一种面向物联网多媒体设备的云决策引擎

嵇可可

摘要：随着物联网设备急剧增加，设计能辅助用户连接多种在线设备的智能用户接口成为研究重点。提出了一种面向物联网多媒体设备的云决策引擎——邻近关系交互组件（PIC），能够获知设备属性与多媒体内容，自适应学习用户偏好，为用户推荐出最合适设备用以交互。系统性能评估结果显示，与已有的用户交互系统DOM及Airplayer比较，PIC的建议精准性能够达到70%。

关键词：物联网；多媒体设备；决策引擎；交互；建议精准性

DOIDOI：10.11907/rjdk.171620

中图分类号：TP393

文献标识码：A文章编号：16727800（2017）010017604

0引言

近年来，物联网（Internet of Things， IoT）发展迅猛，据预测，2020年将有约500亿设备接入Internet。物联网中，各种具有唯一识别标识的物品设备通过互相作用完成各种任务[1]，但是由于缺少合适的以任务为中心的用户接口（User Interface， UI）以及针对分布式用户接口的可靠支持，与Weiser等人描述的具有无所不在计算的物联网远景还有很大距离[2，3]。因此，设计物联网中多设备交互的新一代用户接口至关重要[4]。

非语言通信技术由于使用隐式交互方法，在人类社会中扮演重要的沟通角色，非语言技术也能够用于物联网中用户与设备的高效交互。文献[5]提出一种考虑了人、数字设备与非数字设备的邻近关系交互，定义了距离、方向、移动性、身份及位置等5种维度，任意某维度发生变化均会触发交互。文献[6]提出一种公共交互白板，它能够协作完成自组式会议，其利用邻近感测表管理及显示与作者之间的交互。

据现有文献可知，目前关于IoT的邻近关系用户接口研究甚少[7，8]。为此本文提出了一种面向物联网多媒体的云决策引擎，称为邻近关系交互组件（Proximity Interaction Component，PIC）。PIC通过管理邻近关系实现面向多媒体交互的分布式用户接口。PIC将IoT多媒体设备作为通用UI的元素来辅助用户充分利用周边设备，通过收集多媒体交互变量如设备属性、多媒体内容属性、用户偏好等完成最合适的设备选择。在此策略中还提出了一种供PIC使用的评分机制。系统性能评估结果验证了交互方法PIC的有效性。

1邻近关系交互组件PIC

1.1PIC组件工作机制

云决策引擎PIC的主要应用场景为：用户及设备接入近距离云系统，与云服务器交互相关用户需求、设备特征等信息，进而通过云服务器中PIC组件管理与用户具有邻近关系的设备群，并推荐给用户最佳设备建议，图1为PIC应用场景。

图2给出了PIC简要算法流程。由图2可知，算法在接收到设备位置信息后开始运行。PIC使用跟踪引擎查找设备位置并更新位置数据库信息。接下来，PIC寻找可能的邻近交互。基于内容属性、用户偏好、设备处理能力等信息，PIC给每个设备赋0～1之间随机数作为评分。算法找到具有最大得分的设备，如果该设备与正在交互的设备不相同，则通知用户重新确定多媒体设备。每次交互后，PIC自适应更新评分系数以学习用户偏好。

PIC算法中，设备评分及推荐步骤辅助用户与IoT中大量设备联系。为了在给定场景中推荐出最佳设备，需要为评分机制引入不同变量。因此，本文从设备、用户及多媒体内容等方面介绍变量，并设计评分机制。

1.2设备特征

设备是本文系统最重要的对象，使用邻近行为表述设备特征。以大厅为例，使用长度定义了一个人的4种周边空间：亲密空间、私人空间、社交空间、公共空间，具体如表1所示。使用相同的分类标准表征设备，如智能手机因屏幕小被用户单独使用，距离越近视觉效果越高（20cm视为亲密空间），距离越远视觉效果越差[9，10]。同理，距离用户3.5～6m使用的大屏幕電视，被列为公共设备。设函数T（x）返回0～3之间的整数，x表示设备类型。表1提供了每种类型条件下设备举例及函数T（）值，后文将使用T（）函数给设备评分。

1.3用户偏好

描述用户偏好有助于设计更为有效的用户接口，为此组织了一个研究用户态度与偏好的调研。参与者回答关于使用多媒体内容、私人设备偏好及满意度等17个方面问题，这些问题不需要参与者具有相关专业领域知识。参与者149人，平均年龄为28岁，男士占53.7%，女士占46.3%；职业有工程师、职员、医生、大学生、教授等，其中有53%参与者工作涉及IT，另47%参与者工作不涉及IT。

将参与者分为青年组（小于30岁）与成年组，调研结果发现成年组更青睐于电视与电脑，而青年组更偏重使用平板电脑与智能手机。此外，关于设备使用偏好，涉及IT工作的参与者更热衷于使用电视与电脑；平均1天使用设备超过1小时的用户更喜欢电视与电脑。总之，基于调研结果，在评分机制中归类用户u有3种偏好特征：参与者年龄（Ua）、专业类型（Up）以及多媒体使用习惯（Uh）。使用这些用户评分初始化系统的用户偏好参数，通过用户交互定期更新特征参数。

1.4多媒体内容

多媒体内容属性影响用户设备使用决策，如视频不能输入到家用立体音响设备上，而音响只能用于声音输入。此外，多媒体内容长度也会影响用户关于使用设备的选择[11]，如将视频根据时间长短划分为特别短、短、中等、长、特别长等类型，特别短的视频适合在智能手机上观看，而短视频更适合在平板电脑上观看，这样的决策受限于屏幕尺寸、电池容量等因素。因此，在评分机制中使用3种属性表示多媒体内容c：视频声音（Ca）、视频画面（Cv）、内容持续时间（Cd）。在PIC中，将内容长度划分4类：0表示很短，1表示短，2表示中等，4表示长。

1.5评分机制

当PIC发现可能的邻近关系交互时，启动评分机制。设D={Di|1≤i≤n}为可用设备集合。对于给定内容c和用户u，ith设备的评分si，计算如下：endprint

si=fic×mic×hiu×aiu×piu×diu（1）

其中，fic表示针对多媒体内容c的设备Di能力，mic表示对于给定多媒体内容的设备合适度系数，hiu、aiu、piu分别指对于设备Di的用户习惯、年龄、专业因子，diu指表示用户u与设备Di之间距离的设备效用系数。上述所有变量取值区间为（0，1）。通过式（1）中多个因子联乘方式获得最优值，如果有一项因子为0，则最优值为0，表示设备不可用。下面逐一分析各项因子。

运行能力fic，表示对于给定多媒体内容c的设备Di能力，值为二进制变量，0或1，即指设备能否运行此多媒体内容，可用布尔函数表示如下 [12]：

fic=（Dai⊙Cac）∧（Dvi⊙Cvc）（2）

其中，Dai和Dvi逻辑变量在设备Di能够分别支持音频与视频时为真，Cac和Cvc在给定多媒体内容均有音频与视频操作需求时为真，否则为假。

设备合适度mic，如上文所述，给定多媒体内容的长度Cdc能够影响用户操作设备的偏好。mic值来自4×4矩阵M中，矩阵行表示给定多媒体内容长度，列表示设备空间类型：

mic=M（Cdc，T（Di））（3）

其中，M矩阵第一行表示长度小于2min，第二行表示在2～7min之间的长度，第三行表示在7～22min之间的长度，第四行表示大于22min的长度。列顺序依次表示为亲密空间、私人空间、社交空间、公共空间，该列排序同样被用于其他表示设备空间类型的参数中。使用文献[13]给出的相关内容长度调查结果，定义这些门限值及M矩阵如下：

M=10.80.60.40.810.80.60.60.810.80.40.60.81（4）

为了确定用户多媒体使用历史习惯hiu、用户年龄aiu及专业因子piu，定义3个二进制函数如下：

Uhu=0u为经常性用户1else（5）

Uau=0u小于30岁1else （6）

Upu=0u从事涉IT的工作1else （7）

其中，因子hiu表示给定用户多媒体使用习惯，多媒体内容长度会影响设备选择。因子hiu计算如下：

hiu=H（Uhu，T（Di））（8）

其中，H为2×4阶矩阵，行表示用户使用设备的频率（经常，不经常），列表示设备空间类型。相同的方式，年龄因子与专业因子也可表示如下：

aiu=A（Uau，T（Di））（9）

piu=P（Upu，T（Di））（10）

其中，A、P均为2×4阶矩阵，A第一行表示用户为青年组的值aiu，第二行表示用户为成年组的值aiu。类似地，矩阵P第一行表示用户工作涉及IT，第二行表示用户工作不涉及IT的情况。基于用户评分，矩阵H、A、P的初始值确定如下：

H=0.80.710.90.80.80.90.9（11）

A=0.70.810.90.80.70.91（12）

P=0.80.80.910.80.810.9（13）

距離效用度diu，由给定用户u与设备Di之间的距离予以计算。设xiu为用户与设备的距离，对不同空间类型设备定义唯一的设备空间效用度函数，图3给出了不同空间类型设备下设备空间效用度函数曲线。由图3可知，当智能手机距离用户很近时，即xiu≈0m，用户看不清楚；当xiu增加时，由于屏幕过小，其效用度函数呈下降趋势。一般来说，各种空间类型设备效用度函数峰值区间均不同，并且具有非对称趋势。

最后，使用图3中曲线中的4个参数与Weibull II 函数定义设备空间效用度函数，函数值区间为（0，1），其一般形式如下：

diu=a×c-1c1-cc×xiu-x0b+c-1c1cc-1×

e-xiu-x0b+（c-1c）1cc+c-1c（14）

其中，xiu指用户与设备距离，x0、a、b、c这4个参数对于每个设备空间而言均不相同。

1.6自适应机制

为了找到最佳设备实现多媒体重定向，本方案在计算每个设备评分时考虑了不同变量。尽管使用不同调查结果定义评分机制中的相关系数值，但每个用户仍有不同的爱好。因此，这里提出一种自适应机制，能够在每次交互后基于用户反馈更新相关系数值。PIC选择系数相关值并计算评分。比如，想象PIC使用用户年龄系数aiu计算得到设备Di的评分，而因为Di评分最高被推荐给用户。因此，当用户响应推荐时，aiu值使用式（15）更新：

aiu，new=aiu，old×11+nrnt+1（15）

其中，aiu，new指新系数值，aiu，old指旧系数值，nr指设备空间类型被拒绝推荐的次数，而nt指设备空间类型被推荐的总次数。

2性能评估

为了评估PIC组件的性能，笔者定义了4种场景并作了用户调查。在这些场景中，参与者被允许接入到有效距离内的所有类型设备。内容长度是场景中的唯一变量：场景1内容长度为2min，场景2为7min，场景3为22min，场景4为90min。举例，用户选择其偏爱的设备观看7min视频，此时距离用户0.25m内可以接入智能手机，在0.75m内可以使用平板电脑，在2.5m内可以使用电脑，在5m内可以观看电视。参与者年龄区间为20～40岁，有不同专业与多媒体使用习惯，通过比较用户对PIC给出设备推荐的反应，测试方案可用性。

实验系统搭建参照图1所示场景，无线环境采用802.11b室内无线局域网，使用邻近关系交互软件包Proximity Interaction Toolkit[14]在笔记本电脑上构建PIC组件并以此作为室内云服务器；用户设备由具有无线接入装置的手机、平板电脑、台式电脑及电视组成；室内通过分布式布置多个光学摄像头与红外感应器作为无线传感器，实时采集用户位置距离等信息，通过WiFi接入室内云服务器。endprint

同时还比较了PIC组件与其它两种传统方法的测试性能。第一种传统方法是距离评估法（Distance Only Method， DOM），只根据距离标准推荐新设备，故该方法通常会使用与PIC相同的学习机制，推荐用户有效区域内的设备。另一种是AirPlayer[15]，该方法仅支持亲密设备与公共设备，并且没有学习机制，故不能自适应用户偏好。表2给出了性能评估结果。

由表2可知，PIC给出的第一种建议精确性达到70%，而DOM与AirPlayer分别为67.5%、62.5%，证明PIC能够自主学习并适应用户偏好，由于AirPlayer方法缺少学习机制，故不参与对比。两次交互以后的建议精确性，PIC可达到90%，而DOM为80%。针对这些场景，PIC能够提供一个更为成功的邻近关系多媒体交互环境。

3结语

本文提出物联网中一种新的多媒体用户交互云决策引擎PIC，旨在给用户推荐最优物联网接入设备。PIC组件考虑用户偏好、多媒体内容属性及设备属性等，能够将这些邻近信息输入到评分机制中，在给用户推荐最佳设备交互时，自适应学习用户偏好，进而调整评分机制中相关参数，在下一次交互中获得更高的建议精准性。实验结果表明，相比传统方法，PIC具有更优的推荐性能。

参考文献参考文献：

[1]朱德成，郑秋辰，刘佩云.推进开放的物联网发展[J].中国电子科研究院学报，2014，9（3）：239244.

[2]赵欣.物联网发展现状及未来发展的思考[J].计算机与网络，2012，3（4）：126129.

[3]LUYSTEN K，CONINX K. Distributed user interface elements to support smart interaction spaces[C].In 7th IEEE International Symposium on Multimedia， 2005：277286.

[4]GREENBERG S， MARQUARDT N，BALLENDAT T，et al. Proxemic interactions： the new ubicomp[J]. Interactions， 2010，18（1）：4250.

[5]MARQUARDT N， DIAZMARINO R， BORING S， et al. The proximity toolkit： prototyping proxemics interactions in ubiquitous computing ecologies[C].In 24th Annual ACM Symposium on User Interface Software and Technology， 2011：315326.

[6]JU W， LEE B， KLEMMER S. Range： exploring implicit interaction through electronic whiteboard design[C].In 2008 ACM conference on computer supported cooperative work， 2008：1726.

[7]朱衛未，于娱.我国物联网产业发展环境分析[J].南京邮电大学学报：社会科学版，2011，13（4）：2935.

[8]杜天旭，谢林柏，徐颖秦.物联网的关键技术及需解决的主要问题[J].微计算机信息，2011，27（5）：152154.

[9]WANG M，BORING S，GREENBERG S. Proxemic peddler： a public advertising display that captures and preserves the attention of a passerby[C].In 2012 International Symposium on Pervasive Displays， 2012：3136.

[10]MATTERN F，FLOERKEMEIER C. From the internet of computers to the Internet of Things [J]. Lecture Notes in Computer Science， 2010：242259.

[11]LI Z，LIN J，AKODJENOU M，et al. Watching videos from everywhere： a study of the PPTV mobile VoD system[C].In 2012 ACM Conference on Internet Measurement Conference， 2012：185198.

[12]黄景廉，王卓，李娟.一类H布尔函数的代数次数、相关免疫性与代数免疫性的关系[J].计算机科学，2015，42（3）：153157.

[13]BROLL G， RUKZIO E，PAOLUCCI M，et al.Pervasive service interaction with the Internet of Things[J]. IEEE Computing， 2009，13（6）：7481.

[14]NICOLAI M，ROBERT D，SEBASTIAN B，et al. The proximity toolkit：prototyping proxemic interactions in ubiquitous computing ecologies[C].Proceedings of UIST11， 2011：231242.

[15]陈海明，崔莉，谢开斌.物联网体系结构与实现方法的比较研究[J].计算机学报，2013，36（1）：168181.

责任编辑（责任编辑：何丽）endprint