摘要：
基于位置的服务（LBS）被视为一个即将到来的无处不在的环境的关键组成部分。一个基于LBS的推荐系统有望成为无处不在的环境和大多数的硬件技术中的一个重要的服务，如通过使用全球定位系统（GPS）的用户的位置估计，以及高速互联网接入通过手机，目前是支持的。然而，在软件方面，大多数服务的驱动是由LBS服务提供商独家支持的。因此，在移动环境下可能会缺乏用户的参与。在这个研究中，我们提出一个LBS的知识库基于本体论的考虑了用户的当前位置和有效时间的推断平台。我们的知识库是提供用户参与的集体智慧的结晶。我们分散开放应用程序接口OpenAPI用于系统的可伸缩性实现。通过实验，我们看出用户可以创建他/她的知识库，并且通过运用这里的信息，这个系统推荐可以通过推断给其他的用户适当的可以匹配用户条件和配置文件的信息。
1.介绍
通过手机和网络通讯，当代的生活方式已经转变。手机和个人数字助理越来越多的使用让人们可以随时访问互联网。他们可以从互联网上获取有关事件，如电影院，音乐会，聚会以及地方上，如城市地图，餐厅，博物馆，医院(Steiniger, Neun, & Edwardes, 2006)的信息资料。基于位置的服务（LBS）是通过移动设备访问移动网络和利用移动设备的地理位置的一种信息和娱乐服务。
随着Web 2.0出现，用户不再仅仅是信息的消费者，也扮演着参与者甚至是信息提供者的角色(Anderson, 2007)。用户可以在Web 2.0上拥有信息和学会控制这些信息。这和传统的网络形成了鲜明的对照，传统网络形式限制访问者所能看到的内容只能由网站的所有者来更改。为了适应目前趋势，服务提供商开始提供OpenAPI（开放应用程序接口）。开放的API允许网站通过使用SOAP，Javascript或者其他网络技术互相交流，用户可以制作自己的解决方案。这些Web应用程序，被称为“混搭”，结合来自多个源的数据，如Web服务或OpenAPI提供者，集成到一个单一的服务或工具上。
在这项研究中，我们提出了一个LBS知识库推断系统平台，支持用户参与的集体智慧。在这个拟定的系统中，用户可以通过使用移动设备建立他/她的知识库。在推理的基础上，这些信息可用于推荐给其他用户与他们的条件和用户配置文件对应的适当的信息。本文组织如下：在第2节中，我们回顾相关结构。在第3节概述了拟议的系统。第4节中，我们提出了系统的细节；实验结果在第5节。我们的结论与未来工作方向，在第6节中。
2.相关结构
虽然有着大量关于LBS的研究，但是大多数的研究都集中在LBS移动设备的定位和LBS的实现方法上。Jose, Moreira和Rodriues(2003)研究基于位置服务选择作为开放和通用的支持多种定位相依系统的接口的应用。用以开启一个围绕着已经被位置定位基础设施的建筑物，允许应用程序选择独特的与他们当前的位置相关的网络服务。
Costa-Requena, Haitao和Espigares(2002)提出了一种新的机制来创建一个共同的、能够被不同的终端或系统普遍理解的LBS。这种LBS协议在有线和无线的IP网络中使用以提供LBS重用现有的网络元素和协议。
Kim等(2005)，致力于LBS应用如何获得不同域上的集成，动态和敏感的内容的研究。他们采用了语义Web技术来解决这些问题，设计了一个架构用以结合语义Web技术和LBS，并实现了一个描述语义LBS的原型。
Tilson, Lyytine与Baxter(2004)提出了一个框架，以帮助设计和评估LBS的潜力和确定服务定位的可行战略。个性化的服务理念，通过两阶段的过滤器，以简化日后分析。这些过滤器随着技术和商业方面的考虑纳入我们的位置感知服务的社会和行为特征的知识越来越多。他们还建议通过情景分析和其他技术的运用以减少这些服务不确定性下的决策风险。
McDiarmid和Irvine (2004)提出了一个协议，允许用户在一定的限制以匿名方式接受基于位置的信息。这个协议可用于保证使用者的匿名性以用户拉动基于位置的服务与基于手机的位置测量系统的发展。
在这项研究中，我们提出了一个知识库建议的支持用户参与集体智慧的LBS平台。
3. LBS系统架构建议
在这一节中，我们描述一个建议的架构。在我们的系统中，如Fig. 1所示，用户可以通过通过知识库编辑器的Web应用程序将在商店的推荐信息登记到到知识库中。我们组合DAUM Open API (Daum OpenAPI, 2008)的店铺信息。由于许多用户参与建立一个知识基础，知识基础比信息提供者提供了更丰硕的信息。用户可以通过一个已经安装了GPS的移动设备传输他/她的所在地点上的信息到推理引擎上。这个推理引擎接着运用知识库和由Naver Corp(Naver OpenAPI, 2008)提供的组合地图信息推断出该给的推荐信息。最后，推断的结果通过无线互联网传送回给用户。
Fig. 2 展示了该系统的具体架构，由三个主要的模块组成：一个用户界面，一个知识库和一个推理引擎。
3.1用户界面模块
通过用户界面模块的使用，用户可以引用的推理结果，也可以编辑的知识库和位置信息。如Fig. 3所示， “编辑位置信息”表示用户可以创建或修改的商店的信息。用户通过装有GPS的移动设备确认他/她的当前位置，并使用知识库编辑器参与创建一个知识库。Fig. 4显示了知识库编辑器上用户修改的内容。知识库由规则，类别和个人组成，他们的详细描述在第4节。
3.2知识库管理器模块
知识库的管理器扮演着由用户创建或修改的商店信息经过信息精炼之后存入知识档的经纪人的作用。 “精炼”是指用户输入的数据发语法检验和用户输入到一个适当的协调系统的位置信息的标准化。这个知识档存储着商店的信息和关联规则。知识库管理器同时是从知识档传输数据到推理引擎的装置。
3.3推理引擎模块
我们执行的规则是基于的包括了静态数据，如方法，规则，个人，和事实组成的推理引擎。静态数据是关于商店的信息和类别之间的关系规则。推论是根据这些已有的静态数据和动态数据，如用户的当前位置和在用户个人资料中发现的用户的喜好得出的。推断的结果精炼后，发送到用户界面模块，供用户读取。用户可以在用户界面模块上参考的推断的结果。我们在下一节中详细解释推理的过程。
4.知识库的细节
在本节中，我们呈现的是知识库的细节，我们系统的关键组成部分。我们使用Bossam(Jang & Sohn, 2004)作为我们的推理引擎。由于Bossame是基于Rete算法的向前链接推理引擎，我们在Bossam中使用Buchingae (Jang, 2005)撰写用户配置文件和用户的当前位置之间的关联规则。我们使用protégé的本体编辑语言(Protégé, 2008)创建一个本体以及类之间的关系。
4.1本体构建
基于位置的推荐服务，相比于传统的建议服务还需要位置和时间的信息。因此，我们定义一个本体，如Fig. 5所示。Fig. 5的中心和左侧代表的本体是用户和店铺的位置信息，右边代表的本体是时间的信息。图的下部的代表的本体是店铺的其他属性。
店铺拥有类，如营业时间和地点的属性和店铺类别的子属性，如食品，卡拉OK，电影院，以及价格。店铺类当然还包括打折卡信息的属性。
通过使用这个本体，用户可以在在店铺附近或者在附近活动的时候，检查到推荐服务。
4.2个人和关联规则
在这一部分中，我们以一家电影院和一个大学生用户为例解释了时间和地点的关联规则，铺类和用户的关联规则。
4.2.1位置的关联规则
Table1显示了用户和商店位置的关联规则。 “Service Range’属性设置一个店的服务范围。Fig. 6显示了一家商店服务范围和一个用户的搜索范围，服务范围的地图。商店的服务范围和用户搜索范围的重叠部分，将被推荐给用户。
4.2.2时间的关联规则
时间属性在我们的系统中也很重要，因为在推荐的时候必须考虑商店的营业时间和用户可用时间。
Table2显示了用户的可用时间和电影时间表的关联规则。这些关联规则规定了当前的日期和时间，以及用户可以用来看电影的时间。系统通过这些规则，推荐给用户相应的电影和影院，这让用户可以在他/她的可用时间里观看电影。Fig. 7显示了table 2的一个关联规则。（在图7中，电影＃2将被推荐）。
4.2.3商店的信息
为便于理解，我们以电影院的个例来解释店铺类别。
Table 3显示了个人的电影院。这些人有店铺的评级，服务价格，营业时间，目前上映电影列表，优惠卡，位置，服务范围等信息。（位置用GRS80 (Moritz, 1980)坐标系统表示，后来又组合了Naver的地图(Naver OpenAPI, 2008))。
Table 4显示了在个人电影院上的个人的电影。主要演员，类型和电影评级都是因人而异的，这些信息用于根据用户配置文件的用户的喜好设定推荐电影。
Table 5和Table 6显示了电影的时间属性和个人折扣卡的属性。在这个例子中，电影“The Incredible Hulk”（“不可思议的绿巨人”）于2008年6月24日，下午2:00开始，结束于2008年6月24日下午3:54，拥有BCPuls卡的人能获得1500韩元的折扣。
结合Table 3-6的属性，我们可以获取上关于 “iShopArtreon_Sinchon” 店的信息如下的信息：“Artreon_Sinchon是一个评分为7，门票价格为7000韩元的电影院。它的营业时间是早上6点到12点，当前正在播放的电影是“The Incredible Hulk”（“不可思议的绿巨人”），“Kung Fu Panda”（“功夫熊猫”）和“The Happening”（“破天”）。拥有BCPlus卡的人可以得到1500韩元的折扣。
4.2.4用户信息
用户的配置文件存储在用户类中。Table 7显示了一个用户配置文件的部分属性。此人是有卡的用户，用户的职业，用户的首选演员，导演，类型，和影院以及用户看电影的可用时间的搜索范围。商店和用户的信息被发送到的Bossam推理引擎来推断建议。
5模拟实验
实验中，我们采用NAVER Map Open API (NAVER OpenAPI, 2008)作为数字地图，采用Bossam (Jang & Sohn, 2004)作为推理引擎。我们模拟的目标区域是信川郡，首尔市最受欢迎的购物区。实验者通过信川郡的时候在PDA上查找推荐。
我们将商店分为七种类型，并实现每个本体。Fig. 8显示了应用于商店的分类属性。如果我们正在寻求餐厅的推荐，则当前的时间，用户的年龄，餐厅的评级，打折卡的分类属性将用于推断。同样，如果我们正在寻求餐厅的菜肴的推荐，用户的重量，处境和纪念日将被考虑在内。对于实验中，我们实施了这些店铺的173关联规则，并将他们与735条个人的情况和事实存储在知识库。
Table 8显示了使用了知识库上这些规则的推理过程。我们进行的实验假设是，该用户是一名大学生，他/她有看电影的兴趣。
推断结果列于Table 8显示了，大学生客户可以申请1000韩元的折扣，有打折卡的用户可以申请1500韩元的折扣。如果用户设置他或她的等待观看影片可用时间在2小时内，从当前的时间13:30看，该系统建议的电影将是在14:00开始的“The Incredible Hulk”（“不可思议的绿巨人”）和在下午14:30开始的“Kung Fu Panda”（“功夫熊猫”）。
Fig. 9显示了的为用户呈现推断结果接口。Fig. 10显示了在无线PDA的结果。
6结论
一个无处不在的环境的核心服务之一，是基于定位系统（LBS）的服务。到今天为止，对LBS的研究主要集中在服务提供者的上下文感知服务。因为受到的信息缺乏的限制，这些方法不容易应用到实际情况中。在这项研究中，我们模拟了一个考虑到用户的位置，可用时间和可实行的知识库的模型本体并使用此本体。该本体还包括了商店的建议和用户的个人档案信息。用户可以通过用户界面模块管理信息。这个知识库，是由用户积累的，是扩大了的集体智慧、所积累的知识是广阔的，是比服务提供商更多样化的，更与时俱进的。这种集体智慧的做法是LBS的有效实施，并应提供的最新信息。我们通过假设一个用户想在一个特定的区域内去看一场电影来测试我们的系统。为了推荐一系列的电影院和电影给该用户，我们的系统执行了包括电影的开始时间、当前时间和用户的当前位置，电影和影院的信息以及用户的配置文件的当前位置信息的推理过程。我们组合OpenAPI的地图数据和商店信息作为系统的可扩展性的计划。
我们的系统显示：个性化的建议，可以通过无线网络环境中知识库的推理提供给用户。在未来的运用中，以设计通常是在日常生活中遇到的商店，我们计划扩大这些本体，包括店铺的各种各样的类别。
（翻译：11S017018潘灿霖）
