CN116662528B - 一种基于知识图谱的地图自适应推荐方法及相关设备 - Google Patents
一种基于知识图谱的地图自适应推荐方法及相关设备 Download PDFInfo
- Publication number
- CN116662528B CN116662528B CN202310504997.3A CN202310504997A CN116662528B CN 116662528 B CN116662528 B CN 116662528B CN 202310504997 A CN202310504997 A CN 202310504997A CN 116662528 B CN116662528 B CN 116662528B
- Authority
- CN
- China
- Prior art keywords
- map
- similarity
- recommendation
- data
- knowledge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000000007 visual effect Effects 0.000 claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims description 39
- 238000012800 visualization Methods 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/387—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的地图自适应推荐方法及相关设备,所述方法包括:搜集多个类型的地图案例,并建立地图案例实例库;分析地图的数据特征、可视化维度、应用领域和可视化形式,构建地图推荐本体模型;基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库;基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱;按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值;计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果。本发明提高了制图效率,为地图多元化与个性化推广应用提供有效支撑。
Description
技术领域
本发明涉及地图可视化技术领域,尤其涉及一种基于知识图谱的地图自适应推荐方法、***、终端及计算机可读存储介质。
背景技术
随着信息通讯技术的发展,地图的可视化形式越来越丰富,除了传统的分层设色图、等高线图、晕渲图等地图之外,还涌现出了大量在空间信息表达的客观性、直观性、可量测性、一览性等方面区别于“传统地图”的类地图,诸如Whisper地图、Kriskogram地图、Chorematic地图、微地图等。
传统数字地图制图下,专题地图的制作需首先具备专业制图知识或寻求制图专家协助,以满足专题内容的表达需求。然而,一方面,这种先验知识的约束一定程度上限制了地图普及与发展,缺乏专业制图理论知识的大众爱好者容易误入各种违反地图表达常识的“制图陷阱”;另一方面,互联网环境下,对地图信息传递的及时性和信息交互的丰富性提出了更高要求。
面对ICT时代地图的个性化与多样化需求,如何将地图制图基本规律、可视化特征和知识内化到地图选择过程,从而为非专业制图人员的推荐适宜的地图类型作品,成为了当前地图制作和使用亟需关注的重要问题。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于知识图谱的地图自适应推荐方法、***、终端及计算机可读存储介质,旨在解决现有技术中非专业制图人员无法从海量图表中快速获取最适宜的地图类型,制图效率低下的问题。
为实现上述目的,本发明提供一种基于知识图谱的地图自适应推荐方法,所述基于知识图谱的地图自适应推荐方法包括如下步骤:
搜集多个类型的地图案例,并建立地图案例实例库;
分析地图的数据特征、可视化维度、应用领域和可视化形式,构建地图推荐本体模型;
基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库;
基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱;
按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值;
计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果。
可选地,所述的基于知识图谱的地图自适应推荐方法,其中,所述搜集多个类型的地图案例,并建立地图案例实例库,具体包括:
从多个渠道检索多个类型的地图案例;
将全部检索到的地图案例进行分类存储以建立所述地图案例实例库。
可选地,所述的基于知识图谱的地图自适应推荐方法,其中,所述数据特征包括:时间特征、空间特征和属性特征;
所述可视化维度包括:时间维度、空间维度、属性维度和用户维度;
所述应用领域包括:面向人使用的应用领域和面向物使用的应用领域;
所述可视化形式包括:标准地图、写意地图和写实地图。
可选地,所述的基于知识图谱的地图自适应推荐方法,其中,所述基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库,具体包括:
获取所述地图案例实例库中的待识别地图案例,根据所述待识别地图案例的特点,结合所述地图推荐本体模型,对各类型地图案例的数据特征、表达维度、应用领域和可视化类型进行***解构;
分析地图类型下的数据所具有的时间、空间和属性特征,表达所涉及到的时间、空间、属性、用户可视化维度的具体表现,地图所适用于的应用场景,以及可视化形式所属的分类,构建面向多主题、多类型和多用户的所述地图表达特征库。
可选地,所述的基于知识图谱的地图自适应推荐方法,其中,所述基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱,具体包括:
构建地图推荐本体的形式化描述;
将实例映射到对应的类,属性映射到对应的属性关键词,关系映射到对应的关系谓词,基于映射关系实现地图表达知识的形式化描述;
基于Neo4J图数据库进行空间数据、表达维度、应用领域和可视化形式的知识存储,按照实体-关系-实体或实体-属性-属性值的模式构建地图知识图谱。
可选地,所述的基于知识图谱的地图自适应推荐方法,其中,所述按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值,具体包括:
采用独热编码对空间数据的数据特征以及可视化维度进行知识嵌入,将代表数据信息的实体节点视为状态,使用N位状态寄存器对N个状态进行编码,每个状态寄存器相互独立;
使用独热编码对地图知识图谱中空间数据信息进行知识嵌入,将地图知识图谱转换为特征向量;
其中,表示地图知识图谱独热编码后得到的特征向量矩阵,m表示空间数据条数,n表示特征状态个数,aij表示特征向量矩阵中的第i行,第j列;
计算空间数据特征相似度:
计算可视化维度相似度:
计算应用领域相似度:
其中,D1,D2表示空间数据特征,d1,d2表示数据特征集合,card表示数据特征集合的势或基数;
其中,V1,V2表示所有可视化维度比较下的综合相似性结果,A,B表示可视化维度特征向量,ai,bi表示可视化维度,z表示可视化维度的总数;
其中,T1,T2表示地图的应用领域,k表示应用领域相近程度,k∈(0,1),sim表示要素相似度。
可选地,所述的基于知识图谱的地图自适应推荐方法,其中,所述计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果,具体包括:
综合计算地图类型相似性结果,总体相似度计算为:
其中,similarity表示总体相似度,ω表示权重,ω∈(0,1),ω1+ω2+ω3=1;
基于地图知识图谱,按照空间数据、可视化维度和应用领域的相似性综合计算结果,确定相似度最高的地图类型,为用户推荐相应地图结果。
此外,为实现上述目的,本发明还提供一种基于知识图谱的地图自适应推荐***,其中,所述基于知识图谱的地图自适应推荐***包括:
地图案例实例库建立模块,用于搜集多个类型的地图案例,并建立地图案例实例库;
地图推荐本体模型构建模块,用于分析地图的数据特征、可视化维度、应用领域和可视化形式,构建地图推荐本体模型;
地图表达特征库建立模块,用于基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库;
地图知识图谱构建模块,用于基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱;
相似性评价模块,用于按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值;
地图类型自适应推荐模块,用于计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果。
此外,为实现上述目的,本发明还提供一种终端,其中,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于知识图谱的地图自适应推荐程序,所述基于知识图谱的地图自适应推荐程序被所述处理器执行时实现如上所述的基于知识图谱的地图自适应推荐方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于知识图谱的地图自适应推荐程序,所述基于知识图谱的地图自适应推荐程序被处理器执行时实现如上所述的基于知识图谱的地图自适应推荐方法的步骤。
本发明中,搜集多个类型的地图案例,并建立地图案例实例库;分析地图的数据特征、可视化维度、应用领域和可视化形式,构建地图推荐本体模型;基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库;基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱;按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值;计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果。本发明以知识图谱为基础,通过地图案例-知识图谱-相似性匹配-地图类型的构建流程,建立不同应用场景下地图可视化信息知识库,并按照用户制图需求进行自适应地图推荐,辅助制图人员从海量图表中快速获取最适宜的地图类型,提高了制图效率,为地图多元化与个性化推广应用提供有效支撑。
附图说明
图1是本发明基于知识图谱的地图自适应推荐方法的较佳实施例的流程图;
图2是本发明基于知识图谱的地图自适应推荐方法的较佳实施例中地图推荐本体模型的示意图;
图3是本发明基于知识图谱的地图自适应推荐方法的较佳实施例中地图推荐知识图谱结构示意图;
图4是本发明基于知识图谱的地图自适应推荐方法的较佳实施例中独热编码知识嵌入示意图;
图5是本发明基于知识图谱的地图自适应推荐方法的较佳实施例中推荐结果知识图谱的示意图;
图6是本发明基于知识图谱的地图自适应推荐***的较佳实施例的原理示意图;
图7为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
由于用户对应用场景下地图可视化形式多样化以及更加科学合理制图的需求,本发明提出一种基于知识图谱的地图自适应推荐方法。知识图谱是一种挖掘、分析、构建知识间结构关系的重要方法,被广泛应用到智能语义搜索、智能问答、个性化推荐等领域。本发明以知识图谱为基础,通过“地图案例-知识图谱-相似性匹配-地图类型”的构建流程,建立不同应用场景下地图可视化信息知识库,并按照用户制图需求进行自适应地图推荐,辅助制图人员从海量图表中快速获取最适宜的地图类型,提高制图效率。
本发明包括以下步骤:首先,搜集地图案例并建立地图案例实例库;其次分析地图的数据特征、可视化维度、应用领域、可视化形式,构建地图推荐本体模型;第三,基于地图推荐本体模型,分析地图实例的地图特征,建立地图表达特征库;第四,基于地图推荐本体模型与地图特征分析结果,按照“实体-关系-实体”或“实体-属性-属性值”模式构建知识图谱;第五,按照用户输入的数据特征、可视化维度偏好、应用目的,计算地图数据、表达偏好、应用目的等相似性数值;最后,计算地图类型相似性的综合数值,得出最终的地图推荐结果。本发明有效解决了非专业制图人员对于地图类型选择困难,甚至错误的问题,可为地图多元化与个性化推广应用提供有效支撑。
本发明较佳实施例所述的基于知识图谱的地图自适应推荐方法,如图1所示,所述基于知识图谱的地图自适应推荐方法包括以下步骤:
步骤S10、搜集多个类型的地图案例,并建立地图案例实例库。
具体地,从多个渠道检索多个类型的地图案例,例如从互联网、地图集、国内外文献等多源渠道检索地图类型案例,包括:行政区划图、等高线图、晕渲图、点状分布图等传统地图,以及Cartogram地图、示意性地铁图、Kriskograms地图、Whisper地图、Chorematic地图等类地图,将全部检索到的地图案例进行分类存储以建立所述地图案例实例库。
步骤S20、分析地图的数据特征、可视化维度、应用领域和可视化形式,构建地图推荐本体模型。
其中,所述数据特征包括:时间特征、空间特征和属性特征;所述可视化维度包括:时间维度、空间维度、属性维度和用户维度;所述应用领域包括:面向人使用的应用领域和面向物使用的应用领域;所述可视化形式包括:标准地图、写意地图和写实地图。
具体地,本体是概念的集合,知识图谱本体层本质上就是各种概念及其关系。如图2所示,按照地图表达涉及的数据特征、可视化维度、应用领域、可视化形式,构建地图推荐本体模型。数据特征上,将地图数据特征划分为:时间特征(例如持续时间特征、间隔时间特征、离散时间特征、周期时间特征和静态特征)、空间特征(例如、点状、线状、面状、体状和场状)、属性特征(例如定性特征和定量特征,其中,定性特征包括顺序特征和类别特征,顺序特征包括等级顺序、程度顺序和并列顺序,类别特征包括单类别、复合类别和多类别,定量特征包括数值数量、间隔数量和比率数量);可视化维度划分为:对象状态(例如静态和动态)、时间结构(例如线性结构、分支结构和循环结构)等时间维度,空间维数(例如1维、2维、2.5维、3维和多维)、几何逻辑(例如欧氏几何和拓扑关系)、空间组织(例如矢量、栅格和混合)、空间参考面(例如平面和曲面)、载体介质(例如物理和电子)等空间维度,抽象、具象、风格等属性维度,以及表达尺度(例如单一尺度、多尺度和变尺度)、人称视角(例如第一人称和第三人称)等用户维度;应用领域包括地势、地质、地貌、交通、政治、文化、历史等面向“人”使用的应用领域,以及自动驾驶、工业自动化等面向“物”使用的应用领域;可视化形式划分为:标准地图(例如点状符号图、线状符号图、范围图、质底图、等值线图、分级统计图、分区统计图)、写意地图(例如Cartogram地图、示意性地铁图、Kriskograms地图、隐喻地图)、写实地图(例如影像地图、2.5维地图和实景三维地图)等形式。
步骤S30、基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库。
具体地,获取所述地图案例实例库中的待识别地图案例,根据所述待识别地图案例的特点,同时结合所述地图推荐本体模型,对各类型地图案例的数据特征、表达维度、应用领域和可视化类型进行***解构,分析地图类型下的数据所具有的时间、空间和属性特征,表达所涉及到的时间、空间、属性、用户可视化维度的具体表现,地图所适用于的应用场景,以及可视化形式所属的分类,构建面向多主题、多类型和多用户的所述地图表达特征库。
步骤S40、基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱。
具体地,利用本体OWL描述语言,描述数据特征、表达维度、应用领域、地图形式的概念定义、关联关系、属性结构、规则方法、组织形式。从地图推荐涉及到的概念(C)、关系(R)、属性(P)、规则(RU)、实例(I)等5个部分入手,构建地图推荐本体的形式化描述,即:O=<C,R,P,RU,I>。其中,O为地图形式本体,C为空间数据、表达维度、应用领域等一系列要素概念的集合,R为“适用”、“拥有”、“使用”、“具有”等要素关系集合,P为对象要素属性集合,RU为表达规则集合,I为一系列地图表达实例集合。将实例映射到对应的类,属性映射到对应的属性关键词,关系映射到对应的关系谓词,基于上述映射关系,实现地图表达知识的形式化描述。通过Neo4J图数据库,进行地图推荐所涉及的空间数据、表达维度、应用领域、可视化形式等的知识存储,建立地图知识图谱,如图3所示,空间数据实体包括森林覆盖率,数据特征实体包括面状、单类别、程度顺序特征、无时间特征、间隔数量特征,可视化维度实体包括静态、欧氏几何、矢量、无空间变形、平面、单一尺度、具象、二维、无时间结构,可视化形式实体包括分级统计地图,应用领域实体包括森林资源。
步骤S50、按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值。
具体地,采用独热编码(one-hot)对空间数据的数据特征以及可视化维度进行知识嵌入,如图4所示,将代表数据信息的实体节点视为状态,使用N位状态寄存器对N个状态进行编码,每个状态寄存器相互独立;使用独热编码对地图知识图谱中空间数据信息进行知识嵌入,将地图知识图谱转换为特征向量的过程如图4所示。
其中,表示地图知识图谱独热编码后得到的特征向量矩阵,m表示空间数据条数,n表示特征状态个数,aij表示特征向量矩阵中的第i行,第j列。
本发明相似度包括空间数据特征、可视化维度、应用领域三个部分,每部分通过对应的相似度模型计算,相似度计算如公式(1)~(3)所示。
计算空间数据特征相似度:
其中,D1,D2表示空间数据特征,D1为已知的在知识库中的空间数据的特征,D2为用户输入的空间数据的特征,两个数据特征进行相似度计算,确定相似结果;d1,d2表示数据特征集合,card表示数据特征集合的势或基数。
计算可视化维度相似度:
其中,V1,V2表示所有可视化维度比较下的综合相似性结果,A,B表示可视化维度特征向量,ai,bi表示可视化维度,ai为已知在知识库中的地图可视化维度,bi表示用户倾向于应用的可视化维度;z表示可视化维度的总数,从图2中可以看到,在时间、空间、属性、用户几大维度下有12个维度,每个维度可以有不同的取值。
计算应用领域相似度:
其中,T1,T2表示地图的应用领域,T1为已知的应用领域,T2为用户倾向于的地图表达应用领域;k表示应用领域相近程度,k∈(0,1),sim表示要素相似度。
步骤S60、计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果。
具体地,综合计算地图类型相似性结果,总体相似度计算为:
其中,similarity表示总体相似度,ω表示权重,ω∈(0,1),ω1+ω2+ω3=1;三种可视化要素相似度相互独立,共同影响总体相似度,任意相似度值为0时,总体相似度值也为0。
基于地图知识图谱,按照空间数据、可视化维度和应用领域的相似性综合计算结果,确定相似度最高的地图类型,为用户推荐相应地图结果。
表1:实验数据推荐结果
表1以生产总值数据、地铁线路数据、生活设施密度数据为例,展示了三组实验数据对应的可视化推荐结果,推荐结果具有高准确性。在输入实验数据信息时,设定几何逻辑和空间变形维度需求,检验本发明知识推荐方法对地图的推荐效果。
图5展示了实验数据特征信息与高相似度数据节点对应的数据特征、可视化维度、应用领域以及可视化形式。空间数据实体包括财政收入增长速度、证券交易总额、生活设施密度分布、工业园区密度分布、绿道密度、路网分布、地铁线路、轨道交通网络和生产总值,数据特征实体包括并列顺序、无顺序特征、等级顺序、程度顺序、多类别、单类别、符合类别、面状、线状、间隔数量特征、数值数量特征、无数量特征、离散时间特征和无时间特征,可视化维度实体包括无时间结构、静态、矢量、二维、抽象、离散性、连续性、无空间变形、拓扑关系、欧氏几何、具象、平面和单一尺度,可视化形式实体包括Cartogram地图、线状符号地图、示意性地铁图、分级统计地图和网络密度图,应用领域实体包括财政金融、城市绿道、城市交通、先进制造业、城市设施和综合经济;其中证券交易额分布数据与生产总值数据相似度值为0.9,对应可视化形式为Cartogram地图;轨道交通网络数据与地铁线路数据相似度值为0.92,对应可视化形式为示意性地铁图;生活设施密度分布数据与绿道密度分布的相似度值为0.88,对应可视化形式为分级统计地图。可以发现推荐可视化形式能满足用户可视化表达需求,具有较高的合理性,制图者可以推荐结果中选择最适合的可视化形式。
本发明面向地图自适应可视化,采用知识图谱的构建方法,在明确地图数据、应用场景、用户偏好前提下,可实现最佳地图类型的智能推荐,结果更具科学性。本发明提出地图推荐本体模型,从不同数据特征、表达偏好、实际应用角度,识别最佳的地图形式。
进一步地,如图6所示,基于上述基于知识图谱的地图自适应推荐方法,本发明还相应提供了一种基于知识图谱的地图自适应推荐***,其中,所述基于知识图谱的地图自适应推荐***包括:
地图案例实例库建立模块51,用于搜集多个类型的地图案例,并建立地图案例实例库;
地图推荐本体模型构建模块52,用于分析地图的数据特征、可视化维度、应用领域和可视化形式,构建地图推荐本体模型;
地图表达特征库建立模块53,用于基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库;
地图知识图谱构建模块54,用于基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱;
相似性评价模块55,用于按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值;
地图类型自适应推荐模块56,用于计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果。
进一步地,如图7所示,基于上述基于知识图谱的地图自适应推荐方法和***,本发明还相应提供了一种终端,所述终端包括处理器10、存储器20及显示器30。图7仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元,例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。进一步地,所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据,例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有基于知识图谱的地图自适应推荐程序40,该基于知识图谱的地图自适应推荐程序40可被处理器10所执行,从而实现本申请中基于知识图谱的地图自适应推荐方法。
所述处理器10在一些实施例中可以是一中央处理器(Central ProcessingUnit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述基于知识图谱的地图自适应推荐方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight-EmittingDiode,有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过***总线相互通信。
在一实施例中,当处理器10执行所述存储器20中基于知识图谱的地图自适应推荐程序40时实现如上所述基于知识图谱的地图自适应推荐方法的步骤。
本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于知识图谱的地图自适应推荐程序,所述基于知识图谱的地图自适应推荐程序被处理器执行时实现如上所述的基于知识图谱的地图自适应推荐方法的步骤。
综上所述,本发明提供一种基于知识图谱的地图自适应推荐方法及相关设备,所述方法包括:搜集多个类型的地图案例,并建立地图案例实例库;分析地图的数据特征、可视化维度、应用领域和可视化形式,构建地图推荐本体模型;基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库;基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱;按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值;计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果。本发明以知识图谱为基础,通过地图案例-知识图谱-相似性匹配-地图类型的构建流程,建立不同应用场景下地图可视化信息知识库,并按照用户制图需求进行自适应地图推荐,辅助制图人员从海量图表中快速获取最适宜的地图类型,提高了制图效率,为地图多元化与个性化推广应用提供有效支撑。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于知识图谱的地图自适应推荐方法,其特征在于,所述基于知识图谱的地图自适应推荐方法包括:
搜集多个类型的地图案例,并建立地图案例实例库;
分析地图的数据特征、可视化维度、应用领域和可视化形式,构建地图推荐本体模型;
基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库;
基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱;
所述基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱,具体包括:
构建地图推荐本体的形式化描述;
将实例映射到对应的类,属性映射到对应的属性关键词,关系映射到对应的关系谓词,基于映射关系实现地图表达知识的形式化描述;
基于Neo4J图数据库进行空间数据、表达维度、应用领域和可视化形式的知识存储,按照实体-关系-实体或实体-属性-属性值的模式构建地图知识图谱;
按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值;
所述按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值,具体包括:
采用独热编码对空间数据的数据特征以及可视化维度进行知识嵌入,将代表数据信息的实体节点视为状态,使用N位状态寄存器对N个状态进行编码,每个状态寄存器相互独立;
使用独热编码对地图知识图谱中空间数据信息进行知识嵌入,将地图知识图谱转换为特征向量;
其中,表示地图知识图谱独热编码后得到的特征向量矩阵,m表示空间数据条数,n表示特征状态个数,aij表示特征向量矩阵中的第i行,第j列;
计算空间数据特征相似度:
计算可视化维度相似度:
计算应用领域相似度:
其中,D1,D2表示空间数据特征,d1,d2表示数据特征集合,card表示数据特征集合的势或基数;
其中,V1,V2表示所有可视化维度比较下的综合相似性结果,A,B表示可视化维度特征向量,ai,bi表示可视化维度,z表示可视化维度的总数;
其中,T1,T2表示地图的应用领域,k表示应用领域相近程度,k∈(0,1),sim表示要素相似度;
计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果。
2.根据权利要求1所述的基于知识图谱的地图自适应推荐方法,其特征在于,所述搜集多个类型的地图案例,并建立地图案例实例库,具体包括:
从多个渠道检索多个类型的地图案例;
将全部检索到的地图案例进行分类存储以建立所述地图案例实例库。
3.根据权利要求1所述的基于知识图谱的地图自适应推荐方法,其特征在于,所述数据特征包括:时间特征、空间特征和属性特征;
所述可视化维度包括:时间维度、空间维度、属性维度和用户维度;
所述应用领域包括:面向人使用的应用领域和面向物使用的应用领域;
所述可视化形式包括:标准地图、写意地图和写实地图。
4.根据权利要求1所述的基于知识图谱的地图自适应推荐方法,其特征在于,所述基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库,具体包括:
获取所述地图案例实例库中的待识别地图案例,根据所述待识别地图案例的特点,结合所述地图推荐本体模型,对各类型地图案例的数据特征、表达维度、应用领域和可视化类型进行***解构;
分析地图类型下的数据所具有的时间、空间和属性特征,表达所涉及到的时间、空间、属性、用户可视化维度的具体表现,地图所适用于的应用场景,以及可视化形式所属的分类,构建面向多主题、多类型和多用户的所述地图表达特征库。
5.根据权利要求1所述的基于知识图谱的地图自适应推荐方法,其特征在于,所述计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果,具体包括:
综合计算地图类型相似性结果,总体相似度计算为:
其中,similarity表示总体相似度,ω表示权重,ω∈(0,1),ω1+ω2+ω3=1;
基于地图知识图谱,按照空间数据、可视化维度和应用领域的相似性综合计算结果,确定相似度最高的地图类型,为用户推荐相应地图结果。
6.一种基于知识图谱的地图自适应推荐***,其特征在于,所述基于知识图谱的地图自适应推荐***包括:
地图案例实例库建立模块,用于搜集多个类型的地图案例,并建立地图案例实例库;
地图推荐本体模型构建模块,用于分析地图的数据特征、可视化维度、应用领域和可视化形式,构建地图推荐本体模型;
地图表达特征库建立模块,用于基于地图推荐本体模型,分析所述地图案例实例库中地图实例的地图特征,建立地图表达特征库;
地图知识图谱构建模块,用于基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱;
所述基于地图推荐本体模型与地图特征分析结果,按照预设模式构建地图知识图谱,具体包括:
构建地图推荐本体的形式化描述;
将实例映射到对应的类,属性映射到对应的属性关键词,关系映射到对应的关系谓词,基于映射关系实现地图表达知识的形式化描述;
基于Neo4J图数据库进行空间数据、表达维度、应用领域和可视化形式的知识存储,按照实体-关系-实体或实体-属性-属性值的模式构建地图知识图谱;
相似性评价模块,用于按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值;
所述按照用户输入的数据特征、可视化维度偏好和应用目的,计算地图数据、表达偏好和应用目的相似性数值,具体包括:
采用独热编码对空间数据的数据特征以及可视化维度进行知识嵌入,将代表数据信息的实体节点视为状态,使用N位状态寄存器对N个状态进行编码,每个状态寄存器相互独立;
使用独热编码对地图知识图谱中空间数据信息进行知识嵌入,将地图知识图谱转换为特征向量;
其中,表示地图知识图谱独热编码后得到的特征向量矩阵,m表示空间数据条数,n表示特征状态个数,aij表示特征向量矩阵中的第i行,第j列;
计算空间数据特征相似度:
计算可视化维度相似度:
计算应用领域相似度:
其中,D1,D2表示空间数据特征,d1,d2表示数据特征集合,card表示数据特征集合的势或基数;
其中,V1,V2表示所有可视化维度比较下的综合相似性结果,A,B表示可视化维度特征向量,ai,bi表示可视化维度,z表示可视化维度的总数;
其中,T1,T2表示地图的应用领域,k表示应用领域相近程度,k∈(0,1),sim表示要素相似度;
地图类型自适应推荐模块,用于计算地图类型相似性的综合数值,分析相似性最高的地图类型,得到最终的地图推荐结果。
7.一种终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于知识图谱的地图自适应推荐程序,所述基于知识图谱的地图自适应推荐程序被所述处理器执行时实现如权利要求1-5任一项所述的基于知识图谱的地图自适应推荐方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有基于知识图谱的地图自适应推荐程序,所述基于知识图谱的地图自适应推荐程序被处理器执行时实现如权利要求1-5任一项所述的基于知识图谱的地图自适应推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310504997.3A CN116662528B (zh) | 2023-05-06 | 2023-05-06 | 一种基于知识图谱的地图自适应推荐方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310504997.3A CN116662528B (zh) | 2023-05-06 | 2023-05-06 | 一种基于知识图谱的地图自适应推荐方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116662528A CN116662528A (zh) | 2023-08-29 |
CN116662528B true CN116662528B (zh) | 2024-02-02 |
Family
ID=87710881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310504997.3A Active CN116662528B (zh) | 2023-05-06 | 2023-05-06 | 一种基于知识图谱的地图自适应推荐方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662528B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635857A (zh) * | 2023-11-22 | 2024-03-01 | 深圳大学 | 一种面向实景三维的泛地图可视化知识构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245204A (zh) * | 2019-06-12 | 2019-09-17 | 桂林电子科技大学 | 一种基于定位及知识图谱的智能推荐方法 |
CN114970547A (zh) * | 2022-06-09 | 2022-08-30 | 深圳大学 | 多层级多类型的规划内容差异识别与冲突消除方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000700A (zh) * | 2020-07-14 | 2020-11-27 | 北京百度网讯科技有限公司 | 地图信息展示方法、装置、电子设备及存储介质 |
-
2023
- 2023-05-06 CN CN202310504997.3A patent/CN116662528B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245204A (zh) * | 2019-06-12 | 2019-09-17 | 桂林电子科技大学 | 一种基于定位及知识图谱的智能推荐方法 |
CN114970547A (zh) * | 2022-06-09 | 2022-08-30 | 深圳大学 | 多层级多类型的规划内容差异识别与冲突消除方法 |
Non-Patent Citations (2)
Title |
---|
Actual Image Data Generation and Application via Generative Adversarial Network;Ruiming Li等;《 2020 2nd International Conference on Applied Machine Learning (ICAML)》;329-332 * |
三元空间下的泛地图可视化维度;郭仁忠 等;武汉大学学报(信息科学版);第43卷(第11期);1603-1610 * |
Also Published As
Publication number | Publication date |
---|---|
CN116662528A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bartolini et al. | Recommending multimedia visiting paths in cultural heritage applications | |
Andrienko et al. | Designing visual analytics methods for massive collections of movement data | |
Ma et al. | Large-scale graph visualization and analytics | |
CN111291191B (zh) | 一种广电知识图谱构建方法及装置 | |
Sun et al. | A five-level design framework for bicluster visualizations | |
CN116662528B (zh) | 一种基于知识图谱的地图自适应推荐方法及相关设备 | |
CN107563407A (zh) | 一种面向网络空间多模态大数据的特征表示学习*** | |
Zoraghein et al. | Data-enriched interpolation for temporally consistent population compositions | |
CN117312680A (zh) | 一种基于用户-实体子图对比学习的资源推荐方法 | |
CN116010722A (zh) | 一种基于网格时空知识图谱的动态多目标时空问题的查询方法 | |
Liu et al. | Visual exploration of urban functional zones based on augmented nonnegative tensor factorization | |
Song et al. | Interactive visual pattern search on graph data via graph representation learning | |
Zhang et al. | Enconvis: A unified framework for ensemble contour visualization | |
Usman et al. | A data mining approach to knowledge discovery from multidimensional cube structures | |
CN115577519A (zh) | 基于本体和知识图谱的双层次多重时空耦合建模方法 | |
Liu et al. | Visualizing events in time-varying scientific data | |
CN103500219B (zh) | 一种标签自适应精准匹配的控制方法 | |
Xiong | [Retracted] Comparative Analysis of Chinese Culture and Hong Kong, Macao, and Taiwan Culture in the Field of Public Health Based on the CNN Model | |
Özköse et al. | Scientific mapping of smart tourism: a content analysis study | |
CN116226686B (zh) | 一种表格相似性分析方法、装置、设备和存储介质 | |
Sen et al. | Hyper-lattice algebraic model for data warehousing | |
Usman et al. | Multi level mining of warehouse schema | |
Bikakis et al. | A hierarchical framework for efficient multilevel visual exploration and analysis | |
Miller et al. | Discovering Geographic Knowledge in Data Rich Environments | |
Pham | Interactive visual data query & exploration: techniques for visual data analytics through visual query modelling and multidimensional data interaction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230829 Assignee: Guangdong Jingyi Information Technology Co.,Ltd. Assignor: SHENZHEN University Contract record no.: X2024980007801 Denomination of invention: A Map Adaptive Recommendation Method and Related Devices Based on Knowledge Graph Granted publication date: 20240202 License type: Exclusive License Record date: 20240626 |