據信息有一定的模糊性，因此多情景源數據融合的過程實際上是一種非確定性推理與決策的過程.

3 實驗分析

實驗在移動環境下，通過用戶的移動智能傳感器，實時獲取用戶體溫、天氣狀況、用戶位置等信息.設置實驗參數：初始化用戶體溫狀態序列O1=｛低燒，高燒，正常｝，天氣狀態序列O2=｛陰天，雨雪，晴天｝.隱含狀態序列：身體隱含狀態集合S1=｛健康，亞健康，疾病｝，情緒隱含狀態集合S2=｛高興，傷心，無聊｝，推薦情景集合S3=｛看書，打球，做實驗｝.初始狀態轉移概率矩陣π1，π2，π3和π4，隱含狀態轉移概率矩陣A1，A2和A3，觀測狀態轉移概率矩陣B1，B2，B3和B4.

實驗表明，移動環境下對用戶多情景源數據進行融合，將多情景源用戶情景數據序列進行笛卡兒乘積形成一個綜合的觀測情景狀態序列，并多次迭代使用HMM模型，提取出移動環境下隱含的多情景源用戶的情景狀態序列.通過表1比較不同傳感器提取的情景序列結果可知，當用戶身體健康處于高燒狀態且天氣狀態為雨雪時，經多情景源信息融合方法提取的結果較單一的傳感器提取的情景序列結果更具有實際意義，有效地為移動用戶在多情景源中提供情景狀態序列信息，并用于未來智能家居、智能汽車、智能商店等研究領域，對移動用戶進行個性化情景服務推薦.

表1 不同傳感器提取的情景序列對比Table 1 Comparison of context sequence extracted by differext extracted

4 結束語

在移動智能生活中，從用戶大量信息中提取有價值的信息為移動用戶提供情景序列服務，已逐漸成為一種趨勢.針對從不同傳感器獲取到的用戶情景數據序列信息，文中運用笛卡爾乘積將多傳感器信息數據融合，并結合HMM模型提取更多有價值的信息用于用戶推薦服務.隨著移動互聯智能終端的發展，用戶的實時移動信息急劇增多，將多情景源信息高效融合，為用戶推薦更滿意的個性化服務仍需進一步研究.

［1］ BRUCKNER D，VELIK R.Behavior learning in dwelling environments with hidden Markov models［J］.IEEE Trans on Industrial Electronics，2010，57（11）：3653-3660.

［2］ ATHANASOPOULOU E，LI Lingxi，HADJICOSTIS C N.Maximum likelihood failure diagnosis in finite state machines under unreliable observations［J］.IEEE Trans on Automatic Control，2010，55（3）：579-593.

［3］ XIE Yi，HU Jiankun，XIANG Yang.Modeling oscillation behavior of network traffic by nested hidden markov Model with variable state-duration［J］.IEEE Trans on Parallel and Distributed Systems，2013，24（9）：1807-1817.

［4］ 于洪，李轉運.基于遺忘曲線的協同過濾推薦算法［J］.南京大學學報，2010，46（5）：520-527.YU Hong，LI Zhuanyun.A collaborative filtering recommendation algorithm based on forgetting curve［J］.Journal of Nanjing University，2010，46（5）：520-527.

［5］ 馮勇，李軍平，徐紅艷，等.基于社會網絡分析的協同過濾推薦方法的改進［J］.計算機應用，2013，33（3）：841-844.FENG Yong，LI Junping，XU Hongyan，et al.Collaborative recommendation method improvement based on social network analysis［J］.Journal of Computer Applications，2013，33（3）：841-844.

［6］ 賈大文，曾承，彭智勇，等.一種基于用戶偏好自動分類的社會媒體共享和推薦方法［J］.計算機學報，2012，35（11）：2381-2391.JIA Dawen，ZENG Cheng，PENG Zhiyong，et al.A user preference based automatic potential group generation method for social media sharing and recommendation［J］.Chinese Journal of Computers，2012，35（11）：2381-2391.

［7］ 郝杰.大規模多用戶 MIMO系統導頻波束形成預編碼算法及仿真［J］.西安工業大學學報，2015，35（6）：506-510.HAO Jie.Pilots beamforming for massive MIMO system［J］.Journal of Xi′an Technological University，2015，35（6）：506-510.

［8］ 孫冰怡，呂巍，李文洋，等.基于智能手機傳感器和SC-HMM算法的行為識別［J］.吉林大學學報：理學版，2013，51（6）：1128-1132.SUN Bingyi，LYU Wei，LI Wenyang，et al.Activity recognition based on smart phone sensors and SC-HMM algorithm［J］.Journal of Jilin University：Science Edition，2013，51（6）：1128-1132.

［9］ GU Tao，WANG Liang，WU Zhanqing.A pattern mining approach to sensor-based human activity recognition［J］.IEEE Transactions on Knowledge and Data Engineering，2011（9）：1359-1372.

［10］ 張亞明，劉海鷗.面向云環境的移動信息服務情景化協同過濾推薦［J］.情報學報，2014，33（5）：508-519.ZHANG Yaming，LIU Haiou.A contextualized collaborative filtering recommendation model for mobile information service in cloud environment［J］.Journal of the China Society for Scientific and Technical Information，2014，33（5）：508-519.

［11］ 許道寶，陳志平，于冠，等.基于 MGARCH 模型的情景樹生成算法［J］.工程數學學報，2014（3）：435-453.XU Daobao，CHEN Zhiping，YU Guan，et al.Scenario tree generation algorithms under MGARCH models［J］.Chinese Journal of Engineering Mathematics，2014（3）：435-453.

［12］ 孔金生，李文藝.基于模糊集合的證據理論信息融合方法［J］.計算機工程與應用，2008，44（20）：152-154.KONG Jinsheng，LI Wenyi.Evidence theory information fusion method based on fuzzy set［J］.Computer Engineering and Applications，2008，44（20）：152-154.

［13］ JOHANSSON M，OLOFSSON T.Bayesian model selection for Markov，hidden Markov，and multinomial models［J］.IEEE Signal Processing Society，2007，14（2）：129-132.

［14］ AWD M A，KHALIL I.Prediction of user′s web-browsingn behavior：Application of Markov model［J］.IEEE Systems，Man，and Cybernetics Society，2012，42（4）：1083-1142.

［15］ 宋玉琴，朱紫娟，姬引飛.多傳感器信息融合的智能故障診斷［J］.西安工程大學學報，2014，28（5）：568-573.SONG Yuqin，ZHU Zijuan，JI Yinfei.Intelligent fault diagnosis strategy of multi-sensor data fusion［J］.Journal of Xi′an Polytechnic University，2014，28（5）：568-573.

［16］ PEDRYCZ W，HIROTA K，SESSA S.A decomposition of fuzzy relations［J］.IEEE Systems，Man，and Cybernetics Society，2001，31（4）：657-663.