CN106991159A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取地理信息点序列集合和该地理信息点序列集合中的每一个地理信息点序列的标识所组成的标识集合；对于该地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列；利用机器学习方法，基于该标识集合和所生成的各个元素序列，学习得到针对该标识集合中的各个标识的矩阵；对于该标识集合中的每一个标识，基于该标识和该矩阵，生成该标识所指示的地理信息点序列所属的用户的信息。该实施方式实现了富于针对性的信息生成。

Description

用于生成信息的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

随着移动定位设备的出现，用户越来越多的轨迹数据可以被采集到。轨迹数据被广泛认为可以多角度的刻画用户的行为，对理解用户的特点和倾向等具有重要作用。并且从轨迹数据中提取出的用于表征用户的特点、倾向等的信息可以应用于征信建模、信息推送等。

然而，轨迹数据具有非结构化、数据量巨大、语义不明确等缺点。比如，对于一个用户，该用户的轨迹数据仅仅是一串二维平面的坐标点，很难直接提取出该轨迹数据所表达的用户信息。因此，如何有效地基于轨迹数据生成该轨迹数据所属的用户的信息，是一个值得研究的问题。

发明内容

本申请的目的在于提出一种改进的用于生成信息的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取地理信息点序列集合和所述地理信息点序列集合中的每一个地理信息点序列的标识所组成的标识集合；对于上述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，其中，上述元素序列中的每一个元素对应该地理信息点序列中的至少一个地理信息点；利用机器学习方法，基于上述标识集合和所生成的各个元素序列，学习得到针对上述标识集合中的各个标识的矩阵；对于上述标识集合中的每一个标识，基于该标识和上述矩阵，生成该标识所指示的地理信息点序列所属的用户的信息。

在一些实施例中，上述对于上述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，包括：对于上述地理信息点序列集合中的每一个地理信息点序列，对于该地理信息点序列中的每一个地理信息点，从预先存储的、所包含的兴趣点设置有标识的兴趣点集合中提取出与该地理信息点的直线距离最短的兴趣点，将上述兴趣点的标识作为与该地理信息点对应的元素，将与该地理信息点序列中的各个地理信息点分别对应的元素所组成的元素序列作为与该地理信息点序列对应的元素序列。

在一些实施例中，上述对于上述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，包括：对于上述地理信息点序列集合中的每一个地理信息点序列，从预置区域标识集合中提取出该地理信息点序列中的各个地理信息点所在的区域的区域标识，将所提取出的各个区域标识所组成的序列作为与该地理信息点序列对应的元素序列，其中，上述预置区域标识集合包括该地理信息点序列中的每个地理信息点所在的区域的区域标识。

在一些实施例中，上述对于上述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，包括：对于上述地理信息点序列集合中的每一个地理信息点序列，从预置网格标识集合中提取出该地理信息点序列中的各个地理信息点所在的网格的网格标识，将所提取出的各个网格标识所组成的序列作为与该地理信息点序列对应的元素序列，其中，上述预置网格标识集合是预先对二维空间进行网格划分所划分出的各个网格的网格标识的集合。

在一些实施例中，上述利用机器学习方法，基于上述标识集合和所生成的各个元素序列，学习得到针对上述标识集合中的各个标识的矩阵，包括：对于上述各个元素序列中的每一个元素序列，将该元素序列作为待处理元素序列，将上述标识集合中的与上述待处理元素序列对应的标识作为待处理标识，执行以下处理步骤：将上述待处理元素序列映射为向量序列，以及将上述待处理标识映射为向量得到标识向量；利用预置元素转换矩阵对上述向量序列中的各个向量进行转换得到第一向量序列，以及利用预置标识转换矩阵对上述标识向量进行转换得到第一标识向量；通过执行以下步骤至少一次以从上述第一向量序列中提取出至少一个子向量序列：从第一向量序列中连续取出预设数目个向量，右移一位再连续取出预设数目个向量，将取出的各个向量组成子向量序列；对于上述至少一个子向量序列中的每一个子向量序列，将该子向量序列中的各个向量和上述第一标识向量的平均值作为与该子向量序列相关联的第一向量，利用预置向量转换矩阵对上述第一向量进行转换得到第一转换向量，通过预置取值分布预测模型对上述第一转换向量的取值分布进行预测，以对上述预置标识转换矩阵进行优化，其中，上述预置取值分布预测模型用于表征第一转换向量和取值分布的对应关系；将优化后的上述预置标识转换矩阵作为上述矩阵。

在一些实施例中，上述将上述待处理元素序列映射为向量序列，以及将上述待处理标识映射为向量得到标识向量，包括：采用独热编码，以将上述待处理元素序列映射为向量序列，以及将上述待处理标识映射为向量得到标识向量。

第二方面，本申请提供了一种用于生成信息的装置，该装置包括：获取单元，配置用于获取地理信息点序列集合和上述地理信息点序列集合中的每一个地理信息点序列的标识所组成的标识集合；第一生成单元，配置用于对于上述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，其中，上述元素序列中的每一个元素对应该地理信息点序列中的至少一个地理信息点；学习单元，配置用于利用机器学习方法，基于上述标识集合和所生成的各个元素序列，学习得到针对上述标识集合中的各个标识的矩阵；第二生成单元，配置用于对于上述标识集合中的每一个标识，基于该标识和上述矩阵，生成该标识所指示的地理信息点序列所属的用户的信息。

在一些实施例中，上述第一生成单元包括：第一生成子单元，配置用于对于上述地理信息点序列集合中的每一个地理信息点序列，对于该地理信息点序列中的每一个地理信息点，从预先存储的、所包含的兴趣点设置有标识的兴趣点集合中提取出与该地理信息点的直线距离最短的兴趣点，将上述兴趣点的标识作为与该地理信息点对应的元素，将与该地理信息点序列中的各个地理信息点分别对应的元素所组成的元素序列作为与该地理信息点序列对应的元素序列。

在一些实施例中，上述第一生成单元包括：第二生成子单元，配置用于对于上述地理信息点序列集合中的每一个地理信息点序列，从预置区域标识集合中提取出该地理信息点序列中的各个地理信息点所在的区域的区域标识，将所提取出的各个区域标识所组成的序列作为与该地理信息点序列对应的元素序列，其中，上述预置区域标识集合包括该地理信息点序列中的每个地理信息点所在的区域的区域标识。

在一些实施例中，上述第一生成单元包括：第三生成子单元，配置用于对于上述地理信息点序列集合中的每一个地理信息点序列，从预置网格标识集合中提取出该地理信息点序列中的各个地理信息点所在的网格的网格标识，将所提取出的各个网格标识所组成的序列作为与该地理信息点序列对应的元素序列，其中，上述预置网格标识集合是预先对二维空间进行网格划分所划分出的各个网格的网格标识的集合。

在一些实施例中，上述学习单元包括：学习子单元，配置用于对于上述各个元素序列中的每一个元素序列，将该元素序列作为待处理元素序列，将上述标识集合中的与上述待处理元素序列对应的标识作为待处理标识，执行以下处理步骤：将上述待处理元素序列映射为向量序列，以及将上述待处理标识映射为向量得到标识向量；利用预置元素转换矩阵对上述向量序列中的各个向量进行转换得到第一向量序列，以及利用预置标识转换矩阵对上述标识向量进行转换得到第一标识向量；通过执行以下步骤至少一次以从上述第一向量序列中提取出至少一个子向量序列：从第一向量序列中连续取出预设数目个向量，右移一位再连续取出预设数目个向量，将取出的各个向量组成子向量序列；对于上述至少一个子向量序列中的每一个子向量序列，将该子向量序列中的各个向量和上述第一标识向量的平均值作为与该子向量序列相关联的第一向量，利用预置向量转换矩阵对上述第一向量进行转换得到第一转换向量，通过预置取值分布预测模型对上述第一转换向量的取值分布进行预测，以对上述预置标识转换矩阵进行优化，其中，上述预置取值分布预测模型用于表征第一转换向量和取值分布的对应关系；矩阵确定子单元，配置用于将优化后的上述预置标识转换矩阵作为上述矩阵。

在一些实施例中，上述学习子单元包括：映射模块，配置用于采用独热编码，以将上述待处理元素序列映射为向量序列，以及将上述待处理标识映射为向量得到标识向量。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，上述程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成信息的方法和装置，通过获取地理信息点序列集合和该地理信息点序列集合中的每个地理信息点序列的标识所组成的标识集合，以便对该地理信息点序列集合中的每一个地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列。而后利用机器学习方法，基于该标识集合和所生成的各个元素序列，学习得到针对该标识集合中的各个标识的矩阵。最后基于该标识集合中的每一个标识和该矩阵，生成该标识所指示的地理信息点序列所属的用户的信息。从而有效利用了用户线下行为的信息(即上述地理信息点序列集合和上述标识集合)以及无监督的机器学习方法，实现了富于针对性的信息生成。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102，网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102通过网络103与服务器104交互，以接收或发送信息等。例如，服务器104通过网络103向终端设备101、102发送定位信息发送指令，终端设备101、102响应于该指令，可以将该用户的定位信息(例如在某个时间段的地理信息点序列和该地理信息点序列的标识)通过网络103发送给服务器104。终端设备101、102上可以安装有支持定位功能的各种客户端应用，例如社交类应用、游戏类应用、定位应用等。

终端设备101、102可以是支持定位功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV，动态影像专家压缩标准音频层面4)播放器等等。

服务器104可以是提供各种服务器的服务器，例如对终端设备101、102所属的用户的定位信息进行处理，还可以将处理结果(例如基于该定位信息所生成的该用户的信息)进行存储，或发送给与服务器104通信连接的其它服务器(图中未示出)。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器104执行，相应地，用于生成信息的装置一般设置于服务器104中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取地理信息点序列集合和地理信息点序列集合中的每一个地理信息点序列的标识所组成的标识集合。

在本实施例中，上述地理信息点序列集合和上述标识集合可以预先存储在用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器104)本地，也可以预先存储在与该电子设备远程通信连接的服务器中，该电子设备可以从本地或该服务器获取上述地理信息点序列集合和上述标识集合。这里，地理信息点序列可以是用户的某条历史轨迹数据中的各个坐标点所形成的序列，也可以是该条历史轨迹数据中的、在某个时间段的坐标点所形成的序列。一个地理信息点可以表征用户在某个时间点的位置信息。需要指出的是，上述地理信息点序列集合包含的各个地理信息点序列分别所属的用户可以互不相同。对于上述地理信息点序列集合中的每一个地理信息点序列，该地理信息点序列的标识可以为该地理信息点序列所属用户的用户标识。

在本实施例的一些可选的实现方式中，与上述电子设备通信连接的终端设备(例如图1所示的终端设备101、102)上可以存储有持有该终端设备的用户的地理信息点序列和地理信息点序列的标识。上述电子设备可以从所连接的各个终端设备分别获取地理信息点序列和该地理信息点序列的标识，以生成上述地理信息点序列集合和上述标识集合。

步骤202，对于地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列。

在本实施例中，在获取到上述地理信息点序列集合和上述标识集合后，对于上述地理信息点序列集合中的每一个地理信息点序列，上述电子设备可以对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列。其中，该元素序列中的每一个元素对应该地理信息点序列中的至少一个地理信息点。

在本实施例中，上述电子设备可以按照兴趣点(point of interest，POI)对该地理信息点序列中的地理信息点进行聚类，其中，该兴趣点设置有标识。例如将该地理信息点序列中的、所对应的兴趣点为同一个兴趣点的地理信息点归入同一个地理信息点组，将该兴趣点的标识作为该地理信息点组的类别标签。上述电子设备可以将针对该地理信息点序列所确定的各个类别标签生成类别标签序列，将该类别标签序列作为与该地理信息点序列对应的元素序列。这里，兴趣点可以是具有标志性的地点的坐标点，具有标志性的地点可以例如是加油站、百货公司、超市、餐厅、酒店、便利商店、医院、公园、车站、停车场等等。需要说明的是，上述电子设备可以将该地理信息点序列导入预先训练的POI到访推断模型来预测与该地理信息点序列中的每一个地理信息点对应的兴趣点。其中，上述POI到访推断模型可以用于表征地理信息点和兴趣点的对应关系。

在本实施例的一些可选的实现方式中，对于上述地理信息点序列集合中的每一个地理信息点序列，对于该地理信息点序列中的每一个地理信息点，上述电子设备可以从预先存储的、所包含的兴趣点设置有标识的兴趣点集合中提取出与该地理信息点的直线距离最短的兴趣点，将该兴趣点的标识作为与该地理信息点对应的元素。上述电子设备可以将与该地理信息点序列中的各个地理信息点分别对应的元素所组成的元素序列作为与该地理信息点序列对应的元素序列。这里，该元素序列所包含的各个元素可以互不相同。作为示例，某一个地理信息点序列包括的各个地理信息点依次为A1、A2、A3、A4，与地理信息点A1、A2的直线距离最短的兴趣点为B1，与地理信息点A3的直线距离最短的兴趣点为B2，与地理信息点A4的直线距离最短的兴趣点为B3，兴趣点B1、B2、B3的标识分别为P1、P2、P3，那么所生成的与该地理信息点序列对应的元素序列所包含的各个元素依次为P1、P2、P3。需要说明的是，上述兴趣点集合可以预先存储在上述电子设备本地或与上述电子设备远程通信连接的服务器中。

在本实施例的一些可选的实现方式中，对于上述地理信息点序列集合中的每一个地理信息点序列，上述电子设备可以从预置区域标识集合中提取出该地理信息点序列中的各个地理信息点所在的区域的区域标识，将所提取出的各个区域标识所组成的序列作为与该地理信息点序列对应的元素序列。其中，该元素序列所包含的各个元素可以互不相同。该预置区域标识集合可以包括该地理信息点序列中的每个地理信息点所在的区域的区域标识。这里，一个区域可以是一个村庄，可以是一个乡镇，还可以是一座城市等，本实施例不对此方面内容做任何限定。需要指出的是，上述预置区域标识集合可以预先存储在上述电子设备本地或与上述电子设备远程通信连接的服务器中。

在本实施例的一些可选的实现方式中，对于上述地理信息点序列集合中的每一个地理信息点序列，上述电子设备可以从预置网格标识集合中提取出该地理信息点序列中的各个地理信息点所在的网格的网格标识，将所提取出的各个网格标识所组成的序列作为与该地理信息点序列对应的元素序列。其中，该元素序列所包含的各个元素可以互不相同。上述预置网格标识集合可以是预先对二维空间进行网格划分所划分出的各个网格的网格标识的集合。上述预置网格标识集合可以预先存储在上述电子设备本地或与上述电子设备远程通信连接的服务器中。

步骤203，利用机器学习方法，基于标识集合和所生成的各个元素序列，学习得到针对标识集合中的各个标识的矩阵。

在本实施例中，上述电子设备可以利用机器学习方法，基于上述标识集合和步骤202所生成的各个元素序列，学习得到针对上述标识集合中的各个标识的矩阵。例如上述电子设备可以利用机器学习方法中的无监督的句子编码器模型Skip-Thoughts，将每一个元素序列和与该元素序列对应的标识输入Skip-Thoughts模型，使Skip-Thoughts模型学习将输入的该元素序列和该标识分别编码成固定维度的向量表示，在学习的过程中得到上述矩阵。这里，Skip-Thoughts模型是一个开源的句子编码器模型，可以学习将输入的句子编码成固定维度的向量表示，可以用于语义相关性、释义检测、句子情绪分类等任务。需要指出的是，由于Skip-Thoughts模型是目前广泛研究和应用的公知技术，在此不再赘述。

在本实施例的一些可选的实现方式中，对于上述各个元素序列中的每一个元素序列，上述电子设备可以将该元素序列作为待处理元素序列，将上述标识集合中的与该待处理元素序列对应的标识作为待处理标识，上述电子设备可以执行以下处理步骤：将该待处理元素序列映射为向量序列，以及将该待处理标识映射为向量得到标识向量；利用预置元素转换矩阵对该向量序列中的各个向量进行转换得到第一向量序列，以及利用预置标识转换矩阵对该标识向量进行转换得到第一标识向量；通过执行以下步骤至少一次以从该第一向量序列中提取出至少一个子向量序列：从该第一向量序列中连续取出预设数目个向量，右移一位再连续取出预设数目个向量，将取出的各个向量组成子向量序列；对于该至少一个子向量序列中的每一个子向量序列，将该子向量序列中的各个向量和该第一标识向量的平均值作为与该子向量序列相关联的第一向量，利用预置向量转换矩阵对该第一向量进行转换得到第一转换向量，通过预置取值分布预测模型对该第一转换向量的取值分布进行预测，以对该预置标识转换矩阵进行优化，其中，该预置取值分布预测模型用于表征第一转换向量和取值分布的对应关系。对于上述各个元素序列和上述标识集合，上述电子设备在执行完上述处理步骤后，上述电子设备可以将优化后的上述预置标识转换矩阵作为针对上述标识集合中的各个标识的上述矩阵。

这里，上述电子设备可以采用独热编码(即One-Hot编码)，以将上述待处理元素序列映射为向量序列，以及将上述待处理标识映射为向量得到标识向量。需要指出的是，独热编码又称为一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。由于独热编码是目前广泛研究和应用的公知技术，在此不再赘述。需要指出的是，上述预置元素转换矩阵、上述预置标识转换矩阵和上述预置向量转换矩阵可以是人为设置的，也可以是上述电子设备利用预置算法生成的，本实施例不对此方面内容做任何限定。

上述预置取值分布预测模型可以是softmax回归模型。Softmax回归模型是Logistic回归模型在多分类问题上的推广。Softmax回归是有监督的，其可以与无监督学习方法相结合。这里，Logistic回归模型是一种广义的线性回归分析模型，常用于数据挖掘，经济预测等领域。上述电子设备可以通过Softmax回归模型来预测上述第一转换向量的取值分布，以实现对上述子向量序列中被剔除的向量(例如，该子向量序列所包含的各个向量依次为P1、P2、P4、P5，与该子向量序列对应的第一向量序列所包含的各个向量依次为P1、P2、P3、P4、P5，则该子向量序列中被剔除的向量为P3)的预测。如果对上述第一转换向量的取值分布进行预测所预测出的数值不是指向该被剔除的向量，上述电子设备可以通过交叉熵(Cross-Entropy)算法来学习上述预置标识转换矩阵中的参数，使用梯度下降方法来训练上述预置标识转换矩阵中的参数，以实现对上述预置标识转换矩阵的优化，来达到对该被剔除的向量的正确预测。

交叉熵算法常用于稀有事件的仿真建模、多峰函数的最优化等问题。交叉熵技术已用于解决经典的旅行商问题、背包问题、最短路径问题、最大割问题等。梯度下降方法是一个最优化算法，通常也称为最速下降法。梯度下降方法是求解无约束优化问题最简单和最古老的方法之一，是用负梯度方向为搜索方向。梯度下降方法越接近目标值，步长越小，前进越慢。梯度下降方法常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。

需要说明的是，上述softmax回归模型、Logistic回归模型、交叉熵算法、梯度下降方法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤204，对于标识集合中的每一个标识，基于该标识和矩阵，生成该标识所指示的地理信息点序列所属的用户的信息。

在本实施例中，上述电子设备在得到上述矩阵后，对于上述标识集合中的每一个标识，上述电子设备可以基于该标识和上述矩阵，生成该标识所指示的地理信息点序列所属的用户的信息。例如，将对该标识进行独热编码所得的标识向量与该矩阵的乘积作为该用户的信息，或生成用于表征该标识和上述矩阵的对应关系的信息作为该用户的信息，本实施例不对此方面内容做任何限定。

可选地，对于步骤204所生成的每一条信息，上述电子设备可以将该信息和该信息所属的用户的用户标识相关联地存储至本地或与上述电子设备远程通信连接的服务器。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器301可以定期地本地获取地理信息点序列集合302和地理信息点序列集合302中的每一个地理信息点序列的标识所组成的标识集合303，其中，地理信息点序列集合302包括3个地理信息点序列。之后，对于地理信息点序列集合302中的每一个地理信息点序列，服务器301可以将该地理信息点序列中的各个地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，例如所生成的与地理信息点序列集合302中的各个地理信息点序列分别对应的元素序列为3021、3022、3023。而后，服务器301可以利用机器学习方法304，基于标识集合303和元素序列3021、3022、3023，学习得到针对标识集合303中的各个标识的矩阵305。最后，对于标识集合303中的每一个标识，服务器301可以基于该标识和矩阵305，生成该标识所指示的地理信息点序列所属的用户的信息，例如所生成的与标识集合303中的各个标识分别对应的信息为306、307、308。

本申请的上述实施例提供的方法有效利用了用户线下行为的信息(即上述地理信息点序列集合和上述标识集合)以及无监督的机器学习方法，实现了富于针对性的信息生成。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例所示的用于生成信息的装置400包括：获取单元401、第一生成单元402、学习单元403和第二生成单元404。其中，获取单元401配置用于获取地理信息点序列集合和上述地理信息点序列集合中的每一个地理信息点序列的标识所组成的标识集合；第一生成单元402配置用于对于上述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，其中，上述元素序列中的每一个元素对应该地理信息点序列中的至少一个地理信息点；学习单元403配置用于利用机器学习方法，基于上述标识集合和所生成的各个元素序列，学习得到针对上述标识集合中的各个标识的矩阵；而第二生成单元404配置用于对于上述标识集合中的每一个标识，基于该标识和上述矩阵，生成该标识所指示的地理信息点序列所属的用户的信息。

在本实施例中，用于生成信息的装置400中：获取单元401、第一生成单元402、学习单元403和第二生成单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述第一生成单元402包括：第一生成子单元(图中未示出)，配置用于对于上述地理信息点序列集合中的每一个地理信息点序列，对于该地理信息点序列中的每一个地理信息点，从预先存储的、所包含的兴趣点设置有标识的兴趣点集合中提取出与该地理信息点的直线距离最短的兴趣点，将上述兴趣点的标识作为与该地理信息点对应的元素，将与该地理信息点序列中的各个地理信息点分别对应的元素所组成的元素序列作为与该地理信息点序列对应的元素序列。

在本实施例的一些可选的实现方式中，上述第一生成单元402包括：第二生成子单元，配置用于对于上述地理信息点序列集合中的每一个地理信息点序列，从预置区域标识集合中提取出该地理信息点序列中的各个地理信息点所在的区域的区域标识，将所提取出的各个区域标识所组成的序列作为与该地理信息点序列对应的元素序列，其中，上述预置区域标识集合包括该地理信息点序列中的每个地理信息点所在的区域的区域标识。

在本实施例的一些可选的实现方式中，上述第一生成单元402包括：第三生成子单元，配置用于对于上述地理信息点序列集合中的每一个地理信息点序列，从预置网格标识集合中提取出该地理信息点序列中的各个地理信息点所在的网格的网格标识，将所提取出的各个网格标识所组成的序列作为与该地理信息点序列对应的元素序列，其中，上述预置网格标识集合是预先对二维空间进行网格划分所划分出的各个网格的网格标识的集合。

在本实施例的一些可选的实现方式中，上述学习单元403包括：学习子单元(图中未示出)，配置用于对于上述各个元素序列中的每一个元素序列，将该元素序列作为待处理元素序列，将上述标识集合中的与上述待处理元素序列对应的标识作为待处理标识，执行以下处理步骤：将上述待处理元素序列映射为向量序列，以及将上述待处理标识映射为向量得到标识向量；利用预置元素转换矩阵对上述向量序列中的各个向量进行转换得到第一向量序列，以及利用预置标识转换矩阵对上述标识向量进行转换得到第一标识向量；通过执行以下步骤至少一次以从上述第一向量序列中提取出至少一个子向量序列：从第一向量序列中连续取出预设数目个向量，右移一位再连续取出预设数目个向量，将取出的各个向量组成子向量序列；对于上述至少一个子向量序列中的每一个子向量序列，将该子向量序列中的各个向量和上述第一标识向量的平均值作为与该子向量序列相关联的第一向量，利用预置向量转换矩阵对上述第一向量进行转换得到第一转换向量，通过预置取值分布预测模型对上述第一转换向量的取值分布进行预测，以对上述预置标识转换矩阵进行优化，其中，上述预置取值分布预测模型用于表征第一转换向量和取值分布的对应关系；矩阵确定子单元(图中未示出)，配置用于将优化后的上述预置标识转换矩阵作为上述矩阵。

在本实施例的一些可选的实现方式中，上述学习子单元403可以包括：映射模块(图中未示出)，配置用于采用独热编码，以将上述待处理元素序列映射为向量序列，以及将上述待处理标识映射为向量得到标识向量。

本申请的上述实施例提供的装置有效利用了用户线下行为的信息(即上述地理信息点序列集合和上述标识集合)以及无监督的机器学习方法，实现了富于针对性的信息生成。

下面参考图5，其示出了适于用来实现本申请实施例的数据转发设备的计算机系统500的结构示意图。图5示出的数据转发设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一生成单元学习单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取地理信息点序列集合和该地理信息点序列集合中的每一个地理信息点序列的标识所组成的标识集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该服务器执行时，使得该服务器包括：获取地理信息点序列集合和所述地理信息点序列集合中的每一个地理信息点序列的标识所组成的标识集合；对于上述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，其中，上述元素序列中的每一个元素对应该地理信息点序列中的至少一个地理信息点；利用机器学习方法，基于上述标识集合和所生成的各个元素序列，学习得到针对上述标识集合中的各个标识的矩阵；对于上述标识集合中的每一个标识，基于该标识和上述矩阵，生成该标识所指示的地理信息点序列所属的用户的信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于生成信息的方法，其特征在于，所述方法包括：

获取地理信息点序列集合和所述地理信息点序列集合中的每一个地理信息点序列的标识所组成的标识集合；

对于所述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，其中，所述元素序列中的每一个元素对应该地理信息点序列中的至少一个地理信息点；

利用机器学习方法，基于所述标识集合和所生成的各个元素序列，学习得到针对所述标识集合中的各个标识的矩阵；

对于所述标识集合中的每一个标识，基于该标识和所述矩阵，生成该标识所指示的地理信息点序列所属的用户的信息。

2.根据权利要求1所述的方法，其特征在于，所述对于所述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，包括：

对于所述地理信息点序列集合中的每一个地理信息点序列，对于该地理信息点序列中的每一个地理信息点，从预先存储的、所包含的兴趣点设置有标识的兴趣点集合中提取出与该地理信息点的直线距离最短的兴趣点，将所述兴趣点的标识作为与该地理信息点对应的元素，将与该地理信息点序列中的各个地理信息点分别对应的元素所组成的元素序列作为与该地理信息点序列对应的元素序列。

3.根据权利要求1所述的方法，其特征在于，所述对于所述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，包括：

对于所述地理信息点序列集合中的每一个地理信息点序列，从预置区域标识集合中提取出该地理信息点序列中的各个地理信息点所在的区域的区域标识，将所提取出的各个区域标识所组成的序列作为与该地理信息点序列对应的元素序列，其中，所述预置区域标识集合包括该地理信息点序列中的每个地理信息点所在的区域的区域标识。

4.根据权利要求1所述的方法，其特征在于，所述对于所述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，包括：

对于所述地理信息点序列集合中的每一个地理信息点序列，从预置网格标识集合中提取出该地理信息点序列中的各个地理信息点所在的网格的网格标识，将所提取出的各个网格标识所组成的序列作为与该地理信息点序列对应的元素序列，其中，所述预置网格标识集合是预先对二维空间进行网格划分所划分出的各个网格的网格标识的集合。

5.根据权利要求1-4之一所述的方法，其特征在于，所述利用机器学习方法，基于所述标识集合和所生成的各个元素序列，学习得到针对所述标识集合中的各个标识的矩阵，包括：

对于所述各个元素序列中的每一个元素序列，将该元素序列作为待处理元素序列，将所述标识集合中的与所述待处理元素序列对应的标识作为待处理标识，执行以下处理步骤：将所述待处理元素序列映射为向量序列，以及将所述待处理标识映射为向量得到标识向量；利用预置元素转换矩阵对所述向量序列中的各个向量进行转换得到第一向量序列，以及利用预置标识转换矩阵对所述标识向量进行转换得到第一标识向量；通过执行以下步骤至少一次以从所述第一向量序列中提取出至少一个子向量序列：从第一向量序列中连续取出预设数目个向量，右移一位再连续取出预设数目个向量，将取出的各个向量组成子向量序列；对于所述至少一个子向量序列中的每一个子向量序列，将该子向量序列中的各个向量和所述第一标识向量的平均值作为与该子向量序列相关联的第一向量，利用预置向量转换矩阵对所述第一向量进行转换得到第一转换向量，通过预置取值分布预测模型对所述第一转换向量的取值分布进行预测，以对所述预置标识转换矩阵进行优化，其中，所述预置取值分布预测模型用于表征第一转换向量和取值分布的对应关系；

将优化后的所述预置标识转换矩阵作为所述矩阵。

6.根据权利要求5所述的方法，其特征在于，所述将所述待处理元素序列映射为向量序列，以及将所述待处理标识映射为向量得到标识向量，包括：

采用独热编码，以将所述待处理元素序列映射为向量序列，以及将所述待处理标识映射为向量得到标识向量。

7.一种用于生成信息的装置，其特征在于，所述装置包括：

获取单元，配置用于获取地理信息点序列集合和所述地理信息点序列集合中的每一个地理信息点序列的标识所组成的标识集合；

第一生成单元，配置用于对于所述地理信息点序列集合中的每一个地理信息点序列，对该地理信息点序列中的地理信息点进行聚类，生成与该地理信息点序列对应的元素序列，其中，所述元素序列中的每一个元素对应该地理信息点序列中的至少一个地理信息点；

学习单元，配置用于利用机器学习方法，基于所述标识集合和所生成的各个元素序列，学习得到针对所述标识集合中的各个标识的矩阵；

第二生成单元，配置用于对于所述标识集合中的每一个标识，基于该标识和所述矩阵，生成该标识所指示的地理信息点序列所属的用户的信息。

8.根据权利要求7所述的装置，其特征在于，所述第一生成单元包括：

第一生成子单元，配置用于对于所述地理信息点序列集合中的每一个地理信息点序列，对于该地理信息点序列中的每一个地理信息点，从预先存储的、所包含的兴趣点设置有标识的兴趣点集合中提取出与该地理信息点的直线距离最短的兴趣点，将所述兴趣点的标识作为与该地理信息点对应的元素，将与该地理信息点序列中的各个地理信息点分别对应的元素所组成的元素序列作为与该地理信息点序列对应的元素序列。

9.根据权利要求7所述的装置，其特征在于，所述第一生成单元包括：

第二生成子单元，配置用于对于所述地理信息点序列集合中的每一个地理信息点序列，从预置区域标识集合中提取出该地理信息点序列中的各个地理信息点所在的区域的区域标识，将所提取出的各个区域标识所组成的序列作为与该地理信息点序列对应的元素序列，其中，所述预置区域标识集合包括该地理信息点序列中的每个地理信息点所在的区域的区域标识。

10.根据权利要求7所述的装置，其特征在于，所述第一生成单元包括：

第三生成子单元，配置用于对于所述地理信息点序列集合中的每一个地理信息点序列，从预置网格标识集合中提取出该地理信息点序列中的各个地理信息点所在的网格的网格标识，将所提取出的各个网格标识所组成的序列作为与该地理信息点序列对应的元素序列，其中，所述预置网格标识集合是预先对二维空间进行网格划分所划分出的各个网格的网格标识的集合。

11.根据权利要求7-10之一所述的装置，其特征在于，所述学习单元包括：

学习子单元，配置用于对于所述各个元素序列中的每一个元素序列，将该元素序列作为待处理元素序列，将所述标识集合中的与所述待处理元素序列对应的标识作为待处理标识，执行以下处理步骤：将所述待处理元素序列映射为向量序列，以及将所述待处理标识映射为向量得到标识向量；利用预置元素转换矩阵对所述向量序列中的各个向量进行转换得到第一向量序列，以及利用预置标识转换矩阵对所述标识向量进行转换得到第一标识向量；通过执行以下步骤至少一次以从所述第一向量序列中提取出至少一个子向量序列：从第一向量序列中连续取出预设数目个向量，右移一位再连续取出预设数目个向量，将取出的各个向量组成子向量序列；对于所述至少一个子向量序列中的每一个子向量序列，将该子向量序列中的各个向量和所述第一标识向量的平均值作为与该子向量序列相关联的第一向量，利用预置向量转换矩阵对所述第一向量进行转换得到第一转换向量，通过预置取值分布预测模型对所述第一转换向量的取值分布进行预测，以对所述预置标识转换矩阵进行优化，其中，所述预置取值分布预测模型用于表征第一转换向量和取值分布的对应关系；

矩阵确定子单元，配置用于将优化后的所述预置标识转换矩阵作为所述矩阵。

12.根据权利要求11所述的装置，其特征在于，所述学习子单元包括：

映射模块，配置用于采用独热编码，以将所述待处理元素序列映射为向量序列，以及将所述待处理标识映射为向量得到标识向量。

13.一种服务器，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。