CN110781415B - 一种兴趣点推荐方法、装置、设备及介质 - Google Patents
一种兴趣点推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110781415B CN110781415B CN201910870520.0A CN201910870520A CN110781415B CN 110781415 B CN110781415 B CN 110781415B CN 201910870520 A CN201910870520 A CN 201910870520A CN 110781415 B CN110781415 B CN 110781415B
- Authority
- CN
- China
- Prior art keywords
- poi
- pois
- target user
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012216 screening Methods 0.000 claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims description 83
- 238000012163 sequencing technique Methods 0.000 claims description 25
- 238000013210 evaluation model Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 abstract description 6
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F16/90—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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种兴趣点推荐方法、装置、设备及介质,应用于地图信息处理技术领域,用以提高兴趣点推荐的精准度。具体为:确定目标用户在地图中的当前位置,根据所有用户在地图中的历史POI查阅数据,获得基于当前位置查阅的各个POI,根据目标用户在地图中的历史轨迹数据,获得目标用户下一次出现在各个POI在地图中所在区域的概率,根据各个POI的时空特征数据和目标用户下一次出现在各个POI在地图中所在区域的概率,从各个POI中筛选出目标POI进行推荐,从而使得推荐给目标用户的POI不仅符合目标用户的查阅需求,还符合目标用户的运动轨迹,进而提升了为目标用户推荐POI的精准度。
Description
技术领域
本申请涉及信息处理技术领域,尤其涉及一种兴趣点推荐方法、装置、设备及介质。
背景技术
随着定位技术的不断发展,基于位置的兴趣点(Point of Interest,POI)推荐服务应运而生,其中,基于位置的POI推荐服务包括:基于用户当前位置的近距离POI推荐,以及基于用户当前位置的远距离POI推荐。
目前,在基于用户当前位置的POI推荐服务中,用户不仅可以通过传统的社交服务与朋友互动,还可以通过POI推荐服务随时随地的获得基于用户当前位置的POI并与朋友分享,从而为提高用户体验提供了新途径,然而,在基于用户当前位置的POI推荐服务中,如何提高POI推荐的精准度是当前需要考虑的一个问题。
发明内容
本申请实施例提供了一种兴趣点推荐方法、装置、设备及介质,用以提高兴趣点推荐的精准度。
本申请实施例提供的技术方案如下:
一方面,本申请实施例提供了一种兴趣点推荐方法,包括:
确定目标用户的当前位置;
根据所有用户的历史兴趣点POI查阅数据,获得基于当前位置查阅的各个POI;
根据目标用户的历史轨迹数据,获得目标用户下一次出现在各个POI所在区域的概率;
根据各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐。
在一种可能的实施方式中,根据目标用户的历史轨迹数据,获得目标用户下一次出现在各个POI所在区域的概率,包括:
基于目标用户的历史轨迹数据,使用轨迹预测模型,获得目标用户下一次出现的各个区域以及各个区域的用户出现概率;
基于目标用户下一次出现的各个区域以及各个区域的用户出现概率,确定目标用户下一次出现在各个POI所在区域的概率。
在一种可能的实施方式中,根据各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐,包括:
基于各个POI的时空特征数据,使用兴趣评估模型,获得各个POI的初始兴趣评估值,并基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐;
或者;
基于各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,使用兴趣评估模型,获得各个POI的目标兴趣评估值,并从各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为目标POI进行推荐。
在一种可能的实施方式中,基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐之前,还包括:
根据各个POI的初始兴趣评估值,从各个POI中,筛选出满足兴趣筛选条件的所有POI;
和/或;
根据目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出满足概率筛选条件的所有POI。
在一种可能的实施方式中,基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐,包括:
根据各个POI的初始兴趣评估值、目标用户下一次出现在各个POI所在区域的概率、兴趣权重和概率权重,确定各个POI的目标兴趣评估值;
从各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为目标POI进行推荐。
在一种可能的实施方式中,基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐,包括:
根据各个POI的初始兴趣评估值和目标用户下一次出现在各个POI所在区域的概率,对各个POI进行排序,得到目标POI序列;
从目标POI序列中,筛选出前M个POI作为目标POI进行推荐,其中,M为大于1的正整数。
在一种可能的实施方式中,根据各个POI的初始兴趣评估值和目标用户下一次出现在各个POI所在区域的概率,对各个POI进行排序,得到目标POI序列,包括:
按照初始兴趣评估值从高到低的顺序,对各个POI进行排序,得到初始POI序列,并按照目标用户下一次出现在各个POI所在区域的概率从高到低的顺序,对初始POI序列中初始兴趣评估值相同的各个POI进行排序,得到目标POI序列;
或者;
按照目标用户下一次出现在各个POI所在区域的概率从高到低的顺序,对各个POI进行排序,得到初始POI序列,并按照各个POI的初始兴趣评估值从高到低的顺序,对初始POI序列中概率相同的各个POI进行排序,得到目标POI序列。
另一方面,本申请实施例提供了一种兴趣点推荐装置,包括:
位置确定单元,用于确定目标用户的当前位置;
POI获取单元,用于根据所有用户的历史兴趣点POI查阅数据,获得基于当前位置查阅的各个POI;
轨迹预测单元,用于根据目标用户的历史轨迹数据,获得目标用户下一次出现在各个POI所在区域的概率;
POI推荐单元,用于根据各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐。
在一种可能的实施方式中,在根据目标用户的历史轨迹数据,获得目标用户下一次出现在各个POI所在区域的概率时,轨迹预测单元具体用于:
基于目标用户的历史轨迹数据,使用轨迹预测模型,获得目标用户下一次出现的各个区域以及各个区域的用户出现概率;
基于目标用户下一次出现的各个区域以及各个区域的用户出现概率,确定目标用户下一次出现在各个POI所在区域的概率。
在一种可能的实施方式中,在根据各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐时,POI推荐单元具体用于:
基于各个POI的时空特征数据,使用兴趣评估模型,获得各个POI的初始兴趣评估值,并基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐;
或者;
基于各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,使用兴趣评估模型,获得各个POI的目标兴趣评估值,并从各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为目标POI进行推荐。
在一种可能的实施方式中,本申请实施例提供的兴趣点推荐装置还包括POI筛选单元,用于在POI推荐单元基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐之前执行以下操作:
根据各个POI的初始兴趣评估值,从各个POI中,筛选出满足兴趣筛选条件的所有POI;
和/或;
根据目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出满足概率筛选条件的所有POI。
在一种可能的实施方式中,在基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐时,POI推荐单元具体用于:
根据各个POI的初始兴趣评估值、目标用户下一次出现在各个POI所在区域的概率、兴趣权重和概率权重,确定各个POI的目标兴趣评估值;
从各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为目标POI进行推荐。
在一种可能的实施方式中,在基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐时,POI推荐单元具体用于:
根据各个POI的初始兴趣评估值和目标用户下一次出现在各个POI所在区域的概率,对各个POI进行排序,得到目标POI序列;
从目标POI序列中,筛选出前M个POI作为目标POI进行推荐,其中,M为大于1的正整数。
在一种可能的实施方式中,在根据各个POI的初始兴趣评估值和目标用户下一次出现在各个POI所在区域的概率,对各个POI进行排序,得到目标POI序列时,POI推荐单元具体用于:
按照初始兴趣评估值从高到低的顺序,对各个POI进行排序,得到初始POI序列,并根据目标用户下一次出现在各个POI所在区域的概率,对初始POI序列中初始兴趣评估值相同的各个POI进行排序,得到目标POI序列;
或者;
按照目标用户下一次出现在各个POI所在区域的概率从高到低的顺序,对各个POI进行排序,得到初始POI序列,并根据各个POI的初始兴趣评估值,对初始POI序列中概率相同的各个POI进行排序,得到目标POI序列。
另一方面,本申请实施例提供了一种兴趣点推荐设备,包括:存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本申请实施例提供的兴趣点推荐方法。
另一方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令被处理器执行时实现本申请实施例提供的兴趣点推荐方法。
本申请实施例的有益效果如下:
本申请实施例中,根据目标用户的当前位置和所有用户的历史POI查阅数据,能够获得与目标用户具有类似POI查阅需求的所有用户查阅过的各个POI,进而,根据各个POI的时空特征数据和目标用户下一次出现在各个POI所在区域的概率,从各个POI中为目标用户筛选目标POI进行推荐,可以使筛选出的目标POI不仅符合目标用户的查阅需求,还符合目标用户的运动轨迹,从而使得推荐给目标用户的目标POI更加贴合用户兴趣,进而提高了为目标用户推荐POI的精准度。
附图说明
图1为本申请实施例中兴趣点推荐系统的系统框架示意图;
图2为本申请实施例中兴趣点推荐方法的概况示意图;
图3为本申请实施例中兴趣点推荐方法的流程示意图;
图4为本申请实施例中兴趣点推荐方法的一种具体流程示意图;
图5为本申请实施例中兴趣点推荐方法的另一种具体流程示意图;
图6为本申请实施例中兴趣点推荐方法的另一种具体流程示意图;
图7为本申请实施例中兴趣点推荐装置的功能结构示意图;
图8为本申请实施例中兴趣点推荐设备的硬件结构示意图。
具体实施方式
为了使本领域技术人员更好地理解本申请,首先对本申请中提及的技术用语进行说明。
1、POI,为地理信息系统中的一个信息元,用于描述房子、商铺、邮筒、公交站等实体的名称、类别、经度、纬度等信息。本申请中,POI包括但不限于:远距离POI和近距离POI,其中:
远距离POI,为与用户当前位置之间的距离在设定范围外的POI,例如,与用户当前位置之间的距离在1公里以外的POI;
近距离POI,为与用户当前位置之间的距离在设定范围内的POI,例如,与用户当前位置之间的距离在1公里以内的POI。
2、查阅的POI,本申请中,为用户主动搜索过的POI,以及在向用户推荐POI时用户点击查看过的POI。
3、用户的历史POI查阅数据,为该用户在设定时间范围内查阅过的所有POI的相关数据,例如,该用户在1个月内查阅过的所有POI的相关数据,包括但不限于:查阅POI时用户所在的位置,POI的位置、名称等。
4、POI的时空特征数据,为用于评估目标用户对该POI的感兴趣程度的数据,包括但不限于:该POI所在位置与目标用户所在位置之间的距离,该POI的历史查阅次数,该POI的历史点击率,该POI的类别等。
5、用户的历史轨迹数据,为该用户在设定时间范围内的所有运动轨迹数据,例如,该用户在1个月内的所有运动轨迹数据。
6、POI所在区域,本申请中,包括但不限于以下任意一种或组合:POI所在网格、POI所在街道等。其中,网格,为按照平面坐标或经纬度坐标,对地图进行划分而获得的各个子区域,本申请中,以按照设置的横向间隔和纵向间隔(例如,500m*500m),对地图进行划分得到各个网格为例。
7、轨迹预测模型,为根据用户的历史轨迹数据,对用户下一次出现的各个区域以及各个区域的用户出现概率进行预测的模型。本申请中,轨迹预测模型可以是但不限于是:马尔科夫模型、循环神经网络(Recurrent Neural Networks,RNN)模型和基于深度移动的轨迹预测模型等。
8、兴趣评估模型,本申请中,可以为根据各个POI的时空特征数据,对各个POI的初始兴趣评估值进行预测的模型,也可以为根据各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,对各个POI的目标兴趣评估值进行预测的模型。
9、兴趣筛选条件,为根据初始兴趣评估值设置的用于初次筛选POI的条件,可以是但不限于是以下任意一种:初始兴趣评估值不小于设定阈值,按照初始兴趣评估值从高到低的顺序排列时位于前N中。
10、概率筛选条件,为根据目标用户下一次出现在POI所在区域的概率设置的用于初次筛选POI的条件,可以是但不限于是以下任意一种:目标用户下一次出现在POI所在区域的概率不小于设定阈值,按照目标用户下一次出现在POI所在区域的概率从高到低的顺序进行排列时位于前N中。
11、兴趣推荐条件,为根据目标兴趣评估值设置的用于再次筛选POI的条件,可以是但不限于是以下任意一种:目标兴趣评估值不小于设定阈值,按照目标兴趣评估值从高到低的顺序排列时位于前M中。
12、客户端,本申请中,为可以安装在手机、计算机、个人数字助理(PersonalDigital Assistant,PDA)等终端设备上,能够基于用户当前位置为用户推荐POI的一种应用程序。
13、服务器,为根据客户端发起的请求,为客户端提供POI推荐服务、数据库服务、计算服务等各类服务的后台运行设备。
需要说明的是,本申请中提及的“和/或”,描述的是关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为了使本申请的目的、技术方案及有益效果更加清楚明白,以下将结合本申请实施例中的附图,对本申请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申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了实现基于位置的POI推荐服务,目前提出了两种兴趣点推荐方法,一种是基于历史查阅频次的兴趣点推荐方法,即根据所有用户的历史POI查阅数据,选取历史查阅频次最高的前M个POI推荐给目标用户;另一种是基于历史共享次序的兴趣点推荐方法,即根据所有用户的历史POI共享数据,选取历史共享频次最高的前M个POI推荐给目标用户。这两种方法虽然能够实现为用户推荐POI的功能,但是,为用户推荐出的POI的精准度较低。
为此,本申请实施例提供了一种兴趣点推荐系统,参阅图1所示,该兴趣点推荐系统可以包括终端设备101、安装在终端设备101上的客户端102、服务器103,客户端102可以利用终端设备101并通过通信网络与服务器103进行通信连接。实际应用中,用户可以向安装在终端设备101上的客户端102发起POI推荐请求,客户端102接收到POI推荐请求时,可以将发起该POI推荐请求的用户确定为目标用户,并在获取目标用户的当前位置后,根据目标用户的当前位置,获取目标POI并推荐给目标用户。当然,客户端102接收到POI推荐请求时,还可以将发起该POI推荐请求的用户确定为目标用户,并在获取目标用户的当前位置后,将目标用户的当前位置携带在POI推荐请求中发送至服务器,服务器103接收到POI推荐请求时,可以根据POI推荐请求携带的目标用户的当前位置,获取目标POI后返回至客户端102,客户端102接收到服务器103返回的目标POI时,将目标POI推荐给目标用户。
实际应用中,客户端102或服务器103在根据目标用户的当前位置,获取目标POI并推荐给目标用户时,可以采用本申请实施例提供的兴趣点推荐方法,具体的,参阅图2所示,客户端102或服务器103在确定目标用户的当前位置后,可以根据所有用户的历史POI查阅数据,获得基于当前位置查阅的各个POI,并根据目标用户的历史轨迹数据,获得目标用户下一次出现在各个POI所在区域的概率,根据各个POI的时空特征数据和目标用户下一次出现在各个POI所在区域的概率,从各个POI中筛选出目标POI进行推荐。这样,根据目标用户的当前位置和所有用户的历史POI查阅数据,能够获得与目标用户具有类似POI查阅需求的所有用户查阅过的各个POI,进而,根据各个POI的时空特征数据和目标用户下一次出现在各个POI所在区域的概率,从各个POI中为目标用户筛选目标POI进行推荐,可以使筛选出的目标POI不仅符合目标用户的查阅需求,还符合目标用户的运动轨迹,从而使得推荐给目标用户的目标POI更加贴合用户兴趣,进而提高了为目标用户推荐POI的精准度。
应当理解,图1中的终端设备、通信网络和服务器的数目仅仅是示意性的,根据实际需求可以具有任意数目的终端设备、通信网络和服务器。当用于运行兴趣点推荐方法的兴趣点推荐设备不需要与其他设备进行数据传输时,兴趣点推荐系统中可以仅包括用于运行兴趣点推荐方法的兴趣点推荐设备,例如,兴趣点推荐系统中可以仅包括终端设备或服务器。
在介绍了本申请实施例的应用场景和设计思想之后,下面对本申请实施例提供的技术方案进行说明。
本申请实施例提供了一种兴趣点推荐方法,该兴趣点推荐方法可以应用于安装在终端设备上的客户端,也可以应用于服务器,具体的,参阅图3所示,本申请实施例提供的兴趣点推荐方法的流程如下:
步骤301:确定目标用户的当前位置。
实际应用中,用户可以向客户端发起POI推荐请求,客户端接收到POI推荐请求时,可以将发起该POI推荐请求的用户确定为目标用户,并调用全球定位系统(GlobalPositioning System,GPS)功能,获取目标用户的当前位置。
值得说的是,当本申请实施例提供的兴趣点推荐方法应用于服务器时,客户端还可以将目标用户的当前位置携带在POI推荐请求中发送至服务器,服务器可以从POI推荐请求中获得目标用户的当前位置。具体实现方式,本申请不作限定。
步骤302:根据所有用户的历史POI查阅数据,获得基于当前位置查阅的各个POI。
实际应用中,在执行步骤302时,可以采用但不限于以下两种方式:
第一种方式:对所有用户的历史POI查阅数据进行分析,获得在当前位置上查阅的各个POI。
第二种方式:对所有用户的历史POI查阅数据进行分析,获得在当前位置所在区域中查阅的各个POI。
步骤303:根据目标用户的历史轨迹数据,获得目标用户下一次出现在各个POI所在区域的概率。
实际应用中,在执行步骤303时,可以采用但不限于以下方式:
首先,获取目标用户在设定时间范围内的历史轨迹数据。
然后,基于历史轨迹数据,使用轨迹预测模型,获得目标用户下一次出现的各个区域以及各个区域的用户出现概率。
最后,基于目标用户下一次出现的各个区域以及各个区域的用户出现概率,确定目标用户下一次出现在各个POI所在区域的概率。
具体的,针对每个POI,若目标用户下一次出现的各个区域中,存在与该POI所在区域相匹配的区域,则可以将与该POI所在区域相匹配的区域所对应的用户出现概率,确定为目标用户下一次出现在该POI所在区域的概率;若目标用户下一次出现的各个区域中,不存在与该POI所在区域相匹配的区域,则可以确定目标用户下一次出现在该POI所在区域的概率为0。
步骤304:根据各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐。
实际应用中,在执行步骤304时,可以采用但不限于以下两种方式:
第一种方式:基于各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,使用兴趣评估模型,获得各个POI的目标兴趣评估值,并从各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为目标POI进行推荐。
实际应用中,为了减少计算量,提高POI推荐效率,在基于各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,使用兴趣评估模型,获得各个POI的目标兴趣评估值之前,还可以对各个POI进行初步筛选,具体的,在对各个POI进行初步筛选时,可以采用但不限于以下方式:根据目标用户下一次出现在各个POI所在区域的概率,从各个POI中筛选出满足概率筛选条件的所有POI。
具体的,在一个实施例中,可以从各个POI中,筛选出目标用户下一次出现在POI所在区域的概率最高的N个POI,其中,N为大于1的正整数;在另一个实施例中,还可以从各个POI中,筛选出目标用户下一次出现在POI所在区域的概率不小于设定阈值所有POI。具体实现方式,本申请不作限定。
进一步的,在对各个POI进行初步筛选后,可以采用上述第一种方式,从初步筛选后获得的各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为目标POI进行推荐。
具体的,在一个实施例中,可以从初步筛选后获得的各个POI中,筛选出目标兴趣评估值最高的M个POI,其中,M为大于1的正整数且不大于N;在另一个实施例中,还可以从初步筛选后获得的各个POI中,筛选出目标兴趣评估值不小于设定阈值的所有POI。具体实现方式,本申请不作限定。
第二种方式:基于各个POI的时空特征数据,使用兴趣评估模型,获得各个POI的初始兴趣评估值,并基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐。
实际应用中,为了减少计算量,提高POI推荐效率,在基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐之前,还可以对各个POI进行初步筛选,具体的,在对各个POI进行初步筛选时,可以采用但不限于以下三种方式:
第一种方式:根据各个POI的初始兴趣评估值,从各个POI中筛选出满足兴趣筛选条件的所有POI。
具体的,在一个实施例中,可以从各个POI中,筛选出初始兴趣评估值最高的N个POI,其中,N为大于M的正整数;在另一个实施例中,还可以从各个POI中,筛选出初始兴趣评估值不小于设定阈值的所有POI。具体实现方式,本申请不作限定。
第二种方式:根据目标用户下一次出现在各个POI所在区域的概率,从各个POI中筛选出满足概率筛选条件的所有POI。
具体的,在一个实施例中,可以从各个POI中,筛选出目标用户下一次出现在POI所在区域的概率最高的N个POI,其中,N为大于M的正整数;在另一个实施例中,还可以从各个POI中,筛选出目标用户下一次出现在POI所在区域的概率不小于设定阈值所有POI。具体实现方式,本申请不作限定。
第三种方式:根据各个POI的初始兴趣评估值和目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出同时满足兴趣筛选条件和概率筛选条件的所有POI。具体筛选方式,参见上述第一种方式和第二种方式,重复之处不再赘述。
进一步的,在采用上述三种方式中的任意一种方式对各个POI进行初步筛选后,针对初步筛选后获得的各个POI,可以采用但不限于以下两种方式进行二次筛选:
第一种方式:根据各个POI的初始兴趣评估值、目标用户下一次出现在各个POI所在区域的概率、兴趣权重和概率权重,确定各个POI的目标兴趣评估值,并从各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为目标POI进行推荐。
具体的,在一个实施例中,可以从各个POI中,筛选出目标兴趣评估值最高的M个POI作为目标POI进行推荐,其中,M为大于1的正整数;在另一个实施例中,还可以从各个POI中,筛选出目标兴趣评估值不小于设定阈值的所有POI作为目标POI进行推荐。具体实现方式,本申请不作限定。
第二种方式:根据各个POI的初始兴趣评估值和目标用户下一次出现在各个POI所在区域的概率,对各个POI进行排序,得到目标POI序列,并从目标POI序列中,筛选出前M个POI作为目标POI进行推荐,其中,M为大于1的正整数。
具体的,在根据各个POI的初始兴趣评估值和目标用户下一次出现在各个POI所在区域的概率,对各个POI进行排序时,在一个实施例中,可以先按照初始兴趣评估值从高到低的顺序,对各个POI进行排序,得到初始POI序列,再按照目标用户下一次出现在各个POI所在区域的概率从高到低的顺序,对初始POI序列中初始兴趣评估值相同的各个POI进行排序,得到目标POI序列;在另一个实施例中,可以先按照目标用户出现在各个POI所在区域的概率从高到低的顺序,对各个POI进行排序,得到初始POI序列,再按照各个POI的初始兴趣评估值,对初始POI序列中概率相同的各个POI进行排序,得到目标POI序列。具体排序方式,本申请不作限定。
下面以“客户端为目标用户推荐远距离POI”为具体应用场景,对本申请实施例提供的兴趣点推荐方法作进一步详细说明,参阅图4所示,在一个实施例中,客户端在为目标用户推荐远距离POI时采用的兴趣点推荐方法的具体流程如下:
步骤401:客户端接收到POI推荐请求时,将发起该POI推荐请求的用户确定为目标用户,并调用GPS功能获取目标用户的当前位置。
步骤402:客户端获取所有用户在设定时间范围内的历史POI查阅数据,并对历史POI查阅数据进行分析,获得在当前位置所在区域中查阅过的各个远距离POI。
步骤403:客户端获取目标用户在设定时间范围内的历史轨迹数据,并基于历史轨迹数据,使用轨迹预测模型,获得目标用户下一次出现的各个区域以及各个区域的用户出现概率。
步骤404:客户端基于目标用户下一次出现的各个区域以及各个区域的用户出现概率,确定目标用户下一次出现在各个远距离POI所在区域的概率。
步骤405:客户端根据目标用户下一次出现在各个远距离POI所在区域的概率,从各个远距离POI中筛选出满足概率筛选条件的各个远距离POI作为初始远距离POI。
步骤406:客户端获取各个初始远距离POI的时空特征数据,并基于各个初始远距离POI的时空特征数据以及目标用户下一次出现在各个初始远距离POI所在区域的概率,使用兴趣评估模型,获得各个初始远距离POI的目标兴趣评估值。
步骤407:客户端按照目标兴趣评估值从高到低的顺序,对各个初始远距离POI进行排序,得到目标远距离POI序列。
步骤408:客户端从目标远距离POI序列中,筛选出前M个初始远距离POI作为目标远距离POI,并将各个目标远距离POI推荐给目标用户。
下面以“客户端为目标用户推荐远距离POI”为具体应用场景,对本申请实施例提供的兴趣点推荐方法作进一步详细说明,参阅图5所示,在另一个实施例中,客户端在为目标用户推荐远距离POI时采用的兴趣点推荐方法的具体流程如下:
步骤501:客户端接收到POI推荐请求时,将发起该POI推荐请求的用户确定为目标用户,并调用GPS功能获取目标用户的当前位置。
步骤502:客户端获取所有用户在设定时间范围内的历史POI查阅数据,并对历史POI查阅数据进行分析,获得在当前位置所在区域中查阅过的各个远距离POI。
步骤503:客户端获取各个远距离POI的时空特征数据,并基于各个远距离POI的时空特征数据,使用兴趣评估模型,获得各个远距离POI的初始兴趣评估值。
步骤504:客户端从各个远距离POI中,筛选出初始兴趣评估值最高的N个POI作为初始远距离POI。
步骤505:客户端获取目标用户在设定时间范围内的历史轨迹数据,并基于历史轨迹数据,使用轨迹预测模型,获得目标用户下一次出现的各个区域以及各个区域的用户出现概率。
步骤506:客户端基于目标用户下一次出现的各个区域以及各个区域的用户出现概率,确定目标用户下一次出现在各个初始远距离POI所在区域的概率。
步骤507:客户端按照初始兴趣评估值从高到低的顺序,对各个初始远距离POI进行排序,得到初始远距离POI序列。
步骤508:客户端根据目标用户下一次出现在各个初始远距离POI所在区域的概率从高到低的顺序,对初始远距离POI序列中初始兴趣评估值相同的各个初始远距离POI进行排序,得到目标远距离POI序列。
步骤509:客户端从目标远距离POI序列中,筛选出前M个初始远距离POI作为目标远距离POI,并将各个目标远距离POI推荐给目标用户。
下面以“客户端为目标用户推荐远距离POI”为具体应用场景,对本申请实施例提供的兴趣点推荐方法作进一步详细说明,参阅图6所示,在另一个实施例中,客户端在为目标用户推荐远距离POI时采用的兴趣点推荐方法的具体流程如下:
步骤601:客户端接收到POI推荐请求时,将发起该POI推荐请求的用户确定为目标用户,并调用GPS功能获取目标用户的当前位置。
步骤602:客户端获取所有用户在设定时间范围内的历史POI查阅数据,并对历史POI查阅数据进行分析,获得在当前位置所在区域中查阅过的各个远距离POI。
步骤603:客户端获取目标用户在设定时间范围内的历史轨迹数据,并基于历史轨迹数据,使用轨迹预测模型,获得目标用户下一次出现的各个区域以及各个区域的用户出现概率。
步骤604:客户端基于目标用户下一次出现的各个区域以及各个区域的用户出现概率,确定目标用户下一次出现在各个远距离POI所在区域的概率。
步骤605:客户端从各个远距离POI中,筛选出目标用户下一次出现在远距离POI所在区域的概率不小于设定阈值的所有远距离POI作为初始远距离POI。
步骤606:客户端获取各个初始远距离POI的时空特征数据,并基于各个初始远距离POI的时空特征数据,使用兴趣评估模型,获得各个初始远距离POI的初始兴趣评估值。
步骤607:客户端按照目标用户下一次出现在各个初始远距离POI所在区域的概率从高到低的顺序,对各个初始远距离POI进行排序,得到初始远距离POI序列。
步骤608:客户端按照初始兴趣评估值从高到低的顺序,对初始远距离POI序列中目标用户下一次出现在初始远距离POI所在区域的概率相同的各个初始远距离POI进行排序,得到目标远距离POI序列。
步骤609:客户端从目标远距离POI序列中,筛选出前M个POI作为目标远距离POI,并将各个目标远距离POI推荐给目标用户。
基于上述实施例,本申请实施例提供了一种兴趣点推荐装置,参阅图7所示,本申请实施例提供的兴趣点推荐装置700至少包括:
位置确定单元701,用于确定目标用户的当前位置;
POI获取单元702,用于根据所有用户的历史兴趣点POI查阅数据,获得基于当前位置查阅的各个POI;
轨迹预测单元703,用于根据目标用户的历史轨迹数据,获得目标用户下一次出现在各个POI所在区域的概率;
POI推荐单元704,用于根据各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐。
在一种可能的实施方式中,在根据目标用户的历史轨迹数据,获得目标用户下一次出现在各个POI所在区域的概率时,轨迹预测单元703具体用于:
基于目标用户的历史轨迹数据,使用轨迹预测模型,获得目标用户下一次出现的各个区域以及各个区域的用户出现概率;
基于目标用户下一次出现的各个区域以及各个区域的用户出现概率,确定目标用户下一次出现在各个POI所在区域的概率。
在一种可能的实施方式中,在根据各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐时,POI推荐单元704具体用于:
基于各个POI的时空特征数据,使用兴趣评估模型,获得各个POI的初始兴趣评估值,并基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐;
或者;
基于各个POI的时空特征数据以及目标用户下一次出现在各个POI所在区域的概率,使用兴趣评估模型,获得各个POI的目标兴趣评估值,并从各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为目标POI进行推荐。
在一种可能的实施方式中,本申请实施例提供的兴趣点推荐装置700还包括POI筛选单元705,用于在POI推荐单元704基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐之前执行以下操作:
根据各个POI的初始兴趣评估值,从各个POI中,筛选出满足兴趣筛选条件的所有POI;
和/或;
根据目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出满足概率筛选条件的所有POI。
在一种可能的实施方式中,在基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐时,POI推荐单元704具体用于:
根据各个POI的初始兴趣评估值、目标用户下一次出现在各个POI所在区域的概率、兴趣权重和概率权重,确定各个POI的目标兴趣评估值;
从各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为目标POI进行推荐。
在一种可能的实施方式中,在基于各个POI的初始兴趣评估值以及目标用户下一次出现在各个POI所在区域的概率,从各个POI中,筛选出目标POI进行推荐时,POI推荐单元704具体用于:
根据各个POI的初始兴趣评估值和目标用户下一次出现在各个POI所在区域的概率,对各个POI进行排序,得到目标POI序列;
从目标POI序列中,筛选出前M个POI作为目标POI进行推荐,其中,M为大于1的正整数。
在一种可能的实施方式中,在根据各个POI的初始兴趣评估值和目标用户下一次出现在各个POI所在区域的概率,对各个POI进行排序,得到目标POI序列时,POI推荐单元704具体用于:
按照初始兴趣评估值从高到低的顺序,对各个POI进行排序,得到初始POI序列,并根据目标用户下一次出现在各个POI所在区域的概率,对初始POI序列中初始兴趣评估值相同的各个POI进行排序,得到目标POI序列;
或者;
按照目标用户下一次出现在各个POI所在区域的概率从高到低的顺序,对各个POI进行排序,得到初始POI序列,并根据各个POI的初始兴趣评估值,对初始POI序列中概率相同的各个POI进行排序,得到目标POI序列。
需要说明的是,当本申请实施例提供的兴趣点推荐方法由服务器执行时,本申请实施例提供的兴趣点推荐装置700可以设置于服务器中,当本申请实施例提供的兴趣点推荐方法由终端设备执行时,本申请实施例提供的兴趣点推荐装置700可以设置于终端设备中。
此外,本申请实施例提供的兴趣点推荐装置700解决技术问题的原理与本申请实施例提供的兴趣点推荐方法相似,因此,本申请实施例提供的兴趣点推荐装置700的实施可以参见本申请实施例提供的兴趣点推荐方法的实施,重复之处不再赘述。
在介绍了本申请实施例提供的兴趣点推荐系统、方法和装置之后,接下来,对本申请实施例提供的兴趣点推荐设备进行简单介绍。
本申请实施例提供的兴趣点推荐设备800可以是终端设备,也可以是服务器,参阅图8所示,本申请实施例提供的兴趣点推荐设备800至少包括:处理器801、存储器802和存储在存储器802上并可在处理器801上运行的计算机程序,处理器801执行计算机程序时实现本申请实施例提供的兴趣点推荐方法。
需要说明的是,图8所示的兴趣点推荐设备800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。
本申请实施例提供的兴趣点推荐设备800还可以包括连接不同组件(包括处理器801和存储器802)的总线803。其中,总线803表示几类总线结构中的一种或多种,包括存储器总线、外围总线、局域总线等。
存储器802可以包括易失性存储器形式的可读介质,例如随机存储器(RandomAccess Memory,RAM)8021和/或高速缓存存储器8022,还可以进一步包括只读存储器(ReadOnly Memory,ROM)8023。
存储器802还可以包括具有一组(至少一个)程序模块8024的程序工具8025,程序模块8024包括但不限于:操作子系统、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。
兴趣点推荐设备800也可以与一个或多个外部设备804(例如键盘、遥控器等)通信,还可以与一个或者多个使得用户能与兴趣点推荐设备800交互的设备通信(例如手机、电脑等),和/或,与使得兴趣点推荐设备800与一个或多个其它兴趣点推荐设备800进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(Input/Output,I/O)接口805进行。并且,兴趣点推荐设备800还可以通过网络适配器806与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图8所示,网络适配器806通过总线803与兴趣点推荐设备800的其它模块通信。应当理解,尽管图8中未示出,可以结合兴趣点推荐设备800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)子系统、磁带驱动器以及数据备份存储子系统等。
下面对本申请实施例提供的计算机可读存储介质进行介绍。本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,计算机指令被处理器执行时实现本申请实施例提供的兴趣点推荐方法。具体地,该可执行程序可以内置或者安装在兴趣点推荐设备800中,这样,兴趣点推荐设备800就可以通过执行内置或者安装的可执行程序实现本申请实施例提供的兴趣点推荐方法。
此外,本申请实施例提供的兴趣点推荐方法还可以实现为一种程序产品,该程序产品包括程序代码,当该程序产品可以在兴趣点推荐设备800上运行时,该程序代码用于使兴趣点推荐设备800执行本申请实施例提供的兴趣点推荐方法。
本申请实施例提供的程序产品可以采用一个或多个可读介质的任意组合,其中,可读介质可以是可读信号介质或者可读存储介质,而可读存储介质可以是但不限于是电、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,具体地,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、RAM、ROM、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、光纤、便携式紧凑盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施例提供的程序产品可以采用CD-ROM并包括程序代码,还可以在计算设备上运行。然而,本申请实施例提供的程序产品不限于此,在本申请实施例中,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。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,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操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例,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申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种兴趣点推荐方法,其特征在于,包括:
确定目标用户的当前位置;
根据所有用户的历史兴趣点POI查阅数据,获得基于所述当前位置查阅的各个POI;
根据所述目标用户的历史轨迹数据,获得所述目标用户下一次出现在所述各个POI所在区域的概率;
根据所述各个POI的时空特征数据以及所述目标用户下一次出现在所述各个POI所在区域的概率,从所述各个POI中,筛选出目标POI进行推荐;所述时空特征数据包括POI所在位置与所述目标用户所在位置之间的距离、POI的历史查阅次数,POI的历史点击率以及POI的类别。
2.如权利要求1所述的兴趣点推荐方法,其特征在于,根据所述目标用户的历史轨迹数据,获得所述目标用户下一次出现在所述各个POI所在区域的概率,包括:
基于所述目标用户的历史轨迹数据,使用轨迹预测模型,获得所述目标用户下一次出现的各个区域以及所述各个区域的用户出现概率;
基于所述目标用户下一次出现的各个区域以及所述各个区域的用户出现概率,确定所述目标用户下一次出现在所述各个POI所在区域的概率。
3.如权利要求1或2所述的兴趣点推荐方法,其特征在于,根据所述各个POI的时空特征数据以及所述目标用户下一次出现在所述各个POI所在区域的概率,从所述各个POI中,筛选出目标POI进行推荐,包括:
基于所述各个POI的时空特征数据,使用兴趣评估模型,获得所述各个POI的初始兴趣评估值,并基于所述各个POI的初始兴趣评估值以及所述目标用户下一次出现在所述各个POI所在区域的概率,从所述各个POI中,筛选出目标POI进行推荐;或者,
基于所述各个POI的时空特征数据以及所述目标用户下一次出现在所述各个POI所在区域的概率,使用兴趣评估模型,获得所述各个POI的目标兴趣评估值,并从所述各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为目标POI进行推荐。
4.如权利要求3所述的兴趣点推荐方法,其特征在于,基于所述各个POI的初始兴趣评估值以及所述目标用户下一次出现在所述各个POI所在区域的概率,从所述各个POI中,筛选出目标POI进行推荐之前,还包括:
根据所述各个POI的初始兴趣评估值,从所述各个POI中,筛选出满足兴趣筛选条件的所有POI;和/或,
根据所述目标用户下一次出现在所述各个POI所在区域的概率,从所述各个POI中,筛选出满足概率筛选条件的所有POI。
5.如权利要求3所述的兴趣点推荐方法,其特征在于,基于所述各个POI的初始兴趣评估值以及所述目标用户下一次出现在所述各个POI所在区域的概率,从所述各个POI中,筛选出目标POI进行推荐,包括:
根据所述各个POI的初始兴趣评估值、所述目标用户下一次出现在所述各个POI所在区域的概率、兴趣权重和概率权重,确定所述各个POI的目标兴趣评估值;
从所述各个POI中,筛选出目标兴趣评估值满足兴趣推荐条件的所有POI作为所述目标POI进行推荐。
6.如权利要求3所述的兴趣点推荐方法,其特征在于,基于所述各个POI的初始兴趣评估值以及所述目标用户下一次出现在所述各个POI所在区域的概率,从所述各个POI中,筛选出目标POI进行推荐,包括:
根据所述各个POI的初始兴趣评估值和所述目标用户下一次出现在所述各个POI所在区域的概率,对所述各个POI进行排序,得到目标POI序列;
从所述目标POI序列中,筛选出前M个POI作为目标POI进行推荐,其中,M为大于1的正整数。
7.如权利要求6所述的兴趣点推荐方法,其特征在于,根据所述各个POI的初始兴趣评估值和所述目标用户下一次出现在所述各个POI所在区域的概率,对所述各个POI进行排序,得到目标POI序列,包括:
按照初始兴趣评估值从高到低的顺序,对所述各个POI进行排序,得到初始POI序列,并按照所述目标用户下一次出现在所述各个POI所在区域的概率从高到低的顺序,对所述初始POI序列中初始兴趣评估值相同的各个POI进行排序,得到所述目标POI序列;或者,
按照所述目标用户下一次出现在所述各个POI所在区域的概率从高到低的顺序,对所述各个POI进行排序,得到初始POI序列,并按照所述各个POI的初始兴趣评估值从高到低的顺序,对所述初始POI序列中概率相同的各个POI进行排序,得到所述目标POI序列。
8.一种兴趣点推荐装置,其特征在于,包括:
位置确定单元,用于确定目标用户的当前位置;
POI获取单元,用于根据所有用户的历史兴趣点POI查阅数据,获得基于所述当前位置查阅的各个POI;
轨迹预测单元,用于根据所述目标用户的历史轨迹数据,获得所述目标用户下一次出现在所述各个POI所在区域的概率;
POI推荐单元,用于根据所述各个POI的时空特征数据以及所述目标用户下一次出现在所述各个POI所在区域的概率,从所述各个POI中,筛选出目标POI进行推荐;所述时空特征数据包括POI所在位置与所述目标用户所在位置之间的距离、POI的历史查阅次数,POI的历史点击率以及POI的类别。
9.一种兴趣点推荐设备,其特征在于,包括:存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的兴趣点推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令被处理器执行时实现如权利要求1-7任一项所述的兴趣点推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870520.0A CN110781415B (zh) | 2019-09-16 | 2019-09-16 | 一种兴趣点推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870520.0A CN110781415B (zh) | 2019-09-16 | 2019-09-16 | 一种兴趣点推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781415A CN110781415A (zh) | 2020-02-11 |
CN110781415B true CN110781415B (zh) | 2022-09-30 |
Family
ID=69383463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910870520.0A Active CN110781415B (zh) | 2019-09-16 | 2019-09-16 | 一种兴趣点推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781415B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339446B (zh) * | 2020-02-18 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 一种兴趣点挖掘方法、装置、电子设备和存储介质 |
CN111951053B (zh) * | 2020-08-14 | 2024-04-16 | 中国工商银行股份有限公司 | 智能商圈营销信息分发方法及装置 |
CN112966183A (zh) * | 2020-09-11 | 2021-06-15 | 卞美玲 | 面向云计算和信息安全的业务防护方法、系统及智能平台 |
CN112818216B (zh) * | 2021-01-13 | 2021-09-28 | 平安科技(深圳)有限公司 | 客户推荐方法、装置、电子设备及存储介质 |
CN112861023A (zh) * | 2021-02-02 | 2021-05-28 | 北京百度网讯科技有限公司 | 地图信息处理方法、装置、设备、存储介质及程序产品 |
CN112948686B (zh) * | 2021-03-25 | 2023-06-16 | 支付宝(杭州)信息技术有限公司 | 位置推荐处理方法及装置 |
CN113175940B (zh) * | 2021-04-26 | 2024-04-30 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备和存储介质 |
CN113282836A (zh) * | 2021-06-17 | 2021-08-20 | 东软睿驰汽车技术(大连)有限公司 | 出行目的地址推送方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004355075A (ja) * | 2003-05-27 | 2004-12-16 | Sony Corp | 情報提示装置及び情報提示方法、並びにコンピュータ・プログラム |
CN104063383A (zh) * | 2013-03-19 | 2014-09-24 | 北京三星通信技术研究有限公司 | 信息推荐方法及装置 |
CN109062962A (zh) * | 2018-06-27 | 2018-12-21 | 华南理工大学 | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9194716B1 (en) * | 2010-06-18 | 2015-11-24 | Google Inc. | Point of interest category ranking |
CN106844376B (zh) * | 2015-12-03 | 2020-03-03 | 高德软件有限公司 | 推荐兴趣点的方法及装置 |
CN108241630A (zh) * | 2016-12-23 | 2018-07-03 | 武汉四维图新科技有限公司 | 一种行车目的地推荐方法及装置 |
CN107657015B (zh) * | 2017-09-26 | 2021-03-19 | 北京邮电大学 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
CN107766462B (zh) * | 2017-09-28 | 2020-03-13 | 重庆大学 | 基于用户偏好、社交信誉度和地理位置的兴趣点推荐方法 |
CN109948068A (zh) * | 2017-09-30 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 一种兴趣点信息的推荐方法和装置 |
CN108804619B (zh) * | 2018-05-31 | 2020-11-03 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
CN109029446B (zh) * | 2018-06-22 | 2020-11-20 | 北京邮电大学 | 一种行人位置预测方法、装置及设备 |
CN109614556B (zh) * | 2018-10-31 | 2020-03-13 | 拉卡拉支付股份有限公司 | 访问路径预测、信息推送方法及装置 |
CN109858951B (zh) * | 2018-12-29 | 2023-04-07 | 蔚来(安徽)控股有限公司 | 新能源汽车加电或换电需求的预测 |
CN109960762B (zh) * | 2019-03-29 | 2020-09-11 | 湖南大学 | 一种天气和时间感知的个性化poi序列推荐方法 |
CN110096645B (zh) * | 2019-05-07 | 2022-02-25 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、设备和介质 |
-
2019
- 2019-09-16 CN CN201910870520.0A patent/CN110781415B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004355075A (ja) * | 2003-05-27 | 2004-12-16 | Sony Corp | 情報提示装置及び情報提示方法、並びにコンピュータ・プログラム |
CN104063383A (zh) * | 2013-03-19 | 2014-09-24 | 北京三星通信技术研究有限公司 | 信息推荐方法及装置 |
CN109062962A (zh) * | 2018-06-27 | 2018-12-21 | 华南理工大学 | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 |
Non-Patent Citations (3)
Title |
---|
"A Spatial-Temporal-Semantic Neural Network Algorithm for Location Prediction on Moving Objects";Fan Wu 等;《Algorithms》;20170324;第10卷(第2期);1-25 * |
"基于位置的社会化网络推荐系统";刘树栋 等;《计算机学报》;20141102;第38卷(第02期);322-336 * |
位置社交网络中基于评论文本的兴趣点推荐;王啸岩 等;《计算机科学》;20171215;第44卷(第12期);245-248+278 * |
Also Published As
Publication number | Publication date |
---|---|
CN110781415A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781415B (zh) | 一种兴趣点推荐方法、装置、设备及介质 | |
CN111538904B (zh) | 用于推荐兴趣点的方法和装置 | |
US20220245118A1 (en) | Refining Location Estimates and Reverse Geocoding Based on a User Profile | |
CN108875007B (zh) | 兴趣点的确定方法和装置、存储介质、电子装置 | |
CN107798412B (zh) | 一种路线推荐方法和装置 | |
US8719198B2 (en) | Collaborative location and activity recommendations | |
US8489625B2 (en) | Mobile query suggestions with time-location awareness | |
KR102121361B1 (ko) | 사용자가 위치되는 지리적 위치의 유형을 식별하기 위한 방법 및 디바이스 | |
US9363634B1 (en) | Providing context-relevant information to users | |
AU2016212530A1 (en) | Methods and systems for providing information for an on-demand service | |
US20120203457A1 (en) | Systems and methods for visualizing events together with points of interest on a map and routes there between | |
Yamaguchi et al. | Landmark-based user location inference in social media | |
US20110173150A1 (en) | Methods and system for associating locations with annotations | |
US9167389B1 (en) | Clustering location data to determine locations of interest | |
CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN111311193B (zh) | 公共服务资源的配置方法和装置 | |
Tiwari et al. | Information enrichment for tourist spot recommender system using location aware crowdsourcing | |
US10959041B1 (en) | Traffic analysis of mobile phones partitioned by geohash | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN111159583A (zh) | 用户行为分析方法、装置、设备及存储介质 | |
CN110262863A (zh) | 一种终端主界面的展示方法和装置 | |
CN112883291A (zh) | 目的地位置的推荐方法、装置和服务器 | |
CN113868532B (zh) | 一种地点推荐方法、装置、电子设备及存储介质 | |
CN114895982B (zh) | 基于用户信息的应用唤起方法、系统、设备及存储介质 | |
KR20140089960A (ko) | 지점정보 제공방법, 이를 수행하는 검색 서버 및 컴퓨터로 판독 가능한 기록매체 |
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: 40021979 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 |