基于语义的面向方面自适应与Web内容管理系统自动化配置

### 基于语义的面向方面自适应与Web内容管理系统自动化配置 #### 基于语义的面向方面自适应 在查询中，我们要寻找具有特定特征的“要素”（在GeoNames术语中）。这个要素的特征代码为`geo:P.PPL`（代表城市），并且名称要包含`AMACONT`变量`$city`在`FILTER`子句中指示的原始城市名称。这里假设目标位置包含源城市名称作为子字符串，不过这对于一些复杂搜索可能存在局限性。同时，为了解决歧义问题，我们在搜索中加入了“?population”。 例如，世界上有多个名为德累斯顿的城市（实际上美国有六个这样的城镇），所以需要一种启发式方法来确定最可能的目标概念。在这个例子中，我们采用人口最多的城市即为最可能目标的启发式规则。将结果按人口排序，若有多个结果，则取第一个结果作为目标概念。 之后，我们将用户模型中的概念与辅助本体中的概念进行了对齐。对齐后，需要指定一个推理规则，来定义辅助本体中的知识如何扩展用户模型中的知识。这里定义了一个蕴含规则：如果用户居住在某个城市，那么他也居住在该城市所在的国家。规则形式如下： ```plaintext ?X :livesin ?Y> ?X :livesin ?Z> ?Y rdf:type :city> ?Z rdf:type :country> ?Y geo:inCountry ?Z> < ⎫ < ⎧ ⎪ < ⇒ ⎬ ⎨< ⎩ ⎪ < ⎭ ``` 这个（语法简化后的）推理规则表明，如果`X`居住在类型为城市的`Y`中，那么`X`也居住在`Y`所在的国家。通过应用这个蕴含规则，我们可以推断出居住在德累斯顿的约翰也居住在德国，因此应该获得德国的欢迎页面。通过这样的配置，`AMACONT`可以有效地利用外部本体来解决用户模型中的粒度问题。 ##### 实现 提出的面向方面的建模方法和基于语义的自适应都已在`AMACONT`的发布管道中实现，让作者能够使用这些新特性。 - **面向方面的实现**：通过在适应转换器之前添加另一个转换组件，扩展了文档生成管道。这样可以在运行时编织适应方面，同时也允许作者使用更通用的静态变体，这些变体随后由现有的适应转换器处理。方面编织器将`AMACONT`文档和适应描述作为输入，尝试将适应描述中指定的建议切入点与输入文档中的组件进行匹配。以下代码片段展示了面向方面的适应定义的一部分，当用户使用PDA访问应用程序时，调整导航栏中所有图像的大小： ```xml <aspect id="RI1" concern="ResolutionIndependence"> <advice> <pointcut> <condition> <adaptationclass>Device_PDA</adaptationclass> </condition> <target> <xpath>//*[@id=”nav”]/aco:AmaImageComponent</xpath> </target> </pointcut> <pattern id="ReduceImageSizeByTranscoding"> <parameter id="ratio">0.5</parameter> </pattern> </advice> </aspect> ``` 如果找到匹配项，则执行建议的转换，修改受影响的组件。建议会按照作者指定的顺序依次执行。 - **语义Web功能的实现**：为了添加新的语义Web功能，我们选择基于开源RDF框架`Sesame5`进行实现。`Sesame`在连接和查询RDF存储方面提供了良好的抽象级别，类似于`JDBC`。我们扩展了现有的适应转换器和新的动态编织器，使其不仅支持依赖本地上下文模型的术语，还能处理`SPARQL`语句。这些语句在运行时进行评估，替换`AMACONT`变量，最后查询相应的`SPARQL`端点。可以通过新的`Sparql`元素将查询封装在`If`术语中，添加到两种变体的条件和适应建议中，示例如下： ```xml <aada:Sparql> SE ```