CN109241225B - 兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质 - Google Patents

兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN109241225B
CN109241225B CN201810981108.1A CN201810981108A CN109241225B CN 109241225 B CN109241225 B CN 109241225B CN 201810981108 A CN201810981108 A CN 201810981108A CN 109241225 B CN109241225 B CN 109241225B
Authority
CN
China
Prior art keywords
poi
relationship
pair
pois
competitive
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.)
Active
Application number
CN201810981108.1A
Other languages
English (en)
Other versions
CN109241225A (zh
Inventor
周景博
段建国
姜爱荣
熊辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Original Assignee
Baidu Online Network Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Priority to CN201810981108.1A priority Critical patent/CN109241225B/zh
Publication of CN109241225A publication Critical patent/CN109241225A/zh
Priority to US16/443,633 priority patent/US11232116B2/en
Application granted granted Critical
Publication of CN109241225B publication Critical patent/CN109241225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质，其中方法包括：针对待处理的第一POI，获取作为第一POI的挖掘对象的第二POI集合；针对集合中的每个第二POI，分别将第二POI与第一POI组成一个POI对，根据用户在地图上对于POI的检索操作，确定出POI对的关系评估指标，根据关系评估指标确定出POI对中的两个POI是否具备竞争关系。应用本发明所述方案，能够提高处理结果的准确性等。

Description

兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质
【技术领域】
本发明涉及计算机应用技术，特别涉及兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质。
【背景技术】
在一个城市区域中，兴趣点(POI，Point of Interest)是一个区域活力的重要组成部分。POI可包括零售商铺、餐饮门店以及娱乐场所等。
POI竞争关系分析是指如何有效的度量一个POI和周边的POI之间的竞争关系。POI的竞争关系主要体现在对区域内客流的吸引上。分析POI竞争关系，对于POI经营者如餐饮店的老板或娱乐场所的经理等具有重要意义。比如，可以帮助POI经营者进行选址研究，帮助经营者有针对性的设置营销活动，帮助经营者设定合理的价格策略等。
目前的POI竞争关系分析还处于比较初级的阶段，通常使用经验和人工信息采集相结合的方法来分析POI竞争关系，包括问卷调查、入店调查以及经验积累等。
基于经验的方法来分析POI竞争关系缺点十分明显，因为传统经验和真实的竞争关系往往有比较大的偏差，从而导致准确性较差，基于人工信息采集的方法来分析POI竞争关系相对而言准确度较高，但由于需要人工进行采集，因此需要耗费较大的人力成本，而且效率低下。
【发明内容】
有鉴于此，本发明提供了兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质。
具体技术方案如下：
一种兴趣点竞争关系挖掘方法，包括：
针对待处理的第一兴趣点POI，获取作为所述第一POI的挖掘对象的第二POI集合；
针对所述集合中的每个第二POI，分别将所述第二POI与所述第一POI组成一个POI对，根据用户在地图上对于POI的检索操作，确定出所述POI对的关系评估指标，根据所述关系评估指标确定出所述POI对中的两个POI是否具备竞争关系。
根据本发明一优选实施例，所述获取作为所述第一POI的挖掘对象的第二POI集合包括：
按照预定规则，从数据库中记录的地图上的POI中选出与所述第一POI相似的第二POI，得到所述第二POI集合。
根据本发明一优选实施例，所述预定规则包括以下之一或全部：
所述第二POI与所述第一POI属于同一类别；
所述第二POI与所述第一POI的距离小于预先设定的第一阈值。
根据本发明一优选实施例，所述确定出所述POI对的关系评估指标包括：
统计最近预定时长内第一情况的发生次数，所述第一情况包括：同一用户依次在地图上检索了第一POI和第二POI，且前后两次检索间隔的时长小于预先设定的第二阈值；
统计最近预定时长内第二情况的发生次数，所述第二情况包括：同一用户依次在地图上检索了第二POI和第一POI，且前后两次检索间隔的时长小于所述第二阈值；
将两个统计结果作为所述POI对的关系评估指标。
根据本发明一优选实施例，所述根据所述关系评估指标确定出所述POI对中的两个POI是否具备竞争关系包括：
若两个统计结果均大于预先设定的第三阈值，则确定所述POI对中的两个POI具备竞争关系。
根据本发明一优选实施例，所述根据所述关系评估指标确定出所述POI对中的两个POI是否具备竞争关系包括：
至少将所述关系评估指标作为所述POI对的特征，输入预先训练得到的机器学习模型，得到所述POI对的竞争关系评分；
根据所述竞争关系评分确定出所述POI对中的两个POI是否具备竞争关系。
根据本发明一优选实施例，所述根据所述竞争关系评分确定出所述POI对中的两个POI是否具备竞争关系包括：
将所述竞争关系评分与预先设定的第四阈值进行比较，若所述竞争关系评分大于所述第四阈值，则确定所述POI对中的两个POI具备竞争关系；
或者，在分别获取到所述第二POI集合中的每个第二POI所在的POI对的竞争关系评分后，按照从大到小的顺序对各竞争关系评分进行排序，若任一POI对的竞争关系评分排在前K位，则确定所述POI对中的两个POI具备竞争关系，K为正整数，且小于所述第二POI集合中的第二POI数。
根据本发明一优选实施例，所述训练得到机器学习模型包括：
分别获取作为正样本和负样本的POI对，其中，作为正样本的POI对中的两个POI具备竞争关系，作为负样本的POI对中的两个POI不具备竞争关系；
分别获取作为正样本和负样本的每个POI对的特征，所述特征中至少包括：所述关系评估指标；
根据获取到的特征，基于所述正样本和负样本训练得到所述机器学习模型。
一种兴趣点竞争关系挖掘装置，包括：获取单元以及挖掘单元；
所述获取单元，用于针对待处理的第一兴趣点POI，获取作为所述第一POI的挖掘对象的第二POI集合；
所述挖掘单元，用于针对所述集合中的每个第二POI，分别将所述第二POI与所述第一POI组成一个POI对，根据用户在地图上对于POI的检索操作，确定出所述POI对的关系评估指标，根据所述关系评估指标确定出所述POI对中的两个POI是否具备竞争关系。
根据本发明一优选实施例，所述获取单元按照预定规则，从数据库中记录的地图上的POI中选出与所述第一POI相似的第二POI，得到所述第二POI集合。
根据本发明一优选实施例，所述预定规则包括以下之一或全部：
所述第二POI与所述第一POI属于同一类别；
且，所述第二POI与所述第一POI的距离小于预先设定的第一阈值。
根据本发明一优选实施例，所述挖掘单元按照以下方式确定出所述POI对的关系评估指标：
统计最近预定时长内第一情况的发生次数，所述第一情况包括：同一用户依次在地图上检索了第一POI和第二POI，且前后两次检索间隔的时长小于预先设定的第二阈值；
统计最近预定时长内第二情况的发生次数，所述第二情况包括：同一用户依次在地图上检索了第二POI和第一POI，且前后两次检索间隔的时长小于所述第二阈值；
将两个统计结果作为所述POI对的关系评估指标。
根据本发明一优选实施例，若两个统计结果均大于预先设定的第三阈值，则所述挖掘单元确定所述POI对中的两个POI具备竞争关系。
根据本发明一优选实施例，所述挖掘单元至少将所述关系评估指标作为所述POI对的特征，输入预先训练得到的机器学习模型，得到所述POI对的竞争关系评分，根据所述竞争关系评分确定出所述POI对中的两个POI是否具备竞争关系。
根据本发明一优选实施例，所述挖掘单元将所述竞争关系评分与预先设定的第四阈值进行比较，若所述竞争关系评分大于所述第四阈值，则确定所述POI对中的两个POI具备竞争关系；
或者，所述挖掘单元在分别获取到所述第二POI集合中的每个第二POI所在的POI对的竞争关系评分后，按照从大到小的顺序对各竞争关系评分进行排序，若任一POI对的竞争关系评分排在前K位，则确定所述POI对中的两个POI具备竞争关系，K为正整数，且小于所述第二POI集合中的第二POI数。
根据本发明一优选实施例，所述装置中进一步包括：模型训练单元；
所述模型训练单元，用于分别获取作为正样本和负样本的POI对，其中，作为正样本的POI对中的两个POI具备竞争关系，作为负样本的POI对中的两个POI不具备竞争关系，分别获取作为正样本和负样本的每个POI对的特征，所述特征中至少包括：所述关系评估指标，根据获取到的特征，基于所述正样本和负样本训练得到所述机器学习模型。
一种计算机设备，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，所述处理器执行所述程序时实现如以上所述的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出，采用本发明所述方案，无需依赖于经验，可直接根据用户在地图上对于POI的检索操作，确定出两个POI的关系评估指标，进而可根据关系评估指标确定出两个POI是否具备竞争关系，从而提高了处理结果的准确性，而且无需人工进行操作，从而节省了人力成本，并提高了处理效率等。
【附图说明】
图1为本发明所述兴趣点竞争关系挖掘方法实施例的流程图。
图2为本发明所述基于规则的POI竞争关系挖掘方法实施例的流程图。
图3为本发明所述基于机器学习的POI竞争关系挖掘方法实施例的流程图。
图4为本发明所述兴趣点竞争关系挖掘装置实施例的组成结构示意图。
图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
【具体实施方式】
为了使本发明的技术方案更加清楚、明白，以下参照附图并举实施例，对本发明所述方案进行进一步说明。
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本发明所述兴趣点竞争关系挖掘方法实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，针对待处理的第一POI，获取作为第一POI的挖掘对象的第二POI集合。
在102中，针对集合中的每个第二POI，分别将第二POI与第一POI组成一个POI对，根据用户在地图上对于POI的检索操作，确定出POI对的关系评估指标，根据关系评估指标确定出POI对中的两个POI是否具备竞争关系。
当需要针对任一POI挖掘与其具备竞争关系的POI时，可首先获取作为该POI的挖掘对象的POI集合，为便于区别，将所述“任一POI”称为第一POI，将集合中作为第一POI的挖掘对象的POI称为第二POI。
集合中的第二POI可以包括数据库中记录的地图上的所有POI，或者，为减少后续处理的数据量等，也可先进行预过滤处理，即按照预定规则，从数据库中记录的地图上的POI中选出与第一POI相似的第二POI，从而得到第二POI集合。
所述预定规则具体为何种规则可根据实际需要而定，比如，可包括以下之一或全部：第二POI与第一POI属于同一类别，第二POI与第一POI的距离小于预先设定的第一阈值。
属于同一类别可以是指均属于餐饮类别或均属于娱乐场所类别等。或者，还可将类别进一步细化，如将火锅店作为一个类别，将快餐店作为一个类别等。第一阈值的具体取值可根据实际需要而定，如2公里，也就是说，第二POI与第一POI之间的距离需要小于2公里。假设第一POI属于餐饮类别，那么获取作为第一POI的挖掘对象的第二POI集合即指获取位于第一POI周围2公里范围内且属于餐饮类别的第二POI组成的集合。
之后，可针对集合中的每个第二POI，分别将该第二POI与第一POI组成一个POI对，并根据用户在地图上对于POI的检索操作，确定出POI对的关系评估指标，进而根据关系评估指标确定出POI对中的两个POI是否具备竞争关系。
其中，确定出POI对的关系评估指标可以包括：
统计最近预定时长内第一情况的发生次数co-map1，第一情况包括：同一用户依次在地图上检索了第一POI和第二POI，且前后两次检索间隔的时长小于预先设定的第二阈值；
统计最近预定时长内第二情况的发生次数co-map2，第二情况包括：同一用户依次在地图上检索了第二POI和第一POI，且前后两次检索间隔的时长小于第二阈值；
将两个统计结果co-map1和co-map2作为POI对的关系评估指标。
最近预定时长以及第二阈值的具体取值均可根据实际需要而定。
比如，最近一个月内，共有500个用户在小于30分钟的时间间隔内依次检索了第一POI和第二POI，那么co-map1的取值则为500，最近一个月内，共有600个用户在小于30分钟的时间间隔内依次检索了第二POI和第一POI，那么co-map2的取值则为600。
依次检索了第一POI和第二POI，是指先检索第一POI，再检索第二POI，依次检索了第二POI和第一POI，是指先检索第二POI，再检索第一POI。
在确定出POI对的关系评估指标之后，可将关系评估指标中的两个统计结果分别与预先设定的第三阈值进行，若两个统计结果均大于第三阈值，则可确定POI对中的两个POI具备竞争关系。第三阈值的具体取值可根据实际需要而定，也就是说，若co-map1大于第三阈值，且co-map2大于第三阈值，则可确定POI对中的两个POI具备竞争关系。
以上采用了基于规则的POI竞争关系挖掘方法。基于上述介绍，图2为本发明所述基于规则的POI竞争关系挖掘方法实施例的流程图。如图2所示，包括以下具体实现方式。
201中，按照预定规则，从数据库中记录的地图上的POI中选出与待处理的第一POI相似的第二POI，得到第二POI集合。
比如，第二POI与第一POI属于同一类别，且，第二POI与第一POI的距离小于第一阈值。
在202中，针对集合中的每个第二POI，分别将第二POI与第一POI组成一个POI对，并根据用户在地图上对于POI的检索操作，确定出POI对的关系评估指标co-map1和co-map2。
其中，co-map1为统计出的最近预定时长内第一情况的发生次数，第一情况包括：同一用户依次在地图上检索了第一POI和第二POI，且前后两次检索间隔的时长小于第二阈值。
co-map2为统计出的最近预定时长内第二情况的发生次数，第二情况包括：同一用户依次在地图上检索了第二POI和第一POI，且前后两次检索间隔的时长小于第二阈值。
在203中，根据co-map1和co-map2确定出POI对中的两个POI是否具备竞争关系。
比如，若co-map1和co-map2均大于第三阈值，则可确定POI对中的两个POI具备竞争关系。
除上述基于规则的POI竞争关系挖掘方法之外，本实施例中还提出了基于机器学习的POI竞争关系挖掘方法。
类似地，为减少后续处理的数据量等，可先按照预定规则，从数据库中记录的地图上的POI中选出与待处理的第一POI相似的第二POI，从而得到第二POI集合。
针对集合中的每个第二POI，可分别将第二POI与第一POI组成一个POI对，根据用户在地图上对于POI的检索操作，确定出POI对的关系评估指标。
之后，可至少将关系评估指标作为POI对的特征，输入预先训练得到的机器学习模型，得到POI对的竞争关系评分，进而根据竞争关系评分确定出POI对中的两个POI是否具备竞争关系。
为训练得到机器学习模型，需要分别获取作为正样本和负样本的POI对，其中，作为正样本的POI对中的两个POI具备竞争关系，作为负样本的POI对中的两个POI不具备竞争关系，并分别获取作为正样本和负样本的POI对的特征，所述特征中可至少包括：关系评估指标，进而可根据获取到的特征，基于正样本和负样本训练得到机器学习模型。
基于上述介绍，图3为本发明所述基于机器学习的POI竞争关系挖掘方法实施例的流程图。如图3所示，包括以下具体实现方式。
在301中，分别获取作为正样本和负样本的POI对，其中，作为正样本的POI对中的两个POI具备竞争关系，作为负样本的POI对中的两个POI不具备竞争关系。
可构建所需的正样本和负样本。正样本的构建可基于已有的POI竞争关系数据库，或者，基于领域知识手工构建，比如，肯德基和麦当劳等POI之间的竞争关系是显而易见的，可以手工标注的。负样本也可基于领域知识手工构建，如李宁运动品牌店和肯德基之间可认为是没有竞争关系的。
在302中，分别获取作为正样本和负样本的POI对的特征，所述特征中至少包括：关系评估指标。
如前所述，关系评估指标可包括co-map1和co-map2。
co-map1为统计出的最近预定时长内第一情况的发生次数，第一情况包括：同一用户依次在地图上检索了第一POI和第二POI，且前后两次检索间隔的时长小于第二阈值。
co-map2为统计出的最近预定时长内第二情况的发生次数，第二情况包括：同一用户依次在地图上检索了第二POI和第一POI，且前后两次检索间隔的时长小于第二阈值。
在303中，根据获取到的特征，基于正样本和负样本训练得到机器学习模型。
训练的目标是，给定任意两个POI，利用机器学习模型可以给出一个衡量两个POI之间的竞争度的值，即竞争关系评分。
机器学习模型可以为任意形式的支持机器学习的模型，如支持向量机(SVM，Support Vector Machine)模型、决策树模型、梯度提升树(GBT，Gradient BoostingTrees)模型或神经网络模型等。
在304中，按照预定规则，从数据库中记录的地图上的POI中选出与待处理的第一POI相似的第二POI，得到第二POI集合。
比如，第二POI与第一POI属于同一类别，且，第二POI与第一POI的距离小于第一阈值。
在305中，针对集合中的每个第二POI，分别将第二POI与第一POI组成一个POI对，并根据用户在地图上对于POI的检索操作，确定出POI对的关系评估指标。
即确定出POI对的co-map1和co-map2。
在306中，至少将关系评估指标作为POI对的特征，输入训练得到的机器学习模型，得到POI对的竞争关系评分。
若302中获取到的作为正样本和负样本的POI对的特征中仅包括关系评估指标，那么306中则仅将关系评估指标作为POI对的特征，输入机器学习模型。
在实际应用中，获取到的作为正样本和负样本的POI对的特征中除了包括关系评估指标之外，还可进一步包括一些其它特征，如POI对中的两个POI所属的类别以及POI对中的两个POI之间的距离等。那么相应地，在306中，除了将关系评估指标作为POI对的特征输入机器学习模型之外，还需要获取POI对中的两个POI所属的类别以及POI对中的两个POI之间的距离等特征，连同关系评估指标一起输入到机器学习模型中。
在307中，根据竞争关系评分确定出POI对中的两个POI是否具备竞争关系。
比如，可将竞争关系评分与预先设定的第四阈值进行比较，若竞争关系评分大于第四阈值，则可确定POI对中的两个POI具备竞争关系。
或者，在分别获取到第二POI集合中的每个第二POI所在的POI对的竞争关系评分后，可按照从大到小的顺序对各竞争关系评分进行排序，若某一POI对的竞争关系评分排在前K位，则可确定该POI对中的两个POI具备竞争关系，K为正整数，且小于第二POI集合中的第二POI数，即返回竞争关系评分最高的K个POI对中的第二POI作为与第一POI具备竞争关系的POI。
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它顺序或者同时进行。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。
在上述实施例中，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，可以参见其它实施例的相关描述。
总之，采用本发明方法实施例所述方案，无需依赖于经验，可直接根据用户在地图上对于POI的检索操作，确定出两个POI的关系评估指标，进而根据关系评估指标确定出两个POI是否具备竞争关系，从而提高了处理结果的准确性，而且无需人工进行操作，从而节省了人力成本，并提高了处理效率等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
图4为本发明所述兴趣点竞争关系挖掘装置实施例的组成结构示意图。如图4所示，包括：获取单元401以及挖掘单元402。
获取单元401，用于针对待处理的第一POI，获取作为第一POI的挖掘对象的第二POI集合。
挖掘单元402，用于针对集合中的每个第二POI，分别将第二POI与第一POI组成一个POI对，根据用户在地图上对于POI的检索操作，确定出POI对的关系评估指标，根据关系评估指标确定出POI对中的两个POI是否具备竞争关系。
当需要针对任一POI挖掘与其具备竞争关系的POI时，可首先获取作为该POI的挖掘对象的POI集合，为便于区别，将所述“任一POI”称为第一POI，将集合中作为第一POI的挖掘对象的POI称为第二POI。
集合中的第二POI可以包括数据库中记录的地图上的所有POI，或者，为减少后续处理的数据量等，也可先进行预过滤处理，即获取单元401可按照预定规则，从数据库中记录的地图上的POI中选出与第一POI相似的第二POI，从而得到第二POI集合。
所述预定规则具体为何种规则可根据实际需要而定，比如，可包括以下之一或全部：第二POI与第一POI属于同一类别，第二POI与第一POI的距离小于预先设定的第一阈值。
针对集合中的每个第二POI，挖掘单元402可分别将该第二POI与第一POI组成一个POI对，并根据用户在地图上对于POI的检索操作，确定出POI对的关系评估指标，进而根据关系评估指标确定出POI对中的两个POI是否具备竞争关系。
其中，确定出POI对的关系评估指标可以包括：
统计最近预定时长内第一情况的发生次数co-map1，第一情况包括：同一用户依次在地图上检索了第一POI和第二POI，且前后两次检索间隔的时长小于预先设定的第二阈值；
统计最近预定时长内第二情况的发生次数co-map2，第二情况包括：同一用户依次在地图上检索了第二POI和第一POI，且前后两次检索间隔的时长小于第二阈值；
将两个统计结果co-map1和co-map2作为POI对的关系评估指标。
在确定出POI对的关系评估指标之后，挖掘单元402可将关系评估指标中的两个统计结果分别与预先设定的第三阈值进行，若两个统计结果均大于第三阈值，则可确定POI对中的两个POI具备竞争关系。也就是说，若co-map1大于第三阈值，且co-map2大于第三阈值，则可确定POI对中的两个POI具备竞争关系。
以上采用了基于规则的POI竞争关系挖掘方法，除此之外，本实施例中还提出了基于机器学习的POI竞争关系挖掘方法。
挖掘单元402在确定出POI对的关系评估指标之后，可至少将关系评估指标作为POI对的特征，输入预先训练得到的机器学习模型，得到POI对的竞争关系评分，进而根据竞争关系评分确定出POI对中的两个POI是否具备竞争关系。
相应地，图4所示装置中可进一步包括：模型训练单元400。
模型训练单元400，用于分别获取作为正样本和负样本的POI对，其中，作为正样本的POI对中的两个POI具备竞争关系，作为负样本的POI对中的两个POI不具备竞争关系，分别获取作为正样本和负样本的每个POI对的特征，所述特征中至少包括：关系评估指标，根据获取到的特征，基于正样本和负样本训练得到机器学习模型。
训练的目标是，给定任意两个POI，利用机器学习模型可以给出一个衡量两个POI之间的竞争度的值，即竞争关系评分。
机器学习模型可以为任意形式的支持机器学习的模型，如SVM模型、决策树模型、Gradient Boosting Trees模型或神经网络模型等。
在模型训练阶段，若获取到的作为正样本和负样本的POI对的特征中仅包括关系评估指标，那么挖掘单元402在确定出POI对的关系评估指标之后，可仅将关系评估指标作为POI对的特征，输入机器学习模型。
在实际应用中，获取到的作为正样本和负样本的POI对的特征中除了包括关系评估指标之外，还可进一步包括一些其它特征，如POI对中的两个POI所属的类别以及POI对中的两个POI之间的距离等。那么相应地，挖掘单元402除了将关系评估指标作为POI对的特征输入机器学习模型之外，还需要获取POI对中的两个POI所属的类别以及POI对中的两个POI之间的距离等特征，连同关系评估指标一起输入到机器学习模型中。
在得到POI对的竞争关系评分之后，挖掘单元402可根据竞争关系评分确定出POI对中的两个POI是否具备竞争关系。
比如，挖掘单元402可将竞争关系评分与预先设定的第四阈值进行比较，若竞争关系评分大于第四阈值，则可确定POI对中的两个POI具备竞争关系。
或者，挖掘单元402在分别获取到第二POI集合中的每个第二POI所在的POI对的竞争关系评分后，可按照从大到小的顺序对各竞争关系评分进行排序，若某一POI对的竞争关系评分排在前K位，则可确定该POI对中的两个POI具备竞争关系，K为正整数，且小于第二POI集合中的第二POI数，即返回竞争关系评分最高的K个POI对中的第二POI作为与第一POI具备竞争关系的POI。
图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本发明装置实施例所述方案，无需依赖于经验，可直接根据用户在地图上对于POI的检索操作，确定出两个POI的关系评估指标，进而可根据关系评估指标确定出两个POI是否具备竞争关系，从而提高了处理结果的准确性，而且无需人工进行操作，从而节省了人力成本，并提高了处理效率等。
图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图5显示的计算机系统/服务器12仅仅是一个示例，不应对本发明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/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器(处理单元)16，存储器28，连接不同系统组件(包括存储器28和处理器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(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器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系统/服务器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(RAM)30和/或高速缓存存储器32。计算机系统/服务器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5未显示，通常称为“硬盘驱动器”)。尽管图5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CD-ROM,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发明各实施例的功能。
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通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器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，计算机系统/服务器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(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器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。
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现图1、图2或图3所示实施例中的方法。
本发明同时公开了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将实现如图1、图2或图3所示实施例中的方法。
可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法等，可以通过其它的方式实现。例如，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。
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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (16)

1.一种兴趣点竞争关系挖掘方法，其特征在于，包括：
针对待处理的第一兴趣点POI，获取作为所述第一POI的挖掘对象的第二POI集合；
针对所述集合中的每个第二POI，分别将所述第二POI与所述第一POI组成一个POI对，根据用户在地图上对于POI的检索操作，确定出所述POI对的关系评估指标，根据所述关系评估指标确定出所述POI对中的两个POI是否具备竞争关系，包括：至少将所述关系评估指标作为所述POI对的特征，输入预先训练得到的机器学习模型，得到所述POI对的竞争关系评分，根据所述竞争关系评分确定出所述POI对中的两个POI是否具备竞争关系。
2.根据权利要求1所述的方法，其特征在于，
所述获取作为所述第一POI的挖掘对象的第二POI集合包括：
按照预定规则，从数据库中记录的地图上的POI中选出与所述第一POI相似的第二POI，得到所述第二POI集合。
3.根据权利要求2所述的方法，其特征在于，
所述预定规则包括以下之一或全部：
所述第二POI与所述第一POI属于同一类别；
所述第二POI与所述第一POI的距离小于预先设定的第一阈值。
4.根据权利要求1所述的方法，其特征在于，
所述确定出所述POI对的关系评估指标包括：
统计最近预定时长内第一情况的发生次数，所述第一情况包括：同一用户依次在地图上检索了第一POI和第二POI，且前后两次检索间隔的时长小于预先设定的第二阈值；
统计最近预定时长内第二情况的发生次数，所述第二情况包括：同一用户依次在地图上检索了第二POI和第一POI，且前后两次检索间隔的时长小于所述第二阈值；
将两个统计结果作为所述POI对的关系评估指标。
5.根据权利要求4所述的方法，其特征在于，
所述根据所述关系评估指标确定出所述POI对中的两个POI是否具备竞争关系进一步包括：
若两个统计结果均大于预先设定的第三阈值，则确定所述POI对中的两个POI具备竞争关系。
6.根据权利要求1所述的方法，其特征在于，
所述根据所述竞争关系评分确定出所述POI对中的两个POI是否具备竞争关系包括：
将所述竞争关系评分与预先设定的第四阈值进行比较，若所述竞争关系评分大于所述第四阈值，则确定所述POI对中的两个POI具备竞争关系；
或者，在分别获取到所述第二POI集合中的每个第二POI所在的POI对的竞争关系评分后，按照从大到小的顺序对各竞争关系评分进行排序，若任一POI对的竞争关系评分排在前K位，则确定所述POI对中的两个POI具备竞争关系，K为正整数，且小于所述第二POI集合中的第二POI数。
7.根据权利要求1所述的方法，其特征在于，
所述训练得到所述机器学习模型包括：
分别获取作为正样本和负样本的POI对，其中，作为正样本的POI对中的两个POI具备竞争关系，作为负样本的POI对中的两个POI不具备竞争关系；
分别获取作为正样本和负样本的POI对的特征，所述特征中至少包括：所述关系评估指标；
根据获取到的特征，基于所述正样本和负样本训练得到所述机器学习模型。
8.一种兴趣点竞争关系挖掘装置，其特征在于，包括：获取单元以及挖掘单元；
所述获取单元，用于针对待处理的第一兴趣点POI，获取作为所述第一POI的挖掘对象的第二POI集合；
所述挖掘单元，用于针对所述集合中的每个第二POI，分别将所述第二POI与所述第一POI组成一个POI对，根据用户在地图上对于POI的检索操作，确定出所述POI对的关系评估指标，根据所述关系评估指标确定出所述POI对中的两个POI是否具备竞争关系，包括：至少将所述关系评估指标作为所述POI对的特征，输入预先训练得到的机器学习模型，得到所述POI对的竞争关系评分，根据所述竞争关系评分确定出所述POI对中的两个POI是否具备竞争关系。
9.根据权利要求8所述的装置，其特征在于，
所述获取单元按照预定规则，从数据库中记录的地图上的POI中选出与所述第一POI相似的第二POI，得到所述第二POI集合。
10.根据权利要求9所述的装置，其特征在于，
所述预定规则包括以下之一或全部：
所述第二POI与所述第一POI属于同一类别；
且，所述第二POI与所述第一POI的距离小于预先设定的第一阈值。
11.根据权利要求8所述的装置，其特征在于，
所述挖掘单元按照以下方式确定出所述POI对的关系评估指标：
统计最近预定时长内第一情况的发生次数，所述第一情况包括：同一用户依次在地图上检索了第一POI和第二POI，且前后两次检索间隔的时长小于预先设定的第二阈值；
统计最近预定时长内第二情况的发生次数，所述第二情况包括：同一用户依次在地图上检索了第二POI和第一POI，且前后两次检索间隔的时长小于所述第二阈值；
将两个统计结果作为所述POI对的关系评估指标。
12.根据权利要求11所述的装置，其特征在于，
所述挖掘单元进一步用于，若两个统计结果均大于预先设定的第三阈值，则确定所述POI对中的两个POI具备竞争关系。
13.根据权利要求8所述的装置，其特征在于，
所述挖掘单元将所述竞争关系评分与预先设定的第四阈值进行比较，若所述竞争关系评分大于所述第四阈值，则确定所述POI对中的两个POI具备竞争关系；
或者，所述挖掘单元在分别获取到所述第二POI集合中的每个第二POI所在的POI对的竞争关系评分后，按照从大到小的顺序对各竞争关系评分进行排序，若任一POI对的竞争关系评分排在前K位，则确定所述POI对中的两个POI具备竞争关系，K为正整数，且小于所述第二POI集合中的第二POI数。
14.根据权利要求8所述的装置，其特征在于，
所述装置中进一步包括：模型训练单元；
所述模型训练单元，用于分别获取作为正样本和负样本的POI对，其中，作为正样本的POI对中的两个POI具备竞争关系，作为负样本的POI对中的两个POI不具备竞争关系，分别获取作为正样本和负样本的POI对的特征，所述特征中至少包括：所述关系评估指标，根据获取到的特征，基于所述正样本和负样本训练得到所述机器学习模型。
15.一种计算机设备，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，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。
16.一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1～7中任一项所述的方法。
CN201810981108.1A 2018-08-27 2018-08-27 兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质 Active CN109241225B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810981108.1A CN109241225B (zh) 2018-08-27 2018-08-27 兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质
US16/443,633 US11232116B2 (en) 2018-08-27 2019-06-17 Method, computer device and storage medium for mining point of interest competitive relationship

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810981108.1A CN109241225B (zh) 2018-08-27 2018-08-27 兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN109241225A CN109241225A (zh) 2019-01-18
CN109241225B true CN109241225B (zh) 2022-03-25

Family

ID=65068503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810981108.1A Active CN109241225B (zh) 2018-08-27 2018-08-27 兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
US (1) US11232116B2 (zh)
CN (1) CN109241225B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110012426B (zh) * 2019-04-11 2021-01-08 北京百度网讯科技有限公司 消亡poi的确定方法、装置、计算机设备和存储介质
CN111522888B (zh) * 2020-04-22 2023-06-20 北京百度网讯科技有限公司 挖掘兴趣点之间的竞争关系的方法和装置
CN111553279B (zh) * 2020-04-28 2023-05-05 北京百度网讯科技有限公司 兴趣点的表征学习、识别方法、装置、设备及存储介质
CN112069281B (zh) * 2020-09-08 2021-06-18 智慧足迹数据科技有限公司 兴趣点位置的确定方法、装置、计算机设备及存储介质
CN112000763B (zh) * 2020-09-25 2023-08-29 北京百度网讯科技有限公司 兴趣点竞争关系确定方法、装置、设备和介质
CN112559885B (zh) * 2020-12-25 2024-01-12 北京百度网讯科技有限公司 地图兴趣点的训练模型确定方法、装置及电子设备
WO2023077089A1 (en) * 2021-10-28 2023-05-04 Trustees Of Tufts College Systems and methods for cache analysis and management
CN114580975A (zh) * 2022-05-05 2022-06-03 成都数联云算科技有限公司 街区活力获得方法及系统及装置及介质
CN115239025B (zh) * 2022-09-21 2023-02-03 荣耀终端有限公司 一种支付预测方法及电子设备
CN115658839A (zh) * 2022-12-27 2023-01-31 深圳依时货拉拉科技有限公司 Poi数据的挖掘方法、装置、计算机设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123318A (zh) * 2013-04-28 2014-10-29 百度在线网络技术（北京）有限公司 一种地图显示兴趣点的方法及系统
CN106294338A (zh) * 2015-05-12 2017-01-04 株式会社理光 信息处理方法和信息处理装置
CN106844402A (zh) * 2015-12-04 2017-06-13 阿里巴巴集团控股有限公司 数据处理方法及装置
CN107169005A (zh) * 2017-03-31 2017-09-15 百度在线网络技术（北京）有限公司 Poi推荐方法、装置、设备及计算机可读存储介质
CN107609185A (zh) * 2017-09-30 2018-01-19 百度在线网络技术（北京）有限公司 用于poi的相似度计算的方法、装置、设备和计算机可读存储介质
CN107679189A (zh) * 2017-09-30 2018-02-09 百度在线网络技术（北京）有限公司 一种兴趣点更新方法、装置、服务器和介质
CN108205766A (zh) * 2016-12-19 2018-06-26 阿里巴巴集团控股有限公司 信息推送方法、装置及系统
CN108228593A (zh) * 2016-12-13 2018-06-29 腾讯科技（深圳）有限公司 兴趣点重要度测量方法和装置
TW201828244A (zh) * 2017-01-24 2018-08-01 阿里巴巴集團服務有限公司 網路專案的關聯及關聯資訊統計方法和裝置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10643227B1 (en) * 2010-03-23 2020-05-05 Aurea Software, Inc. Business lines
US20140129293A1 (en) * 2012-11-08 2014-05-08 xAd, Inc. Method and Apparatus for Dynamic Fencing

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123318A (zh) * 2013-04-28 2014-10-29 百度在线网络技术（北京）有限公司 一种地图显示兴趣点的方法及系统
CN106294338A (zh) * 2015-05-12 2017-01-04 株式会社理光 信息处理方法和信息处理装置
CN106844402A (zh) * 2015-12-04 2017-06-13 阿里巴巴集团控股有限公司 数据处理方法及装置
CN108228593A (zh) * 2016-12-13 2018-06-29 腾讯科技（深圳）有限公司 兴趣点重要度测量方法和装置
CN108205766A (zh) * 2016-12-19 2018-06-26 阿里巴巴集团控股有限公司 信息推送方法、装置及系统
TW201828244A (zh) * 2017-01-24 2018-08-01 阿里巴巴集團服務有限公司 網路專案的關聯及關聯資訊統計方法和裝置
CN107169005A (zh) * 2017-03-31 2017-09-15 百度在线网络技术（北京）有限公司 Poi推荐方法、装置、设备及计算机可读存储介质
CN107609185A (zh) * 2017-09-30 2018-01-19 百度在线网络技术（北京）有限公司 用于poi的相似度计算的方法、装置、设备和计算机可读存储介质
CN107679189A (zh) * 2017-09-30 2018-02-09 百度在线网络技术（北京）有限公司 一种兴趣点更新方法、装置、服务器和介质

Also Published As

Publication number Publication date
CN109241225A (zh) 2019-01-18
US20200065302A1 (en) 2020-02-27
US11232116B2 (en) 2022-01-25

Similar Documents

Publication Publication Date Title
CN109241225B (zh) 兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质
US11698261B2 (en) Method, apparatus, computer device and storage medium for determining POI alias
US10281284B2 (en) Hybrid road network and grid based spatial-temporal indexing under missing road links
CN106940788B (zh) 智能评分方法及装置、计算机设备及计算机可读介质
CN107222526B (zh) 推送推广信息的方法、装置、设备和计算机存储介质
US20180150466A1 (en) System and method for ranking search results
CN107958014B (zh) 搜索引擎
CN111444304B (zh) 搜索排序的方法和装置
US10210214B2 (en) Scalable trend detection in a personalized search context
CN103514199A (zh) Poi数据处理方法及其装置、poi检索方法及其装置
CN108182240B (zh) 兴趣点新增率预测模型训练及预测方法、装置及存储介质
CN110727740A (zh) 关联分析方法及装置、计算机设备与可读介质
CN110659985A (zh) 一种捞回误拒潜在用户的方法、装置和电子设备
US20230004614A1 (en) Method and Apparatus for Displaying Map Points of Interest, And Electronic Device
CN112632379A (zh) 路线推荐方法、装置、电子设备和存储介质
CN109961311A (zh) 客户推荐方法、装置、计算设备及存储介质
CN112163614A (zh) 一种主播分类方法、装置、电子设备及存储介质
CN114092056A (zh) 项目管理方法、装置、电子设备、存储介质及产品
US20230237076A1 (en) Automatically drawing infographics for statistical data based on a data model
US10614140B2 (en) Keyword based data crawling
CN113505117A (zh) 基于数据指标的数据质量评估方法、装置、设备及介质
CN113791837A (zh) 页面处理方法、装置、设备和存储介质
CN107908724B (zh) 一种数据模型匹配方法、装置、设备及存储介质
CN113742450B (zh) 用户数据等级落标的方法、装置、电子设备和存储介质
US10296833B2 (en) System and method for estimating missing attributes of future events

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