Context-aware Querying. Better Answers with Less Effort.

In een razend tempo zijn we in staat om nieuwe gegevens te digitaliseren. Een mogelijke techniek om te voorkomen dat gebruikers de weg kwijt raken in deze hoeveelheid informatie is contextbewustheid; de beschikbaar gestelde informatie, of het gedrag van een systeem, aanpassen aan de huidige situatie van de gebruiker. Onderzocht is hoe contextbewuste applicaties zijn te ondersteunen met behulp van een applicatie-onafhankelijk raamwerk. De kern van dit raamwerk is het aan de context van de gebruiker aanpassen van de antwoorden op vragen die een gebruiker aan een gegevensbank stelt. Door de manier waarop de context van een gebruiker vaak wordt gemeten (met behulp van sensoren) en gebruikt (om proactief informatie aan de gebruiker te doen toekomen), zijn er verscheidene onderwerpen die specifiek voor dit soort data aan de orde gesteld moeten worden. Vier onderwerpen worden explicitiet onderzocht, te weten, de mogelijkheid om een antwoord terug te voeren tot het waarom, het omgaan met onzekerheid in de contextdata, de mogelijkheid om het gedrag van de gebruiker te leren en de mogelijkheid om de contextdata op te slaan. Rekening houdend met deze onderwerpen is een model, genaamd CIM, ontwikkeld waarin kan worden vastgelegd hoe contextdata de informatiebehoefte van een gebruiker be¨ınvloedt en op basis waarvan de antwoorden van een gegevensbank kunnen worden geordend op relevantie, of waarmee proactief de meest relevante antwoorden aan de gebruiker kunnen worden aangeboden. Dit model slaat de effecten van context op de gebruiker op doormiddel van voorkeursregels voorzien van een score, tezamen met een score-combinatie-operator. Iedere regel geeft een interesse van een gebruiker aan in een specifieke context. Zowel de interesses, als de context worden gerepresenteerd in Description Logics, om zo in staat te zijn redeneermechanismes te ondersteunen en de regels voor gebruikers begrijpbaar te houden. De combinatie-operator bepaalt wat de (sterkte van) de voorkeur van de gebruiker is als een document voldoet aan meerdere interesses. Er worden twee combinatie-operators voorgesteld: een welke een conjunctieve relatie tussen voorkeuren verondersteld en een tweede welke een disjunctieve relatie verondersteld. Beide gaan uit van een (verschillende) probabilistische interpretatie van de scores. De begrijpbaarheid van de scores in het model voor de gebruikers blijkt uit het feit dat indien gebruikers zelf de scores van hun voorkeursregels kunnen aanpassen, dit inderdaad leidt tot een beter antwoord van het systeem dan wanneer slechts een ordering van voorkeursregels door de gebruikers is gegeven. Verder is onderzocht welke (onzekere) aannames het onderliggende systeem als uitleg van een antwoord zou moeten presenteren om de gebruiker de kans te geven, door verificatie van deze aannames, meer zekerheid te krijgen over het antwoord. Hiervoor worden twee maten voor de kwaliteit van een uitleg voor een antwoord ge¨ıntroduceerd. Het model kan eenvoudig omgaan met opgeslagen contextdata via een vertaling van het model naar relationele databases. Het omgaan met onzekerheid in de contextdata en het effect hiervan op een goede ordering, wordt gedaan via probabilistic event expressions. Ook wordt laten zien hoe scores van voorkeursregels te leren zijn uit de interactie-geschiedenis van een gebruiker met het systeem. Testen met gesimuleerde gebruikers tonen aan dat indien conjunctief of disjunctief gedrag in de geschiedenis aanwezig is, deze scores ook te leren zijn, maar ook scores van echte gebruikers zijn deels te leren op zo’n manier dat een representatie met geleerde scores beter geordende antwoorden geeft dan een willekeurige representatie. Een belangrijk inzicht dat ons model geeft is hoe de aanpak van onzekerheid, scores van voorkeuren voor het disjunctieve gedrag en inzicht geven in antwoorden, hand in hand gaan door middel van probabilistische event expressies. Er zijn echter twee belangrijke punten die meegenomen moeten worden alvorens overtuigend te kunnen zeggen dat de beschreven methode in deze thesis daadwerkelijk toepasbaar is in systemen op grote schaal. Deze hangen samen met het exploratieve karakter van het onderzoek en bestaan uit het daadwerkelijk testen van de technieken op grote schaal en het daarbij ook rekening houden met de niet expliciet aan de orde gestelde onderwerpen in deze thesis (zoals distributiviteit).