(19)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 202211432498.X (22)申请日 2022.11.16 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 周晓光　陈倩岚　侯东阳　 (74)专利代理 机构 北京润平知识产权代理有限 公司 11283 专利代理师 王斌 (51)Int.Cl. G06F 16/9535(2019.01) G06Q 10/06(2012.01) G06K 9/62(2022.01) (54)发明名称 地表覆盖更新众包 任务推荐方法 (57)摘要 本发明涉及地表覆盖更新众包任务推荐方 法， 包括如下步骤： A） 获取需要收集地表覆盖数 据的空间区域， 对其进行地表覆盖众包任务划分 形成网格空间， 得到待推荐的众包任务区； B） 设 计基于多元用户画像的初始任务推荐方法， 对 众 包任务区构建顾及用户活跃度的时空偏好模型 和顾及地表覆盖类型的隐语义偏好模 型， 得到时 空偏好分数和隐语义偏好分数， 以融合得到用户 的综合兴趣分数， 并据此产生任务推荐列表； C） 基于顾及多源数据不一致性的任务重排序方法 计算各个众包任务区的不一致性系数， 以对任务 推荐列表中的任务进行 降序排序获得最终推荐 列表。 本发 明的地表覆盖更新众包任务推荐 方法 能够将地表覆盖类型难以区分的区域优先推荐 给用户进行标报。 权利要求书3页 说明书11页 附图2页 CN 115495665 A 2022.12.20 CN 115495665 A 1.地表覆盖更新众包 任务推荐方法， 其特 征在于， 包括如下步骤： A） 获取需要收集地表覆盖数据的空间区域， 对所述空间区域进行地表覆盖众包任务划 分， 形成网格空间， 以将所述网格空间作为待推荐的众包 任务区； B） 设计基于用户多元兴趣画像的偏好模型， 对所述众包任务区构建顾及用户活跃度的 时空偏好模型以及顾及地表覆盖类型的 隐语义偏好模型， 以融合得到用户对待推荐众包任 务区的时空偏好分数以及隐语义偏好分数， 并基于所述时空偏好分数以及隐语义偏好分数 得到用户的综合兴趣分数， 并基于所述用户的综合兴趣分数产生任务推荐列表； C） 基于顾及多源数据不一致性的任务重排序方法计算各个所述众包任务区的不一致 性系数， 以基于所述不一致性系数对所述任务推荐列 表中的任务进行排序获得最 终推荐列 表。 2.根据权利要求1所述的地表覆盖更新众包任务推荐方法， 其特征在于， 所述地表覆盖 众包任务划分的步骤包括： 利用网格划分， 将所述空间区域等分成包括多个网格单元 的所 述网格空间， 每 个所述网格单 元代表一个待推荐的地表 覆盖众包 任务区。 3.根据权利要求2所述的地表覆盖更新众包任务推荐方法， 其特征在于， 所述基于用户 多元兴趣画像的偏好模型的构建步骤包括计算时空兴趣偏好、 贡献活跃度和覆盖类型偏 好。 4.根据权利要求3所述的地表覆盖更新众包任务推荐方法， 其特征在于， 所述 时空兴趣 偏好的计算过程包括： B11） 基于用户的历史贡献信息， 对于用户u采用三角核函数 构建待推荐任务区 i和已标报任务区 j之间的地理相似度： 其中，d(i, j)为所述待推荐任务区 i的质心和所述已标报任务区 j的质心之间的球面 距离；d为所述三角核函数的宽度参数， I为指示函数， 表示当所述待推荐任务区 i和所述已 标报任务区 j之间的距离超过 d时， 地理相 似度为0； 当所述待推荐任务区 i和所述已标报任 务区j之间的距离小于 d时， 距离越近， 地理相似度越大； B12） 利用非线性逐步遗忘函数 度量用户对所述待推荐任务区 i的兴趣随时间动 态下降的程度： 其中，θ为遗忘率； 为所述已标报任务区 j的最后时间戳， 为用户最早标报的时间 戳， 为用户最后标报的时间戳； B13） 基于内容协同过 滤方法量化用户u对所述待推荐任务区 的时空偏好： 权　利　要　求　书 1/3 页 2 CN 115495665 A 2其中， 为用户u贡献过数据的所述众包任务区的集合， 为用户u贡献过数据的所 述众包任务区的数量。 5.根据权利要求4所述的地表覆盖更新众包任务推荐方法， 其特征在于， 所述贡献活跃 度的计算 步骤包括： B21） 统计用户u在各个所述众包任务区的标注频数 ， 采用MIN ‑MAX方法归一化用户对 所述已标报任务区 j的贡献活跃度 ： 其中， 为统计结果的最大值， 为统计结果的最小值； B22） 基于所述时空兴趣偏好， 结合贡献频率， 以得到顾及用户贡献活跃度差异的所述 时空偏好分数 ： 其中α 为用户活跃 频率影响权 重因子。 6.根据权利要求5所述的地表覆盖更新众包任务推荐方法， 其特征在于， 所述覆盖类型 偏好的计算 步骤包括： B31） 统计用户u对覆盖类型c的贡献次数占贡献总数的比率 ， 如果用户u对某 一覆盖 类型c贡献为零， 则赋值 为0， 根据 填充得到用户类型矩阵 并对所述用户类 型矩阵 进行矩阵分解： 其中， 为用户总数量， 为地物类型的数量， 为用户特征矩阵， 为类 型特征矩阵，f为隐特征维数； B32） 根据现有的地表覆盖数据反映的地球表面地物类型的分类情况， 将覆盖类型一一 映射到相 应的所述众包任务区， 并提取每一类所述覆盖类型c在对应的所述众包任务区的 面积占比 ， 若所述众包任务区未包含相应的覆盖类型c， 则所述众包任务区对该覆盖类 型c的面积占比 为0， 以得到任务区类型特征矩阵 D， 并结合类型特征矩阵 以得到 目标矩阵 T： 需要注意的是， 中的T是矩阵转置的符号； B33） 通过所述用户特征矩阵 和所述目标矩阵 T， 解算出用户u对所述待 推荐任务 区i的所述隐语义偏好分数 ：权　利　要　求　书 2/3 页 3 CN 115495665 A 3