基于行为规划的智能电视遥控器设计

田雅倩, 顾海军, 崔 莹

(吉林大学 通信工程学院, 长春 130012)

0 引 言

随着物联网技术的快速发展, 电视机操控方式从最初的机械操控方式到遥控器工具的出现, 再到现在普及应用的红外线遥控器, 极大地方便了人们的生活[1]。但随着海量电视节目的涌入, 传统的遥控器只能随人们需求变化增加越来越多的固定按键, 使人们在搜索喜爱节目时出现操作复杂、 查找过程麻烦等问题[2], 因此苹果、 亚马逊、 Google、 小米、 百度和360等相继加入智能遥控器的研究领域, 在功能实现方面取得了极大突破[3]。

知识表示与推理是智能化研究的核心问题, 研究者认为人工智能可通过显示的知识表示和符号化推理实现, 但关键问题是如何利用理论工具对领域知识进行形式化表示并根据该知识进行问题求解[4]。经过多年研究, 逻辑编程技术获得了显著进展, 研究者相继提出逻辑编程语言Prolog、 回答集(ASP： Answer Set Programming)语义[5]、 行为语言A、B、C、C+以及BC[6]。随着对行为语言程序求解的计算机系统cplus2asp的出现, 越来越多的研究者将行为语言作为知识表示与推理工具应用于行为规划系统, 在问题域应用中实现问题求解。笔者选用行为语言BC作为电视遥控领域的知识表示工具, 根据逻辑编程思想, 只要采用行为语言BC描述出问题领域知识, 即可使用求解系统推理得出结果, 而不利用设计复杂的算法。

在此技术背景下, 笔者提出构建一种普适的行为规划逻辑框架并应用于智能电视遥控器设计中, 使用户通过语音快速实现节目搜索等功能, 还可自行定义节目搜索限制条件。构建行为规划逻辑框架时, 将电视遥控领域的相关事物抽象成逻辑符号, 并将其事物之间的内在联系抽象为逻辑符号间的规则约束, 使求解系统根据逻辑符号表示的规则约束进行问题求解。笔者采用的行为规划语言使用户不仅可由语音指令就可观看其喜爱的节目, 还可随时通过交互界面添加约束条件, 由于采用的行为规划语言程序编写过程没有固定的顺序, 随意增减语句也不会影响整体程序的运行[7], 所以笔者充分利用其填充性和可扩展性, 使该遥控器具有高度自适应性。在具体设计实现时, 用户指令关键信息由讯飞开放平台[8]和自然语言处理和信息检索共享平台(NLPIR： Natural Language Processing and Information Retrieval Sharing Platform)语义分析系统获取[9], Web网站爬虫技术获取电视节目实时信息[10], 然后将获取的用户信息、 电视节目信息抽象成逻辑符号, 并将信息之间的内在联系抽象成规则约束, 使求解系统可根据符号化后的知识进行推理, 并通过智能硬件操控技术实现对电视机的遥控[11]。

1 相关技术

笔者提出的行为规划框架可融合用户需求和电视节目信息并触发推理规则进行智能推理, 行为规划框架的应用使电视遥控器更具智能性。用户需求信息通过语音交互的方式获取, 涉及的语音识别由基于科大讯飞提供的语音云识别技术实现, 关键信息提取技术由基于NLPIR语义分析系统实现。电视节目信息由Scrapy爬虫在电视猫网站获取, Scrapy是Python开发的屏幕抓取和Web抓取的开源工具, Scrapy框架首先获取电视节目相关内容的URL(Uniform Resource Location), 然后下载页面并解析数据, 并将处理后的数据保存到数据库。经过行为规划得出的设备调控指令通过智能硬件操控平台实现对电视机的智能遥控, 智能硬件操控平台是实验室研发的云端服务引擎, 提供丰富的物联网(IOT： Internet of Things)功能组件, 通过注册登录平台, 将电视机和遥控器快速连接到物联网, 实现对电视机的远程遥控。目前, 讯飞开放平台、 NLPIR语义分析系统以及智能硬件操控平台的功能模块均提供面向开发者的API(Application Programming Interface)接口, 平台的所有中间件API均可无缝融合到智能遥控器系统。

2 基于行为规划的电视遥控器

针对传统电视遥控器无法满足越来越高的智能化需求问题, 笔者提出构建一种普适的行为规划框架并应用于电视遥控器, 使用户只需说出想看频道的名字、 节目名称甚至节目相关内容, 遥控器即可通过内部信息处理与推理为用户提供服务, 当用户有特殊需求时, 可通过语音交互方式限定节目搜索条件。行为规划的思想是通过行为语言BC描述事物、 事实和事物之间的内在联系, 系统即可根据描述的知识自动求解。行为规划的结果为从初始状态到目标状态的一系列动作的集合。因此, 笔者提出在电视遥控应用背景下构建行为规划逻辑框架, 利用行为语言BC将现实生活中电视机所处的环境抽象成逻辑符号, 并根据事物之间的内在联系用逻辑符号做规则约束, 最后利用求解系统cplus2asp根据描述的知识实现行为规划, 得出一系列动作的集合, 其中动作为行为语言对设备底层操控行为的抽象。笔者提出的行为规划框架立足于电视机遥控器高层功能, 即行为规划与推理, 使电视节目智能搜索的研究在一定程度独立于硬件系统, 将有助于电视节目智能搜索高层功能的深入研究。

2.1 设计方案

基于行为规划的电视遥控器的设计方案如图1所示, 从实现功能上分为语音识别、 电视节目信息获取、 智能推理和电视机调台4个功能。

首先对用户指令进行语音识别与关键信息提取, 根据用户需求的不同分为描述用户想观看节目信息的节目需求指令和用户对节目搜索约束的限制条件指令。其中用户在描述自己想观看节目的需求指令时, 需求指令信息只有落在电视节目搜索有关的问题框架(频道序号, 频道名称, 节目类别, 节目名称和节目内容)内, 此需求指令才有意义。这时, 该需求指令触发系统调取由Web网站抓取并保存在数据库表中的电视节目信息, 同样数据库表中的电视节目信息根据搜索框架(频道序号, 频道名称, 节目类别, 节目名称, 播放时间段和节目内容)进行数据存储, 这有利于用户需求指令信息与电视节目信息的匹配, 使系统根据问题域框架内有效的需求指令搜索节目单框架中相应类别的节目信息, 比如用户说“我想观看电视剧三国演义”, 需求指令中的信息“电视剧”、 “三国演义”分别落在 “节目类别”和“节目名称”框架内, 这时有效的需求信息即可筛选出节目单中满足节目类别为“电视剧”、 节目名称为“三国演义”的节目信息。因为人们日常不习惯说当前时间, 所以系统实时获取当前时间并传给推理模块, 以便在推理时判断当前时间是否播放用户想观看的电视节目。然后智能推理模块融合有效的用户需求指令与筛选后的电视节目信息根据行为规划框架进行问题求解, 最后得出的设备调控指令通过智能硬件操控平台实现对电视机的远程操控。用户在表述自己的需求时, 需求指令信息有可能未落在问题域框架内, 这时就需要通过语音交互的方式提醒用户重新描述, 交互流程如图2所示。

图1 电视遥控器的设计方案 图2 人机交互流程 Fig.1 TV remote control design Fig.2 Human-computer interaction process

当用户因为特殊原因想限制电视节目的播放时, 用户可通过交互界面添加约束节目搜索的限制条件指令。同理, 只有用户添加的限制条件信息也落在问题域框架内时, 此信息才对节目搜索系统有效。这时有效的限制条件指令根据映射规则映射为智能推理模块的推理规则, 实现对节目播放的限制。比如大人不希望孩子观看娱乐节目, 可通过添加限制条件“不能播放娱乐节目” 限定节目播放内容。

方案中的语音识别技术、 网站爬虫技术以及智能硬件操控技术都是基于开源系统的二次开发, 而智能推理才是笔者研究的重点。根据逻辑编程思想, 只要采用行为语言BC描述出问题领域知识, 即可使用求解系统推理得出结果, 而不利用设计复杂的算法。

2.2 行为规划逻辑框架设计

笔者在电视遥控应用背景下构建行为规划逻辑框架, 对电视节目搜索领域知识做符号抽象。根据行为语言BC程序的构成, 分为符号声明、 行为查询与程序主体3部分, 其中符号声明包括类、 对象、 变量以及逻辑符号； 行为查询为触发程序的入口, 包括初始状态与目标状态； 程序主体为根据电视节目相关事物之间的内在联系进行符号抽象得到的规则约束的集合, 符号抽象过程如图3所示。

经与用户需求指令信息匹配后筛选出的电视节目信息, 通过符号抽象声明为逻辑框架(类, 对象, 变量, 逻辑符号)内的知识表示形式, 然后将其传给推理模块行为查询文件中的初始状态与目标状态, 使系统根据程序主体规则求解出从初始状态到目标状态的一系列动作的集合。用户限制条件指令中的有效信息则经过符号抽象映射为程序主体中的规则, 限制节目搜索条件。

2.2.1 符号声明

对电视节目搜索问题域框架(频道序号, 频道名称, 节目类别, 节目名称, 播放时间段和节目内容)内的数据进行逻辑抽象时, 可将形式化的问题域知识归纳在逻辑框架(类, 对象, 变量, 逻辑符号)下。逻辑框架知识描述主要是问题域框架内的事实描述, 需要在行为规划前对电视节目搜索问题域的符号抽象过程进行简化, 因为并不是电视机所处环境的所有信息都有用, 而那些无用信息如果也声明在逻辑框架内, 将影响行为规划效率, 所以笔者只对电视节目搜索有效的问题域框架内的信息抽象到逻辑框架内, 其符号化结果如表1所示。而不在电视节目搜索问题域框架内的信息则不再进行符号声明, 如有关电视节目的分类等信息为有用信息, 而电视机的大小、 颜色等无关信息则对电视节目的搜索没有影响, 所以在符号声明过程中不再考虑。这种将问题域有用知识归纳在逻辑框架之下的方法, 使行为规划的知识完备充分, 也使程序设计简单明了, 提高了问题求解的效率。

图3 行为规划逻辑框架Fig.3 Action logic framework

类对象变量说明programA,B,C..P,P1program类表示电视节目信息, 形式化过程将program类中对象如节目类别、 内容等信息抽象成A,B,C等符号, 在规则约束中用P,P1表示变量channel1,2,..,100CH,CH1channel类表示电视频道, 形式化过程用数字符号表示第几个频道, 在规则约束中用CH,CH1表示变量number1,2,..,100N,N1number类表示数字, 类中对象为整数值, 在规则约束中用N,N1表示变量time0,1,..,24T1,T2time类表示时间, 描述节目的播出时间, 类中对象为代表时间的整数值, 在规则约束中用T1,T2表示变量current_time0,1,..,24Tcurrent_time类表示当前时间, 用来判断当前时间是否播放节目, 类中对象为代表时间的整数值, 在规则中用T表示变量

符号声明过程中, 除了要对问题域中的类和对象进行说明, 还要声明逻辑符号中的状态流和动作, 状态流描述事物的状态变化, 比如, 电视节目搜索问题域中的状态流有：

prefer(number)表示用户想调到某个频道；

played(channel)表示某个频道正被播放；

currentplayed(program)表示某个节目正被播放；

search(program)表示用户想搜索某个节目；

num(program)表示节目单中频道数与播放节目的对应关系；

playtime(program,time,time)表示定义节目播放的起始时间和结束时间；

current_time表示当前时间；

end表示行为规划结束状态。

逻辑符号中的动作声明指实现用户需求的一系列行为动作, 是行为语言对电视机底层操控行为的抽象, 体现了电视遥控器的基本功能。动作主要由执行条件和执行效果描述, 执行条件为动作引发的状态流集合, 执行效果为动作所引发的状态流改变。系统只能由动作的执行改变环境状态, 实现从初始状态到目标状态的行为规划, 行为规划的结果即为一系列动作行为的集合。在电视节目搜索问题域中动作符号声明实例如表2所示。

表2 动作符号声明实例

2.2.2 程序主体设计

程序主体是对问题域事物之间内在联系的规则约束, 也是求解系统实现推理的依据。在笔者构建的行为规划框架中, 电视节目搜索问题域的规则约束的设计思想如图4所示。用户想观看电视节目时, 通过语音的方式说出自己的需求, 当需求指令落在问题框架内时, 有效的需求信息触发系统做节目搜索。当用户想观看某个电视频道时, 可直接调到用户想观看的频道； 当用户不清楚频道信息, 只知道节目相关内容时, 可将问题域的需求与电视节目搜索框架内的知识相匹配, 并将获取有效的节目单信息与需求信息一起传给推理系统进行求解, 当得出调台指令时, 即可通过遥控器操控电视机使用户观看其喜爱的节目。但当系统经过推理没有找到用户想观看的节目或由用户的限制指令得知用户想观看节目不能播放时, 系统将提示用户重新搜索节目。根据程序设计思想抽象成行为语言BC编写的部分规则约束如下所示。

default-played(CH1) after turn(CH) & ch=CH1.

turn(CH) if prefer(N) & CH=N.

turn(CH) causes played(CH) & currentplayed(P) if num(P)=CH.

nonexecutable turn(CH) & turn(CH1) & ch=CH1.

turn(CH) if search(P) & num(P)=CH & playtime(P,T1,T2) & T>=T1 & T2>=T & currenttime=T.

-search(P) if currentplayed(P)++played(CH).

-search(P) if search(P1) & P=P1.

-search(P1) &-search(P) if prefer(N) & ch=N & num(P)=ch & P=P1.

research if search(P) & playtime(P,T1,T2) &-(T>=T1 & T2>=T) & currenttime=T.

research causes end.

end if currentplayed(P)++played(CH).

-currentplayed(P) if currentplayed(P1) & P=P1.

图4 规则约束设计思想Fig.4 Design ideas of rules constraints

用户添加的限制条件也落在问题域框架内时, 有效的限制条件指令根据映射规则映射为智能推理模块的推理规则。当用户对调控行为进行限制时, 用户限制指令映射为行为语言表示的规则形式为“nonexecutable 调控行为if条件”, nonexecutable表示不能执行调控行为, if后面为用户的约束条件。例如用户添加限制条件“不能在10点观看第5个频道”, 映射为规则“nonexecutable turn(5) if currenttime=10.”。当用户对搜索节目的条件进行限制时, 用户限制指令映射为行为语言表示的规则形式为“-节目信息 if 约束条件”,符号“-”表示不能搜索相应的节目信息, 如用户添加限制条件“不能在10点观看综艺节目国家宝藏”, 映射为行为语言表示的规则为“-search(C) if currenttime=10.”。

2.2.3 行为查询

采用行为语言实现行为规划系统时, 首先将问题域相关知识抽象成逻辑符号的集合, 然后通过查询的方式求解出一个最小步骤的动作行为序列。所以在笔者的行为规划设计中, 将经过框架筛选的知识用符号抽象行为语言表示, 然后将其传给推理模块行为查询文件中的初始状态与目标状态, 使系统根据程序主体规则求解出从初始状态到目标状态的一系列动作集合。行为查询的一个实例如下。

:-query

label ∷ 1;

maxstep ∷ 0..100;

0: prefer(5), currenttime=4;

maxstep:end.

其中query为整个程序的入口, label用于区分不同的程序入口, maxstep用于对事件的复杂度进行限定, 0表示电视节目搜索的初始状态, prefer(5)为用户需求“想观看第5个频道”的符号声明, currenttime=4为推理系统获取的当前系统时间是4点, maxstep表示用户想达到的目标状态, 即行为规划结束end。

2.3 行为规划求解过程

将电视节目搜索领域知识抽象成逻辑符号和规则约束后, 需要求解工具根据符号化的知识做出行为规划。笔者选用专门针对行为语言开发的求解系统cplus2ASP[12]。cplus2ASP可将行为语言BC翻译成回答集程序(ASP: Answer Set Programming), 然后由回答集求解器求解得出回答集[13]。回答集即为一系列的动作行为的集合, 即行为规划最终的结果, 求解过程如图5所示。

图5 行为规划求解过程Fig.5 Action planning process

回答集程序规则r有如下形式

Head(r)←pos(r),not ne(r)

(1)

其中Head(r)为规则头部, pos(r)和neg(r)为规则体的肯定体和否定体, 由原子集合组成。

因为行为语言BC的语义是定义在逻辑程序上的, 所以可直接翻译成回答集程序, 行为语言BC翻译成回答集的对应关系如表3所示,t表示时间戳。

表3 行为语言BC翻译为ASP的对应关系

行为语言BC翻译成回答集程序后, 回答集程序经过回答集求解器clingo求解, 求解过程分为常例化和模型搜索两步。常例化过程就是将程序中的变量用实体对象替代, 模型搜索主要是计算常例化后的程序的最小模型, 即为回答集[14]。回答集求解规则如下。

1) 当neg(r)=Ø, pos(r)≠Ø, Head(r)≠Ø, 对于这样的基本程序, 其回答集是唯一的。由于规则Head(r)←pos(r)构成的程序不含否定, 程序的回答集为满足程序的最小原子的集合。每个程序有许多不同的模型, 例如: 程序“turn(CH): - prefer(N), CH=N.”的模型为

prefer(5), turn(CH)←prefer(N), CH=N.

(2)

实例化程序模型中的变量时, CH可取值很多：

{prefer(5), turn(5)}

{prefer(5), prefer(1), turn(1)}

…

{prefer(100), prefer(100), turn(100)}

每个{}中的谓词集合为程序的一个模型, 但{prefer(5),turn(5)}为最小的模型, 因为式(2)不包含否定, 所以{prefer(5),turn(5)}是式(2)的最小模型, 成为稳固模型, 即程序的回答集。

2) 当neg(r)≠Ø时, 对于由规则Head(r)←pos(r), neg(r)构成的逻辑程序, 记I为逻辑程序中所有原子组成的集合, 给定原子集合M,M⊇I, 则

① 若neg(r)∩M≠Ø, 即M中包含规则r否定体中至少一个原子, 则该规则毫无意义, 可删除；

② 若neg(r)∩M=Ø, 即M中不包含规则r否定体中的任何一个原子, 则其否定体中的原子琐碎, 也是无意义的, 可删除此规则的否定部分。

为表述方便, 用一个简单的程序举例说明, 程序p(1,2),q(x)←p(x,y),q(y)被实例化为

q(1)←p(1,1),q(1),

q(1)←p(1,2),q(2),

q(2)←p(2,1),q(1),

q(2)←p(2,1),q(2).

根据规则从程序的主体删除否定文字后为

p(1,2),

q(1)←p(1,2),

q(2)←p(2,2).

因为p(1,2)为客观事实, 所以可推导出q(1)为真, 而p(2,2)无法确定为真, 则为假。因此程序的稳固模型为{p(1,2),q(1)}[15]。

cplus2ASP系统可实现行为语言BC到回答集程序的翻译及回答集求解, 所以本系统通过命令行调用cplus2ASP直接求解结果。

3 应用实例分析

将电视节目搜索领域知识抽象成行为语言BC表示的符号, 以及将电视节目领域事实之间的内在联系抽象成规则约束后, 即可通过调用cplus2ASP求解结果, 并转换为电视机的调控指令。下面通过应用实例展示用户指令经后台处理得出的后台调控结果及面向用户的客户端结果。

智能遥控器内部求解系统得出的调控指令为逻辑符号表示的状态流和动作, 为使表述方便将电视节目抽象成大写的英文字母A,B,C,D等, 所以将节目符号与电视节目单数据库存储表内容之间的对应关系存储在数据库中。比如用户说“我想观看综艺节目国家宝藏”, 根据问题域框架提取有效信息为“节目类别： 综艺节目, 节目名称： 国家宝藏”, 首先根据大类“节目类别： 综艺节目”对存储形式为(频道序号, 频道名称, 节目类别, 节目名称, 播放时间段, 节目内容)的节目信息进行筛选, 接着再由“节目名称： 国家宝藏”对筛选后的信息再次筛选, 然后将筛选后的节目信息和用户需求传给推理系统进行求解。经筛选后的数据库表中的节目信息与节目符号之间的对应关系如表4所示。同时系统将实时获取当前时间, 由当前时间为12点对表4中的节目信息做进一步筛选, 发现12点播放的综艺节目只有逻辑符号A,B,C表示的节目。

表4 抽象逻辑符号与节目单信息之间的对应关系

经过筛选的节目信息与用户信息经符号抽象传给推理系统的行为查询文件, 同时系统将实时获取的当前时间做符号抽象后也传给查询文件, 形式如下：

:-query

label ∷2;

maxstep ∷0..100;

0:search(C), currenttime=12;

maxstep:end.

这时经过初级搜索的节目信息作为推理系统的初始状态触发规则约束进行高级行为规划, 经过遥控器内部处理后得出的逻辑符号表示结果如图6所示。

图6 推理结果Fig.6 Reasoning results

由图6可知, 第0步为经过初步筛选后的逻辑符号表示的节目信息, 最终遥控器经过内部推理得出turn(15)的电视机调控指令, 指令经处理后操控电视机, 面向用户的客户端展示界面如图7所示。

由以上实例可知, 用户可通过语音的方式快速收看其想观看的节目, 但每个家庭在使用时都希望根据不同的情况对节目搜索条件进行限制, 比如家里有小孩时, 大人不希望小孩在午间12点观看综艺节目。这时推理系统利用行为规划语言的填充性将用户对节目的限制条件随时加入规则约束中, 添加的条件限制指令经过信息处理抽象成逻辑符号并添加到规则约束中, 实现对节目搜索条件的限定。在具体实施时, 利用语音识别技术中的声纹识别模块规定大人与小孩添加限制条件的优先级, 使优先级低的小孩无法更改大人的条件限制。比如用户添加限制条件“不可以在12点观看综艺节目”, 客户端界面如图8所示。

在本应用实例中, 用户指令经过信息处理抽象为行为语言BC表示的逻辑形式“caused-currentplayed(C) if currenttime=12.”, 然后将其添加到规则约束后, 当小孩在午间12点说“我想看综艺节目国家宝藏”时, 添加限制条件后的推理结果如图9所示。

图7 客户端界面示例 图8 用户限制条件添加界面 Fig.7 Example of the client interface Fig.8 User restrictions adding interface

图9 添加限制条件后的推理结果Fig.9 Inference results after adding constraints

由图10可知, 遥控器内部推理系统虽然得出12点有综艺节目在播放, 但根据限制条件“不可以在12点观看综艺节目”, 系统给出用户重新搜索节目“research”的指令, 面向用户的客户端展示界面如图10所示。

当用户想观看的节目在当前时间没有频道播放时, 系统会根据节目单搜索结果提示用户可以观看该节目的时间和频道。如用户说“我想观看综艺节目声临其境”, 这时系统获取当前时间为12点, 经过节目单初步搜索可得, 当前时间没有频道播放“声临其境”节目, 系统给出的节目信息提示界面如图11所示。

图10 重新搜索界面 图11 节目推荐界面 Fig.10 Research the interface Fig.11 Program recommendation interface

由以上实例可知, 笔者提出的基于行为规划的智能电视遥控器不仅可使用户通过节目需求语音指令就可观看自己喜爱的节目, 还可根据自己的特殊需求添加对节目搜索的条件限制, 具有高度自适应性和可扩展性。

4 结 语

笔者构建了一种普适的行为规划逻辑框架并应用于智能电视遥控器, 使用户通过语音快速实现节目搜索等功能, 还可自行定义节目搜索限制条件限制不当搜索行为。在逻辑层面构建行为规划逻辑框架时, 将电视遥控领域的相关事物抽象成逻辑符号, 并将事物之间的内在联系抽象为逻辑符号间的规则约束, 使求解系统根据逻辑符号表示的规则约束进行问题求解, 同时还可利用行为语言的填充性添加用户专属规则。通过实例分析以及界面展示, 验证了笔者提出的基于行为规划的智能电视遥控器的可行性及可扩展性。

参考文献：

[1]杨连池, 林春婷. 自动适配多种设备的智能遥控器设计与实现 [J]. 物联网技术, 2017, 7(12): 53-55.

YANG Lianchi, LIN Chunting. Design and Realization of Intelligent Remote Controller for Automatically Adapting Multiple Devices [J]. Internet of Things Technology, 2017, 7(12): 53-55.

[2]张淑杰, 程武山, 尹建成. 非触摸液晶屏显示智能遥控器的设计与实现 [J]. 上海工程技术大学学报, 2017, 31(2): 97-101.

ZHANG Shujie, CHENG Wushan, YIN Jiancheng. Design and Implementation of Non-Touch LCD Display Intelligent Remote Control [J]. Journal of Shanghai University of Engineering Science, 2017, 31(2): 97-101.

[3]王景山. 基于语音交互的电视节目点播系统 [D]. 兰州： 兰州大学信息科学与工程学院, 2016.

WANG Jingshan. TV Program on Demand System Based on Voice Interaction [D]. Lanzhou: School of Information Science and Engineering, Lanzhou University, 2016.

[4]MICHAEL GELFOND, VLADIMIR, LIFSCHITZ. The Stable Model Semantics for Logic Programming [C]∥Proceedings of the Fifth International Conference on Logic Programming (ICLP). Cambridge, Massachusetts: MIT Press, 1988： 1070-1080.

[5]MARTIN GEBSER, BENJAMIN KAUFMANN, TORSTEN SCHAUB. Conflict-Driven Answer Set Solving: from Theory to Practice [J]. Artificial Intelligence, 2012, 12(7): 52-89.

[6]JOOHYUNG LEE, VLADIMIR LIFSCHITZ, YANG Fangkai. Action Language BC: Preliminary Report [C]∥Proceedings of International Joint Conference on Artificial Intelligence (IJCAI). Palo Alto, California: AAAI, 2013: 983-989.

[7]黄雅楠, 顾海军, 田雅倩. 行为规划语言在问题求解方法中的应用 [J]. 吉林大学学报: 信息科学版, 2017, 35(3): 333-339.

HUANG Yanan, GU Haijun, TIAN Yaqian. The Application of Action Language in Problem Solving [J]. Journal of Jilin University: Information Science Edition, 2017, 35(3)： 333-339.

[8]白海星. 科大讯飞AIUI人机交互解决方案项目负责人丁瑞： 与开放平台共成长 [N]. 经济日报, 2017-09-24(006).

BAI Haixing. IETF AIUI Human-Computer Interaction Solutions Project Leader Ding Rui: Total Growth with the Open Platform [N]. Economic Daily, 2017-09-24(006).

[9]JIANG Xiaoqing, XIA Kewen, LIN Yongliang, et al. Noisy Speech Emotion Recognition Using Sample Reconstruction and Multiple-Kernel Learning [J]. Journal of China University of Posts and Telecommunications： English Edition, 2017, 24(2): 1-9.

[10]孙骏雄. 基于网络爬虫的网站信息采集技术研究 [D]. 大连： 大连海事大学交通运输管理学院, 2014.

SUN Junxiong. Research on Website Information Collection Based on Web Crawler [D]. Dalian： School of Transportation Management, Dalian Maritime University, 2014.

[11]王灿. 基于云平台的物联网远程监控系统研究[D]. 武汉： 华中科技大学机械学院, 2015.

WANG Can. Research on Internet of Things Remote Monitoring System Based on Cloud Platform [D]. Wuhan： School of Mechanics, Huazhong University of Science and Technology, 2015.

[12]BABB J, LEE J. Cplus2ASP: Computing Action Language C+ in Answer Set Programming [C]∥Procedings of International Conference on Logic Programming and Nonmonotonic Reasoning(LPNMR). Berlin, Heidelberg: Springer-Verlag, 2013: 122-134.

[13]FERRARIS PAOLO, LEE JOOHYUNG, VLADIMIR LIFSCHITZ. Stable Models and Circumscirption [J]. Artificial Intelligence, 2011, 175(1): 236-263.

[14]FERRARIS P, LEE J, L IERLER Y, et al. Representing First-Order Causal Theories by Logic Programs [J]. Theory and Practice of Logic Programming, 2011, 12(3): 383-412.

[15]CASOLARY M, LEE J.Representing the Language of the Causal Calculator in Answer Set Programming [C]∥Technical Communications of the 27th International Conference on Logic Programming(ICLP 2011). Lexington, Kentucky, USA: [s.n.], 2011: 51-61.