CN110347919A - 基于用户需求的兴趣点推荐方法、装置、电子设备及介质 - Google Patents
基于用户需求的兴趣点推荐方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN110347919A CN110347919A CN201910527411.9A CN201910527411A CN110347919A CN 110347919 A CN110347919 A CN 110347919A CN 201910527411 A CN201910527411 A CN 201910527411A CN 110347919 A CN110347919 A CN 110347919A
- Authority
- CN
- China
- Prior art keywords
- demand
- properties
- keyword
- point
- interest
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0261—Targeted advertisements based on user location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例提供了一种基于用户需求的兴趣点推荐方法、装置、电子设备及介质。该方法包括:基于获取到的活动需求语句,确定对应的需求关键词;根据所述需求关键词,确定所述活动需求语句对应的需求属性;将所述活动需求语句对应的需求属性与待选兴趣点的特征属性进行对比,得到所述需求属性与所述特征属性的对比结果;基于所述需求属性与所述特征属性的对比结果,输出向用户推荐的兴趣点的位置坐标列表。本公开实施例能自动根据用户需求输出适合当前需求的的兴趣点推荐列表,节约了用户搜索与需求相匹配的兴趣点的时间与经济成本。
Description
技术领域
本公开涉及计算机领域,具体涉及一种基于用户需求的兴趣点推荐方法、装置、电子设备及介质。
背景技术
现今许多活动组织常有实地进行活动推广宣传的需要,而不同的活动宣传需求所适合的推广场所也不相同。目前,在针对活动宣传需求选择合适的推广场所时基本上都是靠经验来确定,这种方式不仅费时费力,而且选择出的推广场所往往存在不准确的问题,进而导致实地推广活动的收效往往不尽人意,也造成了投入活动中的人力与财力的大量浪费。
发明内容
本公开的一个目的在于提供一种基于用户需求的兴趣点推荐方法、装置、电子设备及介质,进而能够提高向用户推荐的兴趣点的准确率,同时也能够避免通过人工经验确定向用户推荐的兴趣点而导致浪费较多人力物力的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的一个方面,公开了一种基于用户需求的兴趣点推荐方法,所述兴趣点推荐方法包括:基于获取到的活动需求语句,确定对应的需求关键词;根据所述需求关键词,确定所述活动需求语句对应的需求属性;将所述活动需求语句对应的需求属性与待选兴趣点的特征属性进行对比,得到所述需求属性与所述特征属性的对比结果;基于所述需求属性与所述特征属性的对比结果,输出向用户推荐的兴趣点的位置坐标列表。
在本公开的一些实施例中,基于前述方案,所述基于获取到的活动需求语句,确定对应的需求关键词,包括:对所述活动需求语句进行自然语言处理,分成至少一个需求文字单元;将所述需求文字单元与预设的需求关键词表进行对比;基于所述需求文字单元与所述需求关键词表的对比结果,确定与所述需求文字单元相匹配的需求关键词,将所述相匹配的需求关键词作为所述对应的需求关键词。
在本公开的一些实施例中,基于前述方案,所述基于获取到的活动需求语句,确定对应的需求关键词,包括:对所述活动需求语句进行分词处理,得到多个词语;将所述多个词语中的实体词作为确定的所述需求关键词。
在本公开的一些实施例中,基于前述方案,所述根据所述需求关键词,确定所述活动需求语句对应的需求属性,包括:根据所述需求关键词,确定各个需求关键词对应的需求属性;根据所述各个需求关键词的权重比例,以及所述各个需求关键词对应的需求属性的权重比例,计算所述需求关键词的各个需求属性的选择权重;按照所述各个需求属性的选择权重,选择预定数量个需求属性作为所述活动需求语句对应的需求属性。
在本公开的一些实施例中,基于前述方案,所述根据所述需求关键词,确定所述活动需求语句对应的需求属性,包括:获取历史活动需求语句和所述历史活动需求语句对应的需求属性;根据所述历史活动需求语句包含的关键词,生成所述历史活动需求语句的特征向量;根据所述历史活动需求语句的特征向量和所述历史活动需求语句对应的需求属性生成样本数据;通过所述样本数据对机器学习模型进行训练,得到需求属性确定模型;将所述需求关键词输入至所述需求属性确定模型,并将所述需求属性确定模型输出的需求属性作为所述活动需求语句对应的需求属性。
在本公开的一些实施例中,基于前述方案,所述将所述活动需求语句对应的需求属性与待选兴趣点的特征属性进行对比,包括:根据所述活动需求语句对应的需求属性生成第一特征向量,并根据所述待选兴趣点的特征属性生成第二特征向量;计算所述第一特征向量和所述第二特征向量之间的距离,将所述距离作为所述需求属性与所述特征属性的对比结果。
在本公开的一些实施例中,基于前述方案,所述方法还包括:根据用户的当前位置,计算所述当前位置与向用户推荐的各个兴趣点之间的距离和/或预计到达时间;将计算出的所述当前位置与向用户推荐的各个兴趣点之间的距离和/或预计到达时间推送给所述用户。
根据本公开实施例的一个方面,提供了一种基于用户需求的兴趣点推荐装置,包括:第一确定单元,配置为基于获取到的活动需求语句,确定对应的需求关键词;第二确定单元,配置为根据所述需求关键词,确定所述活动需求语句对应的需求属性;对比单元,配置为将所述活动需求语句对应的需求属性与待选兴趣点的特征属性进行对比,得到所述需求属性与所述特征属性的对比结果;输出单元,配置为基于所述需求属性与所述特征属性的对比结果,输出向用户推荐的兴趣点的位置坐标列表。
在本公开的一些实施例中,基于前述方案,所述第一确定单元配置为:对所述活动需求语句进行自然语言处理,分成至少一个需求文字单元;将所述需求文字单元与预设的需求关键词表进行对比;基于所述需求文字单元与所述需求关键词表的对比结果,确定与所述需求文字单元相匹配的需求关键词,将所述相匹配的需求关键词作为所述对应的需求关键词。
在本公开的一些实施例中,基于前述方案,所述第一确定单元配置为:对所述活动需求语句进行分词处理,得到多个词语;将所述多个词语中的实体词作为确定的所述需求关键词。
在本公开的一些实施例中,基于前述方案,所述第二确定单元配置为:根据所述需求关键词,确定各个需求关键词对应的需求属性;根据所述各个需求关键词的权重比例,以及所述各个需求关键词对应的需求属性的权重比例,计算所述需求关键词的各个需求属性的选择权重;按照所述各个需求属性的选择权重,选择预定数量个需求属性作为所述活动需求语句对应的需求属性。
在本公开的一些实施例中,基于前述方案,所述第二确定单元配置为:获取历史活动需求语句和所述历史活动需求语句对应的需求属性;根据所述历史活动需求语句包含的关键词,生成所述历史活动需求语句的特征向量;根据所述历史活动需求语句的特征向量和所述历史活动需求语句对应的需求属性生成样本数据;通过所述样本数据对机器学习模型进行训练,得到需求属性确定模型;将所述需求关键词输入至所述需求属性确定模型,并将所述需求属性确定模型输出的需求属性作为所述活动需求语句对应的需求属性。
在本公开的一些实施例中,基于前述方案,所述对比单元配置为:根据所述活动需求语句对应的需求属性生成第一特征向量,并根据所述待选兴趣点的特征属性生成第二特征向量;计算所述第一特征向量和所述第二特征向量之间的距离,将所述距离作为所述需求属性与所述特征属性的对比结果。
在本公开的一些实施例中,基于前述方案,所述基于用户需求的兴趣点推荐装置还包括:计算单元,用于根据用户的当前位置,计算所述当前位置与向用户推荐的各个兴趣点之间的距离和/或预计到达时间;推送单元,用于将计算出的所述当前位置与向用户推荐的各个兴趣点之间的距离和/或预计到达时间推送给所述用户。
根据本公开实施例的一个方面,提供了一种电子设备,包括:存储器,存储有计算机可读指令;处理器,用于读取存储器存储的计算机可读指令,以执行如上述实施例中所述的兴趣点推荐方法。
根据本公开实施例的一个方面,提供了一种计算机程序介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行如上述实施例中所述的兴趣点推荐方法。
本公开实施例的技术方案通过根据活动需求语句中包含的需求关键词,确定需求关键词对应的需求属性,进而将活动需求语句对应的需求属性与待选兴趣点的特征属性进行对比,并基于需求属性与特征属性的对比结果输出向用户推荐的兴趣点的位置坐标列表,使得能够通过对活动需求语句的分析,并结合待选兴趣点的特征属性来自动匹配与活动需求语句相对应的兴趣点,实现了活动需求语句与待选兴趣点的精确匹配,提高了向用户推荐的兴趣点的准确率,进而有利于提高活动效益;同时也能够避免通过人工经验确定向用户推荐的兴趣点而导致浪费较多人力物力的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
图1示出根据本公开一示例实施方式的基于用户需求的兴趣点推荐方法的环境的架构图;
图2示出根据本公开一示例实施方式的基于用户需求的兴趣点推荐的单机服务器使用环境的构架图;
图3示出根据本公开一示例实施方式的基于用户需求的兴趣点推荐方法的流程图;
图4示出根据本公开一示例实施方式的机器学习模型的训练过程图;
图5示出根据本公开一示例实施方式的基于用户需求的兴趣点推荐装置的框图;
图6示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图;
图7示出一种用于实现基于用户需求的兴趣点推荐方法的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本公开的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的示例实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、步骤等。在其它情况下,不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了根据本公开一示例实施方式的基于用户需求的兴趣点推荐方法的环境的架构图。如图1所示,所述架构包括用户1、接入服务器2、消息中间件3、处理服务器4、配置服务器5、数据库服务器6、状态服务器7。
应当注意,由于用户主要是通过用户终端提交需求信息,并获取推荐兴趣点的位置坐标列表,因此,上文和下文中提到的用户除另外声明,都是指用户使用的用户终端。
用户1是提交活动需求语句,供处理服务器4确定需求属性以及进行兴趣点推荐的用户。用户1可以同时上报自己所在的地理位置,以便系统计算出所推荐的兴趣点的地理位置与用户所在的地理位置间的距离以及其他与所述距离相关联的因素,为用户进一步提供兴趣点选择的参考。
接入服务器2是接收用户1提交的活动需求语句并从中确定对应的需求关键词的设备,接入服务器2将需求关键词发送到消息中间件3。消息中间件3是按照接入服务器2提交需求关键词的时间进行排队的设备。消息中间件3从排成的队列中按先后顺序依次取出所接收的需求关键词,将其发送到处理服务器4进行对比处理。
处理服务器4是根据从活动需求语句中获取的需求属性与待选兴趣点的特征属性的对比结果而输出向用户推荐的兴趣点的位置坐标的核心设备。配置服务器5是在进行需求属性与特征属性对比时,配置获取的需求属性的选择权重的设备。处理服务器4要先与配置服务器5通信,从配置服务器5获取不同的需求属性的选择权重。
当处理服务器4完成需求属性与特征属性的对比后,将对比结果存储在数据库服务器6中。
状态服务器7是记录用户1的当前位置,需求状态以及用户的查询请求的响应状态的服务器。
图2示出根据本公开一示例实施方式的基于用户需求的兴趣点推荐的单机服务器使用环境的构架图。相比于图1所示的架构,图2所示的架构的区别在于通过中央处理器8取代了图1中的接入服务器2、消息中间件3、处理服务器4、配置服务器5、数据库服务器6、状态服务器7。
图3示出根据本公开一示例实施方式的基于用户需求的兴趣点推荐方法的流程图。
其中,兴趣点的英文简称为POI(Point of interest),是指地理信息系统中一切可以抽象为点的地理对象,尤指一些与人们生活密切相关的地理实体,如学校、银行、医院等。每个兴趣点至少包含四方面信息,名称、类别、经度、纬度。兴趣点可进一步进行分类,分为一级类、二级类甚至更多类,每个分类都有相应的行业的代码和名称对应,以方便信息采集的记录和区分。本公开将与用户需求属性对比的待选的兴趣点的特征属性分为了地理属性和人群属性。
如图3所示,根据本公开一个实施例的基于用户需求的兴趣点推荐方法,包括:
步骤110、基于获取到的活动需求语句,确定对应的需求关键词;
步骤120、根据所述需求关键词,确定所述活动需求语句对应的需求属性;
步骤130、将所述活动需求语句对应的需求属性与待选兴趣点的特征属性进行对比,得到所述需求属性与所述特征属性的对比结果;
步骤140、基于所述需求属性与所述特征属性的对比结果,输出向用户推荐的兴趣点的位置坐标列表。
下面对这些步骤进行详细描述。
在步骤110中,基于获取到的活动需求语句,确定对应的需求关键词。
在本公开的一个实施例中,获取到的活动需求语句是指用户所提交的与其活动需求相关联的语句,可以包括用户提交的文字或语音等信息。
在本公开的一个实施例中,确定对应的需求关键词可以采用以下方式:对获取的用户的活动需求语句进行自然语言处理,分成至少一个需求文字单元,然后将所述需求文字单元与预设的需求关键词表进行对比,基于所述需求文字单元与所述需求关键词表的对比结果,确定与所述需求文字单元相匹配的需求关键词,将所述相匹配的需求关键词作为所述对应的需求关键词。
下面公开一个具体的场景:在本公开的一个实施例中,获取的活动需求语句可以是“推销航空公司联名款三次境外消费免年费的新款信用卡”,从中确定出的需求文字单元为“推销”、“航空”、“信用卡”、“境外”、“免年费”、“消费”、“联名”、“新款”,预设的需求关键词表中包含有“推销”、“航空”、“信用卡”、“境外”、“免年费”、“新款”这些关键词,那么在与预设的需求关键词表进行对比后,从需求文字单元中提取出“推销”、“航空”、“信用卡”、“境外”、“免年费”、“新款”作为所获取的活动需求语句对应的需求关键词。
在本公开的一个实施例中,确定对应的需求关键词还可以采用以下方式:对活动需求语句进行分词处理,得到多个词语,将这多个词语中的实体词作为确定的需求关键词。其中,实体词可以是需求语句中除语气词、助词之外的词语。
在图1所示的分布式使用环境下,步骤110可以由接入服务器2执行。在图2所示的集中式使用环境下,步骤110可以由中央服务器8执行。
在步骤120中,根据所述需求关键词,确定所述活动需求语句对应的需求属性。
在本公开的一个实施例中,所确定的需求属性可以是与用户活动需求相匹配的地理位置所具有的特征信息。可选地,在本公开的一个实施例中,可以根据需求关键词,确定各个需求关键词对应的需求属性,然后根据各个需求关键词的权重比例,以及所述各个需求关键词对应的需求属性的权重比例,计算所述需求关键词的各个需求属性的选择权重,进而按照各个需求属性的选择权重,选择预定数量个需求属性作为所述活动需求语句对应的需求属性。
具体地,比如针对已确定出的需求关键词“推销”“信用卡”,由于主要活动目的是与信用卡有关的,因此可以将“推销”的权重比例设置为0.4,“信用卡”的权重比例设置为0.6。更进一步地,其中“推销”对应的需求属性及相应的权重可以设置为:“商场0.2”、“地铁口0.3”、“广场0.2”、“写字楼0.3”(与地理属性相关的);“年轻人0.4”、“中年人0.2”“老年人0.4”(与人群属性相关的)。同时,“信用卡”对应的需求属性及相应的权重可以设置为:“商场0.1”、“地铁口0.2”、“广场0.3”、“写字楼0.4”(与地理属性相关的);“年轻人0.6”、“中年人0.3”“老年人0.1”。
基于上述双重权重值的设置,可以计算得到最后的选择权重分别为商场0.02、地铁口0.06、广场0.06、写字楼0.12(与地理属性相关的);年轻人0.24、中年人0.06、老年人0.04(与人群属性相关的)。那么最后确定的需求属性可以是“年轻人,写字楼”;“年轻人,地铁口”;“年轻人,广场”等。
其中,上述的权重比例值可以是存储在权重表中,并可以灵活地进行调整,比如根据最终用户选择的结果来进行调整。在本公开的一个实施例中,上述的权重比例值可以通过下述表1所示的方式进行存储:
表1
在本公开的一个实施例中,还可以通过机器学习的方式来确定需求关键词对应的需求属性,具体包括:
获取历史活动需求语句和历史活动需求语句对应的需求属性,然后根据历史活动需求语句包含的关键词,生成历史活动需求语句的特征向量,进而根据历史活动需求语句的特征向量和历史活动需求语句对应的需求属性生成样本数据,进而通过样本数据对机器学习模型进行训练,得到需求属性确定模型,最后将需求关键词输入至需求属性确定模型,并将需求属性确定模型输出的需求属性作为活动需求语句对应的需求属性。
具体地,假设历史活动需求语句包含的关键词是“性别、年龄、消费能力、信用卡”,那么可以根据该关键词生成特定的特征向量,比如生成的特征向量为{性别、年龄、消费能力、信用卡}。若该历史活动需求语句对应的需求属性是“推销信用卡”,那么可以将该需求属性作为特征向量{性别、年龄、消费能力、信用卡}的标签,以根据该特征向量和和该标签生成一个训练样本,进而可以基于生成的多个训练样本对一个机器学习模型进行训练。当模型训练完成之后,可以根据确定的需求关键词来生成特征向量,并输入至训练后的模型中,进而模型会输出预测得到的需求属性。
图4示出根据本公开一示例实施方式的机器学习模型的训练过程图。
从图中可以看出,机器学习模型的训练过程是获取历史数据(即历史活动需求语句),然后分析得到特征维度,并根据历史的推荐结果为历史数据的特征维度添加标签,由此得到机器学习模型的训练样本,将训练样本输入预设的机器学习模型进行训练,最后得到需求属性确定模型。
在图1所示的分布式使用环境下,步骤120可以由配置服务器5执行。在图2所示的集中式使用环境下,步骤120可以由中央服务器8执行。
继续参照图3所示,在步骤130中,将所述活动需求语句对应的需求属性与待选兴趣点的特征属性进行对比,得到所述需求属性与所述特征属性的对比结果。
在本公开的一个实施例中,待选兴趣点是指在活动信息数据库中储存的与具有活动需求相关的地理属性与人群属性的各可供选择的地理位置点。
为了方便用户的理解与使用,本实施例中输出的兴趣点可以以地图上的GPS(Global Positioning System,全球定位系统)坐标点的形式表示。
在一个实施例中,待选兴趣点的特征属性可以包括地理属性特征数据与人群属性特征数据。其中,地理属性特征数据包括:待选兴趣点的地理坐标、功能类型(如学校、银行、餐馆、加油站、医院、超市等)、所在区域的待选兴趣点数量、不同时段的人流量、一定距离内的公共交通设施数量、一定距离内的标志建筑物数量等;人群属性特征数据包括:各性别活动人群的总人数以及所占比例、各年龄段的活动人群数量、各学历水平的活动人群数量、各区间的收入值对应的人群数、各区间的消费支出值对应的人群数等。
类似地,活动需求语句对应的需求属性也可以包括地理属性特征数据与人群属性特征数据。其中,地理属性特征数据包括:需求兴趣点的地理坐标信息、功能类型(如学校、银行、餐馆、加油站、医院、超市等)、不同时段的人流量、一定距离内的公共交通设施数量、一定距离内的标志建筑物数量等;人群属性特征数据包括:各性别活动人群的总人数以及所占比例、各年龄段的活动人群数量、各学历水平的活动人群数量、各区间的收入值对应的人群数、各区间的消费支出值对应的人群数等。
在一个实施例中,所述需求属性与特征属性的对比方法具体可以根据需求关键词对应的需求属性生成第一特征向量,然后根据待选兴趣点的特征属性生成第二特征向量,通过比较两个特征向量之间的距离来进行不同属性的比较。可选地,可以采用KNN(K-NearestNeighbor)预测算法来进行对比。其中,待选兴趣可以是预定范围内的兴趣,比如用户选择的预定范围、根据用户所在位置确定的范围,或者默认的预定范围等。
在本公开的一个实施例中,KNN预测算法也叫K最近邻分类算法,是数据挖掘分类技术中最简单的方法之一,其核心思想是找出与未知样本X距离最近的K个训练样本,看这K个样本中多数属于哪一类,就把X归为那一类。应注意的是,此处所述的距离近并非指物理距离,而是指未知样本与训练样本各特征属性间的相似度。
在本公开一示例实施例中,若第一特征向量与第二特征向量之间的距离较近,比如活动需求属性所对应的地理属性和人群属性分别与某待选兴趣点的地理属性与人群属性较接近,则认为该待选兴趣点即为理想的活动地点,故可以将该待选兴趣点推荐给用户。
继续参照图3所示,在步骤140中,基于所述需求属性与所述特征属性的对比结果,输出向用户推荐的兴趣点的位置坐标列表。
在本公开的一个实施例中,基于需求属性与所述特征属性的对比结果,输出推荐的兴趣点的位置坐标列表的方式可以包括:根据需求属性与特征属性之间的对比结果,按照属性相似度由大到小的顺序,选择一个或多个兴趣点推送给用户。比如可以以列表的形式输出推荐的兴趣点的位置坐标、详细信息等。
基于前述的技术方案,在一个实施例中,在当得出推荐的兴趣点之后,还可以根据用户当前位置,计算出当前位置与推荐的各个兴趣点之间的距离和/或预计到达时间,然后在输出推荐的兴趣点的位置坐标列表的同时一并显示给用户以供选择,此外可以在用户选择之后,生成相应的导航路线等。
在图1所示的分布式使用环境下,步骤140可以由处理服务器4,查询数据库服务器6和状态服务器7进行执行。在图2所示的集中式使用环境下,步骤140可以由中央服务器8执行。
下面以图1所示的分布式使用环境,以推销信用卡产品的应用场景为例,对本公开实施例的基于用户需求的兴趣点推荐方法的应用进行展开描述,主要可以包括如下步骤:
在步骤A中,用户A向其接入服务器2发送需求请求,需求请求中含有用户A的活动需求语句和地理位置。
在步骤B中,接入服务器2对获取的活动需求语句进行处理,确定活动需求语句对应的需求关键词。
在步骤C中,接入服务器2将用户A的需求关键词发送到消息中间件3进行缓存,与来自其它接入服务器2的需求关键词,按照消息中间件3接收到需求关键词的时间,进行排队。
在步骤D中,处理服务器4将消息中间件3中排队的用户A的需求关键词从队列中取出。
在步骤E中,处理服务器4发送用户A的需求关键词到配置服务器5。
在步骤F中,配置服务器5通过需求属性确定模型,确定用户A的活动需求对应的需求属性为:年轻人,地铁口,25-30岁。
在步骤G中,配置服务器5发送用户A的活动需求对应的需求属性到处理服务器4。
在步骤H中,处理服务器4将接收到的用户A的需求属性与待选兴趣点的特征属性进行对比。
在步骤I中,处理服务器4完成所述需求属性与特征属性的对比后,将对比结果存储在数据库服务器6中。
在步骤J中,处理服务器4根据所述对比结果,向用户A发送推荐的待选兴趣点的列表。
下面描述根据本公开的实施方式的基于用户需求的兴趣点推荐装置,它相当于图2中的中央服务器8。这里所述的兴趣点推荐装置仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
图5示出根据本公开一示例实施方式的基于用户需求的兴趣点推荐装置的框图
如图5所示,根据本公开的一个实施例,提供了一种基于用户需求的兴趣点推荐装置,包括:
获取单元510,配置为获取用户的活动需求语句;
第一确定单元520,配置为确定所述活动需求语句所对应的需求关键词;
第二确定单元530,配置为根据确定的需求关键词,确定需求关键词对应的需求属性;
对比单元540,配置为将需求关键词对应的需求属性与待选兴趣点的特征属性进行对比,其中所述特征属性包括地理属性与人群属性;
输出单元550,配置为基于对比结果,输出推荐的兴趣点的位置坐标列表。
图6示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。该计算机系统可以包括但不限于:至少一个处理单元810、至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
所述存储单元存储有程序代码,所述程序代码可以被所述处理单元810执行,使得所述处理单元810执行本说明书上述示例性方法的描述部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元810可以执行本公开实施例的各个步骤。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205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。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
目标用户查询装置也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该目标用户查询装置交互的设备通信,和/或与使得该目标用户查询装置能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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650进行。并且,目标用户查询装置还可以通过网络适配器860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。网络适配器860通过总线830与目标用户查询装置的其它模块通信。应当明白,尽管未示出,可以目标用户查询装置可以使用其它硬件和/或软件模块实现,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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机程序介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行上述方法实施例部分描述的方法。
如图7所示,根据本公开的一个实施例,还提供了一种用于实现上述方法实施例中的方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品600不限于此,在本文件中,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。
所述程序产品600可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种基于用户需求的兴趣点推荐方法,其特征在于,包括:
基于获取到的活动需求语句,确定对应的需求关键词;
根据所述需求关键词,确定所述活动需求语句对应的需求属性;
将所述活动需求语句对应的需求属性与待选兴趣点的特征属性进行对比,得到所述需求属性与所述特征属性的对比结果;
基于所述需求属性与所述特征属性的对比结果,输出向用户推荐的兴趣点的位置坐标列表。
2.根据权利要求1所述的方法,其特征在于,所述基于获取到的活动需求语句,确定对应的需求关键词,包括:
对所述活动需求语句进行自然语言处理,分成至少一个需求文字单元;
将所述需求文字单元与预设的需求关键词表进行对比;
基于所述需求文字单元与所述需求关键词表的对比结果,确定与所述需求文字单元相匹配的需求关键词,将所述相匹配的需求关键词作为所述对应的需求关键词。
3.根据权利要求1所述的方法,其特征在于,所述基于获取到的活动需求语句,确定对应的需求关键词,包括:
对所述活动需求语句进行分词处理,得到多个词语;
将所述多个词语中的实体词作为确定的所述需求关键词。
4.根据权利要求1所述的方法,其特征在于,所述根据所述需求关键词,确定所述活动需求语句对应的需求属性,包括:
根据所述需求关键词,确定各个需求关键词对应的需求属性;
根据所述各个需求关键词的权重比例,以及所述各个需求关键词对应的需求属性的权重比例,计算所述需求关键词的各个需求属性的选择权重;
按照所述各个需求属性的选择权重,选择预定数量个需求属性作为所述活动需求语句对应的需求属性。
5.根据权利要求1所述的方法,其特征在于,所述根据所述需求关键词,确定所述活动需求语句对应的需求属性,包括:
获取历史活动需求语句和所述历史活动需求语句对应的需求属性;
根据所述历史活动需求语句包含的关键词,生成所述历史活动需求语句的特征向量;
根据所述历史活动需求语句的特征向量和所述历史活动需求语句对应的需求属性生成样本数据;
通过所述样本数据对机器学习模型进行训练,得到需求属性确定模型;
将所述需求关键词输入至所述需求属性确定模型,并将所述需求属性确定模型输出的需求属性作为所述活动需求语句对应的需求属性。
6.根据权利要求1所述的方法,其特征在于,所述将所述活动需求语句对应的需求属性与待选兴趣点的特征属性进行对比,包括:
根据所述活动需求语句对应的需求属性生成第一特征向量,并根据所述待选兴趣点的特征属性生成第二特征向量;
计算所述第一特征向量和所述第二特征向量之间的距离,将所述距离作为所述需求属性与所述特征属性的对比结果。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述方法还包括:
根据用户的当前位置,计算所述当前位置与向用户推荐的各个兴趣点之间的距离和/或预计到达时间;
将计算出的所述当前位置与向用户推荐的各个兴趣点之间的距离和/或预计到达时间推送给所述用户。
8.一种基于用户需求的兴趣点推荐装置,其特征在于,包括:
第一确定单元,配置为基于获取到的活动需求语句,确定对应的需求关键词;
第二确定单元,配置为根据所述需求关键词,确定所述活动需求语句对应的需求属性;
对比单元,配置为将所述活动需求语句对应的需求属性与待选兴趣点的特征属性进行对比,得到所述需求属性与所述特征属性的对比结果;
输出单元,配置为基于所述需求属性与所述特征属性的对比结果,输出向用户推荐的兴趣点的位置坐标列表。
9.一种电子设备,其特征在于,包括:
存储器,存储有计算机可读指令;
处理器,用于读取存储器存储的计算机可读指令,以执行如权利要求1-7中任一项所述的方法。
10.一种计算机程序介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527411.9A CN110347919A (zh) | 2019-06-18 | 2019-06-18 | 基于用户需求的兴趣点推荐方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527411.9A CN110347919A (zh) | 2019-06-18 | 2019-06-18 | 基于用户需求的兴趣点推荐方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110347919A true CN110347919A (zh) | 2019-10-18 |
Family
ID=68182277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910527411.9A Pending CN110347919A (zh) | 2019-06-18 | 2019-06-18 | 基于用户需求的兴趣点推荐方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347919A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989219A (zh) * | 2019-12-12 | 2021-06-18 | 百度在线网络技术(北京)有限公司 | 兴趣点推荐方法、装置、电子设备及存储介质 |
-
2019
- 2019-06-18 CN CN201910527411.9A patent/CN110347919A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989219A (zh) * | 2019-12-12 | 2021-06-18 | 百度在线网络技术(北京)有限公司 | 兴趣点推荐方法、装置、电子设备及存储介质 |
CN112989219B (zh) * | 2019-12-12 | 2023-11-24 | 百度在线网络技术(北京)有限公司 | 兴趣点推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11698261B2 (en) | Method, apparatus, computer device and storage medium for determining POI alias | |
Qi et al. | Finding all you need: web APIs recommendation in web of things through keywords search | |
CN109064278B (zh) | 目标对象推荐方法及装置、电子设备、存储介质 | |
JP4911536B2 (ja) | 地域情報検索装置、地域情報検索装置の制御方法、地域情報検索システム、および地域情報検索システムの制御方法 | |
CN111881377B (zh) | 位置兴趣点的处理方法及装置 | |
US10176244B2 (en) | Text characterization of trajectories | |
CN110347908B (zh) | 语音购物方法、装置、介质及电子设备 | |
CN111460248B (zh) | 用于线上到线下服务的系统和方法 | |
CN112861972B (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
JP2022018087A (ja) | 地図情報表示方法、装置、電子デバイス及び記憶媒体 | |
WO2022134478A1 (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
KR20210082106A (ko) | 결정 트리 기반의 시계열 추세 예측 학습 모델을 이용한 부동산 예상 실거래가 산출 서비스 제공 방법 | |
CN110309433A (zh) | 一种数据处理方法、装置及服务器 | |
CN111859174A (zh) | 一种确定推荐上车点的方法和系统 | |
CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
US20220366139A1 (en) | Rule-based machine learning classifier creation and tracking platform for feedback text analysis | |
CN110348896A (zh) | 划分地理网格的方法、商圈确定方法及设备 | |
Tamas et al. | Classification-based symbolic indoor positioning over the miskolc iis data-set | |
CN110347919A (zh) | 基于用户需求的兴趣点推荐方法、装置、电子设备及介质 | |
CN113298485A (zh) | 门店数据的生成方法、装置及电子设备 | |
CN111191107B (zh) | 使用标注模型召回兴趣点的系统和方法 | |
KR102551773B1 (ko) | 장소 추천 방법 및 시스템 | |
CN114329236A (zh) | 一种数据处理方法及装置 | |
CN110599052A (zh) | Ota酒店评价方法、系统、电子设备和介质 | |
JP2013156990A (ja) | 複数の空間客体を利用した検索方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 201, room 518000, building A, No. 1, front Bay Road, Qianhai Shenzhen Guangdong Shenzhen Hong Kong cooperation zone (Qianhai business secretary) Applicant after: Shenzhen one ledger Intelligent Technology Co., Ltd. Address before: 518000 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A Applicant before: Shenzhen one ledger Intelligent Technology Co., Ltd. |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |