深度生成学习机制驱动的空间信息服务自动组合方法

Spatial information intelligent service composition is one of the key scientific problems in the field of spatial information. The traditional service composition method is based on the assumption of closed world and requires a lot of manual construction rules. The disadvantage is that the traditional method of spatial information service composition has been the fundamental reason for the "toy" in the laboratory, which can not be applied to large-scale applications. This proposal presents a method of spatial information service composition driven by depth generation learning mechanism. The basic idea of this project is to make full use of a large number of open source code library already exists in the big data environment, and the code base of each function is modeled as a service chain, and then let the computer through the self-learning mechanism to human learning service (function) combination. Aiming at the problem of the construction of a large amount of spatial information service training library, we propose put forward the construction method of large-scale spatial information service composition training set. To solve the problem of spatial information service and its relation, we propose a spatial information service description method based on feature embedding model. For the problem of the spatial information service composition through the self-learning mechanism, we apply a new method driven by deep generation network. This project is expected to achieve a true spatial information automation, intelligent service composition through the mechanisms of system generation and self-learning.

空间信息智能服务组合是空间信息领域亟待突破的关键科学问题之一。传统服务组合方法建立在封闭世界假设基础上，需要大量人工构建规则。这个缺点是制约传统空间信息服务组合方法一直是实验室“玩具”，不能走向大规模应用的根本原因。本申请提出深度生成学习机制驱动的空间信息服务组合方法。其基本思想是：在大数据环境中，充分利用已经存在大量开源代码库，将代码库中每个函数建模成一条服务链，让计算机通过自学习机制向人类学习服务（代码）组合。针对海量、可学习的空间信息服务组合训练库构建问题，提出众源数据辅助的超大规模空间信息服务组合训练集构建方法；针对空间信息服务及其调用关系的表达问题，提出基于特征嵌入模型的空间信息服务描述方法；针对机器如何通过自学习机制完成空间信息服务组合过程，提出基于深度生成网络的空间信息服务组合方法。本研究有望通过系统生成机制和自学习机制，为空间信息智能化服务组合提供一个新的、潜在实现途径。

大数据时代正在来临，空间信息服务已经成为人们日常生活中不可或缺的一部分。如何充分利用现有海量开放性空间信息服务资源，实现智能自动化的空间信息服务组合，已成为凾待解决的重大科学问题。为此，将开放的空间信息服务资源数据有效的组合和聚集起来，通过组合细粒度的空间信息子服务实现更高层的应用。.针对空间信息服务组合训练数据匮乏，开放性空数据难以利用、基于规则和本体的传统空间信息服务组合方法灵活性、鲁棒性不足等问题。本项目提出了基于深度学习的空间信息服务组合方法，其基本思想是将开放性空间信息服务框架内信息处理函数松弛为空间信息服务，构建海量空间信息服务组合训练集，利用深度学习强大的特征提取能力，让计算机自己学习数据中的子服务调用结构和模式，实现空间信息服务的自动组合生成。主要研究内容包括：1) 众源数据辅助的超大规模空间信息服务训练集构建方法，研究基于开放性空间信息服务数据，构建大规模的组合训练集，提出基于开源数据的空间信息服务组合训练集构建方法，解决组合训练集匮乏的问题。2)基于特征嵌入模型的空间信息服务描述方法，提出了基于调用上下文特征的空间信息服务嵌入表达方法，并从服务功能语义和服务调用子结构两方面验证该表达方法的有效性；基于双曲空间的空间信息服务嵌入表达方法，提出了一种双曲空间信息服务嵌入（HFE）方法，建立一个HFE模型来学习能够捕捉到潜在的层次的空间信息服务，而不是通常使用的欧几里德空间。3) 基于深度生成模型的空间信息服务组合方法，提出了基于概率生成模型的空间信息服务组合方法，基本思想是将空间信息服务组合过程建模成逐服务生成的过程，在空间信息服务组合的每一个步模型都能对接下来要选择的原子服务进行概率预测，不需要手工规则的参与，从而避免了手工规则局限。..本项目研究基本实现了预期目标，为理解空间信息服务的内涵，函数即服务的思想，提供了新的研究角度和解决思路，扩展了空间服务的理解研究的边界和广度。