一种应用于物联网搜索的多属性排序方法与装置与流程

本发明涉及无线通信领域，特别是指一种应用于物联网搜索的多属性排序方法与装置。

背景技术：

随着近几年互联网技术的发展，传感器等感知设备的广泛部署，互联互通的信息共享已经不仅仅满足于网页和计算机层面，网络的需求更多地扩展到了实体世界。连接在实体上的传感器设备开始信息互联，共享互治，产生数以亿计的传感器数据，组成了庞大的物联网。随着基于物联网的应用开发、推进，如何准确、智能地利用物理世界的实体信息成为迫切解决的问题，在这个背景下，面向物联网的搜索服务随着智能传感网的信息产业的发展，应运而生，成为物联网至关重要的环节，而物联网搜索中的排序策略是最为关键的一环。

传感器实体搜索是事先物联网应用层面的非常重要的一环，是实现物联网应用的技术基石。因此，在物联网海量的信息中实现实时的实体搜索，准确定位用户所需要的实体信息是物联网搜索亟待解决的关键问题。

传统的搜索引擎基本是通用搜索引，不同的用户搜索同一个问题返回的结果都是一样的，而物联网搜索是智慧搜索，根据不同的用户及其所处的情境不同，返回的搜索结果也是不同的。物联网搜索中判断用户搜索意图的方式渠道与传统搜索不同的，除了传统的搜索词文本输入之外，还可以通过网络中的感知设备获取的信息来分析用户当前的情境信息，从而智能地根据用户当前的情境为用户提供更准确的信息和服务。

现有的物联网排序方式中，多是根据单维属性的特征，按照某一属性进行升序或降序的排列，例如把物联网实体信息转换为网页信息，通过关键词或数据的相似性对网页元素进行排序；而现有多属性搜索排序中，用户多须直接输入各个属性权重的数值或相对权重重要性，进行下一步的排序分值计算，或获得权重的方法单一，这种方式的主观臆断性强，扩展性差，需要用户具有一定的物联网知识储备；搜索排序的服务架构为集中式两层或三层架构，不利于在海量的物理实体中抓取符合要求的元素，引起网络拥堵或带来巨大的通信压力，不利于实时搜索排序服务的大规模使用；排序计算量大，物联网搜索返回的大量的符合初步要求的待排序元素，不加处理直接进行排序计算，算法耗时长，消耗资源多；用户结果无反馈，将排序结果返回给用户，无法捕捉用户对排序结果的满意与否，或反馈形式单一，臆断性强，导致用户重复提交排序需求，对服务器资源和网络资源造成浪费，同时无法区别不同搜索情景下的不同元素重要性，无法达到智慧排序的目的。

针对现有技术中多属性搜索排序权重主观臆断性强、通信压力大、算法耗时长、用户结果无反馈的问题，目前尚未有有效的解决方案。

技术实现要素：

有鉴于此，本发明实施例的目的在于提出一种应用于物联网搜索的多属性排序方法与装置，能够将用户情境感知信息和传感器情境感知信息计入搜索引擎的排序的依据中，针对情景感知信息进行合理的推理计算，从而得到最符合当前情境的排序属性和元素，客观真实，数据精简，计算快捷，并接收用户反馈，提升使用体验。

基于上述目的，本发明实施例提供了一种应用于物联网搜索的多属性排序方法，包括：

获取用户终端的搜索请求、情境信息与传感器信息；

对情境信息与传感器信息进行预处理，生成具有属性权重的多维属性信息；

对多维属性信息进行快速筛选，保留排序元素；

对排序元素进行精确排序并发送到用户终端；

获取用户终端的反馈并调整属性权重。

在一些实施方式中，获取用户终端的搜索请求为：通过用户主动输入，获取搜索请求；获取用户终端的情境信息与传感器信息为：从用户终端传感器所连接的网关获取该传感器的描述信息表生成的注册信息，并从注册信息中提取用户终端的情境信息与传感器信息。

在一些实施方式中，所述描述信息表为网关为每个接入的用户终端传感器生成的、传感器的路由路径信息与属性信息，所述描述信息表生成的注册信息包括以下至少之一：时延、响应时间、剩余电量、使用寿命、费用、地理位置、传感器ID、传感器感知范围。

在一些实施方式中，所述对情境信息与传感器信息进行预处理，生成具有属性权重的多维属性信息包括：

对情境信息与传感器信息进行数据加工转换为易于计算的形式，包括将方位信息与加速度信息转换为运动方向向量信息、将运动方向向量信息转化为方向的夹角度数信息、将经纬度信息与位置信息转化为距离信息；

将数据加工转换后的情境信息与传感器信息进行最远距离聚类，降低数据的维度并生成用户情境感知属性信息、传感器情境感知属性信息与其他传感器属性信息作为具有属性权重的多维属性信息。

在一些实施方式中，所述对多维属性信息进行快速筛选，保留排序元素包括：

将所有属性权重按照由高到低顺序排列，并依次指定每个属性权重；

将多维属性信息按照被指定的属性权重顺序由高到低顺序排列，并剔除队列末端的多个多维属性信息，被剔除的多维属性信息数量为尚未被剔除的多维属性信息数量与欲保留排序元素数量之差与被指定的属性权重大小之积；

依次指定每个属性权重执行上一步骤，将尚未被剔除的多维属性信息保留作为排序元素。

在一些实施方式中，所述对排序元素进行精确排序包括：

对排序元素进行趋同化处理，使所有排序元素的值与其结果影响的程度正相关；

对趋同化的排序元素进行动态归一化处理，生成具有固定区间的归一化集合矩阵；

根据归一化集合矩阵与属性权重矩阵对每一个属性求正理想解与负理想解；

根据每个元素到正理想解与负理想解的距离评分，并根据分数大小对排序元素进行排序。

在一些实施方式中，对趋同化的排序元素进行动态归一化处理，生成具有固定区间的归一化集合矩阵包括：

获取排序元素每个属性的属性集合，并提取排序元素在每个属性上的最大值与最小值；

获取趋同化的排序元素每个属性的属性集合，并提取趋同化的排序元素在每个属性上的所有值；

根据提取趋同化的排序元素在每个属性上的所有值更新取排序元素在每个属性上的最大值与最小值；

为趋同化的排序元素在每个属性上的每个值生成归一化值，归一化值为该值与最小值的差，与最大值与最小值的差之商；

计算所有归一化值并生成归一化集合矩阵。

在一些实施方式中，所述获取用户终端的反馈并调整属性权重包括：

获取用户终端选择与浏览的排序元素信息集合，排序元素信息集合包括用户终端对排序元素感兴趣的次序；

使用自适应特征权重聚类算法对排序元素信息集合进行反馈聚类，获得用户终端感兴趣的属性排序；

根据用户终端对排序元素感兴趣的次序与用户终端感兴趣的属性排序判断用户对排序结果是否满意，若否，则根据用户终端选择元素与排序元素的差异调整属性权重。

在一些实施方式中，所述使用自适应特征权重聚类算法对排序元素信息集合进行反馈聚类，获得用户终端感兴趣的属性排序包括：

使用自适应特征权重聚类算法对排序元素进行聚类，获得多个聚类中心；

使用自适应特征权重聚类算法对排序元素信息集合进行反馈聚类，获得反馈聚类中心；

分别计算反馈聚类中心与多个聚类中心各自的距离，将距离按由小到大的顺序排序，距离更小的聚类中心所对应的属性为用户终端更感兴趣的属性。

基于上述目的，本发明实施例的另一方面还提供了一种电子设备，包括至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。

从上面所述可以看出，本发明实施例提供的应用于物联网搜索的多属性排序方法与装通过使用获取用户终端的搜索请求、情境信息与传感器信息，预处理生成具有属性权重的多维属性信息，快速筛选保留排序元素，进行精确排序并发送到用户终端，获取用户终端的反馈并调整属性权重的技术手段，能够将用户情境感知信息和传感器情境感知信息计入搜索引擎的排序的依据中，针对情景感知信息进行合理的推理计算，从而得到最符合当前情境的排序属性和元素，客观真实，数据精简，计算快捷，并接收用户反馈，提升使用体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的应用于物联网搜索的多属性排序方法的流程图；

图2为本发明提供的执行所述应用于物联网搜索的多属性排序方法的电子设备的一个实施例的硬件结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

基于上述目的，本发明实施例的第一个方面，提出了一种能够针对不同用户或不同类型的节点进行应用于物联网搜索的多属性排序的应用于物联网搜索的多属性排序方法的第一个实施例。图1示出的是本发明提供的应用于物联网搜索的多属性排序方法的第一个实施例的流程示意图。

如图1所示，应用于物联网搜索的多属性排序方法包括：

步骤S101，获取用户终端的搜索请求、情境信息与传感器信息；

步骤S103，对情境信息与传感器信息进行预处理，生成具有属性权重的多维属性信息；

步骤S105，对多维属性信息进行快速筛选，保留排序元素；

步骤S107，对排序元素进行精确排序并发送到用户终端；

步骤S109，获取用户终端的反馈并调整属性权重。

在一些实施方式中，获取用户终端的搜索请求为：通过用户主动输入，获取搜索请求；获取用户终端的情境信息与传感器信息为：从用户终端传感器所连接的网关获取该传感器的描述信息表生成的注册信息，并从注册信息中提取用户终端的情境信息与传感器信息。

在一些实施方式中，所述描述信息表为网关为每个接入的用户终端传感器生成的、传感器的路由路径信息与属性信息，所述描述信息表生成的注册信息包括以下至少之一：时延、响应时间、剩余电量、使用寿命、费用、地理位置、传感器ID、传感器感知范围。

在一些实施方式中，所述对情境信息与传感器信息进行预处理，生成具有属性权重的多维属性信息包括：

对情境信息与传感器信息进行数据加工转换为易于计算的形式，包括将方位信息与加速度信息转换为运动方向向量信息、将运动方向向量信息转化为方向的夹角度数信息、将经纬度信息与位置信息转化为距离信息；

将数据加工转换后的情境信息与传感器信息进行最远距离聚类，降低数据的维度并生成用户情境感知属性信息、传感器情境感知属性信息与其他传感器属性信息作为具有属性权重的多维属性信息。

在一些实施方式中，所述对多维属性信息进行快速筛选，保留排序元素包括：

将所有属性权重按照由高到低顺序排列，并依次指定每个属性权重；

将多维属性信息按照被指定的属性权重顺序由高到低顺序排列，并剔除队列末端的多个多维属性信息，被剔除的多维属性信息数量为尚未被剔除的多维属性信息数量与欲保留排序元素数量之差与被指定的属性权重大小之积；

依次指定每个属性权重执行上一步骤，将尚未被剔除的多维属性信息保留作为排序元素。

在一些实施方式中，所述对排序元素进行精确排序包括：

对排序元素进行趋同化处理，使所有排序元素的值与其结果影响的程度正相关；

对趋同化的排序元素进行动态归一化处理，生成具有固定区间的归一化集合矩阵；

根据归一化集合矩阵与属性权重矩阵对每一个属性求正理想解与负理想解；

根据每个元素到正理想解与负理想解的距离评分，并根据分数大小对排序元素进行排序。

在一些实施方式中，对趋同化的排序元素进行动态归一化处理，生成具有固定区间的归一化集合矩阵包括：

获取排序元素每个属性的属性集合，并提取排序元素在每个属性上的最大值与最小值；

获取趋同化的排序元素每个属性的属性集合，并提取趋同化的排序元素在每个属性上的所有值；

根据提取趋同化的排序元素在每个属性上的所有值更新取排序元素在每个属性上的最大值与最小值；

为趋同化的排序元素在每个属性上的每个值生成归一化值，归一化值为该值与最小值的差，与最大值与最小值的差之商；

计算所有归一化值并生成归一化集合矩阵。

在一些实施方式中，所述获取用户终端的反馈并调整属性权重包括：

获取用户终端选择与浏览的排序元素信息集合，排序元素信息集合包括用户终端对排序元素感兴趣的次序；

使用自适应特征权重聚类算法对排序元素信息集合进行反馈聚类，获得用户终端感兴趣的属性排序；

根据用户终端对排序元素感兴趣的次序与用户终端感兴趣的属性排序判断用户对排序结果是否满意，若否，则根据用户终端选择元素与排序元素的差异调整属性权重。

在一些实施方式中，所述使用自适应特征权重聚类算法对排序元素信息集合进行反馈聚类，获得用户终端感兴趣的属性排序包括：

使用自适应特征权重聚类算法对排序元素进行聚类，获得多个聚类中心；

使用自适应特征权重聚类算法对排序元素信息集合进行反馈聚类，获得反馈聚类中心；

分别计算反馈聚类中心与多个聚类中心各自的距离，将距离按由小到大的顺序排序，距离更小的聚类中心所对应的属性为用户终端更感兴趣的属性。

从上述实施例可以看出，本发明实施例提供的应用于物联网搜索的多属性排序方法通过使用获取用户终端的搜索请求、情境信息与传感器信息，预处理生成具有属性权重的多维属性信息，快速筛选保留排序元素，进行精确排序并发送到用户终端，获取用户终端的反馈并调整属性权重的技术手段，能够将用户情境感知信息和传感器情境感知信息计入搜索引擎的排序的依据中，针对情景感知信息进行合理的推理计算，从而得到最符合当前情境的排序属性和元素，客观真实，数据精简，计算快捷，并接收用户反馈，提升使用体验。

本发明实施例还提出了一种能够针对不同用户或不同类型的用户进行应用于物联网搜索的多属性排序的应用于物联网搜索的多属性排序方法的第二个实施例。

所述应用于物联网搜索的多属性排序方法包括：

步骤S101，获取用户终端的搜索请求、情境信息与传感器信息。

本发明实施例提出的传感器搜索服务架构，能够更直观地供所有用户使用，提高用户的使用体验。服务架构包括3个要素：传感器，网关和服务器。

网关作为中间处理环节，负责处理服务器的查询请求，接收传感器发送的感知数据。为了更好地存储传感器情境信息和管理传感器，在网关上为每一个传感器创建了描述信息表，存储了传感器的路由路径信息和所有的属性信息，既包括高度动态的情境属性，例如时延，响应时间和剩余电量等，和基本的静态信息，如地理位置，传感器唯一的ID编号，路径信息。对于每一个传感器描述表，网关都会向服务器发送一个注册信息，注册信息中含有的是传感器的静态信息。

网关能够管理分布在本地的传感器，连接到传感器组成的网络中。服务器连接着若干的网关，与网关进行直接通信，通过网关进行对传感器的间接管理。当新的传感器连接到网络中时：新的传感器首先向网关发送注册信息，包括传感器的类型，地理位置和由生产厂商形成的标准传感器描述文件信息(包括传感器的感知范围、剩余电量、使用寿命、费用等情境信息)。

服务器提供给用户输入查询的web窗口和移动客户端窗口，接收用户的查询搜索需求，同时服务器还管理各个网关节点。当服务器接收到服务描述表的注册信息，它首先提取出传感器的关于地理位置的信息和ID，为传感器的地理位置建立描述信息。为地理位置建立本体描述，方便与用户地理位置产生联系，计算二者距离等，方便统计、计算同一个地理域内的传感器信息，也方便管理当前地理域内传感器和用户的情境信息。然后根据搜索条件，链接到对应的地理位置域的搜索类型层级，在该类型层级下的分布式网关进行传感器信息的采集。

输入包括两部分，一部分为显示输入，采用了传统的关键词输入方式，用户输入搜索排序所需的若干传感器类型、属性信息，另一部分为输入为隐式输入。隐式输入是指在用户不需要输入的情况下，隐式地获得用户相关情境感知信息。例如通过移动端搜索窗口和穿戴设备等获取用户当前地理位置信息、运动轨迹等情境信息，通过情境信息对用户进行简单归类，从而获得各个属性对应的排序权重，接着会通过用户反馈来调整属性权重，从而逐步得到用户最倾向的排序结果。

步骤S103，对情境信息与传感器信息进行预处理，生成具有属性权重的多维属性信息。

在排序搜索条件提交后，排序参考的多维属性需进行处理后，包括原始数据的加工转换和多维属性的聚类。数据的加工处理包括方位信息、加速度信息到运动方向向量的转换，位置信息到距离属性的转换，待排序元素的相似性聚类，减小了排序算法的计算量，能够进一步提高排序算法的时间性能。

本发明的属性预处理主要是进行将原始的情境感知信息和传感器属性信息进行数据格式的转换和类型特征的转换，主要包括信息结构的转换和属性的维度降低两个方面，信息结构的转换是指情境属性信息的加工和传感器属性原始数据加工为易于计算是别的格式，如GPS经度、纬度信息加工为距离属性，方向向量加工为方向的夹角度数等；属性维度降低主要是指将参与排序计算的多维相似属性转换为较少维度属性，例如将停车费用、服务费用、充电费用转换为总费用属性等，有利于降低计算的复杂度，提升算法的时间性能。

情境感知属性分为用户情境感知属性和传感器的情境感知属性。用户情境感知属性的来源主要是用户移动APP端的传感器和穿戴设备等传感器信息，用户移动端获取的情境属性包括运动轨迹由显示输入向量若无显式输入则取移动端传感器的信息作为运动方向，用户加速度，用户日程安排等，此处以(uc₁,uc₂,…,uc_n)表示用户情景感知信息。其中，GPS信息一般需要转化为两个GPS地点的相隔距离属性来进行计算处理，距离计算参考google map的经纬度距离算法：

运动轨迹向量之间的量化比较，主要是余弦相似性算法：

物联网的传感器情景感知属性若干，在不同的搜索需求场景下有不同的情景感知信息，如交通状况指数，天气，距离等，此处以表征物联网传感器情景感知信息。得到用户搜索输入及情景感知信息后，系统通过对情景感知信息判断，得出具体的搜索场景，从而在本体模型中找出本次搜索种类的排序属性信息，此处以表示。

在实际应用场景中，往往为了得到最优结果会对排序的属性全面考虑，尽可能地列举所有的相关因素，而排序计算时则会属性变量过多，而且变量之间相关度高，对分析与模型建立带来一定影响。所以排序属性参考属性过多的情况下，可以采用聚类分析法，对相似属性的指标进行聚类，归为同一个指标，减少了计算量，对排序结果并无明显影响。

聚类分析法是数理统计中研究“物以类聚”的一种方法，主要有分层聚类法和迭代聚类法，根据分类对象的不同分为Q型聚类分析和R型聚类分析两大类，聚类的计算方法有直接聚类法、最短距离聚类法、最远距离聚类法，本文采用最远距离聚类法，简单直接，使用最远距离衡量数据之间的距离。其方法步骤如下：

1)计算相关系数：

记变量x_j的取值(x_1j,x_2j,…,x_nj)^T∈Rⁿ(j＝1,2,…,m)，变量x_k的值(x_1k,x_2k,…,x_nk)^T∈Rⁿ(k＝1,2,…,m)，则变量x_j与x_k的样本相关系数为：

2)用最长距离法进行聚类。定义2个变量的距离为:

其中，d_jk＝1-|r_jk|。

聚类后的属性参数个数变少，最后参与到排序的属性信息分为三部分，用户情境感知属性、传感器情境感知属性和其他传感器属性。现在以CP表示所有属性的集合，将所有的权重统一以(w₁,w₂,…,w_m)表所有属性权重。

步骤S105，对多维属性信息进行快速筛选，保留排序元素。

通过显示输入和隐式输入获得了用户搜索的需求、运动轨迹和用户当前位置、运动意图、加速度等情景信息，进而判断满足用户需求的传感器分布区域边界和传感器种类，则将搜索需求发送到服务端，服务端根据满足需求的传感器区域标签和类型标签，在层级架构中定位到具有符合要求的传感器信息的网关，从网关存储的传感器信息表中抓取所有符合类型和区域标签的传感器信息，将其返回到服务端。假设共返回N_all个符合要求的传感器元素，此时的元素数量N_all远大于最后排序返回给用户的信息数目N，为了更快速地进行排序计算，本发明设计引入了快速筛选模块，将初步剔除与用户需求相差较大的待排序元素，减少相对不符合用户搜索排序意图的元素，减轻精确排序环节的计算量，提高多属性排序策略的综合算法性能，同时也保证了一定程度的排序精确性。

筛选的过程是将所有的待排序元素N_all个，按照属性权重最高的元素P¹的优劣，由优到差进行排序，将排序靠后的若干元素移除掉，然后按照属性权重次高的单一元素的优劣排序，移除掉若干排名最靠后元素，依次执行该步骤，直到剩下待排序的N个元素。

假设返回N_all个符合要求的传感器元素，此时的元素数量N_all远大于最后返回的信息数目N，为了更快速地进行排序计算，本系统增加了快速筛选模块，将初步剔除与用户需求相差较大的待排序元素，减少相对不符合用户搜索排序意图的元素。快速筛选的计算步骤是：

将所有的待排序元素N_all个，按照某个属性权重最高的某一元素P⁰的优劣，由优到差进行排序；然后将其排在最后的M^p1个元素从待排序元素中移除掉，M^p1的计算方法是：

将剩下N_rest个待排序元素，按照权重次高的属性的某一元素P¹优劣标准，由优到劣进行排序；从N_rest继续移除M^p2个元素，其中M^p2的计算入手：

以此类推，直到剩下待排序的N个元素。

快速筛选模块计算后，共有N个待排序元素，本项目的排序参考了多属性排序算法，并结合应用场景，对该排序通用算法做了部分改进。在本次排序中，有N个待排序对象M(m＝M)个排序属性，对应的权重分别为(w₁,w₂,…,w_m)。

步骤S107，对排序元素进行精确排序并发送到用户终端。

发明设计的精确排序算法策略，是对精确筛选后返回的N个与排序条件最相符的元素，对其进行多属性排序的精确计算。算法首先对具有M个属性的N个待排序元素进行趋同化处理，因元素属性的考察标准不同，有些属性值越大越优，有些属性值越小越优，还有其他的属性则是适中而优，对不同的元素进行趋同化处理，趋同后的元素值都为统一的值越大越优。

趋同化处理后是属性的动态归一化处理，由于不同属性的取值区间并不是固定不变的，随着科技的发展，对于不同的传感器属性和情境感知属性，其最大值和最小值会发生动态变化，所以此处以从传感器网络中获取的最新的区间值作为归一化的区间，以此动态范围为归一化的范围值进行归一化计算。

动态归一化以后，将权重矩阵与归一化后的元素属性值矩阵相乘，得到加权后的待排序元素属性值矩阵，对矩阵的每一个属性求出正理想解和负理想解，计算每个待排序元素与正负理想解的距离，当元素既靠近正理想同时又远离负理想解时，该元素的排序是最理想的。以此为依据，本发明对元素进行了排序，排序后将元素返回给用户终端。

具体地，对于N个待排序元素，本项目的排序参考了多属性排序算法，并结合应用场景，对该排序通用算法做了部分改进。在本次排序中，有N个待排序对象M(m＝M)个排序属性，对应的权重分别为(w₁,w₂,…,w_m)。

指标属性趋同化处理，对于某些属性，值越高则对排序结果影响越好，而对于某些属性，例如充电费用/单位，则越低越优，还有另外的一种属性，是适中则优，所以做以下分类处理：

趋同后数据的归一化——动态归一化

对于N个待排序元素，每一个都有M个属性，属性集合CP＝(cp₁,cp₂,…,cp_m)

1)从传感器网络的配置文件得到某个属性定义的获得该属性的最高值cp_i^highest与cp_i^lowest，第二部分是获得趋同后的各个属性值

2)判断，如果然后同理判断cp_i^lowest；

3)对于对一个集合CP中的每一个输出归一化集合NCP，

对于归一化集合NCP，将N个元素M个属性，组成N×M矩阵，第i行是待排序元素NCPⁱ的属性值

对归一化的矩阵乘以权重矩阵W

W是M×M的权重矩阵，其中w₁+w₂+…+w_m＝1；

C＝NCP×W (9)

对于矩阵C中M个属性中的每一个属性，取N个待排序元素中最大值作为该属性的理想解，由此组成正理想解N×M矩阵C^*＝[c^*₁,c^*₂,…,c^*_m]，在N个待排序元素中最小值作为该属性的负理想解，由此组成1×M矩阵C′＝[c′₁,c′₂,…,c′_m]。

正理想解

负理想解c_j′＝min_i|c_iji|j＝1,2,…,n

计算N个待排序元素，每个元素到正理想解与负理想解的距离：

计算各个待排序元素的分值f_i，按照从大到小排序

步骤S109，获取用户终端的反馈并调整属性权重。

系统将N个排序结果返回到移动客户端，用户通过浏览点击链接，可以查看待选元素的详情信息，可以对元素进行感兴趣或不感兴趣的标记，最后用户可选择某一个结果或若干结果满足实际需求，系统将用户行为的结果返回到服务端。服务端的反馈模型对用户反馈结果进行全面分析，通过Kmeans聚类算法分析比较，判断用户对排序结果的满意与否，同时计算对排序结果属性值差距，对属性权重进行动态调整，直至用户对排序结果反馈满意。

反馈的信息包括：选择和浏览了其中若干个元素B＝[b₁,b₂,b₃,…,b_j],j≤N，B中包含的每一元素都是一维数组，数组中包含若干变量，包括感兴趣元素的排序次序。对用户选择的结果和浏览元素的序号进行判断，利用聚类算法，判断用户对于排序结果的满意度，判断排序计算的权重是否需要调整。

反馈聚类的计算采用的是自适应特征权重Kmeans聚类算法，Kmeans算法是最经典的聚类算法，该算法对于大型数据集能够进行有效分类且效率高、可伸缩性强，具有时间性能好，实现简单快速等优点。

Kmeans算法中需确定分为K类，本次反馈以5为间隔进行分类，K≥4，若用户反馈数组第名元素的点c_y＝c_yj,(y＝1,2,…,m)作为质心，对用户选择和感兴趣的元素进行分类判断。用户对结果的反馈结果模糊分类为6个级别，分别表格所示，为用户对排序结果非常满意度逐渐减小的6个层次。

首先，对排序结果进行Kmeans聚类,将其分为K1类，分别对应排序次数靠前到靠后的K1个级别。

然后，将用户反馈数据B＝[b₁,b₂,b₃,…,b_j],j≤N，j个对象进行聚类，获得反馈结果的质心，计算其与排序K1个类别的距离，从而推断与其距离最小的类别是用户最感兴趣的类别。

由用户最感兴趣的类别的排序次数，进一步推断出用户对排序结果满意与否。用户感兴趣的类别，排序次数越靠前，则认为用户对排序结果越满意。

当判断用户对排序结果不满意时，需对元素权重进行调整。调整主要根据用户选择元素和初始排序最优元素的差异化，对属性的权重进行调整。以排名第一的元素是最优的，差别从大到小的属性集合为d＝(d₁,d₂,…,d_m)，依照属性的差异度对D集合的属性以Δ＝0.05为间隔进行调整。对贡献属性按照比例进行权重提高，其余权重按照调整前的原始比例进行减小，在下次排序时进行反馈给用户新的权重结果，按照用户反馈重新进行调整，直到到达规定的阈值，即用户对排序结果处于非常满意和很满意的区间。

从上述实施例可以看出，本发明实施例提供的应用于物联网搜索的多属性排序方法通过使用获取用户终端的搜索请求、情境信息与传感器信息，预处理生成具有属性权重的多维属性信息，快速筛选保留排序元素，进行精确排序并发送到用户终端，获取用户终端的反馈并调整属性权重的技术手段，能够将用户情境感知信息和传感器情境感知信息计入搜索引擎的排序的依据中，针对情景感知信息进行合理的推理计算，从而得到最符合当前情境的排序属性和元素，客观真实，数据精简，计算快捷，并接收用户反馈，提升使用体验。

基于上述目的，本发明实施例的第三个方面，提出了一种执行所述应用于物联网搜索的多属性排序方法的电子设备的一个实施例。

所述执行所述应用于物联网搜索的多属性排序方法的电子设备包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述任意一种方法。

如图2所示，为本发明提供的执行所述实时通话中的语音处理方法的电子设备的一个实施例的硬件结构示意图。以如图2所示的电子设备为例，在该电子设备中包括一个处理器201以及一个存储器202，并还可以包括：输入装置203和输出装置204。

处理器201、存储器202、输入装置203和输出装置204可以通过总线或者其他方式连接，图2中以通过总线连接为例。

存储器202作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的所述应用于物联网搜索的多属性排序方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的应用于物联网搜索的多属性排序方法。

存储器202可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据应用于物联网搜索的多属性排序装置的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器202可选包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至节点。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置203可接收输入的数字或字符信息，以及产生与应用于物联网搜索的多属性排序装置的用户设置以及功能控制有关的键信号输入。输出装置204可包括显示屏等显示设备。

所述一个或者多个模块存储在所述存储器202中，当被所述处理器201执行时，执行上述任意方法实施例中的应用于物联网搜索的多属性排序方法。

所述执行所述应用于物联网搜索的多属性排序方法的电子设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

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来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。所述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

此外，典型地，本公开所述的装置、设备等可为各种电子终端设备，例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等，也可以是大型终端设备，如服务器等，因此本公开的保护范围不应限定为某种特定类型的装置、设备。本公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。

此外，根据本公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本公开的方法中限定的上述功能。

此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。

此外，应该明白的是，本文所述的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本公开的范围。

结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。

结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。

在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外先、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。

公开的示例性实施例，但是应当注公开的示例性实施例，但是应当注意，在不背离权利要求限定的本公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本公开的元素可以以个体形式描述或要求，但是也可以设想多个，除非明确限制为单数。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”(“a”、“an”、“the”)旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。