嵇可可

摘要：隨著物聯(lián)網(wǎng)設備急劇增加，設計能輔助用戶連接多種在線設備的智能用戶接口成為研究重點。提出了一種面向物聯(lián)網(wǎng)多媒體設備的云決策引擎——鄰近關(guān)系交互組件（PIC），能夠獲知設備屬性與多媒體內(nèi)容，自適應學習用戶偏好，為用戶推薦出最合適設備用以交互。系統(tǒng)性能評估結(jié)果顯示，與已有的用戶交互系統(tǒng)DOM及Airplayer比較，PIC的建議精準性能夠達到70%。

關(guān)鍵詞：物聯(lián)網(wǎng)；多媒體設備；決策引擎；交互；建議精準性

DOIDOI：10.11907/rjdk.171620

中圖分類號：TP393

文獻標識碼：A文章編號：16727800（2017）010017604

0引言

近年來，物聯(lián)網(wǎng)（Internet of Things， IoT）發(fā)展迅猛，據(jù)預測，2020年將有約500億設備接入Internet。物聯(lián)網(wǎng)中，各種具有唯一識別標識的物品設備通過互相作用完成各種任務[1]，但是由于缺少合適的以任務為中心的用戶接口（User Interface， UI）以及針對分布式用戶接口的可靠支持，與Weiser等人描述的具有無所不在計算的物聯(lián)網(wǎng)遠景還有很大距離[2，3]。因此，設計物聯(lián)網(wǎng)中多設備交互的新一代用戶接口至關(guān)重要[4]。

非語言通信技術(shù)由于使用隱式交互方法，在人類社會中扮演重要的溝通角色，非語言技術(shù)也能夠用于物聯(lián)網(wǎng)中用戶與設備的高效交互。文獻[5]提出一種考慮了人、數(shù)字設備與非數(shù)字設備的鄰近關(guān)系交互，定義了距離、方向、移動性、身份及位置等5種維度，任意某維度發(fā)生變化均會觸發(fā)交互。文獻[6]提出一種公共交互白板，它能夠協(xié)作完成自組式會議，其利用鄰近感測表管理及顯示與作者之間的交互。

據(jù)現(xiàn)有文獻可知，目前關(guān)于IoT的鄰近關(guān)系用戶接口研究甚少[7，8]。為此本文提出了一種面向物聯(lián)網(wǎng)多媒體的云決策引擎，稱為鄰近關(guān)系交互組件（Proximity Interaction Component，PIC）。PIC通過管理鄰近關(guān)系實現(xiàn)面向多媒體交互的分布式用戶接口。PIC將IoT多媒體設備作為通用UI的元素來輔助用戶充分利用周邊設備，通過收集多媒體交互變量如設備屬性、多媒體內(nèi)容屬性、用戶偏好等完成最合適的設備選擇。在此策略中還提出了一種供PIC使用的評分機制。系統(tǒng)性能評估結(jié)果驗證了交互方法PIC的有效性。

1鄰近關(guān)系交互組件PIC

1.1PIC組件工作機制

云決策引擎PIC的主要應用場景為：用戶及設備接入近距離云系統(tǒng)，與云服務器交互相關(guān)用戶需求、設備特征等信息，進而通過云服務器中PIC組件管理與用戶具有鄰近關(guān)系的設備群，并推薦給用戶最佳設備建議，圖1為PIC應用場景。

圖2給出了PIC簡要算法流程。由圖2可知，算法在接收到設備位置信息后開始運行。PIC使用跟蹤引擎查找設備位置并更新位置數(shù)據(jù)庫信息。接下來，PIC尋找可能的鄰近交互?；趦?nèi)容屬性、用戶偏好、設備處理能力等信息，PIC給每個設備賦0～1之間隨機數(shù)作為評分。算法找到具有最大得分的設備，如果該設備與正在交互的設備不相同，則通知用戶重新確定多媒體設備。每次交互后，PIC自適應更新評分系數(shù)以學習用戶偏好。

PIC算法中，設備評分及推薦步驟輔助用戶與IoT中大量設備聯(lián)系。為了在給定場景中推薦出最佳設備，需要為評分機制引入不同變量。因此，本文從設備、用戶及多媒體內(nèi)容等方面介紹變量，并設計評分機制。

1.2設備特征

設備是本文系統(tǒng)最重要的對象，使用鄰近行為表述設備特征。以大廳為例，使用長度定義了一個人的4種周邊空間：親密空間、私人空間、社交空間、公共空間，具體如表1所示。使用相同的分類標準表征設備，如智能手機因屏幕小被用戶單獨使用，距離越近視覺效果越高（20cm視為親密空間），距離越遠視覺效果越差[9，10]。同理，距離用戶3.5～6m使用的大屏幕電視，被列為公共設備。設函數(shù)T（x）返回0～3之間的整數(shù)，x表示設備類型。表1提供了每種類型條件下設備舉例及函數(shù)T（）值，后文將使用T（）函數(shù)給設備評分。

1.3用戶偏好

描述用戶偏好有助于設計更為有效的用戶接口，為此組織了一個研究用戶態(tài)度與偏好的調(diào)研。參與者回答關(guān)于使用多媒體內(nèi)容、私人設備偏好及滿意度等17個方面問題，這些問題不需要參與者具有相關(guān)專業(yè)領域知識。參與者149人，平均年齡為28歲，男士占53.7%，女士占46.3%；職業(yè)有工程師、職員、醫(yī)生、大學生、教授等，其中有53%參與者工作涉及IT，另47%參與者工作不涉及IT。

將參與者分為青年組（小于30歲）與成年組，調(diào)研結(jié)果發(fā)現(xiàn)成年組更青睞于電視與電腦，而青年組更偏重使用平板電腦與智能手機。此外，關(guān)于設備使用偏好，涉及IT工作的參與者更熱衷于使用電視與電腦；平均1天使用設備超過1小時的用戶更喜歡電視與電腦。總之，基于調(diào)研結(jié)果，在評分機制中歸類用戶u有3種偏好特征：參與者年齡（Ua）、專業(yè)類型（Up）以及多媒體使用習慣（Uh）。使用這些用戶評分初始化系統(tǒng)的用戶偏好參數(shù)，通過用戶交互定期更新特征參數(shù)。

1.4多媒體內(nèi)容

多媒體內(nèi)容屬性影響用戶設備使用決策，如視頻不能輸入到家用立體音響設備上，而音響只能用于聲音輸入。此外，多媒體內(nèi)容長度也會影響用戶關(guān)于使用設備的選擇[11]，如將視頻根據(jù)時間長短劃分為特別短、短、中等、長、特別長等類型，特別短的視頻適合在智能手機上觀看，而短視頻更適合在平板電腦上觀看，這樣的決策受限于屏幕尺寸、電池容量等因素。因此，在評分機制中使用3種屬性表示多媒體內(nèi)容c：視頻聲音（Ca）、視頻畫面（Cv）、內(nèi)容持續(xù)時間（Cd）。在PIC中，將內(nèi)容長度劃分4類：0表示很短，1表示短，2表示中等，4表示長。

1.5評分機制

當PIC發(fā)現(xiàn)可能的鄰近關(guān)系交互時，啟動評分機制。設D={Di|1≤i≤n}為可用設備集合。對于給定內(nèi)容c和用戶u，ith設備的評分si，計算如下：endprint

si=fic×mic×hiu×aiu×piu×diu（1）

其中，fic表示針對多媒體內(nèi)容c的設備Di能力，mic表示對于給定多媒體內(nèi)容的設備合適度系數(shù)，hiu、aiu、piu分別指對于設備Di的用戶習慣、年齡、專業(yè)因子，diu指表示用戶u與設備Di之間距離的設備效用系數(shù)。上述所有變量取值區(qū)間為（0，1）。通過式（1）中多個因子聯(lián)乘方式獲得最優(yōu)值，如果有一項因子為0，則最優(yōu)值為0，表示設備不可用。下面逐一分析各項因子。

運行能力fic，表示對于給定多媒體內(nèi)容c的設備Di能力，值為二進制變量，0或1，即指設備能否運行此多媒體內(nèi)容，可用布爾函數(shù)表示如下 [12]：

fic=（Dai⊙Cac）∧（Dvi⊙Cvc）（2）

其中，Dai和Dvi邏輯變量在設備Di能夠分別支持音頻與視頻時為真，Cac和Cvc在給定多媒體內(nèi)容均有音頻與視頻操作需求時為真，否則為假。

設備合適度mic，如上文所述，給定多媒體內(nèi)容的長度Cdc能夠影響用戶操作設備的偏好。mic值來自4×4矩陣M中，矩陣行表示給定多媒體內(nèi)容長度，列表示設備空間類型：

mic=M（Cdc，T（Di））（3）

其中，M矩陣第一行表示長度小于2min，第二行表示在2～7min之間的長度，第三行表示在7～22min之間的長度，第四行表示大于22min的長度。列順序依次表示為親密空間、私人空間、社交空間、公共空間，該列排序同樣被用于其他表示設備空間類型的參數(shù)中。使用文獻[13]給出的相關(guān)內(nèi)容長度調(diào)查結(jié)果，定義這些門限值及M矩陣如下：

M=10.80.60.40.810.80.60.60.810.80.40.60.81（4）

為了確定用戶多媒體使用歷史習慣hiu、用戶年齡aiu及專業(yè)因子piu，定義3個二進制函數(shù)如下：

Uhu=0u為經(jīng)常性用戶1else（5）

Uau=0u小于30歲1else （6）

Upu=0u從事涉IT的工作1else （7）

其中，因子hiu表示給定用戶多媒體使用習慣，多媒體內(nèi)容長度會影響設備選擇。因子hiu計算如下：

hiu=H（Uhu，T（Di））（8）

其中，H為2×4階矩陣，行表示用戶使用設備的頻率（經(jīng)常，不經(jīng)常），列表示設備空間類型。相同的方式，年齡因子與專業(yè)因子也可表示如下：

aiu=A（Uau，T（Di））（9）

piu=P（Upu，T（Di））（10）

其中，A、P均為2×4階矩陣，A第一行表示用戶為青年組的值aiu，第二行表示用戶為成年組的值aiu。類似地，矩陣P第一行表示用戶工作涉及IT，第二行表示用戶工作不涉及IT的情況?；谟脩粼u分，矩陣H、A、P的初始值確定如下：

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，由給定用戶u與設備Di之間的距離予以計算。設xiu為用戶與設備的距離，對不同空間類型設備定義唯一的設備空間效用度函數(shù)，圖3給出了不同空間類型設備下設備空間效用度函數(shù)曲線。由圖3可知，當智能手機距離用戶很近時，即xiu≈0m，用戶看不清楚；當xiu增加時，由于屏幕過小，其效用度函數(shù)呈下降趨勢。一般來說，各種空間類型設備效用度函數(shù)峰值區(qū)間均不同，并且具有非對稱趨勢。

最后，使用圖3中曲線中的4個參數(shù)與Weibull II 函數(shù)定義設備空間效用度函數(shù)，函數(shù)值區(qū)間為（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指用戶與設備距離，x0、a、b、c這4個參數(shù)對于每個設備空間而言均不相同。

1.6自適應機制

為了找到最佳設備實現(xiàn)多媒體重定向，本方案在計算每個設備評分時考慮了不同變量。盡管使用不同調(diào)查結(jié)果定義評分機制中的相關(guān)系數(shù)值，但每個用戶仍有不同的愛好。因此，這里提出一種自適應機制，能夠在每次交互后基于用戶反饋更新相關(guān)系數(shù)值。PIC選擇系數(shù)相關(guān)值并計算評分。比如，想象PIC使用用戶年齡系數(shù)aiu計算得到設備Di的評分，而因為Di評分最高被推薦給用戶。因此，當用戶響應推薦時，aiu值使用式（15）更新：

aiu，new=aiu，old×11+nrnt+1（15）

其中，aiu，new指新系數(shù)值，aiu，old指舊系數(shù)值，nr指設備空間類型被拒絕推薦的次數(shù)，而nt指設備空間類型被推薦的總次數(shù)。

2性能評估

為了評估PIC組件的性能，筆者定義了4種場景并作了用戶調(diào)查。在這些場景中，參與者被允許接入到有效距離內(nèi)的所有類型設備。內(nèi)容長度是場景中的唯一變量：場景1內(nèi)容長度為2min，場景2為7min，場景3為22min，場景4為90min。舉例，用戶選擇其偏愛的設備觀看7min視頻，此時距離用戶0.25m內(nèi)可以接入智能手機，在0.75m內(nèi)可以使用平板電腦，在2.5m內(nèi)可以使用電腦，在5m內(nèi)可以觀看電視。參與者年齡區(qū)間為20～40歲，有不同專業(yè)與多媒體使用習慣，通過比較用戶對PIC給出設備推薦的反應，測試方案可用性。

實驗系統(tǒng)搭建參照圖1所示場景，無線環(huán)境采用802.11b室內(nèi)無線局域網(wǎng)，使用鄰近關(guān)系交互軟件包Proximity Interaction Toolkit[14]在筆記本電腦上構(gòu)建PIC組件并以此作為室內(nèi)云服務器；用戶設備由具有無線接入裝置的手機、平板電腦、臺式電腦及電視組成；室內(nèi)通過分布式布置多個光學攝像頭與紅外感應器作為無線傳感器，實時采集用戶位置距離等信息，通過WiFi接入室內(nèi)云服務器。endprint

同時還比較了PIC組件與其它兩種傳統(tǒng)方法的測試性能。第一種傳統(tǒng)方法是距離評估法（Distance Only Method， DOM），只根據(jù)距離標準推薦新設備，故該方法通常會使用與PIC相同的學習機制，推薦用戶有效區(qū)域內(nèi)的設備。另一種是AirPlayer[15]，該方法僅支持親密設備與公共設備，并且沒有學習機制，故不能自適應用戶偏好。表2給出了性能評估結(jié)果。

由表2可知，PIC給出的第一種建議精確性達到70%，而DOM與AirPlayer分別為67.5%、62.5%，證明PIC能夠自主學習并適應用戶偏好，由于AirPlayer方法缺少學習機制，故不參與對比。兩次交互以后的建議精確性，PIC可達到90%，而DOM為80%。針對這些場景，PIC能夠提供一個更為成功的鄰近關(guān)系多媒體交互環(huán)境。

3結(jié)語

本文提出物聯(lián)網(wǎng)中一種新的多媒體用戶交互云決策引擎PIC，旨在給用戶推薦最優(yōu)物聯(lián)網(wǎng)接入設備。PIC組件考慮用戶偏好、多媒體內(nèi)容屬性及設備屬性等，能夠?qū)⑦@些鄰近信息輸入到評分機制中，在給用戶推薦最佳設備交互時，自適應學習用戶偏好，進而調(diào)整評分機制中相關(guān)參數(shù)，在下一次交互中獲得更高的建議精準性。實驗結(jié)果表明，相比傳統(tǒng)方法，PIC具有更優(yōu)的推薦性能。

參考文獻參考文獻：

[1]朱德成，鄭秋辰，劉佩云.推進開放的物聯(lián)網(wǎng)發(fā)展[J].中國電子科研究院學報，2014，9（3）：239244.

[2]趙欣.物聯(lián)網(wǎng)發(fā)展現(xiàn)狀及未來發(fā)展的思考[J].計算機與網(wǎng)絡，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(wèi)未，于娛.我國物聯(lián)網(wǎng)產(chǎn)業(yè)發(fā)展環(huán)境分析[J].南京郵電大學學報：社會科學版，2011，13（4）：2935.

[8]杜天旭，謝林柏，徐穎秦.物聯(lián)網(wǎng)的關(guān)鍵技術(shù)及需解決的主要問題[J].微計算機信息，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，F(xiàn)LOERKEMEIER 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]黃景廉，王卓，李娟.一類H布爾函數(shù)的代數(shù)次數(shù)、相關(guān)免疫性與代數(shù)免疫性的關(guān)系[J].計算機科學，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]陳海明，崔莉，謝開斌.物聯(lián)網(wǎng)體系結(jié)構(gòu)與實現(xiàn)方法的比較研究[J].計算機學報，2013，36（1）：168181.

責任編輯（責任編輯：何麗）endprint