CN108154300A - 兴趣点选址方法、装置和计算机设备 - Google Patents
兴趣点选址方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN108154300A CN108154300A CN201711419593.5A CN201711419593A CN108154300A CN 108154300 A CN108154300 A CN 108154300A CN 201711419593 A CN201711419593 A CN 201711419593A CN 108154300 A CN108154300 A CN 108154300A
- Authority
- CN
- China
- Prior art keywords
- addressing
- unit area
- site selection
- target
- factors
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010606 normalization Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 41
- 238000003860 storage Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 6
- 230000015572 biosynthetic process Effects 0.000 abstract 2
- 238000003786 synthesis reaction Methods 0.000 abstract 2
- 230000003542 behavioural effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种兴趣点选址方法、装置和计算机设备,其中,方法包括:获取待选址的目标兴趣点和多个候选单位区域,提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据;根据预设的与多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与多个选址因素分别对应的选址分数;根据归一化处理后的多个选址分数计算目标兴趣点在每个候选单位区域的综合选址分数;根据目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从多个候选单位区域中选择目标单位区域推荐目标兴趣点选址。由此,提供了一种基于用户的行为数据进行科学选址方式,基于影响选址的选址因素进行选址,提高了选址的成功率。
Description
技术领域
本申请涉及互联网数据处理技术领域,尤其涉及一种兴趣点选址方法、装置和计算机设备。
背景技术
随着经济的发展与人们生活水平的提高,第三产业产生的价值占国民生产总值的比重也越来越高。人们将花费方式也从物质消费转向精神消费,例如餐饮,娱乐旅游等生活方式,从而也带动了越来越多的人投入到第三产业的建设和发展当中。商业选址就是发展的第一步,商铺选址如果能选得好,可以降低成本,吸引更多的消费者,获得更多的利润。
相关技术中,选址方法仅仅基于地理位置,空间方面的内容,导致选址的质量具有一定的局限性。
申请内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种兴趣点选址方法,可以基于用户的行为数据进行科学选址方式,基于影响选址的选址因素进行选址,提高了选址的成功率。
本申请的第二个目的在于提出一种兴趣点选址装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
为了实现上述目的,本申请第一方面实施例提出了一种兴趣点选址方法,包括:获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据;根据预设的与所述多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与所述多个选址因素分别对应的选址分数;对与所述多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算所述目标兴趣点在每个候选单位区域的综合选址分数;根据所述目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从所述多个候选单位区域中选择目标单位区域推荐所述目标兴趣点选址。
本申请实施例的兴趣点选址方法,获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据,根据预设的与多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与多个选址因素分别对应的选址分数,进而,对与多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算目标兴趣点在每个候选单位区域的综合选址分数,最终根据目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从多个候选单位区域中选择目标单位区域推荐目标兴趣点选址。由此,提供了一种基于用户的行为数据进行科学选址方式,基于影响选址的选址因素进行选址,提高了选址的成功率。
另外,根据本申请上述实施例的兴趣点选址方法,还具有如下附加的技术特征:
在本申请一个实施例中,所述对与所述多个选址因素分别对应的选址分数进行归一化处理,包括:获取与每个选址因素对应的归一化函数;应用与每个选址因素对应的归一化函数,将对应的选址分数映射到统一取值范围内进行归一化处理,得到归一化处理后的选址分数。
在本申请一个实施例中,所述根据归一化处理后的多个选址分数计算所述目标兴趣点在每个候选单位区域的综合选址分数,包括:获取预设的与所述多个选址因素对应的多个选址权重;根据所述归一化处理后的多个选址分数,以及与所述多个选址因素对应的多个选址权重,计算所述目标兴趣点在每个候选单位区域的综合选址分数。
在本申请一个实施例中,在从所述多个候选单位区域中选择目标单位区域推荐所述目标兴趣点选址之后,还包括:获取每个目标单位区域在测试时段内的用户签到热度,以及所述目标兴趣点和新增用户的匹配度;若判断获知当前测试的目标单位区域中的用户签到热度大于预设的第一阈值,且所述匹配度大于预设的第二阈值,则确定所述当前测试的目标单位区域推荐成功;若判断获知当前测试的目标单位区域中的用户签到热度没有大于预设的第一阈值,和/或,所述匹配度没有大于预设的第二阈值,则确定所述当前测试的目标单位区域推荐失败。
在本申请一个实施例中,所述方法还包括:根据所述目标单位区域的推荐成功个数和推荐失败个数获取为所述目标兴趣点的选址成功率;若判断获知所述选址成功率小于预设门限值,则调整所述多个选址因素以及对应的多个选址权重。
为了实现上述目的,本申请第二方面实施例提出的一种兴趣点选址装置,包括:提取模块,用于获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据;获取模块,用于根据预设的与所述多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与所述多个选址因素分别对应的选址分数;计算模块,用于对与所述多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算所述目标兴趣点在每个候选单位区域的综合选址分数;选择模块,用于根据所述目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从所述多个候选单位区域中选择目标单位区域推荐所述目标兴趣点选址。
本申请实施例的兴趣点选址装置,获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据,根据预设的与多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与多个选址因素分别对应的选址分数,进而,对与多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算目标兴趣点在每个候选单位区域的综合选址分数,最终根据目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从多个候选单位区域中选择目标单位区域推荐目标兴趣点选址。由此,提供了一种基于用户的行为数据进行科学选址方式,基于影响选址的选址因素进行选址,提高了选址的成功率。
另外,根据本申请上述实施例的兴趣点选址装置,还具有如下附加的技术特征:
在本申请的一个实施例中,所述计算模块包括:第一获取单元,用于获取与每个选址因素对应的归一化函数;处理单元,用于应用与每个选址因素对应的归一化函数,将对应的选址分数映射到统一取值范围内进行归一化处理,得到归一化处理后的选址分数。
在本申请的一个实施例中,所述计算模块包括:第二获取单元,用于获取预设的与所述多个选址因素对应的多个选址权重;计算单元,用于根据所述归一化处理后的多个选址分数,以及与所述多个选址因素对应的多个选址权重,计算所述目标兴趣点在每个候选单位区域的综合选址分数。
为了实现上述目的,本申请第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,执行一种如上述实施例所述的兴趣点选址方法。
为了实现上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,当存储介质中的指令由处理器被执行时,使得能够执行如上述实施例所述的兴趣点选址方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请一个实施例的兴趣点选址方法的流程图;
图2是根据本申请另一个实施例的兴趣点选址方法的流程图;
图3是根据本申请一个实施例的兴趣点选址装置的结构示意图;
图4是根据本申请另一个实施例的兴趣点选址装置的结构示意图;
图5是根据本申请又一个实施例的兴趣点选址装置的结构示意图;以及
图6是根据本申请又一个实施例的计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的兴趣点选址方法、装置和计算机设备。
图1是根据本申请一个实施例的兴趣点选址方法的流程图,如图1所示,该兴趣点选址方法包括:
步骤101,获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据。
步骤102,根据预设的与多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与多个选址因素分别对应的选址分数。
其中,兴趣点作为LBSN(Location-Based Social Networks,基于位置的社交网络)的基本组成节点之一,可以用于表示用户生活中布满的餐厅、商场、学校、办公楼、景点等,通常为了商业效果等,会基于这些兴趣点进行选址推荐。
然而,正如以上分析的,仅仅基于兴趣点的位置进行选址推荐的方式十分片面,比如,对于开咖啡厅的用户推荐的选址为商场附近等,但是如果商场并不繁华等,则会导致该场景下的选址失败,实际上,申请人发现选址成功的重要影响因素还包括兴趣点附近区域的繁华程度、人流量的多少等。
为了保证选址的成功率,本申请提出了一种可以结合多种选址因素进行选址推荐的方法,通过深度分析用户的行为数据等进行科学选址。
具体地,获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据,以便于进一步根据多种特征数据从多个候选单位区域中确定出最终选址地点。其中,预设的多种选址因素包括繁荣度,竞争度,客流量,流行趋势,线上影响力与线下影响力等两种或多种的组合。可以理解,待选址的目标兴趣点与当前场景需求对应,如果当前场景是为咖啡店选址,则待选址的目标兴趣点为咖啡店,多个候选单位区域的确定可以根据当前选址需求设定,可以为用户主动选定的,也可以是根据目标兴趣点的类型确定的,比如,当前场景是为咖啡厅选址,则候选单位区域通常包括办公楼、步行街、商业圈所在区域等。
其中,多种特征数据与多个选址因素对应,用于表征每种选址因素对应的具体情况,为了量化这种情况,在本申请的实施例中,预先设置与多个选址因素分别对应的选址函数,进而根据预设的与多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与多个选址因素分别对应的选址分数。
为了更加清楚的说明,下面分别以选址因素为繁荣度,竞争度,客流量,流行趋势,线上影响力与线下影响力为例,说明如何获取对应的选址分数:
示例一:
在该示例中,选址因素为繁荣度,对应的特征数据为候选单位区域内的兴趣点的数量和种类。其中,可以理解,一个候选单位区域中越繁华,越容易吸引游客,对选址的参考是正相关的作用。
具体而言,候选单位区域的繁荣度可以通过两点进行体现,一种是兴趣点的数量多,一种是兴趣点的种类多,在本示例中,基于这两点可以通过如下所示的选址函数(1)计算繁荣度对应的选址分数:
其中Pl,p表示候选单位区域l的繁荣度,k为候选单位区域内兴趣点的种类,Nl为候选单位区域内兴趣点的总数,Nl,k为候选单位区域内种类为k的兴趣点数量。Pl,p值越大,区域的繁荣度越高。
示例二:
在该示例中,选址因素为竞争度,对应的选址特征数据包括候选单位区域中与待选址的目标兴趣点类型相同的兴趣点的数量等。其中,可以理解,一个候选单位区域中与待选址的目标兴趣点类型相同的兴趣点越多,表明当前待选址的目标兴趣点如果放在该区域竞争越激烈,对选址的参考是负相关的作用。
具体而言,可以基于如下所示的选址函数(2)计算竞争度对应的选址分数:
其中,α为用于归一化的权值,N为候选单位区域内的兴趣点总量,Nk为候选单位区域内的兴趣点类型为k的总数量。
示例三:
在该示例中,选址因素为客流量,对应的特征数据可以包括候选单位区域在一个时间段内的签到次数等。可以理解,一个候选单位区域在一个时间段内的签到次数的统计为客流量,客流量越大,用户的签到次数越多,如果将待选址的目标兴趣点设置在这里越会成功,对选址的参考是正相关的作用。
具体而言,可以基于如下所示的选址函数(3)计算客流量对应的选址分数:
Pl,f=α·count(Lcheck-ins) (3)
其中,α用于对签到统计量进行归一化的参数,Pl,f为候选单位区域l的客流量,count函数用于统计签到次数,Lcheck-ins代表该候选单位区域内发生的签到事件。
示例四:
在该示例中,选址因素为流行趋势,对应的特征数据为候选单位区域签到次数按月的变化情况。该选址因素表示候选单位区域签到次数按月的变化趋势,也就是候选单位区域签到频率的变化。比如对当前时间来说选择k个月。这k个月的签到统计序列为[r1,r2,r3,....rk]。令△ri表示两个相邻时间片签到次数的变化量。则可基于如下所示的选址函数(4)计算流行趋势对应的选址分数:
Pl,v=α1Δr1+α2Δr2+.....+αk-1Δrk-1 (4)
其中,Pl,v表示候选单位区域l的流行趋势,αi表示每个时间片的权重。
示例五:
在该示例中,选址因素为线上影响力,对应的特征数据可以包括来过候选单位区域l的用户在社交网络中没有来到过该候选单位区域l的朋友数量的总和。即由于本申请根据基于位置的社会网络LBSN进行选址,因此,可以考虑使用线上的社交网络因素为兴趣点选址的因素之一,可以考虑社交网络的影响力。假设当前候选单位区域为l。则线上影响力就可以表示为来过候选单位区域l的用户在社交网络中没有来到过该候选单位区域l的朋友数量的总和。
具体地,可基于如下所示的选址函数(5)计算流行趋势对应的选址分数:
其中,表示用户i与用户j在社交网络上存在好友关系,i∈l表示用户i对区域l有过签到记录,表示用户j对区域l没有签到记录,count函数用于统计签到次数。
示例六:
在该示例中,选址因素为线下影响力,对应的特征数据可以为候选单位区域l来过并去往其他的候选单位区域的用户数量。可以理解,假设当前候选单位区域为l,一些用户来到过该候选单位区域之后,还会到其他的候选单位区域,这些区域中的人们通过与到过候选单位区域l的用户的线下交流,就有一定的概率对候选单位区域l中的一些兴趣点感兴趣,会在未来签到该区域。这部分人的总和可以称作候选单位区域的线下影响力。具体地,可基于如下所示的候选函数(6)计算线下影响力对应的选址分数:
其中i∈k和j∈k表示用户i与用户j都签到过区域k,i∈l表示用户i对区域l有过签到记录,表示用户j对区域l没有签到记录。线下影响力即用户j的总和。
步骤103,对与多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算目标兴趣点在每个候选单位区域的综合选址分数。
具体地,经由以上描述可知,多个不同的选址因素分别对应的选址分数可能并不是以同样的计量标准确定的,因而,对与多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算目标兴趣点在每个候选单位区域的综合选址分数。
需要说明的是,根据应用场景的不同,可采用不同的实现方式对与多个选址因素分别对应的选址分数进行归一化处理,举例说明如下:
示例一:
在该示例中,选取任意一个选址分数作为参考基准,将其他的选址分数处理为与该参考基准对应的分数表现显示,从而所有的选址因素对应的选址分数均以统一的参考基准表示,实现了对与多个选址因素分别对应的选址分数的归一化处理。
举例而言,当包含三个选址因素对应的地址分数分别为五分制中的3分,百分制中的70分和十分制中的7分,则可以百分制为参考标准,将五分制中的3分处理为百分制中的60分,将十分制中的7分处理为百分制中的70分,从而实现了三个选址因素对应的地址分数的归一化处理。
示例二:
在该示例中,选取任意一个与所有选址分数不同的另外一套标准作为参考基准,将选址分数处理为与该参考基准对应的分数表现显示,从而所有的选址因素对应的选址分数均以统一的参考基准表示,实现了对与多个选址因素分别对应的选址分数的归一化处理。
具体而言,任意一个与所有选址分数不同的另外一套参考标准的实现形式为归一化函数时,可获取与每个选址因素对应的归一化函数,应用与每个选址因素对应的归一化函数,将对应的选址分数映射到统一取值范围内进行归一化处理,得到归一化处理后的选址分数。
举例而言,当包含三个选址因素对应的地址分数分别为五分制中的3分,二十分制中的10分和十分制中的7分,则可以百分制为参考标准,获取与每个选址因素对应的归一化函数分别为y=20x、y=5x、y=10x,其中,y为归一化处理后的地址分数,x为原地址分数,从而,将五分制中的3分处理为百分制中的60分,将二十分制中的10分处理为百分制中的50分,将十分制中的7分处理为百分制中的70分,从而实现了三个选址因素对应的地址分数的归一化处理。
更具体地,由于每种选址因素分别对应的选址分数均表示了可以将目标兴趣点设置在对应的候选单位区域中的成功率,因而,可根据归一化处理后的多个选址分数计算目标兴趣点在每个候选单位区域的综合选址分数,以便于进一步根据该综合选址分数进行目标兴趣点的选址推荐,比如,将归一化处理后的多个选址分数加权平均,获取目标兴趣点在每个候选单位区域的综合选址分数
当然,在实际应用中,每一种地理因素对选址的影响力是不相同的,因而,为了便于提高将目标兴趣点设置选址推荐的成功率,在本申请的一个实施例中国,可获取预设的与多个选址因素对应的多个选址权重,根据归一化处理后的多个选址分数,以及与多个选址因素对应的多个选址权重,计算目标兴趣点在每个候选单位区域的综合选址分数。
比如,当选址因素为A1、A2、A3、A4四种时,经过实验获取到根据选址因素A1,选址因素A2与选址因素A4推荐选址的召回率基本为25%-30%之间,但选址因素A3的召回效果可以达到50%以上,因此在考虑选址因素的权重时,更应该加大选址因素A3的权重。
在一个示例中,最终获取到对应六种选址因素的选址得分Pp、Pc、Pf、Pv、Pon、Pon、Poff的权重信息分别为α、β、χ、δ、η、λ、则确定计算目标兴趣点在对应候选单位区域的综合选址分数P=αPp+βPc+χPf+δPv+ηPon+λPoff,其中P值表示在该候选单位区域建立目标兴趣点获取利润的推荐评分,评分越高,代表该区域建立目标兴趣点获利的概率越大,该候选单位区域越值得推荐。
步骤104,根据目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从多个候选单位区域中选择目标单位区域推荐目标兴趣点选址。
具体地,在获取每个候选单位区域的综合选址分数后,根据目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从多个候选单位区域中选择目标单位区域推荐目标兴趣点选址,其中,综合选址分数越大于预设推荐阈值,表明对应的候选单位区域越是值得推荐,其中,预设推荐阈值可根据大量实验数据标定。
由此,本申请实施例的基于LBSN数据进行选址推荐,基于位置的社会网络LBSN数据中包含用户在何时对某地点的签到信息。数据中有用户的基本信息(用户住址,性别等因素),兴趣点的基本信息(包括地理位置,兴趣点属性等),用户与用户之间的社交关系,用户对兴趣点的签到信息等。该类数据包含的内容比较丰富,在本实施例中,将该类数据带入选址的应用中,比如商业选址的应用场景中,挖掘用户的签到信息,可以丰富选址考虑的因素,可以更加科学地进行选址。
综上所述,本申请实施例的兴趣点选址方法,获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据,根据预设的与多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与多个选址因素分别对应的选址分数,进而,对与多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算目标兴趣点在每个候选单位区域的综合选址分数,最终根据目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从多个候选单位区域中选择目标单位区域推荐目标兴趣点选址。由此,提供了一种基于用户的行为数据进行科学选址方式,基于影响选址的选址因素进行选址,提高了选址的成功率。
基于以上实施例,为了进一步保证兴趣点选址方法的实用性和灵活性,在从多个候选单位区域中选择目标单位区域推荐目标兴趣点选址之后,还可以对推荐目标兴趣点选址进行成功率的验证,以便于根据推荐成功率调整和优化兴趣点选址方法。
具体地,图2是根据本申请另一个实施例的兴趣点选址方法的流程图,如图2所示,在上述步骤104之后,该方法还包括:
步骤201,获取每个目标单位区域在测试时段内的用户签到热度,以及目标兴趣点和新增用户的匹配度。
应当理解的是,本实施例中基于两方面来考评目标单位区域的推荐成功率,一方面是目标单位区域是否热度较高,另一方面,该目标单位区域内新增的用户是否是由于目标兴趣点的加入带来的。
具体地,获取每个目标单位区域在测试时段内的用户签到热度,比如获取在测试时间段内用户的签到次数和签到频率,以及目标兴趣点和新增用户的匹配度,即新增用户中有多少用户在目标兴趣点签到。
其中,测试时段可以根据应用需要设定,可以为一个也可以为多个,时长可以为一年、一个月等。
步骤202,若判断获知当前测试的目标单位区域中的用户签到热度大于预设的第一阈值,且匹配度大于预设的第二阈值,则确定当前测试的目标单位区域推荐成功。
其中,第一阈值可以是根据所有的候选区域的签到热度设置的一个相对较高的值,第二阈值可以根据当前场景需要设置。
具体地,如果判断获知当前测试的目标单位区域中的用户签到热度大于预设的第一阈值,则表明当前目标单位区域是一个较为繁华、人流量较多等理应带来良好商业利润的区域,如果匹配度大于预设的第二阈值,则表明当前目标单位区域对目标兴趣点起到了良好的影响作用,或者,目标兴趣点为当前目标单位区域带来了较好的商业效果,较多的新增用户被带到了该目标兴趣点,确定当前测试的目标单位区域推荐成功。
步骤203,若判断获知当前测试的目标单位区域中的用户签到热度没有大于预设的第一阈值,和/或,匹配度没有大于预设的第二阈值,则确定当前测试的目标单位区域推荐失败。
具体地,如果判断获知当前测试的目标单位区域中的用户签到热度没有大于预设的第一阈值,表明当前目标单位区域不是一个较为繁华、人流量较多等理应带来良好商业利润的区域,显然,在这样的环境下,当前测试的目标单位区域的选址失败,如果匹配度不大于预设的第二阈值,则表明当前目标单位区域对目标兴趣点没有起到良好的影响作用,或者,没有较多的新增用户被带到该目标兴趣点,当前测试的目标单位区域的选址失败。
需要强调的是,上述实施例重点描述了如何确定单个目标单位区域推荐的成功率,实际上,一个目标单位区域推荐的成功与否可能并不能准确的说明整个基于LBSN数据的兴趣点选址方法的可靠性,或者,整个基于LBSN数据的兴趣点选址方法的可靠性可能不能精确到单独的一个目标单位区域,可能在推荐N个以内数量的目标单位区域中,能保证较高的成功率,因而,在本申请的一个实施例中,还可以通过测试N个目标单位区域推荐的成功率作为整个基于LBSN数据的兴趣点选址方法的可靠性的评判标准,比如,如下表1所示,本申请中基于LBSN数据的兴趣点选址方法的一种实现方式,N值在30以内可以达到较好的推荐效果。
表1
N值 | 推荐成功率 |
10 | 75% |
20 | 65% |
30 | 66.7% |
50 | 42% |
60 | 33% |
80 | 26% |
进一步地,可以根据目标单位区域的推荐成功个数和推荐失败个数获取为目标兴趣点的选址成功率,若判断获知选址成功率小于预设门限值,则调整多个选址因素以及对应的多个选址权重,直至选址成功率达到预设门限值。
综上所述,本申请实施例的兴趣点选址方法,根据每个目标单位区域在测试时段内的用户签到热度,以及目标兴趣点和新增用户的匹配度确定当前测试的目标单位区域推荐是否成功,由此,提供了一种衡量兴趣点选址方法的成功率的方式,便于根据推荐成功率调整和优化兴趣点选址方法,提高了兴趣点选址方法的实用性和灵活性。
为了实现上述实施例,本申请还提出一种兴趣点选址装置,图3是根据本申请一个实施例的兴趣点选址装置的结构示意图,如图3所示,该兴趣点选址装置包括:提取模块100、获取模块200、计算模块300和选择模块400。
其中,提取模块100,用于获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据。
获取模块200,用于根据预设的与多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与多个选址因素分别对应的选址分数。
计算模块300,用于对与多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算目标兴趣点在每个候选单位区域的综合选址分数。
在本申请的一个实施例中,如图4所示,该计算模块300包括:第一获取单元310和处理单元320。
其中,第一获取单元310,用于获取与每个选址因素对应的归一化函数。
处理单元320,用于应用与每个选址因素对应的归一化函数,将对应的选址分数映射到统一取值范围内进行归一化处理,得到归一化处理后的选址分数。
在本申请的一个实施例中,如图5所示,该计算模块300包括:第二获取单元330和计算单元340。
其中,第二获取单元330,用于获取预设的与多个选址因素对应的多个选址权重。
计算单元340,用于根据归一化处理后的多个选址分数,以及与多个选址因素对应的多个选址权重,计算目标兴趣点在每个候选单位区域的综合选址分数。
选择模块400,用于根据目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从多个候选单位区域中选择目标单位区域推荐目标兴趣点选址。
需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
综上所述,本申请实施例的兴趣点选址装置,获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据,根据预设的与多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与多个选址因素分别对应的选址分数,进而,对与多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算目标兴趣点在每个候选单位区域的综合选址分数,最终根据目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从多个候选单位区域中选择目标单位区域推荐目标兴趣点选址。由此,提供了一种基于用户的行为数据进行科学选址方式,基于影响选址的选址因素进行选址,提高了选址的成功率。
为了实现上述实施例。本申请还提出了一种计算机设备,图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图6显示的计算机设备12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6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
为了实现上述实施例,本申请还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如前述实施例所述的兴趣点选址方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种兴趣点选址方法,其特征在于,包括:
获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据;
根据预设的与所述多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与所述多个选址因素分别对应的选址分数;
对与所述多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算所述目标兴趣点在每个候选单位区域的综合选址分数;
根据所述目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从所述多个候选单位区域中选择目标单位区域推荐所述目标兴趣点选址。
2.如权利要求1所述的方法,其特征在于,所述对与所述多个选址因素分别对应的选址分数进行归一化处理,包括:
获取与每个选址因素对应的归一化函数;
应用与每个选址因素对应的归一化函数,将对应的选址分数映射到统一取值范围内进行归一化处理,得到归一化处理后的选址分数。
3.如权利要求1所述的方法,其特征在于,所述根据归一化处理后的多个选址分数计算所述目标兴趣点在每个候选单位区域的综合选址分数,包括:
获取预设的与所述多个选址因素对应的多个选址权重;
根据所述归一化处理后的多个选址分数,以及与所述多个选址因素对应的多个选址权重,计算所述目标兴趣点在每个候选单位区域的综合选址分数。
4.如权利要求1所述的方法,其特征在于,在从所述多个候选单位区域中选择目标单位区域推荐所述目标兴趣点选址之后,还包括:
获取每个目标单位区域在测试时段内的用户签到热度,以及所述目标兴趣点和新增用户的匹配度;
若判断获知当前测试的目标单位区域中的用户签到热度大于预设的第一阈值,且所述匹配度大于预设的第二阈值,则确定所述当前测试的目标单位区域推荐成功;
若判断获知当前测试的目标单位区域中的用户签到热度没有大于预设的第一阈值,和/或,所述匹配度没有大于预设的第二阈值,则确定所述当前测试的目标单位区域推荐失败。
5.如权利要求4所述的方法,其特征在于,
根据所述目标单位区域的推荐成功个数和推荐失败个数获取为所述目标兴趣点的选址成功率;
若判断获知所述选址成功率小于预设门限值,则调整所述多个选址因素以及对应的多个选址权重。
6.一种兴趣点选址装置,其特征在于,包括:
提取模块,用于获取待选址的目标兴趣点和多个候选单位区域,从基于位置的社会网络LBSN数据中提取每个候选单位区域中与预设的多个选址因素分别对应的多组特征数据;
获取模块,用于根据预设的与所述多个选址因素分别对应的选址函数对相应的特征数据进行计算,获取与所述多个选址因素分别对应的选址分数;
计算模块,用于对与所述多个选址因素分别对应的选址分数进行归一化处理,根据归一化处理后的多个选址分数计算所述目标兴趣点在每个候选单位区域的综合选址分数;
选择模块,用于根据所述目标兴趣点在每个候选单位区域的综合选址分数和预设推荐阈值,从所述多个候选单位区域中选择目标单位区域推荐所述目标兴趣点选址。
7.如权利要求6所述的装置,其特征在于,所述计算模块包括:
第一获取单元,用于获取与每个选址因素对应的归一化函数;
处理单元,用于应用与每个选址因素对应的归一化函数,将对应的选址分数映射到统一取值范围内进行归一化处理,得到归一化处理后的选址分数。
8.如权利要求6所述的装置,其特征在于,所述计算模块包括:
第二获取单元,用于获取预设的与所述多个选址因素对应的多个选址权重;
计算单元,用于根据所述归一化处理后的多个选址分数,以及与所述多个选址因素对应的多个选址权重,计算所述目标兴趣点在每个候选单位区域的综合选址分数。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-5中任一项所述的兴趣点选址方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的兴趣点选址方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711419593.5A CN108154300A (zh) | 2017-12-25 | 2017-12-25 | 兴趣点选址方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711419593.5A CN108154300A (zh) | 2017-12-25 | 2017-12-25 | 兴趣点选址方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154300A true CN108154300A (zh) | 2018-06-12 |
Family
ID=62465778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711419593.5A Pending CN108154300A (zh) | 2017-12-25 | 2017-12-25 | 兴趣点选址方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154300A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921605A (zh) * | 2018-06-25 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种基于lbs和大数据的商户拓展架构及方法 |
CN108960912A (zh) * | 2018-06-27 | 2018-12-07 | 北京京东金融科技控股有限公司 | 用于确定目标位置的方法和装置 |
CN109636201A (zh) * | 2018-12-17 | 2019-04-16 | 北京智行者科技有限公司 | 一种充电服务单车核算方法 |
CN110288263A (zh) * | 2019-07-03 | 2019-09-27 | 北京首汽智行科技有限公司 | 一种基于用车行为的共享汽车停车网点确定方法 |
CN110543999A (zh) * | 2018-08-17 | 2019-12-06 | 杉数科技(北京)有限公司 | 用于门店选址的方法和装置 |
CN110659409A (zh) * | 2018-12-29 | 2020-01-07 | 北京奇虎科技有限公司 | 兴趣点poi的推荐方法和装置 |
CN110675177A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 门店选址方法和装置 |
CN111010312A (zh) * | 2019-11-28 | 2020-04-14 | 网宿科技股份有限公司 | 网络质量评估方法与服务器 |
CN111144429A (zh) * | 2018-11-05 | 2020-05-12 | 北京京东金融科技控股有限公司 | 对象分类方法及其系统、计算机系统及计算机可读介质 |
CN111274341A (zh) * | 2020-01-16 | 2020-06-12 | 中国建设银行股份有限公司 | 一种网点选址方法和装置 |
CN111582985A (zh) * | 2020-05-09 | 2020-08-25 | 北京首汽智行科技有限公司 | 一种基于用户推荐的共享出行服务网点确定方法和装置 |
CN112686460A (zh) * | 2021-01-05 | 2021-04-20 | 广东赢商网数据服务股份有限公司 | 一种项目客流量预测方法、系统及计算机可读存储介质 |
CN112999648A (zh) * | 2019-12-18 | 2021-06-22 | 腾讯云计算(北京)有限责任公司 | 互动场景中的地标确定方法、装置及电子设备 |
CN113657709A (zh) * | 2021-07-06 | 2021-11-16 | 南京嘉环科技股份有限公司 | 选址方法和选址装置 |
CN113763045A (zh) * | 2021-09-06 | 2021-12-07 | 武汉博创非凡智能科技有限公司 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
CN114331206A (zh) * | 2022-01-06 | 2022-04-12 | 重庆紫光华山智安科技有限公司 | 点位选址方法、装置、电子设备及可读存储介质 |
CN114661850A (zh) * | 2022-03-25 | 2022-06-24 | 中国建设银行股份有限公司 | 数据处理方法、装置、设备、介质及计算机程序产品 |
CN117093660A (zh) * | 2023-08-10 | 2023-11-21 | 广东广宇科技发展有限公司 | 一种管网监测点选址方法、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384250A (zh) * | 2016-09-13 | 2017-02-08 | 百度在线网络技术(北京)有限公司 | 一种选址方法及装置 |
CN106570595A (zh) * | 2016-11-10 | 2017-04-19 | 深圳市数字城市工程研究中心 | 一种基于空间大数据的地铁站点选址方法及系统 |
CN106952105A (zh) * | 2017-04-26 | 2017-07-14 | 浙江大学 | 一种基于迁移学习的商铺最优化选址方法 |
-
2017
- 2017-12-25 CN CN201711419593.5A patent/CN108154300A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384250A (zh) * | 2016-09-13 | 2017-02-08 | 百度在线网络技术(北京)有限公司 | 一种选址方法及装置 |
CN106570595A (zh) * | 2016-11-10 | 2017-04-19 | 深圳市数字城市工程研究中心 | 一种基于空间大数据的地铁站点选址方法及系统 |
CN106952105A (zh) * | 2017-04-26 | 2017-07-14 | 浙江大学 | 一种基于迁移学习的商铺最优化选址方法 |
Non-Patent Citations (1)
Title |
---|
任若愚: "基于位置社交网络的个性化推荐方法的研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921605A (zh) * | 2018-06-25 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种基于lbs和大数据的商户拓展架构及方法 |
CN108960912A (zh) * | 2018-06-27 | 2018-12-07 | 北京京东金融科技控股有限公司 | 用于确定目标位置的方法和装置 |
CN110675177A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 门店选址方法和装置 |
CN110543999A (zh) * | 2018-08-17 | 2019-12-06 | 杉数科技(北京)有限公司 | 用于门店选址的方法和装置 |
CN110543999B (zh) * | 2018-08-17 | 2024-03-01 | 杉数科技(北京)有限公司 | 用于门店选址的方法和装置 |
CN111144429A (zh) * | 2018-11-05 | 2020-05-12 | 北京京东金融科技控股有限公司 | 对象分类方法及其系统、计算机系统及计算机可读介质 |
CN111144429B (zh) * | 2018-11-05 | 2024-05-24 | 京东科技控股股份有限公司 | 对象分类方法及其系统、计算机系统及计算机可读介质 |
CN109636201A (zh) * | 2018-12-17 | 2019-04-16 | 北京智行者科技有限公司 | 一种充电服务单车核算方法 |
CN110659409A (zh) * | 2018-12-29 | 2020-01-07 | 北京奇虎科技有限公司 | 兴趣点poi的推荐方法和装置 |
CN110288263A (zh) * | 2019-07-03 | 2019-09-27 | 北京首汽智行科技有限公司 | 一种基于用车行为的共享汽车停车网点确定方法 |
CN111010312A (zh) * | 2019-11-28 | 2020-04-14 | 网宿科技股份有限公司 | 网络质量评估方法与服务器 |
CN111010312B (zh) * | 2019-11-28 | 2021-11-19 | 网宿科技股份有限公司 | 网络质量评估方法与服务器 |
CN112999648A (zh) * | 2019-12-18 | 2021-06-22 | 腾讯云计算(北京)有限责任公司 | 互动场景中的地标确定方法、装置及电子设备 |
CN112999648B (zh) * | 2019-12-18 | 2024-06-07 | 腾讯云计算(北京)有限责任公司 | 互动场景中的地标确定方法、装置及电子设备 |
CN111274341A (zh) * | 2020-01-16 | 2020-06-12 | 中国建设银行股份有限公司 | 一种网点选址方法和装置 |
CN111582985A (zh) * | 2020-05-09 | 2020-08-25 | 北京首汽智行科技有限公司 | 一种基于用户推荐的共享出行服务网点确定方法和装置 |
CN112686460A (zh) * | 2021-01-05 | 2021-04-20 | 广东赢商网数据服务股份有限公司 | 一种项目客流量预测方法、系统及计算机可读存储介质 |
CN112686460B (zh) * | 2021-01-05 | 2024-05-28 | 广东赢商网数据服务股份有限公司 | 一种项目客流量预测方法、系统及计算机可读存储介质 |
CN113657709A (zh) * | 2021-07-06 | 2021-11-16 | 南京嘉环科技股份有限公司 | 选址方法和选址装置 |
CN113657709B (zh) * | 2021-07-06 | 2024-07-02 | 嘉环科技股份有限公司 | 选址方法和选址装置 |
CN113763045A (zh) * | 2021-09-06 | 2021-12-07 | 武汉博创非凡智能科技有限公司 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
CN113763045B (zh) * | 2021-09-06 | 2024-02-23 | 武汉博创非凡智能科技有限公司 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
CN114331206A (zh) * | 2022-01-06 | 2022-04-12 | 重庆紫光华山智安科技有限公司 | 点位选址方法、装置、电子设备及可读存储介质 |
CN114331206B (zh) * | 2022-01-06 | 2022-11-01 | 重庆紫光华山智安科技有限公司 | 点位选址方法、装置、电子设备及可读存储介质 |
CN114661850A (zh) * | 2022-03-25 | 2022-06-24 | 中国建设银行股份有限公司 | 数据处理方法、装置、设备、介质及计算机程序产品 |
CN117093660A (zh) * | 2023-08-10 | 2023-11-21 | 广东广宇科技发展有限公司 | 一种管网监测点选址方法、电子设备及存储介质 |
CN117093660B (zh) * | 2023-08-10 | 2024-05-31 | 广东广宇科技发展有限公司 | 一种管网监测点选址方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154300A (zh) | 兴趣点选址方法、装置和计算机设备 | |
CN111429163B (zh) | 户外广告投放资源的推荐方法、装置及计算机设备 | |
Lee et al. | Boundary detection in disease mapping studies | |
Hillman et al. | Community colleges and labor market conditions: How does enrollment demand change relative to local unemployment rates? | |
US10384136B2 (en) | User matching method, apparatus, and system | |
US20160277895A1 (en) | System for Creating Anonymous Social Gatherings | |
Lorde et al. | Tourism services exports and economic growth in Barbados | |
Olivera | Changes in inequality and generalized trust in Europe | |
CN110675177A (zh) | 门店选址方法和装置 | |
TW201633241A (zh) | 用於確定目標位置的方法和裝置 | |
CN108921398B (zh) | 店铺质量评价方法及装置 | |
CN107239967A (zh) | 房产信息处理方法、装置、计算机设备及存储介质 | |
US20130262466A1 (en) | Group work support method | |
JP2019512806A5 (zh) | ||
Unnikrishnan et al. | Impact of public and private infrastructure investment on economic growth: Evidence from India | |
CN111415184B (zh) | 内容推荐方法、装置、电子设备及可读存储介质 | |
WO2015124024A1 (zh) | 一种提升信息的曝光率的方法和装置、确定搜索词的价值的方法和装置 | |
King et al. | Playoff uncertainty, match uncertainty and attendance at Australian National Rugby League matches | |
Funahashi et al. | Socio-psychological factors associated with the public's willingness to pay for elite sport policy: does risk perception matter? | |
Morgan et al. | Willingness to pay for soccer player development in the United States | |
CN109214634A (zh) | 一种信息处理方法、装置及信息处理可读介质 | |
CN107111826A (zh) | 应用的图像的自动选择 | |
CN102419791A (zh) | 人类常见病遗传风险评估方法 | |
CN113132749B (zh) | 直播间的推荐方法、装置、设备及介质 | |
US11308135B2 (en) | Data prioritization through relationship analysis mapping |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |