CN110276387A - 一种模型的生成方法及装置 - Google Patents
一种模型的生成方法及装置 Download PDFInfo
- Publication number
- CN110276387A CN110276387A CN201910505907.6A CN201910505907A CN110276387A CN 110276387 A CN110276387 A CN 110276387A CN 201910505907 A CN201910505907 A CN 201910505907A CN 110276387 A CN110276387 A CN 110276387A
- Authority
- CN
- China
- Prior art keywords
- node
- model
- feature vector
- sample data
- eigenvector
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明涉及科技金融(Fintech)技术领域,尤其涉及一种模型的生成方法及装置;适用于以对象为节点、对象间的关系为边的网络嵌入模型;其中,每个节点包括表征对象属性的特征向量;所述方法包括:第一服务器获取第二样本数据和第二节点的第二特征向量;所述第二特征向量是第二服务器使用所述第二样本数据对第二网络嵌入模型进行训练后得到的;所述第一网络嵌入模型是根据不具有标签值得第一样本数据确定的;所述第一服务器使用所述第二样本数据对所述第一网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取第二样本数据和第二节点的第二特征向量的步骤。
Description
技术领域
本发明涉及科技金融(Fintech)领域,尤其涉及一种模型的生成方法及装置。
背景技术
随着计算机技术的发展,越来越多的技术应用在金融领域,传统金融业正在逐步向金融科技(Finteh)转变,信息推荐技术也不例外,但由于金融行业的安全性、实时性要求,也对技术提出的更高的要求。
传统信息推荐主要基于设备所在的位置和当时的上下文来决定是否进行推荐,而这个推荐模型通常需要通过收集历史数据来训练和调优。在实际信息推荐业务当中,经常需要从一个城市A拓展到另一个城市B,这里A有过往信息推荐历史数据,而B因为是个新拓展的城市,它并没有任何信息推荐历史数据,即在B的信息推荐是一个“冷启动”的状态,很难准确预测B地的信息推荐。
发明内容
本发明实施例提供一种信息推荐模型的生成方法及装置,以解决现有技术中信息推荐准确率较低的问题。
本发明实施例提供的具体技术方案如下:
本发明实施例提供一种模型的生成方法,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述推荐模型中的每个节点包括表征节点属性的特征向量;所述方法包括:
第一服务器获取第二样本数据和第二节点的第二特征向量;所述第二特征向量是第二服务器使用所述第二样本数据对第二网络嵌入模型进行训练后得到的;所述第二节点为所述第二网络嵌入模型中与第一网络嵌入模型的第一节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
所述第一服务器使用所述第二样本数据对所述第一网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取第二样本数据和第二节点的第二特征向量的步骤;
所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
一种可能的实现方式,所述第一服务器获取第二样本数据和第二节点的第二特征向量之前,还包括:
所述第一服务器获取第一推荐模型确定的N个第一节点的N个第一特征向量及第二推荐模型确定的M个第二节点的M个第二特征向量;N,M为正整数;
所述第一服务器若确定所述第一特征向量及所述第二特征向量的相关度大于第一预设阈值,则确定所述第一节点与所述第二节点为相似节点。
一种可能的实现方式,所述第一服务器若确定所述第一特征向量及所述第二特征向量的相关度大于第一预设阈值,则确定所述第一节点与所述第二节点为相似节点之前,还包括:
所述第一服务器对所述N个第一节点的N个第一特征向量进行归一化,及对所述M个第二节点的M个第二特征向量进行归一化。
一种可能的实现方式,所述对象属性的特征向量为以下一项或多项确定的特征向量:按时序方式描述对象的特征、对象的地理特征、对象的信息推荐特征;
所述训练终止条件还包括:所述第一特征向量与第三节点的第三特征向量的相关度满足第三预设阈值;所述第三节点为所述第一网络嵌入模型中所述第一节点的邻近节点。
本发明实施例提供一种模型的生成方法,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述推荐模型中的每个节点包括表征节点属性的特征向量;所述方法包括:
第二服务器获取第一样本数据和第一节点的第一特征向量;所述第一特征向量是第一服务器使用所述第一样本数据对第一网络嵌入模型进行训练后得到的;所述第一节点为所述第一网络嵌入模型中与第二网络嵌入模型的第二节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
所述第二服务器使用所述第一特征向量对所述第二网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取所述第一节点的第一特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
本发明实施例提供一种模型的生成装置,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述网络嵌入模型中的每个节点包括表征节点属性的特征向量;所述装置包括:
收发单元,用于获取第二样本数据和第二节点的第二特征向量;所述第二特征向量是第二服务器使用所述第二样本数据对第二网络嵌入模型进行训练后得到的;所述第二节点为所述第二网络嵌入模型中与第一网络嵌入模型的第一节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
处理单元,用于使用所述第二样本数据对所述第一网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取第二样本数据和第二节点的第二特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
一种可能的实现方式,所述收发单元还用于:获取第一推荐模型确定的N个第一节点的N个第一特征向量及第二推荐模型确定的M个第二节点的M个第二特征向量;N,M为正整数;
所述处理单元,还用于若确定所述第一特征向量及所述第二特征向量的相关度大于第一预设阈值,则确定所述第一节点与所述第二节点为相似节点。
一种可能的实现方式,所述处理单元还用于:对所述N个第一节点的N个第一特征向量进行归一化,及对所述M个第二节点的M个第二特征向量进行归一化。
一种可能的实现方式,所述对象属性的特征向量为以下一项或多项确定的特征向量:按时序方式描述对象的特征、对象的地理特征、对象的信息推荐特征;
所述训练终止条件还包括:所述第一特征向量与第三节点的第三特征向量的相关度满足第三预设阈值;所述第三节点为所述第一网络嵌入模型中所述第一节点的邻近节点。
本发明实施例提供了一种模型的生成装置,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述推荐模型中的每个节点包括表征节点属性的特征向量;所述装置包括:
收发单元,用于获取第一样本数据和第一节点的第一特征向量;所述第一特征向量是第一服务器使用所述第一样本数据对第一网络嵌入模型进行训练后得到的;所述第一节点为所述第一网络嵌入模型中与第二网络嵌入模型的第二节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
处理单元,用于使用所述第一特征向量对所述第二网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取所述第一节点的第一特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
本发明一个实施例提供了一种电子设备,包括:
至少一个存储器,用于存储程序指令;
至少一个处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行上述任一种模型的生成方法。
本发明一个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种模型的生成方法的步骤。
本发明实施例中,第一服务器使用所述第二样本数据对所述第一网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取第二样本数据和第二节点的第二特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件;通过一个已获得推荐信息效果的第一网络嵌入模型的第一特征向量,和另一个未获得推荐信息效果的第二网络嵌入模型的有限数据,训练第二网络嵌入模型,可以有效的解决信息推荐中的冷启动问题,有效的提高了模型的准确率。
附图说明
图1为本发明实施例中的系统架构示意图;
图2为本发明实施例中一种模型的生成方法的流程示意图;
图3为本发明实施例中一种模型的生成方法的示意图;
图4为本发明实施例中一种模型的生成方法的流程示意图;
图5为本发明实施例中一种模型的生成装置结构示意图;
图6为本发明实施例中一种模型的生成装置结构示意图;
图7为本发明实施例中电子设备结构示意图。
具体实施方式
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实施例,并不是全部的实施例。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,都属于本发明保护的范围。
LBS:Location-based Service,即基于位置的服务。
LBS信息推荐:指媒体利用移动设备的位置和相关上下文信息,来对该设备的用户进行信息推荐推送。
ROI:Return on Investment,即投资回报率,在信息推荐中指信息推荐收益除以信息推荐费用。
POI:Point of Interest,兴趣点,一个POI可以代表一栋大厦、一家商店等。
网络嵌入模型:为以对象为节点、对象间的关系为边的网络嵌入模型;所述网络嵌入模型中的每个节点包括表征节点属性的特征向量和表征节点作为邻居节点的参数向量。具体的,可以根据网络,定义每个节点的随机游走规则;根据规则对网络进行随机游走,保存游走记录;求得游走记录的最大似然函数,得到每个用户节点的节点属性的特征向量和表征节点作为邻居节点的参数向量。给定一个用户节点,通过网络嵌入模型确定的特征向量,确定出在网络上和他相关度高的产品节点。
传统LBS不能很好的解决信息推荐业务拓展中的“冷启动”问题。以下解释冷启动。传统LBS信息推荐主要基于设备所在的位置和当时的上下文来决定是否推荐,而这个推荐模型通常需要通过收集一些过往的信息推荐历史数据来训练和调优。在实际信息推荐业务当中,经常需要从一个城市A拓展到另一个城市B,这里A有过往信息推荐历史数据,而B因为是个新拓展的城市,它并没有任何信息推荐历史数据,即在B的LBS信息推荐是一个“冷启动”的状态。
一种可能的实现方式,可以直接利用地理特征学习,基于A的时序数据、地理数据和信息推荐数据学到一个能够预测每个地点可信息推荐程度(比如该地点的信息推荐ROI是多少)的模型M,然后直接把M用在B的时序数据和地理数据上,来预测B的每个地点的信息推荐ROI。
但是由于城市和城市之间的时序数据和地理数据分布差异明显,比如广东深圳(城市A)的企业逐年经营情况(即时序数据)、单一地点的企业密集程度(即地理数据)都和甘肃兰州(城市B)的有很大的不同。这决定了直接用深圳数据学习得到的信息推荐策略(即模型M,例如一个地点要有多少家多年税收达到A级的企业才能推荐小微企业贷款),不能直接适用于兰州的LBS信息推荐。
如图1所示的推荐模型的装置的架构,以2个参与方为例进行说明。包括第一服务器101,第二服务器102。第一服务器101为第一参与方,第二服务器102为第二参与方;假设第一参与方和第二参与方分别训练一个网络嵌入模型,举例来说,第一参与方拥有第一样本数据,第二参与方拥有第二样本数据。第一参与方(对应第一服务器)和第二参与方(对应第二服务器)都可以在其各自的样本数据上进行各种运算。第二参与方由于未进行信息推荐或仅有少量的信息推荐数据,希望利用第二参与方的信息推荐数据更准确地训练网络嵌入模型,以实现更准确的推荐。
基于上述问题,如图2所示,本发明实施例提供一种模型的生成方法,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述推荐模型中的每个节点包括表征节点属性的特征向量;所述方法包括:
步骤201:第一服务器获取第二样本数据和第二节点的第二特征向量;
其中,所述第二特征向量是第二服务器使用所述第二样本数据对第二网络嵌入模型进行训练后得到的;所述第二节点为所述第二网络嵌入模型中与第一网络嵌入模型的第一节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
步骤202:所述第一服务器使用所述第二特征向量对所述第一网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取第二节点的第二特征向量的步骤;
其中,所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
本发明实施例中,第一服务器使用所述第二样本数据对所述第一网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取第二样本数据和第二节点的第二特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件;通过一个已获得推荐信息效果的第一网络嵌入模型的第一特征向量,和另一个未获得推荐信息效果的第二网络嵌入模型的有限数据,训练第二网络嵌入模型,可以有效的解决信息推荐中的冷启动问题,有效的提高了模型的准确率。
一种可能的实现方式,LBS的信息推荐主要基于设备所在的位置即节点的地理位置和节点的上下文来作为样本数据,进而确定网络嵌入模型,最终决定是否进行推荐。但是,可能对空间信息和时序信息的考虑不够,导致预测的准确率不足。
比如说空间信息,对于一个小微企业贷款而言,一个地点的好坏,通常和它周边的环境相关,如果它的周边是很多高准入门槛的工业园区,那么它也很有可能是个好园区,从而适合推送小微企业贷款的信息推荐。另比如说时间信息,一个地点对于小微企业贷款的好坏,也要看这个地点区域内的企业近一段时间的经营、交税、招聘等表现。比如只考虑利用空间信息对POI进行建模,但不考虑时间信息,预测的准确率不高。
基于上述问题,为提高推荐信息的准确率,本发明实施例中,一种可能的实现方式,所述对象属性的特征向量为以下一项或多项确定的特征向量:按时序方式描述对象的特征、对象的地理特征、对象的信息推荐特征。
第一样本数据可以包括但不限于时序数据、地理数据和第一信息推荐数据;第二样本数据可以包括但不限于、地理数据和第二信息推荐数据。其中,第一信息推荐数据可以为城市A已投放的信息,并获得标签值,例如ROI的数据,第二信息推荐数据可以为城市B计划投放的信息,并未获得标签值的数据。
举例来说,第一样本数据可以为一个已推荐信息推荐的城市A,它的一个地点集合,每个地点对应地图上的一个地域范围(比如500米*500米的方块),每个地点的坐标(比如经纬度)、地点的时序特征(比如在该地点上每个企业随时间变化的经营、交税、招聘等信息)、地理特征(比如有多少企业、有多少道路、是否在市中心等)、信息推荐特征(比如过往推荐了什么信息,效果如何);第二样本数据可以为一个未推荐信息推荐的城市B,它的一个地点集合,每个地点的坐标、地点的时序特征、地理特征、有限的信息推荐特征(比如计划推荐什么样的信息、受众是谁)。
一种可能的实现方式,至少一个特征维度包括时序特征维度;所述根据所述第一数据的至少一个特征维度,建立至少一个特征提取模型,包括:
所述针对每个节点,执行以下操作:
所述根据节点中的至少一个关注对象随时间变化的属性信息,建立时序模型,所述时序模型用于提取所述节点中的至少一个关注对象的时序特征向量;所述关注对象为信息推荐的最小粒度;
所述根据所述至少一个特征提取模型,获取所述第一数据中每个节点的至少一个第一特征向量,包括:
所述对所述至少一个关注对象的时序特征向量进行池化,并对每个关注对象的时序特征向量增加权重,获得所述节点的在时序特征维度的第一特征向量。
举例来说,可以给定一个地点,它的每个节点中的POI的时序数据可以通过Recurrent Neural Network(RNN)建模,输出一个低维向量。得到多个POI的低维向量之后,进行Pooling(池化)得到一个低维向量,作为该地点的时序特征向量。在Pooling过程中,可以考虑使用attention(注意力)机制,对不同POI的贡献进行权重区分,比如一个地点内的工业园区企业占比重较高,而餐馆的占比重较低。
一种可能的实现方式,至少一个特征维度还包括地理特征维度和/或历史信息推荐数据;所述根据所述第一数据的至少一个特征维度,建立至少一个特征提取模型,包括:
所述针对每个节点,执行以下操作:
所述根据节点中的地理位置的属性信息及历史信息推荐数据,建立深度学习网络DNN模型,所述DNN模型用于提取所述节点中的地理特征向量和/或信息推荐特征向量;
所述根据所述至少一个特征提取模型,获取所述第一数据中每个节点的至少一个第一特征向量,包括:
将所述节点中的地理特征向量作为地理特征维度的第一特征向量;
将所述节点中的地理特征向量作为地理特征维度的第一特征向量。
一种可能的实现方式,所述根据所述每个节点的至少一个第一特征向量及所述每个节点的至少一个特征维度的权重,确定所述第一数据在每个节点的第一全局特征向量,包括:
所述对所述时序特征向量、地理特征向量和/或信息推荐特征向量进行池化,并对每个第一特征向量增加权重,获得所述节点的第一全局特征向量。
举例来说,给定一个地点,会有多种特征,包括模块1的时序特征,以及地理特征和信息推荐特征。可选的,对地理特征和信息推荐特征进行深度学习,利用Deep NeuralNetwork(DNN)等模型,学到新的地理特征和新的信息推荐特征。在得到一个地点的多个特征之后,进行Pooling(池化),并引入attention(注意力)机制,最终得到一个低维向量,作为该地点的全局特征向量。
一种可能的实现方式,根据每个节点的距离,确定每个节点的K个邻近节点,构建每个节点的邻边,建立关系网络;所述关系网络的参数为每个节点与其K个邻近节点间的邻边的权重。
如图3所示,在具体实施过程中,可以基于距离对每个地点做K近邻(K NearestNeighbor,KNN)搜索,并将该地点和这K个最近邻做连边,从而最终得到一个节点间的关系网络。在这个网络上,每个边的权重取决于它的两个地点之间关系权重。地点和地点之间的关系权重由多项因素决定,这包括距离,即两个节点间的全局特征向量相似度大于预设阈值(比如越近的地点,特征应该越像)、两个节点间时序特征向量相似度大于预设阈值,即POI的关系(比如,相较于工业园区和餐饮区,工业园区和工业园区之间的特征应该越像)、两个节点间的地理特征向量相似度大于预设阈值(比如,两个市中心地点的特征应该更像,相较于一个市中心地点和一个郊区地点)等。进一步的,这些因素在衡量不同地点之间关系权重时的贡献占比可以不同,可以通过引入一个attention(注意力)机制,结合信息推荐的标签,来学习出特征向量权重的占比和对应边的权重。
进一步的,一种可能的实现方式,所述根据所述第一全局特征向量及所述关系网络,建立网络嵌入模型,包括:
所述将所述第一全局特征向量输入至特征提取模块,确定每个节点的第二全局特征向量;
所述将所述每个节点的第二全局特征向量作为所述网络嵌入模型中每个节点的特征向量进行训练;
所述根据所述第一数据的标签数据训练所述每个节点的第二全局特征向量及所述每个节点与其K个邻近节点的权重;所述每个节点的第二全局特征向量用于预测所述每个节点的推荐效果。
在具体实施过程中,通过一个有监督的、带attention(注意力)机制的网络嵌入(network embedding)模型,来学习每个地点的最终低维特征向量。这个模型要求每个节点的特征向量满足的第二设定条件,可以包括以下一项或多项:
1)节点的第二全局特征向量,预测的信息推荐效果大于第二预设阈值;
2)节点的第二全局特征向量可以通过对节点的第一全局特征向量特征提取获得,即节点的第二全局特征向量与节点的第一全局特征向量存在非线性变化。
3)节点的第二全局特征向量与其关系网络上的邻近节点的第二全局特征向量的相似度大于第三预设阈值。
通过上述实施例,可以在时空环境中,综合考虑每个地点的时间特征、地理特征、信息推荐特征、以及地理位置相关性,从而提高信息推荐的准确性。
结合上述实施例,一种可能的实现方式,所述第一服务器获取第二样本数据和第二节点的第二特征向量之前,还包括:
所述第一服务器获取第一推荐模型确定的N个第一节点的N个第一特征向量及第二推荐模型确定的M个第二节点的M个第二特征向量;N,M为正整数。
需要说明的是,此处的第一特征向量可以为上述实施例中训练完毕的第一推荐模型的第二全局特征向量,此处的第二特征向量可以为根据上述实施例中的相同方法通过第二样本数据训练完毕的第二推荐模型的第二全局特征向量。
由于不同城市的数据分布不同,需要对每个地点的特征做归一化建模。一种可能的实现方式,包括:
所述第一服务器对所述N个第一节点的N个第一特征向量进行归一化,及对所述M个第二节点的M个第二特征向量进行归一化。
需要说明的是,此处的归一化也可以为第一服务器执行对第一推荐模型的归一化,第二服务器执行对第二推荐模型的归一化,在此不做限定。
给定时序特征、地理特征和信息推荐特征,首先对每个节点上的特征向量按照城市做归一化(normalization),以确保同一城市内不同地点的特征可比。进一步的,可以通过特征提取模块,例如AutoEncoder等特征学习模型,对每个地点的特征做进一步的特征提取,以从更高维层面总结每个节点的特征及功能属性。
如图3所示,为了让不同城市的节点间可比,可以基于第一特征向量及第二特征向量进行跨城地点关系网络建模。
一种可能的实现方式,所述第一服务器若确定所述第一特征向量及所述第二特征向量的相关度大于第一预设阈值,则确定所述第一节点与所述第二节点为相似节点。
以节点为地点举例,给定城市A的一个地点a和城市B的一个地点b,通过相关性分析(correlation analysis),计算a和b之间的相关度。如果a和b的相关度超过一定阈值ε,那么a和b之间就建立一个对应连边。需要说明的是,第一预设阈值ε可以通过对第一样本数据和/或第二样本数据的有监督学习得到。相应的,给定城市A(或城市B),也可以对它城内的所有地点进行类似相关性分析和关系网络建模。假设城内节点相关度的第三预设阈值为ε′,也可以通过对第一样本数据和/或第二样本数据的有监督学习得到。
一种可能的实现方式,所述训练终止条件还包括:所述第一特征向量与第三节点的第三特征向量的相关度满足第三预设阈值;所述第三节点为所述第一网络嵌入模型中所述第一节点的邻近节点。
进一步的,为提高第二网络嵌入模型的预测准确率,如图4所示,本发明实施例提供一种模型的生成方法,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述推荐模型中的每个节点包括表征节点属性的特征向量;所述方法包括:
步骤401:第二服务器获取第一样本数据和第一节点的第一特征向量;
步骤402:第二服务器使用所述第一特征向量对所述第二网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取所述第一节点的第一特征向量的步骤。
为加快训练速度,结合上述实施例,第一服务器可以更新第一网络嵌入模型中的第一节点的第一特征向量,及第二服务器更新第二网络嵌入模型中的第二节点的第二特征向量的过程可以同时进行。例如,同时更新城市A和城市B中每个地点的特征向量,并得到一个针对城市B的从地点特征向量到LBS信息推荐ROI的映射函数,以对城市B的信息推荐进行预测。训练停止的第一设定条件,可以包括:
根据第一网络嵌入模型中每个节点的第一特征向量,预测的信息推荐ROI的置信度大于第一预设阈值。
例如,城市A的地点特征向量预测城市A上的LBS信息推荐ROI的置信度大于第一预设阈值。
第二设定条件,可以包括以下一项或多项:
第一节点的第一特征向量和第二节点中的第二特征向量的两个相似节点(例如,跨城的两个相似节点)的相关度大于第一预设阈值ε,而且相似节点的特征向量的相似度大于第四预设阈值;
同城的两个邻近节点的特征向量的相关度大于第三预设阈值ε′,而且邻近节点的特征向量大于第五预设阈值。
具体的,可以包括:第一节点中的邻近节点(例如,城市B的两个邻近节点)的特征向量(即,第一节点的第一特征向量与第三节点的第三特征向量)的相关度大于第三预设阈值ε′,而且邻近节点的特征向量大于第五预设阈值;
第二节点中的邻近节点(例如,城市A的两个邻近节点)的特征向量的相关度大于第三预设阈值ε′,而且邻近节点的特征向量大于第五预设阈值。
需要说明的是,第一网络嵌入模型中的第三预设阈值ε′和第五预设阈值,可以与第二网络嵌入模型的第三预设阈值ε′和第五预设阈值相同,也可以不同,在此不做限定。
基于相同的发明构思,如图5所示,本发明实施例提供一种模型的生成装置,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述网络嵌入模型中的每个节点包括表征节点属性的特征向量;所述装置包括:
收发单元501,用于获取第二样本数据和第二节点的第二特征向量;所述第二特征向量是第二服务器使用所述第二样本数据对第二网络嵌入模型进行训练后得到的;所述第二节点为所述第二网络嵌入模型中与第一网络嵌入模型的第一节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
处理单元502,用于使用所述第二样本数据对所述第一网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取第二样本数据和第二节点的第二特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
一种可能的实现方式,所述收发单元501还用于:获取第一推荐模型确定的N个第一节点的N个第一特征向量及第二推荐模型确定的M个第二节点的M个第二特征向量;N,M为正整数;
所述处理单元502,还用于若确定所述第一特征向量及所述第二特征向量的相关度大于第一预设阈值,则确定所述第一节点与所述第二节点为相似节点。
一种可能的实现方式,所述处理单元502还用于:对所述N个第一节点的N个第一特征向量进行归一化,及对所述M个第二节点的M个第二特征向量进行归一化。
一种可能的实现方式,所述对象属性的特征向量为以下一项或多项确定的特征向量:按时序方式描述对象的特征、对象的地理特征、对象的信息推荐特征;
所述训练终止条件还包括:所述第一特征向量与第三节点的第三特征向量的相关度满足第三预设阈值;所述第三节点为所述第一网络嵌入模型中所述第一节点的邻近节点。
基于上述实施例,参阅图6所示,本发明实施例提供一种模型的生成装置,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述推荐模型中的每个节点包括表征节点属性的特征向量;所述装置包括:
收发单元601,用于获取第一样本数据和第一节点的第一特征向量;所述第一特征向量是第一服务器使用所述第一样本数据对第一网络嵌入模型进行训练后得到的;所述第一节点为所述第一网络嵌入模型中与第二网络嵌入模型的第二节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
处理单元602,用于使用所述第一特征向量对所述第二网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取所述第一节点的第一特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
一种可能的实现方式,所述收发单元601还用于:获取第一推荐模型确定的N个第一节点的N个第一特征向量及第二推荐模型确定的M个第二节点的M个第二特征向量;N,M为正整数;
所述处理单元602,还用于若确定所述第一特征向量及所述第二特征向量的相关度大于第一预设阈值,则确定所述第一节点与所述第二节点为相似节点。
一种可能的实现方式,所述处理单元602还用于:对所述N个第一节点的N个第一特征向量进行归一化,及对所述M个第二节点的M个第二特征向量进行归一化。
一种可能的实现方式,所述对象属性的特征向量为以下一项或多项确定的特征向量:按时序方式描述对象的特征、对象的地理特征、对象的信息推荐特征;
所述训练终止条件还包括:所述第一特征向量与第三节点的第三特征向量的相关度满足第三预设阈值;所述第三节点为所述第一网络嵌入模型中所述第一节点的邻近节点。
基于上述实施例,参阅图7所示,本发明实施例中,一种计算机设备的结构示意图。
本发明实施例提供了一种计算机设备,该计算机设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图7中示出的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及信息推荐模型的生成程序。其中,操作系统是管理和控制模型参数获取系统硬件和软件资源的程序,支持信息推荐模型的生成程序以及其它软件或程序的运行。
用户接口1003主要用于连接第一服务器、第二服务器等,与各个服务器进行数据通信;网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;而处理器1001可以用于调用存储器1005中存储的模型的生成程序,并执行以下操作:
使用所述第二样本数据对所述第一网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取第二样本数据和第二节点的第二特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
或者,使用所述第一特征向量对所述第二网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取所述第一节点的第一特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
一种可能的实现方式,所述处理器1001,还用于若确定所述第一特征向量及所述第二特征向量的相关度大于第一预设阈值,则确定所述第一节点与所述第二节点为相似节点。
一种可能的实现方式,所述处理器1001还用于:对所述N个第一节点的N个第一特征向量进行归一化,及对所述M个第二节点的M个第二特征向量进行归一化。
一种可能的实现方式,所述对象属性的特征向量为以下一项或多项确定的特征向量:按时序方式描述对象的特征、对象的地理特征、对象的信息推荐特征;
所述训练终止条件还包括:所述第一特征向量与第三节点的第三特征向量的相关度满足第三预设阈值;所述第三节点为所述第一网络嵌入模型中所述第一节点的邻近节点。
基于上述实施例,本发明实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意方法实施例中的信息推荐方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种模型的生成方法,其特征在于,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述推荐模型中的每个节点包括表征节点属性的特征向量;所述方法包括:
第一服务器获取第二样本数据和第二节点的第二特征向量;所述第二特征向量是第二服务器使用所述第二样本数据对第二网络嵌入模型进行训练后得到的;所述第二节点为所述第二网络嵌入模型中与第一网络嵌入模型的第一节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
所述第一服务器使用所述第二特征向量对所述第一网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取所述第二节点的第二特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
2.如权利要求1所述的方法,其特征在于,所述第一服务器获取第二样本数据和第二节点的第二特征向量之前,还包括:
所述第一服务器获取第一推荐模型确定的N个第一节点的N个第一特征向量及第二推荐模型确定的M个第二节点的M个第二特征向量;N,M为正整数;
所述第一服务器若确定所述第一特征向量及所述第二特征向量的相关度大于第一预设阈值,则确定所述第一节点与所述第二节点为相似节点。
3.如权利要求2所述的方法,其特征在于,所述第一服务器若确定所述第一特征向量及所述第二特征向量的相关度大于第一预设阈值,则确定所述第一节点与所述第二节点为相似节点之前,还包括:
所述第一服务器对所述N个第一节点的N个第一特征向量进行归一化,及对所述M个第二节点的M个第二特征向量进行归一化。
4.如权利要求1至3任一项所述的方法,其特征在于,所述对象属性的特征向量为以下一项或多项确定的特征向量:按时序方式描述对象的特征、对象的地理特征、对象的信息推荐特征;
所述训练终止条件还包括:所述第一特征向量与第三节点的第三特征向量的相关度满足第三预设阈值;所述第三节点为所述第一网络嵌入模型中所述第一节点的邻近节点。
5.一种模型的生成方法,其特征在于,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述推荐模型中的每个节点包括表征节点属性的特征向量;所述方法包括:
第二服务器获取第一样本数据和第一节点的第一特征向量;所述第一特征向量是第一服务器使用所述第一样本数据对第一网络嵌入模型进行训练后得到的;所述第一节点为所述第一网络嵌入模型中与第二网络嵌入模型的第二节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
所述第二服务器使用所述第一特征向量对所述第二网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取所述第一节点的第一特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
6.一种模型的生成装置,其特征在于,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述网络嵌入模型中的每个节点包括表征节点属性的特征向量;所述装置包括:
收发单元,用于获取第二样本数据和第二节点的第二特征向量;所述第二特征向量是第二服务器使用所述第二样本数据对第二网络嵌入模型进行训练后得到的;所述第二节点为所述第二网络嵌入模型中与第一网络嵌入模型的第一节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
处理单元,用于使用所述第二特征向量对所述第一网络嵌入模型进行训练,则停止训练;否则,返回获取第二样本数据和第二节点的第二特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
7.如权利要求6所述的装置,其特征在于,所述收发单元还用于:获取第一推荐模型确定的N个第一节点的N个第一特征向量及第二推荐模型确定的M个第二节点的M个第二特征向量;N,M为正整数;
所述处理单元,还用于若确定所述第一特征向量及所述第二特征向量的相关度大于第一预设阈值,则确定所述第一节点与所述第二节点为相似节点。
8.如权利要求7所述的装置,其特征在于,所述处理单元还用于:对所述N个第一节点的N个第一特征向量进行归一化,及对所述M个第二节点的M个第二特征向量进行归一化。
9.如权利要求6至8任一项所述的装置,其特征在于,所述对象属性的特征向量为以下一项或多项确定的特征向量:按时序方式描述对象的特征、对象的地理特征、对象的信息推荐特征;
所述训练终止条件还包括:所述第一特征向量与第三节点的第三特征向量的相关度满足第三预设阈值;所述第三节点为所述第一网络嵌入模型中所述第一节点的邻近节点。
10.一种模型的生成装置,其特征在于,适用于以对象为节点、对象间的关系为边的网络嵌入模型;所述推荐模型中的每个节点包括表征节点属性的特征向量;所述装置包括:
收发单元,用于获取第一样本数据和第一节点的第一特征向量;所述第一特征向量是第一服务器使用所述第一样本数据对第一网络嵌入模型进行训练后得到的;所述第一节点为所述第一网络嵌入模型中与第二网络嵌入模型的第二节点具有相似性的节点;所述第二网络嵌入模型是根据具有标签值的第二样本数据确定的;所述第一网络嵌入模型是根据不具有标签值的第一样本数据确定的;
处理单元,用于使用所述第一特征向量对所述第二网络嵌入模型进行训练,若满足训练终止条件,则停止训练;否则,返回获取所述第一节点的第一特征向量的步骤;所述训练终止条件包括:所述第一网络嵌入模型输出的预测值与所述第二样本数据的标签值满足第一设定条件且所述第二特征向量与所述第一节点的第一特征向量满足第二设定条件。
11.一种计算机存储介质,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1-4任一项所述的方法或如权利要求5所述的方法中的步骤。
12.一种计算机设备,其特征在于,包括:
至少一个存储器,用于存储程序指令;
至少一个处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行上述权利要求1-4任一项所述的方法或如权利要求5所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910505907.6A CN110276387B (zh) | 2019-06-12 | 2019-06-12 | 一种模型的生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910505907.6A CN110276387B (zh) | 2019-06-12 | 2019-06-12 | 一种模型的生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276387A true CN110276387A (zh) | 2019-09-24 |
CN110276387B CN110276387B (zh) | 2023-06-23 |
Family
ID=67960745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910505907.6A Active CN110276387B (zh) | 2019-06-12 | 2019-06-12 | 一种模型的生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276387B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021143155A1 (zh) * | 2020-01-16 | 2021-07-22 | 华为技术有限公司 | 模型训练方法及装置 |
WO2021159894A1 (en) * | 2020-02-12 | 2021-08-19 | Huawei Technologies Co., Ltd. | Recommender system using bayesian graph convolution networks |
US11869015B1 (en) | 2022-12-09 | 2024-01-09 | Northern Trust Corporation | Computing technologies for benchmarking |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060755A1 (en) * | 2016-09-01 | 2018-03-01 | Facebook, Inc. | Systems and methods for recommending pages |
CN108665064A (zh) * | 2017-03-31 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 神经网络模型训练、对象推荐方法及装置 |
US20180330258A1 (en) * | 2017-05-09 | 2018-11-15 | Theodore D. Harris | Autonomous learning platform for novel feature discovery |
CN109102393A (zh) * | 2018-08-15 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 训练和使用关系网络嵌入模型的方法及装置 |
CN109242633A (zh) * | 2018-09-20 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种基于二部图网络的商品推送方法和装置 |
CN109784404A (zh) * | 2019-01-16 | 2019-05-21 | 福州大学 | 一种融合标签信息的多标签分类原型系统及方法 |
-
2019
- 2019-06-12 CN CN201910505907.6A patent/CN110276387B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060755A1 (en) * | 2016-09-01 | 2018-03-01 | Facebook, Inc. | Systems and methods for recommending pages |
CN108665064A (zh) * | 2017-03-31 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 神经网络模型训练、对象推荐方法及装置 |
US20180330258A1 (en) * | 2017-05-09 | 2018-11-15 | Theodore D. Harris | Autonomous learning platform for novel feature discovery |
CN109102393A (zh) * | 2018-08-15 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 训练和使用关系网络嵌入模型的方法及装置 |
CN109242633A (zh) * | 2018-09-20 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种基于二部图网络的商品推送方法和装置 |
CN109784404A (zh) * | 2019-01-16 | 2019-05-21 | 福州大学 | 一种融合标签信息的多标签分类原型系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021143155A1 (zh) * | 2020-01-16 | 2021-07-22 | 华为技术有限公司 | 模型训练方法及装置 |
WO2021159894A1 (en) * | 2020-02-12 | 2021-08-19 | Huawei Technologies Co., Ltd. | Recommender system using bayesian graph convolution networks |
US11494617B2 (en) | 2020-02-12 | 2022-11-08 | Huawei Technologies Co., Ltd. | Recommender system using bayesian graph convolution networks |
US11869015B1 (en) | 2022-12-09 | 2024-01-09 | Northern Trust Corporation | Computing technologies for benchmarking |
Also Published As
Publication number | Publication date |
---|---|
CN110276387B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grinberger et al. | Typologies of tourists' time–space consumption: A new approach using GPS data and GIS tools | |
Yao et al. | Mapping fine‐scale urban housing prices by fusing remotely sensed imagery and social media data | |
Hagenauer et al. | Mining urban land-use patterns from volunteered geographic information by means of genetic algorithms and artificial neural networks | |
Long et al. | Mapping block-level urban areas for all Chinese cities | |
Dahal et al. | An agent-integrated irregular automata model of urban land-use dynamics | |
CN108876032A (zh) | 一种对象选址的数据处理方法、装置、设备及系统 | |
KR101167653B1 (ko) | 웹지리정보시스템을 활용한 부동산 개발사업의 사업대상지 선정 시스템 및 그의 제어방법 | |
Long et al. | Geospatial analysis to support urban planning in Beijing | |
WO2020207201A1 (zh) | 用户行为预测模型构建方法、装置、存储介质及电子设备 | |
CN110276387A (zh) | 一种模型的生成方法及装置 | |
CN105183870A (zh) | 一种利用微博位置信息的城市功能区探测方法及系统 | |
Giaoutzi et al. | Emerging trends in tourism development in an open world | |
Bununu | Integration of Markov chain analysis and similarity-weighted instance-based machine learning algorithm (SimWeight) to simulate urban expansion | |
CN113393149B (zh) | 城市民宿选址优化方法、系统、计算机设备及存储介质 | |
CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
CN109615414A (zh) | 房产预估方法、装置及存储介质 | |
CN110263250A (zh) | 一种推荐模型的生成方法及装置 | |
CN116011322A (zh) | 基于数字孪生的城市信息展示方法、装置、设备及介质 | |
Liu et al. | An analysis on the spatiotemporal behavior of inbound tourists in Jiaodong Peninsula based on Flickr geotagged photos | |
CN106844626B (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
CN110489837B (zh) | 一种城市景观满意度计算方法、计算机设备和存储介质 | |
Quan et al. | An optimized task assignment framework based on crowdsourcing knowledge graph and prediction | |
Chow | A crowdsourcing–geocomputational framework of mobile crowd simulation and estimation | |
CN115599774A (zh) | 基于局部时空树回归模型的时空非平稳性分析方法及系统 | |
Shang et al. | Study on Regional Control of Tourism Flow Based on Fuzzy Theory |
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 |