第二章、 研究方法與執行成果
第三節 使用者喜好與多感測器之客制化服務
「自動化個人喜好學習系統」的主要目的，是找出使用者的「個人喜好資料檔」，並建 立「個人喜好模型」，學習預測多居住者的喜好並且提供服務的建議給他們，使他們感到舒適 與放鬆，但是在家中，多位居住者和各種環境資訊間有很複雜的關係，環境資訊包含了人、
事、時、位置和物件等等。居住者的習慣也有時間上的特性，所以，要恰當的學習出居住者 的喜好必須將整個連續的互動加入考慮。
為達成上述目標，我們提出了三階層的模型(Model)，第一層負責處理從感測器傳來的 原始資料，第二層負責每個居住者個體的喜好模式，最高的第三層負責處理多位使用者之間 的關係，而推論出應該提供給整個群體的服務。使用階層架構的好處主要在於：1)各層的學 習和推論可以分開處理，若環境的佈置改變了，我們只需重新訓練最下面那層，不用改變其 他層的喜好模型。例如，客廳的佈置改變了，居住者的看電視行為的活動路徑也跟著改變了，
但是多居住者之間的互動並沒有改變，所以只需重新訓練最下那層，其餘不用改變。2)階層 式的架構將多使用者的喜好模型切成多個部份，較下面的階層處理各子問題，而最上面的階 層統合下層所推論的結果。在本研究中，我們先將多位居住者的整體喜好問題切成各個居住 者獨立的喜好問題，然後在最高的階層使用一個貝氏網路﹙Bayesian Network﹚來統合每個 居住者喜好模型所獨立推論出來的結果，整個系統架構圖如下圖所示。
圖二十四： 三階層推論系統模型
(一) 資訊轉譯(Context Interpreter)
第一層稱為資訊轉譯(Context Interpreter)，它負責將感測器所輸出的原始資料轉換成較高 階的資訊，換言之，其賦與低階原始資料實質語意上的意義，它所轉換的資訊包含了時間資 訊、感測器資訊、家電狀態和使用者資訊，另外，不使用低階的資料而使用高階的資訊的背 後目的是降低建置我們所提的階層模型的複雜度。其主要可分為兩個部分：
z 群聚：我們使用 K-means 演算法來把原始的資料聚成k群，k是根據本領域的 一般知識和實驗的結果來決定的。
z 量化：根據群聚的結果及本領域的一般知識，我們可以給予每個群一個語意上 的意義。
(二) 家電控制模型(Electrical Appliance Controller Model)
透過辨識居住者的日常生活習慣模式從而學習他們的喜好來個人化服務的提供，一般來 說，上述所提的習慣模式是人的喜好和家電之間的相互關係。在本研究中，我們在第二層中 用一個動態貝氏網路(DBN) λm根據居住者的活動路徑和感測器與家電的資訊來預測一個家 電控制器(Electrical Appliance Controller) E 的狀態，下圖為家電控制器的動態貝氏網路(DBN)m 圖，每一個家電控制器會對應到一個動態貝氏網路(DBN)，若環境中有M個家電，那就有M個 控制模型。
圖二十五：家電控制模型貝氏網路
每個動態貝氏網路(DBN)中的狀態Xt =ON OFF, ,...代表一個家電在時間 t 的狀態，
{
, ,}
t t t t
O = P E S 為所觀察到的資訊，其中：
z P ：表示居住者在時間t t所在的位置。
z Et =
{
E E Et1, t2, t3,L,EtM}
：表示家電的資訊。z M：表示環境中家電的數目
z St =
{
S S S1t, t2, t3,L,StR}
：表示在時間t感測器所量測到的資訊。z R：表示環境中感測器的數目
(三) 多使用者互動模型(Multiple User Interaction Model)
圖二十六： 互動模型系統概觀圖
上圖為多使用者互動模型(Multiple User Interaction Model)的概觀，在這層中，我們使用 貝氏網路(BNs)來整合所有居住者所喜好的服務而滿足所有人的需求，我們把這個問題想成是 學習並預測 K 個居住者的喜好，我們假設位在不同房間的居住者並不會互相影響並且我們都 可以得知每個居住者的身分，感測器所量測到的資料中，若無法區分是屬於哪個居住者的，
則屬於同房間的所有居住者，例如，聲音和溫度資料是屬於同房間的所有居住者的。我們認 為群體的服務和每個居住者個別的服務、環境資訊及時間資訊有關，所以使用貝氏網路(BNs) 把這些因素關聯起來，節點為那些影響因素，節點之間的相連是以本領域的一般知識來決定 的，本貝氏網路(BNs)所包含的有：
z G：表示所要推論的群體服務。
z ID ID1, 2,L,IDK為K個居住的的身分識別。
z C(1),C(2),L,C(K)是第二層分別為K個使用者所推論出的喜好。
z T：表示時間資訊。
如圖二十七，環境中有兩位居住者，父親和母親，時間是早上，父親想要打開電視和電燈，
母親想要開音樂和電燈，根據以往資料所學習出的他們兩個的互動模式，系統推論出音樂打 開而電視關掉是比較適合整體的服務。
圖二十七： 多人互動模型推論範例