[发明专利]一种主动的空间信息个性化分发方法

摘要

本发明公开了一种主动的空间信息个性化分发方法，该方法通过构建空间信息用户模型、建立和过滤分发候选集、求解分发决策集等三个步骤来实现。本发明提供的一种空间信息用户模型的建立方法，通过查询分解、权值求解、分布特征值求解、兴趣度和规则建立等四个步骤来实现；建立和过滤分发候选集通过空间信息用户模型的兴趣度和规则过滤来实现；求解分发决策集通过顾及分布特征值的效用度计算方法来实现。本发明的有益效果是通过建立一种空间信息用户模型，实现了一种主动的空间信息个性化分发方法。

主权项

一种主动的空间信息个性化分发方法，其特征在于它包括下述步骤：第1步构建空间信息用户模型Mu构建空间信息用户模型Mu的过程是：Mu＝{G,S,P}  (I)式中，G＝(X,W,V,D)，X＝(x1,x2,…,xeum)，W＝(w1,w2,…,weum)，V＝(v1,v2,…,veum)，D＝(d1,d2,…,deum)；xi为元素项，是用来描述空间信息内容和特征的不可再分的元数据项，i是元素项的序号，eum是元素项的个数，i＝1,2,…,eum；wi是xi的权值；vi表示反映xi的分布特征的二元组集合，vi＝{＜Ii,g,si,g＞|g＝1,2,…,vumi},Ii,g为xi的区间变量根据观测样本的上限和下限对样本空间进行非均匀分割的子区间，vumi是xi的子区间的个数，g是xi的子区间的序号，si,g是xi的区间变量在子区间Ii,g上的分布特征值；di是xi的区间变量的区间方差；S＝{＜cm,Im＞|m＝1,2，…，cum},cm是第m个用户感兴趣的概念，cum是用户感兴趣的概念的个数,Im是用户对cm的兴趣度；P＝{rt|t＝1,2,…,rum},rt:＝if＜predicate＞then＜result＞,rt表示第t条产生式规则，rum是规则的个数,＜predicate＞是规则的前件，＜result＞是规则的后件；第2步建立和过滤分发候选集第2.1步将初始空间信息集作为分发候选集，根据P＝{rt|t＝1,2,…,rum}，依次判断空间信息是否满足rt的前件＜predicate＞，如果满足，则执行规则的后件＜result＞，当规则的后件为<N>，则直接从分发候选集中删除；当规则的后件为<D>，则从分发候选集中删除，并加入分发决策集；第2.2步在分发候选集中，根据S＝{＜cm,Im＞|m＝1，2，…,cum}，将Im大于给定阈值的空间信息，从分发候选集中删除，并加入分发决策集；第3步求解分发决策集第3.1步构造决策矩阵，并求理想解首先，将分发候选集中空间信息的内容表达为：Sc＝{X,T}  (II)式中，Sc为空间信息内容表达式；X＝(x1,x2,…,xeum),xi为元素项，i是元素项的序号，eum是元素项的个数，i＝1,2,…,eum；元素项xi是信息分发决策的一个决策属性，{xi|i＝1,2,…,eum}也称为决策属性集；T＝(T1,T2,…,Teum),T为Sc对于X的属性值向量，Ti为Sc在决策属性xi下的属性值，是一个区间数[ti‑,ti+]，ti‑为Ti的下限，ti+为Ti的上限；对于分发候选集中的每条空间信息的内容都可用(II)所述的表达式来描述，则分发候选集记为{Sc(j)|j＝1,2,…,sum}，sum为分发候选集中元素的个数，j为分发候选集中元素的序号，j＝1,2,…,sum，分发候选集的每个元素都是信息分发决策的一个备选方案，每条空间信息的内容的下标组成的下标集记为Sid＝{(j)|j＝1,2,…,sum}，Sc(j)表示第j条空间信息的内容，对于其中X＝(x1,x2,…,xeum)，T(j)＝(T1(j),T2(j),…,Teum(j))；其中T(j)表示第j条空间信息的内容对于X的属性值向量，j＝1,2,…,sum；Ti(j)表示第j条空间信息的内容在决策属性xi下的属性值，i＝1,2,…,eum；其次，建立分发候选集{Sc(j)|j＝1,2,…,sum}对于决策属性集{xi|i＝1,2,…,eum}的决策矩阵F：F＝(γji)sum×eum  (III)式中，γji为Sc(j)在决策属性xi下的属性值，sum为分发候选集中元素的个数，j为分发候选集中元素的序号，j＝1,2,…,sum；i是元素项的序号，eum是元素项的个数，i＝1,2,…,eum；最后，建立分发候选集的理想解A*与分发候选集的负理想解A0A*＝(A1*,A2*,…,Aeum*)  (IV)A0＝(A10,A20,…,Aeum0)  (V)式中，A*为分发候选集的理想解，Ai*为决策属性xi的理想解，A0为分发候选集的负理想解，Ai0为决策属性xi的负理想解；若用户模型中每个非均匀分割的子区间Ii,g对应的区间数为I′i,g，则Ai*=Ii,g′*=[Ii,g′*-,Ii,g′*+],iffs*i,g=1---(VI)]]>Ai0=Ii,g′0=[Ii,g′0-,Ii,g′0+],iffs0i,g=0---(VII)]]>式中，为决策属性xi的非均匀分割子区间Ii,g,g＝1,2,…,vumi对应的效用度最大的区间数，vumi为第i个元素项的子区间个数，和分别为该区间数的下限和上限，此时子区间记为I*i,g,s*i,g为子区间I*i,g对应的分布特征值；Ai0为决策属性xi的负理想解，为决策属性xi的效用度最小的区间数，和分别为该区间数的下限和上限，此时子区间为I0i,g,s0i,g为子区间I0i,g对应的分布特征值；第3.2步确立分发决策集第3.2.1步，与分发候选集的理想解和分发候选集的负理想解的特征距离为dj*=||γj-A*||=Σi=1eum(wi×Mea(Ai*,Ti(j)))---(VIII)]]>dj0=||γj-A0||=Σi=1eum(wi×Mea(Ai0,Ti(j)))---(IX)]]>式中，dj*为Sc(j)与分发候选集的理想解的特征距离，dj0为Sc(j)与分发候选集的负理想解的特征距离，γj为Sc(j)在各个决策属性xi,i＝1，2,…,eum下的属性值向量；A*为分发候选集的理想解；wi是决策属性xi的权值，Mea()为求决策属性xi的理想解及负理想解与决策属性xi的属性值的距离函数，Ai*为决策属性xi的理想解，Ti(j)表示第j条空间信息的内容在决策属性xi下的属性值，Ti(j)是一个区间数，Ai0为决策属性xi的负理想解，A为决策属性xi的正理想解和负理想解，B为决策属性xi的属性值,di是xi的区间变量的区间方差，λi是xi的区间变量的区间方差的阈值，si,g为子区间Ii,g对应的分布特征值；Max()为求最大值函数；第3.2.2步，计算Sc(j)的效用度μjμj=dj0-dj*=Σi=1eum(wi×Mea(Ai*,Ti(j)))---(XI)]]>其中，式中，μj是Sc(j)的效用度，dj0为Sc(j)与分发候选集的负理想解的特征距离，dj*为Sc(j)与分发候选集的理想解的特征距离，wi是决策属性xi的权值，Ai*是决策属性xi的理想解，Ti(j)是Sc(j)在决策属性xi下的属性值，是一个区间数；di是xi的区间变量的区间方差，λi是xi的区间变量的区间方差的阈值，Mea()为求决策属性xi的理想解及负理想解与决策属性xi的属性值的距离函数，Max()为求最大值函数；第3.2.3步，根据效用度μj值，将大于或等于给定阈值的备选方案依次加入分发决策集，从而确立分发决策集。