CN114491237A - 一种遥感卫星数据个性化推荐方法 - Google Patents
一种遥感卫星数据个性化推荐方法 Download PDFInfo
- Publication number
- CN114491237A CN114491237A CN202111660815.9A CN202111660815A CN114491237A CN 114491237 A CN114491237 A CN 114491237A CN 202111660815 A CN202111660815 A CN 202111660815A CN 114491237 A CN114491237 A CN 114491237A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- satellite
- recommendation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 101100045153 Caenorhabditis elegans wars-2 gene Proteins 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于推荐方法,具体涉及一种遥感卫星数据个性化推荐方法。它包括下述内容,首先,通过构建卫星资源池和专家知识库,获取卫星描述信息、用户信息以及用户行业和数据类型之间的先验知识;然后,根据用户信息和其近期行为数据,采用综合推荐算法对遥感卫星数据进行排序得到推荐数据列表;最终,将符合用户需求或用户感兴趣的卫星数据推荐给用户。本发明的显著效果是:(1)利用上述根据本发明的遥感卫星数据推荐系统,不需要用户提供明确输入。(2)通过分析用户的历史行为或者从事领域,主动给用户推荐能够满足需求和兴趣的数据,提供持续的、个性化服务,转变数据交互机制,解决遥感卫星数据服务的确实问题。
Description
技术领域
本发明属于推荐方法,具体涉及一种遥感卫星数据个性化推荐方法。
背景技术
作为一种重要基础性资源,遥感卫星数据在国防、经济、交通、能源、环保等诸多领域都有着广泛应用。遥感卫星数据具有海量、多源、异构等特点,具体描述如下:一是,卫星数据覆盖范围广、时间跨度大,已积累有海量的历史遥感卫星数据,同时地球上空飞行着上千颗卫星,搭载的各种模式载荷,每时每刻都产生着新的遥感卫星数据,越来越多的卫星升空造成数据体量爆炸式增长。二是,遥感卫星数据来源多样,可见光、红外、微波、高光谱等多种传感器类型,且不同传感器类型、不同分辨率、不同波段范围适用于不同的应用需求。三是,卫星数据具有观测周期性,能够对同一区域进行不同角度的长时序观测,而不同卫星来源的遥感数据在存储格式、组织方式、元数据标准等诸多方面均存在差异,传统的数据管理方式较难实现多源卫星数据的统筹管理,难以满足个性化的数据定制需求。
随着我国在轨卫星数量和数据质量的逐步提升,遥感卫星数据的产品种类、数量不断增加,对卫星数据的需求越来越多,数据的应用领域也不断拓宽,对遥感卫星数据的存储管理及服务方式带来了巨大挑战。现有遥感卫星数据存储的信息简单,以基础属性为主,较少考虑和体现异构数据之间的关联关系及数据本身的高层特征,难以满足高实效性的应用需求。目前用户获取遥感卫星数据,主要依靠简单的“元数据”和“人工经验”来检索发现所需要的卫星数据。这种传统的遥感卫星数据服务,要求用户具备一定的专业领域知识,一定程度上限制了遥感数据共享范围;并且随着数据的体量增大,这种被动检索的方式,难以保障数据的准确性和时效性,进而导致遥感信息处理能力和数据获取能力之间愈发失衡。此外,大量堆积的历史数据得不到有效利用,长期占用有限的存储空间,加剧了遥感卫星数据的“过载”。
如何在数据“过载”情况下高效快速地得到所需数据满足多领域用户需求,以及如何将遥感卫星积累多年的历史数据在必要时发挥应有作用,均是遥感卫星数据存储管理服务平台必将面临的考验。
发明内容
本发明针对现有技术的缺陷,提供一种遥感卫星数据个性化推荐方法,建立主动发现有效遥感卫星数据的机制,更灵活高效地满足不同用户的需求。
本发明的技术方案为:一种遥感卫星数据个性化推荐方法,其中,包括下述内容,首先,通过构建卫星资源池和专家知识库,获取卫星描述信息、用户信息以及用户行业和数据类型之间的先验知识;然后,根据用户信息和其近期行为数据,采用综合推荐算法对遥感卫星数据进行排序得到推荐数据列表;最终,将符合用户需求或用户感兴趣的卫星数据推荐给用户。
如上所述的一种遥感卫星数据个性化推荐方法,其中,包括下述步骤
步骤1,构建卫星资源池
基于卫星属性构建基础数据库,包括卫星名称、传感器名称、传感器类型、卫星重访周期、分辨率、波谱范围、幅宽;
步骤2,构建先验知识库
基于先验专家知识构建用户-数据关联信息;
步骤3,获取用户信息
对于用户,获取其一定周期内的行为数据,包括感兴趣的区域范围、下载过的数据信息、浏览过的数据信息、感兴趣的数据类型,形成数据集合;
步骤4,构建遥感卫星数据库
对卫星数据构建数据库获取遥感数据的描述信息,数据的文件属性和内容属性,数据信息、标签信息和评价信息,包括对遥感数据的元数据信息提取和语义信息提取,其中,所述元数据信息提取用于获取数据文件的属性,包括数据来源、数据分辨率、数据波谱、成像时间、传感器类型、空间地理范围;所述语义信息提取用于获取数据的内容属性,包括数据所包含的地物类别、场景信息;
步骤5,推荐列表生成
采用综合推荐算法对卫星数据进行优先级排序得到推荐列表,
步骤6,推荐结果展示
将推荐列表中的卫星数据信息展示给用户,包括卫星数据基本属性,缩略图以及推荐解释,
步骤7,获取用户反馈
获取用户反馈,并迭代更新。
如上所述的一种遥感卫星数据个性化推荐方法,其中,所述的步骤3中的一定周期是指一个月,感兴趣的区域范围由经纬度范围决定,具体统计时采用WRS-2全球参考系统中的Path/Row,将经纬度范围与之进行转换。
如上所述的一种遥感卫星数据个性化推荐方法,其中,所述的步骤3中的下载过的数据信息、浏览过的数据信息指的都是卫星数据,具体为下载过1次则判定说明用户对数据感兴趣,浏览过3次及以上判定用户对数据感兴趣。
如上所述的一种遥感卫星数据个性化推荐方法,其中,所述的步骤5包括下述内容,
步骤5.1,基于内容的推荐算法
基于内容的推荐算法根据数据内容属性相似度,抽取卫星数据的内容描述特征,实现相似度计算,基于内容的推荐算法,数据内容采用步骤4获得的文件属性和内容属性进行表征,采用TF-IDF算法将数据的标签进行数据内容的特征表达,相似度通过特征向量的余弦相似度公式计算:
其中,wij是数据之间的相似度,di表示数据i的特征向量,dj表示数据j的特征向量,将用户u的个人信息和数据特征相匹配,衡量出特定用户对卫星数据的感兴趣程度,用户个人信息是从步骤3获取的用户信息得到,按照感兴趣程度依次排序得到基于内容的推荐算法对用户u的推荐数据列表Lcontent,
步骤5.2,基于用户的协同过滤算法
基于用户的协同过滤算法给用户推荐和他兴趣相似的其他用户喜欢的数据,通过Jaccard公式衡量用户u和v的兴趣相似度
其中,wuv是用户之间的兴趣相似度,D(u)标识用户u感兴趣的数据集,D(v)表示用户v感兴趣的数据集,D(u)和D(v)分别对用户u和用户v通过步骤3统计得到,推荐与用户最相似的K个用户感兴趣的数据,度量公式如下:
M(u,K)代表与用户相似的K个用户,M(i)表示对数据i感兴趣的用户集,qvi代表用户v对数据i的兴趣,按照感兴趣程度依次排序得到基于用户的协同过滤算法对用户u的推荐数据列表Luser,
步骤5.3,基于物品的协同过滤算法
基于物品的协同过滤算法给用户推荐和他之前感兴趣的数据相似的数据,通过用户行为衡量数据之间的相似程度
其中|M(i)|代表对数据i感兴趣的用户数,|M(j)|代表对数据j感兴趣的用户数,
用户u对数据i的兴趣度量公式
其中,D(j,K)是和数据最相似的K个数据集,D(u)是用户感兴趣的数据集,wij是数据之间的相似度,quj表示用户u对数据j的兴趣,按照感兴趣程度依次排序得到基于物品的协同过滤算法对用户u的推荐数据列表Lcontent,
步骤5.4,TOP-N推荐数据列表
多种推荐算法的推荐数据按照权重和优先级进行合并、排序,形成最终的推荐结果,首先对三种推荐算法针对特定用户u得到的推荐数据列表Lcontent、Luser和Lcontent的数据感兴趣程度进行归一化处理,然后通过算法加权和数据优先级进行数据列表的合并排序,最终得到TOP-N推荐数据列表L,各类卫星数据的优先级通过步骤2的先验知识库中用户行业和数据的关联得到。
本发明的显著效果是:(1)利用上述根据本发明的遥感卫星数据推荐系统,不需要用户提供明确输入。(2)通过分析用户的历史行为或者从事领域,主动给用户推荐能够满足需求和兴趣的数据,提供持续的、个性化服务,转变数据交互机制,解决遥感卫星数据服务的确实问题。
附图说明
图1为本发明一种遥感卫星数据个性化推荐方法流程示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
本实施例中,如图1所示,一种遥感卫星数据个性化推荐方法,方法主要包括以下步骤:
步骤1,构建卫星资源池:基于卫星属性构建基础数据库,包括卫星名称、传感器名称、传感器类型、卫星重访周期、分辨率、波谱范围、幅宽等。
上述七个维度的数据来源于卫星属性,当针对的卫星发生变化时,上述七个维度的数据需要进行更新,否则一旦卫星确定,上述七个维度的数据就不再发生变化。当然卫星属性的维度很多,还有例如轨道高度、倾角、成像方式等,但是这些维度与本申请后续计算关系不大,因而并未在本步骤中列出。本领域技术人员如果需要增加相关维度的数据,并使之参与后续计算,那么可以很容易的从卫星的属性数据中提取到相关数据。
步骤2,构建先验知识库:基于先验专家知识构建用户-数据关联信息,对行业用户和卫星数据进行关联配置,不同行业领域应用的卫星数据需求各有偏重;专家先验知识库的构建主要用于缓解遥感卫星数据用户评分缺失的问题。
本步骤中的关联信息,并不是打分或者计算,而是依据专家知识对数据类型和用户行业之间进行关联。例如:对于农业领域研究病虫害监测的用户,近红外卫星数据更符合用户需求;而研究农作物估产的用户,更偏重于多光谱或者全色卫星数据。相关领域的专业技术人员可以很容易的建立数据类型和所在领域之间的关联关系。
先验知识可以用来对步骤5中的卫星数据进行筛选和优先级排序。
步骤3,获取用户信息:对于特定用户,获取其一定周期内的行为数据,包括感兴趣的区域范围、下载过的数据信息、浏览过的数据信息、感兴趣的数据类型等。用户对于区域、时序、数据类型的偏好,同时结合其注册信息(职业、研究领域等)。
所述的一定周期为一个月,感兴趣的区域范围由经纬度范围决定,具体统计时采用WRS-2全球参考系统中的Path/Row,将经纬度范围与之进行转换。
“下载过的数据信息、浏览过的数据信息”指的都是卫星数据。若用户下载或浏览过该卫星数据,则说明该特定用户对该数据感兴趣,也说明对该数据感兴趣的用户包括该用户。具体量化判定尺度为:下载过1次则判定说明用户对数据感兴趣,浏览过3次及以上判定用户对数据感兴趣。
对特定用户一定时期的所有感兴趣数据进行统计,统计维度包括卫星名称、传感器名称、数据分辨率、空间范围和数据获取时间。若感兴趣的卫星数据相对集中,例如在感兴趣的100景卫星数据中,空间范围集在Path/Row(123/32)数据数量为90(大于>70%),则说明该用户对特定区域该兴趣。
注册信息通常包括用户名、昵称、性别、联系方式、地址、职业、研究领域和其它。注册信息可以通过外部信息导入数据库,也可借助交互界面通过用户自行注册得到。
步骤4,对于海量的卫星数据,构建遥感卫星数据库:获取遥感数据的描述信息,数据的文件属性和内容属性,数据信息、标签信息和评价信息。包括对遥感数据的元数据信息提取和语义信息提取,其中,所述元数据信息提取用于获取数据文件的属性,包括数据来源、数据分辨率、数据波谱、成像时间、传感器类型、空间地理范围等;所述语义信息提取用于获取数据的内容属性,包括数据所包含的地物类别、场景信息等。
在本发明的一个具体实施例中,数据的文件属性通过对卫星0级数据进行编目处理生成,利用XML解析技术从元数据文件中提取出文件属性信息。包含以下信息:传感器、数据获取时间、中心点经纬度、四角经纬度、中心太阳高度角和方位角、云量等。
在本发明的一个具体实施例中,数据的内容属性通过对卫星产品数据进行分类处理生成,利用深度卷积神经网络方法提取卫星产品数据的高层语义信息,得到卫星数据中的地物类别,包含以下地物和场景类别:农田、森林、草地、河流、湖泊、住宅区、机场、飞机、公路等。
步骤5,推荐列表生成:采用综合推荐算法对卫星数据进行优先级排序得到推荐列表。综合数据推荐算法包括基于内容的推荐算法、基于用户的协同过滤算法和基于物品的协同过滤算法。
步骤5.1,基于内容的推荐算法
基于内容的推荐算法根据数据内容属性相似度,抽取卫星数据的内容描述特征,实现相似度计算。基于内容的推荐算法,数据内容采用步骤4获得的文件属性和内容属性进行表征。采用TF-IDF算法将数据的标签进行数据内容的特征表达,相似度通过特征向量的余弦相似度公式计算:
其中,wij是数据之间的相似度,di表示数据i的特征向量,dj表示数据j的特征向量。将用户u的个人信息和数据特征相匹配,衡量出特定用户对卫星数据的感兴趣程度。用户个人信息是从步骤3获取的用户信息得到,同时为提高推荐效率可以借助步骤2的先验知识缩小数据范围。按照感兴趣程度依次排序得到基于内容的推荐算法对用户u的推荐数据列表Lcontent。
步骤5.2,基于用户的协同过滤算法
基于用户的协同过滤算法给用户推荐和他兴趣相似的其他用户喜欢的数据,可以通过Jaccard公式衡量用户u和v的兴趣相似度
其中,wuv是用户之间的兴趣相似度,D(u)标识用户u感兴趣的数据集,D(v)表示用户v感兴趣的数据集,D(u)和D(v)分别对用户u和用户v通过步骤3统计得到。推荐与用户最相似的K个用户感兴趣的数据,度量公式如下:
M(u,K)代表与用户相似的K个用户,M(i)表示对数据i感兴趣的用户集,qvi代表用户v对数据i的兴趣。按照感兴趣程度依次排序得到基于用户的协同过滤算法对用户u的推荐数据列表Luser。
步骤5.3,基于物品的协同过滤算法
基于物品的协同过滤算法给用户推荐和他之前感兴趣的数据相似的数据,通过用户行为衡量数据之间的相似程度
其中|M(i)|代表对数据i感兴趣的用户数,|M(j)|代表对数据j感兴趣的用户数。
用户u对数据i的兴趣度量公式
其中,D(j,K)是和数据最相似的K个数据集,D(u)是用户感兴趣的数据集,wij是数据之间的相似度,quj表示用户u对数据j的兴趣。按照感兴趣程度依次排序得到基于物品的协同过滤算法对用户u的推荐数据列表Lcontent。
步骤5.4,TOP-N推荐数据列表
多种推荐算法的推荐数据按照权重和优先级进行合并、排序,形成最终的推荐结果。首先对三种推荐算法针对特定用户u得到的推荐数据列表Lcontent、Luser和Lcontent的数据感兴趣程度进行归一化处理,然后通过算法加权和数据优先级进行数据列表的合并排序,最终得到TOP-N推荐数据列表L。各类卫星数据的优先级通过步骤2的先验知识库中用户行业和数据的关联得到。
步骤6,推荐结果展示:将推荐列表中的卫星数据信息展示给用户,包括卫星数据基本属性,缩略图以及推荐解释。
本步骤还可以增加推荐解释是指数据被推荐的原因,具体来说就是推荐数据具备的推荐特征,所述的推荐特征是指卫星数据是因为具备哪种特征才在步骤5中被纳入推荐列表,满足用户需求,比如是因为分辨率高,或者因为是近红外数据、还是经纬度范围等等。
步骤7,获取用户反馈,主要是获取用户和推荐结果的交互,比如用户是否浏览、下载推荐数据。根据用户反馈对推荐结果进行更新优化,推荐列表中剔除用户已经下载或浏览过的数据,每5分钟更新一次。
Claims (5)
1.一种遥感卫星数据个性化推荐方法,其特征在于:包括下述内容,首先,通过构建卫星资源池和专家知识库,获取卫星描述信息、用户信息以及用户行业和数据类型之间的先验知识;然后,根据用户信息和其近期行为数据,采用综合推荐算法对遥感卫星数据进行排序得到推荐数据列表;最终,将符合用户需求或用户感兴趣的卫星数据推荐给用户。
2.如权利要求1所述的一种遥感卫星数据个性化推荐方法,其特征在于:包括下述步骤
步骤1,构建卫星资源池
基于卫星属性构建基础数据库,包括卫星名称、传感器名称、传感器类型、卫星重访周期、分辨率、波谱范围、幅宽;
步骤2,构建先验知识库
基于先验专家知识构建用户-数据关联信息;
步骤3,获取用户信息
对于用户,获取其一定周期内的行为数据,包括感兴趣的区域范围、下载过的数据信息、浏览过的数据信息、感兴趣的数据类型,形成数据集合;
步骤4,构建遥感卫星数据库
对卫星数据构建数据库获取遥感数据的描述信息,数据的文件属性和内容属性,数据信息、标签信息和评价信息,包括对遥感数据的元数据信息提取和语义信息提取,其中,所述元数据信息提取用于获取数据文件的属性,包括数据来源、数据分辨率、数据波谱、成像时间、传感器类型、空间地理范围;所述语义信息提取用于获取数据的内容属性,包括数据所包含的地物类别、场景信息;
步骤5,推荐列表生成
采用综合推荐算法对卫星数据进行优先级排序得到推荐列表,
步骤6,推荐结果展示
将推荐列表中的卫星数据信息展示给用户,包括卫星数据基本属性,缩略图以及推荐解释,
步骤7,获取用户反馈
获取用户反馈,并迭代更新。
3.如权利要求2所述的一种遥感卫星数据个性化推荐方法,其特征在于:所述的步骤3中的一定周期是指一个月,感兴趣的区域范围由经纬度范围决定,具体统计时采用WRS-2全球参考系统中的Path/Row,将经纬度范围与之进行转换。
4.如权利要求3所述的一种遥感卫星数据个性化推荐方法,其特征在于:所述的步骤3中的下载过的数据信息、浏览过的数据信息指的都是卫星数据,具体为下载过1次则判定说明用户对数据感兴趣,浏览过3次及以上判定用户对数据感兴趣。
5.如权利要求4所述的一种遥感卫星数据个性化推荐方法,其特征在于:所述的步骤5包括下述内容,
步骤5.1,基于内容的推荐算法
基于内容的推荐算法根据数据内容属性相似度,抽取卫星数据的内容描述特征,实现相似度计算,基于内容的推荐算法,数据内容采用步骤4获得的文件属性和内容属性进行表征,采用TF-IDF算法将数据的标签进行数据内容的特征表达,相似度通过特征向量的余弦相似度公式计算:
其中,wij是数据之间的相似度,di表示数据i的特征向量,dj表示数据j的特征向量,将用户u的个人信息和数据特征相匹配,衡量出特定用户对卫星数据的感兴趣程度,用户个人信息是从步骤3获取的用户信息得到,按照感兴趣程度依次排序得到基于内容的推荐算法对用户u的推荐数据列表Lcontent,
步骤5.2,基于用户的协同过滤算法
基于用户的协同过滤算法给用户推荐和他兴趣相似的其他用户喜欢的数据,通过Jaccard公式衡量用户u和v的兴趣相似度
其中,wuv是用户之间的兴趣相似度,D(u)标识用户u感兴趣的数据集,D(v)表示用户v感兴趣的数据集,D(u)和D(v)分别对用户u和用户v通过步骤3统计得到,推荐与用户最相似的K个用户感兴趣的数据,度量公式如下:
M(u,K)代表与用户相似的K个用户,M(i)表示对数据i感兴趣的用户集,qvi代表用户v对数据i的兴趣,按照感兴趣程度依次排序得到基于用户的协同过滤算法对用户u的推荐数据列表Luser,
步骤5.3,基于物品的协同过滤算法
基于物品的协同过滤算法给用户推荐和他之前感兴趣的数据相似的数据,通过用户行为衡量数据之间的相似程度
其中|M(i)|代表对数据i感兴趣的用户数,|M(j)|代表对数据j感兴趣的用户数,
用户u对数据i的兴趣度量公式
其中,D(j,K)是和数据最相似的K个数据集,D(u)是用户感兴趣的数据集,wij是数据之间的相似度,quj表示用户u对数据j的兴趣,按照感兴趣程度依次排序得到基于物品的协同过滤算法对用户u的推荐数据列表Lcontent,
步骤5.4,TOP-N推荐数据列表
多种推荐算法的推荐数据按照权重和优先级进行合并、排序,形成最终的推荐结果,首先对三种推荐算法针对特定用户u得到的推荐数据列表Lcontent、Luser和Lcontent的数据感兴趣程度进行归一化处理,然后通过算法加权和数据优先级进行数据列表的合并排序,最终得到TOP-N推荐数据列表L,各类卫星数据的优先级通过步骤2的先验知识库中用户行业和数据的关联得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111660815.9A CN114491237A (zh) | 2021-12-31 | 2021-12-31 | 一种遥感卫星数据个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111660815.9A CN114491237A (zh) | 2021-12-31 | 2021-12-31 | 一种遥感卫星数据个性化推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114491237A true CN114491237A (zh) | 2022-05-13 |
Family
ID=81508294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111660815.9A Pending CN114491237A (zh) | 2021-12-31 | 2021-12-31 | 一种遥感卫星数据个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491237A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936325A (zh) * | 2022-07-20 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及系统 |
CN115934990A (zh) * | 2022-10-24 | 2023-04-07 | 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 |
WO2024065952A1 (zh) * | 2022-09-30 | 2024-04-04 | 中国四维测绘技术有限公司 | 一种遥感卫星资讯推荐方法、系统及设备 |
-
2021
- 2021-12-31 CN CN202111660815.9A patent/CN114491237A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936325A (zh) * | 2022-07-20 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及系统 |
CN114936325B (zh) * | 2022-07-20 | 2022-10-11 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及系统 |
WO2024065952A1 (zh) * | 2022-09-30 | 2024-04-04 | 中国四维测绘技术有限公司 | 一种遥感卫星资讯推荐方法、系统及设备 |
CN115934990A (zh) * | 2022-10-24 | 2023-04-07 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114491237A (zh) | 一种遥感卫星数据个性化推荐方法 | |
Rivas-Torres et al. | A methodology for mapping native and invasive vegetation coverage in archipelagos: An example from the Galápagos Islands | |
CN111666313A (zh) | 基于多源异构遥感数据关联构建及多用户数据匹配方法 | |
Li et al. | Measuring the quality of life in city of Indianapolis by integration of remote sensing and census data | |
Petropoulos et al. | A comparison of spectral angle mapper and artificial neural network classifiers combined with Landsat TM imagery analysis for obtaining burnt area mapping | |
She et al. | Comparison of the continuity of vegetation indices derived from Landsat 8 OLI and Landsat 7 ETM+ data among different vegetation types | |
Duro et al. | Development of a large area biodiversity monitoring system driven by remote sensing | |
Jiménez-Muñoz et al. | Comparison between fractional vegetation cover retrievals from vegetation indices and spectral mixture analysis: Case study of PROBA/CHRIS data over an agricultural area | |
CN114936325B (zh) | 基于用户画像的遥感影像推荐方法及系统 | |
Vogiatzakis et al. | Mediterranean ecosystems: problems and tools for conservation | |
CN103544216B (zh) | 一种结合图像内容和关键字的信息推荐方法及系统 | |
Tagle Casapia et al. | Identifying and quantifying the abundance of economically important palms in tropical moist forest using UAV imagery | |
Liu et al. | Winter wheat mapping using a random forest classifier combined with multi-temporal and multi-sensor data | |
Ou et al. | Improving aboveground biomass estimation of Pinus densata forests in Yunnan using Landsat 8 imagery by incorporating age dummy variable and method comparison | |
Jensen et al. | Classification of urban tree species using hyperspectral imagery | |
Krishnaswamy et al. | Tree model based eco-climatic vegetation classification and fuzzy mapping in diverse tropical deciduous ecosystems using multi-season NDVI | |
Dube et al. | Numerical assessments of leaf area index in tropical savanna rangelands, South Africa using Landsat 8 OLI derived metrics and in-situ measurements | |
She et al. | Himawari-8 aerosol optical depth (AOD) retrieval using a deep neural network trained using AERONET observations | |
Piazza et al. | Object-oriented and pixel-based classification approaches to classify tropical successional stages using airborne high–spatial resolution images | |
Kirmse et al. | Calculating the prominence and isolation of every mountain in the world | |
Latifi et al. | Object-based extraction of bark beetle (Ips typographus L.) infestations using multi-date LANDSAT and SPOT satellite imagery | |
Zhao et al. | Improving the accuracy of fine-grained population mapping using population-sensitive POIs | |
CN105812830A (zh) | 酒店服务内容的推荐方法及系统 | |
García et al. | A live fuel moisture content product from Landsat TM satellite time series for implementation in fire behavior models | |
Du et al. | Estimating leaf area index of maize using UAV-based digital imagery and machine learning methods |
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 |