買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉江蘇省氣象臺申請的專利一種基于多維度場景感知與動態(tài)畫像建模的智能服務(wù)推薦方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120407947B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510910348.2，技術(shù)領(lǐng)域涉及：G06F16/9535；該發(fā)明授權(quán)一種基于多維度場景感知與動態(tài)畫像建模的智能服務(wù)推薦方法是由陳圣劼;芮子舜;許小龍;王嘯華;李玉濤設(shè)計研發(fā)完成，并于2025-07-02向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于多維度場景感知與動態(tài)畫像建模的智能服務(wù)推薦方法在說明書摘要公布了：本發(fā)明提供了一種基于多維度場景感知與動態(tài)畫像建模的智能服務(wù)推薦方法，包括：步驟1，部署分布式邊緣計算節(jié)點，實時采集用戶操作的時空四元組數(shù)據(jù)，存儲用戶行為及標(biāo)簽，建設(shè)高維推薦數(shù)據(jù)庫；步驟2，構(gòu)建動態(tài)畫像引擎，建設(shè)用戶長期行為模式庫；步驟3，部署實時流加離線雙引擎架構(gòu)，融合實時場景匹配與離線畫像預(yù)測，進(jìn)行個性化功能及用戶深層需求分析；步驟4，針對新用戶，同步調(diào)用地理圍欄獲取區(qū)域熱門服務(wù)，并行實現(xiàn)基于元強(qiáng)化學(xué)習(xí)的冷啟動優(yōu)化；步驟5：建立天氣特征關(guān)聯(lián)的智能推薦閉環(huán)。該方法充分利用了時空四元組數(shù)據(jù)、用戶標(biāo)簽信息以及動態(tài)興趣權(quán)重等多維特征，能夠有效提升推薦系統(tǒng)的實時性、可解釋性和泛化能力。

本發(fā)明授權(quán)一種基于多維度場景感知與動態(tài)畫像建模的智能服務(wù)推薦方法在權(quán)利要求書中公布了：1.一種基于多維度場景感知與動態(tài)畫像建模的智能服務(wù)推薦方法，其特征在于，包括以下步驟： 步驟1，部署分布式邊緣計算節(jié)點，實時采集用戶操作的時空四元組數(shù)據(jù)，存儲用戶行為和標(biāo)簽，建設(shè)高維推薦數(shù)據(jù)庫； 步驟2，構(gòu)建動態(tài)畫像引擎，采用注意力機(jī)制計算興趣權(quán)重，并通過Transformer挖掘行為序列的長期關(guān)聯(lián)，建設(shè)用戶長期行為模式庫； 步驟3，部署實時流加離線雙引擎架構(gòu)，融合實時場景匹配與離線畫像預(yù)測，進(jìn)行個性化功能和用戶深層需求分析； 步驟4，針對新用戶，同步調(diào)用地理圍欄獲取區(qū)域熱門服務(wù)，并行實現(xiàn)基于元強(qiáng)化學(xué)習(xí)的冷啟動優(yōu)化； 步驟5，建立天氣特征關(guān)聯(lián)的智能推薦閉環(huán)：通過語義解析氣象服務(wù)材料中的關(guān)鍵詞和閾值報警信息，自動匹配并觸發(fā)相關(guān)氣象服務(wù)推薦； 步驟1包括：部署邊緣計算節(jié)點，通過GPS、WiFi指紋雙模定位與氣象API，實時生成時空四元組其中ti是記錄第i個用戶的操作發(fā)生的絕對時間，φi為WGS-84坐標(biāo)系下的第i個用戶在ti時間的經(jīng)度值，λi為WGS-84坐標(biāo)系下的第i個用戶在ti時間的緯度值，wi指第i個用戶在ti時間所處的歸一化后的氣象狀態(tài)； 步驟1還包括：將GPS與WiFi指紋定位結(jié)果通過卡爾曼濾波融合： 其中為最終采用的用戶位置，lGPS、lWiFi分別為GPS模塊提供的原始經(jīng)緯坐標(biāo)和WiFi模塊提供的原始經(jīng)緯坐標(biāo)，為WiFi模塊的定位源方差，為GPS模塊的定位源方差，α為動態(tài)計算權(quán)重系數(shù)； 將氣象狀態(tài)wi映射為6維向量：溫度、濕度、風(fēng)速、降水、PM2.5、紫外線，采用分段線性函數(shù)歸一化： 其中k＝1,...,6；指第k個氣象參數(shù)的歸一化值，wk指第k個氣象參數(shù)的原始觀測值，μk、σk分別為歷史均值和標(biāo)準(zhǔn)差； 采用改進(jìn)基于時空密度的噪聲應(yīng)用空間聚類ST-DBSCAN算法，定義時空復(fù)合距離： 其中，DSTpΔi,pΔj指第Δi個點pΔi和第Δj個點pΔj之間的時空復(fù)合距離，Dgeo·指地理距離，Tmax為時間歸一化系數(shù)，β為空間權(quán)重因子，分別為第個時間標(biāo)量和第個時間標(biāo)量； 如果DSTpΔi,pΔj≤∈，∈為聚類參數(shù)，則判斷第Δi個點pΔi和第Δj個點pΔj屬于同一簇，完成時空聚類的劃分，得到時空聚類結(jié)果； 將用戶標(biāo)簽嵌入元組，拓展成五元組形式：ti,φi,λi,wi,τi，其中τi為第i個用戶在時刻ti的用戶標(biāo)簽，采用如下公式進(jìn)行標(biāo)簽權(quán)重計算： 其中，為用戶在時刻ti對標(biāo)簽m的動態(tài)權(quán)重，Δt是距離上次更新的時間間隔，actiono表示用戶行為o，δo為行為o的權(quán)重分值，I·為指示函數(shù)，為關(guān)聯(lián)行為集合，e是自然常數(shù)； 最終，綜合時空四元組和用戶標(biāo)簽信息，實現(xiàn)高維推薦數(shù)據(jù)庫的建設(shè)； 步驟2包括：利用時空編碼和注意力機(jī)制計算用戶對不同服務(wù)類目的動態(tài)興趣強(qiáng)度，引入時間衰減因子，更新后的興趣權(quán)重計算公式為： 其中，表示用戶在時間步t對標(biāo)簽m的歸一化興趣權(quán)重，為查詢向量，Wm為標(biāo)簽m的投影矩陣，為縮放因子，K為鍵矩陣； 進(jìn)行時間衰減修正計算： 其中，表示用戶在時間t對標(biāo)簽m的最終興趣權(quán)重，λ為衰減率； 根據(jù)最終興趣權(quán)重，完成用戶行為習(xí)慣和標(biāo)簽的聚合； 將步驟1的五元組輸入超長上下文變換器Transformer-XL，所述超長上下文變換器Transformer-XL包括循環(huán)記憶模塊和相對位置編碼，識別用戶的長期行為規(guī)律，循環(huán)記憶模塊負(fù)責(zé)緩存前一段的隱藏狀態(tài)，并完成當(dāng)前段計算時的歷史記憶拼接； 前一段的隱藏狀態(tài)表示為： Mτ-1＝[hτ-1,1,...,hτ-1,L]， 當(dāng)前段計算時拼接歷史記憶： 其中，Mτ-1為前一段的記憶緩存，由前一段各層的隱藏狀態(tài)hτ-1,1組成，L是序列長度，hτ-1,L表示前一段中第L個隱藏狀態(tài)；為當(dāng)前段的注意力輸出，Qτ、Kτ、Vτ分別為當(dāng)前段的查詢、鍵、值矩陣；Attention表示注意力計算；Kτ-1為前一段的鍵矩陣；Vτ-1為前一段的值矩陣； 步驟3包括： 步驟3-1，實時流引擎的場景匹配：根據(jù)最終采用的用戶位置查詢步驟1中通過改進(jìn)基于時空密度的噪聲應(yīng)用空間聚類ST-DBSCAN算法生成的時空聚類結(jié)果，找到用戶當(dāng)前場景所屬的聚類簇Ccurrent；計算用戶當(dāng)前場景與歷史場景的相似度SimCcurrent,Chistory，公式為： 其中dspatial是地理距離，dtcmporal是時間間隔，Chistory是歷史場景的聚類簇； 步驟3-2，實時流引擎的動態(tài)興趣權(quán)重調(diào)整：根據(jù)實時場景匹配結(jié)果，調(diào)整用戶對不同服務(wù)類目的興趣權(quán)重公式為： 根據(jù)調(diào)整后的興趣權(quán)重生成實時推薦服務(wù)列表； 步驟3-3，離線引擎的深層需求預(yù)測：利用用戶長期行為模式庫，預(yù)測用戶在當(dāng)前場景下的潛在需求，通過注意力機(jī)制計算第i個用戶的深層需求的權(quán)重γi： 其中sγ是用戶對需求γ的相似度分?jǐn)?shù)，sδ是用戶對歷史場景δ的相似度分?jǐn)?shù)，H是歷史場景的總數(shù)； 步驟3-4，離線引擎的需求聚合：根據(jù)深層需求權(quán)重，聚合用戶的歷史行為和標(biāo)簽信息，生成深層需求預(yù)測向量vdeep； 步驟3-5，實時流與離線引擎的融合：根據(jù)用戶行為的活躍程度和時間間隔，動態(tài)調(diào)整實時流和離線引擎的權(quán)重αadjusted，再根據(jù)最終推薦得分Sfinal，生成推薦服務(wù)列表： Sfinal＝αadjusted·Sreal-time+1-αadjusted·Sofflinc， 其中，Δβ是調(diào)節(jié)參數(shù)，Sreal-time為實時推薦得分，Sofflinc為離線推薦得分； 步驟4包括： 根據(jù)用戶當(dāng)前位置查詢地理圍欄內(nèi)的所有服務(wù)，獲取服務(wù)的訪問頻率，根據(jù)每個服務(wù)的權(quán)重ws，進(jìn)行熱門度排序，并生成熱門服務(wù)列表： 其中，θ、是權(quán)重參數(shù)，popularitys、ratings分別為服務(wù)s的訪問頻率和評分； 使用預(yù)訓(xùn)練的元策略網(wǎng)絡(luò)適應(yīng)新用戶的行為模式，通過用戶當(dāng)前地理位置、時間和用戶已交互的服務(wù)列表，完成用戶狀態(tài)定義，定義獎勵函數(shù)r： r＝ρ·clicka+σ·durationa， 其中，clicka表示用戶是否點擊推薦服務(wù)a，durationa是用戶在服務(wù)a上的停留時間，ρ、σ是權(quán)重參數(shù)； 最后，使用元強(qiáng)化學(xué)習(xí)更新策略網(wǎng)絡(luò)參數(shù)θnew，優(yōu)化推薦策略； 步驟4中，策略網(wǎng)絡(luò)參數(shù)θnew的更新公式為： 其中，θmeta是預(yù)訓(xùn)練的元策略網(wǎng)絡(luò)參數(shù)，η是學(xué)習(xí)率，是獎勵的梯度，rt表示獎勵函數(shù)在時間步t的值； 步驟5包括：對氣象服務(wù)材料進(jìn)行文本分析，提取其中的關(guān)鍵詞，建設(shè)氣象數(shù)據(jù)庫；同時定義閾值規(guī)則，閾值規(guī)則表示為集合R＝{ex,vx}，其中ex是第x個氣象要素，vx是ex對應(yīng)的閾值； 當(dāng)匹配到關(guān)鍵詞或氣象要素超過閾值時，自動觸發(fā)推薦機(jī)制，生成與用戶當(dāng)前環(huán)境緊密相關(guān)的氣象服務(wù)列表Srecommend： 其中，Mkeyword為關(guān)鍵詞匹配集合，Mthreshold為閾值報警信息集合； 通過對氣象服務(wù)材料進(jìn)行文本統(tǒng)計分析，構(gòu)建氣象數(shù)據(jù)庫中的高頻詞庫，實時匹配當(dāng)前環(huán)境特征與關(guān)鍵詞，生成包含相關(guān)服務(wù)的關(guān)鍵詞匹配集合； 通過自然語言處理技術(shù)對氣象服務(wù)材料進(jìn)行文本分析，包括文本清洗、分詞、詞性標(biāo)注，并結(jié)合TF-IDF和TextRank算法提取關(guān)鍵詞，輔以BERT詞嵌入進(jìn)行語義擴(kuò)展，構(gòu)建包含關(guān)鍵詞、類別、權(quán)重、語義向量及關(guān)聯(lián)服務(wù)的結(jié)構(gòu)化氣象數(shù)據(jù)庫關(guān)鍵詞庫；實時匹配時，利用步驟1的時空四元組提取當(dāng)前環(huán)境特征，通過精確匹配和語義相似度計算將環(huán)境特征標(biāo)簽與關(guān)鍵詞庫比對，結(jié)合閾值規(guī)則優(yōu)先觸發(fā)高權(quán)重關(guān)鍵詞，生成關(guān)鍵詞匹配集合Mkeyword，并映射至相關(guān)氣象服務(wù)，形成實時、精準(zhǔn)、多樣的推薦服務(wù)列表； 基于預(yù)定義的閾值規(guī)則集合{ex,vx}，監(jiān)控實時氣象數(shù)據(jù)，當(dāng)氣象要素ex超過閾值vx時，觸發(fā)對應(yīng)服務(wù)，生成閾值報警信息集合。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人江蘇省氣象臺，其通訊地址為：210041 江蘇省南京市建鄴區(qū)雙閘街道雨順路8號江蘇氣象中心；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。