买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉江苏省气象台申请的专利一种基于多维度场景感知与动态画像建模的智能服务推荐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120407947B 。

龙图腾网通过国家知识产权局官网在2025-09-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510910348.2，技术领域涉及：G06F16/9535；该发明授权一种基于多维度场景感知与动态画像建模的智能服务推荐方法是由陈圣劼;芮子舜;许小龙;王啸华;李玉涛设计研发完成，并于2025-07-02向国家知识产权局提交的专利申请。

本一种基于多维度场景感知与动态画像建模的智能服务推荐方法在说明书摘要公布了：本发明提供了一种基于多维度场景感知与动态画像建模的智能服务推荐方法，包括：步骤1，部署分布式边缘计算节点，实时采集用户操作的时空四元组数据，存储用户行为及标签，建设高维推荐数据库；步骤2，构建动态画像引擎，建设用户长期行为模式库；步骤3，部署实时流加离线双引擎架构，融合实时场景匹配与离线画像预测，进行个性化功能及用户深层需求分析；步骤4，针对新用户，同步调用地理围栏获取区域热门服务，并行实现基于元强化学习的冷启动优化；步骤5：建立天气特征关联的智能推荐闭环。该方法充分利用了时空四元组数据、用户标签信息以及动态兴趣权重等多维特征，能够有效提升推荐系统的实时性、可解释性和泛化能力。

本发明授权一种基于多维度场景感知与动态画像建模的智能服务推荐方法在权利要求书中公布了：1.一种基于多维度场景感知与动态画像建模的智能服务推荐方法，其特征在于，包括以下步骤： 步骤1，部署分布式边缘计算节点，实时采集用户操作的时空四元组数据，存储用户行为和标签，建设高维推荐数据库； 步骤2，构建动态画像引擎，采用注意力机制计算兴趣权重，并通过Transformer挖掘行为序列的长期关联，建设用户长期行为模式库； 步骤3，部署实时流加离线双引擎架构，融合实时场景匹配与离线画像预测，进行个性化功能和用户深层需求分析； 步骤4，针对新用户，同步调用地理围栏获取区域热门服务，并行实现基于元强化学习的冷启动优化； 步骤5，建立天气特征关联的智能推荐闭环：通过语义解析气象服务材料中的关键词和阈值报警信息，自动匹配并触发相关气象服务推荐； 步骤1包括：部署边缘计算节点，通过GPS、WiFi指纹双模定位与气象API，实时生成时空四元组其中ti是记录第i个用户的操作发生的绝对时间，φi为WGS-84坐标系下的第i个用户在ti时间的经度值，λi为WGS-84坐标系下的第i个用户在ti时间的纬度值，wi指第i个用户在ti时间所处的归一化后的气象状态； 步骤1还包括：将GPS与WiFi指纹定位结果通过卡尔曼滤波融合： 其中为最终采用的用户位置，lGPS、lWiFi分别为GPS模块提供的原始经纬坐标和WiFi模块提供的原始经纬坐标，为WiFi模块的定位源方差，为GPS模块的定位源方差，α为动态计算权重系数； 将气象状态wi映射为6维向量：温度、湿度、风速、降水、PM2.5、紫外线，采用分段线性函数归一化： 其中k＝1,...,6；指第k个气象参数的归一化值，wk指第k个气象参数的原始观测值，μk、σk分别为历史均值和标准差； 采用改进基于时空密度的噪声应用空间聚类ST-DBSCAN算法，定义时空复合距离： 其中，DSTpΔi,pΔj指第Δi个点pΔi和第Δj个点pΔj之间的时空复合距离，Dgeo·指地理距离，Tmax为时间归一化系数，β为空间权重因子，分别为第个时间标量和第个时间标量； 如果DSTpΔi,pΔj≤∈，∈为聚类参数，则判断第Δi个点pΔi和第Δj个点pΔj属于同一簇，完成时空聚类的划分，得到时空聚类结果； 将用户标签嵌入元组，拓展成五元组形式：ti,φi,λi,wi,τi，其中τi为第i个用户在时刻ti的用户标签，采用如下公式进行标签权重计算： 其中，为用户在时刻ti对标签m的动态权重，Δt是距离上次更新的时间间隔，actiono表示用户行为o，δo为行为o的权重分值，I·为指示函数，为关联行为集合，e是自然常数； 最终，综合时空四元组和用户标签信息，实现高维推荐数据库的建设； 步骤2包括：利用时空编码和注意力机制计算用户对不同服务类目的动态兴趣强度，引入时间衰减因子，更新后的兴趣权重计算公式为： 其中，表示用户在时间步t对标签m的归一化兴趣权重，为查询向量，Wm为标签m的投影矩阵，为缩放因子，K为键矩阵； 进行时间衰减修正计算： 其中，表示用户在时间t对标签m的最终兴趣权重，λ为衰减率； 根据最终兴趣权重，完成用户行为习惯和标签的聚合； 将步骤1的五元组输入超长上下文变换器Transformer-XL，所述超长上下文变换器Transformer-XL包括循环记忆模块和相对位置编码，识别用户的长期行为规律，循环记忆模块负责缓存前一段的隐藏状态，并完成当前段计算时的历史记忆拼接； 前一段的隐藏状态表示为： Mτ-1＝[hτ-1,1,...,hτ-1,L]， 当前段计算时拼接历史记忆： 其中，Mτ-1为前一段的记忆缓存，由前一段各层的隐藏状态hτ-1,1组成，L是序列长度，hτ-1,L表示前一段中第L个隐藏状态；为当前段的注意力输出，Qτ、Kτ、Vτ分别为当前段的查询、键、值矩阵；Attention表示注意力计算；Kτ-1为前一段的键矩阵；Vτ-1为前一段的值矩阵； 步骤3包括： 步骤3-1，实时流引擎的场景匹配：根据最终采用的用户位置查询步骤1中通过改进基于时空密度的噪声应用空间聚类ST-DBSCAN算法生成的时空聚类结果，找到用户当前场景所属的聚类簇Ccurrent；计算用户当前场景与历史场景的相似度SimCcurrent,Chistory，公式为： 其中dspatial是地理距离，dtcmporal是时间间隔，Chistory是历史场景的聚类簇； 步骤3-2，实时流引擎的动态兴趣权重调整：根据实时场景匹配结果，调整用户对不同服务类目的兴趣权重公式为： 根据调整后的兴趣权重生成实时推荐服务列表； 步骤3-3，离线引擎的深层需求预测：利用用户长期行为模式库，预测用户在当前场景下的潜在需求，通过注意力机制计算第i个用户的深层需求的权重γi： 其中sγ是用户对需求γ的相似度分数，sδ是用户对历史场景δ的相似度分数，H是历史场景的总数； 步骤3-4，离线引擎的需求聚合：根据深层需求权重，聚合用户的历史行为和标签信息，生成深层需求预测向量vdeep； 步骤3-5，实时流与离线引擎的融合：根据用户行为的活跃程度和时间间隔，动态调整实时流和离线引擎的权重αadjusted，再根据最终推荐得分Sfinal，生成推荐服务列表： Sfinal＝αadjusted·Sreal-time+1-αadjusted·Sofflinc， 其中，Δβ是调节参数，Sreal-time为实时推荐得分，Sofflinc为离线推荐得分； 步骤4包括： 根据用户当前位置查询地理围栏内的所有服务，获取服务的访问频率，根据每个服务的权重ws，进行热门度排序，并生成热门服务列表： 其中，θ、是权重参数，popularitys、ratings分别为服务s的访问频率和评分； 使用预训练的元策略网络适应新用户的行为模式，通过用户当前地理位置、时间和用户已交互的服务列表，完成用户状态定义，定义奖励函数r： r＝ρ·clicka+σ·durationa， 其中，clicka表示用户是否点击推荐服务a，durationa是用户在服务a上的停留时间，ρ、σ是权重参数； 最后，使用元强化学习更新策略网络参数θnew，优化推荐策略； 步骤4中，策略网络参数θnew的更新公式为： 其中，θmeta是预训练的元策略网络参数，η是学习率，是奖励的梯度，rt表示奖励函数在时间步t的值； 步骤5包括：对气象服务材料进行文本分析，提取其中的关键词，建设气象数据库；同时定义阈值规则，阈值规则表示为集合R＝{ex,vx}，其中ex是第x个气象要素，vx是ex对应的阈值； 当匹配到关键词或气象要素超过阈值时，自动触发推荐机制，生成与用户当前环境紧密相关的气象服务列表Srecommend： 其中，Mkeyword为关键词匹配集合，Mthreshold为阈值报警信息集合； 通过对气象服务材料进行文本统计分析，构建气象数据库中的高频词库，实时匹配当前环境特征与关键词，生成包含相关服务的关键词匹配集合； 通过自然语言处理技术对气象服务材料进行文本分析，包括文本清洗、分词、词性标注，并结合TF-IDF和TextRank算法提取关键词，辅以BERT词嵌入进行语义扩展，构建包含关键词、类别、权重、语义向量及关联服务的结构化气象数据库关键词库；实时匹配时，利用步骤1的时空四元组提取当前环境特征，通过精确匹配和语义相似度计算将环境特征标签与关键词库比对，结合阈值规则优先触发高权重关键词，生成关键词匹配集合Mkeyword，并映射至相关气象服务，形成实时、精准、多样的推荐服务列表； 基于预定义的阈值规则集合{ex,vx}，监控实时气象数据，当气象要素ex超过阈值vx时，触发对应服务，生成阈值报警信息集合。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江苏省气象台，其通讯地址为：210041 江苏省南京市建邺区双闸街道雨顺路8号江苏气象中心；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。