CN109033219A - 兴趣点poi分类方法和装置 - Google Patents

Abstract

本发明公开了兴趣点POI分类方法和装置。所述方法包括：根据样本POI训练POI名称到POI类别的分类模型；根据所述分类模型和目标POI的POI名称，确定所述目标POI的一个或多个POI调整类别；根据所述一个或多个POI调整类别对所述目标POI的POI类别进行调整。该技术方案通过机器学习，利用大量可靠样本POI训练得到的模型对待调整POI进行类别调整，使得POI分类准确度提升，并进一步可以应用于搜索场景提升POI查询的准确度。

Description

兴趣点POI分类方法和装置

技术领域

本发明涉及电子地图技术领域，具体涉及兴趣点POI分类方法和装置。

背景技术

POI通常是point of interest(兴趣点)的缩写，也可以指point of information(信息点)。兴趣点和信息点在地图中可以作为出银行、景点、公司、医院、政府机构、餐馆、商场等的标识。本发明中的“兴趣点”和“POI”均指上述含义。

POI可以包含很多信息，例如省、市、区、地址、经纬度、名称、类型等。目前，许多查询需要按照POI类别来检索POI，而许多POI的类别(type)字段由于数据来源等原因，存在脏数据，造成查询结果并不准确，不符合需求。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的兴趣点POI分类方法和装置。

依据本发明的一个方面，提供了一种兴趣点POI分类方法，包括：根据样本POI训练POI名称到POI类别的分类模型；根据所述分类模型和目标POI的POI名称，确定所述目标POI的一个或多个POI调整类别；根据所述一个或多个POI调整类别对所述目标POI的POI类别进行调整。

可选地，所述样本POI是从预设的一个或多个数据来源获取的，所述数据来源的POI类别可信度不小于第一阈值。

可选地，所述训练POI名称到POI类别的分类模型包括：对样本POI的POI名称进行分词处理，根据分词结果，选取POI名称尾部的一个或多个词，根据选取的词生成特征进行分类模型训练。

可选地，所述选取POI名称尾部的一个或多个词，根据选取的词生成特征进行分类模型训练包括：从POI名称尾部开始进行N次选取，分别选取1个词、2个词……N个词，将选取的词的组合作为特征进行分类模型训练；其中，N为正整数。

可选地，所述根据所述分类模型和目标POI的POI名称，确定所述目标POI的一个或多个POI调整类别包括：按照贝叶斯分类方法得到所述目标POI的M个POI训练类别和各POI类别对应的概率；其中，M为正整数；从所述M个POI训练类别中，按所述概率由高至低取出k个POI训练类别作为确定的一个或多个POI调整类别；其中，k为不大于M的正整数。

可选地，所述根据所述一个或多个POI调整类别对所述目标POI的POI类别进行调整包括：确定所述目标POI的原POI类别与各POI调整类别的兼容度；若原POI类别中的一个POI类别与各POI调整类别的兼容度均小于第二阈值，则从原POI类别中清除该POI类别；若清除完毕后的原POI类别不为空，则将原POI类别中剩余的全部POI类别作为调整后的POI类别；若清除完毕后的原POI类别为空，则将该k个POI调整类别作为调整后的POI类别。

可选地，该方法还包括：将确定的一个或多个POI调整类别中，所述概率低于第三阈值的POI调整类别记为POI备选类别；在确定所述目标POI的原POI类别与各POI调整类别的兼容度时，不需确定原POI类别与POI备选类别的兼容度。

可选地，该方法还包括：根据所述样本POI的POI类别，预先计算并保存各POI类别的兼容度。

可选地，所述预先计算并保存各POI类别的兼容度包括：对两个类别a和b，基于公式P＝#(a,b)/min(#a,#b)计算兼容度；其中，P为兼容度，#为统计得到的样本POI中POI类别的出现次数。

依据本发明的另一方面，提供了一种兴趣点POI分类装置，包括：模型训练单元，适于根据样本POI训练POI名称到POI类别的分类模型；调整类别确定单元，适于根据所述分类模型和目标POI的POI名称，确定所述目标POI的一个或多个POI调整类别；类别调整单元，适于根据所述一个或多个POI调整类别对所述目标POI的POI类别进行调整。

可选地，所述样本POI是从预设的一个或多个数据来源获取的，所述数据来源的POI类别可信度不小于第一阈值。

可选地，所述模型训练单元，适于对样本POI的POI名称进行分词处理，根据分词结果，选取POI名称尾部的一个或多个词，根据选取的词生成特征进行分类模型训练。

可选地，所述模型训练单元，适于从POI名称尾部开始进行N次选取，分别选取1个词、2个词……N个词，将选取的词的组合作为特征进行分类模型训练；其中，N为正整数。

可选地，所述调整类别确定单元，适于按照贝叶斯分类方法得到所述目标POI的M个POI训练类别和各POI类别对应的概率；其中，M为正整数；从所述M个POI训练类别中，按所述概率由高至低取出k个POI训练类别作为确定的一个或多个POI调整类别；其中，k为不大于M的正整数。

可选地，所述类别调整单元，适于确定所述目标POI的原POI类别与各POI调整类别的兼容度；若原POI类别中的一个POI类别与各POI调整类别的兼容度均小于第二阈值，则从原POI类别中清除该POI类别；若清除完毕后的原POI类别不为空，则将原POI类别中剩余的全部POI类别作为调整后的POI类别；若清除完毕后的原POI类别为空，则将该k个POI调整类别作为调整后的POI类别。

可选地，所述调整类别确定单元，适于将确定的一个或多个POI调整类别中，所述概率低于第三阈值的POI调整类别记为POI备选类别；所述类别调整单元，适于在确定所述目标POI的原POI类别与各POI调整类别的兼容度时，不需确定原POI类别与POI备选类别的兼容度。

可选地，所述类别调整单元，适于根据所述样本POI的POI类别，预先计算并保存各POI类别的兼容度。

可选地，所述类别调整单元，适于对两个类别a和b，基于公式P＝#(a,b)/min(#a,#b)计算兼容度；其中，P为兼容度，#为统计得到的样本POI中POI类别的出现次数。

依据本发明的又一方面，提供了一种智能终端，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述任一所述的方法。

依据本发明的再一方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述任一所述的方法。

由上述可知，本发明的技术方案，基于样本POI训练POI名称到POI类别的分类模型，作为分类调整的基础，将目标POI的POI名称输入到分类模型以确定目标POI的一个或多个POI调整类别，再与目标POI的POI类别进行比对，实现对其POI类别的调整。该技术方案通过机器学习，利用大量可靠样本POI训练得到的模型对待调整POI进行类别调整，使得POI分类准确度提升，并进一步可以应用于搜索场景提升POI查询的准确度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的一种兴趣点POI分类方法的流程示意图；

图2示出了根据本发明一个实施例的一种兴趣点POI分类装置的结构示意图；

图3示出了根据本发明一个实施例的智能终端的结构示意图；

图4示出了根据本发明一个实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的一种兴趣点POI分类方法的流程示意图。如图1所示，该方法包括：

步骤S110，根据样本POI训练POI名称到POI类别的分类模型。

步骤S120，根据分类模型和目标POI的POI名称，确定目标POI的一个或多个POI调整类别。

步骤S130，根据一个或多个POI调整类别对目标POI的POI类别进行调整。

例如，针对POI“北京大学”，其POI名称为北京大学，调整前的POI类别为“餐饮”、“大学”。将“北京大学”作为POI名称输入训练得到的分类模型，得到POI调整类别“学校”。最终对该POI调整得到的POI类别为“大学”，即在本例中，清除了“餐饮”这一POI分类(可以称为类别标签)，保留了“大学”这一POI分类。

可见，图1所示的方法，基于样本POI训练POI名称到POI类别的分类模型，作为分类调整的基础，将目标POI的POI名称输入到分类模型以确定目标POI的一个或多个POI调整类别，再与目标POI的POI类别进行比对，实现对其POI类别的调整。该技术方案通过机器学习，利用大量可靠样本POI训练得到的模型对待调整POI进行类别调整，使得POI分类准确度提升，并进一步可以应用于搜索场景提升POI查询的准确度。

在使用机器学习技术时，选择合适的样本是保证模型有效性的关键。在本发明的一个实施例中，上述方法中，样本POI是从预设的一个或多个数据来源获取的，数据来源的POI类别可信度不小于第一阈值。

例如，许多地图应用开放了POI接口，可以从中获取到样本POI，另外，利用爬虫技术从互联网中也可以爬取到POI，这些基于现有技术可以实现，在此不赘述。可见，POI数据来源多样化，也就造成获取到的POI良莠不齐。一个常见的情况是POI地理位置信息不够准确，即POI与实际的场景不符，存在偏移。但是也有一些情况下，是获取到的POI分类不准确，这也是造成POI类别存在脏数据的原因。

因此，在选取样本POI时，需要从可信度较高的数据来源获取，但是需要注意的是，并不需要数据来源的整体可信度较高或是地理位置信息准确度较高，而是类别可信度较高。因为在实际训练中仅需要利用POI名称和POI类别，而类别可信度较高的数据来源，名称可信度一般也较高，因此在本例中，不需要单独针对名称可信度进行数据来源的筛选，但是在其他实施例中也可以利用名称可信度进行筛选。

在本发明的一个实施例中，上述方法中，训练POI名称到POI类别的分类模型包括：对样本POI的POI名称进行分词处理，根据分词结果，选取POI名称尾部的一个或多个词，根据选取的词生成特征进行分类模型训练。

分词处理可以采用成熟的自然语言处理方式实现，在此也不需要进行过多介绍。在本实施例中选取了名称尾部的一个或多个词生成特征进行分类模型训练，这是基于中文语言的特点实现的，例如“某某饭店”“某某银行某某分行”等POI，可以发现对分类具有帮助的“饭店”和“银行”均位于名称尾部。

有的时候，仅针对单一分词进行训练，效果并不理想，因此在本发明的一个实施例中，上述方法中，选取POI名称尾部的一个或多个词，根据选取的词生成特征进行分类模型训练包括：从POI名称尾部开始进行N次选取，分别选取1个词、2个词……N个词，将选取的词的组合作为特征进行分类模型训练；其中，N为正整数。将选取的词的组合作为特征进行分类模型训练。在一个实施例中N可以优选为3。在N＝3时，选取尾部的1、2、3个词的组合作为特征。

在本发明的一个实施例中，上述方法中，根据分类模型和目标POI的POI名称，确定目标POI的一个或多个POI调整类别包括：按照贝叶斯分类方法得到目标POI的M个POI训练类别和各POI类别对应的概率；其中，M为正整数；从M个POI训练类别中，按概率由高至低取出k个POI训练类别作为确定的一个或多个POI调整类别；其中，k为不大于M的正整数。

基于贝叶斯分类方法的分类模型也称为贝叶斯分类器，通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。在本实施例中按概率由高至低取出k个训练类别作为调整类别，上述中的“概率”在本例中也可以称为可信度。

在得到了调整类别后，通过比对等方式就可以对一个已有的POI进行类别调整，但是我们会发现，单纯的比对效果并不好。在上面的例子中，POI“北京大学”的类别无论是“大学”还是“学校”，都是很贴切的。因此为了避免清除掉正确的类别，在此引入兼容度的概念，如果两个类别的兼容度高，可以认为这两个类别存在包含关系，不需要进行调整。

在本发明的一个实施例中，上述方法中，根据一个或多个POI调整类别对目标POI的POI类别进行调整包括：确定目标POI的原POI类别与各POI调整类别的兼容度；若原POI类别中的一个POI类别与各POI调整类别的兼容度均小于第二阈值，则从原POI类别中清除该POI类别；若清除完毕后的原POI类别不为空，则将原POI类别中剩余的全部POI类别作为调整后的POI类别；若清除完毕后的原POI类别为空，则将该k个POI调整类别作为调整后的POI类别。

依然以上面的POI“北京大学”为例，其原POI类别“大学”与选取的调整类别“学校”兼容度高，因此保留该POI类别，而原POI类别“餐饮”与选取的调整类别“学校”兼容度低，则清除“餐饮”这一POI类别。

在另一个例子中，我们假定POI“北京大学”只有一个POI类别“餐饮”，则清除了“餐饮”这一POI类别，原POI类别就为空，此时需要将调整类别“学校”作为调整后的POI类别。

在POI的存储中，POI类别通常是在类别字段type保存的，即该字段中可能有对应于多个POI类别的数据，所以原POI类别为空就相当于type字段为空，将调整类别作为调整后的POI类别就是将调整类别写入type字段。

在本发明的一个实施例中，上述方法还包括：将确定的一个或多个POI调整类别中，概率低于第三阈值的POI调整类别记为POI备选类别；在确定目标POI的原POI类别与各POI调整类别的兼容度时，不需确定原POI类别与POI备选类别的兼容度。

有些时候根据POI名称并不能够准确地确定出POI类别，例如POI“康乐宫”，仅凭名称很难知道这是一个KTV还是酒店。如果根据分类模型确定出的调整类别仅有a，而POI的原POI类别仅有b，a与b的兼容度就很低，这时就会以a作为POI调整后的类别。而这样得到的结果很可能是错误的，b才是对POI类别更准确的描述。因此在本实施例中，还会将概率(即代表可信度)低于第三阈值的POI调整类别记为POI备选类别，不使用这些POI类别对原POI类别进行清除。

但是需要注意的是，如果根据其他调整类别清空了type字段，在将调整类别写入type字段时，就可以将这些概率低的调整类别也写入。这种情况下不会过度增加错误分类的风险。

在本发明的一个实施例中，上述方法还包括：根据样本POI的POI类别，预先计算并保存各POI类别的兼容度。

在本实施例中，各POI类别的兼容度可以是根据样本POI计算得到的，可以保存为一个类别兼容度表，在使用时查表进行确认。

在本发明的一个实施例中，上述方法中，预先计算并保存各POI类别的兼容度包括：对两个类别a和b，基于公式P＝#(a,b)/min(#a,#b)计算兼容度；其中，P为兼容度，#为统计得到的样本POI中POI类别的出现次数。

基于上述公式计算可以考虑到两个类别概念上互相包含的情况，例如在样本POI中，POI类别为“餐饮”的出现了1500次，类别为“川菜”的出现了600次，“餐饮”和“川菜”在同一个POI中作为POI类别出现的次数有570次，则P＝570/600＝0.95，接近1。事实上也是如此，川菜可以看做餐饮的一个子类别，也就是包含在餐饮类别中。两个类别概念上相互包含的POI类别的兼容度基本接近1。

图2示出了根据本发明一个实施例的一种兴趣点POI分类装置的结构示意图。如图2所示，兴趣点POI分类装置200包括：

模型训练单元210，适于根据样本POI训练POI名称到POI类别的分类模型。

调整类别确定单元220。适于根据分类模型和目标POI的POI名称，确定目标POI的一个或多个POI调整类别；

类别调整单元230，适于根据一个或多个POI调整类别对目标POI的POI类别进行调整。

例如，针对POI“北京大学”，其POI名称为北京大学，调整前的POI类别为“餐饮”、“大学”。将“北京大学”作为POI名称输入训练得到的分类模型，得到POI调整类别“学校”。最终对该POI调整得到的POI类别为“大学”，即在本例中，清除了“餐饮”这一POI分类(可以称为类别标签)，保留了“大学”这一POI分类。

可见，图2所示的装置，基于样本POI训练POI名称到POI类别的分类模型，作为分类调整的基础，将目标POI的POI名称输入到分类模型以确定目标POI的一个或多个POI调整类别，再与目标POI的POI类别进行比对，实现对其POI类别的调整。该技术方案通过机器学习，利用大量可靠样本POI训练得到的模型对待调整POI进行类别调整，使得POI分类准确度提升，并进一步可以应用于搜索场景提升POI查询的准确度。

在使用机器学习技术时，选择合适的样本是保证模型有效性的关键。在本发明的一个实施例中，上述装置中，样本POI是从预设的一个或多个数据来源获取的，数据来源的POI类别可信度不小于第一阈值。

例如，许多地图应用开放了POI接口，可以从中获取到样本POI，另外，利用爬虫技术从互联网中也可以爬取到POI，这些基于现有技术可以实现，在此不赘述。可见，POI数据来源多样化，也就造成获取到的POI良莠不齐。一个常见的情况是POI地理位置信息不够准确，即POI与实际的场景不符，存在偏移。但是也有一些情况下，是获取到的POI分类不准确，这也是造成POI类别存在脏数据的原因。

因此，在选取样本POI时，需要从可信度较高的数据来源获取，但是需要注意的是，并不需要数据来源的整体可信度较高或是地理位置信息准确度较高，而是类别可信度较高。因为在实际训练中仅需要利用POI名称和POI类别，而类别可信度较高的数据来源，名称可信度一般也较高，因此在本例中，不需要单独针对名称可信度进行数据来源的筛选，但是在其他实施例中也可以利用名称可信度进行筛选。

在本发明的一个实施例中，上述装置中，模型训练单元210，适于对样本POI的POI名称进行分词处理，根据分词结果，选取POI名称尾部的一个或多个词，根据选取的词生成特征进行分类模型训练。

分词处理可以采用成熟的自然语言处理方式实现，在此也不需要进行过多介绍。在本实施例中选取了名称尾部的一个或多个词生成特征进行分类模型训练，这是基于中文语言的特点实现的，例如“某某饭店”“某某银行某某分行”等POI，可以发现对分类具有帮助的“饭店”和“银行”均位于名称尾部。

有的时候，仅针对单一分词进行训练，效果并不理想，因此在本发明的一个实施例中，上述装置中，模型训练单元210，适于从POI名称尾部开始进行N次选取，分别选取1个词、2个词……N个词，将选取的词的组合作为特征进行分类模型训练；其中，N为正整数。在一个实施例中N可以优选为3。例如，在N＝3时，选取尾部的1、2、3个词的组合作为特征。

在本发明的一个实施例中，上述装置中，调整类别确定单元220，适于按照贝叶斯分类方法得到目标POI的M个POI训练类别和各POI类别对应的概率；其中，M为正整数；从M个POI训练类别中，按概率由高至低取出k个POI训练类别作为确定的一个或多个POI调整类别；其中，k为不大于M的正整数。

基于贝叶斯分类方法的分类模型也称为贝叶斯分类器，通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。在本实施例中按概率由高至低取出k个训练类别作为调整类别，上述中的“概率”在本例中也可以称为可信度。

在得到了调整类别后，通过比对等方式就可以对一个已有的POI进行类别调整，但是我们会发现，单纯的比对效果并不好。在上面的例子中，POI“北京大学”的类别无论是“大学”还是“学校”，都是很贴切的。因此为了避免清除掉正确的类别，在此引入兼容度的概念，如果两个类别的兼容度高，可以认为这两个类别存在包含关系，不需要进行调整。

在本发明的一个实施例中，上述装置中，类别调整单元230，适于确定目标POI的原POI类别与各POI调整类别的兼容度；若原POI类别中的一个POI类别与各POI调整类别的兼容度均小于第二阈值，则从原POI类别中清除该POI类别；若清除完毕后的原POI类别不为空，则将原POI类别中剩余的全部POI类别作为调整后的POI类别；若清除完毕后的原POI类别为空，则将该k个POI调整类别作为调整后的POI类别。

依然以上面的POI“北京大学”为例，其原POI类别“大学”与选取的调整类别“学校”兼容度高，因此保留该POI类别，而原POI类别“餐饮”与选取的调整类别“学校”兼容度低，则清除“餐饮”这一POI类别。

在另一个例子中，我们假定POI“北京大学”只有一个POI类别“餐饮”，则清除了“餐饮”这一POI类别，原POI类别就为空，此时需要将调整类别“学校”作为调整后的POI类别。

在POI的存储中，POI类别通常是在类别字段type保存的，即该字段中可能有对应于多个POI类别的数据，所以原POI类别为空就相当于type字段为空，将调整类别作为调整后的POI类别就是将调整类别写入type字段。

在本发明的一个实施例中，上述装置中，调整类别确定单元220，适于将确定的一个或多个POI调整类别中，概率低于第三阈值的POI调整类别记为POI备选类别；类别调整单元230，适于在确定目标POI的原POI类别与各POI调整类别的兼容度时，不需确定原POI类别与POI备选类别的兼容度。

有些时候根据POI名称并不能够准确地确定出POI类别，例如POI“康乐宫”，仅凭名称很难知道这是一个KTV还是酒店。如果根据分类模型确定出的调整类别仅有a，而POI的原POI类别仅有b，a与b的兼容度就很低，这时就会以a作为POI调整后的类别。而这样得到的结果很可能是错误的，b才是对POI类别更准确的描述。因此在本实施例中，还会将概率(即代表可信度)低于第三阈值的POI调整类别记为POI备选类别，不使用这些POI类别对原POI类别进行清除。

但是需要注意的是，如果根据其他调整类别清空了type字段，在将调整类别写入type字段时，就可以将这些概率低的调整类别也写入。这种情况下不会过度增加错误分类的风险。

在本发明的一个实施例中，上述装置中，类别调整单元230，适于根据样本POI的POI类别，预先计算并保存各POI类别的兼容度。

在本实施例中，各POI类别的兼容度可以是根据样本POI计算得到的，可以保存为一个类别兼容度表，在使用时查表进行确认。

在本发明的一个实施例中，上述装置中，类别调整单元230，适于对两个类别a和b，基于公式P＝#(a,b)/min(#a,#b)计算兼容度；其中，P为兼容度，#为统计得到的样本POI中POI类别的出现次数。

基于上述公式计算可以考虑到两个类别概念上互相包含的情况，例如在样本POI中，POI类别为“餐饮”的出现了1500次，类别为“川菜”的出现了600次，“餐饮”和“川菜”在同一个POI中作为POI类别出现的次数有570次，则P＝570/600＝0.95，接近1。事实上也是如此，川菜可以看做餐饮的一个子类别，也就是包含在餐饮类别中。两个类别概念上相互包含的POI类别的兼容度基本接近1。

综上所述，本发明的技术方案，基于样本POI训练POI名称到POI类别的分类模型，作为分类调整的基础，将目标POI的POI名称输入到分类模型以确定目标POI的一个或多个POI调整类别，再与目标POI的POI类别进行比对，实现对其POI类别的调整。该技术方案通过机器学习，利用大量可靠样本POI训练得到的模型对待调整POI进行类别调整，使得POI分类准确度提升，并进一步可以应用于搜索场景提升POI查询的准确度。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的兴趣点POI分类装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图3示出了根据本发明一个实施例的智能终端的结构示意图。该智能终端包括处理器310和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码331的存储空间330。例如，用于存储计算机可读程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码331。计算机可读程序代码331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质。图4示出了根据本发明一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质400存储有用于执行根据本发明的方法步骤的计算机可读程序代码331，可以被智能终端300的处理器310读取，当计算机可读程序代码331由智能终端300运行时，导致该智能终端300执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码331可以执行上述任一实施例中示出的方法。计算机可读程序代码331可以以适当形式进行压缩。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种兴趣点POI分类方法，包括：

根据样本POI训练POI名称到POI类别的分类模型；

根据所述分类模型和目标POI的POI名称，确定所述目标POI的一个或多个POI调整类别；

根据所述一个或多个POI调整类别对所述目标POI的POI类别进行调整。

2.如权利要求1所述的方法，其中，所述样本POI是从预设的一个或多个数据来源获取的，所述数据来源的POI类别可信度不小于第一阈值。

3.如权利要求1或2所述的方法，其中，所述训练POI名称到POI类别的分类模型包括：

对样本POI的POI名称进行分词处理，根据分词结果，选取POI名称尾部的一个或多个词，根据选取的词生成特征进行分类模型训练。

4.如权利要求1-3中任一项所述的方法，其中，所述选取POI名称尾部的一个或多个词，根据选取的词生成特征进行分类模型训练包括：

从POI名称尾部开始进行N次选取，分别选取1个词、2个词……N个词，将选取的词的组合作为特征进行分类模型训练；其中，N为正整数。

5.一种兴趣点POI分类装置，包括：

模型训练单元，适于根据样本POI训练POI名称到POI类别的分类模型；

调整类别确定单元，适于根据所述分类模型和目标POI的POI名称，确定所述目标POI的一个或多个POI调整类别；

类别调整单元，适于根据所述一个或多个POI调整类别对所述目标POI的POI类别进行调整。

6.如权利要求5所述的装置，其中，所述样本POI是从预设的一个或多个数据来源获取的，所述数据来源的POI类别可信度不小于第一阈值。

7.如权利要求5或6所述的装置，其中，

所述模型训练单元，适于对样本POI的POI名称进行分词处理，根据分词结果，选取POI名称尾部的一个或多个词，根据选取的词生成特征进行分类模型训练。

8.如权利要求5-7中任一项所述的装置，其中，

所述模型训练单元，适于从POI名称尾部开始进行N次选取，分别选取1个词、2个词……N个词，将选取的词的组合作为特征进行分类模型训练；其中，N为正整数。

9.一种智能终端，其中，该智能终端包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-4中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-4中任一项所述的方法。