CN109327887A - 用于生成信息的方法和装置 - Google Patents

用于生成信息的方法和装置 Download PDF

Info

Publication number
CN109327887A
CN109327887A CN201811240888.0A CN201811240888A CN109327887A CN 109327887 A CN109327887 A CN 109327887A CN 201811240888 A CN201811240888 A CN 201811240888A CN 109327887 A CN109327887 A CN 109327887A
Authority
CN
China
Prior art keywords
classification
information
local area
area network
wireless local
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
Application number
CN201811240888.0A
Other languages
English (en)
Other versions
CN109327887B (zh
Inventor
李岩岩
段建国
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
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811240888.0A priority Critical patent/CN109327887B/zh
Publication of CN109327887A publication Critical patent/CN109327887A/zh
Priority to US16/563,672 priority patent/US10772035B2/en
Application granted granted Critical
Publication of CN109327887B publication Critical patent/CN109327887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/16—Discovering, processing access restriction or access information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/18—Selecting a network or a communication service
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/005—Discovery of network devices, e.g. terminals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/10—Small scale networks; Flat hierarchical networks
    • H04W84/12—WLAN [Wireless Local Area Networks]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/02—Terminal devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Small-Scale Networks (AREA)

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：接收终端发送的无线局域网扫描信息，其中，所述无线局域网扫描信息包括至少一个无线局域网的无线局域网标识符；从所述至少一个无线局域网的无线局域网标识符中确定无线局域网标识符为目标无线局域网标识符；确定所述目标无线局域网标识符对应的目标无线局域网的特征信息；基于所述目标无线局域网的特征信息和预先建立的类别识别模型，生成所述目标无线局域网对应的类别信息，其中，所述类别识别模型用于表征特征信息与类别信息的对应关系。该实施方式有效利用了终端发送的无线局域网扫描信息，快速生成目标无线局域网对应的类别信息。

Description

用于生成信息的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。
背景技术
随着移动互联网和移动智能终端设备的不断发展，无线局域网(Wireless LocalArea Networks，WLAN)成为了酒店、餐饮、零售等服务行业必备的设施和服务之一。若用户所携带的终端设备扫描或者连接无线局域网，则可以认为该用户到访了该无线局域网所在的兴趣点(Point of Interest，POI)。
通常，兴趣点信息的获取可以通过人工方式采集，也可以通过网络爬虫从品牌官网、点评类网站等处爬取数据。对于某些品牌企业(例如，连锁酒店、连锁餐饮店等等)，随着企业的扩大，每年会开设新店。如果使用人工采集方式或网络爬虫方式进行信息获取，那么从新店开设到获取到该新店的信息(例如，该新店所属的品牌、POI信息等等)需要花费较长的周期。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：接收终端发送的无线局域网扫描信息，其中，上述无线局域网扫描信息包括至少一个无线局域网的无线局域网标识符；从上述至少一个无线局域网的无线局域网标识符中确定无线局域网标识符为目标无线局域网标识符；确定上述目标无线局域网标识符对应的目标无线局域网的特征信息；基于上述目标无线局域网的特征信息和预先建立的类别识别模型，生成上述目标无线局域网对应的类别信息，其中，上述类别识别模型用于表征特征信息与类别信息的对应关系。
在一些实施例中，上述方法还包括：根据上述终端的位置信息确定上述目标无线局域网的位置信息；根据生成的类别信息和上述目标无线局域网的位置信息生成兴趣点信息，以及发送上述兴趣点信息。
在一些实施例中，上述类别识别模型包括类别识别子模型和类别判定子模型；以及上述基于上述目标无线局域网的特征信息和预先建立的类别识别模型，生成上述目标无线局域网对应的类别信息，包括：将上述目标无线局域网标识符输入上述类别识别子模型，得到类别识别结果，其中，上述类别识别子模型用于表征无线局域网标识符与类别识别结果的对应关系；响应于确定得到的类别识别结果与预先设定的类别集合中的类别相匹配，将与得到的类别识别结果相匹配的类别作为目标类别，将针对上述目标类别预先建立的类别判定模型作为类别判定子模型，其中，上述类别判定子模型用于判断特征信息对应的无线局域网是否属于目标类别；将上述目标无线局域网的特征信息输入上述类别判定子模型，得到上述目标无线局域网是否属于上述目标类别的判断结果，其中，上述判断结果包括是或否；响应于确定上述判断结果为是，将上述目标类别作为上述目标无线局域网对应的类别信息。
在一些实施例中，上述类别识别子模型为K-近邻算法；以及上述将上述目标无线局域网标识符输入上述类别识别子模型，得到类别识别结果，包括：获取第一训练样本集，其中，第一训练样本包括无线局域网标识符和与无线局域网标识符对应的类别；基于上述第一训练样本集和K-近邻算法，得到上述目标无线局域网标识符的类别识别结果。
在一些实施例中，上述类别判定子模型为二分类模型；以及上述目标类别的类别判定子模型通过以下方式训练得到：获取第二训练样本集，其中，第二训练样本包括特征信息和特征信息对应的无线局域网是否属于上述目标类别的判断结果；将上述第二训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的无线局域网是否属于上述目标类别的判断结果作为期望输出，训练得到上述类别判定子模型。
在一些实施例中，上述类别识别模型为分类模型；以及上述基于上述目标无线局域网的特征信息和预先建立的类别识别模型，生成上述目标无线局域网对应的类别信息，包括：将上述目标无线局域网的特征信息输入上述分类模型，得到上述目标无线局域网对应的类别信息，其中，上述分类模型用于表征无线局域网的特征信息与类别信息的对应关系。
在一些实施例中，上述分类模型是通过以下方式训练得到的：获取第三训练样本集，其中，第三训练样本包括无线局域网的特征信息和与特征信息对应的无线局域网的类别信息；将上述第三训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的类别信息作为期望输出，训练得到上述分类模型。
第二方面，本申请实施例提供了一种用于生成信息的装置，上述装置包括：接收单元，被配置成接收终端发送的无线局域网扫描信息，其中，上述无线局域网扫描信息包括至少一个无线局域网的无线局域网标识符；第一确定单元，被配置成从上述至少一个无线局域网的无线局域网标识符中确定无线局域网标识符为目标无线局域网标识符；第二确定单元，被配置成确定上述目标无线局域网标识符对应的目标无线局域网的特征信息；生成单元，被配置成基于上述目标无线局域网的特征信息和预先建立的类别识别模型，生成上述目标无线局域网对应的类别信息，其中，上述类别识别模型用于表征特征信息与类别信息的对应关系。
在一些实施例中，上述装置还包括：第三确定单元，被配置成根据上述终端的位置信息确定上述目标无线局域网的位置信息；发送单元，被配置成根据生成的类别信息和上述目标无线局域网的位置信息生成兴趣点信息，以及发送上述兴趣点信息。
在一些实施例中，上述类别识别模型包括类别识别子模型和类别判定子模型；以及上述生成单元包括：第一输入单元，被配置成将上述目标无线局域网标识符输入上述类别识别子模型，得到类别识别结果，其中，上述类别识别子模型用于表征无线局域网标识符与类别识别结果的对应关系；匹配单元，被配置成响应于确定得到的类别识别结果与预先设定的类别集合中的类别相匹配，将与得到的类别识别结果相匹配的类别作为目标类别，将针对上述目标类别预先建立的类别判定模型作为类别判定子模型，其中，上述类别判定子模型用于判断特征信息对应的无线局域网是否属于目标类别；第二输入单元，被配置成将上述目标无线局域网的特征信息输入上述类别判定子模型，得到上述目标无线局域网是否属于上述目标类别的判断结果，其中，上述判断结果包括是或否；信息确定单元，被配置成响应于确定上述判断结果为是，将上述目标类别作为上述目标无线局域网对应的类别信息。
在一些实施例中，上述类别识别子模型为K-近邻算法；以及上述第一输入单元进一步被配置成：获取第一训练样本集，其中，第一训练样本包括无线局域网标识符和与无线局域网标识符对应的类别；基于上述第一训练样本集和K-近邻算法，得到上述目标无线局域网标识符的类别识别结果。
在一些实施例中，上述类别判定子模型为二分类模型；以及上述目标类别的类别判定子模型通过以下方式训练得到：获取第二训练样本集，其中，第二训练样本包括特征信息和特征信息对应的无线局域网是否属于上述目标类别的判断结果；将上述第二训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的无线局域网是否属于上述目标类别的判断结果作为期望输出，训练得到上述类别判定子模型。
在一些实施例中，上述类别识别模型为分类模型；以及上述生成单元进一步被配置成：将上述目标无线局域网的特征信息输入上述分类模型，得到上述目标无线局域网对应的类别信息，其中，上述分类模型用于表征无线局域网的特征信息与类别信息的对应关系。
在一些实施例中，上述分类模型是通过以下方式训练得到的：获取第三训练样本集，其中，第三训练样本包括无线局域网的特征信息和与特征信息对应的无线局域网的类别信息；将上述第三训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的类别信息作为期望输出，训练得到上述分类模型。
第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成信息的方法和装置，首先接收终端发送的无线局域网扫描信息，而后从至少一个无线局域网的无线局域网标识符中确定无线局域网标识符为目标无线局域网标识符，然后确定目标无线局域网标识符对应的目标无线局域网的特征信息，最后基于目标无线局域网的特征信息和预先建立的类别识别模型生成目标无线局域网对应的类别信息，从而有效利用了终端发送的无线局域网扫描信息，快速生成目标无线局域网对应的类别信息。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成信息的方法的一个实施例的流程图；
图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图；
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成信息的方法或用于生成信息的装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、地图类应用、搜索类应用、定位类软件、无线局域网扫描工具等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有无线局域网扫描功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器和膝上型便携计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103扫描到的无线局域网扫描信息进行分析的后台服务器。后台服务器可以对接收到的无线局域网扫描等数据进行分析等处理，并生成目标无线局域网对应的类别信息。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：
步骤201，接收终端发送的无线局域网扫描信息。
在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器105)可以通过无线连接方式从用户所携带的终端(例如图1所示的终端设备101、102、103)接收无线局域网扫描信息。这里，上述无线局域网扫描信息可以包括至少一个无线局域网的无线局域网标识符和信号强度等。在这里，无线局域网标识符可以是指无线局域网名称。实践中，无线局域网名称可以是指服务集标识符(Service Set Identifier，SSID)。SSID是终端设备扫描无线局域网时用户可以看到的无线局域网标识符，通过它用户可以直观的了解周围的无线局域网，以选择进行连接或断开。
步骤202，从至少一个无线局域网的无线局域网标识符中确定无线局域网标识符为目标无线局域网标识符。
在本实施例中，上述执行主体可以通过各种方式(例如，随机选取方式)从上述至少一个无线局域网的无线局域网标识符中确定无线局域网标识符作为目标无线局域网标识符。作为示例，上述执行主体中可以预先存储有无线局域网标识符列表。该无线局域网标识符列表可以是上述执行主体通过各种方式得到的。例如，可以通过直接接收外部输入的方式得到。又例如，可以使用以往接收到的历史无线局域网扫描信息中的无线局域网标识符生成无线局域网标识符列表。之后，对于上述至少一个无线局域网的无线局域网标识符中的每一无线局域网的无线局域网标识符，上述执行主体可以将该无线局域网的无线局域网标识符与上述无线局域网标识符列表中的多个无线局域网标识符进行对比，如果该无线局域网标识符与上述无线局域网标识符列表中的每个无线局域网标识符均不相同，则可以将该无线局域网标识符确定为目标无线局域网标识符。即，相对于上述无线局域网标识符列表中的多个无线局域网标识符，该无线局域网标识符为未出现过的新无线局域网标识符。
步骤203，确定目标无线局域网标识符对应的目标无线局域网的特征信息。
在本实施例中，上述执行主体可以确定上述目标无线局域网标识符对应的目标无线局域网的特征信息。在这里，上述目标无线局域网的特征信息可以是指与目标无线局域网相关的各种特征信息。
作为一个示例，目标无线局域网的特征信息可以包括与目标无线局域网直接相关的特征信息，包括但不限于目标无线局域网的无线局域网标识符、无线局域网辐射半径、无线局域网连接数、连接时长等等。实践中，无线局域网辐射半径可以是上述执行主体对接收到的多个终端设备发送的无线局域网扫描信息进行统计得到的，例如，如果多个终端设备上安装有GPS(Global Positioning System，全球定位系统)，则根据这些终端设备在各个定位点的无线局域网扫描信息可以知道哪些定位点可以扫描到目标无线局域网，并对可以扫描到目标无线局域网的定位点的坐标进行分析，从而确定目标无线局域网的辐射半径。无线局域网连接数可以是上述执行主体对各个统计时间段内连接目标无线局域网的终端设备的数量进行统计确定的。连接时长可以是上述执行主体对连接目标无线局域网的各个终端设备的连接时长进行统计分析得到的。
作为另一个示例，目标无线局域网的特征信息还可以包括与目标无线局域网所在地理位置相关的特征信息，包括但不限于目标无线局域网所在位置处的索引编码、周边各类别兴趣点的数量、交通便利程度、到达量等等。实践中，上述执行主体可以通过多种方式确定目标无线局域网的位置信息。举例来说，假设一个目标终端向上述执行主体发送了包括目标无线局域网的无线局域网扫描信息，该无线局域网扫描信息包括所扫描的各个无线局域网的无线局域网标识符和信号强度。首先，上述执行主体可以确定目标终端的位置信息，例如，通过目标终端所安装的GPS确定，又例如，利用无线局域网扫描信息和现有的位置指纹法确定。之后，上述执行主体可以根据目标终端的位置信息和目标无线局域网的信号强度确定目标无线局域网的位置信息。实际使用中，一个设备离无线局域网的发射设备越远，其能扫描到的无线局域网信号越弱，基于该原理上述执行主体可以根据目标终端的位置信息和目标终端扫描到的目标无线局域网的信号强度确定目标无线局域网的位置信息。不难理解，上述执行主体可以多次使用上述方法对目标无线局域网进行定位，并对多次定位结果进行统计分析，从而使得到目标无线局域网的准确位置。在确定目标无线局域网的位置信息之后，上述执行主体可以确定目标无线局域网所在位置处的索引编码，索引编号可以是指目标无线局域网所在位置的空间索引编码(GeoHash)，GeoHash将二维的经纬度转换为字符串，每一个字符串代表了某一个矩形区域。上述执行主体还可以获取目标无线局域网周围预设范围内各类别兴趣点的数量、交通便利程度、到达量等等。这里，交通便利程度可以根据目标无线局域网周围预设范围内的公交站、地铁站等数据确定。到达量可以根据目标无线局域网周围预设范围内人数到达的数量确定。
步骤204，基于目标无线局域网的特征信息和预先建立的类别识别模型，生成目标无线局域网对应的类别信息。
在本实施例中，上述执行主体可以基于上述目标无线局域网的特征信息和预先建立的类别识别模型生成目标无线局域网对应的类别信息。其中，上述类别识别模型用于表征特征信息与类别信息的对应关系。作为示例，目标无线局域网对应的类别信息可以是指目标无线局域网所属的品牌。实践中，为方便客户使用，品牌类兴趣点的无线局域网标识符通常与该兴趣点所属的品牌名称、品牌名称的拼音等相关。例如，某品牌的连锁酒店的名称为甲，为了方便客户使用，则该品牌酒店内设置的无线局域网的无线局域网标识符通常设为甲、jia、jiaHotel、Jia、Jia-5G之类的标识符。
在本实施例的一些可选的实现方式中，上述类别识别模型可以包括类别识别子模型和类别判定子模型。以及上述步骤204可以具体如下进行：
步骤S1，将目标无线局域网标识符输入类别识别子模型，得到类别识别结果。
在这里，上述类别识别结果可以是指目标无线局域网对应的类别信息(例如，品牌名称)。其中，上述类别识别子模型可以用于表征无线局域网标识符与类别识别结果的对应关系。作为示例，上述类别识别子模型可以包括技术人员基于对大量的无线局域网标识符和类别识别结果的统计而预先制定的、存储有多个无线局域网标识符与类别识别结果的对应关系的对应关系表。这样，类别识别子模型可以将目标无线局域网标识符与该对应关系表中的多个无线局域网标识符进行匹配，若该对应关系表中的一个无线局域网标识符与目标无线局域网标识符相同或相似，则将该对应关系表中的该无线局域网标识符对应的类别识别结果作为目标无线局域网的类别识别结果。
步骤S2，响应于确定得到的类别识别结果与预先设定的类别集合中的类别相匹配，将与得到的类别识别结果相匹配的类别作为目标类别，将针对目标类别预先建立的类别判定模型作为类别判定子模型。
在这里，上述执行主体中预先存储有一个类别集合，该类别集合中包括多条类别的信息。针对类别集合中的每一个类别，上述执行主体中可以预先存储有一个类别判定模型，类别判断模型可以用于判断输入的特征信息对应的无线局域网是否属于该类别。作为示例，类别判断模型可以包括技术人员基于对大量的特征信息和该特征信息对应的无线局域网是否属于该类别的判断结果的统计而预先制定的、存储有多个特征信息与判断结果的对应关系的对应关系表。这样，类别判断模型可以将输入的特征信息与该对应关系表中的多个特征信息进行匹配，若该对应关系表中的一条特征信息与输入的特征信息相同或相似，则将该对应关系表中的该特征信息对应的判断结果作为输入的特征信息的判断结果。
响应于确定步骤S1中得到的类别识别结果与该类别集合中的某一个类别信息相同，上述执行主体可以将该类别集合中的与类别识别结果相同的类别作为目标类别。并将针对目标类别预先建立的类别判定模型作为类别判定子模型。
步骤S3，将目标无线局域网的特征信息输入类别判定子模型，得到目标无线局域网是否属于目标类别的判断结果。
在这里，上述执行主体可以将目标无线局域网的特征信息输入上述类别判定子模型，从而得到目标无线局域网是否属于目标类别的判断结果。其中，上述判断结果可以包括是或否。其中，“是”表示目标无线局域网属于目标类别，“否”表示目标无线局域网不属于目标类别。实践中，上述执行主体可以用1表示“是”，用0表示“否”。
步骤S4，响应于确定判断结果为是，将目标类别作为目标无线局域网的对应的类别信息。
在这里，响应于确定步骤S3的判断结果为是，上述执行主体可以将目标类别作为目标无线局域网对应的类别信息。
在一些可选的实现方式中，上述类别识别子模型可以为K-近邻(k-nearestneighbors，KNN)算法。以及步骤S1可以具体如下进行：
首先，获取第一训练样本集。其中，第一训练样本可以包括无线局域网标识符和与无线局域网标识符对应的类别。
之后，基于上述第一训练样本集和K-近邻算法，得到上述目标无线局域网标识符的类别识别结果。实践中，KNN算法的使用需要考虑K值的选取、距离度量的方式和分类决策规则三个要素，对于固定的第一训练样本集，上述三个要素确定了，KNN算法的预测方式也就确定了。作为示例，在本实现方式中，K值的选取可以是技术人员根据实际需要选取的，例如，选取K＝5。距离度量的方式可以选取编辑距离。分类决策规则可以使用多数表决法。KNN算法是一种很基本的机器学习算法，不需要使用训练集进行训练，训练耗时为0，且算法在分类过程中对数据没有假设，准确度高。因此，本实现方式通过使用K-近邻算法可以降低生成类别识别结果的复杂度，提高生成类别识别结果的准确度。
在一些可选的实现方式中，上述类别判定子模型为二分类模型。以及上述目标类别的类别判定子模型可以通过以下方式训练得到：首先，获取第二训练样本集，其中，第二训练样本可以包括无线局域网的特征信息和特征信息对应的无线局域网是否属于上述目标类别的判断结果。之后，将上述第二训练样本集中的训练样本的无线局域网的特征信息作为输入，将与输入的特征信息对应的无线局域网是否属于上述目标类别的判断结果作为期望输出，训练得到上述类别判定子模型。
在本实现方式中，首先，需要确定初始类别判定子模型的模型参数，在这里，初始类别判定子模型包括但不限于逻辑回归模型、决策树模型等等。之后，可以将第二训练样本集中的训练样本的无线局域网的特征信息输入上述初始类别判定子模型，得到该特征信息对应的无线局域网是否属于上述目标类别的预测判断结果。然后，将预测判断结果与期望输出进行对比，并根据对比结果确定上述初始别判定子模型是否达到预设的达标条件。作为示例，达标条件可以是上述初始类别判定子模型的预测准确率大于预设准确率阈值。最后，响应于确定初始别判定子模型达到预设的达标条件，将初始别判定子模型作为训练得到类别判定子模型。响应于确定初始别判定子模型未达到预设的达标条件，调整初始类别判定子模型的模型参数，继续执行上述训练步骤。作为示例，可以采用反向传播算法(BackPropgation Algorithm，BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始类别判定子模型的模型参数进行调整。需要说明的是，反向传播算法和梯度下降法是目前广泛研究和应用的公知技术，在此不再赘述。
在本实施例的一些可选的实现方式中，上述类别识别模型可以为分类模型。以及上述步骤204可以如下进行：
上述执行主体可以将上述目标无线局域网的特征信息输入上述分类模型，得到上述目标无线局域网对应的类别信息，其中，上述分类模型可以用于表征无线局域网的特征信息与类别信息的对应关系。作为示例，上述分类模型可以包括技术人员基于对大量的无线局域网的特征信息和该特征信息对应的无线局域网的类别信息的统计而预先制定的、存储有多个无线局域网的特征信息与类别信息的对应关系的对应关系表。
在一些可选的实现方式中，上述分类模型可以是通过以下方式训练得到的：
首先，获取第三训练样本集，其中，第三训练样本可以包括无线局域网的特征信息和与特征信息对应的无线局域网的类别信息。
其次，将上述第三训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的类别信息作为期望输出，训练得到分类模型。在这里，分类模型可以包括但不限于逻辑回归模型、决策树模型、朴素贝叶斯模型、支持向量机模型等等。上述分类模型的训练过程与类别判定子模型的原理类似，此处不再赘述。
继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器301首先可以接收终端302发送的无线局域网扫描信息，其中，无线局域网扫描信息包括5个无线局域网的无线局域网标识符{A123，211，AHuoGuo，AAA，BBB}。之后，服务器301从5个无线局域网的无线局域网标识符中确定无线局域网标识符“AHuoGuo”为目标无线局域网标识符。然后，服务器301确定目标无线局域网标识符对应的目标无线局域网的特征信息。最后，基于目标无线局域网的特征信息和预先建立的类别识别模型，生成目标无线局域网对应的类别信息“A火锅”，其中，类别识别模型可以用于表征特征信息与类别信息的对应关系。在本应用场景中“A火锅”为一个连锁火锅店的品牌名称。
本申请的上述实施例提供的方法有效利用了终端发送的无线局域网扫描信息，快速生成目标无线局域网对应的类别信息。
进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：
步骤401，接收终端发送的无线局域网扫描信息。
在本实施例中，步骤401与图2所示实施例中的步骤201原理类似，此处不再赘述。
步骤402，从至少一个无线局域网的无线局域网标识符中确定无线局域网标识符为目标无线局域网标识符。
在本实施例中，步骤402与图2所示实施例中的步骤202原理类似此处不再赘述。
步骤403，确定目标无线局域网标识符对应的目标无线局域网的特征信息。
在本实施例中，步骤403与图2所示实施例中的步骤203原理类似，此处不再赘述。
步骤404，基于目标无线局域网的特征信息和预先建立的类别识别模型，生成目标无线局域网对应的类别信息。
在本实施例中，步骤404与图2所示实施例中的步骤204原理类似，此处不再赘述。
步骤405，根据终端的位置信息确定目标无线局域网的位置信息。
在本实施例中，上述执行主体可以首先通过多种方式获取上述终端的位置信息。作为一个示例，上述执行主体可以通过上述终端安装的GPS的定位数据确定上述终端的位置信息。作为另一个示例，上述执行主体可以根据上述终端发送的无线局域网扫描信息对上述终端进行定位，例如，利用无线局域网扫描信息和现有的无线局域网位置指纹法对上述终端进行定位，从而得到终端的位置信息。之后，上述执行主体可以根据上述终端的位置信息和上述目标无线局域网的信号强度确定目标无线局域网的位置信息。实践中，一个设备离无线局域网的发射设备越远，其能扫描到的无线局域网信号越弱，基于该原理上述执行主体可以根据终端的位置信息和该终端扫描到的目标无线局域网的信号强度确定目标无线局域网的位置信息。
步骤406，根据生成的类别信息和目标无线局域网的位置信息生成兴趣点信息，以及发送兴趣点信息。
在本实施例中，上述执行主体可以根据步骤404生成的类别信息和步骤405确定的目标无线局域网的位置信息生成兴趣点信息，并将生成的兴趣点信息进行发送。例如，发送给指定的终端设备，如，工作人员所使用的终端设备。又例如，发送给指定的数据存储服务器，以对生成的兴趣点信息进行存储。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了生成兴趣点信息的步骤。由此，本实施例描述的方案有效利用了终端发送的无线局域网扫描信息，实现了兴趣点信息的自动生成。同时，一旦有目标无线局域网被扫描到，即可生成该目标无线局域网对应位置处的兴趣点信息，极大地缩短了兴趣点的发现周期。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于生成信息的装置500包括：接收单元501、第一确定单元502、第二确定单元503和生成单元504。其中，接收单元501被配置成接收终端发送的无线局域网扫描信息，其中，上述无线局域网扫描信息包括至少一个无线局域网的无线局域网标识符；第一确定单元502被配置成从上述至少一个无线局域网的无线局域网标识符中确定无线局域网标识符为目标无线局域网标识符；第二确定单元503被配置成确定上述目标无线局域网标识符对应的目标无线局域网的特征信息；生成单元504被配置成基于上述目标无线局域网的特征信息和预先建立的类别识别模型，生成上述目标无线局域网对应的类别信息，其中，上述类别识别模型用于表征特征信息与类别信息的对应关系。
在本实施例中，用于生成信息的装置500的接收单元501、第一确定单元502、第二确定单元503和生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述装置500还包括：第三确定单元(图中未示出)，被配置成根据上述终端的位置信息确定上述目标无线局域网的位置信息；发送单元(图中未示出)，被配置成根据生成的类别信息和上述目标无线局域网的位置信息生成兴趣点信息，以及发送上述兴趣点信息。
在本实施例的一些可选的实现方式中，上述类别识别模型包括类别识别子模型和类别判定子模型；以及上述生成单元504包括：第一输入单元(图中未示出)，被配置成将上述目标无线局域网标识符输入上述类别识别子模型，得到类别识别结果，其中，上述类别识别子模型用于表征无线局域网标识符与类别识别结果的对应关系；匹配单元(图中未示出)，被配置成响应于确定得到的类别识别结果与预先设定的类别集合中的类别相匹配，将与得到的类别识别结果相匹配的类别作为目标类别，将针对上述目标类别预先建立的类别判定模型作为类别判定子模型，其中，上述类别判定子模型用于判断特征信息对应的无线局域网是否属于目标类别；第二输入单元(图中未示出)，被配置成将上述目标无线局域网的特征信息输入上述类别判定子模型，得到上述目标无线局域网是否属于上述目标类别的判断结果，其中，上述判断结果包括是或否；信息确定单元(图中未示出)，被配置成响应于确定上述判断结果为是，将上述目标类别作为上述目标无线局域网对应的类别信息。
在本实施例的一些可选的实现方式中，上述类别识别子模型为K-近邻算法；以及上述第一输入单元进一步被配置成：获取第一训练样本集，其中，第一训练样本包括无线局域网标识符和与无线局域网标识符对应的类别；基于上述第一训练样本集和K-近邻算法，得到上述目标无线局域网标识符的类别识别结果。
在本实施例的一些可选的实现方式中，上述类别判定子模型为二分类模型；以及上述目标类别的类别判定子模型通过以下方式训练得到：获取第二训练样本集，其中，第二训练样本包括特征信息和特征信息对应的无线局域网是否属于上述目标类别的判断结果；将上述第二训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的无线局域网是否属于上述目标类别的判断结果作为期望输出，训练得到上述类别判定子模型。
在本实施例的一些可选的实现方式中，上述类别识别模型为分类模型；以及上述生成单元504进一步被配置成：将上述目标无线局域网的特征信息输入上述分类模型，得到上述目标无线局域网对应的类别信息，其中，上述分类模型用于表征无线局域网的特征信息与类别信息的对应关系。
在本实施例的一些可选的实现方式中，上述分类模型是通过以下方式训练得到的：获取第三训练样本集，其中，第三训练样本包括无线局域网的特征信息和与特征信息对应的无线局域网的类别信息；将上述第三训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的类别信息作为期望输出，训练得到上述分类模型。
下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，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，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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申请的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)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、第一确定单元、第二确定单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收终端发送的无线局域网扫描信息的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：接收终端发送的无线局域网扫描信息，其中，上述无线局域网扫描信息包括至少一个无线局域网的无线局域网标识符；从上述至少一个无线局域网的无线局域网标识符中确定无线局域网标识符为目标无线局域网标识符；确定上述目标无线局域网标识符对应的目标无线局域网的特征信息；基于上述目标无线局域网的特征信息和预先建立的类别识别模型，生成上述目标无线局域网对应的类别信息，其中，上述类别识别模型用于表征特征信息与类别信息的对应关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于生成信息的方法，包括：
接收终端发送的无线局域网扫描信息，其中，所述无线局域网扫描信息包括至少一个无线局域网的无线局域网标识符；
从所述至少一个无线局域网的无线局域网标识符中确定无线局域网标识符为目标无线局域网标识符；
确定所述目标无线局域网标识符对应的目标无线局域网的特征信息；
基于所述目标无线局域网的特征信息和预先建立的类别识别模型，生成所述目标无线局域网对应的类别信息，其中，所述类别识别模型用于表征特征信息与类别信息的对应关系。
2.根据权利要求1所述的方法，其中，所述方法还包括：
根据所述终端的位置信息确定所述目标无线局域网的位置信息；
根据生成的类别信息和所述目标无线局域网的位置信息生成兴趣点信息，以及发送所述兴趣点信息。
3.根据权利要求1所述的方法，其中，所述类别识别模型包括类别识别子模型和类别判定子模型；以及
所述基于所述目标无线局域网的特征信息和预先建立的类别识别模型，生成所述目标无线局域网对应的类别信息，包括：
将所述目标无线局域网标识符输入所述类别识别子模型，得到类别识别结果，其中，所述类别识别子模型用于表征无线局域网标识符与类别识别结果的对应关系；
响应于确定得到的类别识别结果与预先设定的类别集合中的类别相匹配，将与得到的类别识别结果相匹配的类别作为目标类别，将针对所述目标类别预先建立的类别判定模型作为类别判定子模型，其中，所述类别判定子模型用于判断特征信息对应的无线局域网是否属于目标类别；
将所述目标无线局域网的特征信息输入所述类别判定子模型，得到所述目标无线局域网是否属于所述目标类别的判断结果，其中，所述判断结果包括是或否；
响应于确定所述判断结果为是，将所述目标类别作为所述目标无线局域网对应的类别信息。
4.根据权利要求3所述的方法，其中，所述类别识别子模型为K-近邻算法；以及
所述将所述目标无线局域网标识符输入所述类别识别子模型，得到类别识别结果，包括：
获取第一训练样本集，其中，第一训练样本包括无线局域网标识符和与无线局域网标识符对应的类别；
基于所述第一训练样本集和K-近邻算法，得到所述目标无线局域网标识符的类别识别结果。
5.根据权利要求3所述的方法，其中，所述类别判定子模型为二分类模型；以及
所述目标类别的类别判定子模型通过以下方式训练得到：
获取第二训练样本集，其中，第二训练样本包括特征信息和特征信息对应的无线局域网是否属于所述目标类别的判断结果；
将所述第二训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的无线局域网是否属于所述目标类别的判断结果作为期望输出，训练得到所述类别判定子模型。
6.根据权利要求1所述的方法，其中，所述类别识别模型为分类模型；以及
所述基于所述目标无线局域网的特征信息和预先建立的类别识别模型，生成所述目标无线局域网对应的类别信息，包括：
将所述目标无线局域网的特征信息输入所述分类模型，得到所述目标无线局域网对应的类别信息，其中，所述分类模型用于表征无线局域网的特征信息与类别信息的对应关系。
7.根据权利要求6所述的方法，其中，所述分类模型是通过以下方式训练得到的：
获取第三训练样本集，其中，第三训练样本包括无线局域网的特征信息和与特征信息对应的无线局域网的类别信息；
将所述第三训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的类别信息作为期望输出，训练得到所述分类模型。
8.一种用于生成信息的装置，包括：
接收单元，被配置成接收终端发送的无线局域网扫描信息，其中，所述无线局域网扫描信息包括至少一个无线局域网的无线局域网标识符；
第一确定单元，被配置成从所述至少一个无线局域网的无线局域网标识符中确定无线局域网标识符为目标无线局域网标识符；
第二确定单元，被配置成确定所述目标无线局域网标识符对应的目标无线局域网的特征信息；
生成单元，被配置成基于所述目标无线局域网的特征信息和预先建立的类别识别模型，生成所述目标无线局域网对应的类别信息，其中，所述类别识别模型用于表征特征信息与类别信息的对应关系。
9.根据权利要求8所述的装置，其中，所述装置还包括：
第三确定单元，被配置成根据所述终端的位置信息确定所述目标无线局域网的位置信息；
发送单元，被配置成根据生成的类别信息和所述目标无线局域网的位置信息生成兴趣点信息，以及发送所述兴趣点信息。
10.根据权利要求8所述的装置，其中，所述类别识别模型包括类别识别子模型和类别判定子模型；以及
所述生成单元包括：
第一输入单元，被配置成将所述目标无线局域网标识符输入所述类别识别子模型，得到类别识别结果，其中，所述类别识别子模型用于表征无线局域网标识符与类别识别结果的对应关系；
匹配单元，被配置成响应于确定得到的类别识别结果与预先设定的类别集合中的类别相匹配，将与得到的类别识别结果相匹配的类别作为目标类别，将针对所述目标类别预先建立的类别判定模型作为类别判定子模型，其中，所述类别判定子模型用于判断特征信息对应的无线局域网是否属于目标类别；
第二输入单元，被配置成将所述目标无线局域网的特征信息输入所述类别判定子模型，得到所述目标无线局域网是否属于所述目标类别的判断结果，其中，所述判断结果包括是或否；
信息确定单元，被配置成响应于确定所述判断结果为是，将所述目标类别作为所述目标无线局域网对应的类别信息。
11.根据权利要求10所述的装置，其中，所述类别识别子模型为K-近邻算法；以及
所述第一输入单元进一步被配置成：
获取第一训练样本集，其中，第一训练样本包括无线局域网标识符和与无线局域网标识符对应的类别；
基于所述第一训练样本集和K-近邻算法，得到所述目标无线局域网标识符的类别识别结果。
12.根据权利要求10所述的装置，其中，所述类别判定子模型为二分类模型；以及
所述目标类别的类别判定子模型通过以下方式训练得到：
获取第二训练样本集，其中，第二训练样本包括特征信息和特征信息对应的无线局域网是否属于所述目标类别的判断结果；
将所述第二训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的无线局域网是否属于所述目标类别的判断结果作为期望输出，训练得到所述类别判定子模型。
13.根据权利要求8所述的装置，其中，所述类别识别模型为分类模型；以及
所述生成单元进一步被配置成：
将所述目标无线局域网的特征信息输入所述分类模型，得到所述目标无线局域网对应的类别信息，其中，所述分类模型用于表征无线局域网的特征信息与类别信息的对应关系。
14.根据权利要求13所述的装置，其中，所述分类模型是通过以下方式训练得到的：
获取第三训练样本集，其中，第三训练样本包括无线局域网的特征信息和与特征信息对应的无线局域网的类别信息；
将所述第三训练样本集中的训练样本的特征信息作为输入，将与输入的特征信息对应的类别信息作为期望输出，训练得到所述分类模型。
15.一种服务器，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN201811240888.0A 2018-10-24 2018-10-24 用于生成信息的方法和装置 Active CN109327887B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811240888.0A CN109327887B (zh) 2018-10-24 2018-10-24 用于生成信息的方法和装置
US16/563,672 US10772035B2 (en) 2018-10-24 2019-09-06 Method and apparatus for generating information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811240888.0A CN109327887B (zh) 2018-10-24 2018-10-24 用于生成信息的方法和装置

Publications (2)

Publication Number Publication Date
CN109327887A true CN109327887A (zh) 2019-02-12
CN109327887B CN109327887B (zh) 2020-02-21

Family

ID=65262736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811240888.0A Active CN109327887B (zh) 2018-10-24 2018-10-24 用于生成信息的方法和装置

Country Status (2)

Country Link
US (1) US10772035B2 (zh)
CN (1) CN109327887B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110809309A (zh) * 2019-11-15 2020-02-18 北京三快在线科技有限公司 接入点的识别方法、装置及存储介质
CN111831949A (zh) * 2019-04-22 2020-10-27 百度在线网络技术（北京）有限公司 快速垂类目标识别分类方法、分类系统及分类装置
CN111859078A (zh) * 2019-04-29 2020-10-30 百度在线网络技术（北京）有限公司 一种信息识别方法、装置及电子设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112040529B (zh) * 2020-09-11 2023-08-04 连尚(北京)网络科技有限公司 WiFi连接方法和设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2672455A2 (en) * 2012-06-06 2013-12-11 Samsung Electronics Co., Ltd Apparatus and method for providing 3D map showing area of interest in real time
CN104660405A (zh) * 2013-11-21 2015-05-27 中国移动通信集团公司 一种业务设备认证方法及设备
CN107046688A (zh) * 2017-03-07 2017-08-15 腾讯科技（深圳）有限公司 一种无线局域网的连接方法和装置
US20170273012A1 (en) * 2016-03-17 2017-09-21 Huawei Technologies Co., Ltd. Wireless local area network scanning method and wireless access point
CN107347204A (zh) * 2017-08-30 2017-11-14 努比亚技术有限公司 Wlan分组显示方法及移动终端
CN108063815A (zh) * 2017-12-16 2018-05-22 长沙志鸿文化传媒有限公司 一种改进结构的物联网信息平台
CN108460103A (zh) * 2018-02-05 2018-08-28 百度在线网络技术（北京）有限公司 信息获取方法和装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2005330513B2 (en) * 2004-10-29 2011-07-14 Skyhook Wireless, Inc. Location beacon database and server, method of building location beacon database, and location based service using same
US9167053B2 (en) * 2005-09-29 2015-10-20 Ipass Inc. Advanced network characterization
US20090022076A1 (en) * 2007-07-17 2009-01-22 Necati Canpolat Network type assisted wlan network selection
US8763082B2 (en) * 2008-05-13 2014-06-24 At&T Mobility Ii Llc Interactive client management of an access control list
EP2509367B1 (en) * 2011-04-08 2015-12-16 BlackBerry Limited Configuring mobile station according to type of wireless local area network (wlan) deployment
US8892355B2 (en) * 2011-12-21 2014-11-18 Telenav, Inc. Navigation system with point of interest validation mechanism and method of operation thereof
KR20130079105A (ko) * 2011-12-22 2013-07-10 한국전자통신연구원 무선 랜을 위한 효율적인 스캐닝 방법
US10015737B2 (en) * 2013-11-12 2018-07-03 Taiwan Semiconductor Manufacturing Co., Ltd. Network selection recommender system and method
US9398029B2 (en) * 2014-08-01 2016-07-19 Wombat Security Technologies, Inc. Cybersecurity training system with automated application of branded content
US10595162B2 (en) * 2016-03-18 2020-03-17 Qualcomm Incorporated Access point environment characterization
CN105682015B (zh) * 2016-04-05 2017-10-31 上海连尚网络科技有限公司 一种用于建立无线连接的方法与设备
US10080209B2 (en) * 2016-09-22 2018-09-18 Ipass Inc. Apparatus and method for identifying a moving WiFi access point and managing connections therewith
CN112055958B (zh) * 2018-03-30 2023-01-10 爱维士软件有限责任公司 实现安全协议的方法及用于无线网络的安全系统
US10383037B1 (en) * 2018-04-27 2019-08-13 Hewlett Packard Enterprise Development Lp Transmitting traffic from bluetooth low energy clients associated with different universally unique identifiers

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2672455A2 (en) * 2012-06-06 2013-12-11 Samsung Electronics Co., Ltd Apparatus and method for providing 3D map showing area of interest in real time
CN104660405A (zh) * 2013-11-21 2015-05-27 中国移动通信集团公司 一种业务设备认证方法及设备
US20170273012A1 (en) * 2016-03-17 2017-09-21 Huawei Technologies Co., Ltd. Wireless local area network scanning method and wireless access point
CN107046688A (zh) * 2017-03-07 2017-08-15 腾讯科技（深圳）有限公司 一种无线局域网的连接方法和装置
CN107347204A (zh) * 2017-08-30 2017-11-14 努比亚技术有限公司 Wlan分组显示方法及移动终端
CN108063815A (zh) * 2017-12-16 2018-05-22 长沙志鸿文化传媒有限公司 一种改进结构的物联网信息平台
CN108460103A (zh) * 2018-02-05 2018-08-28 百度在线网络技术（北京）有限公司 信息获取方法和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111831949A (zh) * 2019-04-22 2020-10-27 百度在线网络技术（北京）有限公司 快速垂类目标识别分类方法、分类系统及分类装置
CN111831949B (zh) * 2019-04-22 2023-09-15 百度在线网络技术（北京）有限公司 快速垂类目标识别分类方法、分类系统及分类装置
CN111859078A (zh) * 2019-04-29 2020-10-30 百度在线网络技术（北京）有限公司 一种信息识别方法、装置及电子设备
CN111859078B (zh) * 2019-04-29 2024-04-12 百度在线网络技术（北京）有限公司 一种信息识别方法、装置及电子设备
CN110809309A (zh) * 2019-11-15 2020-02-18 北京三快在线科技有限公司 接入点的识别方法、装置及存储介质
CN110809309B (zh) * 2019-11-15 2022-02-22 北京三快在线科技有限公司 接入点的识别方法、装置及存储介质

Also Published As

Publication number Publication date
US20190394717A1 (en) 2019-12-26
CN109327887B (zh) 2020-02-21
US10772035B2 (en) 2020-09-08

Similar Documents

Publication Publication Date Title
CN109327887A (zh) 用于生成信息的方法和装置
CN109902186A (zh) 用于生成神经网络的方法和装置
CN108335696A (zh) 语音唤醒方法和装置
CN107908789A (zh) 用于生成信息的方法和装置
CN107832468B (zh) 需求识别方法和装置
CN109446071A (zh) 接口测试方法、接口测试装置、电子设备及存储介质
CN106911697B (zh) 访问权限设置方法、装置、服务器及存储介质
CN107919129A (zh) 用于控制页面的方法和装置
CN109002842A (zh) 图像识别方法和装置
CN110166943A (zh) 终端位置信息的处理方法
CN107105031A (zh) 信息推送方法和装置
CN108038880A (zh) 用于处理图像的方法和装置
CN108734293A (zh) 任务管理系统、方法和装置
CN108520470A (zh) 用于生成用户属性信息的方法和装置
CN109976997A (zh) 测试方法和装置
CN109190114A (zh) 用于生成回复信息的方法和装置
CN105300398B (zh) 获取地点信息的方法、装置和系统
CN109359170A (zh) 用于生成信息的方法和装置
CN109308490A (zh) 用于生成信息的方法和装置
CN109815365A (zh) 用于处理视频的方法和装置
CN109934242A (zh) 图片识别方法和装置
CN109976995A (zh) 用于测试的方法和装置
CN108960110A (zh) 用于生成信息的方法和装置
CN109684624A (zh) 一种自动识别订单地址路区的方法和装置
CN110084317A (zh) 用于识别图像的方法和装置

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