CN111177585A - 地图poi反馈方法及装置 - Google Patents

Abstract

本发明提供一种地图POI反馈方法及装置，该方法，包括：接收用户输入的关键字；从数据库中检索出与所述关键字相关的兴趣点POI，得到初始POI列表；通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，其中，所述当前排序模型是通过机器学习排序方法训练得到的模型；N为大于1的自然数。从而可以向用户反馈排序准确度高的POI列表，提高用户的检索效率。

Description

地图POI反馈方法及装置

技术领域

本发明涉及地图导航技术领域，尤其涉及一种地图POI反馈方法及装置。

背景技术

随着互联网技术的飞速发展，地图导航技术成为了人们日常出行必不可少的工具。例如，当用户想去某个地方时，只需在地图导航页面上输入出发地点和目的地点，即可在地图导航页面上显示由出发地点到目的地点的最优导航线路。

当用户想在地图导航上寻找某个地方附近的兴趣点(Point of Interest，POI)时，需要用户在地图导航页面上定位到该地方，然后点击附近搜索，在搜索栏输入关键字，那么在地图导航页面上会显示该地方相关联的POI，例如，附近的旅馆、酒店、餐馆等。若该地点包含非常多的POI，则一般会根据预设的计算公式对相关联的POI的相关度进行计算，得到POI的评分，然后按照POI的评分来对相关联的POI进行排序，最后向用户推送排序后的POI列表。

但是，这种排序方式过分依赖于预设的计算公式，POI的排序准确性不高，降低了用户的检索效率。

发明内容

本发明提供一种地图POI反馈方法及装置，以向用户反馈排序准确度高的POI列表，提高用户的检索效率。

第一方面，本发明实施例提供一种地图POI反馈方法，包括：

接收用户输入的关键字；

从数据库中检索出与所述关键字相关的兴趣点POI，得到初始POI列表；

通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，其中，所述当前排序模型是通过机器学习排序方法训练得到的模型；N为大于1的自然数。

第二方面，本发明实施例提供一种地图POI反馈装置，包括：

接收模块，用于接收用户输入的关键字；

检索模块，用于从数据库中检索出与所述关键字相关的兴趣点POI，得到初始POI列表；

排序模块，用于通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，其中，所述当前排序模型是通过机器学习排序方法训练得到的模型；N为大于1的自然数。

第三方面，本发明实施例提供一种终端，包括：

存储器，用于存储程序；

处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如第一方面中任一项所述的方法。

第四方面，本发明实施例提供一种计算机可读存储介质，包括：计算机程序，当其在计算机上运行时，使得计算机执行第一方面中任一所述的方法。

本发明提供的地图POI反馈方法及装置，通过接收用户输入的关键字；从数据库中检索出与所述关键字相关的兴趣点POI，得到初始POI列表；通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，其中，所述当前排序模型是通过机器学习排序方法训练得到的模型；N为大于1的自然数。从而可以向用户反馈排序准确度高的POI列表，提高用户的检索效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一应用场景的结构示意图；

图2为本发明实施例一提供的地图POI反馈方法的流程图；

图3为本发明实施例二提供的地图POI反馈方法的流程图；

图4为本发明实施例三提供的地图POI反馈装置的结构示意图；

图5为本发明实施例四提供的地图POI反馈装置的结构示意图；

图6为本发明实施例五提供的终端的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

以下，对本申请中的部分用语进行解释说明，以便于本领域技术人员理解：

1)机器学习排序(Learning to Rank，LTR)可以把现有排序模型的输出作为特征，然后训练一个新的模型，并自动学得这个新的模型的参数，从而很方便地络组合多个现有的排序模型来生成新的排序模型。

2)全球定位系统(Global Positioning System，GPS)，是利用卫星进行全球范围内实时导航定位的系统。

3)终端，是具有计算、处理、显示等能力的智能终端，可以是手持便携终端如手机，也可以是其他设备或终端，如电脑或智能手表等。

图1为本发明提供的一应用场景的结构示意图，如图1所示，终端1中设置有GPS，用户打开地图APP(application)，并开启GPS功能。假设用户在地图APP的搜索对话框中输入“奥林匹克公园”，则在下拉菜单中会显示与“奥林匹克公园”相关联的POI列表2，例如：奥林匹克公园、奥林匹克公园地铁站、奥林匹克公园公交站、奥林匹克公园南园、奥林匹克公园北园、奥林匹克公园南园南门、奥林匹克公园北园西门等等。本实施例中反馈的POI为地址名称，在其他应用场景下，还可以返回不同类型的地点，例如：餐饮、银行、加油站、电影院等等。本实施例不限定POI列表中的具体内容的形式。

下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

图2为本发明实施例一提供的地图POI反馈方法的流程图，如图2所示，本实施例中的方法可以包括：

S101、接收用户输入的关键字。

本实施例中，首先终端接收用户输入的关键字，终端可以是智能手机、平板电脑、智能手表等设备。终端中预先加载有地图APP，地图可以是离线地图，也可以是在线地图。当终端中的地图APP开启之后，用户可以在地图APP的页面的对话框中输入关键字。关键字可以是地址、建筑物名称等等字段。

S102、从数据库中检索出与所述关键字相关的兴趣点POI，得到初始POI列表。

在一种实施方式中，可以获取关键字对应的地址信息；通过词频-逆文本频率指数TF-IDF方法从数据库中检索出与所述地址信息相关的POI；其中，与地址信息相关的POI是指：以地址信息对应的地址坐标点为中心，预设半径范围内的POI；根据检索出的与地址信息相关的POI和关键字的相关度对所述POI的显示顺序进行调整，得到初始POI列表。

具体地，假设输入的关键字是“中国银行”，则获取所有中国银行的地址信息。例如输入“中国银行”，对应的地址信息为：北京XX区XX路XX号。

本实施例中，可以先获取所述关键字对应的地址；通过词频-逆文本频率指数(Term Frequency–Inverse Document Frequency，TF-IDF)方法从数据库中检索出与所述地址相关的POI。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。除了TF-IDF以外，本实施例中的检索方式还可以使用基于链接分析的评级方法，其目的是从数据库中检索出于关键字相关的兴趣点POI。需要说明的是，本实施例不限定具体检索的方式，现有的搜索引擎采用的搜索方式均可以应用在本实施例中。

S103、通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，其中，所述当前排序模型是通过机器学习排序方法训练得到的模型；N为大于1的自然数。

本实施例中，由于步骤S102中的初始POI列表是一个粗粒度排序方法，其中的POI数量可能会非常大，因此为了便于用户高效地获得最相关的POI，在步骤S103中，仅选取所述初始POI列表中的前N项POI；通过当前排序模型对前N项POI进行排序。需要说明的是，本实施例不限定N的具体取值，一般可以取5、10、20等数值，具体N的取值可以根据实际情况调整。

可选地，在通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表之前，还包括如下步骤：

构建训练所述当前排序模型的训练数据；采用所述训练数据，并调用机器学习排序方法中的Rank Lib库训练得到所述当前排序模型。

本实施例中，首先获取用户的历史行为数据，所述历史行为数据包括：历史关键字以及与所述历史关键字对应的历史POI列表；按照预设的规则，采用人工审核的方式对所述历史POI列表中的POI的相关度进行评分，得到所述历史关键字对应的历史POI列表的评价结果；获取不同人员对同一历史POI列表的评价结果，计算所述历史POI列表中各个POI的平均得分；按照所述POI的平均得分从高到低进行排序，得到标注后的历史POI列表。

具体地，用户的历史行为数据可以从POI的曝光日志与点击日志中获取，其中，曝光日志主要存储了用户的行为信息，包括：用户当前所在城市，地理位置、用户输入的关键字，以及最终展示的POI列表等等。点击日志主要存储了POI的点击时间、点击次数等等。结合图1，假设用户输入的关键字为“奥林匹克公园”，POI列表中包含的POI为“奥林匹克公园、奥林匹克公园地铁站、奥林匹克公园公交站、奥林匹克公园南园、奥林匹克公园北园、奥林匹克公园南园南门、奥林匹克公园北园西门”。现让10个审核人员对该POI列表中的POI的相关度进行打分，例如可以设置评分规则，非常相关5分，完全不相关1分，最后统计POI列表中各个POI的总得分，然后除以10，得到每个POI的的平均得分；按照所述POI的平均得分从高到低进行排序，即可得到标注后的历史POI列表。

进一步地，从数据库中获取所述标注后的历史POI列表中各个POI对应的POI信息，所述POI信息包括：POI ID、POI类型、POI名称、地址、经纬度、置信度、曝光率、点击率等等；其中，所述POI ID是用于区分不同POI的标识码，所述置信度用于表征对应POI来源的可信度；所述曝光率用于表征对应POI出现在POI列表中的频率；所述点击率用于表征对应POI被点击的次数。从所述POI信息中提取特征参数，所述特征参数包括：置信度、曝光率、点击率，以及与关键字的相似度等等；对所述特征参数进行归一化处理，得到每个特征参数对应的分数；根据所述特征参数以及对应的分数构建所述标注后的历史POI列表中各个POI对应的特征向量；将所述特征向量作为所述当前排序模型的训练数据。

具体地，数据库中存储有每一个POI的POI信息，所述POI信息可以分为：固有属性、置信度、累计属性以及其他附加信息。其中，固有属性包括：POI名称、POI地址、经纬度、类型。其他附加信息是指与具体业务相关的属性，可以由第三方平台提供，例如用户输入的关键字是涉及到餐饮的字段时，那么检索出的POI信息的附加信息可以包括：第三方的数据接口提供特色菜，星级以及人均价格等额外信息。累计属性包括：爆光率、点击率，累计属性都需要线下累计一段时间才能统计，其可以通过历史日志得到。

具体地，可以通过后台程度自动获取POI信息，从而得到与关键字关联的各种属性，并计算POI名称、POI地址与关键字的相似度(得到一个0～1之间的分数表示相似度(0不相似，1相似))，并把各种属性归一化到0～1之间(归一化的目的把数值限定在某一个范围内，方便后续处理，保证程序运行时加快收敛)。相似度的可以基于字的编辑距离、基于词的编辑距离、公共子串长度来评估。归一化的具体公式如下：

式中：min是某一属性中的最小值，max是某一属性中的最大值，x是某一属性对应的分值，x′为归一化后的属性分值。

假设选取的特征参数为：置信度、曝光率、点击率，以及与关键字的相似度这四个参数；通过归一化处理后可以得到一个四维特征向量{x1′,x2′,x3′,x4′}；x1′表示POI的置信度，x2′表示POI的曝光率，x3′表示POI的点击率，x4′表示POI的点击率。POI列表中的每一个POI都对应一个同纬度的特征向量，这些特征向量即构成了所述训练数据。需要说明的是，本实施例中不限定选取的特征参数的具体类型和数量，特征参数的具体类型和数量可以根据实际情况调整。

在一种可选的实施例中，可以获取所述初始POI列表中的前N项POI的特征向量；将所述特征向量输入到当前排序模型中，由所述当前排序模型输出N项POI的排序结果；其中，所述当前排序模型中包含有POI的特征向量与每个特征参数之间的换算关系，所述换算关系在排序模型的训练过程中确定；所述当前排序模型是指获取所述特征向量对应的各个特征参数的分数，并基于所述特征参数的对应的分数，确定所述特征向量对应的POI的顺序的模型；根据所述N项POI的排序结果，生成排序后的POI列表。

本实施例中，在对当前排序模型的训练过程中，其采用的训练数据是标注后的历史POI列表中各个POI对应的POI信息。而历史POI列表中的POI信息包括了：POI ID、POI类型、POI名称、地址、经纬度、置信度、曝光率、点击率等等；因此，可以直接从POI信息中提取特征参数，对应的特征参数包括：置信度、曝光率、点击率，以及与关键字的相似度等等。通过对所述特征参数进行归一化处理，得到每个特征参数对应的分数；根据特征参数以及对应的分数构建所述标注后的历史POI列表中各个POI对应的特征向量。因此，训练完成的当前排序模型中包含有POI的特征向量与每个特征参数之间的换算关系。当获取到特征向量之后，当前排序模型可以获取所述特征向量对应的各个特征参数的分数，并根据训练过程中学习到的特征参数的分数与排序顺序之间的约束条件，确定所述特征向量对应的POI的顺序。

本实施例中，可以将所述训练数据作为Lambda MART模型的输入数据，将所述标注后的历史POI列表作为模型的输出目标，训练得到所述当前排序模型。需要说明的是，本实施例不限定。

在另一种实施方式中，本实施例中的方法还可以在通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表之后，根据预设的优先级对所述排序后的POI列表中的部分或者全部POI的排列顺序进行调整；其中，所述预设的优先级是指：根据不同业务需求人为设定的排序规则。

本实施例中，在得到当前排序模型输出的排序后的POI列表之后，还可以根据用户的需求或者不同的业务设置优先级，对所述排序后的POI列表中的部分或者全部POI的排列顺序进行调整。例如，用户当前输入的是一个交通换乘地点，因此可以将公交站、地铁站等涉及换乘的POI的顺序调整到前面。本实施例中的这种方式无需对排序模型进行重新训练，就可以满足用户的个性化需求，用户体验佳。

本实施例，通过接收用户输入的关键字；从数据库中检索出与所述关键字相关的兴趣点POI，得到初始POI列表；通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，其中，所述当前排序模型是通过机器学习排序方法训练得到的模型；N为大于1的自然数。从而可以向用户反馈排序准确度高的POI列表，提高用户的检索效率。

图3为本发明实施例二提供的地图POI反馈方法的流程图，如图3所示，本实施例中的方法可以包括：

S201、接收用户输入的关键字。

S202、从数据库中检索出与所述关键字相关的兴趣点POI，得到初始POI列表。

S203、通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，其中，所述当前排序模型是通过机器学习排序方法训练得到的模型；N为大于1的自然数。

本实施例中的步骤S201～步骤S203的具体实现过程和技术原理详见图2所示步骤中的相关描述，此处不再赘述。

S204、将测试集中的测试数据作为所述当前排序模型的输入，输出对应的排序结果；其中，所述测试集中包含有预设的最优排序结果。

S205、结合所述最优排序结果，对所述当前排序模型输出的排序结果进行评估，得到所述当前排序模型的评估分数。

本实施例中，可以通过归一化折扣累计增益(Normalized DiscountedCumulative Gain，NDCG)和平均精度均值(Mean Average Precision，MAP)对所述当前排序模型输出的排序结果进行评估，得到所述排序模型的评估分数。测试集是预先准备好的标准数据集，其中的测试数据与训练数据具有相同的格式；并且测试集中的训练数据已经预设有最优排序结果。本实施例中不限定测试集中的测试数据的特征参数的数量和类型，测试数据的特征参数的数量和类型可以根据实际情况调整。

可选地，在结合所述最优排序结果，对所述当前排序模型输出的排序结果进行评估，得到所述当前排序模型的评估分数之后，还可以获取更新后的训练数据；采用所述更新后的训练数据，并调用机器学习排序方法中的Rank Lib库训练得到新的排序模型；将测试集中的测试数据作为所述新的排序模型的输入，输出对应的新的排序结果；结合所述最优排序结果，对所述新的排序模型输出的新的排序结果进行评估，得到所述新的排序模型的评估分数；若所述新的排序模型的评估分数大于所述当前排序模型的评估分数，则将所述当前排序模型替换为所述新的排序模型。

本实施例，可以在线下训练生成排序模型，由于用户的历史行为数据会随着时间的变化而变化，因此可以根据变化后的历史行为数据构建更新后的训练数据；采用所述更新后的训练数据，并调用机器学习排序方法中的RankLib库训练得到新的排序模型；从而可以实现排序模型的实时更新。通过对新的排序模型的排序结果进行评估可以判定出新的排序模型是否优于当前排序模型，若优于，则将当前排序模型替换为新的排序模型。从而可以不断对排序模型进行优化，提升反馈的POI列表的准确性，提高用户的检索效率。

图4为本发明实施例三提供的地图POI反馈装置的结构示意图，如图4所示，本实施例中的装置可以包括：

接收模块10，用于接收用户输入的关键字；

检索模块20，用于从数据库中检索出与所述关键字相关的兴趣点POI，得到初始POI列表；

排序模块30，用于通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，其中，所述当前排序模型是通过机器学习排序方法训练得到的模型；N为大于1的自然数。

可选地，所述排序模块30，具体用于：

获取所述初始POI列表中的前N项POI的特征向量；

将所述特征向量输入到当前排序模型中，由所述当前排序模型输出N项POI的排序结果；其中，所述当前排序模型中包含有POI的特征向量与每个特征参数之间的换算关系，所述换算关系在排序模型的训练过程中确定；所述当前排序模型是指获取所述特征向量对应的各个特征参数的分数，并基于所述特征参数的对应的分数，确定所述特征向量对应的POI的顺序的模型；

可选地，所述检索模块20，具体用于：

获取所述关键字对应的地址；

通过词频-逆文本频率指数TF-IDF方法从数据库中检索出与所述地址相关的POI；

根据所述POI与所述关键字的相关度对所述POI的显示顺序进行调整，得到初始POI列表。

本实施例可以执行上述图2所示的方法中的技术方案，其实现过程和技术效果与上述方法类似，此处不再赘述。

图5为本发明实施例四提供的地图POI反馈装置的结构示意图，如图5所示，本实施例中的装置在图4所示装置的基础上还可以包括：

训练模块40，用于在通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表之前，构建训练所述当前排序模型的训练数据；

采用所述训练数据，并调用机器学习排序方法中的Rank Lib库训练得到所述当前排序模型。

可选地，所述构建训练所述当前排序模型的训练数据，包括：

获取用户的历史行为数据，所述历史行为数据包括：历史关键字以及与所述历史关键字对应的历史POI列表；

按照预设的规则，采用人工审核的方式对所述历史POI列表中的POI的相关度进行评分，得到所述历史关键字对应的历史POI列表的评价结果；

获取不同人员对同一历史POI列表的评价结果，计算所述历史POI列表中各个POI的平均得分；

按照所述POI的平均得分从高到低进行排序，得到标注后的历史POI列表；

从数据库中获取所述标注后的历史POI列表中各个POI对应的POI信息，所述POI信息包括：POI ID、POI类型、POI名称、地址、经纬度、置信度、曝光率、点击率；其中，所述POIID是用于区分不同POI的标识码，所述置信度用于表征对应POI来源的可信度；所述曝光率用于表征对应POI出现在POI列表中的频率；所述点击率用于表征对应POI被点击的次数；

从所述POI信息中提取特征参数，所述特征参数包括：置信度、曝光率、点击率，以及与关键字的相似度；

对所述特征参数进行归一化处理，得到每个特征参数对应的分数；

根据所述特征参数以及对应的分数构建所述标注后的历史POI列表中各个POI对应的特征向量；

将所述特征向量作为所述当前排序模型的训练数据。

可选地，所述训练模块40，具体用于：

将所述训练数据作为Lambda MART模型的输入数据，将所述标注后的历史POI列表作为模型的输出目标，训练得到所述当前排序模型。

可选地，还包括：

评估模块50，用于将测试集中的测试数据作为所述当前排序模型的输入，输出对应的排序结果；其中，所述测试集中包含有预设的最优排序结果；

结合所述最优排序结果，对所述当前排序模型输出的排序结果进行评估，得到所述当前排序模型的评估分数。

可选地，结合所述最优排序结果，对所述当前排序模型输出的排序结果进行评估，得到所述当前排序模型的评估分数，包括：

通过归一化折扣累计增益NDCG和平均精度均值MAP对所述当前排序模型输出的排序结果进行评估，得到所述排序模型的评估分数。

可选地，还包括：

获取模块60，用于在结合所述最优排序结果，对所述当前排序模型输出的排序结果进行评估，得到所述当前排序模型的评估分数之后，获取更新后的训练数据；

训练模块40，采用所述更新后的训练数据，并调用机器学习排序方法中的RankLib库训练得到新的排序模型；

评估模块50，还用于将测试集中的测试数据作为所述新的排序模型的输入，输出对应的新的排序结果；结合所述最优排序结果，对所述新的排序模型输出的新的排序结果进行评估，得到所述新的排序模型的评估分数；若所述新的排序模型的评估分数大于所述当前排序模型的评估分数，则将所述当前排序模型替换为所述新的排序模型。

可选地，还包括：

调整模块70，用于在通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表之后，根据预设的优先级对所述排序后的POI列表中的部分或者全部POI的排列顺序进行调整；其中，所述预设的优先级是指：根据不同业务需求人为设定的排序规则。

本实施例可以执行上述图2、图3所示的方法中的技术方案，其实现过程和技术效果与上述方法类似，此处不再赘述。

图6为本发明实施例五提供的终端的结构示意图，如图6所示，本实施例中的终端80包括：处理器81和存储器82；

存储器82，用于存储计算机程序(如实现上述地图POI反馈方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器82中。并且上述的计算机程序、计算机指令、数据等可以被处理器81调用。

处理器81，用于执行所述存储器82存储的所述计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。其中，存储器82、处理器81可以通过总线83耦合连接。

本实施例可以执行上述图2、图3所示的方法中的技术方案，其实现过程和技术效果与上述方法类似，此处不再赘述。

此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。

其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种地图POI反馈方法，其特征在于，包括：

接收用户输入的关键字；

从数据库中检索出与所述关键字相关的兴趣点POI，得到初始POI列表；

通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，其中，所述当前排序模型是通过机器学习排序方法训练得到的模型；N为大于1的自然数。

2.根据权利要求1所述的方法，其特征在于，通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，包括：

获取所述初始POI列表中的前N项POI的特征向量；

将所述特征向量输入到当前排序模型中，由所述当前排序模型输出N项POI的排序结果；其中，所述当前排序模型中包含有POI的特征向量与每个特征参数之间的换算关系，所述换算关系在排序模型的训练过程中确定；所述当前排序模型是指获取所述特征向量对应的各个特征参数的分数，并基于所述特征参数的对应的分数，确定所述特征向量对应的POI的顺序的模型；

根据所述N项POI的排序结果，生成排序后的POI列表。

3.根据权利要求1所述的方法，其特征在于，在通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表之后，还包括：

获取更新后的训练数据；

采用所述更新后的训练数据，并调用机器学习排序方法中的Rank Lib库训练得到新的排序模型；

将测试集中的测试数据作为所述新的排序模型的输入，输出对应的新的排序结果；

结合所述最优排序结果，对所述新的排序模型输出的新的排序结果进行评估，得到所述新的排序模型的评估分数；

若所述新的排序模型的评估分数大于所述当前排序模型的评估分数，则将所述当前排序模型替换为所述新的排序模型。

4.根据权利要求1所述的方法，其特征在于，在通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表之前，还包括：

构建训练所述当前排序模型的训练数据；

采用所述训练数据，并调用机器学习排序方法中的Rank Lib库训练得到所述当前排序模型。

5.根据权利要求1-4中任一项所述的方法，其特征在于，在通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表之后，还包括：

根据预设的优先级对所述排序后的POI列表中的部分或者全部POI的排列顺序进行调整；其中，所述预设的优先级是指：根据不同业务需求人为设定的排序规则。

6.一种地图POI反馈装置，其特征在于，包括：

接收模块，用于接收用户输入的关键字；

检索模块，用于从数据库中检索出与所述关键字相关的兴趣点POI，得到初始POI列表；

排序模块，用于通过当前排序模型对所述初始POI列表中的前N项POI进行排序，得到排序后的POI列表，其中，所述当前排序模型是通过机器学习排序方法训练得到的模型；N为大于1的自然数。

7.根据权利要求6所述的装置，其特征在于，所述排序模块，具体用于：

获取所述初始POI列表中的前N项POI的特征向量；

将所述特征向量输入到当前排序模型中，由所述当前排序模型输出N项POI的排序结果；其中，所述当前排序模型中包含有POI的特征向量与每个特征参数之间的换算关系，所述换算关系在排序模型的训练过程中确定；所述当前排序模型是指获取所述特征向量对应的各个特征参数的分数，并基于所述特征参数的对应的分数，确定所述特征向量对应的POI的顺序的模型；

根据所述N项POI的排序结果，生成排序后的POI列表。

8.根据权利要求6所述的装置，其特征在于，还包括：评估模块，所述评估模块，具体用于：

获取更新后的训练数据；

采用所述更新后的训练数据，并调用机器学习排序方法中的Rank Lib库训练得到新的排序模型；

将测试集中的测试数据作为所述新的排序模型的输入，输出对应的新的排序结果；

结合所述最优排序结果，对所述新的排序模型输出的新的排序结果进行评估，得到所述新的排序模型的评估分数；

若所述新的排序模型的评估分数大于所述当前排序模型的评估分数，则将所述当前排序模型替换为所述新的排序模型。

9.根据权利要求6所述的装置，其特征在于，还包括：训练模块，所述训练模块，具体用于：

构建训练所述当前排序模型的训练数据；

采用所述训练数据，并调用机器学习排序方法中的Rank Lib库训练得到所述当前排序模型。

10.根据权利要求6-9中任一项所述的装置，其特征在于，还包括：调整模块，所述调整模块，具体用于

根据预设的优先级对所述排序后的POI列表中的部分或者全部POI的排列顺序进行调整；其中，所述预设的优先级是指：根据不同业务需求人为设定的排序规则。

Images