CN105229595A - 使用本地语义评分的位置感知 - Google Patents
使用本地语义评分的位置感知 Download PDFInfo
- Publication number
- CN105229595A CN105229595A CN201480031169.1A CN201480031169A CN105229595A CN 105229595 A CN105229595 A CN 105229595A CN 201480031169 A CN201480031169 A CN 201480031169A CN 105229595 A CN105229595 A CN 105229595A
- Authority
- CN
- China
- Prior art keywords
- feature
- rating model
- region
- feature scores
- scores
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- User Interface Of Digital Computer (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Sensing (AREA)
- Instructional Devices (AREA)
Abstract
提供了用于确定描述关于地理区域的一个或多个特征的连续评分模型的系统和方法。该评分模型可以适合于结合来自点源以及区域信息两者的信息。基于该评分模型,用户可以获得用于任何期望位置处的一个或多个特征或期望地理区域的特征值。由于用连续函数来表示特征,所以还可以执行对任意地理区域和/或特征组合的特征值的比较来形成辅助值。
Description
背景技术
搜索引擎继续获得用于基于相对位置来识别对相关的搜索查询的响应的改善能力。基于位置的特征可以允许搜索引擎滤出与由用户指定的位置(诸如用户的当前位置)无关的实体和/或其它结果。基于此类特征,一旦指定了位置,用户可以确定附近服务是否是感兴趣的,诸如是否存在附近饭店、零售店或感兴趣的其它实体。虽然此类基于位置的搜索是有益的,但仍要求用户指定初始位置以便开始搜索。因此,不熟悉特定地理区域的用户具有使用搜索引擎来找到感兴趣特征(诸如餐饮或娱乐)的有限能力。例如,用户不能基于高级偏好或语义兴趣来浏览区域或发现感兴趣实体。
发明内容
在各种方面,提供了用于确定描述关于地理区域的一个或多个特征的连续评分模型的系统和方法。该评分模型可以适合于结合来自点源以及区域(area)信息两者的信息。基于该评分模型,用户可以获得用于任何期望位置处的一个或多个特征或期望地理区域的特征值。由于用连续函数来表示特征,所以还可以执行用于任意地理区域的特征值的比较和/或将形成辅助值的特征的组合。
提供本发明内容是为了以简化形式介绍下面在详细描述中进一步描述的概念的选择。本发明内容并不意图识别要求保护的主题的关键特征或本质特征,其也不意图孤立地用作确定要求保护的主题的范围的辅助。
附图说明
下面参考附图来描述本发明,在所述附图中:
图1—3示意性地示出了搜索环境中的特征分数的显示的示例。
图4示意性地示出了用于显示特征分数信息的另一方法的示例。
图5示意性地示出了用于显示特征分数信息的另一方法的示例。
图6示意性地示出了适合于执行本发明的某些实施例的网络环境。
图7是适合于在实现本发明的某些实施例时使用的示例性计算环境的框图。
图8—10示出了根据本发明的某些实施例的方法的示例。
具体实施方式
概述
在各种方面,提供了用于确定描述关于地理区域的一个或多个语义特征的平滑、连续函数的系统和方法。该平滑、连续函数可以适合于结合来自单个位置处的个别实体的信息以及一般地与某个类型的地理区域有关的信息。基于该底层函数,用户可以获得用于任何期望位置处的一个或多个特征或期望地理区域的特征值。由于用连续函数来表示语义特征,所以还可以执行用于任意地理区域的特征值的比较。这允许识别例如具有最高餐饮或饭店分数的城市内的区域或具有餐饮、娱乐以及可及性分数的期望组合的区域。用户还可以选择在期望的抽象水平调查地理区域的特征。
构造用于特征的评分模型
作为提供特征信息时的第一步骤,可以识别与感兴趣特征有关的各种类型的数据。然后可以使用所识别数据来拟合用于开发数据模型的基础函数,该数据模型在至少感兴趣地区内是连续的。
“特征”被定义为可以数值地表示为语义分数或特征分数的任何方便类型的信息。用于特征的特征分数是基于被识别为与特征有关的底层数据而确定的。例如,一个类型的特征可以是“餐饮”特征,其中,餐饮分数表示关于与特征分数位置有关的饭店的数目、品质和/或其它信息。可以将被识别为与特征分数位置有关的单独饭店中的每一个表示为有助于用于确定餐饮分数的函数的数据点。基于对应于单独数据点值的数据的其它特征可以包括实况音乐特征、酒吧或客栈特征、购物特征、绿地特征或者其中可以基于被识别为与特征有关的单独实体或其它数据点来发展分数的任何其它类型的特征。可选地,可以将单独数据点称为“无维度”数据,因为单独数据点当在合理比例的地图上显示时不具有任何有意义的空间范围。替代地,数据点通常与单个位置、诸如单个街道地址相关联。
其它类型的特征可以基于用于一个定义的地理区域的数据。某些类型的特征可以对应于基于到河流的距离或到主干道(诸如主要道路或公路)的距离的特征。此类特征一般地可以被描述为具有用于对应于河流或道路/公路的地理区域的基于线的数据。可选地,此类特征可以称为具有1维数据,具有对应于特征的地理空间路径的“长度”维度。其它特征可以对应于基于区域的值,诸如犯罪统计(针对“安全”特征)、人口密度、一个或多个附近街道上的汽车数目和/或平均速度(针对“交通”特征)或者基于与位置相关联的一个或多个公立学校的“学校品质”特征。此类特征可以可选地被称为具有二维数据。
可以基于评分模型将可以表示为数值值的任何类型的特征表示为特征。某些潜在特征可以包括但不限于娱乐特征,诸如用于餐饮、酒、客栈、(现场)音乐、剧场、电影、竞技、步行、雪上运动、海景、旅游胜地或期望的任何其它类型的娱乐特征。如上述列表所指示的,许多娱乐特征表示对应于点位置的特征,但某些特征(诸如海景)可表示基于线的数据。特征的其它示例可以是生活方式特征,诸如用于人口密度、交通、可及性(诸如与主干道的距离)、行人友好或步行适合性、自行车友好、学校品质、犯罪、家庭友好或购物的特征。特征的其它示例可以包括社交媒体特征,诸如位置处的由社交媒体用户的签到的相对数目或针对位置的“喜欢”的数目。
“基本网格区域”指代供在确定连续函数以表示与特征相关联的数据时所使用的单个网格区域。在确定用以表示与特征相关联的数据的函数之前,至少对应于相关感兴趣区域的地区被划分成包含多个基本网格区域的网格。优选地,使用规则棋盘形布置来形成基本网格区域,诸如将区划分成正方形、矩形或其它平行六边形。单独基本网格的尺寸可以是任何方便尺寸。一个选项是选择大致上具有市中心区中的城市街区的尺寸的正方形基本网格。作为替换,基本网格的尺寸可以变化,诸如通过在市中心区使用较小基本网格区域和在农村地区使用较大基本网格区域。优选但不要求将相同的基本网格区域用于多个特征,诸如对所有特征使用相同的基本网格区域。这可以促进将来自不同特征的特征分数组合。
“基本函数”被定义为用来表示与基本网格区域中的特征相关联的数据的至少一部分的函数。高斯函数表示用于表示基本网格区域内的特征数据的方便选择,但其它函数形式可以是适当的。针对给定特征,可以使用一个或多个基本函数来表示基本网格区域内的数据。例如,针对基于点或位置的数据,可以使用单个(高斯)基本函数来拟合数据或在网格区域内相等地间隔开的多个高斯曲线,或者高斯曲线可以与每个数据点相关联。还可以使用其它替换方案,只要所述一个或多个基本函数可以用来表示基本网格区域内的数据即可。可以类似地使用一个或多个高斯函数来表示基本网格区域内的基于线或基于区域的数据。然后可以使用分配给基于点、线和/或区域的特征数据的数据值来拟合一个或多个基本函数。
然后可以使用来自多个网格区域的基本函数来确定用于特征的评分模型。(替换地,如果特征数据具有适当形式,则可以将评分模型直接地拟合到特征数据的至少一部分。)可以用各种方式来选择被用于确定用于特征的评分模型的所述多个网格区域。在某些方面,具有基本函数的基本网格区域可以可用于诸如美国之类的大的地区。在此类方面,可以使用所有的可用网格区域来计算评分模型。作为替换,可以选择在截止距离内和/或满足某个其它相关准则的网格区域以便计算评分模型。优选地,所选的多个网格区域允许计算感兴趣地区(诸如由用户识别的地区)内的连续评分模型。在替换实施例中,可以将大型地区(诸如美国)预先划分成不同的多个网格区域,针对所述不同的多个网格区域中的每一个预先和/或周期性地计算评分模型。
可以将多种函数形式用于评分函数。用于计算评分模型的一个方法是初始尝试针对每个不同的特征拟合不同函数形式的函数。适当函数形式的示例包括高斯函数、指数函数以及三次函数。针对每个类型的函数形式,可以向每个基本网格区域分配函数。然后可以诸如用加权最小二乘回归法将函数拟合到网格区域内的基本函数。然后将在此初始尝试期间提供最佳(或者期望的)拟合的函数形式选作用于针对该特征的评分模型的函数形式。
应注意的是虽然向每个基本网格区域分配单独函数以便构建评分模型,但分配给基本网格区域的函数的值在用于基本网格区域的边界处通常将不是零。替代地,来自(至少)相邻网格区域的函数可以在网格区域内具有有意义的非零值。因此,在网格区域之间的边界处,评分模型可以仍是连续的,因为所有位置处的评分模型表示多个连续函数范围内的和。
在用以选择用于评分模型的函数形式的初始拟合之后,可以将网格区域内的底层数据和/或基本集函数正则化以去除遗漏或虚假数据的影响和/或使其最小化。例如,用于某些特征的数据值可能被不那么频繁地报告,诸如用于“酒”特征的数据值。在城市内,网格区域可能不具有用于“酒”特征的数据值,即使该网格区域具有用于“饭店”特征的高分,并且相邻网格区域具有用于“酒”特征的高分。如果存在足够的数据,如下所述,则可以推断用于“酒”特征的数据值并分配给网格区域(使用适当的基本函数)。
在使评分模型正则化之后,可以执行附加迭代以将评分模型拟合到底层基本函数/数据。可以执行附加迭代直至满足一个或多个准则为止,诸如具有在阈值值以下的来自拟合的残值或者具有彼此相差小于公差值的来自多次迭代的残值。
在多个基本网格区域范围内拟合评分模型之后,可以使用评分模型来确定点处或区域内的特征分数。“特征分数位置”被定义为单个点或一个定义的区域,其中请求用于一个或多个语义特征的特征分数。当特征分数位置对应于单个点时,可以用任何方便方法来选择所述单个点。例如,用户可以通过在触摸屏上选择位置来识别地图上的单个点,或者可以使用诸如用户当前位置之类的默认位置。当特征分数位置对应于区域时,可以用任何方便的方式来定义区域。一个选项是使用提供围绕位置的边界形状的半径(诸如预定义半径或用户选择半径)。另一选项是使用围绕位置的另一类型的边界形状。边界形状可以是在形状和维度方面预定义的、用一个或多个用户选择维度在形状方面是预定义的,或者边界形状可以完全由用户指定。另一选项是具有其中诸如使用河流或主干道作为边界的一部分而基于本地地形来自动地选择至少一个边界的边界形状。另一选项是使用预定义地理区域作为边界形状,诸如使用用于邮政编码的边界或用于被构建为单个住宅群的一部分的房屋群的边界。当特征分数位置对应于区域时,特征分数位置可以具有任何方便的尺寸,只要可以定义用于特征分数位置的边界即可。确定特征分数位置的一个方式是使用与用于搜索查询的响应结果相关联的点或区域。替换地,特征分数位置可以直接地由用户定义,或者可以诸如从用户上下文推断特征分数位置。
“采样区域”具有与特征分数位置类似的定义,但是表示被采样以便识别满足用于一个或多个特征的阈值值的一个或多个特征分数位置的区域。满足阈值值可以对应于大于阈值值、小于阈值值或者其组合。
当针对特征分数位置请求特征分数时,通过适当地对评分模型进行采样来确定特征分数。针对对应于单个点的特征分数位置,在所选点处对评分模型进行采样。针对对应于区域的特征分数位置,多个选项可用。一个选项是在对应于特征分数位置的区域内对评分模型求积分。另一选项是通过在特征分数位置内的各种点处进行采样来确定用于特征分数位置的平均分。第三选项是显示特征分数位置内的分数的“热图”,其中,诸如通过使用色谱来指示低分数值与高分数值之间的变化而在视觉上描绘特征分数的变化。色谱内的所显示色彩的变化然后可以指示低分数值与高分数值之间的各种中间分数水平。
请注意,评分模型提供用于确定特征分数的连续函数。结果,可以使用评分模型来以用户期望的任何细节水平提供特征分数。这意味着单个特征分数值未被分配给基本网格区域,并且然后被用作用于涉及到基本网格区域的所有请求的值。替代地,由于通过对与用于特征的评分模型相对应的连续函数进行采样来确定特征分数,所以特征分数的值在基本网格区域内通常将改变。例如,当特征分数位置是基本网格区域内的单独点时,从对评分模型进行采样得到的特征分数通常将不等于用于基本网格区域的平均特征分数。替代地,特征分数可用于每个基本网格区域内的每个点。同样地,当特征分数位置对应于区域时,可以基于用于特征分数位置上的特征分数的采样值而不是简单地基于用于与特征分数位置重叠的底层基本网格区域的预先计算平均值来返回用于定义特征分数位置的(一个或多个)特征分数。
更新评分模型
可以周期性地和/或根据需要来更新用于特征的评分模型以反映底层识别特征数据的变化。可能期望每小时、每日或每周地更新用于某些特征的评分模型以便反映变化。例如,在夏季期间,多种公园及其它企业可能具有户外音乐会、电影表演等。这些事件可仅仅在一周的一天或者仅仅在一年中的某些周发生。通过针对现场音乐特征每日更新评分模型,现场音乐特征可以针对给定特征分数位置而改变以反映附加户外事件的可用性。其它更新频率可适合于捕捉其它活动。例如,一个类型的特征可以是与社交网络上的活动有关的特征,诸如在过去一小时期间在社交媒体站点上的给定实体或给定地理区域/位置处登记的签到的数目。这可以是流行夜总会的指示符,并且因此可以是感兴趣特征。为了捕捉最近签到数据,可以通过在接收到用于特征分数的请求时更新评分模型来针对点位置或小区域实时地更新用于“签到”特征的评分模型。另一类型的特征可以是在一段时间内针对实体或地理区域/位置在社交网络上登记的“喜欢”的数量。对评分模型的此类更新可以基于相对小数目的附近基本网格区域来执行。即使对于点位置而言,“签到”或“喜欢”类型特征也将可能涉及到基于附近基本网格区域的计算,因此可以将期望位置处的签到(或喜欢)的数目与其它附近位置处的签到(或喜欢)活动相比较。
特征分数的显示
可以针对其中可以用数值值或者替换地作为连续值范围(即使数字并未明确地与连续范围内的任何或所有点相关联)来表示特征的任何类型的特征开发评分模型。通常,可以将评分模型归一化,使得来自评分模型的最大和最小值落在期望范围内。用于特征的潜在值范围的示例可以包括1至100、0至10、-20至20的范围、其中在小数点之后提供一个或多个位数以允许进一步区别的范围或者任何其它方便类型的范围。可选地,可以使用辅助显示属性、诸如使用色彩、字体特性或另一显示属性来进一步图示出用于特征的分数以定性地指示特征分数。
针对对应于区域的特征分数位置,所提供特征分数可以根据由用户进行的请求类型和/或本发明的特定方面而改变。用于返回用于对应于区域的特征分数位置的特征分数的一个选项是提供用于特征分数位置的平均分。如上所述,这可以是基于对应于特征分数位置的区域内的评分模型的积分、特征分数位置内的离散点的采样(诸如随机分布点、均匀分布点或者等间距点)的平均值或者另一方便类型的平均值。用于返回基于区域的特征分数的另一选项是提供用于区域的特征值。一个选项是使用热图,该热图可以提供特征分数在特征分数位置内如何改变的基于色彩显示的连续表示。另一选项是选择用于报告区域内的特征分数的离散点。该离散点可以是随机分布点、被选择成在特征分数位置内均匀分布的点、由于在特征分数位置内具有高/低/中值分数值而值得注意的点或者用任何其它方便方法选择的离散点。
在生成用于一个或多个特征的评分模型之后,多种选项可用于将特征分数呈现给用户。一个选项是与搜索结果相组合地提供特征分数作为补充信息的一部分。例如,用户可能想要找到在其中现场音乐或客栈可能在附近可用的附近地区中的墨西哥饭店。为了找到此墨西哥饭店,用户可以首先执行对地理区域中的墨西哥饭店的搜索,可能包括喜爱的饭店连锁店的名称。这将返回用于饭店的多个搜索结果。连同标准链接一起,可以紧挨着用于每个饭店位置的链接提供标签或另一可选择指示符。访问此标签(诸如通过点击、悬停或另一选择方法)可以示出用于特定位置的特征分数信息。特征分数信息可以密封用于该位置的地理区域的一个或多个语义属性。可以在侧栏区域中、作为弹出消息或者以另一方便方式来显示此特征分数信息。用户可以预先指定应显示用于“现场音乐”和“客栈或酒吧”的特征分数,或者可以在用户访问用于附加特征分数信息的标签之后选择这些特征。用户然后可以选择用于感兴趣饭店中的一个或多个的标签以看到用于与期望特征有关的饭店的补充特征分数信息。在这种情况下,所报告特征分数可以对应于与饭店的点位置匹配的特征分数位置。替换地,用户可以指定应针对饭店周围的指定区域返回特征分数。
用于访问特征分数的另一选项是使用允许用户直接地调查用于期望点或区域的特征分数的应用程序。在一个方面,用户可以使用特征分数信息来调查本地区域。例如,用户可以通过指定感兴趣的一个或多个期望特征分数来开始。然后可以基于用户的当前位置、基于由用户在地图上选择的点位置和/或基于定义所选点周围的区域的边界形状来选择特征分数位置。然后可以显示用于特征分数位置(点、线或区域)的特征分数。可选地,还可以显示示出特征分数位置的地图。可选地,此类地图可以显示任何其它按照惯例可用的特征,诸如示出用于饭店、高尔夫球场、购物中心或其它感兴趣实体的位置。用户然后可以通过选择地图上的另一点、通过拖曳或移动地图显示区域上的特征分数位置或者用任何其它方便方法来移动地图上的特征分数位置。用户还可以改变地图的变焦水平以相对于所显示地图区域提供用于特征分数位置的更多细节或更多上下文。
在另一方面,应用程序可以允许用户搜索具有期望特征分数的点或区域。用户可以将诸如城市、城市的一部分、附近地区或另一区域之类的区域指定为搜索位置。用户然后可以指定用于一个或多个特征的期望阈值分数。然后可以显示具有(一个或多个)足够高的特征分数的搜索位置内的点和/或区域。作为此类方面的变化,用户还可以指定两个或更多区域以便比较各区域之间的特征分数。
一般地,可以按照任何方便的顺序来选择特征分数位置和用于生成特征分数的所选特征。因此,可以在选择用于查看特征分数的感兴趣特征之前选择特征分数位置,或者可以在选择特征之后选择特征分数位置,或者可以在某些特征之前而在其它特征之后选择特征分数位置。在其中定义了采样区域的实施例中,这可以指示用户正在搜索与满足(一个或多个)阈值值的一个或多个特征分数相对应的特征分数位置。在此类实施例中,可以在特征的选择之前、之后或者在之前和之后两者确定采样区域。同样地,可以在采样区域的确定或特征的选择之前和/或之后识别或确定特征阈值。
辅助值的创建
在某些方面,用于多个特征分数的评分模型可以基于同一评分标度。在此类方面,用户可以创建表示可用特征的组合的辅助值。此类辅助特征可以表示可用特征值的加权线性组合。例如,用户可能期望自定义“娱乐”测量结果作为辅助值。用户基于对应于餐饮、现场音乐、电影院以及可及性(区域中的交通和停车的测量)的特征来定义此辅助值。用户可以将这些值与相同权值组合,或者用户可以选择用于每个特征的加权因数以产生期望的加权平均值。这允许用户定义其自己的特征分数并将其个性化。在本示例中,用户可以选择0.5的加权因数用于餐饮、0.2用于现场音乐、0.2用于电影院以及0.1用于可及性。在定义辅助值之后,可以将该辅助值显示为用于任何特征分数位置的另一特征。由于被用来形成辅助值的每个特征的评分模型都被提供了连续函数,所以辅助值也可用于任何期望特征分数位置。
确定密集人口区域中的值的协方差
在某些方面,期望特征可能不具有基本网格区域内的任何已识别数据。这可能是由于特征实际上遗漏而引起的,或者其可能是由于缺少来自被用于获得特征数据的源的可用信息而引起的。针对具有遗漏特征的基本网格区域一种用于处理特征分数的方法是基于存在于其它基本网格区域中的特征来拟合评分模型。如上所述,用于单独基本网格区域的基本函数一般地在相邻或附近基本网格区域中具有非零值。因此,具有遗漏数据的基本网格区域常常将由于来自确实包含已识别特征的其它附近基本网格区域的此重叠而具有非零特征分数。
在具有充分人口密度的区域中,另一选项可以是基于存在于基本网格区域中的其它特征来推断用于基本网格区域的特征数据。可以通过形成协方差矩阵来确定用于特征的潜在推断值。作为初始过滤器,包括在协方差矩阵中的基本网格区域可以局限于具有充分人口密度的区域,因为密集人口区域将被预期具有特征之间的更加可靠的相关性。作为第二过滤器,可以仅仅基于包含已识别特征的基本网格区域来确定用于特征的协方差。换言之,在确定涉及到给定特征的协方差时不使用不包含用于该特征的特征数据的基本网格区域。
可以分析用于多个基本网格区域中的多个特征的特征分数以识别相关性。可以使用用于分析协方差的任何方便的统计方法。作为假定示例,对于加利福尼亚州、俄勒冈州以及华盛顿州中的城市和近郊区(即,充分人口密度)而言,在1—100的范围内具有至少60的餐饮分数的基本网格区域与具有至少40的“酒”分数相关。由于餐饮特征在几乎每个基本网格区域中都有特征数据,所以此协方差可以对于提供特征分数给一般地较少报告的酒特征而言有价值。对于具有充分人口密度、至少60的餐饮分数以及针对酒特征的遗漏值的基本网格区域而言,可以针对该基本网格区域推断用于酒特征的数据。用于推断值的示例可以对应于最小相关性值,其在本示例中为40,或者推断值可以是被用来推断酒值的餐饮值的分数。然后可以如上所述在评分模型的正则化期间将从餐饮和酒特征的协方差导出的此推断值用于具有遗漏酒特征数据的基本网格区域。
示例1—特征分数与搜索结果的结合
在本示例中,用户对在用户不熟悉的城市中找到旅馆感兴趣。用户想要在圣地亚哥选择作为My-Favorite-Hotel旅馆连锁店的一部分的旅馆。
图1示意性地示出了响应于在搜索查询框110中输入搜索查询“圣地亚哥My-Favorite-Hotel”而显示给用户的结果页面的示例。这产生对应于圣地亚哥的My-Favorite-Hotel的不同位置的至少两个响应结果121和126。还可以提供由搜索引擎和/或另一应用程序显示的其它常规结果,诸如其它响应结果131、建议查询134以及赞助结果137。响应结果121和126还包括可以被用户选择以显示关于结果的附加信息的标签122和127。
图2示意性地示出了用户已经选择标签122之后的结果页面的示例。这呈现出侧栏区域140,其示出了关于响应结果121的多种信息。侧栏区域140包括示出结果121中的旅馆周围的本地区域的地图242、用于检查房间可用性的界面144以及特征分数区域。在本示例中,特征分数区域包括用于选择特征分数以进行显示的下拉菜单151。可选地,下拉菜单151可以包括由用户定义的任何辅助值以及用于示出用以创建附加辅助值的界面的选项。特征分数区域还示出已被用户选择以用于显示的两个特征分数154和156。特征分数154提供用于结果121中的旅馆的餐饮分数9,而特征分数156提供用于旅馆结果121的客栈分数。在图2中,将特征分数154和156显示为部分填充环内的数字。这为用户提供了用以理解基于0与10之间的值来计算分数的上下文。请注意,如果期望的话,可以用附加小数位来显示特征分数,诸如显示8.9的餐饮分数和5.2的客栈分数。
图3示意性地示出了用户已经选择标签127之后的结果页面的示例。图3中的结果页面提供与图2中的结果页面类似的信息,但是侧栏信息现在与结果126有关,诸如与结果126中的旅馆的位置有关的地图342。如图3中所示,用于结果122中的旅馆位置的餐饮分数164是10,而客栈分数是8。基于此特征分数信息,用户可以容易地理解结果122中的旅馆附近的饭店和/或酒吧种类更丰富,并且因此是当他在傍晚有空时在商务旅行期间投宿的更好选择。
示例2—用特征分数来过滤搜索结果
在本示例中,特征分数在应用程序、诸如用于识别城市中的期望待售房屋的应用程序内被用于对信息进行过滤。图4示意性地示出了用于显示待售的房屋的地图显示的示例。在图4中,明确示出的位置411、412、413和414表示显示区域内的待售房屋。在图4中,还示意性地描绘了三个附加区域。包含在实线内的区域420表示具有至少7.1的步行接近或可步行性分数的区域(在0.0—10.0的范围内)。点线内的区域430表示具有至少6.0的可及性分数(基于到主干道的接近度)的区域。短划线内的区域440表示具有至少7.5的辅助值的分数的区域。在本示例中指定的辅助值是犯罪频率特征和学校品质特征的平均值。如图4中所示,4个房屋中的仅一个(房屋411)落在附加区域420、430以及440中的全部三个所穿过的地区内。
根据本方面,可以通过突出显示满足所有准则的位置(诸如房屋)来显示图4中所示的信息的类型,其它阴影/色彩被用于满足少于全部的准则的位置。替换地,可以将区域420、430以及440显示为透明遮罩。可以基于特征信息的性质来使用用于与期望搜索对象相组合地将特征信息可视化的其它选项。
示例3—底层特征的显示
图5示出了在移动设备上被显示给用户的地图区域的示例。用户已请求基于用户选择点、诸如用户的当前位置555的用于餐饮的特征分数550的显示。在图5中,还显示诸如标记571和572之类的多个标记。标记571和572对应于被识别为与计算评分模型以产生特征分数550相关的特征。在图5中所示的显示示例中,除示出特征分数550及标记571和572之外,还提供了分别地对应于标记571和572的已识别特征561和562的描述。描述561和562可以包括诸如到用于特征的网站的链接、关于特征的信息、关于特征的评论和/或可能作为搜索结果页面的一部分显示的其它信息之类的项目。
向用户提供示出用于特征分数的底层特征的视图可以为用户提供对特征分数的意义的进一步洞察。例如,用户可以搜索城市内的具有大于阈值值的餐饮分数的区域。已经识别到具有高餐饮分数的区域,用户然后可以集中于那些区域并查看对高餐饮分数有所贡献的底层饭店。这可以允许不熟悉城市或附近地区的用户快速地访问关于各种类型的特征的详细信息。
示例4—区域比较
在本示例中,用户期望比较存在于两个附近区域中的购物品质。用户想要选择具有良好购物品质但具有低交通拥挤的区域。首先,用户定义具有用于购物的0.6的加权和用于交通的0.4的加权的辅助值。用户然后指定被已知具有大型购物中心的两个区域以看到用于辅助值的特征分数。
在本示例中,向用户显示用于所请求的两个区域的地图。在地图下面的是用于用户所请求的辅助值的特征分数的大型显示以及用于形成辅助值的底层特征的特征分数的较小显示。如果期望的话,可以省略底层特征的分数的较小显示。
附加示例
已简要地描述了本发明的各种实施例的概述,现在描述适合于执行本发明的示例性操作环境。一般地参考附图且特别地首先参考图7,示出了用于实现本发明的实施例的示例性操作环境并一般地指定为计算设备700。计算设备700仅仅是适当计算环境的一个示例且并不意图暗示关于本发明的使用或功能范围的任何限制。也不应将计算设备700解释为具有关于所示部件中的任何一个或组合的任何依赖性或要求。
可在计算机代码或机器可用指令(包括诸如程序模块之类的计算机可执行指令)被计算机或诸如个人数字助理或其它手持式设备之类的其它机器执行的一般背景下描述本发明的实施例。一般地,包括例程、程序、对象、部件、数据结构等的程序模块指代执行特定任务或实现特定抽象数据类型的代码。可用多种系统配置来实施本发明,包括手持式设备、消费者电子装置、通用计算机、更专业计算设备等。还可在分布式计算环境中实施本发明,其中由通过通信网络链接的远程处理设备来执行任务。
继续参考图7,计算设备700包括直接地或间接地耦接以下设备的总线710:存储器712、一个或多个处理器714、一个或多个呈现部件716、输入/输出(I/O)端口718、I/O部件720以及说明性电源722。总线710表示一个或多个总线可以是什么(诸如地址总线、数据总线或其组合)。虽然为了明了起见用线示出了图7的各种方框,但实际上,界定各种部件并不如此清楚,并且用比喻,线更准确地将是灰色且模糊的。例如,可以将诸如显示设备之类的呈现部件视为是I/O部件。另外,许多处理器具有存储器。本发明人认识到这是本领域的本质,并且重申图7的图仅仅说明可以结合本发明的一个或多个实施例使用的示例性计算设备。并未在诸如“工作站”、“服务器”、“膝上型计算机”、“手持式设备”、“平板电脑”等种类之间进行区别,因为全部被设想在图7的范围内且称为“计算设备”。
计算设备700通常包括多种计算机可读介质。计算机可读介质可以是可以被计算设备700访问的任何可用介质且包括易失性和非易失性介质、可移动和不可移动介质两者。计算机可读介质可以用来存储任何方便类型的信息,包括可执行指令或软件、获取或生成数据和/或通常被存储以便供处理器使用或者作为来自处理器的输出的任何别的东西。以示例而非限制的方式,计算机可读介质可包括计算机存储介质和通信介质。计算机存储介质包括用用于存储诸如计算机可读指令、数据结构、程序模块或其它数据之类的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、电可擦可编程只读存储器(EEPROM)、闪速存储器或其它存储器技术、CD-ROM、数字多功能磁盘(DVD)或其它全息照相存储器,磁带盒、磁带、磁盘存储器或其它磁存储设备或者可以用来对期望信息进行编码且可以被计算设备700访问的任何其它介质。在实施例中,计算机存储介质可以选自有形计算机存储介质。计算机存储介质的此定义不包括被视为“信号本身”的任何介质。
通信介质通常在诸如载波或其它传输机制之类的调制数据信号中体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传送介质。术语“调制数据信号”意指其特性中的一个或多个被设定或改变以将信息编码到该信号中的信号。以示例而非限制的方式,通信介质包括诸如有线网络或直接有线连接之类的有线介质以及诸如声学、RF、红外及其它无线介质之类的无线介质。任何上述各项的组合也应被包括在计算机可读介质的范围内。
存储器712可以包括易失性和/或非易失性存储器形式的计算机存储介质。存储器可以是可移动的、不可移动的或其组合。示例性硬件设备包括固态存储器、硬盘、光盘驱动等。计算设备700包括一个或多个处理器、其从诸如存储器712或I/O部件720之类的各种实体读取数据。(一个或多个)呈现部件716向用户或其它设备呈现数据指示。示例性呈现部件包括显示设备、扬声器、打印部件、振动部件等。
I/O端口718可以允许计算设备700被逻辑耦接到包括I/O部件720的其它设备,其中的某些可以是内置的。说明性部件可以包括扩音器、操纵杆、游戏板、卫星碟、扫描仪、打印机、无线设备等。I/O部件可以包括接收来自多个输入类型的一个或多个输入类型的部件,所述输入类型诸如触摸输入(例如,触摸或接近于显示接口,而不是基于与键盘或鼠标的交互的显示器上的间接移动)、手势输入、触觉输入、语音输入、接近输入、与诸如上文识别的输入设备之类的辅助输入设备的交互或任何其它方便类型的输入。
另外参考图6,描述了描绘适合于在本发明的实施例中使用的示例性网络环境600的框图。环境600仅仅是可以在本发明的实施例中使用的环境的一个示例,并且可包括采取多种配置的任何数目的部件。在本文中提供的环境600的描述是用于说明性目的且并不意图限制其中可以实现本发明的实施例的环境的配置。
环境600包括网络604、包括用户浏览器616的用户设备606、特征数据获取服务608和评分模型构建器612。评分模型构建器612表示用于将基本函数拟合到基本网格区域且用于更新用于特征的评分模型的主要构建部件。然而,还可以将评分模型构建器614的本地操作版本用于某些特征,诸如受益于实时更新的特征。环境600还包括用于存储对关于基本网格区域的信息的基本网格区域储存器622,所述信息诸如已识别特征数据和用于基本网格区域的(一个或多个)当前基本函数。环境600还可以包括用于保持用于辅助变量的本地用户定义的辅助变量定义部件626。环境还可以包括搜索引擎或服务624。搜索服务624可以以多种方式用特征分数进行工作。在某些方面,可以使用搜索服务来选择特征分数位置。在其它方面,可以基于具有满足阈值值的相应特征分数的结果对被搜索服务识别为响应的结果进行过滤。
网络604包括任何计算机网络,作为示例而非限制,诸如因特网、内部网、私用和公共本地网络以及无线数据或电话网。用户设备606可以是可以从其提供搜索查询的任何计算设备,诸如计算设备700。例如,用户设备606可能是个人计算机、膝上计算机、平板电脑、服务器计算机、无线电话或设备、个人数字助理(PDA)或数字式照相机及其它。评分模型构建器612可以表示在诸如计算设备700之类的任何计算设备上运行并提供上述功能中的某些或全部的构建器。同样地,特征数据获取服务608可以表示在任何类型计算设备上运行的服务,其可以识别和/或通过网络获取可用数据,该可用数据可以被用作特征数据来构造用于特征的评分模型。
图8示出了根据本发明的实施例的用于呈现与地理区域有关的特征分数的方法的示例。在图8中所示的实施例中,获取810用于多个基本网格区域内的一个或多个特征的数据。针对所述一个或多个特征中的每个特征,基于所述多个基本网格区域中的所获取特征数据而生成评分模型。该评分模型包括所述多个基本网格区域内的连续评分模型。然后确定830特征分数位置,所确定的特征分数位置被包含在所述一个或多个基本网格区域内。还接收840特征的选择。然后对与所选特征相关联的评分模型进行采样850以确定特征分数。显示860包括所确定特征分数位置的至少一部分的地图。然后呈现870基于所确定特征分数的特征分数。基于所确定特征分数的特征分数可以是例如由用户定义的辅助值,其基于用于两个或更多特征的评分模型的采样。可以例如与所显示地图相关联地和/或与用于所显示地图中的点或区域的附加描述相关联地显示特征分数。
图9示出了根据本发明的另一实施例的提供了用于呈现与地理区域有关的特征分数的方法的示例。在图9中所示的实施例中,确定910特征分数位置。可以基于定义点或区域的用户输入来确定特征分数位置。另一选项是基于用户上下文(诸如当前用户位置)来推断特征分数位置。另一选项是基于用于搜索查询的响应结果的位置来确定特征分数位置。还接收920一个或多个特征的选择。每个所选特征与至少一个评分模型相关联。与所选特征相关联的(一个或多个)评分模型是在一个或多个基本网格区域内定义的(一个或多个)连续评分模型。所确定特征分数位置被包含在一个或多个基本网格区域内。应注意的是在各种实施例中,可以在特征分数位置的确定910之前、之后或者之前和之后两者选择特征。然后对与每个所选特征相关联的所述至少一个评分模型进行采样930以确定用于一个或多个所选特征的特征分数。该采样可以对应于对单个点进行采样、对区域内(诸如边界形状内)的多个点进行采样或者在期望区域内对评分模型求积分。显示940包括所确定特征分数位置的至少一部分的地图。然后诸如与所显示地图相关联地和/或与用于所显示地图中的点或区域的附加描述相关联地呈现950所选特征的特征分数。
图10示出了根据本发明的另一实施例的用于呈现与地理区域有关的特征分数的方法的示例。在图10中所示的实施例中,确定1010采样区域。该采样区域可以对应于例如由用户指定的区域,在该区域中用户想要识别具有满足阈值值的特征分数的特征分数位置。还接收1020一个或多个特征的选择。优选地,每个所选特征与至少一个评分模型相关联。优选地,评分模型包括一个或多个基本网格区域上的连续评分模型。所确定采样区域可以被包含在一个或多个基本网格区域内。还针对一个或多个所选特征接收1030特征阈值。然后对与每个所选特征相关联的所述至少一个评分模型进行采样1040以识别采样区域内的至少一个特征分数位置,其针对一个或多个所选特征具有满足接收特征阈值的特征分数。显示1050包括所述至少一个特征分数位置的地图。请注意,可以在特征分数位置的识别之前显示地图。然后呈现1060所显示地图上的所述至少一个已识别特征分数位置的指示符。
已相对于特定实施例描述了本发明的实施例,这些实施例在所有方面意图是说明性而非限制性的。在不脱离本发明的范围的情况下,替换实施例将变得对于本发明所属领域的技术人员而言显而易见。
在实施例中,提供了一种用于呈现与地理区域有关的特征分数的方法。该方法包括确定特征分数位置;接收一个或多个特征的选择,每个所选特征与至少一个评分模型相关联,与所选特征相关联的评分模型包括在一个或多个基本网格区域上定义的连续评分模型,所确定特征分数位置被包含在一个或多个基本网格区域内;对与每个所选特征相关联的所述至少一个评分模型进行采样以确定用于一个或多个所选特征的特征分数;显示包括所确定特征分数位置的至少一部分的地图;以及呈现所选特征的特征分数。
在另一实施例中,提供了一种用于呈现与地理区域有关的特征分数的方法。该方法包括确定采样区域;接收一个或多个特征的选择,每个所选特征与至少一个评分模型相关联,评分模型包括一个或多个基本网格区域内的连续评分模型,所确定采样区域被包含在一个或多个基本网格区域内;接收用于一个或多个所选特征的特征阈值;对与每个所选特征相关联的所述至少一个评分模型进行采样以识别采样区域内的至少一个特征分数位置,其具有满足所接收的特征阈值的一个或多个所选特征的特征分数;显示包括所述至少一个特征分数位置的地图;以及呈现所显示地图上的所述至少一个已识别特征分数位置的指示符。
在另一实施例中,提供了一种用于呈现与地理区域有关的特征分数的方法。该方法包括获取用于多个基本网格区域内的一个或多个特征的数据;针对所述一个或多个特征中的每一个特征基于所述多个基本网格区域中的所获取特征数据来生成评分模型,该评分模型包括所述多个基本网格区域内的连续评分模型;确定特征分数位置,所确定特征分数位置被包含在一个或多个基本网格区域内;接收特征的选择;对与所选特征相关联的评分模型进行采样以确定特征分数;显示包括所确定特征分数位置的至少一部分的地图;以及基于所确定特征分数来呈现特征分数。
根据前述内容,将看到本发明是非常适合于达到上文阐述的所有目标和目的以及显而易见且为结构所固有的其它优点。
将理解的是某些特征和子组合具有实用性,并且可在不参考其它特征和子组合的情况下采用。这可被权利要求的范围设想且在权利要求的范围内。
Claims (10)
1.存储计算机可用指令的一个或多个计算机存储介质,该计算机可用指令在被计算设备执行时执行一种用于呈现与地理区域有关的特征分数的方法,包括:
确定特征分数位置;
接收一个或多个特征的选择,每个所选特征与至少一个评分模型相关联,与所选特征相关联的评分模型包括在一个或多个基本网格区域上定义的连续评分模型,所确定特征分数位置被包含在一个或多个基本网格区域内;
对与每个所选特征相关联的所述至少一个评分模型进行采样以确定用于一个或多个所选特征的特征分数;
显示包括所确定特征分数位置的至少一部分的地图;以及
呈现所选特征的特征分数。
2.权利要求1的计算机存储介质,其中,所述特征分数位置包括边界形状内的点或区域、与搜索查询的响应结果相关联的位置或其组合中的至少一个。
3.权利要求1的计算机存储介质,其中,基于将连续评分模型拟合到基本网格区域内的一个或多个特征、将连续评分模型拟合到与基本网格区域中的特征相关联的一个或多个基本函数或其组合而在基本网格区域上定义连续评分模型。
4.权利要求1的计算机存储介质,其中,基本网格区域内的一个或多个特征包括社交媒体特征,其中,可选地,至少一个社交媒体特征对应于用于实体或地理区域的签到特征、用于实体或地理区域的喜欢特征或其组合。
5.权利要求1的计算机存储介质,其中,对评分模型进行采样包括
a)在对应于所确定特征分数位置的区域上对评分模型求积分,并将积分值除以对应于所确定特征分数位置的区域,
b)确定边界形状内对应于特征分数位置的多个点处的评分模型的值,
c)将所述多个点处的评分模型值加和并除以对应于所述多个点的数量,或者
d)其组合。
6.权利要求1的计算机存储介质,其中,至少一个所选特征包括辅助值,用于该辅助值的特征分数是基于两个或更多评分模型的采样而确定的。
7.存储计算机可用指令的一个或多个计算机存储介质,该计算机可用指令在被计算设备执行时执行一种用于呈现与地理区域有关的特征分数的方法,包括:
确定采样区域,该采样区域可选地包括预定义地理区域、边界形状内的区域或其组合;
接收一个或多个特征的选择,每个所选特征与至少一个评分模型相关联,评分模型包括一个或多个基本网格区域内的连续评分模型,所确定采样区域被包含在一个或多个基本网格区域内;
接收用于一个或多个所选特征的特征阈值;
对与每个所选特征相关联的所述至少一个评分模型进行采样以识别采样区域内的至少一个特征分数位置,其具有满足接收特征阈值的一个或多个所选特征的特征分数;
显示包括所述至少一个特征分数位置的地图;以及
呈现所显示地图上的所述至少一个已识别特征分数位置的指示符。
8.权利要求7的计算机存储介质,其中,呈现所述至少一个特征分数位置的指示符包括显示与其中每个特征满足特征阈值的区域相对应的区域。
9.一种用于呈现与地理区域有关的特征分数的方法,包括:
获取用于多个基本网格区域内的一个或多个特征的数据;
针对所述一个或多个特征中的每一个特征基于所述多个基本网格区域中的所获取特征数据来生成评分模型,该评分模型包括所述多个基本网格区域内的连续评分模型;
确定特征分数位置,所确定特征分数位置被包含在一个或多个基本网格区域内;
接收特征的选择;
对与所选特征相关联的评分模型进行采样以确定特征分数;
显示包括所确定特征分数位置的至少一部分的地图;以及
基于所确定特征分数来呈现特征分数。
10.权利要求9的方法,其中,基于将评分模型拟合到与基本网格区域中的特征相关联的一个或多个基本函数来产生评分模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/905,025 US9471693B2 (en) | 2013-05-29 | 2013-05-29 | Location awareness using local semantic scoring |
US13/905025 | 2013-05-29 | ||
PCT/US2014/039632 WO2014193860A2 (en) | 2013-05-29 | 2014-05-28 | Location awareness using local semantic scoring |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105229595A true CN105229595A (zh) | 2016-01-06 |
CN105229595B CN105229595B (zh) | 2018-12-18 |
Family
ID=51059578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480031169.1A Active CN105229595B (zh) | 2013-05-29 | 2014-05-28 | 使用本地语义评分进行位置感知的系统、方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9471693B2 (zh) |
EP (1) | EP3005076A4 (zh) |
KR (1) | KR102246913B1 (zh) |
CN (1) | CN105229595B (zh) |
WO (1) | WO2014193860A2 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9754328B2 (en) * | 2013-08-08 | 2017-09-05 | Academia Sinica | Social activity planning system and method |
CN105683954B (zh) * | 2013-09-13 | 2021-02-09 | 基思·菲什伯格 | 设施、特殊服务及食品/饮料搜索和购买预订系统 |
US10359532B2 (en) * | 2014-12-10 | 2019-07-23 | Schlumberger Technology Corporation | Methods to characterize formation properties |
US9639873B2 (en) * | 2015-03-23 | 2017-05-02 | Paypal, Inc. | Analyzing user-preferred characteristics among merchants |
US10831790B2 (en) | 2018-01-25 | 2020-11-10 | International Business Machines Corporation | Location based data mining comparative analysis index |
US11328019B2 (en) * | 2020-04-03 | 2022-05-10 | International Business Machines Corporation | Providing causality augmented information responses in a computing environment |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025737A (zh) * | 2006-02-22 | 2007-08-29 | 王东 | 基于关注度的同源信息搜索引擎聚合显示方法及相关系统 |
US20090089149A1 (en) * | 2007-09-28 | 2009-04-02 | Lerner Matthew R | Systems, techniques, and methods for providing location assessments |
CN101501688A (zh) * | 2006-06-12 | 2009-08-05 | 沙力股份有限公司 | 搜索内容的方法和装置 |
CN102509510A (zh) * | 2011-10-25 | 2012-06-20 | 浙江大学 | 一种电子地图图例内容的交互式自动更新方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AP9701084A0 (en) * | 1995-03-22 | 1997-10-31 | Idt International Digital Tech Deutschland Gmbh | Method and apparatus for coordination of motion determination over multiple frames. |
ATE376167T1 (de) * | 2003-08-05 | 2007-11-15 | Harman Becker Automotive Sys | Verfahren zum verarbeiten von digitalen kartendaten |
US7627425B2 (en) * | 2004-11-26 | 2009-12-01 | Microsoft Corporation | Location aware mobile-device software development |
WO2008092147A2 (en) | 2007-01-26 | 2008-07-31 | Information Resources, Inc. | Analytic platform |
US7809721B2 (en) | 2007-11-16 | 2010-10-05 | Iac Search & Media, Inc. | Ranking of objects using semantic and nonsemantic features in a system and method for conducting a search |
US20110087685A1 (en) | 2009-10-09 | 2011-04-14 | Microsoft Corporation | Location-based service middleware |
US8452109B2 (en) * | 2010-01-11 | 2013-05-28 | Tandent Vision Science, Inc. | Image segregation system with method for handling textures |
US8898173B1 (en) * | 2010-05-14 | 2014-11-25 | Google Inc. | Ranking location search results based on multiple distance measures |
US20130035853A1 (en) * | 2011-08-03 | 2013-02-07 | Google Inc. | Prominence-Based Generation and Rendering of Map Features |
-
2013
- 2013-05-29 US US13/905,025 patent/US9471693B2/en active Active
-
2014
- 2014-05-28 WO PCT/US2014/039632 patent/WO2014193860A2/en active Application Filing
- 2014-05-28 KR KR1020157036995A patent/KR102246913B1/ko active IP Right Grant
- 2014-05-28 CN CN201480031169.1A patent/CN105229595B/zh active Active
- 2014-05-28 EP EP14734628.2A patent/EP3005076A4/en not_active Ceased
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025737A (zh) * | 2006-02-22 | 2007-08-29 | 王东 | 基于关注度的同源信息搜索引擎聚合显示方法及相关系统 |
CN101501688A (zh) * | 2006-06-12 | 2009-08-05 | 沙力股份有限公司 | 搜索内容的方法和装置 |
US20090089149A1 (en) * | 2007-09-28 | 2009-04-02 | Lerner Matthew R | Systems, techniques, and methods for providing location assessments |
CN102509510A (zh) * | 2011-10-25 | 2012-06-20 | 浙江大学 | 一种电子地图图例内容的交互式自动更新方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3005076A2 (en) | 2016-04-13 |
EP3005076A4 (en) | 2017-01-11 |
KR102246913B1 (ko) | 2021-04-29 |
KR20160015301A (ko) | 2016-02-12 |
CN105229595B (zh) | 2018-12-18 |
WO2014193860A3 (en) | 2015-10-29 |
US20140358897A1 (en) | 2014-12-04 |
WO2014193860A2 (en) | 2014-12-04 |
US9471693B2 (en) | 2016-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101606039B (zh) | 根据用户参数的动态地图呈现 | |
CN101578626B (zh) | 用于在地图绘制应用程序中显示模式信息的方法和系统 | |
Zhang et al. | Uncovering inconspicuous places using social media check-ins and street view images | |
CN102661748B (zh) | 虚拟地球的屋顶覆盖和定界 | |
Goodchild | Geographic information systems and science: today and tomorrow | |
Hu et al. | Extracting and understanding urban areas of interest using geotagged photos | |
CN102063512B (zh) | 虚拟地球 | |
KR101213868B1 (ko) | 가상 세계 | |
CN101578625A (zh) | 地图信息的动态呈现 | |
US9671237B1 (en) | Optimized generation of navigation instructions based on computed parking probability values | |
US20150363700A1 (en) | Discovering Functional Groups of an Area | |
CN101427104A (zh) | 虚拟地球 | |
CN105229595A (zh) | 使用本地语义评分的位置感知 | |
JP6602774B2 (ja) | ジオフェンスのプロビジョニングのための方法および装置 | |
CN102939603B (zh) | 偏好堆栈 | |
CN110276008A (zh) | 一种基于用户旅行决策过程的景点推荐方法及装置 | |
Vysotsky et al. | Online tourism system for proposals formation to user based on data integration from various sources | |
Wang et al. | Vitality continuation or over-commercialization? Spatial structure characteristics of commercial services and population agglomeration in historic and cultural areas | |
KR20140079643A (ko) | 컴퓨터 판독이 가능한 기록 매체, 지도 정보를 이용한 쇼핑 서비스 제공 시스템 및 그 방법 | |
KR102078619B1 (ko) | 위치기반 정보탐색 방법 및 시스템 | |
CN107969157A (zh) | 向用户提供内容项目 | |
CN113220814A (zh) | 一种将地摊信息与地理空间相连接形成地摊地图的方法 | |
Ahmed et al. | Places representation on social media–A study to analyze the differences between the virtual communities and the offline environment | |
Alessandra et al. | Indicators as Mediators for Environmental Decision Making: The Case Study of Alessandria. | |
Ahmed et al. | Places’ representation on social media’ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |