(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210079802.0 (22)申请日 2022.01.24 (71)申请人 中国电子科技 集团公司第五十四研 究所 地址 050081 河北省石家庄市中山西路589 号第五十四所航 天信息应用技术重点 实验室 (72)发明人 耿虎军　王梅瑞　楚博策　张文宝　 高晓倩　韩长兴　孟楠　姜岩松　 高峰　陈勇　 (74)专利代理 机构 河北东尚律师事务所 13124 代理人 王文庆　曲佳颖 (51)Int.Cl. G06F 16/387(2019.01) G06F 16/33(2019.01)G06F 16/335(2019.01) G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于时、 空、 义多约束融合的语义信息 精准分发方法 (57)摘要 本发明公开了一种基于时、 空、 义多约束融 合的语义信息精准分发方法， 采用以时间、 空间 强约束条件为主， 以语义弱约束条件为辅的自适 应组合式分发模 型， 首先基于设定的时间差距阈 值与空间差距阈值， 获取初步筛选后的候选语义 信息。 之后分别计算候选语义与目标对象需求的 时间近似度、 空间近似度、 语义匹配度， 通过多约 束差异化加权融合得到最终的整体匹配度。 值得 注意的是， 在语义匹配度计算过程中综合考虑了 所处环境、 担当角色、 执行任务等差异性因素的 影响。 最终将排序后整体匹配度较高的语义信息 分发给目标对象。 本发明相较于传统信息分发方 法可实现语义信息的个性化分发， 提升信息分发 的智能性与精准 性。 权利要求书2页 说明书5页 附图1页 CN 114417021 A 2022.04.29 CN 114417021 A 1.一种基于时、 空、 义多约束融合的语义信息精准分发方法， 其特征在于， 包括以下步 骤： (1)从时间、 空间和专题多个维度设计多时相序列、 空间无缝和可多维切分的语义信息 组织模型， 将语义的时空区域特征与语义信息组织模型 的网格编码进行索引关联， 构建语 义立方体； 同时依据有无人对 象的基本属 性与信息需求， 通过自然语言处理方法提取对 象 标签， 构建有无人对 象语义画像； 其中空间维度是依据全球网格剖分方式生成的多尺度嵌 套面片体系中的地理空间网格编码集合， 基本属 性与信息需求包括有无人对 象名称、 所处 环境、 担当角色、 任务需求和兴趣偏好； (2)将时间和空间作为语义信息精准分发的强约束条件， 设定语义信息表述时间与有 无人对象当前时间的时间差距阈值ε 以及语义信息表述位置与有 无人对象所处位置的空间 差距阈值θ， 并查询语义立方体内有 无人对象邻近时空域中的语义， 作为初步筛选后的候选 语义信息； (3)将时间作为语义信息精准分发的强约束条件， 计算候选语义信息表述时间与有无 人对象当前时间的时间近似度simt； 将空间作为语义信息精准分发的强约束条件， 计算候 选语义信息表述位置与有无人对象所处位置的空间近似度sims； 将语义相关性作为语义信 息精准分发的弱约束条件， 计算有无人对象语义画像与候选语义信息之间的语义匹配度 sime； (4)设定时间近似度、 空间近似度和语义匹配度相应的权重系数α、 β和 λ， 将权重系数与 对应的度量值加权求和， 计算得出候选语义信息与有 无人对象的整体匹配度simall， 选择匹 配程度高的候选语义信息分发给对应的有无 人对象， 实现语义信息的精准分发。 2.根据权利要求1所述的一种基于时、 空、 义多约束融合的语义信息精准分发方法， 其 特征在于， 步骤(3)中候选语义信息表述时间与有无 人对象当前时间的时间近似度simt为： 式中， ε为时间差距阈值， t1为候选语义信息表述时间的数字形式， t2为有无人对象当前 时间的数字形式。 3.根据权利要求1所述的一种基于时、 空、 义多约束融合的语义信息精准分发方法， 其 特征在于， 步骤(3)中计算候选语义信息表述位置与有无人对象所处位置的空间近似度 sims， 具体包括如下步骤： (301)将候选语义信息表述位置和有无人对象所处位置分别转化为三维空间坐标， 并 计算两个位置的距离dis； 其中， 如果 位置为一片区域时， 取中心点 位置； (302)计算候选语义信息表述位置与有无人对象所处位置的空间近似度si ms， 计算公式 为： 式中， θ 为空间差距阈值。 4.根据权利要求1所述的一种基于时、 空、 义多约束融合的语义信息精准分发方法， 其 特征在于， 步骤(3)中计算有无人对象语义画像与候选语义信息之间的语义 匹配度sime， 具权　利　要　求　书 1/2 页 2 CN 114417021 A 2体包括如下步骤： (303)查询有无人对象语义画像与语义立方体中存储的语义， 从中抽取实体、 属性与关 系， 通过对抽取的知识进一步清理和整合， 构建语义信息分发所需的知识图谱， 并采用 TransR方法实现有无人对象与语义的嵌入式表达， 获得所有有无人对象和语义的特征向 量； (304)将任一有无人对象u和 任一语义i对应的有无人对象特征向量um与语义特征向量 im， 采用如下 方式处理： 采用浅层 融合策略， 将有无人对象特征向量um与语义特征向量im视为协同过滤中的潜 在因子， 挖掘两者的线性相关性， 得到基于浅层融合的预测向量， 计算公式为： pui＝um⊙im， 其中⊙表示元素积操作， pui为基于浅层融合的预测向量； 采用深层融合策略， 拼接有无人对象特征向量um与语义特征向量im形成一个联合表示， 即： q0＝[um,im]， 然后将q0作为深度神经网络的输入， 从中学习出有无人对象与语义匹配的 抽象规律； 其中， 有无 人对象与语义深层融合的训练部分被定义如下： q1＝f(W1Tq0+b1)， q2＝f(W2Tq1+b2)， …… Wx和bx分别表示第x层深度神经 网络的权重矩阵和偏差向量， f( ·)表示ReLU激活函数， 至此得到基于深层融合的预测向量qui； 拼接浅层融合与深层融合的预测向量， 得到有无人对象与语义匹配规律的联合表示， 然后将联合表示传入后续的全连接层与sigmoid层， 计算有无人对象与候选语义信息之间 的语义匹配度sime： 式中， Wout为权重矩阵， σ( ·)为激活函数。权　利　要　求　书 2/2 页 3 CN 114417021 A 3