基于用户需求理解的卫星影像推荐方法与流程

技术特征：
1.一种基于用户需求理解的卫星影像推荐方法，其特征在于，包括：s1获取影像库，包括多张影像，影像包含影像标签；s2获取用户检索信息和用户历史检索信息，用户检索信息包括语义信息和查询条件，语义信息包括目标区域，将查询条件与语义信息进行合并，得到用户检索标签；s3基于用户检索标签构建用户检索知识图谱、基于用户历史检索信息构建用户历史检索知识图谱、基于影像及其影像标签构建影像属性知识图谱；s4对用户检索知识图谱、用户历史检索知识图谱、影像属性知识图谱进行知识表示学习，得到用户检索向量、用户历史检索向量、影像属性向量，将用户检索向量、用户历史检索向量、影像属性向量进行融合预测，得到影像与用户之间的第一配对概率，将第一配对概率大于第一预设阈值的影像作为第一影像，在第一影像中基于影像推荐规则进行筛选，得到第一推荐影像；s5对用户检索标签进行更新，并将更新后的用户检索标签输入用户检索知识图谱进行补全，之后将该补全后的用户检索知识图谱、用户历史检索知识图谱、影像属性知识图谱进行知识表示学习，得到更新用户检索向量、用户历史检索向量、影像属性向量，将更新用户检索向量、用户历史检索向量、影像属性向量进行融合预测，得到影像与用户之间的第二配对概率，将第二配对概率大于第一预设阈值的影像作为第二影像，在第二影像中基于影像推荐规则进行筛选，得到第二推荐影像；s6根据第一推荐影像、第二推荐影像对用户进行推荐。2.根据权利要求1所述的方法，其特征在于，步骤s3包括：根据用户-用户检索标签-影像三元组格式构建用户检索知识图谱，其中，用户检索标签包括影像时间、影像分辨率、行政区域、星源；根据用户-用户历史检索信息-影像三元组格式构建用户历史行为知识图谱，其中，用户历史检索信息包括影像时间、影像分辨率、行政区域、星源、历史检索时间；根据影像-影像标签-影像属性三元组格式构建影像属性知识图谱，其中，影像标签包括影像时间、影像分辨率、影像覆盖范围、星源、影像质量。3.根据权利要求2所述的方法，其特征在于，步骤s5中，对用户检索标签进行更新的方法包括：对用户检索标签进行同义转换、对用户检索标签进行更换中的至少一种。4.根据权利要求3所述的方法，其特征在于，所述对用户检索标签进行同义转换，包括：建立标签同义转换表，包括标签同义转换规则和可同义转换的标签类型，其中，可同义转换的标签类型包括影像分辨率、影像星源；根据标签同义转换表将用户检索标签划分为可同义转换标签和不可同义转换标签；根据标签同义转换规则对可同义转换标签进行标签替换。5.根据权利要求3所述的方法，其特征在于，所述对用户检索标签进行更换的方法为：对用户历史检索信息的影像时间和用户检索标签的影像时间进行差异对比，将与用户检索标签的影像时间差异最小的用户历史检索信息的影像时间替换该用户检索标签的影像时间，其中，用户历史检索信息的影像时间的范围大于用户检索标签的影像时间的范围且完全包括用户检索标签的影像时间的范围；或将用户检索标签的影像时间相邻年份相同时期的影像时间并入用户检索标签的影像时间中。
6.根据权利要求1所述的方法，其特征在于，步骤s2中，所述“将查询条件与语义信息进行合并，得到用户检索标签”包括：根据用户输入的查询条件提取得到相应的查询标签；提取语义信息的关键词，将语义信息的关键词和影像标签输入预训练的语义相似度模型中，进行语义信息的关键词与影像标签之间语义相似度的匹配，将与语义信息的关键词的语义相似度最大的影像标签作为该语义信息对应的标签；将查询标签和语义信息对应的标签按照标签类别进行混合分组，相同标签类别的查询标签和语义信息对应的标签分到第一标签组，不同标签类别的查询标签和语义信息对应的标签分到第二标签组；新建标签序列，将第一标签组中的查询标签、第二标签组输入标签序列中，得到用户检索标签。7.根据权利要求1所述的方法，其特征在于，步骤s4包括：s41构建三元组损失函数：其中，(h,r,t)为三元组，h为头实体，t为尾实体，r表示h和t之间的关系，为头实体的向量表示，为尾实体的向量表示，为关系向量表示，l1/l2表示l1或l2正则损失，和分别为将头实体和尾实体投影到关系空间的投影矩阵：分别为将头实体和尾实体投影到关系空间的投影矩阵：其中，，为头实体和尾实体处于的公共语义空间，为关系处于的语义空间，d和k均表示向量维度，表示单位矩阵，实体下标p代表该向量为投影向量，为关系向量的投影向量，为头实体向量的投影向量，为尾实体向量的投影向量；s42通过投影矩阵和将用户检索知识图谱、用户历史检索知识图谱、影像属性知识图谱的实体向量投影到关系向量空间，得到用户检索向量、用户历史检索向量、影像属性向量；s43将用户检索向量、用户历史检索向量、影像属性向量进行融合预测，得到影像与用户之间的第一配对概率；s44将第一配对概率大于第一预设阈值的影像作为第一影像，在第一影像中基于影像推荐规则进行筛选，得到第一推荐影像。8.根据权利要求7所述的方法，其特征在于，步骤s43包括：s431使用特征提取网络对用户检索向量、用户历史检索向量、影像属性向量进行特征提取，得到用户检索特征向量、用户历史检索特征向量、影像属性特征向量；s432使用门机制融合用户检索特征向量、用户历史检索特征向量，获得用户融合特征向量：
其中，，且，softmax表示归一化指数函数，、表示权重矩阵；s433对用户融合特征向量和影像属性特征向量进行融合，得到第一融合预测向量，其中表示元素积；s434拼接用户检索特征向量、用户历史检索特征向量、影像属性特征向量，得到拼接向量；s435将拼接向量q输入深度神经网络，得到第二融合预测向量；s436拼接第一融合预测向量和第二融合预测向量，输入全连接层和激活函数，得到用户与影像的第一配对概率，其中w为权重矩阵，f为激活函数。9.根据权利要求7所述的方法，其特征在于，步骤s44包括：s441在第一影像中选取对目标区域覆盖率大于第二预设阈值的影像，得到第一有效影像；s442将第一有效影像按照其对目标区域的覆盖率从大到小排序，从正序开始选取并加入第一推荐影像，直至第一推荐影像的并集对目标区域的覆盖率达到100%或第一有效影像全部加入第一推荐影像。10.根据权利要求9所述的方法，其特征在于，步骤s44还包括：将第一推荐影像按照其对目标区域的覆盖率从小到大排序，从正序开始选择待筛除影像，若去除待筛除影像后，第一推荐影像的并集对目标区域的覆盖率降低，则保留该待筛除影像，若去除待筛除影像后，第一推荐影像的并集对目标区域的覆盖率不变，则将该待筛除影像从第一推荐影像予以筛除。

技术总结
本发明公开了一种基于用户需求理解的卫星影像推荐方法，涉及遥感影像处理领域，该方法包括：S1获取影像库，包括多张影像；S2获取用户历史检索信息和用户检索标签；S3构建用户检索知识图谱、用户历史检索知识图谱、影像属性知识图谱；S4对三个知识图谱进行知识表示学习，得到第一推荐影像；S5对用户检索知识图谱进行补全，之后将该补全后的用户检索知识图谱、用户历史检索知识图谱、影像属性知识图谱进行知识表示学习，得到第二推荐影像；S6根据第一推荐影像、第二推荐影像对用户进行推荐。该方法通过语义理解和知识图谱的方式对用户的检索信息进行全面的理解，基于覆盖目标区域的影像推荐规则，实现全自动化的精准满足用户需求的卫星影像推荐。需求的卫星影像推荐。需求的卫星影像推荐。


技术研发人员：龚启航 许晓航 李洁 彭哲 邹圣兵
受保护的技术使用者：北京数慧时空信息技术有限公司
技术研发日：2022.10.26
技术公布日：2022/11/22