CN110781283A - 连锁品牌词库生成方法、装置以及电子设备 - Google Patents
连锁品牌词库生成方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN110781283A CN110781283A CN201910872394.2A CN201910872394A CN110781283A CN 110781283 A CN110781283 A CN 110781283A CN 201910872394 A CN201910872394 A CN 201910872394A CN 110781283 A CN110781283 A CN 110781283A
- Authority
- CN
- China
- Prior art keywords
- sub
- interest point
- interest
- point group
- cluster
- 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 61
- 238000001914 filtration Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 description 24
- 238000012545 processing Methods 0.000 description 21
- 235000011888 snacks Nutrition 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 235000013305 food Nutrition 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 9
- 238000003058 natural language processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 235000015219 food category Nutrition 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/387—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种连锁品牌词库生成方法、装置以及电子设备,该方法包括:获取子兴趣点数据,所述子兴趣点数据包括子兴趣点的名称信息和类别信息;根据所述子兴趣点的名称信息和类别信息对所述子兴趣点进行分组,以生成子兴趣点组;对所述子兴趣点组进行聚类,以生成候选品牌集;根据所述候选品牌集确定所述连锁品牌词库。本公开实施例提供的技术方案可以根据子兴趣点数据准确的确定连锁品牌词库。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及连锁品牌词库生成方法、装置及电子设备。
背景技术
在利用导航系统进行路径规划之前,通常需要先搜索目的地。在搜索目的地的过程中,用户先向导航输入一个查询词,导航引擎从地图系统中的兴趣点(Point ofInterest,POI)数据库中搜索与该查询词匹配的多个兴趣点数据。用户从上述多个兴趣点数据中选择一个兴趣点后,导航引擎根据用户选择的兴趣点数据进行路径规划并导航。
在一些情况下,用户输入的查询词可能是反映一个连锁品牌机构的连锁品牌词,例如“香格里拉”、“肯德基”等都属于连锁品牌词,那么如何根据用户输入的连锁品牌名确定地图中的连锁品牌店就成为地图导航中的一个难点。
为了提高用户的查询效率,当用户输入一个查询词,地图系统首先需要将该查询词与连锁品牌词作比对,以确定所述查询词是否是连锁品牌词,如果确定该查询词为连锁品牌词时,地图系统会把该连锁品牌词对应的品牌店按照从近到远的举例向用户推荐。
目前主要通过人工手段对各个兴趣点分析、归纳,以确定连锁品牌词库,但是该方法不仅工作效率低,而且不适用于更新词库。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开实施例提供一种连锁品牌词库生成方法及装置、电子设备,能够在快速、便捷的生成连锁品牌词库。
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。
本公开实施例提出一种连锁品牌词库生成方法,该方法包括:获取子兴趣点数据,所述子兴趣点数据包括子兴趣点的名称信息和类别信息;根据所述子兴趣点的名称信息和类别信息对所述子兴趣点进行分组,以生成子兴趣点组;对所述子兴趣点组进行聚类,以生成候选品牌集;根据所述候选品牌集确定所述连锁品牌词库。
在一些实施例中,确定所述目标子兴趣点组的相似子兴趣点组还包括:若所述目标子兴趣点组的相似子兴趣点组的个数大于第二阈值,则将核心词包含或被包含于所述目标子兴趣点组的核心词的子兴趣点组,作为所述目标子兴趣点组的相似子兴趣点组。
在一些实施例中,确定所述目标子兴趣点组与其相似子兴趣点组之间的相似度,包括:通过神经网络模型对所述目标子兴趣点组及其相似子兴趣点组进行处理,获得所述目标子兴趣点组与其相似子兴趣点组之间的相似度。
在一些实施例中,所述连锁品牌词库生成方法包括:获取训练数据集,所述训练数据集包括正例和反例,所述正例包括属于同一兴趣点的两个子兴趣点,所述反例不包括属于同一兴趣点的两个子兴趣点;利用所述训练数据集训练所述神经网络模型。
在一些实施例中,所述相似度包括第一值,所述目标子兴趣点组及其相似子兴趣点组均包括名称信息和类别信息;其中,确定所述目标子兴趣点组与其相似子兴趣点组之间的相似度,包括:根据所述目标子兴趣点组及其相似子兴趣点组的名称信息确定所述目标子兴趣点组及其相似子兴趣点组的核心词和业务词;当所述目标子兴趣点组及其相似子兴趣点组的类别信息不兼容、所述目标子兴趣点组及其相似子兴趣点组的类别信息不同、所述目标子兴趣点组及其相似子兴趣点组的核心词不同且不为同义词、所述目标子兴趣点组及其相似子兴趣点组的业务词不同且不为同义词,则所述目标子兴趣点组与其相似子兴趣点组的相似度为所述第一值。
在一些实施例中,所述子兴趣点数据包括子兴趣点的点击信息;其中,根据所述子兴趣点的名称信息和类别信息对所述子兴趣点进行分组,以生成子兴趣点组,包括:根据所述子兴趣点的点击信息和类别信息对所述子兴趣点进行过滤;若所述子兴趣点的名称信息中包括分店信息和/或英文信息,并且所述子兴趣点的名称信息中包括与所述英文信息对应的中文信息,则去除所述子兴趣点的名称信息中的分店信息和/或英文信息;根据处理后的子兴趣点信息对所述子兴趣点进行分组。在一些实施例中,所述候选品牌集中的子兴趣点数据包括点击信息,所述候选品牌集包括名称信息,所述候选品牌集包括分店子兴趣点;其中,根据所述候选品牌集确定所述连锁品牌词库,包括:根据所述候选品牌集中的子兴趣点数据的点击信息确定所述候选品牌集的点击信息;获取所述候选品牌集的名称信息中的核心词和所述候选品牌集中的子兴趣点个数;确定所述候选品牌集的分店子兴趣点的个数占所述候选品牌集中子兴趣点个数的比例;根据所述分店子兴趣点的个数占所述候选品牌集中子兴趣点个数的比例、所述候选品牌集的核心词、所述候选品牌集的点击信息以及所述候选品牌集的子兴趣点个数对所述候选品牌集过滤。
在一些实施例中,所述子兴趣点组包括分店子兴趣点;其中,根据所述子兴趣点的名称和类别信息对所述子兴趣点进行分组,以生成子兴趣点组,包括:获取所述子兴趣点组中的子兴趣点个数;获取所述子兴趣点组中的分店子兴趣点占所述子兴趣点组中子兴趣点个数的比例;根据所述子兴趣点组中的子兴趣点个数以及所述子兴趣点组中的分店子兴趣点个数占所述子兴趣点组中子兴趣点个数的比例对所述子兴趣点组过滤。本公开实施例提出一种连锁品牌词库生成装置,该装置包括:子兴趣点数据获取装置、子兴趣点组生成装置、候选品牌集生成装置以及连锁品牌词库生成装置。
其中,所述子兴趣点数据获取装置可以配置为获取子兴趣点数据,所述子兴趣点数据包括子兴趣点的名称信息和类别信息;所述子兴趣点组生成装置可以配置为根据所述子兴趣点的名称信息和类别信息对所述子兴趣点进行分组,以生成子兴趣点组;所述候选品牌集生成装置可以配置为对所述子兴趣点组进行聚类,以生成候选品牌集;所述连锁品牌词库生成装置可以配置为根据所述候选品牌集确定所述连锁品牌词库。
本公开实施例提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,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上述任一项所述的连锁品牌词库生成方法。
本公开实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一项所述的连锁品牌词库方法。
本公开某些实施例提供的连锁品牌词库生成方法、装置以及电子设备,根据子兴趣点的名称信息和类别新对子兴趣点进行了分组处理,然后对分组后的子兴趣点进行聚类,生成了候选品牌集,最后基于该候选品牌集生成了连锁品牌词库。该方法,首先通过对子兴趣点数据进行分组,以便可以实现对大量的子兴趣点数据的处理,其次通过对分组后结果进行进一步的聚类处理,不仅可以提高了品牌聚类的准确率,而且提高了品牌聚类的效率。本公开实施例提供的技术方案,不仅可以根据子兴趣点数据准确的确定连锁品牌词库,而且计算量小,极大地提高了计算效率,节约了计算资源。
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
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了可以应用于本公开实施例的连锁品牌词库生成方法或连锁品牌词库生成装置的示例性系统架构的示意图。
图2是根据一示例性实施例示出的一种连锁品牌词库生成方法的流程图。
图3是图2中步骤S2在一示例性实施例中的流程图。
图4是根据一示例性实施例示出的根据子兴趣点数据生成长兴趣点组数据的示意图。
图5是图2中步骤S2在另一些实施例中的流程图。
图6是图2中步骤S3在一示例性实施例中的示意图。
图7是图6中步骤S31在一示例性实施例中的示意图。
图8是图7中步骤S311在一示例性实施例中的示意图。
图9是图7中步骤S312在一示例性实施例中的示意图。
图10是图7中步骤S312在另一示例性实施例中的示意图。
图11是图6中步骤S32在一示例性实施例中的示意图。
图12是根据是示例性实施例示出的根据子兴趣点组生成子兴趣点组簇的方法示意图。
图13是图6中步骤S33在一示例性实施例中的示意图。
图14是图13中步骤S333在一示例性实施例中的流程图。
图15是图2中步骤S4在一示例性实施例中的示意图。
图16是根据一示例性实施例示出的一种连锁品牌词库生成装置的框图。
图17是根据一示例性实施例示出的一种应用于连锁品牌词库生成装置的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在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。
本公开所描述的特征、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特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解,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。附图中所示的一些方框图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。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和步骤,也不是必须按所描述的顺序执行。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本说明书中,用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等;用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”、“第二”和“第三”等仅作为标记使用,不是对其对象的数量限制。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出了可以应用于本公开实施例的连锁品牌词库生成方法或连锁品牌词库生成装置的示例性系统架构的示意图。
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。其中,终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理,并将处理结果反馈给终端设备。
服务器105可例如获取子兴趣点数据,所述子兴趣点数据包括子兴趣点的名称信息和类别信息;根据所述子兴趣点的名称信息和类别信息对所述子兴趣点进行分组,以生成子兴趣点组;对所述子兴趣点组进行聚类,以生成候选品牌集;根据所述候选品牌集确定所述连锁品牌词库。
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,服务器105可以是一个实体的服务器,还可以为多个服务器组成,根据实际需要,可以具有任意数目的终端设备、网络和服务器。
本公开实施例涉及了人工智能(Artificial Intelligence,AI)技术,所述人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习(Machine Learning,ML)等几大方向。
其中,机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
图2是根据一示例性实施例示出的一种连锁品牌词库生成方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理,例如上述图1实施例中的服务器105和/或终端设备102、103,在下面的实施例中,以服务器105为执行主体为例进行举例说明,但本公开并不限定于此。
参照图2,本公开实施例提供的连锁品牌词库生成方法可以包括以下步骤。
在步骤S1中,获取子兴趣点数据,所述子兴趣点数据包括子兴趣点的名称信息和类别信息。
兴趣点可以指的是用户感兴趣或对用户有实际用途的特点的地理位置点。在地里信息系统(例如地图)中,一个兴趣点可以指的是一栋房子,一个商铺、一个邮筒或者一个公交站等。
在一些实施例中,所述兴趣点数据可以包括以下数据:名称、类别、位置、所处城市以及点击信息等,其中类别可以包括一级类别、二级类别等。
在一些实施例中,所述子兴趣点可以指的是从不同平台获取的兴趣点数据,例如,可以从XX点评、XX地图等平台获取他们的兴趣点数据。
在一些实施例中,可以通过去重、合并等操作将从不同平台获取的子兴趣点数据生成用户需要的兴趣点数据。
在步骤S2中,根据所述子兴趣点的名称信息和类别信息对所述子兴趣点进行分组,以生成子兴趣点组。
在步骤S3中,对所述子兴趣点组进行聚类,以生成候选品牌集。
在一些实施例中,所述子兴趣点组包括名称和类别信息,可以根据所述子兴趣点的名称信息和类别信息对所述子兴趣点组进行聚类,以生成所述候选品牌集。
在步骤S4中,根据所述候选品牌集确定所述连锁品牌词库。
本公开某些实施例提供的连锁品牌词库生成方法根据子兴趣点的名称信息和类别新对子兴趣点进行了分组处理,然后对分组后的子兴趣点进行聚类,生成了候选品牌集,最后基于该候选品牌集生成了连锁品牌词库。该方法,首先通过对子兴趣点数据进行分组,以便可以实现对大量的子兴趣点数据的处理,其次通过对分组后结果进行进一步的聚类处理,不仅可以提高了品牌聚类的准确率,而且提高了品牌聚类的效率。本公开实施例提供的技术方案,不仅可以根据子兴趣点数据准确的确定连锁品牌词库,而且计算量小,极大地提高了计算效率,节约了计算资源。
图3是图2中步骤S2在一示例性实施例中的流程图。
在一些实施例中,所述子兴趣点数据包括子兴趣点的点击信息,所述点击信息可例如是点击次数。参考图3,上述步骤S2可以包括以下步骤。
在步骤S21中,根据所述子兴趣点的点击信息和类别信息对所述子兴趣点进行过滤。
在一些实施例中,可以将预设时间内点击次数小于点击阈值的子兴趣点数据过滤。例如,可以将90天内点击次数少于50次的子兴趣点数据过滤。
在一些实施例中,可以过滤掉一些类别不是品牌类别的子兴趣点数据。例如,可以将一些类别为道路、房子、大厦以及邮筒的子兴趣点数据过滤。
通过上述过滤操作可以减少所述子兴趣点数据中的噪音,降低数据规模,降低操作难度。
在步骤S22中,若所述子兴趣点的名称信息中包括分店信息和/或英文信息,并且所述子兴趣点的名称信息中包括与所述英文信息对应的中文信息,则去除所述子兴趣点的名称信息中的分店信息和/或英文信息。
在一些实施例中,可以对所述子兴趣的名称信息进行成分分析,以获得所述子兴趣点的名称信息中的主要成分(例如,核心词、业务词、分店词等)。比如,可以使用NLP(Natural Language Processing,自然语言处理)对所述子兴趣点的名称信息进行分析。
在相关技术中,NLP是人工智能的一个子领域。
在一些实施例中,通过NLP技术对子兴趣点的名称信息进行分析可以获得所述子兴趣点的核心词以及业务词(如果该名称中包括业务词)。
本公开实施例中,所述子兴趣点的核心词可以指的是所述子兴趣点的名称信息中区别于其他名称信息的主要特征。例如“北京香格里拉酒店酒店机场”名称中的“香格里拉”就是一个可以区别于其他名称的核心词。
另外,所述子兴趣点的业务词可以指的是所述子兴趣点的名称中所指代的业务内容。例如,“XX科技有限公司”中的“科技”可以是该名称中的业务词。
可以理解的是,所述子兴趣点的名称信息中可以包括所述业务词,也可以不包括所述业务词。
在一些实施例中,所述子兴趣点的名称信息中可以包括分店信息(例如,名称“肯德基西单店”就包括“西单店”这个分店信息)和/或英文信息,并且所述子兴趣点的名称信息中包括与所述英文信息对应的中文信息(例如,名称“肯德基KFC”不仅包括英文信息,而且还包括与之对应的中文信息“肯德基”),则去除所述子兴趣点的名称信息中的分店信息和/或英文信息。例如,对名称“肯德基KFC西单店,美食:小吃快餐”进行处理后就会变成“肯德基,美食:小吃快餐”。
在步骤S23中,根据处理后的子兴趣点信息对所述子兴趣点进行分组。
在一些实施例中,可以将处理后的名称信息和类别信息相同的子兴趣点分到一组,以形成所述子兴趣点组。其中,所述子兴趣点组的名称信息和类别信息可以所述子兴趣点数据是处理后的名称信息和类别信息
如图4所示,假设所述子兴趣点信息包括:“肯德基,美食:小吃快餐”、“肯德基KFC,美食:小吃快餐”、“肯德基餐厅西单店,美食:其它美食”、“肯德基(前门大街店),美食:小吃快餐”、“肯德基,美食:其他美食”以及“肯德基餐厅,美食:其它美食”等。对上述子兴趣点数据进行处理后,所述“肯德基KFC,美食:小吃快餐”变成了“肯德基,美食:小吃快餐”所述“肯德基餐厅西单店,美食:其它快餐”变成了“肯德基餐厅,美食:其它美食”等。
图5是图2中步骤S2在另一些实施例中的流程图。
在一些实施例中,所述子兴趣点组包括分店子兴趣点。参考图5,上述步骤S2可以包括以下步骤。
在步骤S24中,获取所述子兴趣点组中的兴趣点个数。
在步骤S25中,获取所述子兴趣点组中的分店子兴趣点占所述子兴趣点组中子兴趣点个数的比例。
在一些实施例中,所述分店子兴趣点可以指的是名称信息中包括分店信息的子兴趣点数据,例如“肯德基西单店”就包括分店信息“西单店”就是一种分店子兴趣点数据。
在一些实施例中,可以统计所述子兴趣点组中包括分店信息的子兴趣点数据占所述子兴趣点组中子兴趣点个数的比例。
在步骤S26中,根据所述子兴趣点组中的子兴趣点个数以及所述子兴趣点组中的分店子兴趣点个数占所述子兴趣点组中子兴趣点个数的比例对所述子兴趣点组过滤。
在一些实施例中,可以将子兴趣点数据的个数少于个数阈值(例如3)的子兴趣点组过滤,也可以将分店子兴趣点个数占所述兴趣点组中子兴趣点个数的比例小于比例阈值(例如0.2)的子兴趣点组过滤。
在一些实施例中,可以将一些明显不是品牌的的子兴趣点组过滤,如图3中“韩式肯德基,美食:小吃快餐”对应的子兴趣点组就明显不是品牌数据。
上述实施例提供的方法可以通过简单的过滤,减少待形成品牌的子兴趣点组的数量,不仅可以提高处理速度,还可以提高处理精度。
图6是图2中步骤S3在一示例性实施例中的示意图。参考图6,上述步骤S3可以包括以下步骤。
在步骤S31中,确定所述子兴趣点组之间的相似度。
在一些实施例中,可以获取所有子兴趣点组之间的相似度,也可以首先获取所述子兴趣点组的相似子兴趣点组,然后确定所述子兴趣点组与其相似子兴趣点组的相似度。
在步骤S32中,根据所述子兴趣点组之间的相似度将所述子兴趣点组生成子兴趣点组簇。
在一些实施例中,可以根据广度优先的极大联通子图算法将相似度大于相似阈值的子兴趣点组连接,以生成子兴趣点组簇。
在步骤S33中,根据所述子兴趣点组簇生成所述候选品牌集。
本公开实施例,根据子兴趣点组之间的相似度成簇,可以将相似度足够高的子兴趣点组聚类,提高了品牌聚类的准确度。另外,根据相似度将所述子兴趣点组生成所述子兴趣点组簇,可以减少运算量,提高运算速度。
图7是图6中步骤S31在一示例性实施例中的示意图。
在一些实施例中,所述子兴趣点组包括目标子兴趣点组。例如,可以在所有的子兴趣点组任意确定一个子兴趣点组作为所述目标子兴趣点组。如图7所示,上述步骤S31可以包括以下步骤。
在步骤S311中,确定所述目标子兴趣点组的相似子兴趣点组。
在一些实施例中,确定所有子兴趣点组两两之间的相似度,工作量过大。为了减少工作量,可以首先确定各个子兴趣点组的相似兴子趣点组,然后确定各个子兴趣点组及其相似子兴趣点组之间的相似度。
在步骤S312中,确定所述目标子兴趣点组与其相似子兴趣点组之间的相似度。
本公开实施例,首先确定了目标子兴趣点组的相似子兴趣点组,然后获取目标子兴趣点组与其相似子兴趣点组的相似度,相比于获取目标子兴趣点相对于其它所有子兴趣点组之间的相似度,可以节约计算量,提供效率。
图8是图7中步骤S311在一示例性实施例中的示意图。
在一些实施例中,所述子兴趣点组包括名称信息。参考图8,上述步骤S311可以包括以下步骤。
在步骤S3111中,获取各个子兴趣点组的名称信息中的核心词;
在一些实施例中,可以通过NLP技术获取各个子兴趣点组的名称信息中的核心词。
在步骤S3112中,将核心词与所述目标子兴趣点组的核心词有交集的子兴趣点组和/或核心词与所述目标子兴趣点组的核心词是同义词的子兴趣点组,作为所述目标子兴趣点组的相似子兴趣点组。
在一些实施例中,可以根据各个子兴趣点组的核心词建立各个子兴趣点组的倒排索引,即将包含同一核心词的子兴趣点组放在一起,以便进行核心词的匹配。
在一些实施例中,可以将核心词与所述目标子兴趣点组的核心词有交集的子兴趣点组作为所述目标子兴趣点组的相似子兴趣点组。例如,可以将核心词为“肯德基餐厅”的子兴趣点组作为核心词为“肯德基”的目标子兴趣点组的相似子兴趣点组。
在一些实施例中,可以将核心词与所述目标子兴趣点组的核心词是同义词的子兴趣点组作为所述目标子兴趣点组的相似子兴趣点组。
本公开实施例,通过核心词的相似性确定了所述目标子兴趣点组的相似子兴趣点组。
在一些实施例中,若所述目标子兴趣点组的相似子兴趣点组的个数大于第二阈值,则将核心词包含或被包含于所述目标子兴趣点组的核心词的子兴趣点组,作为所述目标子兴趣点组的相似子兴趣点组。
例如,若通过上述实施例确定的目标子兴趣点组的相似子兴趣点组的个数大于第二阈值1000,则舍弃上述目标子兴趣点组的相似子兴趣点组,并且选择将核心词包含或被包含于所述目标子兴趣点组的核心词的子兴趣点组,作为所述目标子兴趣点组的相似子兴趣点组。
在一些实施例中,所述子兴趣点组包括类别信息。
在一些实施例中,可以人为设定一个类别兼容表,例如“美食”类别与“其它美食”类别互相兼容,而“美食类别”类别与“日用品”类别互不兼容。
在一些实施例中,可以根据所述子兴趣点组的类别信息,将类别与所述目标子兴趣点组的类别不兼容的相似子兴趣点组过滤。
图9是图7中步骤S312在一示例性实施例中的示意图。参考图9,上述步骤S312在本实施例中可以包括以下步骤。
在步骤S3121中,通过神经网络模型对所述目标子兴趣点组及其相似子兴趣点组进行处理,获得所述目标子兴趣点组与其相似子兴趣点组之间的相似度。
在一些实施例中,可以使用XGBoost(eXtreme Gradient Boosting,极端梯度增加)的二分类模型对所述目标子兴趣点组及其相似子兴趣点组进行处理,获得所述目标子兴趣点组与其相似子兴趣点组之间的相似度。
在一些实施例中,可以将所述目标子兴趣点组及其相似子兴趣点组输入所述XGBoost模型中后,所述XGBoost模型会输出所述目标子兴趣点组的相似子兴趣点组与所述目标子兴趣点组属于同一品牌的概率。
在一些实施例中,可以利用训练数据集训练所述神经网络模型。其中,所述训练数据集可以包括正例和反例,所述正例包括属于同一兴趣点的两个子兴趣点,所述反例不包括属于同一兴趣点的两个子兴趣点。
在一些实施例中,可以从所述子兴趣点组中任意选取一定数量的子兴趣点做作为样本子兴趣点组,例如,可以从所述子兴趣点组中选择5%的子兴趣点组作为所述样本子兴趣点组。
在一些实施例中,可以将核心词与所述样本子兴趣点组的核心词有交集的子兴趣点组和/或核心词与所述样本子兴趣点组的核心词是同义词的子兴趣点组,作为所述目标子兴趣点组的相似子兴趣点组。
在一些实施例中,可以判断所述样本子兴趣点组与所述样本子兴趣点组的相似子兴趣点组中是否包括属于同一个兴趣点的两个子兴趣点,如果是,则所述样本子兴趣点组与所述样本子兴趣点组的相似子兴趣点组就可以组成正例,如果不是,则所述样本子兴趣点组与所述样本子兴趣点组的相似子兴趣点组就可以组成反例。例如,假设子兴趣点组rb1中包括子兴趣点数据pp1,子兴趣点组rb2中包括子兴趣点数据pp2,并且pp1和pp2同属于同一个兴趣点,那么可以认为子兴趣点组rb1和子兴趣点组rb2可以组成一个正例。
根据本实施例提供的方法,一方面在所述子兴趣点组中随机确定了一定数量的样本子兴趣点组,另一方面通过核心词的相似性确定了样本子兴趣点组的相似子兴趣点组,最后根据所述样本子兴趣点组及其相似子兴趣点组确定了所述训练数据集中的正例和反例。
图10是图7中步骤S312在另一示例性实施例中的示意图。参考图10,上述步骤S312在本实施例中还可以包括以下步骤。
在一些实施例中,所述相似度包括第一值(所述第一值可例如为0),所述目标子兴趣点组及其相似子兴趣点组均包括名称信息和类别信息。
在步骤S3122中,根据所述目标子兴趣点组及其相似子兴趣点组的名称信息确定所述目标子兴趣点组及其相似子兴趣点组的核心词和业务词。
在一些实施例中,可以使用NLP技术确定所述目标子兴趣点组及其相似子兴趣点组的名称中的核心词和业务词。
在步骤S3123中,当所述目标子兴趣点组及其相似子兴趣点组的类别信息不兼容、所述目标子兴趣点组及其相似子兴趣点组的类别信息不同、所述目标子兴趣点组及其相似子兴趣点组的核心词不同且不为同义词、所述目标子兴趣点组及其相似子兴趣点组的业务词不同且不为同义词,则所述目标子兴趣点组与其相似子兴趣点组的相似度为所述第一值。
在一些实施例中,当所述目标子兴趣点组及其相似子兴趣点组可以满足以下条件之一时,所述目标子兴趣点组及其相似子兴趣点组的相似度可以为所述第一值,其中所述第一值可例如为0。
1、所述目标子兴趣点组的相似子兴趣点组的类别信息与所述目标子兴趣点组的类别信息不同。
2、所述目标子兴趣点组的相似子兴趣点组的类别信息与所述目标子兴趣点组的类别信息不兼容。
3、所述目标子兴趣点组的相似子兴趣点组的核心词与所述目标子兴趣点组的核心词不同且所述子兴趣点组的核心词与所述目标子兴趣点组的核心词不为同义词。
4、所述目标子兴趣点组的相似子兴趣点组的业务词与所述目标子兴趣点组的业务词不同或所述子兴趣点组的业务词与所述目标子兴趣点组的业务词不为同义词。
本公开实施例通过所述目标子兴趣点及其相似子兴趣点的核心词、业务词以及类别信息之间的关系,确定了所述目标子兴趣点及其相似子兴趣点的相似度。
图11是图6中步骤S32在一示例性实施例中的示意图。
在一些实施例中,所述子兴趣点组包括目标子兴趣点组。参考图11,上述步骤S32可以包括以下步骤。
在步骤S321中,若所述子兴趣点组与所述目标子兴趣点组的相似度大于第一阈值,则将所述子兴趣点组与所述目标子兴趣点组连接。
在一些实施例中,所述第一阈值可例如为0.3。
在一些实施例中,可以通过广度优先的极大联通子图算法,将与所述目标子兴趣点组的相似度大于第一阈值的子兴趣点组与所述目标子兴趣点组连接。
在步骤S322中,将各个与所述目标子兴趣点组连接的子兴趣点组分别作为所述目标子兴趣点组,以继续生成所述子兴趣点组簇。
在一些实施例中,所述目标子兴趣点组可以与多个子兴趣点组连接。
在一些实施例中,可以将各个与所述目标子兴趣点组连接的子兴趣点组分别作为所述目标子兴趣点组,然后继续执行上述步骤S321以确定可与新目标子兴趣点组连接的子兴趣点组。重复上述步骤,直至不存在与所述目标子兴趣点组的相似度大于第一阈值的子兴趣点组,在所述子兴趣点组簇生成。
在一些实施例中,在使用广度优先的极大联通子图算法是,可以遵守以下规则。
1、名称范围过大的子兴趣点组作为所述子兴趣点簇的起点。所述名称范围过大可以指的是一个名称可能会被多种类别的兴趣点组使用。例如,“兄弟XX”、“阳光XX”等。
2、将银行金融类的子兴趣点组作为所述子兴趣点组簇的起点。
3、与所述目标子兴趣点组连接的子兴趣点组的名称范围要大于所述目标子兴趣点的名称范围。例如“XX农业银行”要连接在“农业银行”之后。
4、与所述目标子兴趣点组连接的子兴趣点组的类别信息要与所述目标子兴趣点组的类别信息兼容。
5、所述子兴趣点组簇的长度不要超过长度阈值,所述长度阈值可例如为8。
图12是根据是示例性实施例示出的根据子兴趣点组生成子兴趣点组簇的方法示意图。
参考图12,根据子兴趣点组生成子兴趣点组簇的方法可以包括以下步骤。
在步骤S1201中,获取目标子兴趣点组。
在一些实施例中,可以在所述子兴趣点组中任意选择一个子兴趣点组作为所述目标子兴趣点组。
在步骤S1202中,确定各个子兴趣点组与所述目标子兴趣的组的相似度。
在一些实施例中,可以通过神经网络模型确定各个子兴趣点组与所述目标子兴趣点组的相似的。
在另外一些实施例中,还可以首先获取所述目标子兴趣点组的相似子兴趣点组,然后确定所述目标子兴趣点组及其相似子兴趣点点组之家的相似度。
在步骤S1203中,判断是否存在与所述目标子兴趣点组的相似度大于第一阈值的子兴趣点组。
在一些实施例中,若不存在与所述目标子兴趣点组的相似度大于第一阈值的子兴趣点组,则执行步骤S1204。
在另外一些实施例中,还可以判断所述目标子兴趣点组的相似子兴趣点组与所述目标子兴趣点组的相似度是否大于所述第一阈值,如果不大于,则执行步骤S1204。
在步骤S1204中,子兴趣点组簇生成结束。
在一些实施例中,若存在与所述目标子兴趣点组的相似度大于第一阈值的子兴趣点组,则执行步骤S1205。
在另外一些实施例中,还可以判断所述目标子兴趣点组的相似子兴趣点组与所述目标子兴趣点组的相似度是否大于所述第一阈值,如果大于,则执行步骤S1205。
在步骤S1205中,将与所述目标子兴趣点组的相似度大于第一阈值的子兴趣点组与所述目标子兴趣点组连接。
在另外一些实施例中,可以将与所述目标子兴趣点组的相似度大于第一阈值的目标子兴趣点组的相似子兴趣点组连接。
在步骤S1206中,将各个与所述目标子兴趣点组连接的子兴趣点组分别作为所述目标子兴趣点组。
在一些实施例中,可以重复执行步骤S1202~1206,直至所述子兴趣点组成生成结束。
本公开实施例根据相似度将所述子兴趣点组生成子兴趣点组簇。
在一些实施例中,可以选择所述子兴趣点组簇中子兴趣点数据最多的子兴趣点组的名称信息和类别信息作为所述子兴趣点组簇的名称信息和类别信息。
图13是图6中步骤S33在一示例性实施例中的示意图。
在一些实施例中,所述子兴趣点组簇中可能会包括多种不同的品牌,导致簇内品牌杂乱。因此,需要对所述子兴趣点组簇进行簇优化。
在一些实施例中,所述子兴趣点组簇中的子兴趣点组包括名称信息和类别信息。参考图13,上述步骤S33可以包括以下步骤。
在步骤S331中,获取各个子兴趣点组的名称信息中的核心词和业务词。
在一些实施例中,可以通过NLP技术对各个子兴趣点组的名称信息进行分析,以获得各个子兴趣点组的核心词以及业务词(如果该名称中包括业务词)。
在步骤S332中,若所述子兴趣点组簇中的子兴趣点组的核心词是品牌词,则将其对应的子兴趣点组合并成第一子簇。
在本公开实施例中,所述“核心词是品牌词”可以指的是名称中只包括品牌名。例如,假设所述子兴趣点组的名称中只包括“肯德基”,而“肯德基”又是一个品牌的名称,则该子兴趣点组就可以并入所述第一子簇。
在一些实施例中,可以将各子兴趣点组簇中核心词是品牌词的子兴趣点组分别生成第一子簇。
在步骤S333中,若所述子兴趣点组簇中的子兴趣点组的核心词不是品牌词,则将其对应的子兴趣点组合并成第二子簇。
在一些实施例中,可以将各子兴趣点组簇中核心词不是品牌词的子兴趣点组分别生成第二子簇。可以理解的是,“核心词不是品牌词”可以指的是核心词中不仅包括品牌词还包括其它信息,还可以指的是核心词中完全没有品牌词,仅包括其它信息等。
例如,假设所述子兴趣点组的名称为“肯德基餐厅酒店”,则该名称信息中的核心词为“肯德基餐厅”,那么该核心词中不仅包括品牌名“肯德基”,还包括了品牌名之外的“餐厅”等,其中“餐厅”可以认为是该子兴趣点组的业务词。因此,可以将上述核心词不是品牌词的子兴趣点组合并成第二子簇。
在步骤S334中,将所述第二子簇中核心词、业务词以及类别信息一致的子兴趣点组聚类以生成第一目标子簇。
在步骤S335中,根据预设条件将所述第一目标子簇聚类,以获取第二目标子簇及其核心词。
在步骤S336若所述第一子簇中的子兴趣点组的核心词与所述第二目标子簇的核心词有交集或者互为同义词,则将所述第一子簇中的子兴趣点组并入所述第二目标子簇中,以生成所述候选品牌集。
在一些实施例中,若所述第一子簇中的子兴趣点组的核心词与所述目标簇的核心词既没有交集也不互为同义词,则将所述第一子簇中的子兴趣点组单独成簇,以生成所述候选品牌集。
在一些实施例中,可以选择所述第一子簇中子兴趣点数据最多的子兴趣点组的名称信息和类别信息作为所述第一子簇的名称信息和类别信息。
图14是图13中步骤S333在一示例性实施例中的流程图。
在一些实施例中,所述第一目标子簇包括类别信息以及目标分布城市信息,所述第一目标子簇包括指定簇。
在一些实施例中,所述类别信息可以包括一级类别信息和二级类别信息。例如,“美食:小吃美食”是一个类别信息,其中“美食”是一级类别信息,“小吃美食”是二级类别信息。可以理解的是每种一级类别信息可以对应多种二级类别信息,例如一级类别信息“美食”可以对应包括例如“小吃美食”、“快餐美食”、“火锅美食”等多个二级类别信息。
在一些实施例中,所述目标分布城市可以指的是所述第一目标子簇中子兴趣点数据分布最多的前三个城市。
参考图14,上述步骤S333可以包括以下步骤。
在步骤S3331中,在所述第一目标子簇中确定所述指定簇的相似簇。
在一些实施例中,所述指定簇及其相似簇均包括名称信息和类别信息。
在一些实施例中,可以根据各第一目标子簇的名称信息确定各第一子目标簇的核心词;然后将核心词与所述指定簇的核心词有交集的第一目标子簇和/或核心词与所述指定簇的核心词是同义词的第一目标子簇,作为所述指定簇的相似簇。
在步骤S3332中,根据所述指定簇及其相似簇的名称信息确定所述指定簇及其相似簇的业务词。
在一些实施例中,可以使用NLP技术确定所述指定簇及其相似簇的名称信息中的业务词。
在步骤S333中,若所述指定簇与其相似簇的目标分布城市信息有交集,且所述指定簇的相似簇的业务词和类别词对应包含于所述指定簇的业务词和类别词、所述指定簇与其相似簇的业务词和类别词的文字重复率超过第三阈值或者所述指定簇与其相似簇的业务词和类别词的文字重复率小于所述第三阈值并大于第四阈值且所述指定簇及其相似簇的类别信息相同,则将所述指定簇及其相似簇合并,以生成所述第二目标子簇。
在一些实施例中,若所述指定簇及其相似簇的目标分布城市有交集,且满足以下条件之一,则可以将所述指定簇与其相似簇合并。
1、所述指定簇的相似簇的业务词和类别词对应包含所述指定簇的业务词和类别词。例如,指定簇的名称为“农业银行”、类别为“银行”,而该指定簇的相似簇的名称为“XX农业银行”、类别为“银行”,则可以将所述指定簇与其相似簇合并。
2、所述指定簇与其相似簇的业务词和类别词的文字重复率超过第三阈值。
3、所述指定簇与其相似簇的业务词和类别词的文字重复率小于所述第三阈值并大于第四阈值且所述指定簇及其相似簇的类别信息相同。
在一些实施例中,所述第三阈值可以指的是50%,所述第四阈值可以指的是10%。
在一些实施例中,所述指定簇及其相似簇的类别信息相同指的是,所述指定簇及其相似簇的类别相同且不为“其它”。
图15是图2中步骤S4在一示例性实施例中的示意图。
在一些实施例中,所述候选品牌集中的子兴趣点数据包括点击信息,所述候选品牌集包括名称信息,所述候选品牌集包括分店子兴趣点。
在一些实施例中,可以将所述候选品牌集中子兴趣点个数最多的子兴趣点组的名称和类别作为所述候选品牌集的名车行和类别,可以将所有子兴趣点个数大于预设个数的子兴趣点组的名称和类别作为所述候选品牌集的别名和疑似分类。
参考图15,上述步骤S4在本实施例中,可以包括以下步骤。
在步骤S41中,根据所述候选品牌集中的子兴趣点数据的点击信息确定所述候选品牌集的点击信息。
在一些实施例中,所述点击信息可以指的是点击次数。
在一些实施例中,可以将所述候选品牌集中的子兴趣点数据的总点击次数作为所述候选品牌集的点击次数。
在步骤S42中,获取所述候选品牌集的名称信息中的核心词和所述候选品牌集中的子兴趣点个数。
在步骤S43中,确定所述候选品牌集的分店子兴趣点的个数占所述候选品牌集中子兴趣点个数的比例。
在步骤S44中,根据所述分店子兴趣点的个数占所述候选品牌集中子兴趣点个数的比例、所述候选品牌集的核心词、所述候选品牌集的点击信息以及所述候选品牌集的子兴趣点个数对所述候选品牌集过滤。
在一些实施例中,可以将所述分店子兴趣点的个数占所述候选品牌集中子兴趣点个数的比例低于比例阈值的候选品牌集过滤。
在一些实施例中,可以将名称中没有核心词的候选品牌集过滤。
在一些实施例中,可以将90天内点击次数为0的候选品牌集过滤。
在一些实施例中,可以将子兴趣点个数少于预设个数阈值的候选品牌集过滤。
本公开实施例可以过滤掉一些错误的候选连锁品牌集,以提高最后生成的连锁品牌词库的准确性。
在一些实施例中,当完成对所述候选品牌集的过滤后,可以根据过滤后的候选品牌集的名称信息生成所述连锁品牌词库。
图16是根据一示例性实施例示出的一种连锁品牌词库生成装置的框图。参照图1600,本公开实施例提供的连锁品牌词库生成装置1600可以包括子兴趣点数据获取模块1601、子兴趣点组生成模块1602、候选品牌集生成模块1603以及连锁品牌词库生成模块1604。
其中,所述子兴趣点数据获取模块1601可以配置为获取子兴趣点数据,所述子兴趣点数据包括子兴趣点的名称信息和类别信息;所述子兴趣点组生成模块1602可以配置为根据所述子兴趣点的名称信息和类别信息对所述子兴趣点进行分组,以生成子兴趣点组;所述候选品牌集生成模块1603可以配置为对所述子兴趣点组进行聚类,以生成候选品牌集;所述连锁品牌词库生成模块1604可以配置为根据所述候选品牌集确定所述连锁品牌词库。
在一些实施例中,候选品牌集生成装置1603可以包括:相似度确定子模块、子兴趣点簇生成子模块以及候选品牌集生成子模块。
其中,所述相似度确定子模块可以配置为确定所述子兴趣点组之间的相似度;所述子兴趣点簇生成子模块可以配置为根据所述子兴趣点组之间的相似度将所述子兴趣点组生成子兴趣点组簇;所述候选品牌集生成子模块可以配置为根据所述子兴趣点组簇生成所述候选品牌集。
在一些实施例中,所述子兴趣点组包括目标子兴趣点组。
在一些实施例中,所述子兴趣点簇生成子模块可以包括:子兴趣点连接单元和目标子兴趣点生成单元。
其中,所述子兴趣点连接单元可以配置为若所述目标子兴趣点组与其相似子兴趣点组之间的相似度大于第一阈值,则将所述目标子兴趣点组与其相似子兴趣点组连接;所述目标子兴趣点生成单元可以配置为将所述目标子兴趣点组的各个相似子兴趣点组分别作为所述目标子兴趣点组,以继续生成所述子兴趣点组簇。
在一些实施例中,所述子兴趣点组包括目标子兴趣点组。
在一些实施例中,所述相似度确定子模块可以配置可以包括:相似子兴趣点组确定单元和相似度确定单元。
其中,所述相似子兴趣点确定单元可以配置为确定所述目标子兴趣点组的相似子兴趣点组;所述相似度确定单元可以配置为确定所述目标子兴趣点组与其相似子兴趣点组之间的相似度。
在一些实施例中,所述子兴趣点组包括名称信息。
在一些实施例中,所述相似子兴趣点确定单元可以包括:核心词确定子单元、第一相似子兴趣点确定子单元。
其中,所述核心词确定子单元可以配置为获取各个子兴趣点组的名称信息中的核心词;所述第一相似子兴趣点确定单元可以配置为将核心词与所述目标子兴趣点组的核心词有交集的子兴趣点组和/或核心词与所述目标子兴趣点组的核心词是同义词的子兴趣点组,作为所述目标子兴趣点组的相似子兴趣点组。
在一些实施例中,所述相似子兴趣点确定单元还可以包括:第二相似子兴趣点确定单元。
其中,所述第二相似子兴趣点确定单元可以配置为若所述目标子兴趣点组的相似子兴趣点组的个数大于第二阈值,则将核心词包含或被包含于所述目标子兴趣点组的核心词的子兴趣点组,作为所述目标子兴趣点组的相似子兴趣点组。
在一些实施例中,所述子兴趣点组包括类别信息。
在一些实施例中,所述相似子兴趣点确定单元还可以包括:第一过滤子单元。
其中,所述第一过滤子单元可以配置为根据所述子兴趣点组的类别信息,将类别与所述目标子兴趣点组的类别不兼容的相似子兴趣点组过滤。
在一些实施例中,所述相似度确定单元可以包括:神经网络处理子单元。
其中,所述神经网络处理子单元可以配置为通过神经网络模型对所述目标子兴趣点组及其相似子兴趣点组进行处理,获得所述目标子兴趣点组与其相似子兴趣点组之间的相似度。
在一些实施例中,所述相似度确定单元还可以包括:训练集获取单元和训练单元。
其中,所述训练集获取子单元可以配置为获取训练数据集,所述训练数据集包括正例和反例,所述正例包括属于同一兴趣点的两个子兴趣点,所述反例包括不属于同一兴趣点的两个子兴趣点;所述训练子单元可以配置为利用所述训练数据集训练所述神经网络模型。
在一些实施例中,所述相似度包括第一值,所述子兴趣点组包括名称信息和类别信息。
在一些实施例中,所述相似度确定单元还可以包括:第一名称处理子单元、相似度确定子单元。
其中,所述名称处理子单元可以配置为根据所述目标子兴趣点组及其相似子兴趣点组的名称信息确定所述目标子兴趣点组及其相似子兴趣点组的核心词和业务词;所述第一相似度确定子单元可以配置为当所述目标子兴趣点组及其相似子兴趣点组的类别信息不兼容、所述目标子兴趣点组及其相似子兴趣点组的类别信息不同、所述目标子兴趣点组及其相似子兴趣点组的核心词不同且不为同义词、所述目标子兴趣点组及其相似子兴趣点组的业务词不同且不为同义词,则所述目标子兴趣点组与其相似子兴趣点组的相似度为所述第一值。
在一些实施例中,所述子兴趣点组簇中的子兴趣点组包括名称信息和类别信息。
在一些实施例中,候选品牌集生成子模块可以包括:第二名称处理单元、第一子簇合生成单元、第二子簇生成单元、第一目标子簇生成单元、聚类单元、候选品牌集生成单元。
其中,所述第二名称处理单元可以配置为获取各个子兴趣点组的名称信息中的核心词和业务词;所述第一子簇合生成单元可以配置为若所述子兴趣点组簇中的子兴趣点组的核心词是品牌词,则将其对应的子兴趣点组合并成第一子簇;所述第二子簇生成单元可以配置为若所述子兴趣点组簇中的子兴趣点组的核心词不是品牌词,则将其对应的子兴趣点组合并成第二子簇;所述第一目标子簇生成单元可以配置为将所述第二子簇中核心词、业务词以及类别信息一致的子兴趣点组聚类以生成第一目标子簇;所述聚类单元可以配置为根据预设条件将所述第一目标子簇聚类,以获取第二目标子簇及其核心词;所述候选品牌集生成单元可以配置为若所述第一子簇中的子兴趣点组的核心词与所述第二目标子簇的核心词有交集或者互为同义词,则将所述第一子簇中的子兴趣点组并入所述第二目标子簇中,以生成所述候选品牌集。
在一些实施例中,所述第一目标子簇包括类别信息以及目标分布城市信息,所述第一目标子簇包括指定簇。
在一些实施例中,所述簇合并单元可以包括:相似簇确定子单元、相似簇业务词确定子单元和第二目标子簇生成子单元。
其中,所述相似簇确定子单元可以配置为在所述第一目标子簇中确定所述指定簇的相似簇;所述相似簇业务词确定子单元可以配置为根据所述指定簇及其相似簇的名称信息确定所述指定簇及其相似簇的业务词;所述第二目标子簇生成子单元可以配置为若所述指定簇与其相似簇的目标分布城市信息有交集,且所述指定簇的相似簇的业务词和类别词对应包含于所述指定簇的业务词和类别词、所述指定簇与其相似簇的业务词和类别词的文字重复率超过第三阈值或者所述指定簇与其相似簇的业务词和类别词的文字重复率小于所述第三阈值并大于第四阈值且所述指定簇及其相似簇的类别信息相同,则将所述指定簇及其相似簇合并,以生成所述第二目标子簇。
在一些实施例中,所述候选品牌集中的子兴趣点数据包括点击信息,所述候选品牌集包括名称信息,所述候选品牌集包括分店子兴趣点。
在一些实施例中,所述连锁品牌词库生成模块1604可以包括:点击信息获取子模块、子兴趣点个数确定子模块、比例确定子模块以及第二过滤子模块。
其中,所述点击信息获取子模块可以配置为根据所述候选品牌集中的子兴趣点数据的点击信息确定所述候选品牌集的点击信息;所述子兴趣点个数确定子模块可以配置为获取所述候选品牌集的名称信息中的核心词和所述候选品牌集中的子兴趣点个数;所述比例确定子模块可以配置为确定所述候选品牌集的分店子兴趣点的个数占所述候选品牌集中子兴趣点个数的比例;所述第二过滤子模块可以配置为根据所述分店子兴趣点的个数占所述候选品牌集中子兴趣点个数的比例、所述候选品牌集的核心词、所述候选品牌集的点击信息以及所述候选品牌集的子兴趣点个数对所述候选品牌集过滤。
在一些实施例中,所述子兴趣点数据包括子兴趣点的点击信息。
所述子兴趣点组生成模块1602可以包括:第三过滤单元、信息处理单元以及分组单元。
其中,所述第三过滤单元可以配置为根据所述子兴趣点的点击信息和类别信息对所述子兴趣点进行过滤;所述信息处理单元可以配置为若所述子兴趣点的名称信息中包括分店信息和/或英文信息,并且所述子兴趣点的名称信息中包括与所述英文信息对应的中文信息,则去除所述子兴趣点的名称信息中的分店信息和/或英文信息;所述分出单元可以配置为根据处理后的子兴趣点信息对所述子兴趣点进行分组。
在一些实施例中,所述子兴趣点组包括分店子兴趣点。
在一些实施例中,所述子兴趣点组生成模块1602可以包括:兴趣点个数获取子模块、比例个数获取子模块以及第四过滤子模块。
其中,所述兴趣点个数获取子模块可以配置为获取所述兴趣点组中的兴趣点个数;所述比例个数获取子模块可以配置为获取所述子兴趣点组中的分店子兴趣点占所述兴趣点组中子兴趣点个数的比例;所述第四过滤模块可以配置为根据所述子兴趣点组中的兴趣点个数比例以及所述子兴趣点组中的分店子兴趣点个数占所述子兴趣点组中子兴趣点个数的比例对所述子兴趣点组过滤。
由于本公开的示例实施例的连锁品牌词库生成装置1600的各个功能模块与上述连锁品牌词库生成方法的示例实施例的步骤对应,因此在此不再赘述。
下面参考图17,其示出了适于用来实现本申请实施例的终端设备的计算机系统1700的结构示意图。图17示出的终端设备仅仅是一个示例,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17所示,计算机系统1700包括中央处理单元(CPU)1701,其可以根据存储在只读存储器(ROM)1702中的程序或者从储存部分1708加载到随机访问存储器(RAM)1703中的程序而执行各种适当的动作和处理。在RAM 1703中,还存储有系统1700操作所需的各种程序和数据。CPU 1701、ROM 1702以及RAM 1703通过总线1704彼此相连。输入/输出(I/O)接口1705也连接至总线1704。
以下部件连接至I/O接口1705:包括键盘、鼠标等的输入部分1706;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1707;包括硬盘等的储存部分1708;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1709。通信部分1709经由诸如因特网的网络执行通信处理。驱动器1710也根据需要连接至I/O接口1705。可拆卸介质1711,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1710上,以便于从其上读出的计算机程序根据需要被安装入储存部分1708。
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存储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1709从网络上被下载和安装,和/或从可拆卸介质1711被安装。在该计算机程序被中央处理单元(CPU)1701执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读存储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存储介质,该计算机可读存储介质可以发送、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。计算机可读存储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。
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,上述模块、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,框图或流程图中的每个方框、以及框图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模块和/或子模块和/或单元和/或子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。所描述的模块和/或子模块和/或单元和/或子单元也可以设置在处理器中,例如,可以描述为:一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中,这些模块和/或子模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或子模块和/或单元和/或子单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读存储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一个该设备执行时,使得该设备可实现功能包括:取子兴趣点数据,所述子兴趣点数据包括子兴趣点的名称信息和类别信息;根据所述子兴趣点的名称信息和类别信息对所述子兴趣点进行分组,以生成子兴趣点组;对所述子兴趣点组进行聚类,以生成候选品牌集;根据所述候选品牌集确定所述连锁品牌词库。
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,本公开实施例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,包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法,例如图2的一个或多个所示的步骤。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其他实施例。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申请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权利要求指出。
应当理解的是,本公开并不限于这里已经示出的详细结构、附图方式或实现方法,相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种连锁品牌词库生成方法,其特征在于,包括:
获取子兴趣点数据,所述子兴趣点数据包括子兴趣点的名称信息和类别信息;
根据所述子兴趣点的名称信息和类别信息对所述子兴趣点进行分组,以生成子兴趣点组;
对所述子兴趣点组进行聚类,以生成候选品牌集;
根据所述候选品牌集确定所述连锁品牌词库。
2.根据权利要求1所述方法,其特征在于,对所述子兴趣点组进行聚类,以生成候选品牌集,包括:
确定所述子兴趣点组之间的相似度;
根据所述子兴趣点组之间的相似度将所述子兴趣点组生成子兴趣点组簇;
根据所述子兴趣点组簇生成所述候选品牌集。
3.根据权利要求2所述方法,其特征在于,所述子兴趣点组包括目标子兴趣点组;其中,根据所述子兴趣点组之间的相似度将所述子兴趣点组生成子兴趣点组簇,包括:
若所述子兴趣点组与所述目标子兴趣点组的相似度大于第一阈值,则将所述子兴趣点组与所述目标子兴趣点组连接;
将各个与所述目标子兴趣点组连接的子兴趣点组分别作为所述目标子兴趣点组,以继续生成所述子兴趣点组簇。
4.根据权利要求2所述方法,其特征在于,所述子兴趣点组包括目标子兴趣点组;其中,确定所述子兴趣点组之间的相似度,包括:
确定所述目标子兴趣点组的相似子兴趣点组;
确定所述目标子兴趣点组与其相似子兴趣点组之间的相似度。
5.根据权利要求4所述方法,其特征在于,所述子兴趣点组包括名称信息;其中,确定所述目标子兴趣点组的相似子兴趣点组,包括:
获取各个子兴趣点组的名称信息中的核心词;
将核心词与所述目标子兴趣点组的核心词有交集的子兴趣点组和/或核心词与所述目标子兴趣点组的核心词是同义词的子兴趣点组,作为所述目标子兴趣点组的相似子兴趣点组。
6.根据权利要求5所述方法,其特征在于,所述子兴趣点组包括类别信息;其中,确定所述目标子兴趣点组的相似子兴趣点组,还包括:
根据所述子兴趣点组的类别信息,将类别信息与所述目标子兴趣点组的类别信息不兼容的相似子兴趣点组过滤。
7.根据权利要求2所述方法,其特征在于,所述子兴趣点组包括名称信息和类别信息;其中,根据所述子兴趣点组簇生成所述候选品牌集,包括:
获取各个子兴趣点组的名称信息中的核心词和业务词;
若所述子兴趣点组簇中的子兴趣点组的核心词是品牌词,则将其对应的子兴趣点组合并成第一子簇;
若所述子兴趣点组簇中的子兴趣点组的核心词不是品牌词,则将其对应的子兴趣点组合并成第二子簇;
将所述第二子簇中核心词、业务词以及类别信息一致的子兴趣点组聚类以生成第一目标子簇;
根据预设条件将所述第一目标子簇聚类,以获取第二目标子簇及其核心词;
若所述第一子簇中的子兴趣点组的核心词与所述第二目标子簇的核心词有交集或者互为同义词,则将所述第一子簇中的子兴趣点组并入所述第二目标子簇中,以生成所述候选品牌集。
8.根据权利要求7所述方法,其特征在于,所述第一目标子簇包括类别信息以及目标分布城市信息,所述第一目标子簇包括指定簇;其中,根据预设条件将所述第一目标子簇聚类,以获取第二目标子簇及其核心词,包括:
在所述第一目标子簇中确定所述指定簇的相似簇;
根据所述指定簇及其相似簇的名称信息确定所述指定簇及其相似簇的业务词;
若所述指定簇与其相似簇的目标分布城市信息有交集,且所述指定簇的相似簇的业务词和类别词对应包含于所述指定簇的业务词和类别词、所述指定簇与其相似簇的业务词和类别词的文字重复率超过第三阈值或者所述指定簇与其相似簇的业务词和类别词的文字重复率小于所述第三阈值并大于第四阈值且所述指定簇及其相似簇的类别信息相同,则将所述指定簇及其相似簇合并,以生成所述第二目标子簇。
9.一种连锁品牌词库生成装置,其特征在于,包括:
子兴趣点数据获取装置,配置为获取子兴趣点数据,所述子兴趣点数据包括子兴趣点的名称信息和类别信息;
子兴趣点组生成装置,配置为根据所述子兴趣点的名称信息和类别信息对所述子兴趣点进行分组,以生成子兴趣点组;
候选品牌集生成装置,配置为对所述子兴趣点组进行聚类,以生成候选品牌集;
连锁品牌词库生成装置,配置为根据所述候选品牌集确定所述连锁品牌词库。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
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1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872394.2A CN110781283B (zh) | 2019-09-16 | 2019-09-16 | 连锁品牌词库生成方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872394.2A CN110781283B (zh) | 2019-09-16 | 2019-09-16 | 连锁品牌词库生成方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781283A true CN110781283A (zh) | 2020-02-11 |
CN110781283B CN110781283B (zh) | 2023-12-08 |
Family
ID=69384189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910872394.2A Active CN110781283B (zh) | 2019-09-16 | 2019-09-16 | 连锁品牌词库生成方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781283B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148761A (zh) * | 2020-10-20 | 2020-12-29 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法和系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101514905A (zh) * | 2009-03-05 | 2009-08-26 | 凯立德欣技术(深圳)有限公司 | 一种导航系统及其使用的兴趣点区域检索的方法 |
US20120209861A1 (en) * | 2011-02-15 | 2012-08-16 | Telenav, Inc. | Navigation system with rule based point of interest classification mechanism and method of operation thereof |
US20130166480A1 (en) * | 2011-12-21 | 2013-06-27 | Telenav, Inc. | Navigation system with point of interest classification mechanism and method of operation thereof |
CN103198077A (zh) * | 2012-01-04 | 2013-07-10 | 中国移动通信集团公司 | 一种分类词库的管理方法和设备 |
CN103390044A (zh) * | 2013-07-19 | 2013-11-13 | 百度在线网络技术(北京)有限公司 | 一种连锁类兴趣点数据识别方法及装置 |
US20130337830A1 (en) * | 2012-06-18 | 2013-12-19 | Navteq B.V. | Method and apparatus for detecting points of interest or events based on geotagged data and geolocation seeds |
CN104050196A (zh) * | 2013-03-15 | 2014-09-17 | 阿里巴巴集团控股有限公司 | 一种兴趣点数据冗余检测方法及装置 |
CN104462143A (zh) * | 2013-09-24 | 2015-03-25 | 高德软件有限公司 | 连锁品牌词词库、类别词词库建立方法和装置 |
EP2902956A1 (en) * | 2014-01-31 | 2015-08-05 | BlackBerry Limited | System and method for determining interests from location data |
CN105183908A (zh) * | 2015-09-30 | 2015-12-23 | 北京奇虎科技有限公司 | 一种兴趣点poi数据的分类方法和装置 |
CN107273508A (zh) * | 2017-06-20 | 2017-10-20 | 北京百度网讯科技有限公司 | 基于人工智能的信息处理方法和装置 |
CN107346336A (zh) * | 2017-06-29 | 2017-11-14 | 北京百度网讯科技有限公司 | 基于人工智能的信息处理方法和装置 |
US20180014161A1 (en) * | 2016-06-10 | 2018-01-11 | Apple Inc. | Harvesting labels for significant locations |
CN107784092A (zh) * | 2017-10-11 | 2018-03-09 | 深圳市金立通信设备有限公司 | 一种推荐热词的方法、服务器及计算机可读介质 |
CN108241690A (zh) * | 2016-12-26 | 2018-07-03 | 北京搜狗信息服务有限公司 | 一种数据处理方法和装置、一种用于数据处理的装置 |
CN109033219A (zh) * | 2018-06-29 | 2018-12-18 | 北京奇虎科技有限公司 | 兴趣点poi分类方法和装置 |
US20190179917A1 (en) * | 2017-12-08 | 2019-06-13 | Apple Inc. | Geographical knowledge graph |
-
2019
- 2019-09-16 CN CN201910872394.2A patent/CN110781283B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101514905A (zh) * | 2009-03-05 | 2009-08-26 | 凯立德欣技术(深圳)有限公司 | 一种导航系统及其使用的兴趣点区域检索的方法 |
US20120209861A1 (en) * | 2011-02-15 | 2012-08-16 | Telenav, Inc. | Navigation system with rule based point of interest classification mechanism and method of operation thereof |
US20130166480A1 (en) * | 2011-12-21 | 2013-06-27 | Telenav, Inc. | Navigation system with point of interest classification mechanism and method of operation thereof |
CN103198077A (zh) * | 2012-01-04 | 2013-07-10 | 中国移动通信集团公司 | 一种分类词库的管理方法和设备 |
US20130337830A1 (en) * | 2012-06-18 | 2013-12-19 | Navteq B.V. | Method and apparatus for detecting points of interest or events based on geotagged data and geolocation seeds |
CN104050196A (zh) * | 2013-03-15 | 2014-09-17 | 阿里巴巴集团控股有限公司 | 一种兴趣点数据冗余检测方法及装置 |
CN103390044A (zh) * | 2013-07-19 | 2013-11-13 | 百度在线网络技术(北京)有限公司 | 一种连锁类兴趣点数据识别方法及装置 |
CN104462143A (zh) * | 2013-09-24 | 2015-03-25 | 高德软件有限公司 | 连锁品牌词词库、类别词词库建立方法和装置 |
EP2902956A1 (en) * | 2014-01-31 | 2015-08-05 | BlackBerry Limited | System and method for determining interests from location data |
CN105183908A (zh) * | 2015-09-30 | 2015-12-23 | 北京奇虎科技有限公司 | 一种兴趣点poi数据的分类方法和装置 |
US20180014161A1 (en) * | 2016-06-10 | 2018-01-11 | Apple Inc. | Harvesting labels for significant locations |
CN108241690A (zh) * | 2016-12-26 | 2018-07-03 | 北京搜狗信息服务有限公司 | 一种数据处理方法和装置、一种用于数据处理的装置 |
CN107273508A (zh) * | 2017-06-20 | 2017-10-20 | 北京百度网讯科技有限公司 | 基于人工智能的信息处理方法和装置 |
CN107346336A (zh) * | 2017-06-29 | 2017-11-14 | 北京百度网讯科技有限公司 | 基于人工智能的信息处理方法和装置 |
CN107784092A (zh) * | 2017-10-11 | 2018-03-09 | 深圳市金立通信设备有限公司 | 一种推荐热词的方法、服务器及计算机可读介质 |
US20190179917A1 (en) * | 2017-12-08 | 2019-06-13 | Apple Inc. | Geographical knowledge graph |
CN109033219A (zh) * | 2018-06-29 | 2018-12-18 | 北京奇虎科技有限公司 | 兴趣点poi分类方法和装置 |
Non-Patent Citations (3)
Title |
---|
杨小明;: "电子地图兴趣点分类自动标注算法研究", 网络安全技术与应用, no. 03, pages 15 - 17 * |
苏畅;武鹏飞;谢显中;李宁;: "基于用户兴趣和地理因素的兴趣点推荐方法", 计算机科学, no. 04, pages 234 - 240 * |
陈德权;: "基于中文分词的地名兴趣点简称的研究", 测绘地理信息, no. 06, pages 95 - 97 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148761A (zh) * | 2020-10-20 | 2020-12-29 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110781283B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255031B (zh) | 基于知识图谱的数据处理方法 | |
CN108345690B (zh) | 智能问答方法与系统 | |
US20200081908A1 (en) | Internet text mining-based method and apparatus for judging validity of point of interest | |
CN109325040B (zh) | 一种faq问答库泛化方法、装置及设备 | |
CN110168535A (zh) | 一种信息处理方法及终端、计算机存储介质 | |
CN110866093A (zh) | 机器问答方法及装置 | |
CN105912716A (zh) | 一种短文本分类方法及装置 | |
CN112528639B (zh) | 对象识别方法和装置、存储介质及电子设备 | |
CN113590776A (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
CN109635260A (zh) | 用于生成文章模板的方法、装置、设备和存储介质 | |
CN111400473A (zh) | 意图识别模型的训练方法及装置、存储介质及电子设备 | |
CN111274822A (zh) | 语义匹配方法、装置、设备及存储介质 | |
CN113742488A (zh) | 基于多任务学习的嵌入式知识图谱补全方法和装置 | |
CN110457706B (zh) | 兴趣点名称选择模型训练方法、使用方法、装置及存储介质 | |
CN115131698A (zh) | 视频属性确定方法、装置、设备及存储介质 | |
CN114357195A (zh) | 基于知识图谱的问答对生成方法、装置、设备及介质 | |
CN110781283B (zh) | 连锁品牌词库生成方法、装置以及电子设备 | |
CN113569018A (zh) | 问答对挖掘方法及装置 | |
CN113590771A (zh) | 一种数据挖掘方法、装置、设备及存储介质 | |
CN111931034A (zh) | 数据搜索方法、装置、设备及存储介质 | |
US20220172310A1 (en) | House-renting recommendation method, electronic device and storage medium | |
CN114461749B (zh) | 对话内容的数据处理方法、装置、电子设备和介质 | |
CN116127066A (zh) | 文本聚类方法、文本聚类装置、电子设备及存储介质 | |
CN114329236A (zh) | 一种数据处理方法及装置 | |
CN113343664A (zh) | 图像文本之间的匹配度的确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40021689 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |