CN111506813A - 一种基于用户画像的遥感信息精准推荐方法 - Google Patents

Abstract

本发明提出了一种基于用户画像的遥感信息精准推荐方法，属于遥感信息服务技术领域。该方法提供了一种基于用户画像的遥感信息精准推荐方法，通过收集和分析用户显性和隐性反馈行为，利用主题模型确立用户画像的主题表示，分析主题元素项的权重和主题元素项的分布范围与步长，明确主题元素项的分布特征值，完成用户画像的构建；设计关联函数定量计算待分发遥感信息在各个元数据属性上对用户主题的满足程度，综合考虑关联度、兴趣度、效用度等因素，实现基于用户主题画像的遥感信息的精准推荐。本发明根据用户特点及历史行为数据，自动进行用户画像构建，并根据画像信息完成数据的精准推荐，实现针对用户个性化需求的遥感信息精准推荐。

Description

一种基于用户画像的遥感信息精准推荐方法

技术领域

本发明属于遥感信息服务技术领域，特别是指一种基于用户画像的遥感信息精准推荐方法。

背景技术

用户画像模型可拆分为用户基本属性(如性别、年龄、职业)与用户行为。前者是相对稳定的信息，刻画用户的整体概况，使用此类信息对用户进行划分时粒度较粗，但便于以此为依据建立相似人群，这类信息的采集与应用方式较为单一；而后者的信息更为个性化，并体现了用户在特定领域的偏好，且视数据采集的场景不同，信息的方式不同，因而采集、处理的方式也有较大的差异。目前已发表的研究成果主要针对用户画像与产品标签的预处理、数据稀疏性、新用户冷启动以及用户兴趣的更新等方面开展研究。

面向用户需求的遥感信息检索与推荐是近年来研究的热点和前沿方向。目前对于遥感数据推荐服务的研究方面重点考虑时间、空间、社交网络关系、推荐数据类别等要素的影响，利用矩阵分解、泊松系数模型、链接关系模型等数学模型构建用户与数据的关联关系，在其基础上利用机器学习和统计方法，训练学习用户的偏好兴趣，实现主题信息检索和用户推荐，该方法在推荐数据分布均匀和密集时效果较好，但对于稀疏性数据的解决方法尚处于探索阶段。目前广泛应用的开放平台，如天地图、百度地图、高德地图等都具备一定的空间信息检索能力，但服务订制和主动推荐能力不够，无法满足用户个性化的定制需求，迫切需要加强精准主动服务方面的研究，实现遥感信息产品的精准推荐和有效分发。

发明内容

为了解决上述问题，本发明提供了一种基于用户画像的遥感信息精准推荐方法，该方法采用主题模型构建用户画像，基于用户画像实现遥感信息的主动推荐，能够解决面向用户个性化需求的遥感信息精准推荐问题。

为了实现上述目的，本发明所采用的技术方案是：

一种基于用户画像的遥感信息精准推荐方法，包括以下步骤：

(1)读取用户的遥感信息检索样本数据，进行主题要素抽取，确定用户画像模型的主题元素项；

(2)分析主题元素项的权重和主题元素项的分布范围与步长，明确主题元素项的分布特征值，完成用户画像模型的构建；

(3)基于用户画像模型建立满足用户兴趣的最优解，最优解所包含的各个属性值均为各项待分发信息中的最佳值；

(4)建立待分发信息与最优解之间的关联函数，得到波谱范围、空间范围、时间范围及空间分辨率这四类元素项的兴趣度与关联度；

(5)计算待分发的遥感信息在波谱范围、空间范围、时间范围及空间分辨率这四类元素项上对用户兴趣的效用度，然后计算各个元素项关联度的加权和；

(6)根据加权和对待分发遥感信息进行排序，生成遥感信息推荐列表。

进一步的，步骤(2)所建立的用户画像模型为：

M＝{X,W,R,V}，

式中，X＝{x₁,x₂,…,x_n}，n为元素项个数，x_i对应于遥感数据中的元数据，i＝1,2,…,n，所述元数据至少包括空间范围、时间范围、波谱范围以及空间分辨率范围；W＝{w₁,w₂,…,w_n}，w_i为x_i的权值；R＝{r₁,r₂,…,r_n}，r_i＝<r_i ^min,r_i ^max,r_i ^step>，其中，r_i ^min、r_i ^max用于描述x_i的分布范围，r_i ^step用于描述x_i的步长；V＝{v₁,v₂,…,v_n}，v_i为反映用户兴趣在x_i的分布特征值或向量矩阵；

权值w_i采用信息熵赋权法确定，即，将用户对不同元素项的检索次数作为信息熵指标，根据各项指标的原始信息，通过统计的方式，获得相应元素项x_i的权值w_i。

本发明与现有技术相比具有以下优点：

1、传统的遥感信息服务推荐方法主要以时间、空间、社交网络关系、推荐数据类别等要素的影响，利用矩阵分解、泊松系数模型、链接关系模型等数学模型构建用户与数据的关联关系，训练学习用户的偏好兴趣，实现主题信息检索和用户推荐，该类方法在推荐数据分布均匀和密集时效果较好，但对于稀疏性数据效果不好。采用主题模型构建用户画像，综合考虑用户的显现和隐性行为，准确刻画用户画像，能够有效解决该问题。

2、随着遥感数据规模的增加，传统的遥感信息服务手段分发效率不高的缺点越来越明显，仅能根据所提交的数据需求订单进行遥感信息服务，无法针对用户自身特点进行数据的自动化精准推荐。本发明根据用户特点及历史行为数据，自动进行用户画像构建，并根据画像信息完成数据的精准推荐，能够实现针对用户个性化需求的遥感信息精准推荐。

3、本发明方法已实际应用于基于微服务的多源异构遥感信息组织与处理平台项目，并对外提供了遥感信息推荐服务。从实际的运行效果来看，能够完全满足用户的个性化遥感信息需求。

附图说明

图1为本发明实施例中遥感信息精准推荐方法的流程图。

具体实施方式

以下结合附图和具体实施例对本发明做进一步的说明。

一种基于用户画像的遥感信息精准推荐方法，其包括以下步骤：

(1)读取用户的遥感信息检索样本数据，进行主题要素抽取，确定用户画像模型的主题元素项；

(2)分析主题元素项的权重和主题元素项的分布范围与步长，明确主题元素项的分布特征值，完成用户画像模型的构建；

(3)基于用户画像模型建立满足用户真实偏好的最优解，最优解所包含的各个属性值均为各项待分发信息中的最佳值；

(4)建立待分发信息与用户兴趣主题最优解之间的关联函数，得到波谱范围、空间范围、时间范围及空间分辨率这四类元素项的兴趣度与关联度；

(5)计算待分发的遥感信息在波谱范围、空间范围、时间范围及空间分辨率这四类元素项上对用户主题的效用度，然后计算各个元素项关联度的加权和；

(6)根据加权和对待分发遥感信息进行排序，生成遥感信息推荐列表。

以下为一个更具体的例子：

如图1所示，一种基于用户画像的遥感信息精准推荐方法，其包括以下步骤：

(1)读取用户的遥感信息检索样本数据,收集和分析用户显性和隐性反馈行为，构建用户画像所需的主题空间，获取样本数据中与使用环境相关的命名实体，分析现有相关主题模型在用户使用场景描述上的主题抽取性能，确定用户画像模型的主题元素项；

(2)基于主题抽取结果确立用户画像的主题表示，进一步分析主题元素项的权重和主题元素项的分布范围与步长，明确主题元素项的分布特征值，完成用户画像的构建；

(3)建立满足用户真实偏好的理想解，理想解是指用户设定的最优解，所包含的各个属性值均为各项待分发信息中的最佳值。根据建立的用户主题模型可知，元素项区间变量在子区间上的分布特征值V越大，则该单位子区间的值越接近理想解，越符合用户的需求。因此，在n个元素项上都具有最大分布特征值的区间单元所组成的集合便构成理想解A^*，结果如下所示：

A^*＝{A₁ ^*,A₂ ^*,…,A_n ^*}

式中，A_i ^*为元素项x_i理想解对应的区间单元的集合。

(4)构造多属性决策物元矩阵，将待分发遥感信息的主动推荐问题转化为多属性决策问题；为了使评价结果更加准确，定义关联函数来刻画在各个元素项上待分发遥感信息对用户兴趣的满足程度。针对遥感信息的覆盖特性，通过分析待分发信息与理想解之间的拓扑关系,建立待分发信息与用户兴趣主题之间的关联函数。同时，为了保证评价结果的准确性，考虑到用户主题模型各元素项含义不同且评定标准各异，通过关联函数分别对波谱范围、空间范围、时间范围及空间分辨率这四类元素项的数据信息进行标准化处理，最终得到不同元素项的兴趣度与关联度。

(5)设计关联函数定量计算待分发遥感信息在各个元数据属性上对用户主题的满足程度，综合考虑关联度、兴趣度、效用度等因素，实现基于用户主题画像的遥感信息的精准推荐。

所述步骤(2)的具体方式为：

(201)用户画像的主题表示

本发明在向量空间模型基础上进行扩展和改进，以遥感信息的元数据作为用户模型的元素项。考虑到元数据(例如空间范围、波谱范围等)具有区间覆盖特征，不宜通过一个数值，而需要通过一个范围来描述，因此引入区间数学方法加以描述。具体模型结构如下式所示：

M＝{X,W,R,V}

式中，X＝{x₁,x₂,…,x_n}，n为元素项个数，元素项x_i(i＝1,2,…,n)分别对应遥感数据中关键并且核心的元数据，即x₁＝空间范围，x₂＝时间范围，x₃＝波谱范围，x₄＝空间分辨率范围；W＝{w₁,w₂,…,w_n}，w_i为x_i的权值；R＝{r₁,r₂,…,r_n}，r_i＝<r_i ^min,r_i ^max,r_i ^step>，描述x_i的分布范围和步长；V＝{v₁,v₂,…,v_n}，v_i为反映用户兴趣在x_i的分布特征值或向量矩阵。

(202)主题元素项的权重

利用权重w_i描述不同元素项x_i对用户兴趣的贡献，以此反映不同元素项之间的相对重要性。采用信息熵赋权法，将用户对不同元素项的检索次数作为信息熵指标，根据各项指标的原始信息通过统计的方法获得相应权重。

信息熵H_j计算方法：

各元素项的权重w_i：

其中，0<w_j<1且

(203)主题元素项的分布范围与步长

遥感信息用户模型利用分布范围和步长及其分布特征向量来描述用户兴趣在不同区间上的分布特征。考虑到不同元素项具有各自的区间覆盖特性，因此其分布范围与步长的表示方法也不同，具体可分为一维、二维覆盖特性的元素项和其他类型的元素项，一维覆盖特性元素包括时间范围、波谱范围，二维覆盖特性元素项为空间范围，其他类型元素项为空间分辨率。

(204)主题元素项的分布特征值

采用分布特征值来表征在各个元素项上用户兴趣分布的特征，即对区间单元的出现频率进行线性变换，将这种出现频率映射到合理的取值范围，使得分布特征值对不同区间单元的重要程度具有较好的区分能力。

可选的，所述步骤(5)的具体方式为：

采用多属性决策支持进行效用度计算，多属性决策是通过一定的函数关系,归纳、分析并整理一定数量的决策方案在有限的评价指标下的属性值，然后以此对各个决策方案进行排序与择优的过程。效用度指待推选数据与理想解之间的相互贴近程度，效用度愈大则该方案愈接近理想值，愈能满足用户的兴趣需求。通过计算效用度来定量评价待分发信息对用户兴趣的满足程度，备选方案B_i的效用度u_i即为各个元素项关联度的加权和，计算方法如下式所示：

式中，z_ij表示第i个待选方案在元素项x_j的关联度，w_j代表元素项x_j的权重。

总之，本发明方法通过收集和分析用户显性和隐性反馈行为，利用主题模型确立用户画像的主题表示，分析主题元素项的权重和主题元素项的分布范围与步长，明确主题元素项的分布特征值，完成用户画像的构建；设计关联函数定量计算待分发遥感信息在各个元数据属性上对用户主题的满足程度，综合考虑关联度、兴趣度、效用度等因素，实现基于用户主题画像的遥感信息的精准推荐。本发明可根据用户特点及历史行为数据，自动进行用户画像构建，并根据画像信息完成数据的精准推荐，实现针对用户个性化需求的遥感信息精准推荐。

Claims (2)

1.一种基于用户画像的遥感信息精准推荐方法，其特征在于，包括以下步骤：

(1)读取用户的遥感信息检索样本数据，进行主题要素抽取，确定用户画像模型的主题元素项；

(2)分析主题元素项的权重和主题元素项的分布范围与步长，明确主题元素项的分布特征值，完成用户画像模型的构建；

(3)基于用户画像模型建立满足用户兴趣的最优解，最优解所包含的各个属性值均为各项待分发信息中的最佳值；

(4)建立待分发信息与最优解之间的关联函数，得到波谱范围、空间范围、时间范围及空间分辨率这四类元素项的兴趣度与关联度；

(5)计算待分发的遥感信息在波谱范围、空间范围、时间范围及空间分辨率这四类元素项上对用户兴趣的效用度，然后计算各个元素项关联度的加权和；

(6)根据加权和对待分发遥感信息进行排序，生成遥感信息推荐列表。

2.根据权利要求1所述的一种基于用户画像的遥感信息精准推荐方法，其特征在于，步骤(2)所建立的用户画像模型为：

M＝{X，W，R，V}，

式中，X＝{x₁，x₂，...，x_n}，n为元素项个数，x_i对应于遥感数据中的元数据，i＝1，2，...，n，所述元数据至少包括空间范围、时间范围、波谱范围以及空间分辨率范围；W＝{w₁，w₂，...，w_n}，w_i为x_i的权值；R＝{r₁，r₂，…，r_n}，r_i＝＜r_i ^min，r_i ^max，r_i ^step＞，其中，r_i ^min、r_i ^max用于描述x_i的分布范围，r_i ^step用于描述x_i的步长；V＝{v₁，v₂，…，v_n}，v_i为反映用户兴趣在x_i的分布特征值或向量矩阵；

权值w_i采用信息熵赋权法确定，即，将用户对不同元素项的检索次数作为信息熵指标，根据各项指标的原始信息，通过统计的方式，获得相应元素项x_i的权值w_i。

Images