CN104063555B - 面向遥感信息智能分发的用户模型建模方法 - Google Patents
面向遥感信息智能分发的用户模型建模方法 Download PDFInfo
- Publication number
- CN104063555B CN104063555B CN201410319361.2A CN201410319361A CN104063555B CN 104063555 B CN104063555 B CN 104063555B CN 201410319361 A CN201410319361 A CN 201410319361A CN 104063555 B CN104063555 B CN 104063555B
- Authority
- CN
- China
- Prior art keywords
- user
- remote sensing
- distribution
- interval
- sensing information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
面向遥感信息智能分发的用户模型建模方法,基于用户检索历史样本数据和浏览行为统计数据,包括对元数据的建模,及对每一元数据项对应的目标权重向量建模,及对效用度进行计算并排序的步骤,还包括对用户兴趣度的建模,所述用户兴趣度的建模基于对用户操作行为的分析统计;所述对效用度进行计算的方法为:其中Zi为用户兴趣度,Wi为目标权重向量,下标i表示不同的元数据项,j表示不同的备选方案。采用本发明所述面向遥感信息智能分发的用户模型建模方法,设计了适合遥感信息智能分发的用户模型形式,适合描述用户在遥感信息各项关键属性的兴趣分布;并且能够随着用户兴趣的变化进行动态修正。
Description
技术领域
本发明属于遥感信息领域,涉及遥感信息的处理分发方法,特别是一种面向遥感信息智能分发的用户模型建模方法。
背景技术
遥感信息分发是遥感信息得以充分利用的一个必要环节。传统的分发方法都是由用户提供查询条件,通过查询与下载的方式,完成空间信息的分发过程。这种模式存在两点不足:1)对于不同兴趣的用户,只要提供的查询条件相同,系统都返回相同的结果,不能反映不同空间信息用户的个性化的需求;2)对于用户的兴趣和需求,不能被系统“理解”,也就不能提供主动的分发服务。随着遥感信息应用领域的不断拓展,这种传统的分发模式越来越不能满足人们的需求。人们越来越期望遥感信息的智能分发服务,遥感信息智能分发的“智能”体现在个性化和主动分发两个方面,个性化意味着可以针对不同的用户分发不同的遥感信息,主动分发指系统能够按一定的机制在适当的时机自主地将用户需求的相关信息提供给用户。
遥感信息用户模型是遥感信息智能分发的基础和依据之一,用户模型并不是对用户个体的一般性的描述,而是能充分表达用户兴趣偏好信息的可计算性描述,是一种具有面向算法、具有特定数据结构、形式化的可计算模型。
目前,淘宝、亚马逊等购物网站均具有个性化推荐的功能,这些网站在用户登录后,会根据以往的购物和浏览记录为用户建立用户模型,以便提供相应的产品推荐列表。这类用户模型虽然在电子商务领域产生了良好效果,但是由于空间信息的特殊性和复杂性,需要考虑到地理位置、空间关系及遥感信息的多源、多时相与多分辨率等特性,因此电子商务领域的用户模型并不能很好的应用于遥感信息的表达与智能分发。夏宇提出了面向空间信息智能分发的用户偏好模型,采用区间数表达具有区间范围特征的经度、纬度、时间、频谱和空间分辨率等指标的用户检索特征。该模型较好地解决了空间数据各属性特征的表达问题,但仍存在空间范围定位不够准确、效用度估计存在偏差、特征值分布过于集中、模型缺少完整的动态化机制等不足。李新广、范明虎和杜虎在已有基础上进行扩展,引入区域数、兴趣度、兴趣度密度等概念和算法,以及目标权重向量衰减函数和用户信息反馈等动态化因素。但是,该模型只单一地考虑了时间因素对兴趣度、兴趣密度的影响,忽略了用户操作行为在检索过程中的重要作用。总之,现有的用户模型只考虑时间因素而忽略了用户操作行为对兴趣度的影响,导致用来获取用户兴趣的信息不足,不能深入发现和及时根据用户自身兴趣的偏移进行调整。
发明内容
为克服现有遥感数据分发过程中忽略用户兴趣度,不能深入发现和及时根据用户自身兴趣的偏移进行调整的技术缺陷,本发明公开了一种面向遥感信息智能分发的用户模型建模方法。
本发明所述面向遥感信息智能分发的用户模型建模方法,基于用户检索历史样本数据和浏览行为统计数据,包括对元数据的建模,及对每一元数据项对应的目标权重向量建模,及对效用度进行计算并排序的步骤,
还包括对用户兴趣度的建模,所述用户兴趣度的建模基于对用户操作行为的分析统计;所述对效用度进行计算的方法为:
其中Zi为用户兴趣度,Wi为目标权重,下标i表示不同的元数据项,j表示不同的备选方案。
优选的,所述用户兴趣度的建模包括如下步骤:
构建兴趣行为集合IB={B1,B2,…,BN},IB的分量B1,B2,…,BN表征用户的不同操作行为;
计算标准化值
Sij为元素项检索时第i条记录中第j种操作行为的标准化值,min(Bij)和max(Bij)分别为第i条记录中第j项操作行为的最小值和最大值;
计算操作行为的信息熵
其中N为兴趣行为集合IB的分量数量;
计算各个操作行为的权重;
则m为用户检索历史样本的数量;
计算兴趣度;
进一步的,所述N=7,7种操作行为分别为用户的平均浏览时间、重复访问同一页面、访问的同一关键词、点击链接、拉动滚动条、将页面保存于书签中,以及下载影像。
优选的,用户模型为M={X,W,R,V,Z},其中X表征元数据,W表征每一元数据项的目标权重向量,R表征Xi的分布范围和步长,V表征Xi的分布特征值,Z表征用户兴趣度;
所述X={X1,X2,…Xi,…Xn},Xi代表遥感信息中的元数据项,W={W1,W2,…Wi,…Wn},Wi为Xi的目标权重向量;
求解Wi的方法包括如下步骤:
确定各个Xi的区间权重,
其中,为元素项Xi的区间权重,m为用户检索历史样本的数量,kt为中间变量,rij为备选方案Sj中元素项Xi对应的检索样本值,为rij的标准化值,为备选方案Sj的标准指标值到理想解的距离,为到负理想解的距离;所述备选方案Sj为根据用户检索历史得到的遥感数据分发的初选方案;
然后将区间权重转化为目标权重Wi,记为W=(W1,W2,…,Wi,…,Wn)T,则得到不同元素项Xi对应的目标权重Wi;转化的计算方法为:
其中Wt -、Wt +分别为该区间权重的下限和上限,Wi为元素项Xi最终对应的目标权重向量。
具体的,所述理想解与负理想解的确定依赖于分布特征值V,分布特征值最大的属性值组成的区间数为理想解,分布特征值最小的属性值组成的区间数为负理想解。
具体的,所述分布特征值V={V1,V2,…,Vi,…,Vn},
其中,fi表示第i个单位子区间的出现概率,区间变量At为用户所检索的元素项的第t个样本值,Ii为元数据所处完整区间分割后的第i个子区间;Vi表示第i个单位子区间的分布特征值;求和符号表示是对示性函数Ik(·)进行求和,Ik(·)为示性函数,当At∩Ii非空时为1,空集时为0。
进一步的,所述fi根据为根据用户检索历史样本数据得出。
进一步的,对于元数据所处完整区间进行分割子区间的方法为:
根据用户检索历史样本数据中的各个检索样本其中分别为检索样本At的下限和上限,为检索样本的取值范围,则分布区间最小值和最大值分别为:
寻找分布区间步长rstep,使其同时满足下列条件81至83:
81.存在正整数h,使rmin+h*rstep=rmax;
82.对于任一检索样本均存在唯一的整数J和L,使
83.在满足条件81至82的全部rstep中选择一个最大值作为最终结果;以rmin为起点,利用rstep分割元数据所处完整区间,得到若干子区间。
优选的,所述元数据项Xi至少包含以下五项数据:经度范围、纬度范围、时间范围、波谱范围、空间分辨率。
采用本发明所述面向遥感信息智能分发的用户模型建模方法,设计了适合遥感信息智能分发的用户模型形式,适合描述用户在遥感信息各项关键属性的兴趣分布;并且能够随着用户兴趣的变化进行动态修正。
附图说明
图1为本发明一种具体实施方式流程示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步的详细说明。
针对海量的遥感数据,本发明提出的面向遥感信息智能分发的用户模型建模方法,基于用户检索历史样本数据和浏览行为统计数据,包括对元数据的建模,及对每一元数据项对应的目标权重向量建模,及对效用度进行计算并排序的步骤,此外,还包括对用户兴趣度的建模,所述用户兴趣度的建模基于对用户操作行为的分析统计;所述对效用度进行计算的方法为:
其中Zi为用户兴趣度,Wi为目标权重,下标i表示不同的元数据项,j表示不同的备选方案。
本发明引入了用户兴趣度对效用度进行评价,遥感信息的智能分发可以看作多属性决策问题,即从备选方案集中选择满意解(满足用户需求的信息集)的过程。其中,待分发的信息集S={S1,S2,…,Sm}可以看作是备选方案集,而决策属性集可通过表达为X={X1,X2,…Xi,…Xn}。效用度指备选方案与理想解的相对贴近程度,效用度越大则该方案越接近理想解,越能满足用户的需求。
本发明利用物元矩阵的理想区间决策模型构建遥感信息的分发决策矩阵。若yji为备选方案Sj相应于Xi的属性值,则矩阵Y=(yji)m×n表示方案集对指标集的决策矩阵。方案Sj的决策矩阵用物元分析矩阵可表示为:
为了便于计算,所有元素项的属性值均以区间的形式表示。则各个元素项用户兴趣度的加权和即为该备选方案的效用度Uj,具体公式则为
用户兴趣度Zi反映了用户在检索遥感信息时对不同元素项的偏好程度。用户兴趣可以通过用户浏览行为表现出来,因此通过用户浏览行为统计数据,就能够判断出用户当前的兴趣所在,同时本发明通过分析用户检索和浏览遥感信息时的一系列操作行为,例如前1小时内的系列操作行为,获取描述用户兴趣行为的主要内容,通过用户的浏览行为来计算用户兴趣度,可以使模型能够随着用户兴趣的变化不断修正。优选的关注行为可以包括用户的平均浏览时间、重复访问同一页面、访问的同一关键词、点击链接、拉动滚动条、将页面保存于书签中,以及下载影像等7种,将这7项内容构成用户兴趣行为集合,记为IB={B1,B2,…,B7}。随后采用熵权法的思想对获取的数据进行预处理,对于通用的兴趣行为集合IB={B1,B2,…,BN},其中IB的分量B1,B2,…,BN表征用户的不同操作行为,具体步骤如下计算标准化值
Sij为元素项检索时第i条记录中第j种操作行为的标准化值,min(Bij)和max(Bij)分别为第i条记录中第j项操作行为的最小值和最大值;
计算操作行为的信息熵
其中N为兴趣行为集合IB的分量数量;
计算各个操作行为的权重;
则m为用户检索历史样本的数量;
计算兴趣度;
对于本发明,用户模型具体可以为M={X,W,R,V,Z},
其中
X={X1,X2,…,Xi,…,Xn},Xi依次为不同的元数据项,n为元数据项个数;
W={W1,W2,…,Wi,…,Wn},Wi为Xi的目标权重向量;
R={R1,R2,…,Ri,…,Rn},Ri=<rmini,rmaxi,rstepi>表示Xi的分布范围和步长;
V={V1,V2,…,Vi,…,Vn},Vi反映Xi的分布特征;
Z={Z1,Z2,…,Zi,…,Zn},Zi为用户对Xi的兴趣度
X={X1,X2,…,Xi,…,Xn}代表遥感影像重要的元数据项,包括空间范围、时间范围、波谱范围、空间分辨率、坐标参考系、数据质量信息等内容。本发明优选的包括5种核心元数据项:经度范围、纬度范围、时间范围、波谱范围、空间分辨率。因此,X={X1,X2,…,Xi,…,Xn}对应经度范围、纬度范围、波谱范围、时间范围、空间分辨率等至少5种元数据项。
W表征每一元数据项的目标权重向量,R表征Xi的分布范围和步长,V表征Xi的分布特征值,Z表征用户兴趣度;
目标权重向量反映了用户检索遥感信息时各个元数据项之间的相对重要性程度。为了充分反映原有的信息,加强结果的客观性,可以通过拉格朗日方程求解,具体为采用以下步骤求解目标权重向量。
各个Xi的区间权重,
其中
其中,为元素项Xi的区间权重,m为用户检索历史样本的数量,kt为中间变量,rij为备选方案Sj中元素项Xi对应的检索样本值,为rij的标准化值,为备选方案Sj的标准指标值到理想解的距离,为到负理想解的距离;所述备选方案Sj为根据用户检索历史得到的遥感数据分发的初选方案;
然后将区间权重转化为目标权重Wi,记为W=(W1,W2,…,Wi,…,Wn)T,则得到不同元素项Xi对应的目标权重Wi;具体的转化计算方法为:
其中Wt -、Wt +分别为该区间权重的下限和上限,Wi为元素项Xi最终对应的目标权重。
将拉格朗日函数用于空间信息用户模型的权重计算,当用户不能提供任何权重信息时,可以通过用户的检索记录更客观的反映不同元数据项在信息检索时的重要程度。
以上求解目标权重向量过程中所述的理想解与负理想解的确定依赖于模型中分布特征V的具体值,分布特征值最大的属性值组成的区间数向量为理想解,分布特征值最小的属性值组成的区间数向量为负理想解。对于理想解,其区间数向量指所有元素项Xi均匀分割后所对应的分布特征值最大的区间数集合,即当且仅当Vi=1;对于负理想解,区间数向量可表示为:当且仅当Vi=0。
Vi表示归为理想解的那个区间其分布特征值必为1,而负理想解的包含的区间其分布特征值为0,这样才符合要求。经过计算不同的元数据项X都有各自的理想解和负理想解。
由于元数据项的范围都是用区间表示的,相应的,理想解和负理想解也是区间形式,rt *-、rt *+分别为理想解区间的上下限,rt 0-、rt 0+分别为负理想解区间的上下限,把所有元素项(包括空间范围、时间范围、频谱范围、空间分辨率)的理想解和负理想解统一表示,即得到所有分发方案最终的理想解和负理想解
对于分布特征值,V={V1,V2,…,Vi,…,Vn},Vi反映元素项Xi的分布特征值。Vi={Pi,g|i=1,2,…n,g=1,2,…,s},Pi,g为经度范围、纬度范围、波谱范围、时间范围等元数据项分布范围内单位区间对应的分布特征值,Pi,g中的下标i对应不同的元数据项,例如X1为经度范围、X2为纬度范围,n为元数据X的个数;下标g表示元数据项Xi经过均匀分割后的第g个单位区间,s为相应元数据Xi分割后的单位区间总个数。
由于空间信息具有动态、多维及区间覆盖的特征,且不同用户对同一分量的访问也存在不同的空间分布,因此可以首先对遥感数据分区划分,用反映区间分布特性的样本分布特征值来表征用户在遥感信息各个维度上的取值分布的偏好特征。
其中,fi表示第i个单位子区间的出现概率,可以根据用户检索历史样本数据得出。区间变量At为用户所检索的元素项Xi(经度范围、纬度范围、波谱范围等)的第t个样本值,Ii为元数据所处完整区间分割后的第i个子区间。Ik(·)为示性函数,求和表示对全部示性函数指将用户对元素项Xi的所有检索值At分别与均匀分割后的区间Ii一一取交集,当At∩Ii非空时为1,空集时为0。然后将所有检索值At与该区间取交的结果相加。
对表示分布范围和步长的向量R={R1,R2,…,Ri,…,Rn},Ri=<rmini,rmaxi,rstepi>表示元数据Xi的分布范围和步长,可为后续分割用户检索的样本区间、计算单位区间特征值提供数据支持。对每一个元素项Xi,设用户的检索历史记录中共有k个检索样本值A={A1,A2,…,At,…,Ak},At用区间数表示为 分别为检索样本At的下限和上限。求解分布特征值Vi中对于元数据所处完整区间进行分割子区间的方法为:
根据用户检索历史样本数据中的各个检索样本其中分别为检索样本At的下限和上限,为检索样本的取值范围,则分布区间最小值和最大值分别为:
寻找分布区间步长rstep,使其同时满足下列条件81至83:
81.存在正整数h,使rmin+h*rstep=rmax;
82.对于任一检索样本均存在唯一的整数J和L,使
83.在满足条件81至82的全部rstep中选择一个最大值作为最终结果;
以rmin为起点,利用rstep分割元数据所处的完整区间,得到若干子区间。rmin取用户所有检索样本值中的最小值,即说明用户检索值里的最小值即为总区间起点,则第一个区间范围表示为[rmin,rmin+1*rstep],第二个区间范围表示为[rmin+1*rstep,rmin+2*rstep],以此类推。
如图1所示给出本发明的一个具体实施方式步骤流程示意图,首先构建用户模型M={X,W,R,V,Z},确定元数据X的项数,随后根据用户的简述历史样本数据得出元数据分布区间的最小值,最大值及步长,并据此划分元数据的分布区间为若干个规则的子区间,再根据用户检索历史样本数据中各个子区间的出现频率计算各个元数据项的分布特征值,建立元数据项的理想解与负理想解,然后计算待分发遥感影像数据中各个不同元数据对应的目标权重向量W={W1,W2,…,Wi,…,Wn},根据用户浏览行为计算兴趣度Z={Z1,Z2,…,Zi,…,Zn},利用目标权重和兴趣度计算出效用度Ui,根据Ui值高低将数据分发给用户,从而实现遥感数据的个性化主动分发。
前文所述的为本发明的各个优选实施例,各个优选实施例中的优选实施方式如果不是明显自相矛盾或以某一优选实施方式为前提,各个优选实施方式都可以任意叠加组合使用,所述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (8)
1.面向遥感信息智能分发的用户模型建模方法,基于用户检索历史样本数据和浏览行为统计数据,包括对元数据的建模,及对每一元数据项对应的目标权重向量建模,及对效用度进行计算并排序的步骤,
其特征在于,还包括对用户兴趣度的建模,所述用户兴趣度的建模基于对用户操作行为的分析统计;所述对效用度进行计算的方法为:
<mrow>
<msub>
<mi>U</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>W</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中Zi为用户兴趣度,Wi为目标权重,下标i表示不同的元数据项,j表示不同的备选方案;
用户模型为M={X,W,R,V,Z},其中X表征元数据,W表征每一元数据项的目标权重,R表征X的分布范围和步长,V表征X的分布特征值,Z表征用户兴趣度;
所述X={X1,X2,…,Xi,…,Xn},Xi代表遥感信息中的元数据项,W={W1,W2,…,Wi,…,Wn},Wi为Xi的目标权重向量;
求解Wi的方法包括如下步骤:
确定各个Xi的区间权重,
<mrow>
<mo>&lsqb;</mo>
<mover>
<msub>
<mi>w</mi>
<mi>t</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>k</mi>
<mi>t</mi>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mo>{</mo>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>k</mi>
<mi>t</mi>
</msub>
<mo>}</mo>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>k</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mi>t</mi>
<mo>&prime;</mo>
</msubsup>
<mo>*</mo>
<mo>-</mo>
<msub>
<mover>
<mi>r</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mi>t</mi>
<mrow>
<mo>&prime;</mo>
<mn>0</mn>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>r</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
其中,为元素项Xi的区间权重,m为用户检索历史样本的数量,kt为中间变量,rij为备选方案Sj中元素项Xi对应的检索样本值,为rij的标准化值,为备选方案Sj的标准指标值到理想解的距离,为到负理想解的距离;所述备选方案Sj为根据用户检索历史得到的遥感数据分发的初选方案;
然后将区间权重转化为目标权重Wi,记为W=(W1,W2,…,Wi,…,Wn)T,则得到不同元素项Xi对应的目标权重Wi;转化的计算方法为:
<mrow>
<msub>
<mi>W</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mo>-</mo>
</msubsup>
<mo>+</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>W</mi>
<mi>t</mi>
<mo>-</mo>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>W</mi>
<mi>t</mi>
<mo>+</mo>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>W</mi>
<mi>t</mi>
<mo>-</mo>
</msubsup>
</mrow>
</mfrac>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>W</mi>
<mi>t</mi>
<mo>+</mo>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>W</mi>
<mi>t</mi>
<mo>-</mo>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中Wt -、Wt +分别为该区间权重的下限和上限,Wi为元素项Xi最终对应的目标权重向量。
2.如权利要求1所述的面向遥感信息智能分发的用户模型建模方法,其特征在于,所述用户兴趣度的建模包括如下步骤:
构建兴趣行为集合IB={B1,B2,…,BN},IB的分量B1,B2,…,BN表征用户的不同操作行为;
计算标准化值
Sij为检索记录中的第i条记录中第j种操作行为的标准化值,
min(Bij)和max(Bij)分别为第i条记录中第j项操作行为的最小值和最大值;
计算操作行为的信息熵
其中N为兴趣行为集合IB的分量数量;
计算各个操作行为的权重;
则m为用户检索历史样本的数量;
计算兴趣度;
<mrow>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<mo>.</mo>
</mrow>
3.如权利要求2所述的面向遥感信息智能分发的用户模型建模方法,其特征在于,所述N=7,7种操作行为分别为用户的平均浏览时间、重复访问同一页面、访问的同一关键词、点击链接、拉动滚动条、将页面保存于书签中,以及下载影像。
4.如权利要求1所述的面向遥感信息智能分发的用户模型建模方法,其特征在于,所述理想解与负理想解的确定依赖于分布特征值V,分布特征值最大的属性值组成的区间数向量为理想解,分布特征值最小的属性值组成的区间数向量为负理想解。
5.如权利要求4所述的面向遥感信息智能分发的用户模型建模方法,其特征在于,所述分布特征值V={V1,…,Vi,…,Vn},
<mrow>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>&times;</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>max</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mo>&lsqb;</mo>
<mi>max</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msub>
<mi>&Sigma;I</mi>
<mi>K</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>t</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,fi表示第i个单位子区间的出现概率,区间变量At为用户所检索的元素项的第t个样本值,Ii为元数据所处完整区间分割后的第i个子区间;Vi表示第i个单位子区间的分布特征值;求和符号表示是对示性函数Ik(·)进行求和,Ik(·)为示性函数,当At∩Ii非空时为1,空集时为0。
6.如权利要求5所述的面向遥感信息智能分发的用户模型建模方法,其特征在于,所述fi为根据用户检索历史样本数据得出。
7.如权利要求5所述的面向遥感信息智能分发的用户模型建模方法,其特征在于,对于元数据所处完整区间进行分割子区间的方法为:
根据用户检索历史样本数据中的各个检索样本其中分别为检索样本At的下限和上限,为检索样本的取值范围,则分布区间最小值和最大值分别为:
<mrow>
<mi>r</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>a</mi>
<mi>t</mi>
<mo>-</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<mi>r</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>a</mi>
<mi>t</mi>
<mo>+</mo>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
寻找分布区间步长rstep,使其同时满足下列条件81至83:
81.存在正整数h,使rmin+h*rstep=rmax;
82.对于任一检索样本均存在唯一的整数J和L,使
<mrow>
<mi>r</mi>
<mi>min</mi>
<mo>+</mo>
<mi>J</mi>
<mo>*</mo>
<mi>r</mi>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
<mo>=</mo>
<msubsup>
<mi>a</mi>
<mi>t</mi>
<mo>-</mo>
</msubsup>
<mo>;</mo>
</mrow>
<mrow>
<mi>r</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>+</mo>
<mi>L</mi>
<mo>*</mo>
<mi>r</mi>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
<mo>=</mo>
<msubsup>
<mi>a</mi>
<mi>t</mi>
<mo>+</mo>
</msubsup>
<mo>;</mo>
</mrow>
83.在满足条件81至82的全部rstep中选择一个最大值作为最终结果;以rmin为起点,利用rstep分割元数据所处完整区间,得到若干子区间。
8.如权利要求1所述的面向遥感信息智能分发的用户模型建模方法,其特征在于,所述元数据项Xi至少包含以下五项数据:经度范围、纬度范围、时间范围、波谱范围、空间分辨率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410319361.2A CN104063555B (zh) | 2014-07-07 | 2014-07-07 | 面向遥感信息智能分发的用户模型建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410319361.2A CN104063555B (zh) | 2014-07-07 | 2014-07-07 | 面向遥感信息智能分发的用户模型建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104063555A CN104063555A (zh) | 2014-09-24 |
CN104063555B true CN104063555B (zh) | 2018-02-23 |
Family
ID=51551267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410319361.2A Expired - Fee Related CN104063555B (zh) | 2014-07-07 | 2014-07-07 | 面向遥感信息智能分发的用户模型建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063555B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107104956B (zh) * | 2017-04-13 | 2019-07-26 | 重庆市环境科学研究院 | 一种基于用户优先度的遥感分发方法及系统 |
CN109740061B (zh) * | 2019-01-03 | 2021-03-19 | 北京奇艺世纪科技有限公司 | 一种基于用户浏览行为的信息流数据动态加载方法及装置 |
CN111506813A (zh) * | 2020-04-08 | 2020-08-07 | 中国电子科技集团公司第五十四研究所 | 一种基于用户画像的遥感信息精准推荐方法 |
CN111666313B (zh) * | 2020-05-25 | 2023-02-07 | 中科星图股份有限公司 | 基于多源异构遥感数据关联构建及多用户数据匹配方法 |
CN113158035A (zh) * | 2021-03-25 | 2021-07-23 | 武汉大学 | 一种顾及用户偏好的航天资源搜索方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013014B (zh) * | 2010-11-26 | 2012-07-04 | 华中科技大学 | 一种高分辨率遥感图像多类目标特征模型的建立方法 |
-
2014
- 2014-07-07 CN CN201410319361.2A patent/CN104063555B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104063555A (zh) | 2014-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | Context-aware probabilistic matrix factorization modeling for point-of-interest recommendation | |
US10824941B2 (en) | End-to-end deep collaborative filtering | |
Cai et al. | Integrating spatial and temporal contexts into a factorization model for POI recommendation | |
CN107220365B (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
TWI636416B (zh) | 內容個人化之多相排序方法和系統 | |
CN104063555B (zh) | 面向遥感信息智能分发的用户模型建模方法 | |
WO2016101302A1 (zh) | 基于用户日志和实体关联图库的个性化推荐系统及其推荐方法 | |
US20110137726A1 (en) | Recommender system based on expert opinions | |
CN107590243A (zh) | 基于随机游走和多样性图排序的个性化服务推荐方法 | |
CN105531701A (zh) | 个性化趋势图像搜索建议 | |
Eliyas et al. | Recommendation systems: Content-based filtering vs collaborative filtering | |
Zhang et al. | Multi-view visual Bayesian personalized ranking for restaurant recommendation | |
Kim et al. | Recommendation system for sharing economy based on multidimensional trust model | |
CN104933100A (zh) | 关键词推荐方法和装置 | |
De et al. | Discriminative link prediction using local, community, and global signals | |
Liang et al. | Collaborative filtering based on information-theoretic co-clustering | |
Budgaga et al. | A framework for scalable real‐time anomaly detection over voluminous, geospatial data streams | |
CN103412903A (zh) | 基于兴趣对象预测的物联网实时搜索方法及系统 | |
Liu et al. | Collaborative prediction for multi-entity interaction with hierarchical representation | |
Zhang et al. | Matching state estimation scheme for content-based sensor search in the Web of things | |
CN113342994B (zh) | 一种基于无采样协作知识图网络的推荐系统 | |
Zhang et al. | Improving augmented reality using recommender systems | |
KR101738809B1 (ko) | IoT 기반 스마트 홈 커뮤니티에서 소셜 매칭 및 소통 서비스를 위한 다차원매트릭스 지역화 방법 및 시스템 | |
Ali et al. | Dynamic context management in context-aware recommender systems | |
Bi et al. | Hierarchical social recommendation model based on a graph neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180223 Termination date: 20210707 |
|
CF01 | Termination of patent right due to non-payment of annual fee |