CN110414613A - 区域聚类的方法、装置、设备和计算机可读存储介质 - Google Patents
区域聚类的方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110414613A CN110414613A CN201910703684.4A CN201910703684A CN110414613A CN 110414613 A CN110414613 A CN 110414613A CN 201910703684 A CN201910703684 A CN 201910703684A CN 110414613 A CN110414613 A CN 110414613A
- Authority
- CN
- China
- Prior art keywords
- regions
- region
- clustering
- order
- time periods
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 235000006694 eating habits Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了区域聚类的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取至少两个区域在预设历史时间段内产生的订单数据,从所获取的订单数据中提取至少两个区域的订单特征;针对至少两个区域中的区域,确定该区域与至少两个区域中其它区域之间的空间距离,得到该区域的空间特征;基于至少两个区域的订单特征和空间特征,对至少两个区域进行聚类分析,得到聚类结果。该实施方式提高了区域聚类的准确性,使得区域可以借鉴同一聚类簇中其它区域的发展政策等进行合理的发展。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及区域聚类的方法和装置。
背景技术
区域的发展对于本区域人民生活水平的提升有着重要的意义。因此,如何指导区域合理发展就尤为重要。
通常,为了使得区域可以良性发展,区域在发展的过程中可以借鉴与该区域相似的其他区域在发展过程中所采取的的一些良好的发展政策。因此,对区域进行准确的聚类对于区域的发展具有重要的意义。例如,城市A与城市B相似,则城市A可以借鉴城市B的发展政策等指导城市A的发展。
相关技术中,主要依赖区域的统计年鉴和统计公报数据等公开的数据来确定区域的相似性,这种分析方法存在一定的局限性以及因为空间和时间的不匹配带来的准确性问题。
发明内容
本公开的实施例提出了区域聚类的方法和装置,进而至少在一定程度上克服现有的相似性分析存在局限性和因为空间和时间的不匹配带来的不准确的问题。
第一方面,本公开的实施例提供了一种区域聚类的方法,该方法包括:获取至少两个区域在预设历史时间段内产生的订单数据,从所获取的订单数据中提取至少两个区域的订单特征;针对至少两个区域中的区域,确定该区域与至少两个区域中其它区域之间的空间距离,得到该区域的空间特征;基于至少两个区域的订单特征和空间特征,对至少两个区域进行聚类分析,得到聚类结果。
在一些实施例中,确定该区域与至少两个区域中其它区域之间的空间距离,包括:获取至少两个区域的经纬度信息;基于至少两个区域的经纬度信息,确定该区域和至少两个区域中其它区域之间的空间距离。
在一些实施例中,从所获取的订单数据中提取至少两个区域的订单特征,包括:确定所获取的订单数据中的时间戳信息,其中,时间戳信息用于指示订单的生成时刻;针对至少两个区域中的区域,从所获取的该区域的订单数据中提取订单特征;利用预设的滑动窗口按照时间戳信息获取所提取的订单特征的集合,得到该区域在不同时间段的订单特征。
在一些实施例中,基于至少两个区域的订单特征和空间特征,对至少两个区域进行聚类分析,得到聚类结果,包括:针对至少两个区域中的区域,基于所得到的该区域在不同时间段的订单特征和该区域的空间特征,得到该区域在不同时间段的区域特征;基于至少两个区域在不同时间段的区域特征,对不同时间段的区域进行聚类分析,得到聚类结果。
在一些实施例中,基于所得到的该区域在不同时间段的订单特征和该区域的空间特征,得到该区域在不同时间段的区域特征,包括:针对该区域的不同时间段的订单特征中的订单特征,利用交叉验证算法,确定该时间段的订单特征和该区域的空间特征的权重值;将该时间段的订单特征和该区域的空间特征按照所确定的权重值进行特征融合,得到该区域在该时间段的区域特征。
在一些实施例中,基于至少两个区域在不同时间段的区域特征,对不同时间段的区域进行聚类分析,得到聚类结果,包括:随机确定k个聚类中心,其中,k为大于1的整数;基于k个聚类中心,执行如下聚类步骤:基于至少两个区域的不同时间段的区域特征与k个聚类中心的相似度,将不同时间段的区域划分到相似度最大的聚类中心;计算所聚成的k个类簇中特征的平均值,将平均值确定为聚类中心;响应于执行预设次数的聚类步骤,得到至少两个区域的不同时间段的区域的聚类结果。
第二方面,本公开的实施例提供了一种区域聚类的装置,装置包括:提取单元,被配置成获取至少两个区域在预设历史时间段内产生的订单数据,从所获取的订单数据中提取至少两个区域的订单特征;确定单元,被配置成针对至少两个区域中的区域,确定该区域与至少两个区域中其它区域之间的空间距离,得到该区域的空间特征;聚类单元,被配置成基于至少两个区域的订单特征和空间特征,对至少两个区域进行聚类分析,得到聚类结果。
在一些实施例中,确定单元进一步被配置成:获取至少两个区域的经纬度信息;基于至少两个区域的经纬度信息,确定该区域和至少两个区域中其它区域之间的空间距离。
在一些实施例中,提取单元进一步被配置成:确定所获取的订单数据中的时间戳信息,其中,时间戳信息用于指示订单的生成时刻;针对至少两个区域中的区域,从所获取的该区域的订单数据中提取订单特征;利用预设的滑动窗口按照时间戳信息获取所提取的订单特征的集合,得到该区域在不同时间段的订单特征。
在一些实施例中,聚类单元包括:区域特征得到模块,被配置成针对至少两个区域中的区域,基于所得到的该区域在不同时间段的订单特征和该区域的空间特征,得到该区域在不同时间段的区域特征;聚类模块,被配置成基于至少两个区域在不同时间段的区域特征,对不同时间段的区域进行聚类分析,得到聚类结果。
在一些实施例中,区域特征得到模块进一步被配置成:针对该区域的不同时间段的订单特征中的订单特征,利用交叉验证算法,确定该时间段的订单特征和该区域的空间特征的权重值;将该时间段的订单特征和该区域的空间特征按照所确定的权重值进行特征融合,得到该区域在该时间段的区域特征。
在一些实施例中,聚类模块进一步被配置成:随机确定k个聚类中心,其中,k为大于1的整数;基于k个聚类中心,执行如下聚类步骤:基于至少两个区域的不同时间段的区域特征与k个聚类中心的相似度,将不同时间段的区域划分到相似度最大的聚类中心;计算所聚成的k个类簇中特征的平均值,将平均值确定为聚类中心;响应于执行预设次数的聚类步骤,得到至少两个区域的不同时间段的区域的聚类结果。
本公开的实施例提供的区域聚类的方法和装置,获取至少两个区域在预设历史时间段内产生的订单数据,提取至少两个区域的订单特征,而后针对至少两个区域中的区域,确定该区域与其它区域之间的空间距离得到该区域的空间特征,最后基于至少两个区域的订单特征和空间特征,对各区域进行聚类分析得到聚类结果,从而提高了区域聚类的准确性,也即提高了区域相似性分析的准确性,使得区域可以借鉴同一聚类簇中其它区域的发展政策等进行合理的发展。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一些实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的区域聚类的方法的一个实施例的流程图;
图3是根据本公开的区域聚类的方法的又一个实施例的流程图;
图4是根据本公开的实施例的区域聚类的方法的一个应用场景的示意图;
图5是根据本公开的区域聚类的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开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,本公开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公开。
图1示出了可以应用本公开的实施例的区域聚类的方法或区域聚类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,例如购物类应用、搜索类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
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,可以是具有显示屏并且支持网上购物、文本浏览等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、膝上型便携计算机和台式计算机等等。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。其可以实现成例如用来提供分布式服务的多个软件或软件模块,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输入的待聚类的至少两个区域提供支持的后台服务器。后台服务器可以对上述至少两个区域的订单数据和空间距离等数据进行分析等处理,并将处理结果(例如至少两个区域的聚类结果)反馈给终端设备。
需要说明的是,本申请实施例所提供的区域聚类的方法一般由服务器105执行,相应地,区域聚类的装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,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。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
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。
需要指出的是,服务器105的本地也可以直接存储至少两个区域在预设历史时间段内产生的订单数据以及至少两个区域中两两区域之间的空间距离(或各区域的位置信息),服务器105可以直接得到至少两个区域的订单特征和空间特征,并对至少两个区域进行聚类分析,此时示例性系统架构100可以不存在终端设备101、102、103和网络104。
还需要指出的是,终端设备101、102、103中也可以直接存储至少两个区域在预设历史时间段内产生的订单数据以及至少两个区域中两两区域之间的空间距离(或各区域的位置信息),终端设备101、102、103可以直接得到至少两个区域的订单特征和空间特征,并对至少两个区域进行聚类分析。此时,区域聚类的方法也可以由终端设备101、102、103执行,相应地,区域聚类的装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100可以不存在服务器105和网络104。
继续参考图2,示出了根据本公开的区域聚类的方法的一个实施例的流程200。该区域聚类的方法,包括以下步骤:
步骤201,获取至少两个区域在预设历史时间段内产生的订单数据,从所获取的订单数据中提取至少两个区域的订单特征。
在本实施例中,区域聚类的方法的执行主体(例如图1所示的服务器)可以预先确定需要获取的订单数据的历史时间段。例如,需要获取2014年1月至2019年6月的订单数据,则可以确定预设历史时间段为2014年1月至2019年6月。对于待聚类的至少两个区域,上述执行主体可以从大数据平台等获取各区域在预设历史时间段内产生的订单数据。通常,上述执行主体可以根据订单的地址层数据获取至少两个区域的订单数据,或者上述执行主体可以将订单所包含的经纬度信息与至少两个区域中的各区域进行匹配得到各区域的订单数据。而后,上述执行主体可以对所获取的订单数据进行特征提取,得到至少两个区域中各区域的订单特征。
作为示例,所提取的订单特征可以包括订单的金额、物品类别等。其中,物品类别通常可以包括四级,一级类别包括8项,分别是:交通和通信、衣着、食品烟酒、生活用品及服务、教育、文化和娱乐、医疗保健、保值或增值品,其他用品和服务,二级类别包括55项,三级类别包括360项,四级类别包括5000项。可以理解的是,所提取的订单特征的具体内容可以根据实际的需求进行设定。
通常,对于区域而言,该区域人们的衣食住行等方面的订单消费可以刻画该区域的发展状态,因此通过分析待聚类的至少两个区域的订单数据可以确定至少两个区域的相似性。与现有技术中利用区域的统计年鉴和统计公报等公开数据确定区域的相似性相比,利用区域中人们的消费数据可以从衣食住行等细节方面来确定区域相似性,得到的区域聚类结果更加准确。
步骤202,针对至少两个区域中的区域,确定该区域与至少两个区域中其它区域之间的空间距离,得到该区域的空间特征。
在本实施例中,对于上述至少两个区域,针对其中的任一区域,上述执行主体(例如图1所示的服务器)可以利用各种方式确定该区域和至少两个区域中其它区域之间的空间距离,从而可以得到该区域的空间特征。作为示例,可以通过实际测量的方式得到该区域和至少两个区域中其它区域之间的空间距离。因此,上述执行主体可以确定出至少两个区域中的每两个区域之间的空间距离,得到至少两个区域中每个区域的空间特征。
在本实施例的一些可选的实现方式中,可以确定待聚类的至少两个区域中的每个区域的经纬度信息,而后通过区域的经纬度信息计算不同区域之间的空间距离。具体地,可以根据两个区域的经纬度坐标,通过半正矢(Haversine)公式确定两个区域之间的空间距离。因此,对于两个不同的区域A和区域B,可以通过如下的半正矢公式计算得到区域A和区域B之间的空间距离:
hs(θ)=sin2(θ),因此上述公式中的hs(|lon2-lon1|)=sin2(|lon2-lon1|),以及lat1和lon1分别为区域A的纬度坐标和经度坐标,lat2和lon2分别为区域B的纬度坐标和经度坐标,R为地球半径(通常,R=6371千米),d为区域A和区域B之间的空间距离。
因此,上述执行主体可以通过如下步骤确定步骤202中的该区域和至少两个区域中其它区域之间的空间距离:获取上述至少两个区域中各区域的经纬度信息;而后基于各区域的经纬度信息,可以采用上述半正矢公式等计算该区域和其它区域之间的空间距离。
步骤203,基于至少两个区域的订单特征和空间特征,对至少两个区域进行聚类分析,得到聚类结果。
在本实施例中,基于步骤201得到的至少两个区域的订单特征和步骤202得到的各区域的空间特征,上述执行主体可以利用各种方式对上述至少两个区域进行聚类分析,将至少两个区域中相似度相近的区域划分到同一聚类簇中,从而得到至少两个区域的聚类结果。作为示例,可以采用层次聚类算法对上述至少两个区域进行聚类分析。
通常,在得到至少两个区域的聚类结果后,可以将所得到的聚类结果推送到用户所在的终端设备,以便于用户可以在终端设备中查询区域的聚类结果。
聚类,可以指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的聚类簇是一组数据对象的集合,这些对象与同一个聚类簇中的对象彼此相似,与其他聚类簇中的对象相异。相应地,由聚类生成的一个聚类簇中的各区域在订单特征和区域特征方面彼此相似,而该聚类簇中的任意一个区域与其它聚类簇中的任意一个区域在订单特征和区域特征方面彼此不同(或者可以认为相似度很低)。
现有的区域聚类的方法,在对不同区域进行聚类时通常仅考虑区域的统计年鉴和统计公报等公开数据,缺乏细节方面的数据,导致区域聚类的结果准确性差。本实施例提供的区域聚类的方法,在对不同区域进行聚类时采用了该区域产生的订单等消费数据,对区域聚类分析的数据进行了扩展,可以从细节上更准确定刻画区域的特征,从而提高了区域聚类的准确性,即得到的聚类结果中同一聚类簇包含的区域的相似程度较高。
进一步地,本实施例提供的区域聚类的方法,在对不同区域进行聚类时还融合各区域的空间特征,区域的空间特征主要刻画了该区域在空间分布中位置特征。空间特征越相似的区域,往往区域的发展也会更相似。可见,在对不同的区域聚类时考虑区域的空间特征,可以进一步提高区域聚类的准确性。因此,对于聚类后的某一区域,该区域可以借鉴其所在的聚类簇中的其它城市的良性发展政策等来发展该区域,从而可以促进该区域更加合理地发展。
继续参考图3,其示出了区域聚类的方法的又一个实施例的流程300。该区域聚类的方法的流程300,包括以下步骤:
步骤301,获取至少两个区域在预设历史时间段内产生的订单数据。
在本实施例中,区域聚类的方法的执行主体(例如图1所示的服务器)可以预先确定需要获取的订单数据的历史时间段。对于待聚类的至少两个区域,上述执行主体可以从大数据平台等获取各区域在预设历史时间段内产生的订单数据。通常,上述执行主体可以根据订单的地址层数据获取至少两个区域的订单数据,或者上述执行主体可以将订单所包含的经纬度信息与至少两个区域中的各区域进行匹配得到各区域的订单数据。
步骤302,确定所获取的订单数据中的时间戳信息。
在本实施例中,订单在生成时往往会设置相应的时间戳,用于指示该订单的生成时刻。基于步骤301所获取的订单数据,上述执行主体(例如图1所示的服务器)可以确定所获取的订单数据中的时间戳信息。
步骤303,针对至少两个区域中的区域,从所获取的该区域的订单数据中提取订单特征。
在本实施例中,针对至少两个区域中的任一区域,上述执行主体首先可以从获取的订单数据中确定该区域的订单数据,而后从该区域的订单数据中提取各订单的订单特征。这里,从订单数据中提取的订单特征可以包含订单数据的时间戳信息。可以理解是,上述执行主体通过该步骤可以提取上述至少两个区域中每个区域所产生的订单的订单特征。
例如,至少两个区域中包括北京区域,上述执行主体可以提取北京在预设历史时间段2015年~2018年产生的订单的订单特征。具体地,北京区域的订单特征可以包括2015年北京的订单特征、2016年北京的订单特征、2017年北京的订单特征、2018年北京的订单特征。
步骤304,利用预设的滑动窗口按照时间戳信息获取所提取的订单特征的集合,得到该区域在不同时间段的订单特征。
在本实施例中,基于步骤303提取到的该区域所产生的订单的订单特征,上述执行主体可以将该区域的订单特征在时间维度上展开。对于该区域,上述执行主体可以在时间维度上采用滑动窗口按照时间戳信息抽取不同时间段的订单特征的集合,从而得到该区域在不同时间段的订单特征。这里,上述执行主体可以预先设置滑动窗口的大小,这里滑动窗口的大小可以根据实际的需求进行设置,例如,滑动窗口可以为3年。可以理解是,上述执行主体通过该步骤可以得到上述至少两个区域中每个区域在不同时间段的订单特征。
作为示例,针对至少两个区域中所包含的北京区域,上述执行主体提取得到的北京第j年包含n个不同类别的订单特征为yearj表示第j年表示订单特征中的第n个类别,其中,j和n均为正整数。若滑动窗口的大小设置为l,l为整数,则利用滑动窗口按照时间戳信息得到的北京第j年的订单特征可以表示为:其中,为第j年的订单特征,为第j-1年的订单特征,为第j-l年的订单特征。如此,可以得到北京在预设历史时间段内中不同时间段的订单特征,例如,2018年北京的订单特征、2017年北京的订单特征和2016年北京的订单特征等。
在本实施例的一些可选的实现方式中,上述执行主体还可以利用预设的滑动窗口将该区域的订单数据按照时间戳信息分割为多个订单数据集合,而后分别对多个订单数据集合中的订单数据进行特征提取,得到该区域不同时间段的订单特征。
步骤305,确定该区域与至少两个区域中其它区域之间的空间距离,得到该区域的空间特征。
在本实施例中,对于上述至少两个区域,针对其中的任一区域,上述执行主体可以利用各种方式确定该区域和至少两个区域中其它区域之间的空间距离,从而可以得到该区域的空间特征。作为示例,可以通过实际测量的方式得到该区域和至少两个区域中其它区域之间的空间距离。因此,上述执行主体可以确定出至少两个区域中的每两个区域之间的空间距离,得到至少两个区域中每个区域的空间特征。
步骤306,基于至少两个区域的订单特征和空间特征,对至少两个区域进行聚类分析,得到聚类结果。
在本实施例中,基于步骤304得到的至少两个区域中各区域在不同时间段内的订单特征和步骤305得到的至少两个区域中各区域的空间特征,上述执行主体可以将各区域的空间特征和在不同时间段的订单特征分别作为空间维度的特征和时间维度的特征对不同时间段的各区域进行聚类,从而得到至少两个区域的不同时间段的区域的聚类结果。通过该步骤可以将不同时间段的不同区域进行聚类,得到的同一聚类簇中可以包括不同时间段的不同区域(如,同一聚类簇中可以包括2014年北京和2016年上海),从而使得同一聚类簇中先发展的区域可以为后发展的区域提供更好的发展指导,以便于后发展城市可以更加合理地发展。
作为示例,上述至少两个区域包括北京、上海等区域,上述执行主体提取到的各区域在不同时间段的订单特征可以包括2015年北京的订单特征、2016年北京的订单特征、2017年北京的订单特征、2015年上海的订单特征、2016年上海的订单特征、2017年上海的订单特征等。因此,上述执行主体可以对2015年北京、2016年北京、2017年北京、2015年上海、2016年上海、2017年上海等进行聚类。得到的聚类结果可以为:2017年北京为一聚类簇,2016年北京为一聚类簇,2015年北京和2017年上海为一聚类簇等。在该示例中,同一聚类簇中包括2015年北京和2017年上海,可见北京为该聚类簇中的先发展区域,上海为该聚类簇中后发展的区域,因此,上海可以借鉴北京已经执行的发展政策等来对上海区域进行规划和发展,从而使得上海区域可以更加合理地发展。
在本实施例的一些可选的实现方式中,针对至少两个区域中的任一区域,上述执行主体还可以将该区域的空间特征和在不同时间段的订单特征进行融合得到该区域在不同时间段的区域特征。因此,通过该方法可以得到至少两个区域中的各区域在不同时间段的区域特征。最后,上述执行主体可以对各区域不同时间段的区域特征进行聚类分析,例如采用余弦相似度算法计算各区域在不同时间段的区域特征之间的相似度,从而可以实现将各区域在不同时间段的区域特征中彼此相似的对象聚为同一类,得到最终的聚类结果。可选地,在对各区域的不同时间段的区域特征进行聚类分析之前,上述执行主体还可以将各区域不同时间段的区域特征进行归一化处理,从而消除量纲的影响,进一步提高聚类的准确性。
在本实施例的一些可选的实现方式中,对于至少两个区域中的任一区域,针对该区域在任一时间段的订单特征,上述执行主体可以通过交叉验证的方法确定该时间段的订单特征和该区域的空间特征的权重值。而后,将该时间段的订单特征和该区域的空间特征按照所确定的权重值进行特征融合,从而可以得到该区域在该时间段的区域特征。可选的,上述执行主体还可以采用熵值法、变异系数法等确定特征融合的权重值,这里没有唯一的限定。
在本实施例的一些可选的实现方式中,上述执行主体可以采用K均值聚类算法对不同时间段的区域进行聚类。具体地,上述执行主体可以随机确定k个聚类中心,而后基于k个聚类中心,可以执行如下聚类步骤:采用余弦相似度算法等计算至少两个区域中各区域的不同时间段的区域特征与k个聚类中心的相似度,之后将不同时间段的区域划分到与该时间段的区域特征的相似度最大的聚类中心;而后计算所聚成的k个类簇中特征的平均值,并将该平均值重新确定为该聚类中心。若上述执行主体已经执行了预设次数的聚类步骤,则可以确定各聚类中心为最终的聚类中心,得到的至少两个区域的不同时间段的区域的聚类结果为最终的聚类结果。或者,上述执行主体在多次执行聚类步骤之后各聚类中心不再变化,此时得到的不同时间段的各区域的聚类结果也可以为最终的聚类结果。可以理解的是,本领域技术人员可以根据经验设置k值,例如,k=5。上述k为正整数。当然,本实施例还可以采用高斯混合聚类算法、密度聚类算法等聚类算法对不同时间段的区域进行聚类。
本实施例中的区域聚类的方法的流程300实现了将不同时间段的区域聚类,得到的同一聚类簇中可以包括不同时间段的不同区域(如,同一聚类簇中可以包括2014年北京和2016年上海),从而使得同一聚类簇中先发展的区域可以为后发展的区域提供更好的发展指导,以便于后发展城市可以更加合理地发展。
进一步参见图4,图4是根据本实施例的区域聚类方法的应用场景的一个示意图。在图4的应用场景中,用户可以通过终端设备在待聚类区域401输入北京、上海、广州、深圳、南京、厦门等,以及在时间402中确定预设历史时间段2015年~2018年,在确定进行区域聚类之后,后台服务器可以获取各区域在预设历史时间段所产生的订单数据;之后后台服务器可以确定所获取的订单数据中的时间戳信息;然后针对北京、上海、广州、深圳、南京、厦门等区域中任一区域,后台服务器可以从该区域的订单数据中提取订单特征,以便于其可以利用预设的滑动窗口按照时间戳信息获取所提取的订单特征的集合得到该区域在不同时间段的订单特征,如此,对每个区域进行处理可以得到北京、上海、广州、深圳、南京、厦门等区域在2015年、2016年、2017年和2018年的订单特征;而后,后台服务器可以确定该区域与其它区域之间的空间距离,得到该区域的空间特征,如此,对于每个区域进行处理可以得到北京、上海、广州、深圳、南京、厦门等区域的空间特征;最后,后台服务器可以基于北京、上海、广州、深圳、南京、厦门等区域在2015年、2016年、2017年和2018年的订单特征和北京、上海、广州、深圳、南京、厦门等区域的空间特征,可以对2015年北京~2018年北京、2015年上海~2018年上海、2015年广州~2018年广州、2015年深圳~2018年深圳、2015年南京~2018年南京、2015年厦门~2018年厦门等进行聚类分析,得到聚类结果,并可以将聚类结果显示在聚类结果显示区域403中,如图4所示。
本公开的上述实施例提供的方法通过将不同时间段的区域聚类,得到的同一聚类簇中可以包括不同时间段的不同区域,从而使得同一聚类簇中先发展的区域可以为后发展的区域提供更好的发展指导。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种区域聚类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,本实施例的区域聚类的装置500包括:提取单元501、确定单元502和聚类单元503和生成单元504。其中,提取单元501被配置成获取至少两个区域在预设历史时间段内产生的订单数据,从所获取的订单数据中提取至少两个区域的订单特征;确定单元502被配置成针对至少两个区域中的区域,确定该区域与至少两个区域中其它区域之间的空间距离,得到该区域的空间特征;聚类单元503被配置成基于至少两个区域的订单特征和空间特征,对至少两个区域进行聚类分析,得到聚类结果。
在本实施例的一些可选的实现方式中,确定单元502进一步被配置成:获取至少两个区域的经纬度信息;基于至少两个区域的经纬度信息,确定该区域和至少两个区域中其它区域之间的空间距离。
在本实施例的一些可选的实现方式中,提取单元501进一步被配置成:确定所获取的订单数据中的时间戳信息,其中,时间戳信息用于指示订单的生成时刻;针对至少两个区域中的区域,从所获取的该区域的订单数据中提取订单特征;利用预设的滑动窗口按照时间戳信息获取所提取的订单特征的集合,得到该区域在不同时间段的订单特征。
在本实施例的一些可选的实现方式中,聚类单元503包括:区域特征得到模块,被配置成针对至少两个区域中的区域,基于所得到的该区域在不同时间段的订单特征和该区域的空间特征,得到该区域在不同时间段的区域特征;聚类模块,被配置成基于至少两个区域在不同时间段的区域特征,对不同时间段的区域进行聚类分析,得到聚类结果。
在本实施例的一些可选的实现方式中,区域特征得到模块进一步被配置成:针对该区域的不同时间段的订单特征中的订单特征,利用交叉验证算法,确定该时间段的订单特征和该区域的空间特征的权重值;将该时间段的订单特征和该区域的空间特征按照所确定的权重值进行特征融合,得到该区域在该时间段的区域特征。
在本实施例的一些可选的实现方式中,聚类模块进一步被配置成:随机确定k个聚类中心,其中,k为大于1的整数;基于k个聚类中心,执行如下聚类步骤:基于至少两个区域的不同时间段的区域特征与k个聚类中心的相似度,将不同时间段的区域划分到相似度最大的聚类中心;计算所聚成的k个类簇中特征的平均值,将平均值确定为聚类中心;响应于执行预设次数的聚类步骤,得到至少两个区域的不同时间段的区域的聚类结果。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备600操作所需的各种程序和数据。处理装置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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例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。在本公开的实施例中,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。而在本公开的实施例中,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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:获取至少两个区域在预设历史时间段内产生的订单数据,从所获取的订单数据中提取至少两个区域的订单特征;针对至少两个区域中的区域,确定该区域与至少两个区域中其它区域之间的空间距离,得到该区域的空间特征;基于至少两个区域的订单特征和空间特征,对至少两个区域进行聚类分析,得到聚类结果。
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公开的实施例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,图示了按照本公开各种实施例的系统、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。
描述于本公开的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:一种处理器包括提取单元、确定单元和聚类单元。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,提取单元还可以被描述为“获取至少两个区域在预设历史时间段内产生的订单数据,从所获取的订单数据中提取至少两个区域的订单特征的单元”。
以上描述仅为本公开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,本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (9)
1.一种区域聚类的方法,包括:
获取至少两个区域在预设历史时间段内产生的订单数据,从所获取的订单数据中提取所述至少两个区域的订单特征;
针对所述至少两个区域中的区域,确定该区域与所述至少两个区域中其它区域之间的空间距离,得到该区域的空间特征;
基于所述至少两个区域的订单特征和空间特征,对所述至少两个区域进行聚类分析,得到聚类结果。
2.根据权利要求1所述的方法,其中,确定该区域与所述至少两个区域中其它区域之间的空间距离,包括:
获取所述至少两个区域的经纬度信息;
基于所述至少两个区域的经纬度信息,确定该区域和所述至少两个区域中其它区域之间的空间距离。
3.根据权利要求1所述的方法,其中,从所获取的订单数据中提取所述至少两个区域的订单特征,包括:
确定所获取的订单数据中的时间戳信息,其中,所述时间戳信息用于指示订单的生成时刻;
针对所述至少两个区域中的区域,从所获取的该区域的订单数据中提取订单特征;
利用预设的滑动窗口按照时间戳信息获取所提取的订单特征的集合,得到该区域在不同时间段的订单特征。
4.根据权利要求3所述的方法,其中,所述基于所述至少两个区域的订单特征和空间特征,对所述至少两个区域进行聚类分析,得到聚类结果,包括:
针对所述至少两个区域中的区域,基于所得到的该区域在不同时间段的订单特征和该区域的空间特征,得到该区域在不同时间段的区域特征;
基于所述至少两个区域在不同时间段的区域特征,对不同时间段的区域进行聚类分析,得到聚类结果。
5.根据权利要求4所述的方法,其中,所述基于所得到的该区域在不同时间段的订单特征和该区域的空间特征,得到该区域在不同时间段的区域特征,包括:
针对该区域的不同时间段的订单特征中的订单特征,利用交叉验证算法,确定该时间段的订单特征和该区域的空间特征的权重值;
将该时间段的订单特征和该区域的空间特征按照所确定的权重值进行特征融合,得到该区域在该时间段的区域特征。
6.根据权利要求4所述的方法,其中,所述基于所述至少两个区域在不同时间段的区域特征,对不同时间段的区域进行聚类分析,得到聚类结果,包括:
随机确定k个聚类中心,其中,k为大于1的整数;
基于k个聚类中心,执行如下聚类步骤:基于所述至少两个区域的不同时间段的区域特征与k个聚类中心的相似度,将所述不同时间段的区域划分到相似度最大的聚类中心;计算所聚成的k个类簇中特征的平均值,将所述平均值确定为所述聚类中心;
响应于执行预设次数的所述聚类步骤,得到所述至少两个区域的不同时间段的区域的聚类结果。
7.一种区域聚类的装置,包括:
提取单元,被配置成获取至少两个区域在预设历史时间段内产生的订单数据,从所获取的订单数据中提取所述至少两个区域的订单特征;
确定单元,被配置成针对所述至少两个区域中的区域,确定该区域与所述至少两个区域中其它区域之间的空间距离,得到该区域的空间特征;
聚类单元,被配置成基于所述至少两个区域的订单特征和空间特征,对所述至少两个区域进行聚类分析,得到聚类结果。
8.一种电子设备/终端/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1-6中任一所述的方法。
9.一种计算机可读介质,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1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703684.4A CN110414613B (zh) | 2019-07-31 | 2019-07-31 | 区域聚类的方法、装置、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703684.4A CN110414613B (zh) | 2019-07-31 | 2019-07-31 | 区域聚类的方法、装置、设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414613A true CN110414613A (zh) | 2019-11-05 |
CN110414613B CN110414613B (zh) | 2021-03-02 |
Family
ID=68364963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910703684.4A Active CN110414613B (zh) | 2019-07-31 | 2019-07-31 | 区域聚类的方法、装置、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414613B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291811A (zh) * | 2020-02-07 | 2020-06-16 | 京东数字科技控股有限公司 | 区域划分和分类方法、装置和计算机可读存储介质 |
CN112862228A (zh) * | 2019-11-28 | 2021-05-28 | 北京三快在线科技有限公司 | 订单分配方法、装置、计算机可读存储介质及电子设备 |
CN116777514A (zh) * | 2023-06-20 | 2023-09-19 | 南京领行科技股份有限公司 | 区域划分方法、装置、服务器以及存储介质 |
CN116777514B (zh) * | 2023-06-20 | 2024-08-27 | 南京领行科技股份有限公司 | 区域划分方法、装置、服务器以及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1191459A1 (en) * | 2000-09-22 | 2002-03-27 | Nightingale Technologies Ltd. | Data clustering methods and applications |
CN105868906A (zh) * | 2016-03-28 | 2016-08-17 | 国网河南省电力公司电力科学研究院 | 一种优化的区域发展成熟度分析方法 |
CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
CN107451673A (zh) * | 2017-06-14 | 2017-12-08 | 北京小度信息科技有限公司 | 配送区域划分方法和装置 |
CN109102334A (zh) * | 2018-08-07 | 2018-12-28 | 长沙市到家悠享家政服务有限公司 | 商圈划分方法、装置及电子设备 |
WO2019047431A1 (zh) * | 2017-09-05 | 2019-03-14 | 北京小度信息科技有限公司 | 信息推送方法和装置 |
CN109902698A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 信息生成方法和装置 |
-
2019
- 2019-07-31 CN CN201910703684.4A patent/CN110414613B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1191459A1 (en) * | 2000-09-22 | 2002-03-27 | Nightingale Technologies Ltd. | Data clustering methods and applications |
CN105868906A (zh) * | 2016-03-28 | 2016-08-17 | 国网河南省电力公司电力科学研究院 | 一种优化的区域发展成熟度分析方法 |
CN107451673A (zh) * | 2017-06-14 | 2017-12-08 | 北京小度信息科技有限公司 | 配送区域划分方法和装置 |
CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
WO2019047431A1 (zh) * | 2017-09-05 | 2019-03-14 | 北京小度信息科技有限公司 | 信息推送方法和装置 |
CN109902698A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 信息生成方法和装置 |
CN109102334A (zh) * | 2018-08-07 | 2018-12-28 | 长沙市到家悠享家政服务有限公司 | 商圈划分方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
王硕等: "《系统预测与综合评价方法》", 31 December 2006, 合肥工业大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862228A (zh) * | 2019-11-28 | 2021-05-28 | 北京三快在线科技有限公司 | 订单分配方法、装置、计算机可读存储介质及电子设备 |
CN111291811A (zh) * | 2020-02-07 | 2020-06-16 | 京东数字科技控股有限公司 | 区域划分和分类方法、装置和计算机可读存储介质 |
CN111291811B (zh) * | 2020-02-07 | 2023-12-08 | 京东科技控股股份有限公司 | 区域划分和分类方法、装置和计算机可读存储介质 |
CN116777514A (zh) * | 2023-06-20 | 2023-09-19 | 南京领行科技股份有限公司 | 区域划分方法、装置、服务器以及存储介质 |
CN116777514B (zh) * | 2023-06-20 | 2024-08-27 | 南京领行科技股份有限公司 | 区域划分方法、装置、服务器以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110414613B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107315824B (zh) | 用于生成热力图的方法和装置 | |
CN108182253B (zh) | 用于生成信息的方法和装置 | |
CN107944481B (zh) | 用于生成信息的方法和装置 | |
CN109145280A (zh) | 信息推送的方法和装置 | |
CN107451832B (zh) | 推送信息的方法和装置 | |
TWI703862B (zh) | 內容推薦方法及裝置 | |
US9424337B2 (en) | Number of clusters estimation | |
US9159030B1 (en) | Refining location detection from a query stream | |
CN113688310B (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
WO2020119231A1 (zh) | 基于位置信息的电子凭证推送方法、装置及电子设备 | |
CN107944032B (zh) | 用于生成信息的方法和装置 | |
CN110619078B (zh) | 用于推送信息的方法和装置 | |
US11321396B2 (en) | Identifying a polygon representative of geographical boundaries | |
CN111274341A (zh) | 一种网点选址方法和装置 | |
US20190095536A1 (en) | Method and device for content recommendation and computer readable storage medium | |
US20190147540A1 (en) | Method and apparatus for outputting information | |
CN110414613B (zh) | 区域聚类的方法、装置、设备和计算机可读存储介质 | |
CN111222960A (zh) | 基于公共流量带的房源推荐方法及系统 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
US20150278907A1 (en) | User Inactivity Aware Recommendation System | |
Liu et al. | Characterizing the complex influence of the urban built environment on the dynamic population distribution of Shenzhen, China, using geographically and temporally weighted regression | |
CN112309565A (zh) | 用于匹配药品信息和病症信息的方法、装置、电子设备和介质 | |
CN110737820B (zh) | 用于生成事件信息的方法和装置 | |
CN114741595A (zh) | 信息推送的方法和装置 | |
CN108959289B (zh) | 网站类别获取方法和装置 |
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 |