CN109977322A

CN109977322A - 出行方式推荐方法、装置、计算机设备和可读存储介质

Info

Publication number: CN109977322A
Application number: CN201910164479.5A
Authority: CN
Inventors: 刘浩; 胡仁君; 李婷; 熊辉; 傅衍杰
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Baidu Online Network Technology Beijing Co Ltd; Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2019-03-05
Filing date: 2019-03-05
Publication date: 2019-07-05
Anticipated expiration: 2039-03-05
Also published as: CN109977322B

Abstract

本申请提出一种出行方式推荐方法、装置、计算机设备和可读存储介质，其中，方法包括：获取出行用户选择的起点和终点；根据起点的兴趣点POI分布信息和终点的POI分布信息，确定起点的起点表征向量和终点的终点表征向量；将起点表征向量和终点表征向量输入经过训练的模型，得到与起点和终点对应的起终点向量表征，其中，起终点表征向量用于指示相应起终点的出行偏好；获取起终点向量表征与预设多种出行方式的向量表征之间的相似度，根据相似度从预设多种出行方式中确定目标出行方式。该方法能够实现基于起点和终点的兴趣点分布情况，预测得到出行用户的出行方式偏好，提高出行方式推荐的准确性。

Description

出行方式推荐方法、装置、计算机设备和可读存储介质

技术领域

本申请涉及互联网技术领域，尤其涉及一种出行方式推荐方法、装置、计算机设备和可读存储介质。

背景技术

随着互联网技术的不断发展以及终端设备的普及，当用户出行时，可以使用终端设备中的搜索类应用程序(Application，简称APP)、地图类APP等输入出行起终点，而后，上述APP可以推荐用户偏好的交通方式，例如步行、公交、驾车等等。

现有技术中，通常根据用户的历史出行信息，预测用户的出行偏好并推荐。但是这种推荐方式不准确，在历史出行信息过少的情况下，预测结果的准确性较低。

发明内容

本申请提出一种出行方式推荐方法、装置、计算机设备和可读存储介质，以实现基于起点和终点的兴趣点分布情况，预测得到出行用户的出行方式偏好，提高出行方式推荐的准确性，从而解决了现有技术中根据用户的历史出行信息预测用户的出行方式偏好，导致历史出行信息过少的情况下预测结果不准确的问题。

本申请第一方面实施例提出了一种出行方式推荐方法，包括：

获取出行用户选择的起点和终点；

根据所述起点的兴趣点POI分布信息和所述终点的POI分布信息，确定所述起点的起点表征向量和所述终点的终点表征向量；

将所述起点表征向量和所述终点表征向量输入经过训练的模型，得到与所述起点和所述终点对应的起终点向量表征，其中，所述模型已学习得到起点表征向量和终点表征向量与起终点向量表征之间的对应关系，所述起终点表征向量用于指示相应起终点的出行偏好；

获取所述起终点向量表征与预设多种出行方式的向量表征之间的相似度，根据所述相似度从所述预设多种出行方式中确定目标出行方式。

本申请实施例的出行方式推荐方法，通过获取出行用户选择的起点和终点，并根据起点的兴趣点POI分布信息和终点的POI分布信息，确定起点的起点表征向量和终点的终点表征向量，将起点表征向量和终点表征向量输入经过训练的模型，得到与起点和终点对应的起终点向量表征，其中，模型已学习得到起点表征向量和终点表征向量与起终点向量表征之间的对应关系，起终点表征向量用于指示相应起终点的出行偏好，进而获取起终点向量表征与预设多种出行方式的向量表征之间的相似度，根据相似度从预设多种出行方式中确定目标出行方式。由此，实现了基于起点和终点的兴趣点分布情况，预测得到出行用户的出行方式偏好，提高出行方式推荐的准确性，从而解决了现有技术中根据用户的历史出行信息预测用户的出行方式偏好，导致历史出行信息过少的情况下预测结果不准确的问题。

本申请第二方面实施例提出了一种出行方式推荐装置，包括：

获取模块，用于获取出行用户选择的起点和终点；

确定模块，用于根据所述起点的兴趣点POI分布信息和所述终点的POI分布信息，确定所述起点的起点表征向量和所述终点的终点表征向量；

处理模块，用于将所述起点表征向量和所述终点表征向量输入经过训练的模型，得到与所述起点和所述终点对应的起终点向量表征，其中，所述模型已学习得到起点表征向量和终点表征向量与起终点向量表征之间的对应关系，所述起终点表征向量用于指示相应起终点的出行偏好；

推荐模块，用于获取所述起终点向量表征与预设多种出行方式的向量表征之间的相似度，根据所述相似度从所述预设多种出行方式中确定目标出行方式。

本申请实施例的出行方式推荐装置，通过获取出行用户选择的起点和终点，并根据起点的兴趣点POI分布信息和终点的POI分布信息，确定起点的起点表征向量和终点的终点表征向量，将起点表征向量和终点表征向量输入经过训练的模型，得到与起点和终点对应的起终点向量表征，其中，模型已学习得到起点表征向量和终点表征向量与起终点向量表征之间的对应关系，起终点表征向量用于指示相应起终点的出行偏好，进而获取起终点向量表征与预设多种出行方式的向量表征之间的相似度，根据相似度从预设多种出行方式中确定目标出行方式。由此，实现了基于起点和终点的兴趣点分布情况，预测得到出行用户的出行方式偏好，提高出行方式推荐的准确性，从而解决了现有技术中根据用户的历史出行信息预测用户的出行方式偏好，导致历史出行信息过少的情况下预测结果不准确的问题。

本申请第三方面实施例提出了一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本申请第一方面实施例提出的出行方式推荐方法。

为了实现上述目的，本申请第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面实施例提出的出行方式推荐方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例一所提供的出行方式推荐方法的流程示意图；

图2为本申请实施例二所提供的出行方式推荐方法的流程示意图；

图3为本申请实施例三所提供的出行方式推荐方法的流程示意图；

图4为本申请实施例一所提供的出行方式推荐装置的结构示意图；

图5为本申请实施例二所提供的出行方式推荐装置的结构示意图；

图6为本申请实施例三所提供的出行方式推荐装置的结构示意图；

图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的出行方式推荐方法、装置、计算机设备和可读存储介质。

相关技术中，在进行出行方式推荐时，通常根据用户的历史出行事件建立图，再利用图嵌入的方法学习出用户、出行方式和起终点的向量特征，进而利用在线推荐的方法，筛选出得分最高的出行方式进行推荐。

上述推荐方法采用图嵌入的方式，基于历史出行事件进行出行事件建模，未考虑到起终点的环境上下文。然而，发明人在研究过程中发现，环境上下文对用户的出行方式选择具有较大的影响，比如，用户从家到公司可能驾车，而从一个购物中心到另一个购物中心可能打车。因此，针对现有技术中存在的问题，本申请提出了一种出现方式推荐方法，以基于环境上下文预测出现用户的出行方式偏好，提高出行方式推荐的准确性。

由于区域的兴趣点(Point of Interest，POI)分布情况能够体现出该区域的功能，例如公司、餐厅集中的区域可能是商业区，公园、景点集中的区域可能是旅游文化区，等等，因此，可以利用起终点的POI分布情况来表示起终点的环境上下文。本申请提出的出行方式推荐方法，即是基于起终点的POI分布信息实现的出行方式预测。

图1为本申请实施例一所提供的出行方式推荐方法的流程示意图。

本申请实施例以该出行方式推荐方法被配置于本申请提出的出行方式推荐装置中来举例说明，该出行方式推荐装置可以应用于任一计算机设备中，以使该计算机设备可以执行出行方式推荐功能。

其中，计算机设备可以为个人电脑(Personal Computer，简称PC)、云端设备、移动设备等，移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。

如图1所示，该出行方式推荐方法包括以下步骤：

步骤101，获取出行用户选择的起点和终点。

本实施例中，出行用户可以通过搜索类APP、地图类APP等，输入出行的起点和终点，其中，用户输入出行的起点和终点的方式包括但不限于触摸输入(如滑动、点击等)、键盘输入、语音输入等等。

本实施例中，当出行用户输入起点和终点后，出行方式推荐装置可以获取出行用户输入的起点和终点。

步骤102，根据起点的兴趣点POI分布信息和终点的POI分布信息，确定起点的起点表征向量和终点的终点表征向量。

本实施例中，出行方式推荐装置获取了出行用户输入的起点和终点后，可以根据获取的起点和终点所在的区域，分别获取起点区域对应的POI分布信息和终点区域对应的POI分布信息。进而，根据起点的POI分布信息，确定起点对应的起点表征向量，根据终点的POI分布信息，确定终点对应的终点表征向量。

作为一种示例，出行方式推荐装置获取了起点和终点后，可以将该起点和该终点分别作为中心，从POI数据库中获取与起点的经、纬度差值均未超过预设值的所有POI作为起点的POI分布信息，其中，POI数据库中存储有当前已收集的所有POI数据，每个POI包括名称、类型、经度和纬度四方面的信息。在获取起点的POI分布信息时，从POI数据库中获取经度信息处于(起点经度值-经度预设值，起点经度值+经度预设值)范围内，且纬度信息位于(起点纬度值-纬度预设值，起点纬度值+纬度预设值)范围内的POI作为启动的POI分布。同样地，终点的POI分布信息可以采用类似的方式确定。

需要说明的是，在获取终点的POI分布信息时，采用的经度预设值和纬度预设值，可以与获取起点的POI分布信息时采用的经度预设值和纬度预设值相同，也可以不同，本申请对此不作限制。

由于POI数据库中存储的POI包括POI对应的类型，从而，根据起点的POI分布信息，可以基于起点对应的POI分布信息中包含的每种类型POI的数量，确定起点的起点表征向量，以及根据终点的POI分布信息，基于终点对应的POI分布信息中包含的每种类型POI的数量，确定终点的终点表征向量。

其中，POI的类型可以是但不限于是一级分类，包括餐饮(代码为01)、购物(代码为02)、住宿(代码为03)、出行(代码为04)、文体娱乐(代码为05)、金融服务(代码为06)、生活服务(代码为07)、汽车服务(代码为08)、教育(代码为09)、医疗(代码为10)、房产(代码为11)、旅游(代码为12)、企事业单位(代码为13)、行政机构(代码为14)和公共服务设施(代码为15)。在对POI进行类型标记时，可以利用类型的名称(比如餐饮)进行标记，也可以用类型对应的代码(比如01表示餐饮)进行标记，本申请对此不作限制。

具体地，起点表征向量和终点表征向量可以表示为如下公式(1)的形式：

P＝[p₁,p₂,…,p_r] (1)

其中，p_k为起点对应的POI分布信息中包含的第k类POI的数量，r为POI类型的总数。

以确定起点的起点表征向量为例，从上述对POI类型的描述可知，当按照一级分类对POI进行分类时，POI类型的总数为15，假设起点的POI分布信息中包含20个POI，其中，类型为购物的POI的个数为9个，类型为出行的POI的个数为1个，类型为金融服务的POI的个数为3个，类型为生活服务的POI的个数为3个，类型为医疗的POI的个数为1个，类型为房产的POI的个数为2个，类型为公共服务设施的POI的个数为1个，则起点表征向量可以表示为P₀＝[0 9 0 1 0 3 3 0 0 1 2 0 0 0 1]。

步骤103，将起点表征向量和终点表征向量输入经过训练的模型，得到与起点和终点对应的起终点向量表征，其中，模型已学习得到起点表征向量和终点表征向量与起终点向量表征之间的对应关系，起终点表征向量用于指示相应起终点的出行偏好。

本实施例中，确定了起点表征向量和终点表征向量之后，可以将该起点表征向量和终点表征向量输入预先训练好的模型中，以得到起点和终点对应的起终点向量表征。

其中，模型预先训练得到。由于POI分布信息对出行用户选择出行方式存在较大的影响，因此，本申请实施例中，为了提高出行方式推荐的准确性，可以获取包含多对起终点的训练样本，在多对起终点对应的POI分布信息的约束条件下，对模型进行训练，使得经过训练后的模型，学习得到起点表征向量和终点表征向量与起终点向量表征之间的对应关系，其中，具有相似起点表征向量和终点表征向量的起终点对应具有相似的向量表征，起终点表征向量用于指示相应起终点的出行偏好。

也就是说，在POI分布信息的约束下，对模型进行训练，可以使得模型学习到的起终点向量表征能够体现起终点的出行偏好，又由于POI分布信息能够提醒出区域的功能，从而使得学习到的起终点向量表征还可以体现区域的功能特点，功能相近的起终点学习到的起终点向量表征的相似度较大，功能相差大的区域学习到的起终点向量表征的相似度较小。

需要说明的是，对模型进行训练的过程将在后续内容中给出，此处不作过多描述。

本实施例中，由于模型已学习得到起点表征向量和终点表征向量与起终点向量表征之间的对应关系，因此，可以将确定的起点表征向量和终点表征向量输入至上述模型，得到对应的起终点向量表征。

步骤104，获取起终点表征向量与预设多种出行方式的向量表征之间的相似度，根据相似度从预设多种出行方式中确定目标出行方式。

其中，多种出行方式的向量表征可以是预先设定的。

本实施例中，确定了出行用户输入的起点和终点对应的起终点向量表征之后，可以计算起终点向量表征与预设的每种出行方式的向量表征之间的相似度，其中，相似度可以用欧氏距离、曼哈顿距离、余弦相似度、明可夫斯基距离等表示，本申请对此不作限制。比如，可以根据欧式距离公式计算起终点向量表征与出行方式的向量表征之间的距离作为两者的相似度。

能够理解的是，起终点向量表征与某种出行方式的向量表征之间的相似度越高，则出行用户从该起点至该终端选择这种出行方式的概率越大，从而，本实施例中，获取了起终点向量表征与每种出行方式的向量表征之间的相似度之后，即可将最大相似度对应的出行方式，确定为目标出行方式。进而，出行方式推荐装置可将确定的目标出行方式通过文本、语音等方式推荐给出行用户。

本实施例的出行方式推荐方法，通过获取出行用户选择的起点和终点，并根据起点的兴趣点POI分布信息和终点的POI分布信息，确定起点的起点表征向量和终点的终点表征向量，将起点表征向量和终点表征向量输入经过训练的模型，得到与起点和终点对应的起终点向量表征，其中，模型已学习得到起点表征向量和终点表征向量与起终点向量表征之间的对应关系，起终点表征向量用于指示相应起终点的出行偏好，进而获取起终点向量表征与预设多种出行方式的向量表征之间的相似度，根据相似度从预设多种出行方式中确定目标出行方式。由此，实现了基于起点和终点的兴趣点分布情况，预测得到出行用户的出行方式偏好，提高出行方式推荐的准确性，从而解决了现有技术中根据用户的历史出行信息预测用户的出行方式偏好，导致历史出行信息过少的情况下预测结果不准确的问题。

为了更加清楚的描述前述实施例中根据起点的兴趣点POI分布信息和终点的POI分布信息，确定起点的起点表征向量和终点的终点表征向量的具体实现过程，下面结合图2进行详细描述，图2为本申请实施例二所提供的出行方式推荐方法的流程示意图。

如图2所示，在如图1所示实施例的基础上，步骤102可以包括以下步骤：

步骤201，获取以起点为圆心、第一预设距离为半径所形成的圆形区域内包含的所有POI的第一POI集合，以及获取以终点为圆心、第二预设距离为半径所形成的圆形区域内包含的所有POI的第二POI集合。

本实施例中，获取了出行用户输入的起点和终点之后，可以以起点为圆心，第一预设距离为半径画圆，形成一个以起点为中心的圆形区域，获取圆形区域内包含的所有POI组成第一POI集合，并以终点为圆心，第一预设距离为半径画圆，形成一个以终点为中心的圆形区域，获取该圆形区域内包含的所有POI组成第二POI集合，其中，第一预设距离和第二预设距离可以相同，也可以不同，本申请对此不作限制。

步骤202，根据第一POI集合中包含的每种类型POI的数量，生成起点表征向量。

本实施例中，获取了起点对应的第一POI集合之后，可以对第一POI集合中包含的每个POI，确定该POI对应的类型。

作为一种示例，可以将POI的名称输入至预先训练好的分类模型中，以获取与POI匹配的类型。

作为一种示例，可以预先存储不同的POI与类型的对应关系，进而将第一POI集合中的POI与预存的对应关系中的POI进行比对，确定对应的类型。

接着，确定了第一POI集合中每个POI的类型之后，可以统计出每种类型POI的数量，进而根据统计结果生成起点表征向量。例如，可以根据前述公式(1)表示起点表征向量。若第一POI集合中不包含某种类型的POI，则在起点表征向量中，对应该类型POI数量的元素为0。

步骤203，根据第二POI集合中包含的每种类型POI的数量，生成终点表征向量；其中，起点表征向量和终点表征向量的维度与POI类型的数量相同。

其中，POI类型的数量是指当前已有的POI分类的类别的总数，而非第一POI集合或第二POI集合中包含的POI类型的个数，例如，当前对POI进行一级分类，所有POI被分为15个类型，则POI类型的数量为15，起点表征向量和终点表征向量的维度也为15。

需要说明的是，根据第二POI集合中包含的每种类型POI的数量，生成终点表征向量的过程与生成起点表征向量的过程类似，此处不再赘述。

本实施例的出行方式推荐方法，通过获取以起点为圆心、第一预设距离为半径所形成的圆形区域内包含的所有POI的第一POI集合，以及获取以终点为圆心、第二预设距离为半径所形成的圆形区域内包含的所有POI的第二POI集合，进而根据第一POI集合中包含的每种类型POI的数量，生成起点表征向量，根据第二POI集合中包含的每种类型POI的数量，生成终点表征向量，由此，为实现基于POI分布情况预测出现方式奠定了基础。

虽然根据起终点的环境上下文信息预测得到的出行方式较为准确，但由于出行用户个体的特殊性以及环境上下文信息存在噪音，仅根据环境上下文信息预测出行方式，而不考虑出行用户个体偏好是片面的，不合理的。比如，当起终点距离为5-10公里时，收入消费水平一般的出行用户，从起点至终点可能选择骑行、公交或者打车，仅根据环境上下文信息无法准确预测出出行用户的出行方式。从而，为了进一步提高出行方式推荐的准确性，在本申请实施例一种可能的实现方式中，可以考虑出行用户的历史出行方式记录，即综合根据出行用户的历史出行方式记录和起终点的环境上下文信息，确定出行用户的出行偏好。因此，在模型训练时，可以将出行用户的历史出行方式记录作为模型的主框架，使用起终点的POI分布信息作为补充信息对模型进行细化，可以使得模型学习到的向量表征包含个性化的语义，能够有效解决上述仅根据起终点的POI分布信息预测出行偏好存在的预测失真问题。其中，训练样本中包括与每对起终点对应的历史出行方式记录。下面结合图3，对上述过程进行详细说明。

图3为本申请实施例三所提供的出行方式推荐方法的流程示意图。

如图3所示，在多对起终点对应的POI分布信息的约束条件下，对模型进行训练，具体可以包括以下步骤：

步骤301，根据多对起终点对应的POI分布信息，确定训练样本中每对起终点对应的向量表征。

本实施例中，对于训练样本中包含的每对起终点，可以获取起点的POI分布信息和终点的POI分布信息，进而根据起点的POI分布信息和终点的POI分布信息，确定每对起终点对应的向量表征。其中，获取起点和终端的POI分布信息的方式，可以参见前述实施例中有关获取POI分布信息的描述，此处不再赘述。

具体地，可以根据起点的POI分布信息，确定起点的起点表征向量P_o，以及根据终端的POI分布信息，确定终点的终点表征向量P_d，其中，P_o和P_d表示为公式(1)的形式，其维度与POI类型的数量相同。进而将起终点的向量表征表示为起点表征向量P_o和终点表征向量P_d的级联，如公式(2)所示。

其中，表示级联，P_od表示起终点对应的向量表征，P_od的维度为P_o和P_d的维度之和，即，如果P_o和P_d的维度为r，则P_od的维度为2r。

由于起终点之间的距离对出行用户选择的出行方式存在一定的影响，比如，2公里以内出行用户很可能选择步行，10公里以上选择步行的可能性很小，因此，起终点之间的距离也可以作为起终点的环境上下文信息，用于表征起终点的特征。从而，在本申请实施例一种可能的实现方式中，确定起终点对应的向量表征时，可以将起终点之间的距离考虑在内，以更准确地表征起终点。

从而，根据多对起终点对应的POI分布信息，确定训练样本中每对起终点对应的向量表征，包括：获取训练样本中每对起终点之间的球面距离；根据每对起终点的POI分布信息，确定每对起终点对应的起点表征向量和终点表征向量；根据每对起终点对应的球面距离、起点表征向量和终点表征向量，生成对应起终点的向量表征。

其中，针对训练样本中的每对起终点，可以根据起点和终点的经纬度计算得到起终点之间的球面距离，例如，可以根据公式(3)计算球面距离：

d_od＝R*arccos(sin(x₁)*sin(x₂)+cos(x₁)*cos(x₂)*cos(y₁-y₂)) (3)

其中，od表示起终点，d_od表示起终点之间的球面距离，x₁表示起点的纬度，y₁表示起点的经度，x₂表示终点的纬度，y₂表示终点的经度，R为地球半径。

针对训练样本中的每对起终点，根据确定的球面距离d_od、起点表征向量P_o和终点表征向量P_d，即可确定起终点对应的向量表征P_od，计算公式如公式(4)所示：

其中，在公式(4)中，d_od被看作是一个一维的向量，P_od的维度为(1+2r)，其中，r表示P_o和P_d的维度。

由于历史出行方式记录中出行频率较少时，无法体现出行用户的出行偏好，例如，出行用户在出行时，仅使用过一次地图类APP，并且点击了公交，此时，并不能确定出行用户的出行偏好为公交。从而，在本申请实施例一种可能的实现方式中，为了提升模型预测结果的准确性，训练样本中包含的起终点可以是经过过滤后的起终点，比如，仅将出行频率达到预设阈值(比如20次)的起终点作为训练样本，即训练样本中与每对起终点对应的历史出行方式记录中，出行频率达到预设阈值。

步骤302，根据历史出行方式记录，确定对应起终点的出行偏好向量表征。

本实施例中，根据训练样本中包含的与每对起终点对应的历史出行方式记录，可以确定每对起终点的出行偏好向量表征。

作为一种示例，对于某个起终点，可以统计出该起终点对应的历史出行方式记录中，每种出行方式出现的次数或频率，进而根据统计结果，将该起终点的出行偏好向量表征表示为公式(5)的形式。

其中，od_i表示训练样本中的第i个起终点，表示第i个起终点的出行偏好向量表征，m_k(k＝1，2，…，n)表示第i个起终点对应的历史出行房事记录中，第k种出行方式出现的频率，n为出行方式的种类总数。

步骤303，对不同POI类型进行权重调整，以使同一起终点的向量表征与出行偏好向量表征匹配。

由于不同类型的POI对出行方式偏好的影响程度不同，从而，本实施例中，可以为不同POI类型分配不同的权重，以提高预测结果的准确性。

作为一种示例，可以先为每种POI类型分配初始权重，将同一起终点的向量表征与出行偏好向量表征匹配作为目标，基于逻辑斯谛回归模型，通过不断地调整POI类型的权重进行学习，最终得到不同POI类型对应的权重。其中，不同POI类型的权重表示成向量的形式，将一个随机的向量作为初始化的权重，计算权重与起终点的向量表征的内积，利用计算结果执行多分类的任务，不断拟合起终点的出行偏好向量表征的分布，在每次迭代时调整权重的取值，以使调整后的权重与起终点的向量表征的内积和出行偏好向量表征的拟合度达到最大。

步骤304，根据调整后的权重，确定不同起终点之间的出行偏好相关性。

本实施例中，学习得到不同POI类型的权重之后，可以根据调整后的权重，确定不同起终点之间的出行偏好相关性。

作为一种示例，可以根据如下公式(6)计算得到不同起终点之间的出行偏好相关性。

rel(od_i,od_j)＝exp(-||W⊙(od_i-od_j)||) (6)

其中，其中，od_i和od_j表示两个不同的起终点，W表示不同POI类型的权重。

步骤305，根据不同起终点对应的向量表征之间的相关性以及对应起终点的出行偏好相关性，生成目标函数。

作为一种示例，可以获取不同用户的历史行为数据，根据历史行为数据构建图嵌入模型，其中，用户、交通方式和起终点表示图嵌入模型对应的图中的节点，两个节点之间的边表示节点之间的相关性。图嵌入模型对应的第一目标函数如公式(7)所述：

其中，表示模型需要学习的用户的向量表征，x_m表示模型需要学习的正样本对应的交通方式的向量表征，x_m'表示模型需要学习的负样本对应的交通方式的向量表征，表示模型需要学习的起终点的向量表征，ε_um表示图中用户与交通方式之间的边，ε_odm表示图中起终点与交通方式之间的边，U表示交通方式集合。

将起终点的环境上下文信息作为补充条件，生成第二目标函数如公式(8)所示：

其中，表示起终点i和起终点j对应的向量表征之间的相关性。

对于任意边，环境上下文部分的梯度为：

其中，和分别表示需要学习的起终点的向量表征，α表示学习速率，β₁表示个性化项权重。上述梯度主要用于在训练中迭代优化图嵌入模型对应的图中各节点的向量表征。

则，最终生成的目标函数如公式(10)所示：

O＝O₀+δ*O₁ (10)

从而，通过引入第二目标函数O₁，将环境上下文信息作为模型的规则化项进行模型训练，使得环境上下文信息相近的起终点学习到的向量表征具有较高的相似度，而环境上下文信息相差较大的起终点学习到的向量表征具有较低的相似度。

步骤306，对模型进行训练，以使目标函数最小化。

本实施例中，生成目标函数之后，即可以目标函数最小化为目标，利用训练样本对模型进行训练，得到训练好的模型，用于预测起终点向量表征。

本实施例的出行方式推荐方法，通过在训练模型时考虑起终点的环境上下文信息对起终点表征的影响，能够提高起终点表征的准确度，进而提高出行方式推荐的准确度。

发明人在北京和上海数据集上对本申请提出的出行方式推荐方法(记为算法1)以及现有的图嵌入模型推荐方法(记为算法2)、排序模型推荐方法(记为算法3)和逻辑斯谛回归推荐方法(记为算法4)进行了测试，实验结果如表1所示。

表1

其中，ndcg@5表示归一化折损累积增益。

从表1中可以看出，本申请提出的出行方式推荐方法，在ndcg@5、准确率、召回率和F值各评价指标上的结果大多优于现有的推荐方式。

为了实现上述实施例，本申请还提出一种出行方式推荐装置。

图4为本申请实施例一所提供的出行方式推荐装置的结构示意图。

如图4所示，该出行方式推荐装置40包括：获取模块410、确定模块420、处理模块430，以及推荐模块440。

其中，获取模块410，用于获取出行用户选择的起点和终点。

确定模块420，用于根据起点的兴趣点POI分布信息和终点的POI分布信息，确定起点的起点表征向量和终点的终点表征向量。

处理模块430，用于将起点表征向量和终点表征向量输入经过训练的模型，得到与起点和终点对应的起终点向量表征，其中，模型已学习得到起点表征向量和终点表征向量与起终点向量表征之间的对应关系，起终点表征向量用于指示相应起终点的出行偏好。

推荐模块440，用于获取起终点向量表征与预设多种出行方式的向量表征之间的相似度，根据相似度从预设多种出行方式中确定目标出行方式。

进一步地，在本申请实施例一种可能的实现方式中，如图5所示，在如图4所示实施例的基础上，确定模块420包括：

获取单元421，用于获取以起点为圆心、第一预设距离为半径所形成的圆形区域内包含的所有POI的第一POI集合，以及获取以终点为圆心、第二预设距离为半径所形成的圆形区域内包含的所有POI的第二POI集合。

确定单元422，用于根据第一POI集合中包含的每种类型POI的数量，生成起点表征向量；以及，根据第二POI集合中包含的每种类型POI的数量，生成终点表征向量；其中，起点表征向量和终点表征向量的维度与POI类型的数量相同。

在本申请实施例一种可能的实现方式中，如图6所示，在如图4所示实施例的基础上，该出行方式推荐装置40还包括：

训练模块400，用于获取训练样本，训练样本中包括多对起终点，在多对起终点对应的POI分布信息的约束条件下，对模型进行训练。

在本申请实施例一种可能的实现方式中，训练模块400具体用于：根据多对起终点对应的POI分布信息，确定训练样本中每对起终点对应的向量表征；根据历史出行方式记录，确定对应起终点的出行偏好向量表征；对不同POI类型进行权重调整，以使同一起终点的向量表征与出行偏好向量表征匹配；根据调整后的权重，确定不同起终点之间的出行偏好相关性；根据不同起终点对应的向量表征之间的相关性以及对应起终点的出行偏好相关性，生成目标函数；对模型进行训练，以使目标函数最小化。

作为一种示例，在确定不同起终点之间的出行偏好相关性时，可以根据如下公式确定出行偏好相关性：

rel(od_i,od_j)＝exp(-||W⊙(od_i-od_j)||)；

其中，od_i和od_j表示两个不同的起终点，W表示不同POI类型的权重。

在本申请实施例一种可能的实现方式中，训练模型400根据多对起终点对应的POI分布信息，确定训练样本中每对起终点对应的向量表征时，具有用于：获取训练样本中每对起终点之间的球面距离；根据每对起终点的POI分布信息，确定每对起终点对应的起点表征向量和终点表征向量；根据每对起终点对应的球面距离、起点表征向量和终点表征向量，生成对应起终点的向量表征。

需要说明的是，前述对出行方式推荐方法实施例的解释说明也适用于该实施例的出行方式推荐装置，其实现原理类似，此处不再赘述。

为了实现上述实施例，本申请还提出一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本申请前述实施例提出的出行方式推荐方法。

为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请前述实施例提出的出行方式推荐方法。

图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图7显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图7中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的出行方式推荐方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims

1.一种出行方式推荐方法，其特征在于，包括：

获取出行用户选择的起点和终点；

2.根据权利要求1所述的出行方式推荐方法，其特征在于，所述根据所述起点的兴趣点POI分布信息和所述终点的POI分布信息，确定所述起点的起点表征向量和所述终点的终点表征向量，包括：

获取以所述起点为圆心、第一预设距离为半径所形成的圆形区域内包含的所有POI的第一POI集合，以及获取以所述终点为圆心、第二预设距离为半径所形成的圆形区域内包含的所有POI的第二POI集合；

根据所述第一POI集合中包含的每种类型POI的数量，生成所述起点表征向量；

根据所述第二POI集合中包含的每种类型POI的数量，生成所述终点表征向量；其中，所述起点表征向量和所述终点表征向量的维度与POI类型的数量相同。

3.根据权利要求1所述的出行方式推荐方法，其特征在于，在所述将所述起点和所述终点输入经过训练的模型，得到与所述起点和所述终点对应的起终点向量表征之前，还包括：

获取训练样本，所述训练样本中包括多对起终点；

在所述多对起终点对应的POI分布信息的约束条件下，对所述模型进行训练。

4.根据权利要求3所述的出行方式推荐方法，其特征在于，所述训练样本中包括与每对起终点对应的历史出行方式记录，所述在所述多对起终点对应的POI分布信息的约束条件下，对所述模型进行训练，包括：

根据所述多对起终点对应的POI分布信息，确定所述训练样本中每对起终点对应的向量表征；

根据所述历史出行方式记录，确定对应起终点的出行偏好向量表征；

对不同POI类型进行权重调整，以使同一起终点的向量表征与出行偏好向量表征匹配；

根据调整后的权重，确定不同起终点之间的出行偏好相关性；

根据不同起终点对应的向量表征之间的相关性以及对应起终点的出行偏好相关性，生成目标函数；

对所述模型进行训练，以使所述目标函数最小化。

5.根据权利要求4所述的出行方式推荐方法，其特征在于，根据以下公式确定不同起终点之间的出行偏好相关性：

rel(od_i,od_j)＝exp(-||W⊙(od_i-od_j)||)，

6.根据权利要求4所述的出行方式推荐方法，其特征在于，所述根据所述多对起终点对应的POI分布信息，确定所述训练样本中每对起终点对应的向量表征，包括：

获取所述训练样本中每对起终点之间的球面距离；

根据所述每对起终点的POI分布信息，确定所述每对起终点对应的起点表征向量和终点表征向量；

根据所述每对起终点对应的所述球面距离、所述起点表征向量和所述终点表征向量，生成对应起终点的向量表征。

7.一种出行方式推荐装置，其特征在于，所述装置包括：

获取模块，用于获取出行用户选择的起点和终点；

8.根据权利要求7所述的出行方式推荐装置，其特征在于，所述确定模块，包括：

获取单元，用于获取以所述起点为圆心、第一预设距离为半径所形成的圆形区域内包含的所有POI的第一POI集合，以及获取以所述终点为圆心、第二预设距离为半径所形成的圆形区域内包含的所有POI的第二POI集合；

确定单元，用于根据所述第一POI集合中包含的每种类型POI的数量，生成所述起点表征向量；以及，根据所述第二POI集合中包含的每种类型POI的数量，生成所述终点表征向量；其中，所述起点表征向量和所述终点表征向量的维度与POI类型的数量相同。

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-6中任一项所述的出行方式推荐方法。

10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的出行方式推荐方法。