基于ASP的智能空间中上下文感知问题的研究

王 洁 张婷婷

(北京工业大学计算机学院 北京 100124)

基于ASP的智能空间中上下文感知问题的研究

王 洁 张婷婷

(北京工业大学计算机学院 北京 100124)

智能空间和回答集程序ASP的整合解决了智能空间中固定优先关系下的资源冲突问题。然而，智能空间是一个上下文敏感的、动态的环境，随着用户在空间中行为的改变，空间中的信息和服务也要发生动态的变化。原有的基于本体的上下文感知框架仅能实现不同本体信息的推理，而没有考虑环境信息对于上下文感知的影响。为此，基于回答集程序提出一种智能空间中的上下文感知框架，动态感知用户的上下文本体以及环境信息，完成用户在空间中的上下文动态推理。首先，使用本体描述用户的上下文信息；然后使用回答集程序表达上下文推理规则，并引入缺省规则依据本体信息以及环境信息动态决策上下文响应的优先关系；最后，求得回答集程序的解，即为用户上下文事件的决策结果，从而帮助用户实现智能推理。实验结果表明，该框架可以动态决策空间中的优先关系，有效实现空间中的上下文推理。

回答集程序 智能空间 上下文感知 缺省规则

0 引 言

智能空间是一个嵌入了多模态传感器、计算和信息设备的工作空间，可使用户便捷地访问空间中的信息并获取计算机的服务，从而帮助用户实现高效的工作[1]。智能空间中的各个设备、运营商和产品领域繁杂多样，实现自发交互的前提是空间中的各个参与者之间建立一个共同的标准。为了实现空间中设备和服务之间的信息和资源共享，智能空间最初使用语义网的方法[2]。

语义网采用资源描述框架RDF(Resource Description Framework)表达信息并且依赖于网页结构，然而网页结构的隐私性和推理效率都不够好。因此，相关研究学者研发了Smart-M3平台便于更好地实现智能空间。

Smart-M3是智能空间中的一个的交互操作平台，空间中的所有信息和服务都可以在设备之间进行共享和存取。它包含两个部分，分别是语义信息存储SIB(Semantic Information Broke)和知识处理操作KP(Knowledge Processor)[3]。其中，SIB以RDF三元组的形式对空间中的信息进行存储；知识处理操作则由KP完成，通过删除、插入、查询、更新等操作来处理存储在SIB中的信息[4]。智能空间访问协议SSAP(Smart Space Access Protocol)则将SIB和KP进行了连接。

2010年Luukkala等在智能空间中引入了回答集程序设计ASP(Answer Set Programming)[5]，并将ASP求解器Smodels和智能空间中的Smart-M3平台进行了整合[6]。ASP是一种基于规则的方法，它的知识表示能力和推理能力使得它成为处理资源决策的较好选择，从而提高了智能空间的推理能力，并解决了Smart-M3中的固定偏好关系下的资源分配和冲突的问题。2011年Rodríguez等[7]设计了一种智能空间中上下文感知的应用程序框架，实现了智能空间中基于固定本体的上下文感知推理。2013年Castillo等[8]更加细化智能环境，提出了一种智能空间中基于本体的上下文信息管理模型，重点在于使用中间件收集与环境相关的确定的上下文信息。目前的国内的研究现状是：2011年张乐[9]提出了一种基于本体的上下文感知计算的应用框架模型，并结合了智能实验室进行了实例应用。2013年徐剑峰[10]研究并设计了基于普适计算的上下文感知建模的通用系统框架，实现了一种通用的上下文建模方法。然而，智能空间是一个动态的、上下文敏感的环境，用户的上下文推理也会随着环境的变化而改变。目前在智能空间中上下文感知的研究均是致力于固定信息的上下文推理，并没有考虑到依据本体和环境的不同共同实现上下文动态推理。

因此，本文在ASP与Smart-M3平台整合的基础上，建立一种随环境和用户本体信息改变，能够动态决策用户事件的上下文感知框架。该框架的创新之处在于使用扩展的本体描述空间中与用户相关的上下文信息；然后使用回答集程序表达空间中的上下文推理规则，并利用缺省决策理论[11]动态决策智能空间中对上下文事件进行响应的优先关系；最后，求解回答集程序得到用户上下文推理的解，从而帮助用户实现智能推理。

1 ASP与智能空间的整合

ASP的理论基础是Gelfond和Lifschitz于1988年提出的一般逻辑程序的稳定模型语义。1999年ASP作为一种程序设计框架被提出，其语法上类似传统逻辑编程，语义上是一种非单调逻辑的描述性语义，具有丰富的知识表达和推理能力。ASP解决问题的基本思想是：通过一个非单调逻辑程序描述待求解的问题，根据描述设计一个带有回答集语义的回答集程序，计算回答集程序的回答集就是待求解问题的解决方案[12]。

智能空间中的设备和服务信息是以RDF三元组的形式进行存储的，而ASP是一种基于规则的方法，为了整合ASP与智能空间就需要将RDF转化为规则的形式。转换的过程是将RDF的三元组转化为二元事实predicate(subject, object)。比如，RDF三元组将会转化为二元事实(John, wp1:Person)。这样的形式就可以通过ASP的推理机Smodels系统的lparse语法检查并利用smodel进行程序的求解。

ASP与智能空间的整合主要是基于以下过程：通过ssls将回答集程序的推理工具Smodels与Smart-M3平台相连接。其中，ssls是一个能够实现Smart-M3操作(删除、插入、查询、更新等)的命令行工具并且可以把存储在SIB中的信息提取出来。利用RDF三元组与二元事实的转换性可以把存储在SIB中的每一条信息都转换成相对应的一条规则，进而得到一个回答集程序。利用Smodels求解回答集程序得到的结果则可以通过KP执行插入、更新、删除等操作，以实现SIB中信息的更新。

2010年Luukkala.V等将Smart-M3与ASP进行了整合，由于Smart-M3中的信息均是以RDF的形式表示的，而RDF的表达能力和推理能力均有限。因此Smart-M3与ASP的整合弥补了这一缺点，极大地增强了Smart-M3的表达能力和推理能力，并且ASP支持资源分配和冲突消解，在有多个可能解的情况下，可以利用偏好和最优化技术筛选最合适的解。Janhunen等[13]于2012年使用元程序的方法，允许智能空间中的设备发布它的行为规则，并利用元程序的具体化表达将规则信息存储到SIB中，从而实现了对规则信息的共享与存储，增强了智能空间中设备之间的交互能力。

2 基于ASP的智能空间中的上下文感知框架

智能空间中的上下文感知是指计算系统自动地对上下文、上下文变化进行感知和应用，并据此做出决策和自动提供相应的响应或者服务，其特征是将信息和服务呈现给用户并自动执行相应的服务[14]。

为了充分说明智能空间的上下文感知问题，本文引入一个智能会议室的例子。该智能会议室中，含有投影仪、多个环境信息传感器、用户及其携带的智能手机。如果投影仪是开着的，人数超于1人，那么智能会议室就能推断用户的活动是忙于开会。假如此时用户携带的智能手机上有电话打进来，原有的上下文推理框架总是将打入的电话转为语音信箱，将不会打扰用户。但这期间可能有一些紧急情况，例如会议主题对当前用户价值不大时， 用户又不想忽略打进来的重要电话。此时就需要智能空间感知用户上下文事件关系即打进电话的人和用户的关系和当前环境即会议主题对用户的价值，帮助用户完成空间中的动态事件决策。那么原有的上下文感知框架将不再适用。因此，本节在ASP与Smart-M3整合的基础上，提出一种基于ASP的智能空间中的上下文感知框架，依据当前空间环境和用户本体信息，实现用户上下文事件的动态推理。

该上下文感知框架，包括用户的上下文信息表达、推理结构、推理规则以及算法描述，具体如下。

2.1 智能空间中用户上下文信息表达

当用户携带智能设备进入智能空间时，会将用户本身携带的信息发布在智能空间的SIB上，这些信息在推理过程中十分重要，本文使用基于本体的方式描述与用户相关的上下文信息。

在本文中，先将上下文信息进行了分类，具体的分类标准是上下文信息的来源，将上下文信息分为原子上下文和推理上下文。其中，原子上下文信息是指直接由空间提供的，一般是来自预先定义的信息以及由空间中传感器感知得到的信息，例如：人物关系信息和设备信息；推理上下文一般来自原子上下文聚合得到的聚合信息，以及由已知信息推理得到的推理信息，例如：活动、设备状态信息。详细的分类如图1所示。

图1 用户的上下文信息分类

由于智能空间中的设备和服务信息是以RDF三元组的形式进行存储的，并且RDF也是W3C推荐的本体描述语言，因此，本文采用RDF描述用户的本体信息。同时为了解决不同本体关系对于决策的不同影响，实现上下文事件的动态推理，本文借用加权的回答集程序的思想，对RDF中的每一个声明都增加上值，表示该事实在不同情况下被采纳的偏好程度。在RDF中增加命名空间Utility_RDF，并在Utility_RDF下增加词汇utility表示效用值属性[15]，该属性的值为环境名称及其下效用值的二元组集合。这样Utility_RDF：utility即可表示不同环境下不同响应方式的偏好程度。

如智能会议室的例子，空间对于事件即用户智能手机有电话打进来，此时智能手机有两种不同的响应方式，接听或者转为语音邮箱，所以使用效用值表示不同响应方式的偏好程度。由于空间的环境是不断变化的，环境中会议的价值对于事件响应方式的选择也是影响因素，因此对于不同的会议价值赋予不同的效用值。若当前会议主题的价值比较重要时，用high表示当前的环境价值，此时接听妻子电话的效用值是2，转为语音邮箱的效用值为3；若会议主题的价值较低时，使用low表示，此时接听妻子电话的效用值是3，转为语音邮箱的效用值为1。该例子中：效用值越大，事实被采纳时，该种行为实现的期望值就越大。可用如下描述表示：

2.2 智能空间中用户上下文推理结构

智能空间中的设备众多，设备类型繁杂以及用户类别不一，所以要实现智能空间的上下文动态推理，需要建立完整的统一化的推理结构。具体包含以下几个模块：

上下文提供者：空间中的KPs能够提供空间中的原子信息，主要来自传感器、GPS以及WiFi等，随着用户在空间中行为的改变，空间中的信息和服务也会发生动态的变化。空间中的用户原子信息以及环境信息均是由上下文提供者提供，这些信息在上下文推理机以及规则的作用下能够推理出更高水平的上下文。例如，通过感知会议的投影仪状态以及当前的报告人，得知当前会议主题的重要程度。

上下文数据类型解释：由于空间中的信息来自不同的设备，具有不同的特征和数据形式。因此本文使用OWL-S[16]描述所有资源信息的特征。

本体：本体定义的上下文信息包括直接从上下文提供者获得的原子信息和使用推理规则推断出来的推理上下文。其中直接上下文由扩展的RDF表示，并使用效用值表示不同响应行为的期望大小。

推理规则：上下文推理过程要求一系列明确的推理规则去推断新的上下文。这些推理规则可以是一般的也可以是特定领域的规则。由于ASP具有很强的知识表达能力，本文使用ASP表达推理规则实现上下文推理，具体见2.3节。

上下文推理机：这个模块是把给定的原子上下文信息推理到更高水平的上下文信息的关键步骤。在这个模块中，主要是由回答集推理机Smodels实现的，其中推理规则是由ASP定义的，去处理特定应用场景。将用户本体和环境感知到的环境信息转化为事实的形式，并和推理规则一起输入到推理机Smodels中，能够得到用户状态以及事件决策方法。例如：当用户在卧室并且床的传感器是开着的时候，能够推理得到用户的活动是sleeping，具体见2.4节中的算法。

图2为智能空间中的上下文推理结构，其中Smart-M3中的KPs通过传感器、智能手机等设备获知当前用户状态以及环境信息。通过SSLS查询SIB中的用户本体信息，并将获得的信息按照要求转化后输入到上下文推理机中实现推理，将推理结果插入到上下文数据库中，最终Smart-M3将选择的最合适的相应行为告知KP进行响应。

图2 智能空间的上下文推理结构

2.3 智能空间中用户上下文推理规则

本文对上下文推理的表示和推理使用ASP的方法，其中上下文事件的动态响应优先关系是建立在规则集上的，因此，本文定义Smart-M3中的两个规则集：Capability和Event，分别代表设备集合以及事件集合。当设备的资源发布在SIB中后，会对响应的设备进行实例化，生成Capability实例。当空间中的设备发生事件时，会生成Event实例，并且在Event实例和Capability实例之间建立一个happen关系，表示这个Event实例是这个Capability实例发生的事件。当设备对事件进行响应时，两者之间建立一个respond关系，表示当前设备Capability对当前事件Event进行了响应。此外，由于responds关系有多种可能的响应结果，to_action表示不同的响应方式，而每种响应方式在不同情况下的优先级是不同的，所以还有一个优先关系priority，比如priority(Act1, Act2)表示Act1和Act2之间的优先关系并且Act1的优先级大于Act2的优先级。每个Capability-Event对集需要满足以下两个条件：

(1) 只要当前有用户事件发生，相关设备就要选择一种方式进行事件响应。

(2) 首先使用具有更大优先权值的方式进行响应。

基于以上两条原则可以使用ASP的方法用规则的形式对以上两个原则进行描述。下面的两条约束规则(1)、规则(2)分别对应上面的两条原则。

← happen(Cap,Eve), to_action(Act), not respond(Cap,Eve,Act)

(1)

← happen(Cap,Eve), to_action(Act 1), to_action(Act2), respond(Cap,Eve,Act2), not respond(Cap,Eve,Act1), priority(Act1,Act2)

(2)

以上两条规则能够表明智能空间中上下文事件响应的规则，即当前设备需要对已发生事件进行响应，并且采用具有较高优先级的方式响应。然而智能空间是一个动态的上下文敏感的环境，空间中上下文事件的响应优先关系不可能是完全固定的，那么为了表达空间中的事件动态响应优先关系引入缺省规则。缺省规则的一般形式为:

e→Aa

其中，e是一阶公式集合，表示已知的信息或知识，A是原子集合，表示所有可选择的决策行为，a是原子，并且a∈A。缺省规则e→Aa的直观含义是：在已知信息e的基础上，对于A中的所有决策，a是最优的决策结果。

为了依据当前环境和本体信息的不同，推理得到Event实例不同响应之间的优先关系，进行上下文事件的动态决策，引入了缺省决策理论。具体表示如下:

在上下文动态推理中，需要动态决策空间中上下文事件响应的优先关系，具体方法是根据上述的缺省决策理论计算出当前事件的期望效用，其中具有较高期望效用的响应方式具有较高的优先级。原则如下：

to_action(Act1)∧to_action(Act2)∧

happen(Cap,Eve)→Apriority(Act1,Act2)

其中，A={priority(Act1,Act2),priority(Act2,Act1)}。

由于推理过程中使用谓词expect_utility(Act,X)表示Act的期望效用为X，因此，可以把上面的缺省规则改写为回答集程序的形式，记为规则(3)。

priority(Act1,Act2)←happen(Cap,Eve),to_action(Act1),to_action(Act2),expect_utility(Act1,X),expect_utility(Act2,Y),X>Y

(3)

本文利用存储在SIB中的本体信息提供的效用值以及当前感知的环境信息，依据缺省决策理论，通过计算此时的event实例的期望效用值来动态决策event实例的响应优先级，并将这些已知信息通过转化成事实加规则的形式之后输入到回答集求解器Smodels中，最终，Smodels的输出为上下文推理结果。

因此，基于规则(1)-规则(3)就可以实现智能空间中的上下文事件的动态决策。

2.4 智能空间中用户上下文推理算法

该算法的实现是应用到Smart-M3中的上下文推理机中，用于实现上下文动态推理。该算法的输入为用户的本体信息和当前空间的环境信息，但是Smodels不能直接处理这些信息，因此本文设计了一个Smodels的前置算法，用于解析和处理本体信息和环境信息。这些信息在经过解析和归一化之后计算出相应行为的期望效用，之后使用ssls命令行工具将SIB中的相应场景的规则提取出来，并进行实例化，最后输入到回答集求解器Smodels中，该算法的输出即为上下文感知的结果。具体流程如图3所示。

图3 上下文推理算法流程图

在该算法中，变量factRules表示经过转化的事实规则集，转化方法是将存储在SIB的RDF本体效用信息提取出来，依次标在事实规则的后面，即可表示不同情况下该响应行为发生的期望大小。变量envInfo表示提取的环境信息集，envState集合中的元素表示环境中所有可能的环境状态，并且归一化后所有表示状态的值总和为1。具体算法描述如下：

factRules = parse(RDF);

// 解析本体信息

envState=normalize(envInfo);

//归一化环境信息

for(action_utility in factRules){

for(env_ probability in envState){

//依据缺省决策理论，计算每个action的期望效用

E(Ai) = action_utility* env_ probability;

}

}

rules = SIB.getRules(scene);

//依据场景提取出规则

rules(E(Ai));

//用E(Ai)实例化rules

//将处理好的规则输入到Smodels中进行运算求解

Smodels.decision(rules(E(Ai)));

在该算法中，若环境状态个数为N，响应的行为数M，则该算法的时间复杂度为O(M×N)。Smodels最终的输出为上下文事件的推理结果，实验结果表明该算法能够在不断变化的智能空间实现上下文动态感知，完成上下文推理，提高空间智能性。

3 实 例

同样对于智能会议室的例子，当用户携带的智能手机上有电话打进来，空间会根据用户的信息判断当前打进电话的人的关系，查到其存储在本体中的效用值，并根据此时智能环境中会议场景的不同动态决策to_action(answer)和to_action(email)的优先关系。因此，采用2.4节中的算法来解决上述问题。

首先对于该实例，存储在SIB中的用户关系信息如下：

Utility_RDF: utility=[{high:3},{low:1}]/>

Utility_RDF: utility=[{high:3},{low:2}]/>

Utility_RDF: utility=[{high:3},{low:3}]/>

将RDF信息按照2.4节的描述转化为回答集事实规则的形式：

topic_event_answer(relative_wife,utility)←2,3

topic_event_mail(relative_wife,utility)←3,1

topic_event_answer(relative_friend,utility)←3,2

topic_event_mail(relative_friend,utility)←3,3

此时，另e={to_action(answer),to_action(mail),happen(phone,call)},表示空间中的信息并发布到SIB中，A={respond(answer),respond(mail)}表示所有可以选择的事件决策行为，并分别令其为A1、A2。选定封闭世界w={High,Low}表示当前智能空间的环境状态。

将SIB中的RDF三元组信息转化成规则的形式如下：

to_action(answer)←

to_action(mail)←

happen(phone,call)←

respond(phone,call,answer)←priority(answer,mail)

respond(phone,call,mail)←priority(mail,answer)

若此时用户的智能手机上显示妻子来电，并且由感知设备得知当前会议主题重要性为高的概率为0.3即：p(high|e)=0.3，p(low|e)=0.7，此时该用户的行为效用值如表1所示。

表1 环境为high时妻子的行为效用

根据缺省决策理论得知不同的响应方式的期望效用：

E(A1)=0.3×2+0.7×3=2.7

E(A2)=0.3×3+0.7×1=1.6

即此时接听妻子电话的期望效用为2.7，转为语音邮箱的期望效用为1.6，E(A1)>E(A2)，因此由2.3节中的规则(3)可以推理得到priority(answer, mail)即answer的优先级高于mail。

结合本文规则(1)-规则(3)可以得到一个回答集程序P，输入到回答集推理机Smodels，得到回答集respond(phone,call,answer),即为此时的上下文事件决策结果，此时智能手机就是响铃提示用户。

此时，若打进电话的是朋友，则同理根据算法计算用户的期望效用进行判断。表2为本体为朋友的行为效用。

表2 环境为high时朋友的行为效用

经过算法分析，E(A1)

会议进行了一段时间，由于此时会议的发言人不同以及当前主题对于用户来讲重要性提高，所以此时空间中会议是的重要的概率发生了变化。通过感知环境中的发言人以及会议主题得知p(high|e)=0.7;p(low|e)=0.3。所以此时用户的行为期望如表3所示。

表3 环境为low时妻子的行为效用

所以再次根据来电人的不同，计算不同响应的期望效用，例如：此时打进电话的仍然是妻子，通过查询效用值和计算期望效用得知：

E(A1)=0.7×2+0.3×3=2.3

E(A2)=0.7×3+0.3×1=2.4

即E(A1)

可以看出，通过2.1-2.4节中的上下文感知框架及相关算法，该框架可以存储用户的关系信息，并在RDF中通过增加效用值的方式，以数值的形式表现了用户不同环境下的期望值，这样可以很快帮助智能空间的用户调整本体信息。另外，采用缺省规则表达上下文事件在不同环境下的优先决策关系，使得智能空间中的用户可以依据本体信息和环境信息共同决策上下文事件的响应方式。无论是用户的本体信息发生改变或者是环境信息发生改变，都能依据缺省决策理论获知当前事件的响应优先级别，从而实现了智能空间中的上下文事件动态推理。

4 结 语

智能空间是一个动态的、上下文敏感的环境，随着用户在空间中行为的改变，空间中的信息和服务也会发生动态的变化。本文建立的智能空间中的上下文感知框架可以依据智能空间中用户本体和环境信息的变化动态决策空间中的优先关系，使用ASP规则的形式描述空间中的推理规则，并通过Smodels求解器得到回答集，从而完成了智能空间中事件动态决策。实验表明该框架能够实现智能空间中上下文事件的动态推理，提高了Smart-M3动态决策上下文事件的能力，从而提高了空间的智能性以及用户体验度。

[1] Borkar S. Technology challenges and opportunities for ubiquitous computing[C]//Solid State Circuits Conference. IEEE, 2012:125-128.

[2] Selvarajah K, Zhao R, Speirs N. Building smart space applications with PErvasive computing in embedded systems (PECES) middleware[J]. GSTF Journal on Computing, 2012, 1(4): 22-24.

[3] Honkola J, Laine H, Brown R, et al. Smart-M3 information sharing platform[C]//2010 IEEE Symposium on Computers and Communications, 2010:1041-1046.

[4] Kaustell A, Saleemi M M, Rosqvist T, et al. Framework for smart space application development[C]//Proceedings of the International Workshop on Semantic Interoperability, 2011.

[5] Luukkala V, Honkola J. Integration of an answer set engine to smart-M3[C]//Proceedings of the 3th Conference on Smart Spaces and Next Generation Wired and 10th International Conference on Wireless Networking. Springer, 2010:92-101.

[6] Luukkala V, Niemelä I. Enhancing a smart space with answer set programming[C]//Proceedings of the 2010 International Conference on Semantic Web Rules. Springer, 2010:89-103.

[7] Rodríguez N D. A framework for context-aware applications for smart spaces[C]//2011 IEEE/IPSJ International Symposium on Applications and the Internet. IEEE Computer Society, 2011: 218-221.

[8] Castillo A H O R, Buzeto F N, Castanho C D, et al. An ontology-based model for context information management in smart spaces[C]//2013 IEEE 10th International Conference on Ubiquitous Intelligence & Computing and 2013 IEEE 10th International Conference on Autonomic & Trusted Computing. IEEE Computer Society, 2013:278-284.

[9] 张乐. 基于本体的上下文感知计算的研究与应用[D].武汉：武汉理工大学, 2011.

[10] 徐剑峰. 基于普适计算的上下文感知建模技术的研究及应用[D].上海：上海交通大学,2013.

[11] Horvitz E J. Reasoning about beliefs and actions under computational resource constraints[DB]. arXiv preprint arXiv: 1304.2759, 2013.

[12] Brewka G, Eiter T, Truszczyński M. Answer set programming at a glance[J]. Communications of the ACM, 2011, 54(12): 92-103.

[13] Janhunen T, Luukkala V. Meta programming with answer sets for smart spaces[C]//Proceedings of the 6th International Conference on Web Reasoning and Rule Systems. Springer, 2012:106-121.

[14] Abowd G D, Ebling M, Hung G, et al. Context-aware computing[J].IEEE Pervasive Computing, 2002,1(3):22-23.

[15] Wang J, Ju S E, Liu C N. Agent-oriented probabilistic logic programming[J]. Journal of Computer Science and Technology, 2006, 21(3):412-417.

[16] OWL-S Services[OL].http://www.daml.org/services/owl-s/.

RESEARCH ON CONTEXT-AWARE IN SMART SPACE BASED ON ANSWER SET PROGRAMMING

Wang Jie Zhang Tingting

(SchoolofComputer,BeijingUniversityofTechnology,Beijing100124,China)

Integration of Answer Set Programming (ASP) and smart space solves the resource conflict problems in fixed precedence relationship. However, smart space is a context sensitive and dynamic environment. With the change of user’s behavior in space, the information and service in the space should also be changed dynamically. The original context-aware framework based on ontology can only implement the reasoning of different ontology information, without considering the influence of environmental information for context-awareness. Thus, a context-aware framework is proposed based on ASP, perceiving the user’s context ontology and the environment information dynamically and completing the user’s context dynamic reasoning in space. Firstly, the ontology is used to describe the user’s context information. Then, ASP is used to express the user’s context reason rules in smart space, and default rules is introduced to decide the priority of the dynamic decision context response based ontology and the environment information. Finally, the solution of ASP is obtained, which is the result of the decision of the user’s context, so as to help users realize the intelligent reasoning. The experiments show that this framework overcomes dynamic reasoning in space and achieves good effect.

ASP Smart space Context-aware Default rule

2016-01-04。王洁，副教授，主研领域：回答集程序设计，不确定推理。张婷婷，硕士生。

TP301

A

10.3969/j.issn.1000-386x.2017.02.004