CN103823828A - 地图比例尺设定方法、装置和终端 - Google Patents

Abstract

本公开是关于地图比例尺设定方法、装置和终端，属于地图显示领域。所述方法包括：获取搜索对象的至少一个特征信息；将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺；将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。本公开解决了地图服务程序无法根据实际情况来确定合适的比例尺显示搜索结果的问题，达到了可以根据搜索对象的实际情况确定合适的比例尺的效果。

Description

地图比例尺设定方法、装置和终端

技术领域

本公开涉及地图显示领域，特别涉及一种地图比例尺设定方法、装置和终端。

背景技术

随着通信技术的发展，地图服务程序成为移动互联网终端（MID，MobileInternet Device）上不可或缺的工具之一。此处所述的移动互联网终端包括智能手机、个人数码助理PDA、平板电脑和笔记本等等。

地图服务程序在显示地图或路径导航时，通常按照预先设定的比例尺进行显示。比如，预先设定的比例尺为1KM，则当用户在地图服务程序中输入任意搜索对象的名称后，该地图服务程序都按照1KM的比例尺显示搜索结果。

在实现本公开的过程中，发明人发现相关技术至少存在以下缺点：用户每次进行搜索时，地图服务程序都是按照预先设定的比例尺显示搜索结果，而根据实际情况，用户可能需要以不同的比例尺来显示不同的搜索对象的搜索结果，而上述地图服务程序无法根据实际情况来确定合适的比例尺显示搜索结果。

发明内容

基于地图服务程序无法根据实际情况来确定合适的比例尺显示搜索结果的问题，本公开提供一种地图比例尺设定方法、装置和终端。所述技术方案如下：

一方面，本公开提供了一种地图比例尺设定方法，所述方法包括：

获取搜索对象的至少一个特征信息；

将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺；其中，根据至少一组样本数据训练得到所述机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的样本初始比例尺；

将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。

本公开通过由机器学习模型动态地为不同的搜索对象设定不同的初始比例尺，解决了地图服务程序无法根据实际情况来确定合适的初始比例尺显示搜索结果的问题，达到了可以根据搜索对象的实际情况确定合适的初始比例尺的效果。

可选地，所述将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺，包括：

将所述搜索对象的至少一个特征信息输入所述机器学习模型，由所述机器学习模型根据预定公式计算所述搜索对象对应于不同候选初始比例尺的概率，所述预定公式为：

$P_m=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i*W_i,$

其中，所述P_m为所述搜索对象对应于第m个候选初始比例尺的概率，所述P_i为所述搜索对象的第i个特征信息对应于所述第m个候选初始比例尺的概率，所述W_i为所述搜索对象的所述第i个特征信息对应于所述第m个候选初始比例尺的权重，所述m和n为大于等于1的正整数；

将所述机器学习模型计算得到的概率最高的所述候选初始比例尺确定为与所述搜索对象对应的比例尺。

可选地，采集至少一组样本数据，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的所述样本初始比例尺；

根据所述至少一组样本数据训练所述机器学习模型。

可选地，所述采集至少一组样本数据，包括：

采集正例样本数据，所述正例样本数据为在显示过程中所述样本初始比例尺未经改变时所对应的样本数据；

和/或，

采集反例样本数据，所述反例样本数据为在显示过程中所述样本初始比例尺发生改变时所对应的样本数据。

可选地，所述根据所述至少一组样本数据训练所述机器学习模型，包括：

根据所述正例样本数据和/或所述反例样本数据训练预定类型的模型作为所述机器学习模型，所述预定类型的模型包括逻辑回归模型和决策树模型中的任意一种。

可选地，将本次搜索过程采集为样本数据；

根据所述本次搜索过程采集到的所述样本数据再次训练所述机器学习模型。

本公开还通过将后续的每次搜索过程采集为样本数据来再次训练机器学习模型，可以使得每次搜索过程都可以应用到机器学习模型的再次训练，使机器学习模型更加准确。

可选地，所述将本次搜索过程采集为样本数据，包括：

在将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺之后，判断是否存在改变所述初始比例尺的操作；

若判断结果为存在改变所述初始比例尺的操作，则将所述本次搜索过程采集为反例样本数据；

若判断结果为不存在改变所述初始比例尺的操作，则将所述本次搜索过程采集为正例样本数据；

可选地，所述搜索对象的至少一个特征信息包括：所述搜索对象的标识和至少零个预定属性，

所述预定属性包括所述搜索对象所处的预定范围内的标志物个数、终端当前所处的位置、所述终端当前所处的位置和所述搜索对象所处的位置之间的距离、所述搜索对象被搜索的次数和所述终端的移动速度中的至少一个。

另一方面，本公开提供了一种地图比例尺设定装置，所述装置包括：

获取模块，用于获取搜索对象的至少一个特征信息；

输入模块，用于将所述获取模块获取到的所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺；其中，根据至少一组样本数据训练得到所述机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的样本初始比例尺；

确定模块，用于将所述输入模块得到的所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。

本公开通过由机器学习模型动态地为不同的搜索对象设定不同的初始比例尺，解决了地图服务程序无法根据实际情况来确定合适的初始比例尺显示搜索结果的问题，达到了可以根据搜索对象的实际情况确定合适的初始比例尺的效果。

可选地，所述输入模块包括：输入单元和确定单元；

所述输入单元，用于将所述搜索对象的至少一个特征信息输入所述机器学习模型，由所述机器学习模型根据预定公式计算所述搜索对象对应于不同候选初始比例尺的概率，所述预定公式为：

$P_m=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i*W_i,$

其中，所述P_m为所述搜索对象对应于第m个候选初始比例尺的概率，所述P_i为所述搜索对象的第i个特征信息对应于所述第m个候选初始比例尺的概率，所述W_i为所述搜索对象的所述第i个特征信息对应于所述第m个候选初始比例尺的权重，所述m和n为大于等于1的正整数；

所述确定单元，用于将所述机器学习模型计算得到的概率最高的所述候选初始比例尺确定为与所述搜索对象对应的比例尺

可选地，所述装置还包括：

采集模块，用于采集至少一组样本数据，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的所述样本初始比例尺；

训练模块，用于根据所述采集模块采集到的所述至少一组样本数据训练所述机器学习模型。

可选地，所述采集模块，包括：

正例采集单元，用于采集正例样本数据，所述正例样本数据为在显示过程中所述样本初始比例尺未经改变时所对应的样本数据；

和/或，

反例采集单元，用于采集反例样本数据，所述反例样本数据为在显示过程中所述样本初始比例尺发生改变时所对应的样本数据。

可选地，所述训练模块，用于根据所述正例样本数据和/或所述反例样本数据训练预定类型的模型作为所述机器学习模型，所述预定类型的模型包括逻辑回归模型和决策树模型中的任意一种。

可选地，所述装置还包括：

再次采集模块，用于将本次搜索过程采集为样本数据；

再次训练模块，用于根据所述本次搜索过程采集到的所述样本数据再次训练所述机器学习模型。

本公开还通过将后续的每次搜索过程采集为样本数据来再次训练机器学习模型，可以使得每次搜索过程都可以应用到机器学习模型的再次训练，使机器学习模型更加准确。

可选地，所述再次采集模块，包括：判断单元、反例单元和正例单元；

所述判断单元，用于在将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺之后，判断是否存在改变所述初始比例尺的操作；

所述反例单元，用于当所述判断单元的判断结果为存在改变所述初始比例尺的操作时，将本次搜索过程采集为反例样本数据；

所述正例单元，用于当所述判断单元的判断结果为不存在改变所述初始比例尺的操作时，将所述本次搜索过程采集为正例样本数据；

可选地，所述搜索对象的至少一个特征信息包括：所述搜索对象的标识和至少零个预定属性，

所述预定属性包括所述搜索对象所处的预定范围内的标志物个数、终端当前所处的位置、所述终端当前所处的位置和所述搜索对象所处的位置之间的距离、所述搜索对象被搜索的次数和所述终端的移动速度中的至少一个。

再一方面，提供了一种终端，所述终端包括：

一个或多个处理器；

存储器；和

一个或多个模块，所述一个或多个模块存储于所述存储器中并被配置成由所述一个或多个处理器执行，所述一个或多个模块具有如下功能：

获取搜索对象的至少一个特征信息；

将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺；其中，根据至少一组样本数据训练得到所述机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的样本初始比例尺；

将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。

本公开通过由机器学习模型动态地为不同的搜索对象设定不同的初始比例尺，解决了地图服务程序无法根据实际情况来确定合适的初始比例尺显示搜索结果的问题，达到了可以根据搜索对象的实际情况确定合适的初始比例尺的效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不限制本公开。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，并不构成对本公开的限定。在附图中：

图1是本公开一个实施例提供的地图比例尺设定方法的示例性方法流程图；

图2是本公开另一实施例提供的地图比例尺设定方法的示例性方法流程图；

图3是本公开一个实施例提供的地图比例尺设定装置的示例性结构方框图；

图4是本公开另一实施例提供的地图比例尺设定装置的示例性结构方框图

图5是本公开实施例提供的终端的示例性结构示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限定本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细说明。在此，本公开的示意性实施方式以及说明用于解释本公开，但并不作为对本公开的限定。

本公开实施例提供一种地图比例尺设定方法、装置和终端，以下结合附图对本公开实施例进行详细说明。

请参考图1，其示出了本公开一个实施例提供的地图比例尺设定方法的示例性方法流程图。本实施例以该地图比例尺设定方法应用在包括有地图服务程序的终端中来举例说明。该地图比例尺设定方法包括如下步骤。

在步骤101中，获取搜索对象的至少一个特征信息。

终端获取搜索对象的至少一个特征信息，至少一个特征信息包括搜索对象的标识和至少零个预定属性的组合。

预定属性包括：搜索对象所处的预定范围内的标志物个数、终端当前的位置、终端当前所处的位置和搜索对象所处的位置之间的距离、搜索对象被搜索的次数和终端的移动速度中的至少一个。

在步骤102中，将搜索对象的至少一个信息输入机器学习模型，得到与搜索对象对应的比例尺。

终端将搜索对象的至少一个特征信息输入机器学习模型，得到与搜索对象对应的比例尺。其中，根据至少一组样本数据训练得到的该机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与该搜索对象对应的样本初始比例尺。

在步骤103中，将比例尺确定为在地图上显示搜索对象的搜索结果时的初始比例尺。

终端将比例尺确定为在地图上显示搜索对象的搜索结果时的初始比例尺。

综上所述，本实施例提供的地图比例尺设定方法，通过获取搜索对象的至少一个特征信息；将搜索对象的至少一个特征信息输入机器学习模型，得到与搜索对象对应的比例尺；将得到的比例尺确定为在地图上显示搜索对象的搜索结果时的初始比例尺；解决了地图服务程序无法根据实际情况来确定合适的初始比例尺显示搜索结果的问题，达到了可以根据搜索对象的实际情况确定合适的初始比例尺的效果。

请参考图2，其示出了本公开另一实施例提供的地图比例尺设定方法的示例性方法流程图。本实施例以该地图比例尺设定方法应用在包括有地图服务程序的终端中来举例说明。该地图比例尺设定方法包括如下步骤。

在步骤201中，采集至少一组样本数据，每组样本数据包括一个搜索对象的至少一个特征信息，以及与该搜索对象对应的样本初始比例尺。

终端根据地图的历史搜索过程，采集至少一组样本数据。样本数据越多，训练的机器学习模型的准确度越高。一次历史搜索过程可以采集到一组样本数据，每组样本数据包括一个搜索对象的至少一个特征信息，以及与该搜索对象对应的样本初始比例尺。

搜索对象的至少一个特征信息包括：搜索对象的标识和搜索对象的至少零个预定属性。

该预定属性包括：搜索对象所处的预定范围内的标志物个数、终端当前的位置、终端当前所处的位置和搜索对象所处的位置之间的距离、搜索对象被搜索的次数和终端的移动速度中的至少一个。上述“标志物”可以是指POI（Pointof Interest，兴趣点）。

在一个具体的例子中，一个样本数据为：搜索对象的标识“天安门”，搜索对象所处的预定范围内的POI个数“2049”、终端当前的位置“前门”、终端当前所处的位置和搜索对象所处的位置之间的距离“500m”、搜索对象被搜索的次数“210032”和终端的移动速度“3m/s”，以及样本初始比例尺“1:500米”。当然，根据搜索过程的具体细节不同，每个样本数据中预定属性的个数和内容可能各不相同。

样本数据包括正例样本数据和反例样本数据。其中，正例样本数据为在显示过程中样本初始比例尺未经改变时所对应的样本数据，也即在该历史搜索过程中，采用该样本初始比例尺进行搜索结果的显示后，用户未对样本初始比例尺进行修改，代表该样本初始比例尺是较为合适的。反例样本数据为在显示过程中样本初始比例尺发生改变时所对应的样本数据，也即在该历史搜索过程中，采用该样本初始比例尺进行搜索结果的显示后，用户对样本初始比例尺进行了修改，代表该样本初始比例尺是不合适的，用户对该样本初始比例尺进行的修改次数越多，代表该样本初始比例尺越不合适。

比如，用户每次使用地图服务程序搜索一个搜索对象时，用户可以在地图服务程序中输入搜索对象的名称、地址等标识，地图服务程序会以初始比例尺显示该搜索对象的搜索结果。该初始比例尺可能是用户预先设定的，也可能是地图服务程序默认的。假设用户搜索“天安门”，则用户在X度地图中输入“天安门”，则X度地图以初始比例尺500M显示搜索“天安门”的搜索结果。

若用户在查看“天安门”的搜索结果时，认可该初始比例尺的显示结果，即不再进行放大或者缩小的操作来改变该初始比例尺，则认定该初始比例尺所对应的数据为正例样本数据，并以该初始比例尺作为样本初始比例尺。该正例样本数据中可能只包括“天安门”和该样本初始比例尺500M，也可能包括搜索对象的标识“天安门”、预定属性的组合和该初始比例尺500M。其中，预定属性包括，该搜索对象所处的预定范围（假设为1KM）内的标志物个数、用户所使用的终端和“天安门”之间的距离、“天安门”被搜索的次数和用户此时的移动速度中的至少一个。

若用户在查看“天安门”的搜索结果时，不认可该初始比例尺的显示结果，即进行了放大或者缩小的操作来改变该初始比例尺，则认定该比例尺所对应的数据为反例样本数据，并以该初始比例尺作为样本初始比例尺。同样，该反例样本数据可能只包括搜索对象的标识“天安门”和该样本初始比例尺500M，也可能包括搜索对象的标识“天安门”、预定属性的组合和该初始比例尺500M。

在步骤202中，根据至少一组样本数据训练机器学习模型；

终端根据正例样本数据和/或反例样本数据训练预定类型的模型作为机器学习模型，预定类型的模型包括逻辑回归模型和决策树模型中的任意一种。

终端根据采集到的样本数据训练逻辑回归模型或者决策树模型，作为机器学习模型。在训练过程中，终端将采集到的正例样本数据和/或反例样本数据输入机器学习模型中，训练后的模型即可得到搜索对象和至少零个预定属性的组合与比例尺之间的关系。

比如，终端将采集的正例样本数据和/或反例样本数据输入至回归模型或者决策树模型，作为机器学习模型。该机器学习模型即可得出“天安门”等各个搜索对象的至少一个特征信息与不同候选初始比例尺之间的概率关系。

在一个较简单的例子中，机器学习模型中包括不同的搜索对象的标识对应于不同候选初始比例尺的概率关系，以及不同的预定属性对应于不同候选初始比例尺的概率关系，以总共有10个不同的候选初始比例尺，预定属性A对应于候选初始比例尺a的初始概率为10%为例，若存在一个正例样本数据同时包括预定属性A和样本初始比例尺a，则将初始概率10%进行上调，上调幅度可以为预定值；若存在一个反例样本数据同时包括预定属性A和样本初始比例尺a，则将初始概率10%进行下调，下调幅度可以为预定值，或者，下调幅度与该反例样本数据中该样本初始比例尺a被修改的次数呈正相关关系。由此，经过多个样本数据可以训练得到预定属性A和候选初始比例尺a之间的概率关系。当然，在不同的机器学习模型中，具体的训练方法各有差异，本例仅为说明训练过程的基本原理，对具体的训练方法不做限定。

之后，终端可以采用该机器学习模型进行地图的后续搜索过程中初始比例尺的设定。

需要说明的是，上述步骤201和步骤202所示出的机器学习模型的训练过程也可以由服务器来完成，然后服务器将训练好的机器学习模型下发给终端即可。本实施例中仅以该训练过程由终端自身完成来举例说明。

在步骤203中，获取搜索对象的至少一个特征信息；

在终端内置有机器学习模型以后的地图搜索过程中，终端在搜索初始阶段获取搜索对象的至少一个特征信息，该至少一个特征信息包括：搜索对象的标识和至少零个预定属性，预定属性包括搜索对象所处的预定范围内的标志物个数、终端当前所处的位置、终端当前所处的位置和搜索对象所处的位置之间的距离、搜索对象被搜索的次数和终端的移动速度中的至少一个。此过程中获取到的特征信息越多，后续通过机器学习模型设定的初始比例尺越准确。

比如，一次搜索过程中，终端获取到的搜索对象的至少一个特征信息为：搜索对象的标识“海天大酒店”，终端当前所处的位置为“春风路2号”；又比如，在另一次搜索过程中，终端获取到的搜索对象的至少一个特征信息为：搜索对象的标识“帝都花园”，终端当前所处的位置为“希望大街”，“希望大街”和“帝都花园”之间的距离“5公里”、“帝都花园”被搜索的次数和终端的移动速度“8km/h”。在不同的搜索过程中，搜索对象的标识可以相同或不同，预定属性的个数和内容也可以相同或不同。

在步骤204中，将搜索对象的至少一个特征信息输入机器学习模型，得到与搜索对象对应的比例尺；

终端将搜索对象的至少一个特征信息输入机器学习模型，得到与搜索对象对应的比例尺。在将搜索对象的至少一个特征信息输入机器学习模型后，由机器学习模型根据预定公式计算搜索对象对应于不同候选初始比例尺的概率；然后，将机器学习模型计算得到的概率最高的候选初始比例尺确定为与该搜索对象对应的比例尺。

该预定公式可以为：

$P_m=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i*W_i,$

其中，P_m为搜索对象对应于第m个候选初始比例尺的概率，P_i为搜索对象的第i个特征信息对应于第m个候选初始比例尺的概率，W_i为搜索对象的第i个特征信息对应于第m个候选初始比例尺的权重，m和n为大于等于1的正整数。

在一个较简单的例子中，若搜索对象的至少一个特征信息中包括有搜索对象的标识“海天大酒店”，终端当前所处的位置为“春风路2号”，且共有5个候选初始比例尺，则机器学习模型可以计算每种候选初始比例尺的概率如下：

候选初始比例尺a的概率=搜索对象的标识“海天大酒店”对应于候选初始比例尺a的概率a11*预定权重S1+终端当前所处的位置“春风路2号”对应于候选初始比例尺a的概率a12*预定权重S2=13%；

候选初始比例尺b的概率=搜索对象的标识“海天大酒店”对应于候选初始比例尺b的概率b11*预定权重S1+终端当前所处的位置“春风路2号”对应于候选初始比例尺b的概率b12*预定权重S2=72%；

候选初始比例尺c的概率=搜索对象的标识“海天大酒店”对应于候选初始比例尺c的概率c11*预定权重S1+终端当前所处的位置“春风路2号”对应于候选初始比例尺c的概率c12*预定权重S2=11%；

候选初始比例尺d的概率=搜索对象的标识“海天大酒店”对应于候选初始比例尺d的概率d11*预定权重S1+终端当前所处的位置“春风路2号”对应于候选初始比例尺d的概率d12*预定权重S2=3%；

候选初始比例尺e的概率=搜索对象的标识“海天大酒店”对应于候选初始比例尺e的概率e11*预定权重S1+终端当前所处的位置“春风路2号”对应于候选初始比例尺e的概率e12*预定权重S2=1%。

由此得知，最高概率72%的候选初始比例尺b为与搜索对象对应的比例尺。

当然，在不同的机器学习模型中，具体计算得出与搜索对象对应的比例尺的方法各有差异，本例仅为说明计算过程的基本原理，对具体的计算方法不做限定。

在步骤205中，将比例尺确定为在地图上显示搜索对象的搜索结果时的初始比例尺。

终端将机器学习模型计算得出的与搜索对象对应的比例尺确定为在地图上显示搜索对象的搜索结果时的初始比例尺。换句话说，终端以该初始比例尺在地图上显示搜索对象的搜索结果。

在步骤206中，将本次搜索过程采集为样本数据；

为了继续训练机器学习模型，终端将本次搜索过程采集为样本数据。本步骤可以包括如下子步骤：

1、终端判断是否存在改变初始比例尺的操作；

在终端将该比例尺确定为在地图上显示搜索对象的搜索结果时的初始比例尺之后，判断是否存在用户改变该初始比例尺的操作。若判断结果为存在改变该初始比例尺的操作，则该初始比例尺的设置仍然不合理，进入子步骤2；若判断结果为不存在改变该初始比例尺的操作，则该初始比例尺的设置较为合理，进入子步骤3。

2、将本次搜索过程采集为反例样本数据；

若判断结果为存在改变该初始比例尺的操作，则终端将本次搜索过程采集为反例样本数据。

3、将本次搜索过程采集为正例样本数据；

若判断结果为不存在改变该初始比例尺的操作，则终端将本次搜索过程采集为正例样本数据。

在步骤207中，根据本次搜索过程采集到的样本数据再次训练机器学习模型。

终端根据本次搜索过程采集到的正例样本数据或者反例样本数据再次训练机器学习模型。换句话说，经过步骤206至207，每次搜索过程都可以应用到机器学习模型的再次训练，使机器学习模型随着使用时间的增长而更加准确。

综上所述，本实施例提供的地图比例尺设定方法，通过获取搜索对象的至少一个特征信息；将搜索对象的至少一个特征信息输入机器学习模型，得到与搜索对象对应的比例尺；将得到的比例尺确定为在地图上显示搜索对象的搜索结果时的初始比例尺；解决了地图服务程序无法根据实际情况来确定合适的初始比例尺显示搜索结果的问题，达到了可以根据搜索对象的实际情况确定合适的初始比例尺的效果。

还通过将后续的每次搜索过程采集为样本数据来再次训练机器学习模型，可以使得每次搜索过程都可以应用到机器学习模型的再次训练，使机器学习模型随着使用时间的增长而更加准确。

以下为本公开的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

请参考图3，其示出了本发明一个实施例提供的地图比例尺设定装置的结构方框图。该地图比例尺设定装置可以通过软件、硬件或者两者的结合实现成为终端的全部或者一部分，该装置包括：

获取模块320，用于获取搜索对象的至少一个特征信息；

输入模块340，用于将所述获取模块320获取到的所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺；其中，根据至少一组样本数据训练得到所述机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的样本初始比例尺；

确定模块360，用于将所述输入模块340得到的所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。

综上所述，本实施例提供的地图比例尺设定装置，通过获取搜索对象的至少一个特征信息；将搜索对象的至少一个特征信息输入机器学习模型，得到与搜索对象对应的比例尺；将得到的比例尺确定为在地图上显示搜索对象的搜索结果时的初始比例尺；解决了地图服务程序无法根据实际情况来确定合适的初始比例尺显示搜索结果的问题，达到了可以根据搜索对象的实际情况确定合适的初始比例尺的效果。

请参考图4，其示出了本发明一个实施例提供的地图比例尺设定装置的结构方框图。该地图比例尺设定装置可以通过软件、硬件或者两者的结合实现成为终端的全部或者一部分，该装置包括：

采集模块312，用于采集至少一组样本数据，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的所述样本初始比例尺；

训练模块314，用于根据所述采集模块312采集到的所述至少一组样本数据训练所述机器学习模型。

获取模块320，用于获取搜索对象的至少一个特征信息；

输入模块340，用于将所述获取模块320获取到的所述搜索对象的至少一个特征信息输入训练模块314训练得到的机器学习模型，得到与所述搜索对象对应的比例尺；其中，根据至少一组样本数据训练得到所述机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的样本初始比例尺；

确定模块360，用于将所述输入模块340得到的所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。

所述采集模块312，包括：正例采集单元和/或反例采集单元（未在图中示出）；

正例采集单元，用于采集正例样本数据，所述正例样本数据为在显示过程中所述样本初始比例尺未经改变时所对应的样本数据；

和/或，

反例采集单元，用于采集反例样本数据，所述反例样本数据为在显示过程中所述样本初始比例尺发生改变时所对应的样本数据。

所述训练模块314，用于根据所述正例样本数据和/或所述反例样本数据训练预定类型的模型作为所述机器学习模型，所述预定类型的模型包括逻辑回归模型和决策树模型中的任意一种。

所述输入模块340包括：输入单元和确定单元（未在图中示出）；

所述输入单元，用于将所述搜索对象的至少一个特征信息输入所述机器学习模型，由所述机器学习模型根据预定公式计算所述搜索对象对应于不同候选初始比例尺的概率，所述预定公式为：

$P_m=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i*W_i,$

其中，所述P_m为所述搜索对象对应于第m个候选初始比例尺的概率，所述P_i为所述搜索对象的第i个特征信息对应于所述第m个候选初始比例尺的概率，所述W_i为所述搜索对象的所述第i个特征信息对应于所述第m个候选初始比例尺的权重，所述m和n为大于等于1的正整数；

所述确定单元，用于将所述机器学习模型计算得到的概率最高的所述候选初始比例尺确定为与所述搜索对象对应的比例尺。

所述装置还包括：

再次采集模块382，用于将本次搜索过程采集为样本数据。所述再次采集模块382包括：判断单元、反例单元和正例单元（未在图中示出）；

判断单元，用于在将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺之后，判断是否存在改变所述初始比例尺的操作；

反例单元，用于当所述判断单元的判断结果为存在改变所述初始比例尺的操作时，将本次搜索过程采集为所述反例样本数据；

正例单元，用于当所述判断单元的判断结果为不存在改变所述初始比例尺的操作时，将所述本次搜索过程采集为所述正例样本数据；

再次训练模块384，用于根据所述本次搜索过程采集到的所述样本数据再次训练所述机器学习模型。

综上所述，本实施例提供的地图比例尺设定装置，通过获取搜索对象的至少一个特征信息；将搜索对象的至少一个特征信息输入机器学习模型，得到与搜索对象对应的比例尺；将得到的比例尺确定为在地图上显示搜索对象的搜索结果时的初始比例尺；解决了地图服务程序无法根据实际情况来确定合适的初始比例尺显示搜索结果的问题，达到了可以根据搜索对象的实际情况确定合适的初始比例尺的效果。

还通过将后续的每次搜索过程采集为样本数据来再次训练机器学习模型，可以使得每次搜索过程都可以应用到机器学习模型的再次训练，使机器学习模型随着使用时间的增长而更加准确。

请参考图5，其示出了本公开一个实施例提供的终端的结构示意图。该终端可以用于实施上述实施例中提供的地图比例尺设定方法。

终端500可以包括通信单元510、包括有一个或一个以上计算机可读存储介质的存储器520、输入单元530、显示单元540、传感器550、音频电路560、WIFI（Wireless Fidelity，无线保真）模块570、包括有一个或者一个以上处理核心的处理器580、以及电源590等部件。本领域技术人员可以理解，图中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

通信单元510可用于收发信息或通话过程中，信号的接收和发送，该通信单元510可以为RF（Radio Frequency，射频）电路、路由器、调制解调器、等网络通信设备。特别地，当通信单元510为RF电路时，将基站的下行信息接收后，交由一个或者一个以上处理器580处理；另外，将涉及上行的数据发送给基站。通常，作为通信单元的RF电路包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块（SIM）卡、收发信机、耦合器、LNA（Low Noise Amplifier，低噪声放大器）、双工器等。此外，通信单元510还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于GSM（Global System of Mobile communication，全球移动通讯系统）、GPRS（General Packet Radio Service，通用分组无线服务）、CDMA（Code Division Multiple Access，码分多址）、WCDMA（Wideband Code DivisionMultiple Access，宽带码分多址）、LTE（Long Term Evolution，长期演进）、电子邮件、SMS（Short Messaging Service，短消息服务）等。存储器520可用于存储软件程序以及模块，处理器580通过运行存储在存储器520的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器520可主要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、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据终端500的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器520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、或其他易失性固态存储器件。相应地，存储器520还可以包括存储器控制器，以提供处理器580和输入单元530对存储器520的访问。

输入单元530可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。可选的，输入单元530可包括触敏表面531以及其他输入设备532。触敏表面531，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面531上或在触敏表面531附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面51可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器580，并能接收处理器580发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面531。除了触敏表面531，输入单元530还可以包括其他输入设备532。优选地，其他输入设备532可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元540可用于显示由用户输入的信息或提供给用户的信息以及终端500的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元540可包括显示面板541，可选的，可以采用LCD（Liquid Crystal Display，液晶显示器）、OLED（Organic Light-Emitting Diode，有机发光二极管）等形式来配置显示面板541。可选的，触敏表面531可覆盖显示面板541，当触敏表面531检测到在其上或附近的触摸操作后，传送给处理器580以确定触摸事件的类型，随后处理器580根据触摸事件的类型在显示面板541上提供相应的视觉输出。虽然在图5中，触敏表面531与显示面板541是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面531与显示面板541集成而实现输入和输出功能。

终端500还可包括至少一种传感器550，比如光传感器、运动传感器以及其他传感器。光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板541的亮度，接近传感器可在终端500移动到耳边时，关闭显示面板541和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等；至于终端500还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路560、扬声器561，传声器562可提供用户与终端500之间的音频接口。音频电路560可将接收到的音频数据转换后的电信号，传输到扬声器561，由扬声器561转换为声音信号输出；另一方面，传声器562将收集的声音信号转换为电信号，由音频电路560接收后转换为音频数据，再将音频数据输出处理器580处理后，经RF电路510以发送给比如另一终端，或者将音频数据输出至存储器520以便进一步处理。音频电路560还可能包括耳塞插孔，以提供外设耳机与终端500的通信。

为了实现无线通信，该终端上可以配置有无线通信单元570，该无线通信单元570可以为WIFI模块。WIFI属于短距离无线传输技术，终端500通过无线通信单元570可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图中示出了无线通信单元570，但是可以理解的是，其并不属于终端500的必须构成，完全可以根据需要在不改变公开的本质的范围内而省略。

处理器580是终端500的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器520内的软件程序和/或模块，以及调用存储在存储器520内的数据，执行终端500的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器580可包括一个或多个处理核心；可选的，处理器580可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。

终端500还包括给各个部件供电的电源590（比如电池），可选的，电源可以通过电源管理系统与处理器580逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源590还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

尽管未示出，终端500还可以包括摄像头、蓝牙模块等，在此不再赘述。在本实施例中，终端还包括有存储器，所述存储器还包括一个或者一个以上的模块，所述一个或者一个以上模块存储于存储器中，且被配置由一个或多个处理器580执行，所述一个或多个模块具有如下功能：

获取搜索对象的至少一个特征信息；

将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺；其中，根据至少一组样本数据训练得到所述机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的样本初始比例尺；

将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。

所述一个或多个模块还具有如下功能：

所述将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺，包括：

将所述搜索对象的至少一个特征信息输入所述机器学习模型，由所述机器学习模型根据预定公式计算所述搜索对象对应于不同候选初始比例尺的概率，所述预定公式为：

$P_m=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i*W_i,$

其中，所述P_m为所述搜索对象对应于第m个候选初始比例尺的概率，所述P_i为所述搜索对象的第i个特征信息对应于所述第m个候选初始比例尺的概率，所述W_i为所述搜索对象的所述第i个特征信息对应于所述第m个候选初始比例尺的权重，所述m和n为大于等于1的正整数；

将所述机器学习模型计算得到的概率最高的所述候选初始比例尺确定为与所述搜索对象对应的比例尺。

所述一个或多个模块还具有如下功能：

采集至少一组样本数据，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的所述样本初始比例尺；

根据所述至少一组样本数据训练所述机器学习模型。

所述一个或多个模块还具有如下功能：

所述采集至少一组样本数据，包括：

采集正例样本数据，所述正例样本数据为在显示过程中所述样本初始比例尺未经改变时所对应的样本数据；

和/或，

采集反例样本数据，所述反例样本数据为在显示过程中所述样本初始比例尺发生改变时所对应的样本数据。

所述一个或多个模块还具有如下功能：

所述根据所述至少一组样本数据训练所述机器学习模型，包括：

根据所述正例样本数据和/或所述反例样本数据训练预定类型的模型作为所述机器学习模型，所述预定类型的模型包括逻辑回归模型和决策树模型中的任意一种。

所述一个或多个模块还具有如下功能：

将本次搜索过程采集为样本数据；

根据所述本次搜索过程采集到的所述样本数据再次训练所述机器学习模型。

所述一个或多个模块还具有如下功能：

所述将本次搜索过程采集为样本数据，包括：

在将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺之后，判断是否存在改变所述初始比例尺的操作；

若判断结果为存在改变所述初始比例尺的操作，则将所述本次搜索过程采集为反例样本数据；

若判断结果为不存在改变所述初始比例尺的操作，则将所述本次搜索过程采集为正例样本数据；

上述的所述搜索对象的至少一个特征信息包括：所述搜索对象的标识和至少零个预定属性，

所述预定属性包括所述搜索对象所处的预定范围内的标志物个数、终端当前所处的位置、所述终端当前所处的位置和所述搜索对象所处的位置之间的距离、所述搜索对象被搜索的次数和所述终端的移动速度中的至少一个。

综上所述，本实施例提供的终端，通过获取搜索对象的至少一个特征信息；将搜索对象的至少一个特征信息输入机器学习模型，得到与搜索对象对应的比例尺；将得到的比例尺确定为在地图上显示搜索对象的搜索结果时的初始比例尺；解决了地图服务程序无法根据实际情况来确定合适的初始比例尺显示搜索结果的问题，达到了可以根据搜索对象的实际情况确定合适的初始比例尺的效果。

还通过将后续的每次搜索过程采集为样本数据来再次训练机器学习模型，可以使得每次搜索过程都可以应用到机器学习模型的再次训练，使机器学习模型随着使用时间的增长而更加准确。

本公开的实施例还提供一种非易失性可读存储介质，该存储介质中存储有一个或多个模块（programs），该一个或多个模块被应用在设备中时，可以使得该设备执行如下步骤的指令（instructions）：

获取搜索对象的至少一个特征信息；

将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺；其中，根据至少一组样本数据训练得到所述机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的样本初始比例尺；

将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。

其中，还包括执行如下步骤的指令：

所述将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺，包括：

将所述搜索对象的至少一个特征信息输入所述机器学习模型，由所述机器学习模型根据预定公式计算所述搜索对象对应于不同候选初始比例尺的概率，所述预定公式为：

$P_m=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i*W_i,$

其中，所述P_m为所述搜索对象对应于第m个候选初始比例尺的概率，所述P_i为所述搜索对象的第i个特征信息对应于所述第m个候选初始比例尺的概率，所述W_i为所述搜索对象的所述第i个特征信息对应于所述第m个候选初始比例尺的权重，所述m和n为大于等于1的正整数；

将所述机器学习模型计算得到的概率最高的所述候选初始比例尺确定为与所述搜索对象对应的比例尺。

其中，还包括执行如下步骤的指令：

采集至少一组样本数据，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的所述样本初始比例尺；

根据所述至少一组样本数据训练所述机器学习模型。

其中，还包括执行如下步骤的指令：

所述采集至少一组样本数据，包括：

采集正例样本数据，所述正例样本数据为在显示过程中所述样本初始比例尺未经改变时所对应的样本数据；

和/或，

采集反例样本数据，所述反例样本数据为在显示过程中所述样本初始比例尺发生改变时所对应的样本数据。

其中，还包括执行如下步骤的指令：

所述根据所述至少一组样本数据训练所述机器学习模型，包括：

根据所述正例样本数据和/或所述反例样本数据训练预定类型的模型作为所述机器学习模型，所述预定类型的模型包括逻辑回归模型和决策树模型中的任意一种。

其中，还包括执行如下步骤的指令：

将本次搜索过程采集为样本数据；

根据所述本次搜索过程采集到的所述样本数据再次训练所述机器学习模型。

其中，还包括执行如下步骤的指令：

所述将本次搜索过程采集为样本数据，包括：

在将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺之后，判断是否存在改变所述初始比例尺的操作；

若判断结果为存在改变所述初始比例尺的操作，则将所述本次搜索过程采集为反例样本数据；

若判断结果为不存在改变所述初始比例尺的操作，则将所述本次搜索过程采集为正例样本数据；

上述的所述搜索对象的至少一个特征信息包括：所述搜索对象的标识和至少零个预定属性，

所述预定属性包括所述搜索对象所处的预定范围内的标志物个数、终端当前所处的位置、所述终端当前所处的位置和所述搜索对象所处的位置之间的距离、所述搜索对象被搜索的次数和所述终端的移动速度中的至少一个。

尽管前面公开的内容示出了本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。

以上所述的具体实施方式，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施方式而已，并不用于限定本公开的保护范围，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (17)

1.一种地图比例尺设定方法，其特征在于，所述方法包括： 

获取搜索对象的至少一个特征信息； 

将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺；其中，根据至少一组样本数据训练得到所述机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的样本初始比例尺； 

将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。 

2.根据权利要求1所述的方法，其特征在于，所述将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺，包括： 

将所述搜索对象的至少一个特征信息输入所述机器学习模型，由所述机器学习模型根据预定公式计算所述搜索对象对应于不同候选初始比例尺的概率，所述预定公式为： 

其中，所述P_m为所述搜索对象对应于第m个候选初始比例尺的概率，所述P_i为所述搜索对象的第i个特征信息对应于所述第m个候选初始比例尺的概率，所述W_i为所述搜索对象的所述第i个特征信息对应于所述第m个候选初始比例尺的权重，所述m和n为大于等于1的正整数； 

将所述机器学习模型计算得到的概率最高的所述候选初始比例尺确定为与所述搜索对象对应的比例尺。 

3.根据权利要求1所述的方法，其特征在于， 

采集至少一组样本数据，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的所述样本初始比例尺； 

根据所述至少一组样本数据训练所述机器学习模型。 

4.根据权利要求3所述的方法，其特征在于，所述采集至少一组样本数据， 包括： 

采集正例样本数据，所述正例样本数据为在显示过程中所述样本初始比例尺未经改变时所对应的样本数据； 

和/或， 

采集反例样本数据，所述反例样本数据为在显示过程中所述样本初始比例尺发生改变时所对应的样本数据。 

5.根据权利要求3所述的方法，其特征在于，所述根据所述至少一组样本数据训练所述机器学习模型，包括： 

根据所述正例样本数据和/或所述反例样本数据训练预定类型的模型作为所述机器学习模型，所述预定类型的模型包括逻辑回归模型和决策树模型中的任意一种。 

6.根据权利要求1所述的方法，其特征在于， 

将本次搜索过程采集为样本数据； 

根据所述本次搜索过程采集到的所述样本数据再次训练所述机器学习模型。 

7.根据权利要求6所述的方法，其特征在于，所述将本次搜索过程采集为样本数据，包括： 

在将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺之后，判断是否存在改变所述初始比例尺的操作； 

若判断结果为存在改变所述初始比例尺的操作，则将所述本次搜索过程采集为反例样本数据； 

若判断结果为不存在改变所述初始比例尺的操作，则将所述本次搜索过程采集为正例样本数据。 

8.根据权利要求1至7任一所述的方法，其特征在于，所述搜索对象的至少一个特征信息包括：所述搜索对象的标识和至少零个预定属性， 

所述预定属性包括所述搜索对象所处的预定范围内的标志物个数、终端当 前所处的位置、所述终端当前所处的位置和所述搜索对象所处的位置之间的距离、所述搜索对象被搜索的次数和所述终端的移动速度中的至少一个。 

9.一种地图比例尺设定装置，其特征在于，所述装置包括： 

获取模块，用于获取搜索对象的至少一个特征信息； 

输入模块，用于将所述获取模块获取到的所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺；其中，根据至少一组样本数据训练得到所述机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的样本初始比例尺； 

确定模块，用于将所述输入模块得到的所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。 

10.根据权利要求9所述的装置，其特征在于，所述输入模块包括：输入单元和确定单元； 

所述输入单元，用于将所述搜索对象的至少一个特征信息输入所述机器学习模型，由所述机器学习模型根据预定公式计算所述搜索对象对应于不同候选初始比例尺的概率，所述预定公式为： 

其中，所述P_m为所述搜索对象对应于第m个候选初始比例尺的概率，所述P_i为所述搜索对象的第i个特征信息对应于所述第m个候选初始比例尺的概率，所述W_i为所述搜索对象的所述第i个特征信息对应于所述第m个候选初始比例尺的权重，所述m和n为大于等于1的正整数； 

所述确定单元，用于将所述机器学习模型计算得到的概率最高的所述候选初始比例尺确定为与所述搜索对象对应的比例尺。 

11.根据权利要求9所述的装置，其特征在于，所述装置还包括： 

采集模块，用于采集至少一组样本数据，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的所述样本初始比例尺； 

训练模块，用于根据所述采集模块采集到的所述至少一组样本数据训练所述机器学习模型。 

12.根据权利要求11所述的装置，其特征在于，所述采集模块，包括： 

正例采集单元，用于采集正例样本数据，所述正例样本数据为在显示过程中所述样本初始比例尺未经改变时所对应的样本数据； 

和/或， 

反例采集单元，用于采集反例样本数据，所述反例样本数据为在显示过程中所述样本初始比例尺发生改变时所对应的样本数据。 

13.根据权利要求11所述的装置，其特征在于， 

所述训练模块，用于根据所述正例样本数据和/或所述反例样本数据训练预定类型的模型作为所述机器学习模型，所述预定类型的模型包括逻辑回归模型和决策树模型中的任意一种。 

14.根据权利要求9所述的装置，其特征在于，所述装置还包括： 

再次采集模块，用于将本次搜索过程采集为样本数据； 

再次训练模块，用于根据所述本次搜索过程采集到的所述样本数据再次训练所述机器学习模型。 

15.根据权利14所述的装置，其特征在于，所述再次采集模块，包括：判断单元、反例单元和正例单元； 

所述判断单元，用于在将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺之后，判断是否存在改变所述初始比例尺的操作； 

所述反例单元，用于当所述判断单元的判断结果为存在改变所述初始比例尺的操作时，将本次搜索过程采集为反例样本数据； 

所述正例单元，用于当所述判断单元的判断结果为不存在改变所述初始比例尺的操作时，将所述本次搜索过程采集为正例样本数据。 

16.根据权利要求9至15任一所述的装置，其特征在于，所述搜索对象的至少一个特征信息包括：所述搜索对象的标识和至少零个预定属性， 

所述预定属性包括所述搜索对象所处的预定范围内的标志物个数、终端当 前所处的位置、所述终端当前所处的位置和所述搜索对象所处的位置之间的距离、所述搜索对象被搜索的次数和所述终端的移动速度中的至少一个。 

17.一种终端，其特征在于，所述终端包括： 

一个或多个处理器； 

存储器；和 

一个或多个模块，所述一个或多个模块存储于所述存储器中并被配置成由所述一个或多个处理器执行，所述一个或多个模块具有如下功能： 

获取搜索对象的至少一个特征信息； 

将所述搜索对象的至少一个特征信息输入机器学习模型，得到与所述搜索对象对应的比例尺；其中，根据至少一组样本数据训练得到所述机器学习模型，每组样本数据包括一个搜索对象的至少一个特征信息，以及与所述搜索对象对应的样本初始比例尺； 

将所述比例尺确定为在地图上显示所述搜索对象的搜索结果时的初始比例尺。 

Images