基于深度学习的空间地图信息推荐方法技术

本发明专利技术提出了一种基于深度学习的空间地图信息推荐方法，包括如下步骤：S1，根据收集的用户搜索数据进行深度学习训练准备，通过损失函数在地图信息中进行特征预测并完成初步关联学习；S2，将初步关联的地图信息进行搜索数据特征匹配，并对相应的属性根据时间变化进行地图信息推荐，通过相关度模型评价推荐结果；S3，设定序列推荐因子判断条件，通过该序列推荐因子对相应的地图信息进行数据推荐结果排序。序。序。

【技术实现步骤摘要】
基于深度学习的空间地图信息推荐方法


[0001]本专利技术涉及数据分析领域，尤其涉及一种基于深度学习的空间地图信息推荐方法。

技术介绍

[0002]空间地图信息涵盖多个领域，包括土地规划数据以及生活休闲数据，土地规划完成后，对于地上附着物的建筑形成的商业体来说，会生成有海量生活休闲数据形成的空间地图信息，对于空间地图信息来说，不断访问搜索关键词会根据用户兴趣优化搜索内容，从而推荐给用户更加优化的查询数据，满足用户真实需求或者接近用户的需求，如果直接使用查询日志形成的搜索结果其数据关联性比较弱。例如在艾廷华.“深度学习赋能地图制图的若干思考，测绘学报”中对于地图数据组织的非规范性、样本建立与地理特征的融合中，讨论了地图制作与地图应用融入深度学习的切入点和具体方法，但是并没有指出如何随着时间周期变化进行迭代更细。在Prof. Dr. Yosoon Choi，“GeoAI: Integration of Artificial Intelligence, Machine Learning, and Deep Learning with GIS”（ Applied Sciences期刊）中指出了机器学习以及深度学习在地理信息更新如何进行一体化构建的过程，但是并没有关于深度学习如何进行数据的关联准确性的考虑。
[0003]上述技术文献虽然对于数据关联以及智能推荐优化算法能够满足用户的基本需求，但是在过滤噪音信息以及迭代增强方面的缺点也十分明显，如何实现噪声过滤，算法收敛及后续计算。这就亟需本领域技术人员解决相应的技术问题。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的地图信息推荐不准确的技术问题，特别创新地提出了一种基于深度学习的空间地图信息推荐方法。
[0005]为了实现本专利技术的上述目的，本专利技术提供了一种基于深度学习的空间地图信息推荐方法，包括如下步骤：S1，根据收集的用户搜索数据进行深度学习训练准备，通过损失函数在地图信息中进行特征预测并完成初步关联学习；S2，将初步关联的地图信息进行搜索数据特征匹配，并对相应的属性根据时间变化进行地图信息推荐，通过相关度模型评价推荐结果；S3，设定序列推荐因子判断条件，通过该序列推荐因子对相应的地图信息进行数据推荐结果排序。
[0006]上述技术方案优选的，所述S1包括：S1
‑
1，将用户搜索信息和空间地图信息进行关联度计算之前，根据训练目标函数将输入的用户搜索信息进行空间地图信息特征预测准备，其损失函数计算为：，
其中，R
pre
(i)为空间地图信息集合i的预测准备阶段的损失函数，F(i,u)为访问用户数u查询空间地图信息集合i的次数，S为搜索关键词集合，β为调节因子，T(i|S)为预测空间地图信息关键词的误差概率计算。
[0007]上述技术方案优选的，所述S1包括：S1
‑
2，进行收敛的损失函数计算为：，其中R
cover
(i)为空间地图信息集合i中经过关键词覆盖之后的函数，r为覆盖的关键词数量序号，n为正整数，minQ(i|r)为覆盖的最小化关联数据向量，Q(i|r)为空间地图信息集合i中覆盖的关联数据次数r的向量，在迭代过程中需要设置向量初值为，其中c
i
为空间地图信息集合i中的用户匹配关键词的数量。
[0008]上述技术方案优选的，所述S1包括：S1
‑
3，通过预测准备阶段和数据覆盖阶段的损失函数进行整体深度学习，并且对覆盖阶段的损失函数乘以关联度参数；R(i)=R
pre
(i)+μ
·
R
cover
(i)，其中，μ为关联度参数，R
pre
(i)为预测准备阶段的损失函数，R
cover
(i)为数据覆盖阶段的损失函数。
[0009]上述技术方案优选的，所述S1还包括：S1
‑
4，关联度参数的计算过程为，
[0010]其中，B是谐波因子，D[u
c
,u
i
]是覆盖关键词的空间地图信息数量u
c
和全部预测关键词的空间地图信息数量u
i
的相似度，C(v
c
)是覆盖关键词对应的用户查询数量v
c
的集合，该查询集合的最大值为覆盖关键词中用户查询关键词的最大个数；|A(v
c
)|是覆盖关键词对应的用户查询数量v
c
的总次数，|A(v
i
)|是全部预测关键词的对应的用户查询数量v
i
的的总次数。
[0011]上述技术方案优选的，所述S2包括：S2
‑
1，需要通过t时刻进行地图信息更新，根据形成的地图信息关联权重进行LSTM层的编码操作；S2
‑
2，LSTM在t+1时刻的状态通过LSTM特性计算完成，由整体深度学习得到的训练向量与覆盖阶段形成的训练向量进行向量拼接，，其中，是整体深度学习得到的训练向量M
R(i)
与覆盖阶段形成的训练向量的归一化指数函数，是对推荐数据在t+1时刻发生的推荐迁移得到的输出向量，为覆盖阶段形成的训练向量的隐向量。
[0012]上述技术方案优选的，所述S2包括：S2
‑
3，在输出向量中采用相关度模型衡量公式：；其中，K是空间地图信息根据t+1时刻更新的输出向量形成的推荐相关度模型，对于推荐输出向量损失函数值与整体损失函数值R(i)通过序列推荐因子进行调整，对于相关度模型评估的准确性，需要由序列推荐因子δ进行调整。
[0013]上述技术方案优选的，所述S3包括：采用权重对推荐数据和用户关键词搜索建立序列推荐因子，，其中，是输出向量在用户查询关键词的推荐评分，P(R(i))是整体推荐评分，α是推荐权重，通过相关度模型运算数值的重新排序用户搜索结果，并进行空间地图信息的数据推荐。
[0014]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：根据损失函数在地图信息中进行特征预测和关联学习，对于空间地图信息中用户搜索得到的地图信息进行数据推荐，对比于传统的推荐算法引入了新的相关度推荐模型算法，并且根据时间周期的变化进行空间地图信息推荐优化，排除失效数据，通过相关度模型衡量之后实现适应性更新推荐。
[0015]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0016]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本专利技术总体示意图；图2是本专利技术具体实施示意图。
具体实施方式
[0017]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的空间地图信息推荐方法，其特征在于，包括如下步骤：S1，根据收集的用户搜索数据进行深度学习训练准备，通过损失函数在地图信息中进行特征预测并完成初步关联学习；S2，将初步关联的地图信息进行搜索数据特征匹配，并对相应的属性根据时间变化进行地图信息推荐，通过相关度模型评价推荐结果；S3，设定序列推荐因子判断条件，通过该序列推荐因子对相应的地图信息进行数据推荐结果排序。2.根据权利要求1所述的基于深度学习的空间地图信息推荐方法，其特征在于，所述S1包括：S1
‑
1，将用户搜索信息和空间地图信息进行关联度计算之前，根据训练目标函数将输入的用户搜索信息进行空间地图信息特征预测准备，其损失函数计算为：，其中，R
pre
(i)为空间地图信息集合i的预测准备阶段的损失函数， F(i,u)为访问用户数u查询空间地图信息集合i的次数，S为搜索关键词集合，β为调节因子，T(i| S)为预测空间地图信息关键词的误差概率计算。3.根据权利要求2所述的基于深度学习的空间地图信息推荐方法，其特征在于，所述S1包括：S1
‑
2，进行收敛的损失函数计算为：，其中R
cover
(i)为空间地图信息集合i中经过关键词覆盖之后的函数，r为覆盖的关键词数量序号，n为正整数，minQ(i| r)为覆盖的最小化关联数据向量，Q(i| r)为空间地图信息集合i中覆盖的关联数据次数r的向量，在迭代过程中需要设置向量初值为，其中c
i
为空间地图信息集合i中的用户匹配关键词的数量。4.根据权利要求3所述的基于深度学习的空间地图信息推荐方法，其特征在于，所述S1包括：S1
‑
3，通过预测准备阶段和数据覆盖阶段的损失函数进行整体深度学习，并且对覆盖阶段的损失函数乘以关联度参数；R(i)=R
pre
(i)+μ
·
R
cover
(i)，其中，μ为关联度参数，R
pre
(i)为预测准备阶段的损失函数，R
cover
(i)为数据覆盖阶段的损失函数。5.根据权利要求4所述的基于深度学习的空间地图信息推荐方法，其特征在...

【专利技术属性】
技术研发人员：杨松青，田峰，
申请(专利权)人：湖南谛图科技有限公司，
类型：发明
国别省市：