CN108875007A - 兴趣点的确定方法和装置、存储介质、电子装置 - Google Patents
兴趣点的确定方法和装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN108875007A CN108875007A CN201810622977.5A CN201810622977A CN108875007A CN 108875007 A CN108875007 A CN 108875007A CN 201810622977 A CN201810622977 A CN 201810622977A CN 108875007 A CN108875007 A CN 108875007A
- Authority
- CN
- China
- Prior art keywords
- interest
- point
- time
- information
- target
- 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
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种兴趣点的确定方法和装置、存储介质、电子装置。其中,该方法包括:获取第一定位请求,其中,第一定位请求用于请求获取目标帐号所在的目标兴趣点;响应于第一定位请求,查找与目标帐号的位置信息对应的候选兴趣点;从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,其中,空间上下文特征用于表示兴趣点之间的空间关联关系,时间上下文特征用于表示兴趣点之间的时间关联关系。本发明解决了相关技术中定位用户的兴趣点POI的准确率较低的技术问题。
Description
技术领域
本发明涉及互联网领域,具体而言,涉及一种兴趣点的确定方法和装置、存储介质、电子装置。
背景技术
随着互联网技术的飞速发展,地图导航、外卖、购物应用等成为了人们日常出行必不可少的工具。例如,在地图导航中,当用户想去某个地方时,只需在地图导航页面上输入出发地点和目的地点即可在地图导航页面上显示由出发地点到目的地点的最优导航线路。
但是,当用户想在地图导航上寻找某个地方附近的兴趣点(Point of Interest,POI)(例如,旅馆、酒店、KTV或餐馆)时,需要用户在地图导航页面上定位到该地方,然后点击附近搜索,在搜索栏输入关键词进行搜索,那么在地图导航页面上会显示该地方附近的与关键词相关联的POI,在该地方可能会有非常多的POI,面对这么多的POI,用户可能无法快速的从中选择对自己有用的POI,或者地图导航从中选择几个POI推荐给用户,但是由于推荐的准确率较低还是需要用户自己完整地输入想去的整个POI地址,从而降低了用户的体验。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种兴趣点的确定方法和装置、存储介质、电子装置,以至少解决相关技术中定位用户的兴趣点POI的准确率较低的技术问题。
根据本发明实施例的一个方面,提供了一种兴趣点的确定方法,包括:获取第一定位请求,其中,第一定位请求用于请求获取目标帐号所在的目标兴趣点;响应于第一定位请求,查找与目标帐号的位置信息对应的候选兴趣点;从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,其中,空间上下文特征用于表示兴趣点之间的空间关联关系,时间上下文特征用于表示兴趣点之间的时间关联关系。
根据本发明实施例的另一方面,还提供了一种兴趣点的确定装置,包括:获取单元,用于获取第一定位请求,其中,第一定位请求用于请求获取目标帐号所在的目标兴趣点;查找单元,用于响应于第一定位请求,查找与目标帐号的位置信息对应的候选兴趣点;选取单元,用于从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,其中,空间上下文特征用于表示兴趣点之间的空间关联关系,时间上下文特征用于表示兴趣点之间的时间关联关系。
根据本发明实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的方法。
根据本发明实施例的另一方面,还提供了一种电子装置,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,处理器通过计算机程序执行上述的方法。
在本发明实施例中,在获取第一定位请求时,查找与目标帐号的位置信息对应的候选兴趣点;从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,通过空间上下文特征表示兴趣点之间的空间关联关系,通过时间上下文特征表示兴趣点之间的时间关联关系,即通过空间上下文特征和时间上下文特征来描述用户的个性化签到顺序,利用空间上下文特征和时间上下文特征来预测用户的下一次签到POI,可以解决相关技术中定位用户的兴趣点POI的准确率较低的技术问题,进而达到提高预测用户的POI的准确度的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的兴趣点的确定方法的硬件环境的示意图;
图2是根据本发明实施例的一种可选的兴趣点的确定方法的流程图;
图3是根据本发明实施例的一种可选的模型预测兴趣点的示意图;
图4是根据本发明实施例的一种可选的兴趣点预测模型的示意图;
图5是根据本发明实施例的一种可选的兴趣点预测场景的示意图;
图6是根据本发明实施例的一种可选的兴趣点预测场景的示意图;
图7是根据本发明实施例的一种可选的兴趣点预测模型的训练流程图;
图8是根据本发明实施例的一种可选的兴趣点预测的流程图;
图9是根据本发明实施例的一种可选的兴趣点的确定装置的示意图;
以及
图10是根据本发明实施例的一种终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一方面,提供了一种兴趣点的确定方法的方法实施例。
可选地,在本实施例中,上述兴趣点的确定方法可以应用于如图1所示的由服务器101和终端103所构成的硬件环境中。如图1所示,服务器101通过网络与终端103进行连接,可在服务器101上或独立于服务器101设置数据库105,用于为服务器101提供数据存储服务,上述网络包括但不限于:广域网、城域网或局域网,终端103并不限定于PC、手机、平板电脑等。
本发明实施例的兴趣点的确定方法可以由服务器101来执行,图2是根据本发明实施例的一种可选的兴趣点的确定方法的流程图,如图2所示,该方法可以包括以下步骤:
步骤S202,服务器获取第一定位请求,第一定位请求用于请求获取目标帐号所在的目标兴趣点。
可选地,目标帐号可以是登录在客户端中的帐号,客户端可以安装在移动终端上,第一定位请求可以为客户端或终端触发的请求。
兴趣点POI是“Point of Interest”的缩写,在地理信息系统中,一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等。
步骤S204,服务器响应于第一定位请求,查找与目标帐号的位置信息对应的候选兴趣点。
上述的位置信息为移动终端的位置信息,即移动终端的当前坐标位置,如经纬度信息。
步骤S206,服务器从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,空间上下文特征用于表示兴趣点(即目标帐号实际签到过的兴趣点)之间的空间关联关系,时间上下文特征用于表示兴趣点之间的时间关联关系。
本申请的技术方案可以应用于基于位置的系统中,如签到预测、地图导航、外卖定位、快递位置定位等,后续以签到预测为例进行说明,签到预测旨在标记给定位置信息(如GPS信息,GPS全称为Global Positioning System)的用户所在的位置,从而触发签到预测,即将用户当前位置映射到语义上有意义的POI,根据用户的当前位置信息(如经度和纬度)产生POI列表,用户签到POI往往呈现出具有一定规律的顺序模式,即在一定程度上用户的下一次签到POI是可以从用户最近的签到POI中推断出来,因此,本申请提出了个性化顺序签到预测,该预测利用个性化用户偏好和顺序移动模式来改进签到预测任务,通过空间上下文特征和时间上下文特征来描述用户(即目标帐号所表征的用户)的个性化签到顺序,利用空间上下文特征和时间上下文特征来预测用户的下一次签到POI(即目标兴趣点),确定的POI列表预期包含用户想要登记并且预期签到概率较高的POI。
上述实施例以本申请的兴趣点的确定方法由服务器101来执行为例进行说明,本申请的兴趣点的确定方法也可以由移动终端103来执行,与上述实施例的区别仅在于步骤的执行主体由服务器替换为了终端,还可以是由服务器101和终端103共同执行,由服务器执行步骤S202至步骤S206中的一个或两个步骤,剩余步骤由终端执行。其中,终端103执行本发明实施例的兴趣点的确定方法也可以是由安装在其上的客户端来执行。
通过上述步骤S202至步骤S206,在获取第一定位请求时,查找与目标帐号的位置信息对应的候选兴趣点;从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,通过空间上下文特征表示兴趣点之间的空间关联关系,通过时间上下文特征表示兴趣点之间的时间关联关系,即通过空间上下文特征和时间上下文特征来描述用户的个性化签到顺序,利用空间上下文特征和时间上下文特征来预测用户的下一次签到POI,可以解决相关技术中定位用户的兴趣点POI的准确率较低的技术问题,进而达到提高预测用户的POI的准确度的技术效果。
签到预测是基于位置系统的重要基础服务之一,签到预测旨在映射用户当前位置的位置信息(如经纬度信息)到语义上有意义的兴趣点POI,如餐馆或商店。
在一种可选的基于地理位置信息和时间上下文的POI预估方案中,可利用地理位置信息建模(如高斯混合模型)来应对兴趣点位置信息是一个大偏差分布的挑战,并利用时间特征来筛选重叠经纬度的不同兴趣点。
在本申请的技术方案中,利用个性化偏好和时序模型改进基于地理位置信息和时间上下文的POI预估方案,可利用一个高斯混合模型和直方图分布估计模型分别从空间和时间两个维度建模上下文特征(包括空间上下文特征和时间上下文特征),进一步,采用嵌入式学习来对用户和兴趣点隐特征建模,通过对签到行为的建模来学习用户的个性化偏好,此外,可利用堆叠的长短期记忆模型SLSTM(英文全称为stacked Long-Short TermMemory)来学习签到的时序特性,最终,结合时空的上下文情境特征(即空间上下文特征和时间上下文特征)和个性化时序建模,提供了一种新的神经网络结构用于执行签到预测任务。下面结合图2所示的步骤详述本申请的技术方案:
在步骤S202提供的技术方案中,服务器获取第一定位请求,第一定位请求用于请求获取目标帐号所在的目标兴趣点。
可选地,获取第一定位请求可包括:获取客户端的第一定位请求,客户端上登录有目标帐号、且客户端安装在移动终端上,目标帐号可以为目标应用(如地图应用)的帐号,也可是除目标应用以外的第三方应用(如社交应用)的帐号,上述客户端即目标应用的客户端。
在步骤S204提供的技术方案中,服务器响应于第一定位请求,查找与目标帐号的位置信息对应的候选兴趣点。
可选地,查找与目标帐号的位置信息对应的候选兴趣点可包括:从移动终端获取目标帐号的位置信息,如经纬度信息(即GPS信息);根据目标帐号的位置信息对应的候选兴趣点,如将与目标帐号的位置信息之间的位置之间的差值为目标阈值(如1千米)的兴趣点为候选兴趣点。
在步骤S206提供的技术方案中,服务器从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,空间上下文特征用于表示兴趣点之间的空间关联关系,时间上下文特征用于表示兴趣点之间的时间关联关系。
在一个可选的签到预测方案中,需要收集用户的签到数据信息,包括签到地点的地理位置信息(经纬度)、时间信息、签到的兴趣点。基于这样的数据信息,可以构建一个利用地理位置信息和签到时间信息来预测兴趣点的模型,具体模型的工作流程如图3所示,排序模型(即第一模型)一般采用RankList或者LambdaMart算法,对空间特征和时间特征进行特征提取,空间特征的提取使用高斯模型实现,时间特征使用简单的时间统计信息实现,从而输出兴趣点列表。
上述方法在应对如下两个问题时仍有很大不足:其一是兴趣点位置信息是一个大偏差的分布,一个POI可能对应一个大区域,例如一所大学覆盖大区域;其二是城市地区密集度高,不同兴趣点之间经纬度重叠,例如,许多公司位于同一办公楼,不同的商店位于同一商场内,从二维经纬度的角度来看,同一建筑物中的POI高度连续,甚至在GPS信息中重叠。上述方案没有考虑用户的个性化特征和签到的时序特征,利用上述方案,对签到的兴趣点预测准确度低。
在本申请步骤S206所示的实施例中,提出了一种个性化顺序签到预测的方案,它挖掘用户的个性化签到偏好和移动模式,以改善预测结果。本申请提出的个性化顺序签到预测问题与下一个POI预测任务类似,这两项任务都会挖掘用户的签到记录以预测POI,区别在于,针对个性化顺序签到预测问题的预测POI可通过满足指定的空间上下文特征(即GPS信息)实现,因为预测远离取出的GPS的POI是没有意义的,且利用用户的签到偏好和顺序模式来改善签到预测任务,可通过一个深度神经网络模型来学习个性化顺序签到预测。
在本申请步骤S206所示的实施例中,从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点可以通过训练好的模型来实现:将候选兴趣点和第一时刻作为第一模型的输入,并获取第一模型指示的目标兴趣点,第一模型用于从候选兴趣点中确定出与空间上下文特征和时间上下文特征匹配的目标兴趣点,第一模型为从兴趣点序列中学习到用于表示兴趣点之间的空间关联关系的空间上下文特征和从多个第二时刻中学习到用于表示兴趣点之间的时间关联关系的时间上下文特征的第二模型,兴趣点序列为多个第一兴趣点按照第二时刻的时间顺序进行排列得到的序列,第一时刻为第一定位请求的获取时刻,第二时刻为在第一时刻之前确定目标帐号所在的兴趣点为第一兴趣点的时刻。
在上述方案中,在嵌入空间中表示用户和POI,并从签到历史记录中了解用户的偏好,此外,采用堆叠的长短期记忆模型来有效地获取签到顺序模式,从而提供了一个广泛而深入的神经网络(即第一模型),将个性化的顺序特征与上下文信息(即空间上下文特征和时间上下文特征)结合起来,为每个给出GPS(即空间上下文特征)和时间戳(即时间上下文特征)的用户推断POI列表。通过对实际数据集进行了详细的实验,实验结果表明,本申请提出的模型有效地捕获了个性化的顺序特征,并改善了签到预测。
可选地,将如图4所示的模型作为一个统一的框架,联合学习情境信息和个性化顺序签到预测任务的顺序移动模式,在CM网络中,建立上下文特征建模模块,旨在预测来自地理和时间上下文信息,在右侧深度神经网络部分,建立了个性化增强序列建模PESM模块,从签到记录中学习用户和POI嵌入,以模拟个性化偏好,并使用堆叠的长短期记忆LSTM网络来建模顺序移动性,此外,使用两层完全连接的整流线性单元ReLU(英文全称为RectifiedLinear Unit)来学习组合的上下文特征和个性化顺序特征,其中第二个ReLU层包含第一个ReLU层的半隐藏神经元,最后使用一个sigmoid激活层来映射函数价值作为概率估计。将候选兴趣点和第一时刻作为第一模型的输入,并获取第一模型指示的目标兴趣点包括:
步骤1,通过第一模型中的第一层网络(或称上下文建模网络、上下文特征建模模块CM),利用空间上下文特征中兴趣点之间的空间关联关系确定候选兴趣点的第一信息,并利用时间上下文特征中兴趣点之间的第一时间关联关系确定候选兴趣点的第二信息,其中,第一信息为根据空间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第二信息为根据第一时间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第一时间关联关系用于指示从多个第二时刻中学习到的兴趣点与确定兴趣点时所在的时间段之间的关系。
CM模块利用领域知识分析上下文信息和POI之间的关系,并预测签入情况,该模块建立模型以分别从地理上下文(即GPS信息)和时间上下文(即时间戳)推断可能的登记入住POI,例如,利用空间上下文特征中兴趣点之间的空间关联关系确定候选兴趣点的第一信息时,假如用户当前所在的场景为商场,商场包括多层(对应的GPS信息基本相同),每层包括多个商店,当前用户而言,当其对其中一层的一个商店签到时,存在一定的概率(记为第一概率)继续逛同层的商店,也存在一定的概率逛更高一层的某个商店(记为第二概率),还存在一定的概率继续逛低一层的某个商店(记为第三概率),CM模块能够根据该用户的历史签到记录学习到上述的概率,进而可以通过CM模块推断出下一签到POI的概率(即第一信息);再如,用户按照一定顺序逛相邻的几个商店,上述CM模块能够学习到用户逛相邻的几个商店的位置方向信息,进而在下次用户逛相邻的商店时,类似地,能够按照该规律推算出下一签到POI的概率(即第一信息)。
在利用时间上下文特征中兴趣点之间的第一时间关联关系确定候选兴趣点的第二信息时,可查找每种类型下的多个时间段中候选兴趣点所在的目标时间段,第一时间关联关系包括按照多个时间尺度划分的多种类型的多个时间段,按照多个时间尺度中的一个时间尺度划分得到一种类型的多个时间段,从而可以在不同的尺度来描述兴趣点签到的概率分布:如将一周分成周一至周日,工作日和周末;将一天按小时分片,按两小时分片,按早上,中午,下午,晚上,深夜分片,通过不同时间尺度的直方图分布提取了时间特征,根据已经发生的签到行为,建立了签到地点在不同时间尺度的直方图经验分布,比如有两个签到行为,分别发生在周一和周二,将一周分成周一至周日,工作日和周末,那么经验分布在周一,周二分别是0.5,周三至周日是0,工作日是1周末是0等,进一步的根据签到行为的发生时间,可以计算在该时间上,不同尺度上某一POI签到的经验概率。
步骤2,通过第一模型中的第二层网络(包括LSTM编码器、解码器等),利用时间上下文特征中兴趣点之间的第二时间关联关系确定候选兴趣点的第三信息,第三信息为根据第二时间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第二时间关联关系用于指示从多个第二时刻中学习到的兴趣点的确定时间之间的时间先后顺序。
用户签到行为往往在一定程度上表现出顺序模式,即下一次签到POI可以在一定程度上从用户最近的签到中推断出来,因此,本申请提出了个性化顺序签到预测,该预测利用个性化用户偏好和顺序移动模式来改进签到预测任务,可利用递归神经网络(RNN)模型及其变体实现,即利用长短期记忆(LSTM)模型和门控递归单元(GRU)模型来实现序列建模,采用堆栈LSTM来对签入顺序进行建模,所提供的个性化签入预测模型将用户行为理解和上下文信息来推断出用户的签到。
学习个性化和顺序性功能超出了明确的上下文信息,本申请使用两层叠加的LSTM来学习用户的顺序移动模式,第一层用于编码签到顺序Ls,第二层用于模拟顺序动态,给定Ls(如l1、l2等)作为输入,堆积的LSTM(SLSTM)模型输出矢量hs以表示序列信息。
个性化增强时序建模模块,输出可包含三个部分,<u,lc>(向量内积),<lc,hs>(向量内积),{u,lc,hs}(向量串接)。
两个模块(即上述的第一层网络和第二层网络)的输出可作为一组输入特征,接到两个全连接层,使用ReLU作为激活函数,全连接层一般由两个部分组成,线性部分,主要做线性转换,对输入进行纬度扩张或者降维;非线性部分(激活函数),做非线性变换。
步骤3,通过第一模型中的第三层网络,利用第一信息、第二信息以及第三信息确定候选兴趣点中的目标兴趣点。
个性化顺序登记预测模型旨在计算概率P(l|gx,gy,t,u,Ls), 神经网络模型可以解释如下:假设上下文信息(即地理信息gx、gy和时间戳t)和个性化顺序功能独立地影响签到活动,此外,假设两种情境信息是相互独立的,然后,可以利用贝叶斯规则来推断候选POI l的概率。
在贝叶斯公式中,在利用第一信息、第二信息以及第三信息确定候选兴趣点中的目标兴趣点时,可利用第一信息、第二信息以及第三信息确定每个候选兴趣点的概率,概率用于表示候选兴趣点为目标兴趣点的概率;按照概率从候选兴趣点中选取出目标兴趣点,目标兴趣点的概率大于候选兴趣点中除目标兴趣点以外的兴趣点的概率。
在一个可选的实施例中,在从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点之后,可在客户端中按照概率从大到小展示目标兴趣点。
在客户端中按照概率从大到小展示目标兴趣点之后,可在客户端检测用户的操作,在检测到目标帐号的第一操作的情况下,将第一操作所指示的目标兴趣点(即兴趣点列表中选择的签到POI)作为目标帐号所在的第二兴趣点;在检测到目标帐号的第二操作的情况下,将第二操作所指示的兴趣点作为目标帐号所在的第二兴趣点,第二操作所指示的兴趣点可以为目标帐号(即用户)输入的兴趣点或目标帐号选择的目标兴趣点以外的兴趣点,如继续下拉上述的兴趣点列表,可以看到更多的兴趣点POI,进而从其中选择。
可选地,在从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点之后,可将目标帐号所在的第二兴趣点保存至兴趣点序列,兴趣点序列中的多个第一兴趣点和第二兴趣点按照时间顺序进行排列;将兴趣点序列作为第一模型的输入,以对第一模型进行重新训练,重新优化第一模型中各个网络层的参数权重,得到第三模型,便于以后更为准确的用第三模型来进行签到预测,第三模型在获取到客户端的第二定位请求时,对目标帐号所在的兴趣点进行预估,从而给出预测列表,供用户进行选择。
作为一种可选的实施例,下面以将本申请的技术方案应用于移动端的签到预测进一步详述本申请的技术方案。
如图5所示,在移动端,在用户签到得到经纬度信息的情况下,估计用户当前的兴趣点位置,以排序好的兴趣点列表(包括POI1等)形式返回,通过利用用户签到的个性化特征以及签到行为的时序特征来改进相关技术中的方案,可以提高签到预测的准确度。
一种可选的应用场景如图6所示,应用在移动端,在用户签到得到经纬度信息的情况下,估计用户当前的兴趣点位置,以排序好的兴趣点列表形式返回,图6展示了一个具体的在即时通讯应用中签到地点的场景,类似的,这样的签到场景也适用于外卖、社交、地图等位置相关产品。
图7展示了本申请的工作流程。
步骤S702,收集用户的签到数据信息,包括签到地点的地理位置信息(如经纬度)、时间信息、签到的兴趣点、用户id,以及之前的签到兴趣点。
步骤S704,训练模型。
为了个性化时序特征建模,增加了用户id和历史签到兴趣点的收集,基于这样的数据信息,可以构建一个从地理位置信息(经纬度)、时间信息、签到的兴趣点、用户id和历史签到兴趣点预测当前签到兴趣点的系统。该系统首先收集历史数据训练模型。
步骤S706,模型训练完成后,输出训练好的模型。
模型训练完成后,当一个用户发起签到行为时,可以按照如图8所示的方式进行签到预测:
步骤S802,收到用户的当前经纬度信息、时间信息、用户id以及历史签到兴趣点。
步骤S804,利用训练好的模型输出兴趣点列表。
该用户的id和历史签到信息已经在系统记录,系统针对当前行为收集用户此时的地理位置信息和时间信息,并利用训练好的模型响应,预测用户可能的签到兴趣点。
模型的构建如图4所示。
图4展示了模型的构建方式,该模型包含两个模块,上下文特征建模模块和个性化增强时序建模模块。
上下文特征建模模块主要是对于空间特征(即空间上下文特征)和时间特征(即时间上下文特征)建模,本申请使用高斯混合模型去建模空间特征,对于经纬度gx、gy和兴趣点l的关系,可以表述如下,
其中,N(l|μk,σk)表示均值为μk的高斯分布,通过协方差σk评估位置1,其中πk表示混合比例,不同的位置需要不同的k值,例如,一家户外咖啡店可能只需要一个中心,而一个机场太大而无法由一个中心满足,在本申请中,可使用Dirichlet过程(即狄利克雷分布)来为GMM自动选择k。
对于时间特征,本申请在不同的尺度来描述兴趣点签到的概率分布:如将一周分成周一至周日,工作日和周末;将一天按小时分片,按两小时分片,按早上,中午,下午,晚上,深夜分片。本申请通过不同时间尺度的直方图分布提取了时间特征。
个性化增强时序建模模块包含两个任务:学习个性化签到特征和签到时序特征,本申请使用嵌入式表征方式来描述用户和兴趣点,并建模签到行为来学习个性化特征,另外本申请使用两层的堆叠式长短期记忆神经网络来学习时序特征。
模型两个模块输出的所有的特征使用顺序连接的方式组合成一个向量特征,并连接到全连接层,在两层的全连接层之后,使用一个sigmoid函数来做判定层,判定用户是否在一个兴趣点有签到行为。
以兴趣点列表返回的第一个位置的准确度作为衡量标准,本申请的技术方案相对相关技术中的方法有了接近30%的提升。在本申请中,提出了一种端到端的神经网络模型。一种可能的扩展方案是,分别对空间特征,时间特征,个性化签到特征,时序特征建模,然后再对推荐结果进行融合。
通过模型比较的实验结果表明,上下文信息,特别是地理信息在签到预测任务中起着重要作用。包括GNN,排名表和Lambda排名在内的基线显示出较好的结果,与顺序模型LSTM和SLSTM相比,由于上下文信息和签入的POI之间的直接关系,上下文推断模型(即RankList和Lambda Rank)表现出更好的性能;顺序模型LSTM和SLSTM可以在没有上下文信息的情况下预测签入,仅挖掘用户的签入模式;另外,根据额外计算,顺序模型(即LSTM和SLSTM)和上下文推断模型(即,GNN,秩列表和Lambda秩)中的重叠校正预测小于50%,因此,序列模型和上下文推断模型在一定程度上从两个角度预测签入;所提出的模型达到最佳性能,通过结合上下文信息和个性化顺序信息,模型提供更好的性能,所提出的个性化顺序签入预测可以改善传统的签入预测任务。此外,该模型可以用于改进基于位置的系统中的自动签到功能,这些系统通常基于传统的签到预测方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种用于实施上述兴趣点的确定方法的兴趣点的确定装置。图9是根据本发明实施例的一种可选的兴趣点的确定装置的示意图,如图9所示,该装置可以包括:
获取单元901,用于获取第一定位请求,其中,第一定位请求用于请求获取目标帐号所在的目标兴趣点;
查找单元903,用于响应于第一定位请求,查找与目标帐号的位置信息对应的候选兴趣点;
选取单元905,用于从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,其中,空间上下文特征用于表示兴趣点之间的空间关联关系,时间上下文特征用于表示兴趣点之间的时间关联关系。
需要说明的是,该实施例中的获取单元901可以用于执行本申请实施例中的步骤S202,该实施例中的查找单元903可以用于执行本申请实施例中的步骤S204,该实施例中的选取单元905可以用于执行本申请实施例中的步骤S206。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现。
通过上述模块,在获取第一定位请求时,查找与目标帐号的位置信息对应的候选兴趣点;从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,通过空间上下文特征表示兴趣点之间的空间关联关系,通过时间上下文特征表示兴趣点之间的时间关联关系,即通过空间上下文特征和时间上下文特征来描述用户的个性化签到顺序,利用空间上下文特征和时间上下文特征来预测用户的下一次签到POI,可以解决相关技术中定位用户的兴趣点POI的准确率较低的技术问题,进而达到提高预测用户的POI的准确度的技术效果。
在上述实施例中,选取单元还可用于:将候选兴趣点和第一时刻作为第一模型的输入,并获取第一模型指示的目标兴趣点,其中,第一模型用于从候选兴趣点中确定出与空间上下文特征和时间上下文特征匹配的目标兴趣点,第一模型为从兴趣点序列中学习到用于表示兴趣点之间的空间关联关系的空间上下文特征和从多个第二时刻中学习到用于表示兴趣点之间的时间关联关系的时间上下文特征的第二模型,兴趣点序列为多个第一兴趣点按照第二时刻的时间顺序进行排列得到的序列,第一时刻为第一定位请求的获取时刻,第二时刻为在第一时刻之前确定目标帐号所在的兴趣点为第一兴趣点的时刻。
可选地,选取单元可包括:第一确定模块,用于通过第一模型中的第一层网络,利用空间上下文特征中兴趣点之间的空间关联关系确定候选兴趣点的第一信息,并利用时间上下文特征中兴趣点之间的第一时间关联关系确定候选兴趣点的第二信息,其中,第一信息为根据空间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第二信息为根据第一时间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第一时间关联关系用于指示从多个第二时刻中学习到的兴趣点与确定兴趣点时所在的时间段之间的关系;第二确定模块,用于通过第一模型中的第二层网络,利用时间上下文特征中兴趣点之间的第二时间关联关系确定候选兴趣点的第三信息,第三信息为根据第二时间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第二时间关联关系用于指示从多个第二时刻中学习到的兴趣点的确定时间之间的时间先后顺序;第三确定模块,用于通过第一模型中的第三层网络,利用第一信息、第二信息以及第三信息确定候选兴趣点中的目标兴趣点。
可选地,上述的第一确定模块可包括:查找子模块,用于查找每种类型下的多个时间段中候选兴趣点所在的目标时间段,其中,第一时间关联关系包括按照多个时间尺度划分的多种类型的多个时间段,按照多个时间尺度中的一个时间尺度划分得到一种类型的多个时间段;获取子模块,用于获取用于表示候选兴趣点在多种类型下的多个时间段中的目标时间段的第二信息。
可选地,上述的第三确定模块可包括:确定子模块,用于利用第一信息、第二信息以及第三信息确定每个候选兴趣点的概率,其中,概率用于表示候选兴趣点为目标兴趣点的概率;选取子模块,用于按照概率从候选兴趣点中选取出目标兴趣点,其中,目标兴趣点的概率大于候选兴趣点中除目标兴趣点以外的兴趣点的概率。
可选地,本申请的装置还可包括:第一检测单元,用于在客户端中按照概率从大到小展示目标兴趣点之后,在检测到目标帐号的第一操作的情况下,将第一操作所指示的目标兴趣点作为目标帐号所在的第二兴趣点;第二检测单元,用于在检测到目标帐号的第二操作的情况下,将第二操作所指示的兴趣点作为目标帐号所在的第二兴趣点,其中,第二操作所指示的兴趣点为目标帐号输入的兴趣点或目标帐号选择的目标兴趣点以外的兴趣点。
可选地,本申请的装置还可包括:保存单元,用于在从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点之后,将目标帐号所在的第二兴趣点保存至兴趣点序列,其中,兴趣点序列中的多个第一兴趣点和第二兴趣点按照时间顺序进行排列;训练单元,用于将兴趣点序列作为第一模型的输入,以对第一模型进行重新训练,得到第三模型,其中,第三模型用于在获取到客户端的第二定位请求时,对目标帐号所在的兴趣点进行预估。
通过模型比较的实验结果表明,上下文信息,特别是地理信息在签到预测任务中起着重要作用。包括GNN,排名表和Lambda排名在内的基线显示出较好的结果,与顺序模型LSTM和SLSTM相比,由于上下文信息和签入的POI之间的直接关系,上下文推断模型(即RankList和Lambda Rank)表现出更好的性能;顺序模型LSTM和SLSTM可以在没有上下文信息的情况下预测签入,仅挖掘用户的签入模式;另外,根据额外计算,顺序模型(即LSTM和SLSTM)和上下文推断模型(即,GNN,秩列表和Lambda秩)中的重叠校正预测小于50%,因此,序列模型和上下文推断模型在一定程度上从两个角度预测签入;所提出的模型达到最佳性能,通过结合上下文信息和个性化顺序信息,模型提供更好的性能,所提出的个性化顺序签入预测可以改善传统的签入预测任务。此外,该模型可以用于改进基于位置的系统中的自动签到功能,这些系统通常基于传统的签到预测方法。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本发明实施例的另一个方面,还提供了一种用于实施上述兴趣点的确定方法的服务器或终端。
图10是根据本发明实施例的一种终端的结构框图,如图10所示,该终端可以包括:一个或多个(图10中仅示出一个)处理器1001、存储器1003、以及传输装置1005,如图10所示,该终端还可以包括输入输出设备1007。
其中,存储器1003可用于存储软件程序以及模块,如本发明实施例中的兴趣点的确定方法和装置对应的程序指令/模块,处理器1001通过运行存储在存储器1003内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,即实现上述的兴趣点的确定方法。存储器1003可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1003可进一步包括相对于处理器1001远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置1005用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1005包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1005为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器1003用于存储应用程序。
处理器1001可以通过传输装置1005调用存储器1003存储的应用程序,以执行下述步骤:
获取第一定位请求,其中,第一定位请求用于请求获取目标帐号所在的目标兴趣点;
响应于第一定位请求,查找与目标帐号的位置信息对应的候选兴趣点;
从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,其中,空间上下文特征用于表示兴趣点之间的空间关联关系,时间上下文特征用于表示兴趣点之间的时间关联关系。
处理器1001还用于执行下述步骤:
通过第一模型中的第一层网络,利用空间上下文特征中兴趣点之间的空间关联关系确定候选兴趣点的第一信息,并利用时间上下文特征中兴趣点之间的第一时间关联关系确定候选兴趣点的第二信息,其中,第一信息为根据空间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第二信息为根据第一时间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第一时间关联关系用于指示从多个第二时刻中学习到的兴趣点与确定兴趣点时所在的时间段之间的关系;
通过第一模型中的第二层网络,利用时间上下文特征中兴趣点之间的第二时间关联关系确定候选兴趣点的第三信息,第三信息为根据第二时间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第二时间关联关系用于指示从多个第二时刻中学习到的兴趣点的确定时间之间的时间先后顺序;
通过第一模型中的第三层网络,利用第一信息、第二信息以及第三信息确定候选兴趣点中的目标兴趣点。
采用本发明实施例,在获取第一定位请求时,查找与目标帐号的位置信息对应的候选兴趣点;从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,通过空间上下文特征表示兴趣点之间的空间关联关系,通过时间上下文特征表示兴趣点之间的时间关联关系,即通过空间上下文特征和时间上下文特征来描述用户的个性化签到顺序,利用空间上下文特征和时间上下文特征来预测用户的下一次签到POI,可以解决相关技术中定位用户的兴趣点POI的准确率较低的技术问题,进而达到提高预测用户的POI的准确度的技术效果。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图10所示的结构仅为示意,终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices,MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如,终端还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图10所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行兴趣点的确定方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
S12,获取第一定位请求,其中,第一定位请求用于请求获取目标帐号所在的目标兴趣点;
S14,响应于第一定位请求,查找与目标帐号的位置信息对应的候选兴趣点;
S16,从候选兴趣点中选取出与目标帐号的空间上下文特征和时间上下文特征匹配的目标兴趣点,其中,空间上下文特征用于表示兴趣点之间的空间关联关系,时间上下文特征用于表示兴趣点之间的时间关联关系。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:
S22,通过第一模型中的第一层网络,利用空间上下文特征中兴趣点之间的空间关联关系确定候选兴趣点的第一信息,并利用时间上下文特征中兴趣点之间的第一时间关联关系确定候选兴趣点的第二信息,其中,第一信息为根据空间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第二信息为根据第一时间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第一时间关联关系用于指示从多个第二时刻中学习到的兴趣点与确定兴趣点时所在的时间段之间的关系;
S24,通过第一模型中的第二层网络,利用时间上下文特征中兴趣点之间的第二时间关联关系确定候选兴趣点的第三信息,第三信息为根据第二时间关联关系从候选兴趣点中提取的与目标兴趣点相关的信息,第二时间关联关系用于指示从多个第二时刻中学习到的兴趣点的确定时间之间的时间先后顺序;
S26,通过第一模型中的第三层网络,利用第一信息、第二信息以及第三信息确定候选兴趣点中的目标兴趣点。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种兴趣点的确定方法,其特征在于,包括:
获取第一定位请求,其中,所述第一定位请求用于请求获取目标帐号所在的目标兴趣点;
响应于所述第一定位请求,查找与所述目标帐号的位置信息对应的候选兴趣点;
从所述候选兴趣点中选取出与所述目标帐号的空间上下文特征和时间上下文特征匹配的所述目标兴趣点,其中,所述空间上下文特征用于表示兴趣点之间的空间关联关系,所述时间上下文特征用于表示兴趣点之间的时间关联关系。
2.根据权利要求1所述的方法,其特征在于,从所述候选兴趣点中选取出与所述目标帐号的空间上下文特征和时间上下文特征匹配的所述目标兴趣点包括:
将所述候选兴趣点和第一时刻作为第一模型的输入,并获取所述第一模型指示的所述目标兴趣点,其中,所述第一模型用于从所述候选兴趣点中确定出与所述空间上下文特征和所述时间上下文特征匹配的所述目标兴趣点,所述第一模型为从兴趣点序列中学习到用于表示兴趣点之间的空间关联关系的所述空间上下文特征和从多个第二时刻中学习到用于表示兴趣点之间的时间关联关系的所述时间上下文特征的第二模型,所述兴趣点序列为多个第一兴趣点按照所述第二时刻的时间顺序进行排列得到的序列,所述第一时刻为所述第一定位请求的获取时刻,所述第二时刻为在所述第一时刻之前确定所述目标帐号所在的兴趣点为所述第一兴趣点的时刻。
3.根据权利要求2所述的方法,其特征在于,将所述候选兴趣点和第一时刻作为第一模型的输入,并获取所述第一模型指示的所述目标兴趣点包括:
通过所述第一模型中的第一层网络,利用所述空间上下文特征中兴趣点之间的空间关联关系确定所述候选兴趣点的第一信息,并利用所述时间上下文特征中兴趣点之间的第一时间关联关系确定所述候选兴趣点的第二信息,其中,所述第一信息为根据所述空间关联关系从所述候选兴趣点中提取的与所述目标兴趣点相关的信息,所述第二信息为根据所述第一时间关联关系从所述候选兴趣点中提取的与所述目标兴趣点相关的信息,所述第一时间关联关系用于指示从所述多个第二时刻中学习到的兴趣点与确定兴趣点时所在的时间段之间的关系;
通过所述第一模型中的第二层网络,利用所述时间上下文特征中兴趣点之间的第二时间关联关系确定所述候选兴趣点的第三信息,所述第三信息为根据所述第二时间关联关系从所述候选兴趣点中提取的与所述目标兴趣点相关的信息,所述第二时间关联关系用于指示从所述多个第二时刻中学习到的兴趣点的确定时间之间的时间先后顺序;
通过所述第一模型中的第三层网络,利用所述第一信息、所述第二信息以及所述第三信息确定所述候选兴趣点中的所述目标兴趣点。
4.根据权利要求3所述的方法,其特征在于,利用所述时间上下文特征中兴趣点之间的第一时间关联关系确定所述候选兴趣点的第二信息包括:
查找每种类型下的多个时间段中所述候选兴趣点所在的目标时间段,其中,所述第一时间关联关系包括按照多个时间尺度划分的多种类型的多个时间段,按照所述多个时间尺度中的一个时间尺度划分得到一种类型的多个时间段;
获取用于表示所述候选兴趣点在所述多种类型下的多个时间段中的目标时间段的所述第二信息。
5.根据权利要求3所述的方法,其特征在于,利用所述第一信息、所述第二信息以及所述第三信息确定所述候选兴趣点中的所述目标兴趣点包括:
利用所述第一信息、所述第二信息以及所述第三信息确定每个所述候选兴趣点的概率,其中,所述概率用于表示所述候选兴趣点为所述目标兴趣点的概率;
按照所述概率从所述候选兴趣点中选取出所述目标兴趣点,其中,所述目标兴趣点的概率大于所述候选兴趣点中除所述目标兴趣点以外的兴趣点的概率。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,
获取第一定位请求包括:获取客户端的所述第一定位请求,其中,所述客户端上登录有所述目标帐号、且所述客户端安装在移动终端上;
在从所述候选兴趣点中选取出与所述目标帐号的空间上下文特征和时间上下文特征匹配的所述目标兴趣点之后,所述方法还包括:在所述客户端中按照概率从大到小展示所述目标兴趣点。
7.根据权利要求6所述的方法,其特征在于,在所述客户端中按照概率从大到小展示所述目标兴趣点之后,所述方法还包括:
在检测到所述目标帐号的第一操作的情况下,将所述第一操作所指示的所述目标兴趣点作为所述目标帐号所在的第二兴趣点;
在检测到所述目标帐号的第二操作的情况下,将所述第二操作所指示的兴趣点作为所述目标帐号所在的所述第二兴趣点,其中,所述第二操作所指示的兴趣点为所述目标帐号输入的兴趣点或所述目标帐号选择的所述目标兴趣点以外的兴趣点。
8.根据权利要求7所述的方法,其特征在于,在从所述候选兴趣点中选取出与所述目标帐号的空间上下文特征和时间上下文特征匹配的所述目标兴趣点之后,所述方法还包括:
将所述目标帐号所在的所述第二兴趣点保存至兴趣点序列,其中,所述兴趣点序列中的多个第一兴趣点和所述第二兴趣点按照时间顺序进行排列;
将所述兴趣点序列作为第一模型的输入,以对所述第一模型进行重新训练,得到第三模型,其中,所述第三模型用于在获取到客户端的第二定位请求时,对所述目标帐号所在的兴趣点进行预估。
9.一种兴趣点的确定装置,其特征在于,包括:
获取单元,用于获取第一定位请求,其中,所述第一定位请求用于请求获取目标帐号所在的目标兴趣点;
查找单元,用于响应于所述第一定位请求,查找与所述目标帐号的位置信息对应的候选兴趣点;
选取单元,用于从所述候选兴趣点中选取出与所述目标帐号的空间上下文特征和时间上下文特征匹配的所述目标兴趣点,其中,所述空间上下文特征用于表示兴趣点之间的空间关联关系,所述时间上下文特征用于表示兴趣点之间的时间关联关系。
10.根据权利要求9所述的装置,其特征在于,所述选取单元还用于:
将所述候选兴趣点和第一时刻作为第一模型的输入,并获取所述第一模型指示的所述目标兴趣点,其中,所述第一模型用于从所述候选兴趣点中确定出与所述空间上下文特征和所述时间上下文特征匹配的所述目标兴趣点,所述第一模型为从兴趣点序列中学习到用于表示兴趣点之间的空间关联关系的所述空间上下文特征和从多个第二时刻中学习到用于表示兴趣点之间的时间关联关系的所述时间上下文特征的第二模型,所述兴趣点序列为多个第一兴趣点按照所述第二时刻的时间顺序进行排列得到的序列,所述第一时刻为所述第一定位请求的获取时刻,所述第二时刻为在所述第一时刻之前确定所述目标帐号所在的兴趣点为所述第一兴趣点的时刻。
11.根据权利要求10所述的装置,其特征在于,所述选取单元包括:
第一确定模块,用于通过所述第一模型中的第一层网络,利用所述空间上下文特征中兴趣点之间的空间关联关系确定所述候选兴趣点的第一信息,并利用所述时间上下文特征中兴趣点之间的第一时间关联关系确定所述候选兴趣点的第二信息,其中,所述第一信息为根据所述空间关联关系从所述候选兴趣点中提取的与所述目标兴趣点相关的信息,所述第二信息为根据所述第一时间关联关系从所述候选兴趣点中提取的与所述目标兴趣点相关的信息,所述第一时间关联关系用于指示从所述多个第二时刻中学习到的兴趣点与确定兴趣点时所在的时间段之间的关系;
第二确定模块,用于通过所述第一模型中的第二层网络,利用所述时间上下文特征中兴趣点之间的第二时间关联关系确定所述候选兴趣点的第三信息,所述第三信息为根据所述第二时间关联关系从所述候选兴趣点中提取的与所述目标兴趣点相关的信息,所述第二时间关联关系用于指示从所述多个第二时刻中学习到的兴趣点的确定时间之间的时间先后顺序;
第三确定模块,用于通过所述第一模型中的第三层网络,利用所述第一信息、所述第二信息以及所述第三信息确定所述候选兴趣点中的所述目标兴趣点。
12.根据权利要求11所述的装置,其特征在于,所述第一确定模块包括:
查找子模块,用于查找每种类型下的多个时间段中所述候选兴趣点所在的目标时间段,其中,所述第一时间关联关系包括按照多个时间尺度划分的多种类型的多个时间段,按照所述多个时间尺度中的一个时间尺度划分得到一种类型的多个时间段;
获取子模块,用于获取用于表示所述候选兴趣点在所述多种类型下的多个时间段中的目标时间段的所述第二信息。
13.根据权利要求11所述的装置,其特征在于,所述第三确定模块包括:
确定子模块,用于利用所述第一信息、所述第二信息以及所述第三信息确定每个所述候选兴趣点的概率,其中,所述概率用于表示所述候选兴趣点为所述目标兴趣点的概率;
选取子模块,用于按照所述概率从所述候选兴趣点中选取出所述目标兴趣点,其中,所述目标兴趣点的概率大于所述候选兴趣点中除所述目标兴趣点以外的兴趣点的概率。
14.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至8任一项中所述的方法。
15.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序执行上述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810622977.5A CN108875007B (zh) | 2018-06-15 | 2018-06-15 | 兴趣点的确定方法和装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810622977.5A CN108875007B (zh) | 2018-06-15 | 2018-06-15 | 兴趣点的确定方法和装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875007A true CN108875007A (zh) | 2018-11-23 |
CN108875007B CN108875007B (zh) | 2019-12-17 |
Family
ID=64340606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810622977.5A Active CN108875007B (zh) | 2018-06-15 | 2018-06-15 | 兴趣点的确定方法和装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875007B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582880A (zh) * | 2018-12-04 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 兴趣点信息处理方法、装置、终端及存储介质 |
CN109684430A (zh) * | 2018-12-19 | 2019-04-26 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110297967A (zh) * | 2019-05-14 | 2019-10-01 | 北京百度网讯科技有限公司 | 兴趣点确定方法、装置、设备及计算机可读存储介质 |
CN110307854A (zh) * | 2019-04-16 | 2019-10-08 | 广州唯品会研究院有限公司 | 一种基于cors技术的高精度电商物流地图定位方法及系统 |
CN110781413A (zh) * | 2019-08-28 | 2020-02-11 | 腾讯大地通途(北京)科技有限公司 | 兴趣点确定方法及装置、存储介质、电子设备 |
CN110807070A (zh) * | 2019-10-25 | 2020-02-18 | 普强信息技术(北京)有限公司 | 一种基于神经网络的路况信息提取方法 |
CN111160471A (zh) * | 2019-12-30 | 2020-05-15 | 腾讯云计算(北京)有限责任公司 | 一种兴趣点数据处理方法、装置、电子设备和存储介质 |
CN111274901A (zh) * | 2020-01-15 | 2020-06-12 | 浙江大学 | 一种基于深度门控递归单元的手势深度图像连续检测方法 |
CN111538916A (zh) * | 2020-04-20 | 2020-08-14 | 重庆大学 | 一种基于神经网络和地理影响的兴趣点推荐方法 |
CN111737430A (zh) * | 2020-06-16 | 2020-10-02 | 北京百度网讯科技有限公司 | 实体链接方法、装置、设备以及存储介质 |
CN111814069A (zh) * | 2019-09-17 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 信息处理方法、装置、存储介质以及电子设备 |
CN112084427A (zh) * | 2020-09-15 | 2020-12-15 | 辽宁工程技术大学 | 一种基于图神经网络的兴趣点推荐方法 |
CN112632406A (zh) * | 2020-10-10 | 2021-04-09 | 咪咕文化科技有限公司 | 查询方法、装置、电子设备及存储介质 |
CN112781604A (zh) * | 2019-11-08 | 2021-05-11 | 逸驾智能科技有限公司 | 用于导航的方法、装置、设备和计算机可读存储介质 |
CN113486068A (zh) * | 2021-07-02 | 2021-10-08 | 建信金融科技有限责任公司 | 兴趣点数据的确定方法、装置、电子设备及计算机可读介质 |
CN113590971A (zh) * | 2021-08-13 | 2021-11-02 | 浙江大学 | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 |
CN114780866A (zh) * | 2022-04-11 | 2022-07-22 | 山东省人工智能研究院 | 一种基于时空上下文兴趣学习模型的个性化智能推荐方法 |
CN114817743A (zh) * | 2022-05-17 | 2022-07-29 | 北京百度网讯科技有限公司 | 兴趣点搜索方法和装置 |
TWI779887B (zh) * | 2021-10-19 | 2022-10-01 | 國立臺灣大學 | 動態式民宿資訊推薦裝置 |
CN115687801A (zh) * | 2022-09-27 | 2023-02-03 | 南京工业职业技术大学 | 一种基于位置时效特征和时间感知动态相似性的位置推荐方法 |
CN117633371A (zh) * | 2024-01-25 | 2024-03-01 | 云南大学 | 基于多注意力机制的推荐方法、设备和可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767835A (zh) * | 2017-02-08 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 定位方法和装置 |
CN106960256A (zh) * | 2017-03-17 | 2017-07-18 | 中山大学 | 基于时间空间上下文的循环神经网络预测位置的方法 |
CN107657015A (zh) * | 2017-09-26 | 2018-02-02 | 北京邮电大学 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
-
2018
- 2018-06-15 CN CN201810622977.5A patent/CN108875007B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767835A (zh) * | 2017-02-08 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 定位方法和装置 |
CN106960256A (zh) * | 2017-03-17 | 2017-07-18 | 中山大学 | 基于时间空间上下文的循环神经网络预测位置的方法 |
CN107657015A (zh) * | 2017-09-26 | 2018-02-02 | 北京邮电大学 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
HENG-TZE CHENG 等: "Wide & Deep Learning for Recommender Systems", 《DLRS 2016: PROCEEDINGS OF THE 1ST WORKSHOP ON DEEP LEARNING FOR RECOMMENDER SYSTEMS》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582880B (zh) * | 2018-12-04 | 2021-07-09 | 百度在线网络技术(北京)有限公司 | 兴趣点信息处理方法、装置、终端及存储介质 |
CN109582880A (zh) * | 2018-12-04 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 兴趣点信息处理方法、装置、终端及存储介质 |
CN109684430A (zh) * | 2018-12-19 | 2019-04-26 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110307854A (zh) * | 2019-04-16 | 2019-10-08 | 广州唯品会研究院有限公司 | 一种基于cors技术的高精度电商物流地图定位方法及系统 |
CN110297967A (zh) * | 2019-05-14 | 2019-10-01 | 北京百度网讯科技有限公司 | 兴趣点确定方法、装置、设备及计算机可读存储介质 |
CN110781413A (zh) * | 2019-08-28 | 2020-02-11 | 腾讯大地通途(北京)科技有限公司 | 兴趣点确定方法及装置、存储介质、电子设备 |
CN110781413B (zh) * | 2019-08-28 | 2024-01-30 | 腾讯大地通途(北京)科技有限公司 | 兴趣点确定方法及装置、存储介质、电子设备 |
CN111814069A (zh) * | 2019-09-17 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 信息处理方法、装置、存储介质以及电子设备 |
CN110807070A (zh) * | 2019-10-25 | 2020-02-18 | 普强信息技术(北京)有限公司 | 一种基于神经网络的路况信息提取方法 |
CN112781604B (zh) * | 2019-11-08 | 2024-02-09 | 逸驾智能科技有限公司 | 用于导航的方法、装置、设备和计算机可读存储介质 |
CN112781604A (zh) * | 2019-11-08 | 2021-05-11 | 逸驾智能科技有限公司 | 用于导航的方法、装置、设备和计算机可读存储介质 |
CN111160471B (zh) * | 2019-12-30 | 2023-04-07 | 腾讯云计算(北京)有限责任公司 | 一种兴趣点数据处理方法、装置、电子设备和存储介质 |
CN111160471A (zh) * | 2019-12-30 | 2020-05-15 | 腾讯云计算(北京)有限责任公司 | 一种兴趣点数据处理方法、装置、电子设备和存储介质 |
CN111274901A (zh) * | 2020-01-15 | 2020-06-12 | 浙江大学 | 一种基于深度门控递归单元的手势深度图像连续检测方法 |
CN111274901B (zh) * | 2020-01-15 | 2023-09-01 | 浙江大学 | 一种基于深度门控递归单元的手势深度图像连续检测方法 |
CN111538916A (zh) * | 2020-04-20 | 2020-08-14 | 重庆大学 | 一种基于神经网络和地理影响的兴趣点推荐方法 |
CN111538916B (zh) * | 2020-04-20 | 2023-04-18 | 重庆大学 | 一种基于神经网络和地理影响的兴趣点推荐方法 |
CN111737430B (zh) * | 2020-06-16 | 2024-04-05 | 北京百度网讯科技有限公司 | 实体链接方法、装置、设备以及存储介质 |
CN111737430A (zh) * | 2020-06-16 | 2020-10-02 | 北京百度网讯科技有限公司 | 实体链接方法、装置、设备以及存储介质 |
CN112084427A (zh) * | 2020-09-15 | 2020-12-15 | 辽宁工程技术大学 | 一种基于图神经网络的兴趣点推荐方法 |
CN112632406A (zh) * | 2020-10-10 | 2021-04-09 | 咪咕文化科技有限公司 | 查询方法、装置、电子设备及存储介质 |
CN112632406B (zh) * | 2020-10-10 | 2024-04-09 | 咪咕文化科技有限公司 | 查询方法、装置、电子设备及存储介质 |
CN113486068A (zh) * | 2021-07-02 | 2021-10-08 | 建信金融科技有限责任公司 | 兴趣点数据的确定方法、装置、电子设备及计算机可读介质 |
CN113590971A (zh) * | 2021-08-13 | 2021-11-02 | 浙江大学 | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 |
CN113590971B (zh) * | 2021-08-13 | 2023-11-07 | 浙江大学 | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 |
TWI779887B (zh) * | 2021-10-19 | 2022-10-01 | 國立臺灣大學 | 動態式民宿資訊推薦裝置 |
CN114780866B (zh) * | 2022-04-11 | 2022-11-01 | 山东省人工智能研究院 | 一种基于时空上下文兴趣学习模型的个性化智能推荐方法 |
CN114780866A (zh) * | 2022-04-11 | 2022-07-22 | 山东省人工智能研究院 | 一种基于时空上下文兴趣学习模型的个性化智能推荐方法 |
CN114817743A (zh) * | 2022-05-17 | 2022-07-29 | 北京百度网讯科技有限公司 | 兴趣点搜索方法和装置 |
CN115687801A (zh) * | 2022-09-27 | 2023-02-03 | 南京工业职业技术大学 | 一种基于位置时效特征和时间感知动态相似性的位置推荐方法 |
CN115687801B (zh) * | 2022-09-27 | 2024-01-19 | 南京工业职业技术大学 | 基于位置时效特征和时间感知动态相似性的位置推荐方法 |
CN117633371A (zh) * | 2024-01-25 | 2024-03-01 | 云南大学 | 基于多注意力机制的推荐方法、设备和可读存储介质 |
CN117633371B (zh) * | 2024-01-25 | 2024-04-12 | 云南大学 | 基于多注意力机制的推荐方法、设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108875007B (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875007A (zh) | 兴趣点的确定方法和装置、存储介质、电子装置 | |
US9904932B2 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
CN110856112B (zh) | 一种群智感知的多源信息融合室内定位方法及系统 | |
JP5248915B2 (ja) | Gps追跡及び周知な近傍目的地からのユーザの行動趣向の学習 | |
CN105532030B (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
US8612134B2 (en) | Mining correlation between locations using location history | |
KR101810169B1 (ko) | 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치 | |
US8838586B2 (en) | Relevancy ranking for map-related search | |
CN110390054A (zh) | 兴趣点召回方法、装置、服务器和存储介质 | |
Elhamshary et al. | SemSense: Automatic construction of semantic indoor floorplans | |
CN106709606A (zh) | 个性化场景预测方法及装置 | |
US20120310737A1 (en) | Method for providing advertisement, computer-readable medium including program for performing the method and advertisement providing system | |
CN113590936B (zh) | 信息推送的方法及装置 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN112241489B (zh) | 信息推送方法、装置、可读存储介质和计算机设备 | |
US20240077325A1 (en) | Method for predicting the destination location of a vehicle | |
CN111310987A (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
CN110704741A (zh) | 基于时空点过程的兴趣点预测方法 | |
Elhamshary et al. | A fine-grained indoor location-based social network | |
CN111954175A (zh) | 一种兴趣点到访判别方法和相关装置 | |
CN110704754B (zh) | 一种由用户终端执行的推送模型优化方法和装置 | |
CN110096609A (zh) | 房源搜索方法、装置、设备及计算机可读存储介质 | |
Xu | Autonomous Indoor Localization Using Unsupervised Wi-Fi Fingerprinting | |
CN111782955A (zh) | 兴趣点表示和推送方法、装置、电子设备及存储介质 | |
CN113918802B (zh) | 导航方法、装置、设备、介质及产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |