CN114417021A - 一种基于时、空、义多约束融合的语义信息精准分发方法 - Google Patents

Abstract

本发明公开了一种基于时、空、义多约束融合的语义信息精准分发方法，采用以时间、空间强约束条件为主，以语义弱约束条件为辅的自适应组合式分发模型，首先基于设定的时间差距阈值与空间差距阈值，获取初步筛选后的候选语义信息。之后分别计算候选语义与目标对象需求的时间近似度、空间近似度、语义匹配度，通过多约束差异化加权融合得到最终的整体匹配度。值得注意的是，在语义匹配度计算过程中综合考虑了所处环境、担当角色、执行任务等差异性因素的影响。最终将排序后整体匹配度较高的语义信息分发给目标对象。本发明相较于传统信息分发方法可实现语义信息的个性化分发，提升信息分发的智能性与精准性。

Description

一种基于时、空、义多约束融合的语义信息精准分发方法

技术领域

本发明属于语义信息分发技术领域，特别涉及一种基于时、空、义多约束融合的语义信息精准分发方法。

背景技术

传统环境下以广播、订阅分发为主的信息分发方式十分低效，且缺乏对有无人对象需求的智能联想和精准推送服务，严重制约了对态势信息、情报信息等数据的利用有效化、便利化，无法充分发挥信息的价值，影响了有无人协同场景的智能化、自动化与无人化发展。因此开展语义信息精准分发方法研究，满足不同场景对象对信息的个性化需求是十分必要的。

对于有无人对象而言，其最关注的是当前时间、所处位置邻近范围内的语义信息，同时综合考虑环境、角色、职责需求等因素与语义信息之间的匹配程度，因此需要研究一种以时间、空间强约束条件为主，以语义弱约束条件为辅的自适应组合式分发模型，实现个性化、智能化、精准化的信息主动分发。

发明内容

本发明的目的在于解决传统以广播或订阅方式获取语义信息的低效分发问题，提出一种基于时、空、义多约束融合的语义信息精准分发方法，加权融合时间、空间、用户需求与语义信息的近似程度，将最终匹配度较高的语义作为待分发信息，保障语义信息的智能化、精准化分发服务。

为了实现上述目的，本发明采用的技术方案如下：

一种基于时、空、义多约束融合的语义信息精准分发方法，包括以下步骤：

(1)从时间、空间和专题多个维度设计多时相序列、空间无缝和可多维切分的语义信息组织模型，将语义的时空区域特征与语义信息组织模型的网格编码进行索引关联，构建语义立方体；同时依据有无人对象的基本属性与信息需求，通过自然语言处理方法提取对象标签，构建有无人对象语义画像；其中空间维度是依据全球网格剖分方式生成的多尺度嵌套面片体系中的地理空间网格编码集合，基本属性与信息需求包括有无人对象名称、所处环境、担当角色、任务需求和兴趣偏好；

(2)将时间和空间作为语义信息精准分发的强约束条件，设定语义信息表述时间与有无人对象当前时间的时间差距阈值ε以及语义信息表述位置与有无人对象所处位置的空间差距阈值θ，并查询语义立方体内有无人对象邻近时空域中的语义，作为初步筛选后的候选语义信息；

(3)将时间作为语义信息精准分发的强约束条件，计算候选语义信息表述时间与有无人对象当前时间的时间近似度sim_t；将空间作为语义信息精准分发的强约束条件，计算候选语义信息表述位置与有无人对象所处位置的空间近似度sim_s；将语义相关性作为语义信息精准分发的弱约束条件，计算有无人对象语义画像与候选语义信息之间的语义匹配度sim_e；

(4)设定时间近似度、空间近似度和语义匹配度相应的权重系数α、β和λ，将权重系数与对应的度量值加权求和，计算得出候选语义信息与有无人对象的整体匹配度sim_all，选择匹配程度高的候选语义信息分发给对应的有无人对象，实现语义信息的精准分发。

进一步的，步骤(3)中候选语义信息表述时间与有无人对象当前时间的时间近似度sim_t为：

式中，ε为时间差距阈值，t₁为候选语义信息表述时间的数字形式，t₂为有无人对象当前时间的数字形式。

进一步的，步骤(3)中计算候选语义信息表述位置与有无人对象所处位置的空间近似度sim_s，具体包括如下步骤：

(301)将候选语义信息表述位置和有无人对象所处位置分别转化为三维空间坐标，并计算两个位置的距离dis；其中，如果位置为一片区域时，取中心点位置；

(302)计算候选语义信息表述位置与有无人对象所处位置的空间近似度sim_s，计算公式为：

式中，θ为空间差距阈值。

进一步的，步骤(3)中计算有无人对象语义画像与候选语义信息之间的语义匹配度sim_e，具体包括如下步骤：

(303)查询有无人对象语义画像与语义立方体中存储的语义，从中抽取实体、属性与关系，通过对抽取的知识进一步清理和整合，构建语义信息分发所需的知识图谱，并采用TransR方法实现有无人对象与语义的嵌入式表达，获得所有有无人对象和语义的特征向量；

(304)将任一有无人对象u和任一语义i对应的有无人对象特征向量u_m与语义特征向量i_m，采用如下方式处理：

采用浅层融合策略，将有无人对象特征向量u_m与语义特征向量i_m视为协同过滤中的潜在因子，挖掘两者的线性相关性，得到基于浅层融合的预测向量，计算公式为：p_ui＝u_m⊙i_m，其中⊙表示元素积操作，p_ui为基于浅层融合的预测向量；

采用深层融合策略，拼接有无人对象特征向量u_m与语义特征向量i_m形成一个联合表示，即：q₀＝[u_m,i_m]，然后将q₀作为深度神经网络的输入，从中学习出有无人对象与语义匹配的抽象规律；其中，有无人对象与语义深层融合的训练部分被定义如下：

q₁＝f(W₁ ^Tq₀+b₁)，

W_x和b_x分别表示第x层深度神经网络的权重矩阵和偏差向量，f(·)表示ReLU激活函数，至此得到基于深层融合的预测向量q_ui；

拼接浅层融合与深层融合的预测向量，得到有无人对象与语义匹配规律的联合表示，然后将联合表示传入后续的全连接层与sigmoid层，计算有无人对象与候选语义信息之间的语义匹配度sim_e：

式中，W_out为权重矩阵，σ(·)为激活函数。

本发明与背景技术相比具有如下优点：

1.本发明提出的一种基于时、空、义多约束融合的语义信息精准分发方法，采用以时间、空间强约束条件为主，以语义弱约束条件为辅的自适应组合式分发方法，发现相近时间、空间内与目标对象需求近似的语义消息，生成差异化、精准化、个性化、主动化的消息分发方案。

2.本发明提出的一种基于时、空、义多约束融合的语义信息精准分发方法，针对语义约束条件，采用神经协同融合网络模型，综合计算目标对象所处环境、担当角色与职责需求等多重要素与语义的匹配程度，从而发现高度满足目标对象需求的语义消息。

3.本发明提出的一种基于时、空、义多约束融合的语义信息精准分发方法，具有较强的扩展性，可根据实际情况对有无人对象、语义进行扩展添加。

附图说明

图1是本发明基于时、空、义多约束融合的语义信息精准分发方法的原理示意图。

图2是本发明基于时、空、义多约束融合的语义信息精准分发方法的神经协同融合网络模型示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是本发明一种基于时、空、义多约束融合的语义信息精准分发方法具体实施下的原理示意图。

具体包括以下步骤：

(1)本发明首先对语义信息进行预处理操作，从时间、空间和专题多个维度设计多时相序列、空间无缝和可多维切分的语义信息组织模型，将语义的时空区域特征与语义信息组织模型的网格编码进行索引关联，构建语义立方体；同时依据有无人对象的基本属性与信息需求，通过自然语言处理方法提取对象标签，构建有无人对象语义画像；其中空间维度是依据全球网格剖分方式生成的多尺度嵌套面片体系中的地理空间网格编码集合，基本属性与信息需求包括有无人对象名称、所处环境、担当角色、任务需求和兴趣偏好；

(2)将时间和空间作为语义信息精准分发的强约束条件，设定语义信息表述时间与有无人对象当前时间的时间差距阈值ε以及语义信息表述位置与有无人对象所处位置的空间差距阈值θ，并查询语义立方体内有无人对象邻近时空域中的语义，作为初步筛选后的候选语义信息；

(3)将时间作为语义信息精准分发的强约束条件，计算候选语义信息表述时间与有无人对象当前时间的时间近似度sim_t；将空间作为语义信息精准分发的强约束条件，计算候选语义信息表述位置与有无人对象所处位置的空间近似度sim_s；将语义相关性作为语义信息精准分发的弱约束条件，计算有无人对象语义画像与候选语义信息之间的语义匹配度sim_e；

其中，候选语义信息表述时间与有无人对象当前时间的时间近似度sim_t为：

式中，ε为时间差距阈值，t₁为候选语义信息表述时间的数字形式，t₂为有无人对象当前时间的数字形式。

其中，计算候选语义信息表述位置与有无人对象所处位置的空间近似度sim_s，具体包括如下步骤：

(301)将候选语义信息表述位置(如果该位置是片空间区域，则计算其中心点位置，下同)转化为三维空间坐标A(lon_a,lat_a,h_a)，将有无人对象所处位置的中心点转化为三维空间坐标B(lon_b,lat_b,h_b)，则两个位置的地表距离计算公式为：

其中d_lat＝lat_a-lat_b为两位置纬度之差，d_lon＝lon_a-lon_b为两点经度之差，6378137为地球半径，单位为米。

则两个位置的距离计算公式为：

其中h_a-h_b为两位置高度之差。

(302)计算候选语义信息表述位置与有无人对象所处位置的空间近似度sim_s，计算公式为：

式中，θ为空间差距阈值。

其中，计算有无人对象语义画像与候选语义信息之间的语义匹配度sim_e，具体包括如下步骤：

(303)查询有无人对象语义画像与语义立方体中存储的语义，从中抽取实体、属性与关系，通过对抽取的知识进一步清理和整合，构建语义信息分发所需的知识图谱，并采用TransR方法实现有无人对象与语义的嵌入式表达，获得所有有无人对象和语义的特征向量；

(304)将任一有无人对象u和任一语义i对应的有无人对象特征向量u_m与语义特征向量i_m，如图2所示，采用如下方式处理：

采用浅层融合策略，将有无人对象特征向量u_m与语义特征向量i_m视为协同过滤中的潜在因子，挖掘两者的线性相关性，得到基于浅层融合的预测向量，计算公式为：p_ui＝u_m⊙i_m，其中⊙表示元素积操作，p_ui为基于浅层融合的预测向量；

采用深层融合策略，拼接有无人对象特征向量u_m与语义特征向量i_m形成一个联合表示，即：q₀＝[u_m,i_m]，然后将q₀作为深度神经网络的输入，从中学习出有无人对象与语义匹配的抽象规律；其中，有无人对象与语义深层融合的训练部分被定义如下：

q₁＝f(W₁ ^Tq₀+b₁)，

W_x和b_x分别表示第x层深度神经网络的权重矩阵和偏差向量，f(·)表示ReLU激活函数，至此得到基于深层融合的预测向量q_ui；

拼接浅层融合与深层融合的预测向量，得到有无人对象与语义匹配规律的联合表示，然后将联合表示传入后续的全连接层与sigmoid层，计算有无人对象与候选语义信息之间的语义匹配度sim_e：

式中，W_out为权重矩阵，σ(·)为激活函数。

(4)设定时间近似度、空间近似度和语义匹配度相应的权重系数α、β和λ，将权重系数与对应的度量值加权求和，计算得出候选语义信息与有无人对象的整体匹配度sim_all，选择匹配程度高的候选语义信息分发给对应的有无人对象，实现语义信息的精准分发。

sim_all＝α*sim_t+β*sim_s+λ*sim_e

式中，α+β+λ＝1。

本发明实现一种基于时、空、义多约束融合的语义信息精准分发方法，采用以时间、空间强约束条件为主，以语义弱约束条件为辅的自适应组合式分发模型，首先通过基于语义立方体的语义精准划分与高效索引方法，形成统一的数据组织逻辑和信息编码，同时从名称、所处环境、担当角色、任务需求、兴趣偏好等用户描述维度出发，构建有无人对象的全维度画像。然后基于时间、空间强约束条件下设定的时间差距阈值与空间差距阈值，获取初步筛选后的候选语义信息。之后分别计算候选语义与目标对象需求的时间近似度、空间近似度、语义匹配度，并依据时间、空间、语义多约束条件的不同需求侧重，通过差异化加权融合处理得到最终的整体匹配度。值得注意的是，在语义匹配度计算过程中综合考虑了所处环境、担当角色、执行任务等差异性因素的影响。最终排序计算的整体匹配度结果，将整体匹配度较高的语义信息分发给目标对象。本发明相较于传统信息分发方法可实现语义信息的个性化分发，提升了信息分发的智能性与精准性。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (4)

1.一种基于时、空、义多约束融合的语义信息精准分发方法，其特征在于，包括以下步骤：

(1)从时间、空间和专题多个维度设计多时相序列、空间无缝和可多维切分的语义信息组织模型，将语义的时空区域特征与语义信息组织模型的网格编码进行索引关联，构建语义立方体；同时依据有无人对象的基本属性与信息需求，通过自然语言处理方法提取对象标签，构建有无人对象语义画像；其中空间维度是依据全球网格剖分方式生成的多尺度嵌套面片体系中的地理空间网格编码集合，基本属性与信息需求包括有无人对象名称、所处环境、担当角色、任务需求和兴趣偏好；

(2)将时间和空间作为语义信息精准分发的强约束条件，设定语义信息表述时间与有无人对象当前时间的时间差距阈值ε以及语义信息表述位置与有无人对象所处位置的空间差距阈值θ，并查询语义立方体内有无人对象邻近时空域中的语义，作为初步筛选后的候选语义信息；

(3)将时间作为语义信息精准分发的强约束条件，计算候选语义信息表述时间与有无人对象当前时间的时间近似度sim_t；将空间作为语义信息精准分发的强约束条件，计算候选语义信息表述位置与有无人对象所处位置的空间近似度sim_s；将语义相关性作为语义信息精准分发的弱约束条件，计算有无人对象语义画像与候选语义信息之间的语义匹配度sim_e；

(4)设定时间近似度、空间近似度和语义匹配度相应的权重系数α、β和λ，将权重系数与对应的度量值加权求和，计算得出候选语义信息与有无人对象的整体匹配度sim_all，选择匹配程度高的候选语义信息分发给对应的有无人对象，实现语义信息的精准分发。

2.根据权利要求1所述的一种基于时、空、义多约束融合的语义信息精准分发方法，其特征在于，步骤(3)中候选语义信息表述时间与有无人对象当前时间的时间近似度sim_t为：

式中，ε为时间差距阈值，t₁为候选语义信息表述时间的数字形式，t₂为有无人对象当前时间的数字形式。

3.根据权利要求1所述的一种基于时、空、义多约束融合的语义信息精准分发方法，其特征在于，步骤(3)中计算候选语义信息表述位置与有无人对象所处位置的空间近似度sim_s，具体包括如下步骤：

(301)将候选语义信息表述位置和有无人对象所处位置分别转化为三维空间坐标，并计算两个位置的距离dis；其中，如果位置为一片区域时，取中心点位置；

(302)计算候选语义信息表述位置与有无人对象所处位置的空间近似度sim_s，计算公式为：

式中，θ为空间差距阈值。

4.根据权利要求1所述的一种基于时、空、义多约束融合的语义信息精准分发方法，其特征在于，步骤(3)中计算有无人对象语义画像与候选语义信息之间的语义匹配度sim_e，具体包括如下步骤：

(303)查询有无人对象语义画像与语义立方体中存储的语义，从中抽取实体、属性与关系，通过对抽取的知识进一步清理和整合，构建语义信息分发所需的知识图谱，并采用TransR方法实现有无人对象与语义的嵌入式表达，获得所有有无人对象和语义的特征向量；

(304)将任一有无人对象u和任一语义i对应的有无人对象特征向量u_m与语义特征向量i_m，采用如下方式处理：

采用浅层融合策略，将有无人对象特征向量u_m与语义特征向量i_m视为协同过滤中的潜在因子，挖掘两者的线性相关性，得到基于浅层融合的预测向量，计算公式为：p_ui＝u_m⊙i_m，其中⊙表示元素积操作，p_ui为基于浅层融合的预测向量；

采用深层融合策略，拼接有无人对象特征向量u_m与语义特征向量i_m形成一个联合表示，即：q₀＝[u_m,i_m]，然后将q₀作为深度神经网络的输入，从中学习出有无人对象与语义匹配的抽象规律；其中，有无人对象与语义深层融合的训练部分被定义如下：

q₁＝f(W₁ ^Tq₀+b₁)，

q₂＝f(W₂ ^Tq₁+b₂)，

……

W_x和b_x分别表示第x层深度神经网络的权重矩阵和偏差向量，f(·)表示ReLU激活函数，至此得到基于深层融合的预测向量q_ui；

拼接浅层融合与深层融合的预测向量，得到有无人对象与语义匹配规律的联合表示，然后将联合表示传入后续的全连接层与sigmoid层，计算有无人对象与候选语义信息之间的语义匹配度sim_e：

式中，W_out为权重矩阵，σ(·)为激活函数。

Images