基于多特征融合神經網絡的遙感影像推薦方法

王梅瑞，楚博策，孔二旦，陳金勇，朱 進，李 峰，王士成

(中國電子科技集團公司第五十四研究所，河北 石家莊 050081)

0 引言

隨著各類衛星升空并投入使用,遙感數據量及其應用需求在近些年呈現爆炸式增長趨勢。以往在數據管理系統中獲取感興趣遙感影像時采用的人工查詢和訂購方法十分低效,并且難以充分調動用戶對遙感影像的購買欲望,無法實現主動化、智能化的遙感數據分發服務[1]。在如今以大數據、人工智能為代表的信息化時代,如何讓人工智能成為推動智能遙感應用發展的新動能,更好地釋放遙感數據價值,是遙感服務突破的新方向[2]。為此考慮研究遙感影像的個性化推薦系統,有助于提高遙感用戶獲取影像的便捷性與訂購體驗,同時提升遙感影像的利用率并促進相應的商業行為。

1 研究現狀

隨著互聯網與信息技術的迅猛發展,社會已進入大數據時代,但由于用戶自身辨識能力有限,難以在海量數據源中獲取有效信息,產生了“信息過載”問題[3]。推薦系統能夠通過分析用戶的興趣偏好主動向用戶推薦其感興趣的信息、商品等[4-8],可以有效緩解上述問題,目前已在電商、廣告和新聞等領域得到廣泛應用[9-11]。

國內外關于遙感領域數據分發的研究之前主要側重于數據的高效傳輸與存儲方面,通過發布/訂閱的被動服務模式獲取所需數據、信息[12-13]。許盛偉等[14]通過多級緩存、多服務集群等技術建立了基于Java 2平臺企業版(J2EE)的分布式海量影像分發服務系統平臺。近年來研究人員開始將個性化推薦技術引入遙感領域。早期的遙感數據分發系統傾向于將個性化篩選接口提供給用戶,為不同類型的遙感影像標記不同標簽,并提供搜索和模糊查詢功能,讓用戶自行選擇感興趣的遙感數據并提供下載功能[15]。此類方法的使用門檻比較高,對于一些體量較小或技術儲備較低的用戶并不是很友好。之后隨著圖像推薦技術的發展,遙感領域開始按照用戶特征和歷史信息分析用戶感興趣圖像。Aryal等[16]根據地域和部門職能劃分用戶類別,將自然環境遙感影像實時分發給水利部門。Evert等[17]和Jin等[18]將實時天氣與農作物長勢影像根據地域和農作物類型分發給農場主,幫助制定施肥與除草策略。張帥民[19]在研究遙感數據存儲與收發時,根據地域信息將遙感影像分發給不同區域的用戶。

綜上所述,當前國內外在遙感數據分發方面的技術研究正蓬勃發展,其結合實際應用場景,逐步開始將用戶個性化偏好考慮在內。相比于傳統的無差別訂閱分發模式,個性化推薦技術在數據傳輸方面節省了帶寬資源且提升了傳輸速率,對于用戶而言提高了有效信息獲取的便利性,對于遙感數據則提升了自身的使用價值與應用范圍。相對于電商等成熟應用領域而言,遙感影像推薦技術的研究水平雖然較以往有一定程度的提升,整體仍處于較低水平。本文采用知識圖譜、神經網絡和協同過濾等先進技術,挖掘遙感用戶興趣偏好與遙感影像特征之間的關聯關系,實現滿足用戶個性化需求的智能、主動遙感數據推薦服務。

2 研究方法

2.1 框架概述

遙感影像推薦任務的重點是對用戶和影像之間的關聯關系進行建模,本文以語義信息為主、訂購信息為輔設計了一套基于多特征融合神經網絡的遙感影像推薦框架。該框架包括4個核心模塊,即影像語義信息提取與表征學習、用戶信息表征學習、基于協同過濾的多特征融合神經網絡(Collaborative Filtering-based Multi-feature Fusion Neural Network,CMFNN)算法以及用戶和影像冷啟動策略,如圖1所示。

圖1 CMFNN的遙感影像推薦框架Fig.1 Remote sensing image recommendation framework based on CMFNN

① 影像語義信息提取與表征學習

本部分主要完成了影像的語義信息抽取,并將語義信息表征為特征向量的形式。首先通過目標檢測[20-21]、地物分類、圖像檢索和位置匹配等方法實現影像內容信息提取,其中內容信息包括內容屬性(船舶、耕地等)以及每個內容屬性對應的量化結果(船舶數量、耕地面積占比等),并將每個內容屬性的量化結果以特征向量的形式作為本模塊的一個輸出。同時從伴隨圖像一起獲得的RPC文件中獲取對推薦有用的元屬性信息(衛星、分辨率和時間等)。將內容屬性與元屬性相結合構建遙感影像知識圖譜,通過嵌入表征學習的方式獲取影像屬性特征向量作為本模塊的另一個輸出。

② 用戶信息表征學習

本部分主要完成將用戶語義信息通過知識圖譜形式進行組織,并將語義信息表征為特征向量的形式。本文分別建立了用戶職責知識圖譜以及用戶訂購知識圖譜,分別對2個知識圖譜通過嵌入表征學習方法得到不相關的向量,確保用戶職責和用戶訂購這2種不同概念可以在不同空間維度進行表示。通過對用戶職責知識圖譜進行嵌入表征學習可以得到用戶職責向量,通過對訂購信息圖譜進行嵌入表征學習可以得到用戶訂購向量和影像訂單向量。

③ CMFNN算法

本文設計了一種CMFNN,將多個用戶和遙感影像特征向量組合作為神經網絡的輸入。首先通過多輸入分離的特征提取網絡進行進一步特征提取,實現將各個不同空間的輸入向量嵌入到相同空間的目的。隨后設計了深層與淺層這2種融合方式相結合的融合網絡結構,實現深層特征與淺層特征互補。最后采用決策層網絡來預測配對概率,判斷當前輸入的用戶和影像是否可以推薦。

④ 用戶和影像冷啟動策略

本文分別對新增用戶和新增影像時產生的冷啟動問題設計了不同的解決策略。當新增用戶時,由于用戶感興趣的主要影響因素是職責,訂購信息僅提供輔助作用,本文拋棄訂購信息圖譜,僅依據用戶職責圖譜進行推薦。當新增影像時,由于用戶對影像的興趣度可通過影像屬性和可量化屬性進行刻畫,足夠支持推薦任務,本文拋棄影像訂單圖譜,僅依據影像屬性圖譜和影像可量化屬性進行推薦。

2.2 遙感影像語義體系設計與信息抽取

為了實現影像推薦任務,首先需要獲取每景影像所攜帶的語義信息,研究影像中哪些內容是用戶潛在的興趣點并可影響推薦結果。遙感影像所攜帶的信息主要存在于影像本身以及對應的RPC等配置文件中。本文對這些信息進行梳理研究,整理并設計了一套針對推薦任務的遙感影像語義體系。

用戶對一幅影像是否感興趣,首先需要確定影像的時間、分辨率等指標是否滿足需求,然后判斷影像內容是否包含感興趣的地物或者目標。此外,影像中包含地物和目標的占比一定程度上可影響用戶對該影像的感興趣程度。據此,本文將遙感影像所攜帶的信息歸納為元屬性、內容屬性和可量化屬性,具體如表1所示。

表1 遙感影像數據屬性

由表1可以看出,元屬性存在于RPC等配置文件中。內容屬性和可量化屬性存在于影像內部,需通過目標檢測、地物分類和經緯度匹配等方法進行抽取,實驗過程中采用的是DeepLab、YOLO等神經網絡。本文采用鍵值對的形式存儲元屬性和內容屬性,采用固定長度的特征向量存儲可量化屬性,其中向量每一位代表固定的一類地物或者目標,每一位數字代表其占比或者個數。

2.3 遙感用戶與影像的知識圖譜構建

通過上述步驟可以獲得影像元屬性、內容屬性和可量化屬性,其中可量化屬性以特征向量形式存儲,可直接應用于后續推薦算法中,而元屬性和內容屬性仍以文字形式存儲,無法直接作為推薦算法的輸入。本節主要目的是將影像的元屬性、內容屬性以及用戶職責屬性和訂購信息采用知識圖譜的方式進行組織,之后通過嵌入表示學習的方式將知識圖譜轉化為特征向量,為后續推薦算法提供標準化輸入。

本文設計的遙感領域知識圖譜使用三元組(h,r,t)表示,每個三元組包括一個頭實體h、一個尾實體t、從h到t的關系r。三元組(h,r,t)的語義是h與t具有(定向)關系r。為構建遙感領域知識圖譜,首先將數據集中的信息進行預處理,將所有用戶職責屬性、用戶訂購屬性和影像屬性的名稱視為關系,所有用戶和影像及其屬性的值視為實體。然后,將上述信息以三元組的形式表示,并分別構造用戶職責圖譜、訂購信息圖譜和影像屬性圖譜共3個知識圖譜,其中影像屬性圖譜中包括元屬性以及內容屬性。圖譜詳情如圖2所示?？梢钥闯鲇脩袈氊焾D譜中存在的實體主要包括:用戶名稱、主要業務、管轄區域和關注對象等。訂購信息圖譜中存在的實體主要包括:用戶名稱、圖像名稱和所屬衛星等。影像屬性圖譜中存在的實體主要包括:圖像名稱、圖像類型、空間分辨率、幅寬、拍攝衛星、行政區域、云量和主要地物等。

圖2 用戶職責圖譜、訂購信息圖譜和影像屬性圖譜示意Fig.2 Diagram of user-duty graph, order-information graph and image-attribute graph

2.4 基于知識圖譜表征學習的遙感影像與用戶特征向量化

2.3節將用戶和影像的各個屬性以知識圖譜的方式表示出來,然而知識圖譜中信息以文本實體形式存儲,無法直接用于推薦算法,因此需要通過表示學習的方法,提取圖譜中各個影像和用戶節點的特征向量作為推薦算法的標準化輸入。目前較為主流的表示學習方法是使用網絡嵌入方法通過考慮節點和關系的異質性來提取圖譜的結構表示特征向量。本文采用TransR進行遙感用戶職責圖譜、訂購信息圖譜和影像屬性圖譜的知識表示,把關系向量映射到不同的空間,可以確保主要業務、管轄區域、關注對象和常用衛星等處于不同語義角度的關系處于不同平面,能夠更好地逼近真實情況,同時捕獲知識圖譜之間的非線性關系,如圖3所示。每個形狀代表三元組中關系r對應的一個實體對。Mrh和Mrt是h和t的映射矩陣。hri和tri是投影向量,投影向量滿足hri+r≈tri。

圖3 含用戶、影像及其屬性的TransR模型描述Fig.3 TransR model including users, images and their attributes

為了更直觀地描述TransR在遙感領域知識圖譜中表征學習的效果,本文分別列舉了用戶職責圖譜和影像屬性圖譜的例子來描述表征效果,如圖4所示。每個圖標代表一個實體或一個概念,邊代表它們之間的關系。

(a)用戶職責知識圖譜

TransR可以將每個用戶以及每個影像投射到統一矢量空間中的低維矢量中,該矢量是對用戶職責相關以及影像屬性相關的所有描述信息進行了編碼,因此如果2個用戶或者影像在圖譜中關聯的內容相似,那么在向量空間中也應該較為近似。在圖4(a)中,用戶B和用戶D的職責都是火災監測,并且關注區域都是河北省,屬于最為接近的用戶,因此用戶B和用戶D的嵌入向量應該是最接近的。在圖4(b)中,影像E和影像F中包含的主要目標都有故宮,并且衛星來源都是衛星C,因此影像E和影像F的嵌入向量應該較為接近。雖然影像F和影像D的衛星來源都是衛星C,但是影像D包含的主要目標是港口,因此影像D相比影像E與影像F的相似度要小。除此之外,間接相似的影像的嵌入向量也近似。影像A和影像B的范圍都是河北省,影像A的衛星來源是衛星A,影像B的衛星來源是衛星B。由于衛星A和衛星B的類型和分辨率完全一致,因此影像A和影像B的嵌入向量也應該近似。

2.5 CMFNN

通過上述步驟可將用戶職責信息、訂購信息和影像屬性信息轉化為特征向量,同時結合遙感影像量化特征向量組成輸入向量集合。由于各個特征向量表征不同概念內容,因此特征向量所屬空間也各不相同,無法直接用于匹配推薦。為解決上述問題,本文設計了一種CMFNN模型,借助神經網絡的高維度空間建模能力實現多維度輸入的有效融合,將處于不同空間的特征向量嵌入到統一的向量空間中,達到較好的配對推薦效果。多特征向量的提取過程和融合過程如圖5所示。

圖5 多特征向量的提取和融合過程Fig.5 The extraction and fusion process of multi-feature vectors

如圖6所示,CMFNN模型的輸入是利用知識圖譜表示學習方法得到的用戶職責嵌入向量、用戶訂購嵌入向量、影像屬性嵌入向量、影像訂單嵌入向量以及通過圖像內容解譯獲得的包含影像量化信息的向量。然后,使用深度神經網絡將上述向量映射到同一低維空間中,得到用戶職責特征、用戶訂購特征、影像屬性特征、影像訂單特征與可量化特征,其中使用的激活函數為線性整流函數(ReLU)。接下來,采用2種多特征融合方法來建模復雜的用戶-影像交互關系。一方面,引入門機制,將用戶職責特征與訂購特征融合為用戶特征,將遙感影像屬性特征、訂單特征與可量化特征融合為影像特征,之后再通過元素積操作進行用戶層面與影像層面的特征融合,得到基于協同過濾的多層次淺層融合預測向量;另一方面,拼接用戶與影像的所有特征表示生成統一向量,并使用多層深度網絡訓練,得到基于協同過濾的多特征深層融合預測向量。最后,將2個學習了用戶-影像匹配信息的預測向量進行拼接,實現多特征淺層線性關系與深度非線性表征能力的互補,并根據匹配函數計算用戶訂購該影像的概率。接下來將詳細介紹各部分。

圖6 CMFNN模型框架Fig.6 The framework of CMFNN model

2.5.1 多屬性信息特征表示

對于用戶u和遙感影像i,本文通過知識圖譜表示學習獲得了包含圖譜語義信息的特征表示,即用戶職責特征ure、用戶訂購特征uoe、影像屬性特征iae和影像訂單特征ioe,并且通過圖像信息抽取獲得了影像可量化屬性向量ige。值得注意的是,上述向量的維度不一定是相同的。為了將多特征嵌入信息應用于協同過濾,模型應該將獲得的向量映射到同一空間中。為此,本文采用了深度神經網絡來學習更豐富的潛在特征。

以用戶職責特征ure為例,其潛在特征表示ur的表示學習部分可以定義為:

(1)

(2)

?

(3)

式中:WurX和burX分別表示第X層神經網絡的權重矩陣和偏差向量,f(·)表示激活函數,本文中使用的是ReLU函數。用戶訂購潛在特征uo、影像屬性潛在特征ia、影像可量化屬性潛在特征ig和影像訂單潛在特征io的計算方式同理。

2.5.2 多層次淺層融合

在本文的遙感影像推薦任務中,用戶具有職責潛在特征ur與訂購潛在特征uo,遙感影像具有屬性潛在特征ia、可量化屬性潛在特征ig與影像訂單潛在特征io?？紤]分別融合不同對象的多項屬性信息,形成用戶融合特征與影像融合特征,這可以視為協同過濾中用戶和項目的潛在因子。具體而言,對于用戶融合特征um,本文引入門機制來融合職責特征ur與訂購特征uo,以便平衡ur與uo的重要性:

[αu,βu]=softmax(Wr·ur+Wuo·uo),

(4)

um=αu·ur+βu·uo,

(5)

式中:Wr、Wuo表示權重矩陣,αu+βu=1。

同理,對于影像融合特征im,使用門機制來融合屬性特征ia、可量化屬性特征ig與影像訂單特征io,以便平衡ia、ig與io的重要性:

[αi,βi,λi]=softmax(Wa·ia+Wg·ig+Wio·io),

(6)

im=αi·ia+βi·ig+λi·io,

(7)

式中:Wa、Wio表示權重矩陣,αi+βi+λi=1。

之后,可以對用戶融合特征um和影像融合特征im做進一步融合,挖掘用戶-影像交互的線性相關性。融合函數定義為:

pui=um⊙im,

(8)

式中:⊙表示元素積操作,pui為基于協同過濾的多層次淺層融合預測向量。至此實現了用戶和影像的所有特征在用戶/影像與用戶-影像這2個層面的淺層融合操作。

2.5.3 多特征深層融合

為了進一步挖掘多屬性特征融合的深層關系,建模深層網絡作用下的協同過濾,本文將ur、uo、ia、ig和io融合在一起,并將其輸入到深度神經網絡中。這里采用的融合策略是拼接用戶和影像的所有特征形成一個聯合表示,即:

q0=[ur,uo,ia,ig,io]。

(9)

將其作為深度神經網絡的輸入,擴展模型的非線性和靈活性,以便從多屬性特征信息中學習出用戶與影像匹配的抽象規律。因此,多特征融合的深層訓練部分定義如下:

(10)

(11)

?

(12)

式中:WX和bX分別表示第X層神經網絡的權重矩陣和偏差向量,f(·)表示ReLU激活函數,qui表示基于協同過濾的多特征深層融合預測向量。本節對融合所有用戶和影像特征生成的表示進行多層神經網絡訓練,實現了多屬性的深層融合操作,能夠更靈活地挖掘用戶和影像所有特征間的復雜關聯。

2.5.4 預測向量

綜上所述,基于協同過濾的多層次淺層融合實現了用戶/影像與用戶-影像交互這2個層面的淺層融合,可以學習用戶與影像之間的低階關系,但是元素積的表達能力有限。而基于協同過濾的多特征深層融合實現了用戶、影像所有特征間的深層融合,可以靈活且非線性地學習用戶與影像所有特征間的復雜聯系,表達能力強,但是在獲取用戶-影像低階關系時有所不足。2種方法有著不同的優缺點,且從不同的角度來融合多特征信息,所以希望能夠整合這2種方法,實現功能的互補。為此,拼接上述2種融合預測向量,得到用戶與項目匹配規律的一個更強大且更具表現力的聯合表示。然后,該聯合表示會被傳入全連接層,使得包含在聯合表示中的每個特征均被分配不同的權重。另外,后續的sigmoid層使模型能夠計算出用戶與該影像匹配的概率。給定基于協同過濾的多層次淺層融合預測向量pui與基于協同過濾的多屬性深層融合預測向量qui, CMFNN的輸出,即用戶u訂購影像i的概率可以定義為:

(13)

式中:Wout為權重矩陣,σ(·)為激活函數。

2.5.5 目標函數

(14)

2.6 針對冷啟動的不同推薦策略

當為新用戶推薦影像或將新影像推薦給用戶時,推薦系統中沒有新用戶或新影像的訂購歷史,稱為冷啟動問題。冷啟動問題可以劃分為用戶冷啟動和項目冷啟動,此時CMFNN模型并不完全適用,為此本文提出了模型的2種變體。

① 用戶冷啟動

當為新用戶推薦影像時,多屬性信息中缺少用戶的訂購歷史。此時新用戶冷啟動推薦模型的輸入包括用戶職責特征ure、影像屬性特征iae、影像訂單特征ioe與影像可量化屬性特征向量ige。分別計算各特征向量對應的特征表示。在多層次淺層融合模塊中,影像融合特征的計算方式不變,而對于用戶,可以把此時僅有的職責特征視為用戶融合特征,預測向量pui的計算方式不變。在多屬性深層融合模塊中,拼接用戶與影像的4項特征,進行深度神經網絡訓練,得到預測向量qui。后續的計算過程與原本的CMFNN模型相同。具體網絡設計如圖7所示。

圖7 用戶冷啟動時的推薦模型Fig.7 Recommendation model for user cold start

3 影像冷啟動

當希望將新影像推薦給用戶時,多屬性信息中缺少影像的被訂購歷史。此時新用戶冷啟動推薦模型的輸入包括用戶職責特征ure、用戶訂購特征uoe、影像屬性特征iae與影像可量化屬性特征向量ige。分別計算各特征向量對應的特征表示。在多層次淺層融合模塊中,用戶融合特征的計算方式不變,而對于影像,融合屬性特征與可量化屬性特征作為影像融合特征,預測向量pui的計算方式不變。在多屬性深層融合模塊中,拼接用戶與影像的4項特征,進行深度神經網絡訓練,得到預測向量qui。后續的計算過程與原本的CMFNN模型相同。具體網絡設計如圖8所示。

圖8 影像冷啟動時的推薦模型Fig.8 Recommendation model for image cold start

4 實驗與評估

4.1 數據集描述

鑒于目前并沒有面向遙感影像應用領域的開源數據集,本文以業務系統中存儲的9 516幅遙感影像的記錄以及2019年6月—2020年5月的2 578條用戶訂單數據為基礎,結合衛星詳細參數以及有關專家知識,構建了遙感影像知識圖譜、用戶職責知識圖譜和訂購信息圖譜,下面對其進行簡要介紹。

4.1.1 遙感影像知識圖譜

業務系統中的9 516幅遙感影像主要由高分系列、環境系列和資源系列等衛星得到,此外還有少量其他衛星拍攝的影像,具體統計信息如表2所示。

表2 遙感影像來源統計

每條影像的記錄包含拍攝衛星、拍攝傳感器、拍攝位置、拍攝時間、圖像類型、空間分辨率、幅寬、云量、建筑占比、林地占比、水體占比、裸地占比、草地占比和耕地占比等指標信息,同時還包含拍攝區域、主要地物和分辨率等級等語義信息?；谏鲜鲂畔嫿ū倔w層,具體如表3所示?；诒倔w層實現對一幅遙感影像的標準化描述,在此基礎上構建遙感影像知識圖譜。圖譜中共包含9 564個實體和21種關系/屬性。

表3 影像本體層

4.1.2 用戶職責知識圖譜

用戶職責知識圖譜的構建主要通過專家知識和內部文檔。圖譜中每個用戶有2個屬性:關注區域和關注業務,同時每一種類型的業務對應一種關注的地物類型。對上述關系構建本體層如表4所示,構建得到的知識圖譜中共包含39個實體和4種關系。

表4 職責關系本體層

4.1.3 訂購信息知識圖譜

業務系統自2019年6月—2020年5月共包含2 578條有效訂購記錄,每一條訂購記錄中包含用戶名稱、訂購影像和訂購時間等信息。以此為基礎構建的圖譜結構較為簡單,主要為(用戶名稱-訂購-影像編號)三元組。圖譜中共包含1 053個實體和1種關系。

4.2 實驗設置

實驗運行的硬件平臺為64位Windows 7操作系統,其中隨機存取存儲器(RAM)為128 GB,硬盤驅動器1 TB,CPU環境為Intel?Xeon?CPU E5-2620 v4 @ 2.10 GHz,圖形處理器(GPU)環境為英偉達P6000。算法基于Python語言,搭載TensorFlow框架實現。本文采用精確率(Precision),召回率(Recall)、F1值(F1-score)和歸一化折損累計增益(NDCG)作為評價指標。

4.3 實驗結果與討論

4.3.1 推薦方法結果比較

為了充分驗證CMFNN模型在遙感影像推薦任務中的效果,本文對不同TopK下的多個指標進行計算與分析,結果見表5。

表5 不同TopK下的推薦結果

為了驗證本方法的優越性,在固定選擇Top10前提下,將本方法與其他方法在不同指標下進行對比分別,具體結果如表6所示。需要說明的是,本文應用領域屬于遙感與推薦的交叉領域,缺少一些基準方法進行對比,因此本文采用最具有普適性的基于項目的協同過濾(Item-CF)和基于用戶的協同過濾(User-CF)作為基準方法進行比較。由表6可以看出,本文提出的方法在各個指標上均優于Item-CF和User-CF,說明CMFNN具有較好的融合能力以及推薦匹配能力。

表6 不同算法結果比較

4.3.2 輸入影響探究

考慮到本文提出方法綜合考慮多種屬性作為輸入,通過信息融合方式實現遙感影像推薦。因此在實驗設計部分,考慮將不同輸入內容作為變量進行實驗對比來確定不同輸入對推薦任務的影響,具體如表7所示。

表7 不同輸入下結果比較

通過將表7中不同實驗結果進行對比,可以得到以下結果:

① 從上表(g)可以看出,當輸入所有數據時獲得了最好的推薦結果,這說明所有的輸入對推薦任務都發揮了一定的作用;

② 通過將(a)、(b)、(c)與(d)、(e)、(f)的推薦結果進行對比可以看出,當用戶職責作為輸入時的推薦結果大幅度優于用戶訂購信息作為輸入時的推薦結果,表明用戶職責比用戶訂購信息在推薦任務中發揮了更好作用;

③ 通過將(a)與(b)的推薦結果進行對比可以看出,影像屬性相比影像可量化屬性在推薦任務中發揮了更重要作用;

④ 通過將(b)與(g)的推薦結果進行對比可以看出,當輸入僅包含用戶職責以及影像屬性時,推薦精度與所有輸入的精度接近,說明用戶職責以及影像屬性分別在用戶和影像建模中起到了大部分作用。

5 結束語

本文針對傳統基于人工查詢和訂購的遙感數據低效分發模式,在行業內首次提出了一種基于多特征融合神經網絡的遙感影像推薦方法。該方法綜合考慮了用戶職責、影像元屬性及內容信息和訂購記錄等多維特征,準確把握遙感用戶的需求與遙感影像的特點,提出了CMFNN,通過淺層和深層2種融合模式挖掘用戶與遙感影像之間的關聯關系,實現遙感影像的個性化、智能化、精準化推薦。實驗結果表明,本文提出方法可以有效解決遙感影像的個性化精準推薦問題。此外,本文還設計了不同的模型調整策略來解決用戶冷啟動與影像冷啟動的問題。由于測試數據不足,本文無法有效驗證實際效果,在后續工作中將進一步深入開展冷啟動問題的相關研究。