CN114936325A - 基于用户画像的遥感影像推荐方法及系统 - Google Patents

基于用户画像的遥感影像推荐方法及系统 Download PDF

Info

Publication number
CN114936325A
CN114936325A CN202210852452.7A CN202210852452A CN114936325A CN 114936325 A CN114936325 A CN 114936325A CN 202210852452 A CN202210852452 A CN 202210852452A CN 114936325 A CN114936325 A CN 114936325A
Authority
CN
China
Prior art keywords
image
data
historical
user
group
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.)
Granted
Application number
CN202210852452.7A
Other languages
English (en)
Other versions
CN114936325B (zh
Inventor
龚启航
张广益
陈莉
徐子为
彭哲
李洁
邹圣兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shuhui Spatiotemporal Information Technology Co ltd
Original Assignee
Beijing Shuhui Spatiotemporal Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Shuhui Spatiotemporal Information Technology Co ltd filed Critical Beijing Shuhui Spatiotemporal Information Technology Co ltd
Priority to CN202210852452.7A priority Critical patent/CN114936325B/zh
Publication of CN114936325A publication Critical patent/CN114936325A/zh
Application granted granted Critical
Publication of CN114936325B publication Critical patent/CN114936325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明提供一种基于用户画像的遥感影像推荐方法及系统，该方法包括以下步骤：S1获取用户历史数据和用户需求数据，所述用户历史数据包括历史推荐方案数据和历史影像数据；S2对所述历史影像数据基于内容进行归类，得到第一数据；S3对所述历史推荐方案数据基于内容进行统计，得到第二数据；S4分别对所述第一数据、第二数据和所述历史用户需求数据赋予标签；S5使用权重生成方法生成所述标签的权重；S6使用所述标签和所述权重构建用户画像；S7根据所述用户画像进行影像推荐。本发明通过构建非传统的用户画像，不仅体现了用户的需求偏好，还体现了用户对整组影像以及推荐方案的兴趣偏好，进而通过该用户画像能够为用户提供个性化的影像推荐方案。

Description

基于用户画像的遥感影像推荐方法及系统
技术领域
本发明涉及遥感影像推荐领域，具体涉及一种基于用户画像的遥感影像推荐方法及系统。
背景技术
随着互联网的快速发展，数据也迎来了爆发式的增长，无论是用户数据，商品数据还是网站数量等等都呈现出指数型的增长趋势，迎面而来的主要有两个问题，一个是海量的数据如何存储，目前比较通用的技术方案是基于Hadoop集群来对海量数据做分布式的存储，通过动态扩展集群数量来提高整体的存储容量，并且分布式存储通过特有的备份机制保障了数据存放的安全性。第二个问题是，海量的数据如何高效的检索，由于数量大大增长，产生的速度已经远远超过了用户可以获取的速度，用户在面对海量数据集时将无所适从。如今比较常见的方案是加入个性化排序，使得用户可以更容易获得目标数据信息，如搜索引擎在搜索结果中加入个性化排序，在内容分发上加入个性化推荐分发等。
遥感影像推荐与一般的商品推荐和检索有很大不同。在遥感数据领域，遥感数据涉及到空间属性，每份数据都对应着实际的一片区域，一般的商品不具备该特性。遥感数据还涉及到时间属性，同一片区域一般会有多份不同时间维度的数据。用户的需求在遥感影像推荐中也与常规的推荐和检索不同，用户需要的是一组能够完整覆盖目标区域的影像组，用户偏好不仅体现在单张影像的元数据上，还体现在整组多张影像的组合方式。仅依靠建立传统的用户画像无法勾勒出用户的真实兴趣偏好。
发明内容
为了解决上述现有技术的问题，本发明提出一种基于用户画像的遥感影像推荐方法，通过充分挖掘用户历史推荐影像数据和历史推荐方案数据，生成了能够体现用户推荐偏好的用户画像，进一步通过匹配用户画像和遥感数据库，能够生成定制化的、符合用户偏好的推荐方案，满足用户对影像推荐中整个影像组以及影像组组合方式的偏好。
为实现上述技术目的，本发明的技术方案如下：
一种基于用户画像的遥感影像推荐方法，该方法包括以下步骤
S1 获取用户历史数据和用户需求数据，所述用户历史数据包括历史推荐方案数据和历史影像数据，所述用户需求数据包括历史用户需求数据和当前用户需求数据；
S2 对所述历史影像数据基于内容进行归类，得到第一数据；
S3 对所述历史推荐方案数据基于内容进行统计，得到第二数据；
S4 分别对所述第一数据、第二数据和所述历史用户需求数据赋予标签，得到第一标签组、第二标签组和第三标签组；
S5 使用权重生成方法分别对所述第一标签组、第二标签组和第三标签组中的每个标签进行权重生成，得到第一权重组、第二权重组和第三权重组；
S6 将所述第一标签组、所述第二标签组和所述第三标签组中的所有标签作为元素项，将所述第一权重组、所述第二权重组和所述第三权重组中的所有权重作为权值，根据所述元素项和所述权值构建用户画像；
S7 在遥感影像库中根据所述当前用户需求数据和匹配算法进行影像匹配，得到匹配影像组，利用所述用户画像对所述匹配影像组进行影像推荐，得到推荐影像组。
进一步地，所述历史推荐方案数据由路径参量和基于所述路径参量进行影像搜索的影像组搜索算法组成，所述路径参量由所述历史影像数据和其对应的历史影像覆盖率组成，所述历史影像覆盖率为每个所述历史影像数据对对应的历史用户需求数据中的目标区域的覆盖率。
可选地，步骤S3包括：
S31对所述影像组搜索算法进行统计，得到影像组搜索算法统计数据，所述影像组搜索算法统计数据包括每类影像组搜索算法和其对应的数量：
Figure 647030DEST_PATH_IMAGE001
其中，
Figure 298591DEST_PATH_IMAGE002
为历史使用的影像组搜索算法，其中m为历史使用的影像组搜索算法按历史使用顺序进行排序的序号，n为影像组搜索算法的种类数，count()为对括号内参量的数量的计算；
S32对所述影像组搜索算法使用的路径参量进行统计，得到每类影像组搜索算法对应的路径参量数量集合：
Figure 671804DEST_PATH_IMAGE003
其中，
Figure 535855DEST_PATH_IMAGE004
为第n类影像组搜索算法使用过的路径参量，ak为第k类路径参量；
S33将所述影像组搜索算法统计数据和所述每类影像组搜索算法对应的路径参量数量集合进行拼接，得到第二数据：
Figure 537895DEST_PATH_IMAGE005
其中，
Figure 829199DEST_PATH_IMAGE006
。
可选地，步骤S5包括：
S51根据每个标签对应的数据的数量得到每个标签的初始权重，所述标签的初始权重与该标签对应的数据的数量成正比；
S52根据每个标签对应的数据的历史使用日期得到每个标签的衰减项，其中，对于有多个历史使用日期的标签，取最近的k次的平均值作为实际计算的历史使用日期：
Figure 830653DEST_PATH_IMAGE007
S53根据所述初始权重和所述衰减项生成标签的权重：
Figure 623028DEST_PATH_IMAGE008
其中，
Figure 760749DEST_PATH_IMAGE009
为所述初始权重，
Figure 613167DEST_PATH_IMAGE010
为所述衰减项，r为衰减因子（0<r<1），th为所述历史使用日期的数值表示，tp为当前日期的数值表示，th和tp精确到日。
可选地，步骤S5还包括：
获取与遥感影像数据库相关的知识图谱；
基于所述知识图谱生成用户画像元素项相关的实体向量，获取向量相似度；
将所述向量相似度与相似预设值进行比较，选取大于相似预设值的向量相似度对应的实体向量，将其作为扩展元素项；
将扩展元素项添加到所述用户画像中对所述用户画像进行扩展；
基于扩展后的用户画像对所述匹配影像组进行影像推荐，得到推荐影像。
可选地，步骤S2包括：
S21所述历史影像数据包括历史影像及其对应的历史影像分辨率、历史影像时相信息、历史影像波谱信息、历史影像地理区域信息、质量评价项、历史影像质量分数和历史使用日期，其中，所述质量评价项为历史影像对应的质量评价项目的名称或代码，所述历史影像质量分数为其对应历史影像的每个质量评价项对应的评价分数；
S22对所述历史影像进行特征提取，得到历史影像特征，对所述历史影像特征进行聚类，得到历史影像聚类数据；
S23对所述历史影像分辨率进行统计，得到历史影像分辨率聚类数据，所述历史影像分辨率聚类数据包括每类历史影像分辨率和其对应的数量；
S24对所述历史影像时相信息进行聚类，得到历史影像时相信息聚类数据，聚类的方法为将所述历史影像基于时相信息进行划分，相邻时相的所述历史影像聚为一类；
S25对所述历史影像波谱信息进行聚类，得到历史影像波谱信息聚类数据，所述历史影像波谱信息聚类数据包括每类波谱和其对应的历史影像的数量；
S26对所述历史影像地理区域信息进行聚类，得到历史影像地理区域信息聚类数据，聚类的方法为根据地理区域将历史影像进行归类，在相同行政区划内的历史影像聚为一类；
S27对所述质量评价项进行聚类，得到质量评价聚类数据，聚类的方法为计算不同影像间影像质量评价分数分布的相似性，将相似性大于预设阈值的影像聚为一类，其中，一张历史影像对应n个质量评价项，每个质量评价项对应一个历史影像质量分数Sj，每张影像对应一个影像质量评价分数分布A=（S1,S2,...,Sn）；
S28将所述影像聚类数据、所述影像分辨率聚类数据、所述影像时相信息聚类数据、所述影像波谱信息聚类数据、所述影像地理区域信息聚类数据和所述质量评价聚类数据组成所述第一数据。
可选地，所述用户需求数据包括：
空间范围数据，用户通过选择行政区划或多边形框勾选的方式指定的目标区域的空间位置数据；
时间范围数据，用户所需的影像的采集时间范围；
空间分辨率数据，用户所需的影像分辨率，以范围值或多个离散值表示；
星源数据，用户所需的星源种类，包括高分系列卫星；
传感器数据，用户指定的卫星传感器类型；
业务类型数据，用户所需影像的业务用途。
一种基于用户画像的遥感影像推荐系统，其特征在于，所述系统包括：
历史数据获取模块，其配置为获取用户历史数据；
需求数据获取模块，其配置为获取用户需求数据，所述用户需求数据包括历史用户需求数据和当前用户需求数据；
数据处理模块，其配置为对所述用户历史数据进行处理，得到第一数据和第二数据；
标签赋予模块，其配置为分别对所述第一数据、第二数据和所述历史需求数据赋予标签，得到第一标签组、第二标签组和第三标签组；
权重生成模块，其配置为使用权重生成方法分别对所述第一标签组、第二标签组和第三标签组中的每个标签进行权重生成，得到第一权重组、第二权重组和第三权重组；
用户画像模块，其配置构建用户画像；
知识图谱模块，其配置为根据知识图谱对用户画像进行扩展；
召回模块，其配置为根据所述当前用户需求数据和匹配算法在遥感影像库中进行影像匹配，得到匹配影像组；
影像推荐模块，其配置为基于扩展后的用户画像对所述匹配影像组进行影像推荐，得到推荐影像组；
所述历史数据获取模块包括：
历史推荐方案数据获取单元，其配置为获取历史推荐方案；
历史影像数据获取单元，其配置为获取历史影像、历史影像分辨率、历史影像时相信息、历史影像波谱信息、历史影像地理区域信息及其对应的历史使用日期、历史影像质量分数和质量评价项；
所述需求数据获取模块包括：
历史需求数据获取单元，其配置为获取历史用户需求数据；
当前需求数据获取单元，其配置为获取当前用户需求数据；
所述数据处理模块包括：
归类单元，其配置为对所述历史影像数据基于内容进行归类，得到第一数据；
统计单元，其配置为对所述历史推荐方案数据基于内容进行统计，得到第二数据；
所述用户画像模块包括：
元素项单元，其配置为将所述第一标签组、所述第二标签组和所述第三标签组中的所有标签组成元素项；
权值单元，其配置为将所述第一权重组、所述第二权重组和所述第三权重组中的所有权重组成权值；
用户画像构建单元，其配置为使用所述元素项和所述权值构建用户画像。
相对于现有技术，本发明的有益效果至少包括：
（1）构建了一种全新的面向遥感影像推荐的用户画像，将历史推荐方案数据、历史需求数据和历史影像数据设置为用户画像的元素项，不仅体现了用户的需求偏好，还体现了用户对整组影像以及推荐方案的兴趣偏好，通过该用户画像能够为用户提供个性化的影像推荐方案。
（2）将不同的影像质量项设置为用户画像的元素项，能够反映用户对不同的影像质量项的兴趣度，从而为用户推荐真正符合用户需求的高质量影像。
（3）通过对用户画像的标签添加基于历史天数的衰减项，能够进一步反映用户当前的推荐偏好并提供更精确的推荐影像和推荐方案，从而有效提高用户操作的效率并提升用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例中基于用户画像的遥感影像推荐方法的流程示意图；
图2为本发明一实施例中基于用户画像的遥感影像推荐系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
请参照图1，图1是本发明一实施例所述的一种基于用户画像的遥感影像推荐方法的流程示意图，该方法包括以下步骤：
S1 获取用户历史数据和用户需求数据，所述用户历史数据包括历史推荐方案数据和历史影像数据，所述用户需求数据包括历史用户需求数据和当前用户需求数据；
S2 对所述历史影像数据基于内容进行归类，得到第一数据；
S3 对所述历史推荐方案数据基于内容进行统计，得到第二数据；
S4 分别对所述第一数据、第二数据和所述历史用户需求数据赋予标签，得到第一标签组、第二标签组和第三标签组；
S5 使用权重生成方法分别对所述第一标签组、第二标签组和第三标签组中的每个标签进行权重生成，得到第一权重组、第二权重组和第三权重组；
S6 将所述第一标签组、所述第二标签组和所述第三标签组中的所有标签作为元素项，将所述第一权重组、所述第二权重组和所述第三权重组中的所有权重作为权值，根据所述元素项和所述权值构建用户画像；
S7 在遥感影像库中根据所述当前用户需求数据和匹配算法进行影像匹配，得到匹配影像组，利用所述用户画像对所述匹配影像组进行影像推荐，得到推荐影像组。
本发明的技术思路为：（1）通过构建用户画像来对用户的推荐需求进行直观的体现；（2）与传统的用户画像不同，使用了较为详细的用户历史数据和用户需求数据作为构建用户画像的元素项，用户历史数据包括历史推荐方案数据和包括影像质量评价项的历史影像数据，能够充分体现用户对推荐影像的真实需求；（3）使用知识图谱来扩展用户画像，进一步挖掘用户的潜在需求。
S1 获取用户历史数据和用户需求数据，所述用户历史数据包括历史推荐方案数据和历史影像数据，所述用户需求数据包括历史用户需求数据和当前用户需求数据。
本实施例中历史影像数据包括：历史影像及其对应的历史影像分辨率、历史影像时相信息、历史影像波谱信息、历史影像地理区域信息、质量评价项、历史影像质量分数和历史使用日期，其中，所述质量评价项为历史影像对应的质量评价项目的名称或代码，所述历史影像质量分数为其对应历史影像的每个质量评价项对应的评价分数。
历史用户需求数据和当前用户需求数据为同类型数据，通常为用户的查询条件，包括：
空间范围数据，用户通过选择行政区划或多边形框勾选的方式指定的目标区域的空间位置数据；时间范围数据，用户所需的影像的采集时间范围；空间分辨率数据，用户所需的影像分辨率，以范围值或多个离散值表示；星源数据，用户所需的星源种类，包括高分系列卫星；传感器数据，用户指定的卫星传感器类型；业务类型数据，用户所需影像的业务用途。
本实施例中需求数据由用户在系统界面通过文本输入和点选获得，点选选项直接生成对应的标签数据，输入文本经过自动化语义理解后转化为相应的标签数据。需求数据包括：空间范围数据，用户通过选择行政区划或多边形框勾选的方式指定的目标区域的空间位置数据，如湖北省武汉市；时间范围数据，用户所需的影像的采集时间范围，包括年份月份和日，如2018年2月5日至2019年1月5日；空间分辨率数据，用户所需的影像分辨率，以范围值或多个离散值表示，如可以选取2m和8m或选取2-8m；星源数据，用户需要的星源种类，包括高分系列卫星；传感器数据，用户指定的卫星传感器类型；业务类型数据，用户所需影像的业务用途，如用于镶嵌或解译。在一实施例中，星源数据、传感器数据和空间分辨率数据相互关联，星源对应相应的传感器类型，传感器类型对应相应的空间分辨率。
本实施例中所述历史推荐方案数据由路径参量和基于所述路径参量进行影像搜索的影像组搜索算法组成：
其中，所述路径参量用于构建影像路径，所述路径参量由所述历史影像数据和其对应的历史影像覆盖率组成，所述影像路径由影像节点构成，每个影像节点对应一张影像，从初始影像节点到目标影像节点为一条完整的影像路径，所述历史影像覆盖率为每个所述历史影像数据对对应的历史用户需求数据中的目标区域的覆盖率。
影像组搜索算法，用于在所述影像路径中根据算法逻辑进行路径搜索，得到一条路径和路径上的所有影像。
本实施例中使用的影像组搜索算法为基于A-star算法的衍生算法。A-star算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是许多其他问题的常用启发式算法。A-star算法的公式为：
Figure 836338DEST_PATH_IMAGE011
其中，
Figure 307770DEST_PATH_IMAGE012
是从初始状态经由状态n到目标状态的最小代价估计，
Figure 424631DEST_PATH_IMAGE013
是在状态空间中从初始状态到状态n的最小代价，
Figure 588896DEST_PATH_IMAGE014
是从状态n到目标状态的路径的最小估计代价。
本实施例中使用的衍生算法将影像选取作为路径，以影像组完整覆盖目标区域为终点，使用影像质量及其他影像元数据作为路径代价的影响因素。通过启发式算法，可以实现自动化路径获取，得到一组完整覆盖目标区域的影像组，影像组质量高且能够体现用户关注的影像元数据。本实施例中使用的A-star衍生算法最终使用的路径参量为：{云量评价，0.3；阴影评价，0.2；高分-1，0.1；清晰度评价，0.4}，其中的云量评价、阴影评价和清晰度评价均由影像数据中的质量评价项获得，云量评价和阴影评价由云和阴影的占比获得，其中的数字为路径参量对应的权值，表示该项路径参量对路径构建的影响程度，其余元素项不参与算法计算，A-star衍生算法根据上述路径参量对影像进行动态评分，基于对目标区域的覆盖率实现影像的分幅选取，获取最终的影像组。
需要说明的是，需要量化的影像质量和其他影像元数据才能评判其对路径代价的影响。因而，对影像进行基于质量的打分是使用该影像组搜索算法的必要预处理步骤。
本实施例中影像质量数据包括清晰度评价、均方差评价、信息熵评价、峰值信噪比评价、无效像元评价、多光谱与全色一致性评价、波段匹配评价、侧视角超限评价、云量评价、阴影评价、条带评价、边界异常评价、直方图反常评价，上述质量数据项均为评价项，以统一标准的分数形式存在，分值越高表示质量越好。
S2 对所述历史影像数据基于内容进行归类，得到第一数据。
本实施例中，对所述历史影像数据基于内容进行归类，得到第一数据，包括：
对所述历史影像数据进行特征提取，得到影像特征，根据所述影像特征对所述历史影像数据进行聚类，得到影像聚类数据。
本实施例中主要提取的历史影像数据的特征为光谱特征和纹理特征。采用神经元网络分析法提取影像的光谱特征；采用灰度共生矩阵法提取影像的纹理特征。所述两种特征提取方法的实施例如下：
（1）神经元网络分析法提取影像的光谱特征实施例：
卷积神经网络通过计算机自动提取特征实现图像特征的提取与抽象，所提取的特征数据具有不变性特征。
1）将历史影像作为卷积神经网络卷积层的输入数据，通过n个可训练的滤波器和可加偏置对输入数据进行卷积，获得n个不同的特征映射图。每个特征映射图中的每一个神经元与输入数据的一个局部感受野相连，用于提取相应的局部特征，每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息，将该全局信息作为一个特征映射图中的数据特征。
2）将每个特征映射图中每组m×m个像素进行求和，加权值，加偏置，通过Sigmoid函数得到n个子采样层。
3）将卷积神经网络的每一个卷积层与每一个特征映射图中每个对应的子采样层叠加，获得叠加层，再通过一个全连接层与每一个特征映射图中所有叠加层相连，计算获得全连接层的一个单元中n个子采样层与卷积神经网络权重向量之间的点积，将点积加上一个偏置后，再传递给Sigmoid函数，获得一个单元的输入数据状态响应，全连接层的所有单元个数为最终获得的输入数据状态响应个数，将所有输入数据状态响应作为输入数据的提取特征，实现光谱特征的特征提取。
（2）灰度共生矩阵法提取影像的纹理特征实施例：
灰度共生矩阵法(GLCM, Gray-level co-occurrence matrix)，是通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，它是分析图像的局部模式和它们排列规则的基础。
1）提取灰度图像：
将遥感影像转换为灰度图像，提取出多个通道的灰度图像，由于不同通道的纹理特征是一致的，因此选取其中任意一幅灰度图像。
2）灰度级量化：
将上述灰度图像进行直方图均衡化处理，增加灰度值的动态范围，再将图像的灰度从初始的256级平均划分为16个灰度级，实现灰度级压缩。
3）计算特征值的参数选择：
选择滑动窗口尺寸7×7进行特征值计算，选择步距1，方向选用0°，45°，90°，135°四个方向，求出四个方向矩阵的特征值后，可以通过计算四个特征值的平均值作为最终特征值共生矩阵。
4）纹理特征值计算：
本实施例中主要计算对比度、能量、熵、逆方差、相关性这几个特征值：
对比度，度量矩阵的值是如何分布和图像中局部变化的多少，反应了图像的清晰度和纹理的沟纹深浅。纹理的沟纹越深，反差越大，效果越清晰；反之，对比值小，则沟纹浅，效果模糊：
Figure 925462DEST_PATH_IMAGE015
能量，能量变换反映了图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵的元素值相近，则能量较小，表示纹理细致；若其中一些值大，而其它值小，则能量值较大。能量值大表明一种较均一和规则变化的纹理模式：
Figure 669427DEST_PATH_IMAGE016
熵，图像包含信息量的随机性度量。当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂：
Figure 47319DEST_PATH_IMAGE017
逆方差，逆方差反映了图像纹理局部变化的大小，若图像纹理的不同区域间较均匀，变化缓慢，逆方差会较大，反之较小：
Figure 975960DEST_PATH_IMAGE018
相关性，用来度量图像的灰度级在行或列方向上的相似程度，因此值得大小反应了局部灰度相关性，值越大，相关性也越大：
Figure 173724DEST_PATH_IMAGE019
对所述历史影像分辨率进行统计，得到影像分辨率聚类数据，所述影像分辨率聚类数据包括每类影像分辨率和其对应的数量。
对所述历史影像时相信息进行聚类，得到影像时相信息聚类数据，所述聚类方法为将相邻时间范围内的历史影像聚为同类。
对所述历史影像波谱信息进行聚类，得到影像波谱信息聚类数据，所述影像波谱信息聚类数据包括每类波谱和其对应的影像数量。
对所述历史影像地理区域信息进行聚类，得到历史影像地理区域信息聚类数据，聚类的方法为根据地理区域将历史影像进行归类，在相同行政区划内的历史影像聚为一类。
对所述质量评价项进行聚类，得到质量评价聚类数据，聚类的方法为计算不同影像间影像质量评价分数分布的相似性，将相似性大于预设阈值的影像聚为一类，其中，一张历史影像对应n个质量评价项，每个质量评价项对应一个历史影像质量分数Sj，每张影像对应一个影像质量评价分数分布A=（S1,S2,...,Sn）。
将所述影像聚类数据、所述影像分辨率聚类数据、所述影像时相信息聚类数据、所述影像波谱信息聚类数据、所述影像地理区域信息聚类数据和所述质量评价聚类数据组成所述第一数据。
S3 对所述历史推荐方案数据基于内容进行统计，得到第二数据。
本实施例中，对所述影像组搜索算法进行统计，得到影像组搜索算法统计数据，所述影像组搜索算法统计数据包括每类影像组搜索算法和其对应的数量：
Figure 111593DEST_PATH_IMAGE001
其中，
Figure 78412DEST_PATH_IMAGE002
为历史使用的影像组搜索算法，其中m为历史使用的影像组搜索算法按历史使用顺序进行排序的序号，n为影像组搜索算法的种类数，count()为对括号内参量的数量的计算；
对所述影像组搜索算法使用的路径参量进行统计，得到每类影像组搜索算法对应的路径参量数量集合：
Figure 584479DEST_PATH_IMAGE021
其中，
Figure 128593DEST_PATH_IMAGE004
为第n类影像组搜索算法使用过的路径参量，ak为第k类路径参量；
将所述影像组搜索算法统计数据和所述每类影像组搜索算法对应的路径参量数量集合进行拼接，得到第二数据：
Figure 745519DEST_PATH_IMAGE005
其中，
Figure 190014DEST_PATH_IMAGE006
。
S4 分别对所述第一数据、第二数据和所述历史用户需求数据赋予标签，得到第一标签组、第二标签组和第三标签组。
本实施例中，因为历史用户需求数据为用户的查询条件，可以对历史需求数据直接赋予查询条件相对应的标签，得到第三标签组，对第二数据赋予标签得到第二标签组的内容为：
历史推荐方案数据
Figure 601403DEST_PATH_IMAGE005
中，每个
Figure 773759DEST_PATH_IMAGE006
对应一个标签，标签名称为Sj类影像组搜索算法的名称。
对第一数据赋予标签得到第一标签组的内容为：
对历史影像聚类数据赋予标签“影像聚类1”、“影像聚类2”、“影像聚类3”等，对历史影像分辨率聚类数据直接赋予其对应的分辨率标签，对历史影像时相信息聚类数据赋予其包括的所有时相信息对应的总时间范围标签，如：“2020.5.6-2020.6.8”，对历史影像波谱信息聚类数据直接赋予其对应的波谱类型标签，对历史影像地理区域信息聚类数据直接赋予其对应的行政区划标签，对质量评价聚类数据赋予标签“质量聚类1”、“质量聚类2”、“质量聚类3”等。
S5 使用权重生成方法分别对所述第一标签组、第二标签组和第三标签组中的每个标签进行权重生成，得到第一权重组、第二权重组和第三权重组。
本实施例中，所述权重生成方法，包括：
根据每个标签对应的数据的数量得到每个标签的初始权重，所述标签的初始权重与该标签对应的数据的数量成正比。
根据每个标签对应的数据的历史使用日期得到每个标签的衰减项，所述标签对应的数据的历史使用日期越远离当前时间，该标签的衰减项越大。
根据所述初始权重和所述衰减项生成标签的权重：
Figure 787851DEST_PATH_IMAGE008
其中，
Figure 994842DEST_PATH_IMAGE009
为所述初始权重，
Figure 701766DEST_PATH_IMAGE010
为所述衰减项，r为衰减因子（0<r<1），th为所述创建时间的数值表示，tp为当前时间的数值表示，th和tp精确到日。
其中，对于有多个创建时间的标签，取最近的k次的平均值作为实际计算的历史使用日期：
Figure DEST_PATH_IMAGE022
应当说明的是，用户画像具有时效性，用户的兴趣偏好随时都有可能会改变，需要关注最能反映用户近期兴趣偏好的用户标签，因而本发明还通过赋予标签一个基于历史天数的衰减项来减小历史时间较远的标签的权重，并加强用户近期涉及到的标签的权重。通过对用户画像的标签添加基于历史天数的衰减项，能够进一步反映用户当前的推荐偏好并提供更精确的推荐影像和推荐方案，从而有效提高用户操作的效率并提升用户体验。
S6 将所述第一标签组、所述第二标签组和所述第三标签组中的所有标签作为元素项，将所述第一权重组、所述第二权重组和所述第三权重组中的所有权重作为权值，根据所述元素项和所述权值构建用户画像。
本实施例中，用户画像的形式为[(E1,W1),(E2,W2),...,(En,Wn)]，其中Ej对应第j个元素项，Wj为第j个元素项对应的权值，根据权值由大到小对元素项进行排序。
可以理解的是，用户画像作为大数据技术的重要应用，其目标是在很多的维度上建立针对用户的描述性标签属性，从而利用这些标签属性对用户多方面的真实个人特征进行勾勒，进而可以利用用户画像发掘用户需求，分析用户偏好，并通过匹配用户画像提供给用户更高效和更有针对性的信息输送以及更贴近个人习惯的用户体验。本发明除建立影像固有标签属性如影像分辨率、影像时相等外，还对历史影像和历史方案数据进行通过聚类和统计方法获得更多维度上的标签属性，更深层次地挖掘用户的个人偏好和需求。除此之外，不同的标签表现了用户不同程度上的用户偏好，关注能代表最高程度用户偏好的标签是用户画像的重要意义之一。本发明中通过赋予用户标签权重的方式对不同的用户标签分配不同的关注度。
S7 在遥感影像库中根据所述当前用户需求数据和匹配算法进行影像匹配，得到匹配影像组，利用所述用户画像对所述匹配影像组进行影像推荐，得到推荐影像组。
本实施例中使用多路召回方法进行影像匹配，多路召回包括基于内容的召回算法、基于协同过滤的召回算法和嵌入式召回算法。影像召回能够从庞大的影像数据库中对影像进行初步筛选，得到匹配影像组，后续推荐基于匹配影像组进行。
本实施例中，还使用知识图谱扩展所述用户画像，包括：
获取遥感影像数据库相关的知识图谱。
基于所述知识图谱生成用户画像元素项相关的实体向量，获取向量相似度。
将所述向量相似度与相似预设值进行比较，选取大于相似预设值的向量相似度对应的实体向量，将其作为扩展元素项。
将扩展元素项添加到所述用户画像中对所述用户画像进行扩展；
基于扩展后的用户画像对所述匹配影像组进行影像推荐，得到推荐影像组。
虽然本实施例中的用户画像元素项除开需求数据的所有项外已包括了历史使用的影像组搜索算法和所有质量评价项对应的影像质量分数，上述元素项可能仍不能完全体现用户的需求，通过扩展用户画像能够进一步挖掘用户的潜在需求。相关实体向量与元素项的相似度为，计算每两个目标实体所对应的实体向量间的相似度，获取目标实体与元素项标签之间的映射关系，将目标实体对应的实体向量间的相似度转换为目标实体与元素项标签之间的相似度。本实施例中使用的相似度预设阈值为80%。
本实施例中，遥感影像数据库相关的知识图谱中的节点对应于遥感影像相关的实体，包括地物类型如建筑物、耕地、森林、湖泊等，三元组关系如建筑物-从属-足球场，之间通过“从属”关系关联。构建的知识图谱包括遥感影像的空间属性信息和内容信息，知识图谱结构包括三层，第一层为类别属性，第二层为基本区域属性，第三层为第二层所示区域的遥感影像。如：第一层包括城市、水域、森林、山脉等地理属性，第二层为第一层类别的经典代表，如城市的子节点包括北京、上海等。
本发明实施例提供的基于用户画像的遥感影像推荐系统如图2所示，所述系统包括：
历史数据获取模块，其配置为获取用户历史数据；
需求数据获取模块，其配置为获取用户需求数据，所述用户需求数据包括历史用户需求数据和当前用户需求数据；
数据处理模块，其配置为对所述用户历史数据进行处理，得到第一数据和第二数据；
标签赋予模块，其配置为分别对所述第一数据、第二数据和所述历史需求数据赋予标签，得到第一标签组、第二标签组和第三标签组；
权重生成模块，其配置为使用权重生成方法分别对所述第一标签组、第二标签组和第三标签组中的每个标签进行权重生成，得到第一权重组、第二权重组和第三权重组；
用户画像模块，其配置构建用户画像；
知识图谱模块，其配置为根据知识图谱对用户画像进行扩展；
召回模块，其配置为根据所述当前用户需求数据和匹配算法进行影像匹配，得到匹配影像组；
影像推荐模块，其配置为基于扩展后的用户画像对所述匹配影像组进行影像推荐，得到推荐影像组；
所述历史数据获取模块包括：
历史推荐方案数据获取单元，其配置为获取历史推荐方案；
历史影像数据获取单元，其配置为获取历史影像、历史影像分辨率、历史影像时相信息、历史影像波谱信息、历史影像地理区域信息及其对应的历史使用日期、历史影像质量分数和质量评价项；
所述需求数据获取模块包括：
历史需求数据获取单元，其配置为获取历史用户需求数据；
当前需求数据获取单元，其配置为获取当前用户需求数据；
所述数据处理模块包括：
归类单元，其配置为对所述历史影像数据基于内容进行归类，得到第一数据；
统计单元，其配置为对所述历史推荐方案数据基于内容进行统计，得到第二数据；
所述用户画像模块包括：
元素项单元，其配置为将所述第一标签组、所述第二标签组和所述第三标签组中的所有标签组成元素项；
权值单元，其配置为将所述第一权重组、所述第二权重组和所述第三权重组中的所有权重组成权值；
用户画像构建单元，其配置为使用所述元素项和所述权值构建用户画像。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于用户画像的遥感影像推荐方法，其特征在于，包括：
S1 获取用户历史数据和用户需求数据，所述用户历史数据包括历史推荐方案数据和历史影像数据，所述用户需求数据包括历史用户需求数据和当前用户需求数据；
S2 对所述历史影像数据基于内容进行归类，得到第一数据；
S3 对所述历史推荐方案数据基于内容进行统计，得到第二数据；
S4 分别对所述第一数据、第二数据和所述历史用户需求数据赋予标签，得到第一标签组、第二标签组和第三标签组；
S5 使用权重生成方法分别对所述第一标签组、第二标签组和第三标签组中的每个标签进行权重生成，得到第一权重组、第二权重组和第三权重组；
S6 将所述第一标签组、所述第二标签组和所述第三标签组中的所有标签作为元素项，将所述第一权重组、所述第二权重组和所述第三权重组中的所有权重作为权值，根据所述元素项和所述权值构建用户画像；
S7 在遥感影像库中根据所述当前用户需求数据和匹配算法进行影像匹配，得到匹配影像组，利用所述用户画像对所述匹配影像组进行影像推荐，得到推荐影像组。
2.根据权利要求1所述的基于用户画像的遥感影像推荐方法，其特征在于，所述历史推荐方案数据由路径参量和基于所述路径参量进行影像搜索的影像组搜索算法组成，所述路径参量由所述历史影像数据和其对应的历史影像覆盖率组成，所述历史影像覆盖率为每个所述历史影像数据对对应的历史用户需求数据中的目标区域的覆盖率。
3.根据权利要求2所述的基于用户画像的遥感影像推荐方法，其特征在于，步骤S3包括：
S31对所述影像组搜索算法进行统计，得到影像组搜索算法统计数据，所述影像组搜索算法统计数据包括每类影像组搜索算法和其对应的数量：
Figure 470833DEST_PATH_IMAGE001
其中，
Figure 225162DEST_PATH_IMAGE002
为历史使用的影像组搜索算法，其中m为历史使用的影像组搜索算法按历史使用顺序进行排序的序号，n为影像组搜索算法的种类数，count()为对括号内参量的数量的计算；
S32对所述影像组搜索算法使用的路径参量进行统计，得到每类影像组搜索算法对应的路径参量数量集合：
Figure 962174DEST_PATH_IMAGE003
其中，
Figure 688822DEST_PATH_IMAGE004
为第n类影像组搜索算法使用过的路径参量，ak为第k类路径参量；
S33将所述影像组搜索算法统计数据和所述每类影像组搜索算法对应的路径参量数量集合进行拼接，得到第二数据：
Figure 118666DEST_PATH_IMAGE005
其中，
Figure 360292DEST_PATH_IMAGE006
。
4.根据权利要求1所述的基于用户画像的遥感影像推荐方法，其特征在于，步骤S5包括：
S51根据每个标签对应的数据的数量得到每个标签的初始权重，所述标签的初始权重与该标签对应的数据的数量成正比；
S52根据每个标签对应的数据的历史使用日期得到每个标签的衰减项，其中，对于有多个历史使用日期的标签，取最近的k次的平均值作为实际计算的历史使用日期：
Figure 697732DEST_PATH_IMAGE007
S53根据所述初始权重和所述衰减项生成标签的权重：
Figure 341203DEST_PATH_IMAGE008
其中，
Figure 676369DEST_PATH_IMAGE009
为所述初始权重，
Figure 960284DEST_PATH_IMAGE010
为所述衰减项，r为衰减因子（0<r<1），th为所述历史使用日期的数值表示，tp为当前日期的数值表示，th和tp精确到日。
5.根据权利要求1所述的基于用户画像的遥感影像推荐方法，其特征在于，步骤S5还包括：
获取与遥感影像数据库相关的知识图谱；
基于所述知识图谱生成用户画像元素项相关的实体向量，获取向量相似度；
将所述向量相似度与相似预设值进行比较，选取大于相似预设值的向量相似度对应的实体向量，将其作为扩展元素项；
将扩展元素项添加到所述用户画像中对所述用户画像进行扩展；
基于扩展后的用户画像对所述匹配影像组进行影像推荐，得到推荐影像。
6.根据权利要求1所述的基于用户画像的遥感影像推荐方法，其特征在于，步骤S2包括：
S21所述历史影像数据包括历史影像及其对应的历史影像分辨率、历史影像时相信息、历史影像波谱信息、历史影像地理区域信息、质量评价项、历史影像质量分数和历史使用日期，其中，所述质量评价项为历史影像对应的质量评价项目的名称或代码，所述历史影像质量分数为其对应历史影像的每个质量评价项对应的评价分数；
S22对所述历史影像进行特征提取，得到历史影像特征，对所述历史影像特征进行聚类，得到历史影像聚类数据；
S23对所述历史影像分辨率进行统计，得到历史影像分辨率聚类数据，所述历史影像分辨率聚类数据包括每类历史影像分辨率和其对应的数量；
S24对所述历史影像时相信息进行聚类，得到历史影像时相信息聚类数据，聚类的方法为将所述历史影像基于时相信息进行划分，相邻时相的所述历史影像聚为一类；
S25对所述历史影像波谱信息进行聚类，得到历史影像波谱信息聚类数据，所述历史影像波谱信息聚类数据包括每类波谱和其对应的历史影像的数量；
S26对所述历史影像地理区域信息进行聚类，得到历史影像地理区域信息聚类数据，聚类的方法为根据地理区域将历史影像进行归类，在相同行政区划内的历史影像聚为一类；
S27对所述质量评价项进行聚类，得到质量评价聚类数据，聚类的方法为计算不同影像间影像质量评价分数分布的相似性，将相似性大于预设阈值的影像聚为一类，其中，一张历史影像对应n个质量评价项，每个质量评价项对应一个历史影像质量分数Sj，每张影像对应一个影像质量评价分数分布A=（S1,S2,...,Sn）；
S28将所述影像聚类数据、所述影像分辨率聚类数据、所述影像时相信息聚类数据、所述影像波谱信息聚类数据、所述影像地理区域信息聚类数据和所述质量评价聚类数据组成所述第一数据。
7.根据权利要求1所述的基于用户画像的遥感影像推荐方法，其特征在于，所述用户需求数据包括：
空间范围数据，用户通过选择行政区划或多边形框勾选的方式指定的目标区域的空间位置数据；
时间范围数据，用户所需的影像的采集时间范围；
空间分辨率数据，用户所需的影像分辨率，以范围值或多个离散值表示；
星源数据，用户所需的星源种类，包括高分系列卫星；
传感器数据，用户指定的卫星传感器类型；
业务类型数据，用户所需影像的业务用途。
8.一种基于用户画像的遥感影像推荐系统，其特征在于，所述系统包括：
历史数据获取模块，其配置为获取用户历史数据；
需求数据获取模块，其配置为获取用户需求数据，所述用户需求数据包括历史用户需求数据和当前用户需求数据；
数据处理模块，其配置为对所述用户历史数据进行处理，得到第一数据和第二数据；
标签赋予模块，其配置为分别对所述第一数据、第二数据和所述历史需求数据赋予标签，得到第一标签组、第二标签组和第三标签组；
权重生成模块，其配置为使用权重生成方法分别对所述第一标签组、第二标签组和第三标签组中的每个标签进行权重生成，得到第一权重组、第二权重组和第三权重组；
用户画像模块，其配置构建用户画像；
知识图谱模块，其配置为根据知识图谱对用户画像进行扩展；
召回模块，其配置为根据所述当前用户需求数据和匹配算法在遥感影像库中进行影像匹配，得到匹配影像组；
影像推荐模块，其配置为基于扩展后的用户画像对所述匹配影像组进行影像推荐，得到推荐影像组；
所述历史数据获取模块包括：
历史推荐方案数据获取单元，其配置为获取历史推荐方案；
历史影像数据获取单元，其配置为获取历史影像、历史影像分辨率、历史影像时相信息、历史影像波谱信息、历史影像地理区域信息及其对应的历史使用日期、历史影像质量分数和质量评价项；
所述需求数据获取模块包括：
历史需求数据获取单元，其配置为获取历史用户需求数据；
当前需求数据获取单元，其配置为获取当前用户需求数据；
所述数据处理模块包括：
归类单元，其配置为对所述历史影像数据基于内容进行归类，得到第一数据；
统计单元，其配置为对所述历史推荐方案数据基于内容进行统计，得到第二数据；
所述用户画像模块包括：
元素项单元，其配置为将所述第一标签组、所述第二标签组和所述第三标签组中的所有标签组成元素项；
权值单元，其配置为将所述第一权重组、所述第二权重组和所述第三权重组中的所有权重组成权值；
用户画像构建单元，其配置为使用所述元素项和所述权值构建用户画像。
CN202210852452.7A 2022-07-20 2022-07-20 基于用户画像的遥感影像推荐方法及系统 Active CN114936325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210852452.7A CN114936325B (zh) 2022-07-20 2022-07-20 基于用户画像的遥感影像推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210852452.7A CN114936325B (zh) 2022-07-20 2022-07-20 基于用户画像的遥感影像推荐方法及系统

Publications (2)

Publication Number Publication Date
CN114936325A true CN114936325A (zh) 2022-08-23
CN114936325B CN114936325B (zh) 2022-10-11

Family

ID=82867940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210852452.7A Active CN114936325B (zh) 2022-07-20 2022-07-20 基于用户画像的遥感影像推荐方法及系统

Country Status (1)

Country Link
CN (1) CN114936325B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115344732A (zh) * 2022-10-18 2022-11-15 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
CN115358729A (zh) * 2022-10-21 2022-11-18 成都戎星科技有限公司 一种卫星影像数据智能发布系统
CN115374303A (zh) * 2022-10-26 2022-11-22 北京数慧时空信息技术有限公司 基于用户需求理解的卫星影像推荐方法
CN115795072A (zh) * 2023-02-03 2023-03-14 北京数慧时空信息技术有限公司 遥感影像动态混合推荐系统及方法
CN115858840A (zh) * 2023-02-28 2023-03-28 北京数慧时空信息技术有限公司 基于场景的遥感影像镶嵌方法
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
CN117173400A (zh) * 2023-11-03 2023-12-05 广东省农业科学院植物保护研究所 一种荔枝虫害的低碳治理方案推荐方法及系统
CN117218452A (zh) * 2023-11-02 2023-12-12 临沂市兰山区自然资源开发服务中心 一种土地图像自动分类管理系统
CN117390379A (zh) * 2023-12-11 2024-01-12 博睿康医疗科技(上海)有限公司 在线信号测量装置、信号特征的置信度测量装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140012870A1 (en) * 2012-07-05 2014-01-09 Barry Wark Method and System for Identifying Data and Users of Interest from Patterns of User Interaction with Existing Data
CN109062994A (zh) * 2018-07-04 2018-12-21 平安科技（深圳）有限公司 推荐方法、装置、计算机设备和存储介质
CN110489644A (zh) * 2019-08-13 2019-11-22 腾讯科技（北京）有限公司 信息推送方法、装置、计算机可读存储介质和计算机设备
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
JP2021101279A (ja) * 2019-12-24 2021-07-08 アイシン・エィ・ダブリュ株式会社 広告情報提供システム、広告情報提供装置及びコンピュータプログラム
CN113569088A (zh) * 2021-09-27 2021-10-29 腾讯科技（深圳）有限公司 一种音乐推荐方法、装置以及可读存储介质
WO2022033199A1 (zh) * 2020-08-14 2022-02-17 腾讯科技（深圳）有限公司 一种获得用户画像的方法及相关装置
CN114491237A (zh) * 2021-12-31 2022-05-13 中国科学院空天信息创新研究院 一种遥感卫星数据个性化推荐方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140012870A1 (en) * 2012-07-05 2014-01-09 Barry Wark Method and System for Identifying Data and Users of Interest from Patterns of User Interaction with Existing Data
CN109062994A (zh) * 2018-07-04 2018-12-21 平安科技（深圳）有限公司 推荐方法、装置、计算机设备和存储介质
CN110489644A (zh) * 2019-08-13 2019-11-22 腾讯科技（北京）有限公司 信息推送方法、装置、计算机可读存储介质和计算机设备
JP2021101279A (ja) * 2019-12-24 2021-07-08 アイシン・エィ・ダブリュ株式会社 広告情報提供システム、広告情報提供装置及びコンピュータプログラム
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
WO2022033199A1 (zh) * 2020-08-14 2022-02-17 腾讯科技（深圳）有限公司 一种获得用户画像的方法及相关装置
CN113569088A (zh) * 2021-09-27 2021-10-29 腾讯科技（深圳）有限公司 一种音乐推荐方法、装置以及可读存储介质
CN114491237A (zh) * 2021-12-31 2022-05-13 中国科学院空天信息创新研究院 一种遥感卫星数据个性化推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨晓蕾等: "基于张量分解的多维信息融合兴趣点推荐算法", 《小型微型计算机系统》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115344732A (zh) * 2022-10-18 2022-11-15 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
CN115358729A (zh) * 2022-10-21 2022-11-18 成都戎星科技有限公司 一种卫星影像数据智能发布系统
CN115358729B (zh) * 2022-10-21 2023-01-13 成都戎星科技有限公司 一种卫星影像数据智能发布系统
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
WO2024087639A1 (zh) * 2022-10-24 2024-05-02 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
CN115374303B (zh) * 2022-10-26 2023-01-13 北京数慧时空信息技术有限公司 基于用户需求理解的卫星影像推荐方法
CN115374303A (zh) * 2022-10-26 2022-11-22 北京数慧时空信息技术有限公司 基于用户需求理解的卫星影像推荐方法
CN115795072A (zh) * 2023-02-03 2023-03-14 北京数慧时空信息技术有限公司 遥感影像动态混合推荐系统及方法
CN115858840A (zh) * 2023-02-28 2023-03-28 北京数慧时空信息技术有限公司 基于场景的遥感影像镶嵌方法
CN115858840B (zh) * 2023-02-28 2023-05-05 北京数慧时空信息技术有限公司 基于场景的遥感影像镶嵌方法
CN117218452A (zh) * 2023-11-02 2023-12-12 临沂市兰山区自然资源开发服务中心 一种土地图像自动分类管理系统
CN117218452B (zh) * 2023-11-02 2024-02-06 临沂市兰山区自然资源开发服务中心 一种土地图像自动分类管理系统
CN117173400A (zh) * 2023-11-03 2023-12-05 广东省农业科学院植物保护研究所 一种荔枝虫害的低碳治理方案推荐方法及系统
CN117173400B (zh) * 2023-11-03 2024-03-12 广东省农业科学院植物保护研究所 一种荔枝虫害的低碳治理方案推荐方法及系统
CN117390379A (zh) * 2023-12-11 2024-01-12 博睿康医疗科技(上海)有限公司 在线信号测量装置、信号特征的置信度测量装置
CN117390379B (zh) * 2023-12-11 2024-03-19 博睿康医疗科技(上海)有限公司 在线信号测量装置、信号特征的置信度测量装置

Also Published As

Publication number Publication date
CN114936325B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN114936325B (zh) 基于用户画像的遥感影像推荐方法及系统
Dubin et al. Spatial autoregression techniques for real estate data
US7856370B2 (en) Method and system for displaying predictions on a spatial map
CN101300575B (zh) 图像处理
Shen et al. A comparison of multiple classifier combinations using different voting-weights for remote sensing image classification
US7797188B2 (en) Method and system for optimizing business location selection
Liu et al. Unsupervised change detection in multispectral remote sensing images via spectral-spatial band expansion
Yamashkin et al. Improving the efficiency of deep learning methods in remote sensing data analysis: geosystem approach
CN110276008A (zh) 一种基于用户旅行决策过程的景点推荐方法及装置
Chen et al. Multi-resolution segmentation parameters optimization and evaluation for VHR remote sensing image based on mean NSQI and discrepancy measure
CN115934990B (zh) 基于内容理解的遥感影像推荐方法
Li et al. Commitment and typicality measures for the Self-Organizing Map
Isaac et al. Urban landcover classification from multispectral image data using optimized AdaBoosted random forests
Singh et al. A fuzzy Kohonen local information c-means clustering for remote sensing imagery
CN112711713A (zh) 兴趣点推荐和展示方法、装置、计算机设备和存储介质
CN110276746A (zh) 一种鲁棒性遥感图像变化检测方法
Shi et al. Mapping vegetation and land cover in a large urban area using a multiple classifier system
CN114491237A (zh) 一种遥感卫星数据个性化推荐方法
CN115712780A (zh) 一种基于云计算和大数据的信息推送方法及装置
Wei et al. Urban land use land cover classification based on GF-6 satellite imagery and multi-feature optimization
Stathakis et al. Satellite image classification using granular neural networks
Wu et al. Per‐field urban land use classification based on tax parcel boundaries
Seifi Majdar et al. Spectral-spatial classification fusion for hyperspectral images in the probabilistic framework via arithmetic optimization Algorithm
US9779142B2 (en) Methods and systems to estimate query responses based on data set sketches
CN111506813A (zh) 一种基于用户画像的遥感信息精准推荐方法

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