CN112765322B - 基于水利领域知识图谱的遥感影像搜索推荐方法 - Google Patents
基于水利领域知识图谱的遥感影像搜索推荐方法 Download PDFInfo
- Publication number
- CN112765322B CN112765322B CN202110095620.8A CN202110095620A CN112765322B CN 112765322 B CN112765322 B CN 112765322B CN 202110095620 A CN202110095620 A CN 202110095620A CN 112765322 B CN112765322 B CN 112765322B
- Authority
- CN
- China
- Prior art keywords
- entity
- water conservancy
- remote sensing
- user
- sensing image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于水利领域知识图谱的遥感影像搜索推荐方法,属于知识图谱技术领域,本发明实现了水利对象图谱构建和基于水利领域知识图谱的遥感影像搜索推荐系统,根据遥感影像数据的特性,将遥感影像元数据和水利对象基础数据进行属性间的关联,除了遥感影像自身的属性值以外还丰富了遥感影像的语义信息,使得水利对象数据间不再相互割裂,增强了水利数据的利用率。现有的推荐任务常常受到数据稀疏的限制,本发明实现了将构建的图谱数据作为辅助信息来进行语义搜索和推荐任务,可以实现高效、准确的查询结果和扩散用户的行为偏好,通过子图间的相似性计算来完成推荐任务,很好解决了数据稀疏和信息过载问题。
Description
技术领域
本发明属于知识图谱技术领域,具体的涉及基于水利领域知识图谱的遥感影像搜索推荐方法。
背景技术
随着我国航天技术发展,使得水资源立体监测数据资源不断丰富,然而这些数据资源存在着覆盖范围不一、存储格式各异、时空尺度变化大等统一访问难题。为了能够快速有效的整合相关数据资源,需要在不同区域根据各自需求建立共享数据中心,使得水利相关数据可以进行融合存储与高效利用。然而各地区水利部门之间的业务常常会有区域性的限制,不同部门用户的偏好是不尽相同的,因此如何在这日益增长的异构水资源监测数据上发现与用户息息相关的水利信息,并根据不同部门用户的职责或兴趣实现信息推荐任务,以便用户可以准确定位所需水利数据成为关键。
作为人工智能的重要组成部分,知识图谱于2012年5月17日被Google正式提出,其初衷是为了提高搜索引擎的能力,增强用户的搜索质量以及搜索体验。随着人工智能不断发展,知识图谱已经被广泛地应用于信息检索、智能问答和推荐系统等场景中。
现有的获取遥感影像数据都需要有着专业的领域知识,去识别想要获取影像的属性信息。其中最简单的方法是可以选取卫星号,根据经纬度来获取影像数据,这种方式虽然简单,但是却没有注意到遥感影像的语义信息,割裂了对象数据和遥感影像数据的关联性,使得获取的遥感影像数据单一化严重,并不能获取影像背后的丰富对象信息,使得数据利用率不高。目前推荐算法主要有即基于协同过滤的推荐算法、基于内容的推荐算法和混合推荐算法。其中,协同过滤方法通过利用用户历史的行为偏好数据构建模型,但该方法经常会受到用户和物品之间的行为关系数据的稀疏问题和对新用户或者新物品进行推荐时存在的冷启动问题而困扰。基于内容的推荐算法主要对物品进行复杂的特征提取与建模,这里往往涉及到复杂的特征工程且不具解释性。
事实上,推荐任务方法的目标是通过分析用户行为、兴趣、需求,在海量的数据中挖掘用户感兴趣的信息,以此来处理海量信息数据所导致的信息过载问题。而知识图谱中蕴含着大量实体与实体之间的关系,通过构建关于水资源监测数据的图谱信息,将用户已经交互的水利信息映射到知识图谱当中的实体上,接着以路径扩散的方式找到用户可能感兴趣的实体信息,这样可以有效解决数据稀疏的问题,来提高系统的性能。
发明内容
发明目的:为克服上述现有技术的不足,本发明的目的是提供基于水利领域知识图谱的遥感影像搜索推荐方法。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
基于水利领域知识图谱的遥感影像搜索推荐方法,基于遥感影像水利领域知识图谱构建模块、水利对象搜索模块和水利对象推荐模块,具体包括如下步骤:
(1)遥感影像水利领域知识图谱构建模块,图谱构建分为概念层和实例层;实例层将水利遥感影像元数据和水利基础对象数据做一个数据属性级别的关联,从而融合这两种数据类型的元数据信息;
(2)水利对象搜索模块,接收用户输入,进行NLP解析,构建知识图谱查询语言、处理查询,并经过数据封装器后返还用户进行展示;
(3)水利对象推荐模块,追踪用户的行为记录获取用户的行为偏好,并在知识图谱中扩散用户兴趣,生成用户在知识图谱中的行为子图,通过计算用户的行为子图和候选对象生成的子图之间的相似性,为用户推荐相关的遥感影像数据。
进一步的,步骤(1)构建服务于遥感影像搜索推荐的水利知识图谱构建包括以下步骤:
(11)使用的水利对象数据包含两种,一种是水利遥感监测数据,一种是水利对象基础数据;水利遥感监测数据有两部分组成,分别是遥感影像拇指图和文本元数据。水利对象基础数据是结构化的数据,主要包括水库、河流、大坝、湖泊、水电站等类别。每种类别的对象包括基础信息和对象关系信息。对象基础信息又分为对象标识信息、主要特征信息和时间戳信息,对象关系信息分为主导对象、从属对象、开始时间和终止时间,并将这些数据存储在关系数据库中。
(12)对于遥感监测数据的图像数据,将其拇指图保存在FASTDFS的分布式文件系统中,该系统会返回一个影像存储位置的唯一标识,并把这个唯一标识作为遥感图像的元数据。以配置文件的方式去动态解析遥感影像的文本元数据。最后通过数据封装器将两者的元数据封装成最终的影像元数据,存储在数据库中。
(13)识别遥感影像和水利对象基础数据中能够起桥梁作用的属性数据,将两者在属性层面形成数据关联。以模板文件的方式生成水利对象间的RDF三元组数据,存储在Jena服务器中,构成水利领域图谱数据,可以通过JenaFuseki查询工具,编写SPARQL查询语言进行查询。
更进一步的,步骤(13)中实现遥感影像和水利对象基础数据的关联主要包括查询水利基础对象库来获取对象的空间覆盖范围,利用遥感影像与对象范围间的重叠关系,来实现对象与影像间的关联,生成对象间的三元组数据,进而构建水利领域的知识图谱。
进一步的,步骤(2)包括以下步骤:
(21)将输入实体通过自然语言处理方式映射到知识图谱中形成唯一实体,记为N。
(22)在知识图谱中以实体N为核心,获取与该实体直接相连的实体对象,并对这些直接相连的实体根据实体的类别进行分类,主要是分为遥感影像实体和水利基础对象实体。
(23)对于水利基础对象实体,形成以实体N为头实体的三元组表示,并将具有相同关系的三元组进行融合。对于遥感影像实体,根据每幅遥感影像关联的水利基础对象实体计算和实体N所关联的水利基础对象实体的相关性,将返回的遥感影像根据相关性的大小进行排序展示。
更进一步的,步骤(21)中自然语言解析主要包括以下内容:
构建水利对象的同义词典来解决水利对象中的多词一义的问题,在水利行业中经常会出现多个名称表示的同一个实体,而在构建的图谱数据中的实体却是唯一的,因此在查询之前获取用户输入的实体并进行实体消歧来提升用户体验。将用户的查询实体词经过同义词词典过滤后,链接到知识库中,形成唯一实体,并将其输入到封装的查询语言中,在知识图谱中进行查询。
进一步的,步骤(3)中生成用户的行为子图并计算子图相似主要包括以下步骤:
(31)确定用户行为扩散的初始实体集合,一般是为一幅遥感影像所关联的实体对象集合。
(32)将初始实体映射到构建的知识图谱当中,并在图谱中确定实体与实体之间的关系,形成初始的实体样例图谱。
(33)以初始实体样例图谱中的每一个实体为中心作为扩散的起点。首先通过三元组中的谓词获得该实体在图谱中直接相连的尾实体,每次扩散的过程都先将尾实体加入到候选实体列表中,同时定义知识图谱中边(关系)的权重来表示两个节点之间的紧密程度,也就是计算三元组中头实体和尾实体之间的紧密程度,在每次扩散时只把尾实体列表中和起点实体相关度(权重)较高的节点作为候选种子加入到初始样例图谱中。
(34)定义实体扩散半径,最终生成的样例图谱作为用户的行为子图。
(35)计算用户的行为子图和候选的影像子图之间的相似性来生成推荐列表。
更进一步的,步骤(35)在计算用户行为子图和候选影像子图之间的相似性之前进行一次剪枝操作,因此将两幅影像共有的水利对象中出现最多的类型进行删减。子图的相似有三个部分组成,一是计算两个子图在知识图谱中连通路径的相似性;二是通过知识图谱表示学习计算两个子图节点的语义相似性;三是计算遥感影像的属性相似性。将三部分的相似性按权重比例进行加权计算,得到最终影像间的相似性得分,并根据相似性得分生成推荐列表。
进一步的,所述的系统语义搜索模块以用户输入作为该模块输入,经过自然语言处理映射到知识图谱的实体上,生成结构化查询语言、处理查询和查询返回等步骤,最终将查询结果进行展示作为该模块系统输出。遥感影像推荐模块以用户的日志系统进行预处理之后的数据作为输入,根据这个输入在知识图谱中生成该用户的行为子图,经过候选子图之间的相似性计算输出最终的推荐列表。
有益效果:与现有技术相比,本发明实现了水利对象图谱构建和基于水利领域知识图谱的遥感影像搜索推荐系统,根据遥感影像数据的特性,将遥感影像元数据和水利对象基础数据进行属性间的关联,除了遥感影像自身的属性值以外还丰富了遥感影像的语义信息,使得水利对象数据间不再相互割裂,增强了水利数据的利用率。现有的推荐任务常常受到数据稀疏的限制,本发明实现了将构建的图谱数据作为辅助信息来进行语义搜索和推荐任务,可以实现高效、准确的查询结果和扩散用户的行为偏好,通过子图间的相似性计算来完成推荐任务,很好解决了数据稀疏和信息过载问题。
附图说明
图1是本发明所述系统的框架示意图;
图2是本发明的知识图谱构建流程图;
图3是本发明水利对象语义搜索流程图;
图4是本发明遥感影像推荐框架示意图;
图5是本发明水利对象语义搜索功能展示图;
图6是本发明遥感影像推荐功能展示图。
具体实施例方式
为了详细的说明本发明所公开的技术方案,下面结合说明书附图及具体实施方案做进一步的阐述。
本发明所提供的基于水利领域知识图谱的遥感影像搜索推荐方法,系统整体架构如图1,本实施实例以京津冀地区的遥感影像数据为主,具体如下:
S1:构建遥感影像水利领域知识图谱模块,图谱构建主要分为概念层和实例层。实例层将水利遥感影像元数据和水利基础对象数据做一个数据属性级别的关联,从而融合这两种数据类型的元数据信息,形成三元组数据并存储在图数据库中。
S2:水利对象语义搜索模块,接收用户输入,进行NLP解析,构建知识图谱查询语言。包括水利对象同义词典的构建来完成实体消歧,使用SPARQL查询语言进行图谱数据查询,并经过数据封装器后返还用户进行展示;
S3:遥感影像对象推荐模块,追踪用户的行为记录(查看、点击等)获取用户的行为偏好,并在知识图谱中扩散用户兴趣,生成用户在知识图谱中的行为子图,通过计算用户图谱和候选对象生成的子图之间的相似性,为用户推荐相关的遥感影像数据。
其中,在S1中,构建服务于遥感影像搜索推荐的水利知识图谱包括以下步骤,具体流程图如图2所示:
S101:使用的水利对象数据包含两种,一种是水利遥感监测数据,一种是水利对象基础数据;水利遥感监测数据有两部分组成,分别是遥感影像的拇指图和遥感影像的文本元数据。水利对象基础数据是结构化的数据,主要有水库、河流、大坝、湖泊、水电站等类别的对象实体。实体数据主要有基础信息和对象关系信息。对象基础信息又分为对象标识信息、主要特征信息和时间戳信息,具体的对象标识信息包括对象名称、对象代码、对象经纬度等,具体的对象特征信息包括对象级别、对象类型、对象工程建设情况等,时间戳数据包括记录生效时间、记录失效时间。对象关系信息分为主导对象、从属对象、开始时间和终止时间,并将这些数据存储在关系数据库中。
S102:对于遥感监测数据的图像数据,将其拇指图保存在FASTDFS的分布式文件系统中,该系统会返回一个影像存储位置的唯一标识,并把这个唯一标识作为遥感图像的元数据。以配置文件的方式去动态解析遥感影像的文本元数据文件,最后通过数据分装器将两者的元数据封装成最终的影像元数据,存储在数据库中。
S103:查询水利基础对象库来获取对象的空间覆盖范围,利用遥感影像与对象范围间的重叠关系,来实现对象与影像间的关联,确定实体之间的关系,以模板文件的方式生成水利对象间的RDF三元组数据,存储在Jena服务器中,构成水利领域图谱数据,可以通过JenaFuseki查询工具,编写SPARQL查询语言进行查询。
其中,在S2中,构建服务于遥感影像搜索推荐的水利对象搜索模块包括以下步骤,具体流程图如图3所示:
S201:构建水利对象的同义词典来解决水利对象中的多词一义问题,在水利行业中经常会出现多个名称表示的同一个实体,而在构建的图谱数据中的实体确实唯一的,因此在查询之前需要对用户输入的实体进行实体消歧来提升用户体验。构建同义词词典只要有以下三个方面:
(1)一是基于结构化的信息:使用爬虫技术获取百度百科的实体检索页面中的表格数据,根据表格中的关键字比如“别名”,解析表格HTML内容获取实体的同义词,存储在文件中。
(2)二是基于模板的信息:通过构建触发词的方式,主要有“又称”、“简称”、“又叫”等相关触发词,从百度百科实体页面中获取实体的同义词信息。
(3)三是基于文本上下文信息:通过对百度百科文本数据进行预处理,包括分词(Jieba)、去除停止词等方式,采用Word2Vec算法将文本转换成词向量的模式,来获取文本中和实体之间的相关度比较高的词。
(4)将三个方面获取的信息结合起来作为实体的同义词词典。
S202:将用户的查询实体词经过同义词词典过滤后,链接到知识库中,形成唯一实体记为实体N。
S203:在知识图谱中以实体N为核心,获取与该实体直接相连的实体对象,并对这些直接相连的实体根据实体的类别进行分类,主要是分为遥感影像实体和水利基础对象实体。
S204:对于水利基础对象实体,形成以实体N为头实体的三元组表示,并将具有相同关系的三元组进行融合。对于遥感影像实体,根据每幅遥感影像关联的水利基础对象实体计算和实体N所关联的水利基础对象实体的相关性,将返回的遥感影像根据相关性的大小进行排序展示,具体查询结果功能图如图5所示。
其中,在S3中,推荐框架如图4所示,生成遥感影像的推荐列表包括以下步骤:
S301:追踪用户的行为记录,主要是用户的显示反馈,包括用户点击和搜索记录,形成用户的日志系统,用来反映用户行为偏好的变化过程。
S302:从用户的日志系统中获取用户的点击的遥感影像记录,把用户点击的影像记录和该幅影像所关联的基础对象映射到知识图谱中,并将遥感影像关联的水利对象实体作为用户兴趣扩散的初始实体集合。
S303:将初始实体映射到构建的知识图谱当中,并在图谱中确定实体与实体之间的关系,形成初始的实体样例图谱。
S304:以初始实体样例图谱中的每一个实体为中心作为扩散的起点。首先通过三元组中的谓词获得该实体在图谱中直接相连的尾实体,每次扩散的过程都先将尾实体加入到候选实体列表中,通过计算每个尾实体和头实体的关联程度来选择最合适的尾实体。
S305:在扩散实体一跳以内的实体时,定义知识图谱中边(关系)的权重来表示两个节点之间的关联程度。在每次扩散的过程中只把相关度较高的节点作为候选种子加入到用户的行为子图中,其中边的权重定义可以考虑知识图谱中相邻节点之间的公共实体部分,如果公共实体节点越多,那么这两个节点之间的关系就越密切,同理两个节点之间的关系权重就越大。但是只考虑了两个顶点之间的公共实体还是远远不够的,同时还应考虑到这些公共实体的出度,因此以下公式表示两个节点之间边的权重。其中/>表示节点/>的一跳的实体,out(x)表示节点x的出度,通过数据预处理确保图谱中实体的关联对象不为0。/>
S306:对于每一幅遥感影像都按照上一个步骤中的用户行为扩散流程生成候选的影像子图,在知识图谱上扩散用户的兴趣的时候,定义扩散的兴趣半径,最终生成的样例图谱作为用户的行为子图。
S307:计算用户的行为子图和候选的影像子图之间的相似性来生成推荐列表。主要有以下步骤:
(1)在计算用户行为子图和候选影像子图之间的相似性之前进行一次剪枝操作,将两幅影像共有的水利对象中出现最多的类型的对象进行删减。
(2)子图的相似有三个部分组成,一是计算两个子图在知识图谱中连通路径的相似性,二是两个子图节点的语义相似性,三是遥感影像的属性相似性。
连通路径相似性:给定两个知识图谱子图R1=(V1,E1)和R2=(V2,E2),集合其中/>分别是R1和R2两个子图中的任意两个节点,集合/>表示两个节点之间所有可能的路径。如果集合/>不为空,那么选取其中最短的前/>条路径,分别计算这/>条路径的加权长度,在这过程中计算路径上经过的每个节点的出度,在计算加权路径长度的时候将节点的出度作为惩罚项,最后求出这/>组加权路径长度去求平均,作为这两个节点之间的相似值。如果集合/>为空,则使用语义相似性来表示两个节点间的相似性。对于两个子图循环计算两组节点之间的相似度来获得两个子图之间的相似度。
语义相似性:采用知识图谱表示学习的方式将知识图谱中的三元组映射到高维向量空间,使得头实体关系/>尾实体/>的向量表示无限接近于/>通过知识图谱表示学习后,可以轻松地获取知识图谱中的实体的特征表示,从而可以将两个子图表示成特征向量的形式,最后采用一些向量距离计算公式来计算两个子图之间的相似度。
属性相似性:每一幅影像都会有自己的特征属性,通过计算两幅影像之间的共有属性来表示两幅影像的属性相似度。
(3)将三部分的相似性按权重比例进行加权计算,得到最终影像间的相似性得分,并根据相似性得分生成推荐列表,具体的遥感影像推荐功能展示图如图6所示,根据用户行为形成推荐列表。
Claims (3)
1.基于水利领域知识图谱的遥感影像搜索推荐方法,其特征在于,基于遥感影像水利领域知识图谱构建模块、水利对象搜索模块和水利对象推荐模块,具体包括如下步骤:
(1)遥感影像水利领域知识图谱构建模块,图谱构建分为概念层和实例层;实例层将水利遥感影像元数据和水利基础对象数据做一个数据属性级别的关联,从而融合这两种数据类型的元数据信息;所述的步骤(1)具体为:构建服务于遥感影像搜索推荐的水利知识图谱包括以下步骤:
(11)使用的水利对象数据包含两种,一种是遥感影像的数据,一种是水利对象基础数据;遥感影像数据有关于影像的文本元数据和影像的拇指图;
(12)通过查询水利基础对象库来获取对象的空间覆盖范围,利用遥感影像与水利基础对象范围间的重叠关系,来实现水利基础对象与遥感影像间的关联,并通过水利对象间的连接关系构建水利领域知识图谱;
(2)水利对象搜索模块,接收用户输入,进行NLP解析,构建知识图谱查询语言、处理查询,并经过数据封装器后返还用户进行展示;
(3)水利对象推荐模块,追踪用户的行为记录获取用户的行为偏好,并在知识图谱中扩散用户兴趣,生成用户在知识图谱中的行为子图,通过计算用户的行为子图和候选对象生成的子图之间的相似性,为用户推荐相关的遥感影像数据;所述的步骤(3)中包括以下推荐步骤:
(31)追踪用户的行为记录,包括用户点击和搜索记录;把用户点击的遥感影像和该幅影像所关联的基础对象映射到知识图谱中,将每幅遥感影像关联的水利实体作为用户行为的种子集合;
(32)在构建的水利领域知识图谱中扩散用户的种子集,不断丰富用户的兴趣实体,形成用户的行为子图;
(33)对于每一幅遥感影像都按照上一个步骤中的用户行为扩散流程生成候选的影像子图,这样就能够得到用户行为子图和候选影像在知识图谱中的实体子图;
(34)计算用户的行为子图和候选的影像关联的实体子图之间的相似性来生成推荐列表;
所述的步骤(33)中用户行为子图的生成包括以下步骤:
(331)确定用户行为扩散的初始实体集合,是为一幅遥感影像所关联的实体对象集合;
(332)将初始实体映射到构建的知识图谱当中,并在图谱中确定实体与实体之间的关系,形成初始的实体样例图谱;
(333)以初始实体样例图谱中的每一个实体为中心作为扩散的起点;首先通过三元组中的谓词获得该实体在图谱中直接相连的尾实体,每次扩散的过程都先将尾实体加入到候选实体列表中,同时定义知识图谱中边的权重来表示两个节点之间的紧密程度,也就是计算三元组中头实体和尾实体之间的紧密程度,在每次扩散时只把尾实体列表中和起点实体相关度较高的节点作为候选种子加入到初始样例图谱中;
(334)定义实体扩散半径,最终生成的样例图谱作为用户的行为子图。
2.根据权利要求1所述的基于水利领域知识图谱的遥感影像搜索推荐方法,其特征在于,所述的步骤(2)包括两个部分,分别是水利对象语义搜索和水利对象关系搜索;有以下步骤:
(21)将输入实体通过自然语言处理方式映射到知识图谱中形成唯一实体,记为N;
(22)在知识图谱中以实体N为核心,获取与该实体直接相连的实体对象,并对这些直接相连的实体根据实体的类别进行分类,是分为遥感影像实体和水利基础对象实体;
(23)对于水利基础对象实体,形成以实体N为头实体的三元组表示,并将具有相同关系的三元组进行融合;对于遥感影像实体,根据每幅遥感影像关联的水利基础对象实体计算和实体N所关联的水利基础对象实体的相关性,将返回的遥感影像根据相关性的大小进行排序展示。
3.根据权利要求1所述的基于水利领域知识图谱的遥感影像搜索推荐方法,其特征在于,所述的步骤(34)中用户行为子图和候选影像子图的相似性计算包括以下步骤:
(341)在计算用户行为子图和候选影像子图之间的相似性之前进行一次剪枝操作,将两幅影像共有的水利对象中出现最多的类型的对象进行删减;
(343)子图的相似有三个部分组成,一是计算两个子图在知识图谱中连通路径的相似性,二是使用知识图谱表示学习方法计算两个子图节点的语义相似性,三是利用遥感影像属性的共现来计算影像的属性相似性;将三部分的相似性得分按权重比例进行加权计算,得到最终影像间的相似性得分,并根据相似性得分生成推荐列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110095620.8A CN112765322B (zh) | 2021-01-25 | 2021-01-25 | 基于水利领域知识图谱的遥感影像搜索推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110095620.8A CN112765322B (zh) | 2021-01-25 | 2021-01-25 | 基于水利领域知识图谱的遥感影像搜索推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112765322A CN112765322A (zh) | 2021-05-07 |
CN112765322B true CN112765322B (zh) | 2023-05-23 |
Family
ID=75707023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110095620.8A Active CN112765322B (zh) | 2021-01-25 | 2021-01-25 | 基于水利领域知识图谱的遥感影像搜索推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765322B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190593A (zh) * | 2021-05-12 | 2021-07-30 | 《中国学术期刊(光盘版)》电子杂志社有限公司 | 一种基于数字人文知识图谱的搜索推荐方法 |
CN113298426B (zh) * | 2021-06-17 | 2022-06-24 | 华能澜沧江水电股份有限公司 | 知识图谱驱动的大坝安全评判权重动态拟定方法及系统 |
CN115422346A (zh) * | 2022-08-29 | 2022-12-02 | 浙江极氪智能科技有限公司 | 基于知识图谱的多轮话题推荐方法 |
CN115344732B (zh) * | 2022-10-18 | 2022-12-13 | 北京数慧时空信息技术有限公司 | 基于任务驱动的遥感影像推荐方法 |
CN115934990B (zh) * | 2022-10-24 | 2023-05-12 | 北京数慧时空信息技术有限公司 | 基于内容理解的遥感影像推荐方法 |
CN117235219A (zh) * | 2023-09-15 | 2023-12-15 | 宁波市水利水电规划设计研究院有限公司 | 一种基于防汛需求的水库知识智能问答系统 |
CN117131245B (zh) * | 2023-10-27 | 2024-03-05 | 江苏数兑科技有限公司 | 一种运用知识图谱技术实现目录资源推荐机制的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249399A1 (en) * | 2014-07-16 | 2017-08-31 | Baidu Online Network Technology (Beijing) Co., Ltd | Method And Apparatus For Displaying Recommendation Result |
CN112182131A (zh) * | 2020-09-28 | 2021-01-05 | 中国电子科技集团公司第五十四研究所 | 一种基于多属性融合的遥感影像推荐方法 |
CN112214685A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
-
2021
- 2021-01-25 CN CN202110095620.8A patent/CN112765322B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249399A1 (en) * | 2014-07-16 | 2017-08-31 | Baidu Online Network Technology (Beijing) Co., Ltd | Method And Apparatus For Displaying Recommendation Result |
CN112214685A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN112182131A (zh) * | 2020-09-28 | 2021-01-05 | 中国电子科技集团公司第五十四研究所 | 一种基于多属性融合的遥感影像推荐方法 |
Non-Patent Citations (1)
Title |
---|
《遥感大数据在水利中的应用及发展》;洪勇豪 等;《水利信息化》;20190630;正文第25-31页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112765322A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112765322B (zh) | 基于水利领域知识图谱的遥感影像搜索推荐方法 | |
US11960556B2 (en) | Techniques for presenting content to a user based on the user's preferences | |
KR102564144B1 (ko) | 텍스트 관련도를 확정하기 위한 방법, 장치, 기기 및 매체 | |
CN110609902B (zh) | 一种基于融合知识图谱的文本处理方法及装置 | |
US10409880B2 (en) | Techniques for presenting content to a user based on the user's preferences | |
CN111680173A (zh) | 统一检索跨媒体信息的cmr模型 | |
Abebe et al. | Generic metadata representation framework for social-based event detection, description, and linkage | |
CN105787068A (zh) | 基于引用网络及用户熟练度分析的学术推荐方法及系统 | |
US11650073B2 (en) | Knowledge space analytics | |
Rinaldi et al. | User-centered information retrieval using semantic multimedia big data | |
CN113946686A (zh) | 电力营销知识图谱构建方法及系统 | |
IL248313A (en) | Research on data-driven preference and semantic processing | |
Mata-Rivera et al. | A collaborative learning approach for geographic information retrieval based on social networks | |
Barret et al. | Computing generic abstractions from application datasets | |
CN115982322A (zh) | 一种水利行业设计领域知识图谱的检索方法及检索系统 | |
Bernhauer et al. | Open dataset discovery using context-enhanced similarity search | |
CN111222918A (zh) | 关键词挖掘方法、装置、电子设备及存储介质 | |
Sumesh et al. | Natural Language Processing based Recommendation System for Courses | |
US20240184839A1 (en) | Techniques for presenting content to a user based on the user's preferences | |
CN117271577B (zh) | 一种基于智能分析的关键字检索方法 | |
Mahmud | Towards a data generation tool for NoSQL data stores | |
Chantrapornchai et al. | Semantic image search: case study for western region tourism in Thailand | |
Yin et al. | Rapid Production Method of Massive Thematic Maps Based on Geospatial Knowledge Extraction | |
Stawniak | Searching content related by semantics, space and time | |
Huiying et al. | Ontology-based enterprise content retrieval method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |