CN111222916A - 投放区域确定方法、装置、模型训练方法及存储介质 - Google Patents

投放区域确定方法、装置、模型训练方法及存储介质 Download PDF

Info

Publication number
CN111222916A
CN111222916A CN202010005007.8A CN202010005007A CN111222916A CN 111222916 A CN111222916 A CN 111222916A CN 202010005007 A CN202010005007 A CN 202010005007A CN 111222916 A CN111222916 A CN 111222916A
Authority
CN
China
Prior art keywords
region
area
candidate
determining
candidate region
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
Application number
CN202010005007.8A
Other languages
English (en)
Other versions
CN111222916B (zh
Inventor
刘志煌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010005007.8A priority Critical patent/CN111222916B/zh
Publication of CN111222916A publication Critical patent/CN111222916A/zh
Application granted granted Critical
Publication of CN111222916B publication Critical patent/CN111222916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种投放区域确定方法、装置、相似度模型训练方法及存储介质，其中方法包括：对候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一特征向量，对已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域的第二特征向量；对于每一候选区域，根据第一特征向量和第二特征向量，确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相似度；根据相似度确定目标区域对，并根据目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值；根据每一候选区域对应的预测分值，为投放对象确定目标投放区域。通过本申请，能够简化投放区域的确定过程，提高确定投放区域的效率。

Description

投放区域确定方法、装置、模型训练方法及存储介质
技术领域
本申请实施例涉及互联网技术领域，涉及但不限于一种投放区域确定方法、装置、相似度模型训练方法及存储介质。
背景技术
商户选址、自贩机选址和线下广告投放等在商业领域中十分常见，对商家而言选择正确的投资区域能够得到理想的获客渠道和目标人群，从而直接刺激和带动产品和业务的营收增长。
相关技术中在确定投放区域时，通常是基于目标值数据建立回归分类模型来进行分类选址，或者构建深度学习模型对区域进行打分实现选址，或者是基于聚类模型进行选址。
但是，相关技术中的选址方法，需要训练出能够实现为候选区域打分的模型来为候选区域打分，或者需要专家先验知识指定科学准确的量化评价指标来实现为候选区域打分，约束条件较多，且当数据量大时非常耗时，效率上难以满足工业级应用需求。
发明内容
本申请实施例提供一种投放区域确定方法、装置、相似度模型训练方法及存储介质，不仅能够简化投放区域的确定过程，而且无需指定量化评价指标，能够提高确定投放区域的效率。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种投放区域确定方法，包括：
获取投放对象的候选区域集合和已投放区域集合；
对所述候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一特征向量，对所述已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域的第二特征向量；
对于所述每一候选区域，根据所述第一特征向量和所述第二特征向量，确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相似度；
根据所述相似度确定出满足条件的区域对为目标区域对；
根据所述目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值；
根据每一候选区域对应的预测分值，为所述投放对象确定目标投放区域。
本申请实施例提供一种相似度模型训练方法，包括：
将样本数据中的候选区域的特征值和已投放区域的特征值，输入至特征提取模型，对应得到候选区域的第一特征向量和已投放区域的第二特征向量；
将所述第一特征向量和所述第二特征向量输入至相似度计算模型中，得到所述候选区域与所述已投放区域之间形成的区域对的相似度；
将所述相似度输入至预设损失模型中，得到损失结果；
根据所述损失结果，对所述特征提取模型和所述相似度计算模型进行修正，得到所述相似度模型。
本申请实施例提供一种投放区域确定装置，包括：
获取模块，用于获取投放对象的候选区域集合和已投放区域集合；
特征提取模块，用于对所述候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一特征向量，对所述已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域的第二特征向量；
第一确定模块，用于对于所述每一候选区域，根据所述第一特征向量和所述第二特征向量，确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相似度；
第二确定模块，用于根据所述相似度确定出满足条件的区域对为目标区域对；并根据所述目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值；
第三确定模块，用于根据每一候选区域对应的预测分值，为所述投放对象确定目标投放区域。
本申请实施例提供一种存储介质，存储有可执行指令，用于引起处理器执行时，实现上述的方法。
本申请实施例具有以下有益效果：
由于对每一候选区域，根据候选区域的第一特征向量和已投放区域的第二特征向量，确定对应候选区域与已投放区域之间形成的多个区域对的多个相似度，并根据相似度确定出满足条件的区域对为目标区域对，根据目标区域对中的已投放区域的预设分值，确定出对应候选区域的预测分值，如此，将已投放区域的预设分值确定为候选区域的预测分值，无需先验知识来对候选区域进行评价打分，也无需训练打分模型，只需确定出候选区域与已投放区域之间的相似度即可，从而可以简化投放区域的确定过程，能够提高确定投放区域的效率。
附图说明
图1是本申请实施例提供的投放区域确定系统的一个可选的架构示意图；
图2A是本申请实施例提供的投放区域确定系统应用于区块链系统的一个可选的结构示意图；
图2B是本申请实施例提供的区块结构的一个可选的示意图；
图3是本申请实施例提供的服务器的结构示意图；
图4是本申请实施例提供的投放区域确定方法的一个可选的流程示意图；
图5是本申请实施例提供的投放区域确定方法的一个可选的流程示意图；
图6是本申请实施例提供的投放区域确定方法的一个可选的流程示意图；
图7是本申请实施例提供的投放区域确定方法的一个可选的流程示意图；
图8是本申请实施例提供的投放区域确定方法的一个可选的流程示意图；
图9是本申请实施例提供的投放区域确定方法的一个可选的流程示意图；
图10是本申请实施例提供的相似度模型训练方法的流程示意图；
图11是本申请实施例提供的选址方法的一个可选的流程示意图；
图12是本申请实施例提供的相似度计算模型的结构图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请实施例的技术领域的技术人员通常理解的含义相同。本申请实施例所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
为了更好地理解本申请实施例中提供的投放区域确定方法，首先对相关技术中的投放区域确定方法进行说明：
相关技术中，在确定投放区域时，通常是基于目标值数据建立回归分类模型来进行分类选址，或者构建深度学习模型对区域进行打分实现选址，或者是基于聚类模型进行选址。
基于目标值数据建立回归分类模型的方法，首先确立目标值的选取，如销售额、转化率或某些指标的交叉组合等，同时以最小化总成本为目标计算，然后根据各区域选取的属性特征和区域特征，如环境信息、人群信息构建回归模型，以已投放区域的经纬度、相关特征和销售额训练拟合得到回归模型或分类模型，再利用该模型预测未投放区域的销售额和分类标签。
基于深度学习模型进行商户选址的方法，主要是基于卷积神经网络方法，该方法将已投放区域的样本打分作为训练集，对于每一个区域ID，形成如商户ID、区域ID、选址分数的标签，构建多层卷积神经网络对打分模型进行训练，再利用打分模型进行预测，预测结果如：商户ID、区域ID、选址推荐评分。
基于聚类模型选址，包括基于k均值聚类算法(k-means clustering algorithm，kmeans)、层次聚类等方法，将区域按照相似性进行划分，遵循同个类别之间距离较小、不同类别之间距离较大原则，以最小化总成本为目标计算，或参考其他评价指标进行优选，即基于聚类思想实现快速选址，同时采用量化的评价指标实现最优选址规划，为规划方案评价提供科学依据。
但是，对于相关技术中的上述选址方法，至少存在以下问题：
对于基于目标值数据建立回归分类模型的方法，从已投放区域特征拟合预测得到目标值(即预测分值)，对于跨地域的区域，则忽略了区域之间的差异性，模型难以学习地域之间的地区差异特征，即区域之间的关系，因此难以泛化；并且，通过线性回归来拟合得到候选区域的目标值，存在一定的误差。
对于基于聚类模型选址的方法，需要根据专家先验知识指定科学准确的量化评价指标，即最终结果依赖于方案提供的科学依据，聚类结果的可解释性较差。
对于基于深度学习模型进行商户选址的方法，卷积神经网络构建打分模型泛化已有评分的方法，能够抽取较深层特征，但是当数据量大时非常耗时，效率上难以满足工业级应用需求；并且，由于需要先训练打分模型，然后利用打分模型再进行预测打分，得到目标值，也就是说，在预测的时候还要再计算相似度，进行相似度匹配等步骤，显然整体的步骤较多，实现起来较繁琐。
基于相关技术中所存在的上述至少一个问题，本申请实施例提供一种投放区域确定方法，该方法首先从监督数据中以标签分布构建区域评分库，然后通过构造相似度模型进行区域之间组合特征的相似度计算，泛化已投放区域评分至候选区域，从而预测候选区域的投放潜力，筛选出候选区域中的高价值区域，达到商户选址目标值最大化的目的。在本申请实施例的投放区域确定方法中，由于对每一候选区域，根据候选区域的第一特征向量和已投放区域的第二特征向量，确定对应候选区域与已投放区域之间形成的多个区域对的多个相似度，并根据相似度确定出满足条件的区域对为目标区域对，根据目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值，如此，将已投放区域的预设分值确定为候选区域的预测分值，无需先验知识来对候选区域进行评价打分，也无需训练打分模型，只需确定出候选区域与已投放区域之间的相似度即可，从而可以简化投放区域的确定过程，能够提高确定投放区域的效率，并且，本申请实施例还可以通过训练好的相似度模型确定候选区域与已投放区域之间的相似度。本申请实施例的方法对商户选址、自贩机选址、广告线下投放等应用领域具有较高的参考价值和实践意义。
另外，本申请实施例提供的方案还涉及人工智能的网络模型训练技术和投放区域筛选技术，比如，可以通过人工智能技术实现训练用于对候选区域和每一已投放区域分别进行特征提取，对应得到第一特征向量和第二特征向量；并根据第一特征向量和每一第二特征向量，确定候选区域与每一已投放区域之间形成的区域对的相似度的相似度模型，将在下文进行说明。
这里，需要说明的是，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/深度学习等几大方向。
下面说明本申请实施例提供的投放区域确定设备的示例性应用，本申请实施例提供的投放区域确定设备可以实施为笔记本电脑，平板电脑，台式计算机，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的终端，也可以实施为服务器。下面，将说明投放区域确定设备实施为服务器时的示例性应用。
参见图1，图1是本申请实施例提供的投放区域确定系统10的一个可选的架构示意图。为实现支撑一个投放区域确定应用(例如商户选址应用)，投放区域确定系统10中的终端(示例性示出了第一终端100-1和第二终端100-2)通过网络200连接投放区域确定应用的客户端对应的服务器300，并通过客户端将投放对象(例如某品牌商户)的候选区域集合和已投放区域集合发送给服务器300，服务器300对候选区域集合中的每一候选区域进行特征提取，对应得到候选区域的第一特征向量，对已投放区域集合中的每一已投放区域进行特征提取，对应得到已投放区域的第二特征向量；并对于每一候选区域，根据第一特征向量和每一第二特征向量，确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相似度；根据相似度确定出满足条件的区域对为目标区域对，根据目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值；根据每一候选区域对应的预测分值，为投放对象确定目标投放区域。在服务器300确定出目标投放区域之后，将目标投放区域通过网络200发送给终端(例如第一终端100-1或者第二终端100-2)。终端在接收到目标投放区域后，可以在当前界面(例如，第一终端100-1的当前界面110-1或者第二终端100-2的当前界面110-2)上显示目标投放区域以及目标投放区域的属性信息，或者还可以显示目标投放区域的预测分值等信息。本申请实施例中，网络200可以是广域网或者局域网，又或者是二者的组合。
本申请实施例涉及的投放区域确定系统10也可以是区块链系统的分布式系统101，参见图2A，图2A是本申请实施例提供的投放区域确定系统10应用于区块链系统的一个可选的结构示意图，其中，所述分布式系统101可以是由多个节点102(接入网络中的任意形式的计算设备，如服务器、用户终端)和客户端103形成的分布式节点，节点之间形成组成的点对点(P2P，Peer To P eer)网络，P2P协议是一个运行在传输控制协议(TCP，Transmission Control Protocol)协议之上的应用层协议。在分布式系统中，任何机器如服务器、终端都可以加入而成为节点，节点包括硬件层、中间层、操作系统层和应用层。
参见图2A示出的区块链系统中各节点的功能，涉及的功能包括：
1)路由，节点具有的基本功能，用于支持节点之间的通信。
节点除具有路由功能外，还可以具有以下功能：
2)应用，用于部署在区块链中，根据实际业务需求而实现特定业务，记录实现功能相关的数据形成记录数据，在记录数据中携带数字签名以表示任务数据的来源，将记录数据发送到区块链系统中的其他节点，供其他节点在验证记录数据来源以及完整性成功时，将记录数据添加到临时区块中。
例如，应用实现的业务包括：
2.1)钱包，用于提供进行电子货币的交易的功能，包括发起交易(即，将当前交易的交易记录发送给区块链系统中的其他节点，其他节点验证成功后，作为承认交易有效的响应，将交易的记录数据存入区块链的临时区块中；当然，钱包还支持查询电子货币地址中剩余的电子货币。
2.2)共享账本，用于提供账目数据的存储、查询和修改等操作的功能，将对账目数据的操作的记录数据发送到区块链系统中的其他节点，其他节点验证有效后，作为承认账目数据有效的响应，将记录数据存入临时区块中，还可以向发起操作的节点发送确认。
2.3)智能合约，计算机化的协议，可以执行某个合约的条款，通过部署在共享账本上的用于在满足一定条件时而执行的代码实现，根据实际的业务需求代码用于完成自动化的交易，例如查询买家所购买商品的物流状态，在买家签收货物后将买家的电子货币转移到商户的地址；当然，智能合约不仅限于执行用于交易的合约，还可以执行对接收的信息进行处理的合约。
3)区块链，包括一系列按照产生的先后时间顺序相互接续的区块(Block)，新区块一旦加入到区块链中就不会再被移除，区块中记录了区块链系统中节点提交的记录数据。
4)共识(Consensus)，是区块链网络中的一个过程，用于在涉及的多个节点之间对区块中的交易达成一致，达成一致的区块将被追加到区块链的尾部，实现共识的机制包括工作量证明(PoW，Proof of Work)、权益证明(PoS，Pr oof of Stake)、股份授权证明(DPoS，Delegated Proof-of-Stake)、消逝时间量证明(PoET，Proof of Elapsed Time)等。
参见图2B，图2B是本申请实施例提供的区块结构(Block Structure)的一个可选的示意图，每个区块中包括本区块存储交易记录的哈希值(本区块的哈希值)、以及前一区块的哈希值，各区块通过哈希值连接形成区块链。另外，区块中还可以包括有区块生成时的时间戳等信息。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了相关的信息，用于验证其信息的有效性(防伪)和生成下一个区块。
参见图3，图3是本申请实施例提供的服务器300的结构示意图，图3所示的服务器300包括：至少一个处理器310、存储器350、至少一个网络接口320和用户接口330。服务器300中的各个组件通过总线系统340耦合在一起。可理解，总线系统340用于实现这些组件之间的连接通信。总线系统340除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统340。
处理器310可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
用户接口330包括使得能够呈现媒体内容的一个或多个输出装置331，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口330还包括一个或多个输入装置332，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器350可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器350可选地包括在物理位置上远离处理器310的一个或多个存储设备。存储器350包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本申请实施例描述的存储器350旨在包括任意适合类型的存储器。在一些实施例中，存储器350能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。
操作系统351，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
网络通信模块352，用于经由一个或多个(有线或无线)网络接口320到达其他计算设备，示例性的网络接口320包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；
输入处理模块353，用于对一个或多个来自一个或多个输入装置332之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
在一些实施例中，本申请实施例提供的装置可以采用软件方式实现，图3示出了存储在存储器350中的一种投放区域确定装置354，该投放区域确定装置354可以是服务器300中的投放区域确定装置，其可以是程序和插件等形式的软件，包括以下软件模块：获取模块3541、特征提取模块3542、第一确定模块3543、第二确定模块3544和第三确定模块3545，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中，本申请实施例还提供一种相似度模型训练设备，该相似度模型训练设备也可以实施为服务器，所述服务器包括图3中所示的各个组件。其中，本申请实施例提供的相似度模型训练设备中的相似度模型训练装置也可以采用软件方式实现，该相似度模型训练装置可以是服务器中的相似度模型训练装置，其可以是程序和插件等形式的软件，包括以下软件模块(图中未示出)：第一输入模块、第二输入模块、第三输入模块和修正模块，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。
在又一些实施例中，本申请实施例提供的装置可以采用硬件方式实现，作为示例，本申请实施例提供的装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的投放区域确定方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application S pecific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logi c Device)、复杂可编程逻辑器件(CPLD，ComplexProgrammable Logic Devi ce)、现场可编程门阵列(FPGA，Field-Programmable GateArray)或其他电子元件。
下面将结合本申请实施例提供的服务器300的示例性应用和实施，说明本申请实施例提供的投放区域确定方法。参见图4，图4是本申请实施例提供的投放区域确定方法的一个可选的流程示意图，将结合图4示出的步骤进行说明。
步骤S401，获取投放对象的候选区域集合和已投放区域集合。
这里，投放对象可以是任意一种待投放的物体，例如，可以是门店、商品、自助贩卖机等物体，当然也可以是商业活动，例如，售卖活动或者明星演唱会等活动。本申请实施例中，不仅可以为待投放的物体选择目标投放区域，也可以为商业活动选择活动的举办区域。
候选区域集合中包括至少一个候选区域，候选区域是商家预先列举出的多个待选择的区域，本申请实施例的方法即是在这些候选区域中最终选择出一个或多个要投放上述投放对象的区域，以作为最终的目标投放区域。
已投放区域集合中包括至少一个已投放区域，已投放区域是商家在历史时间段内已经投放了与投放对象对应的其他对象的区域，已投放区域可以是位于任意位置的区域。
本申请实施例中，在获取到候选区域集合和已投放区域集合的同时，还获取到候选区域集合中的每一候选区域的相关特征参数，这里的特征参数包括但不限于以下至少之一：该候选区域的客流量、候选区域的位置、候选区域的人均消费水平、候选区域的相关门店数等参数。同时，在获取到已投放区域集合的同时，也还获取到已投放区域集合中的每一已投放区域的相关特征参数，这里的特征参数包括但不限于以下至少之一：该已投放区域的客流量、已投放区域的位置、已投放区域的人均消费水平、已投放区域的相关门店数等参数。当然，在其他实施例中，上述候选区域的相关特征参数和上述已投放区域的相关特征参数并不限于上述所列举出的参数，可以根据实际需要确定相关特征参数的类别，并获取对应类别的参数。
步骤S402，对候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一特征向量，对已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域的第二特征向量。
这里，在对每一候选区域和已投放区域进行特征提取时，可以是对候选区域的相关特征参数和已投放区域的相关特征参数进行特征提取，对应得到候选区域的第一特征向量和已投放区域的第二特征向量。通过第一特征向量来表征对应候选区域，通过第二特征向量来表征对应已投放区域。
步骤S403，对于每一候选区域，根据第一特征向量和每一第二特征向量，确定对应候选区域与已投放区域之间形成的多个区域对的多个相似度。
这里，可以通过计算第一特征向量与第二特征向量之间的距离，来确定对应候选区域与对应已投放区域之间的相似度。当第一特征向量与第二特征向量之间的距离越小，则表明对应候选区域与对应已投放区域之间的相似度越高。
需要说明的是，对于每一候选区域，会与已投放区域集合中的每一已投放区域进行相似度计算，也就是说，每一候选区域与已投放区域集合中的全部已投放区域分别形成区域对，然后，计算所形成的多个区域对对应的多个相似度。
步骤S404，根据所述相似度确定出满足条件的区域对为目标区域对。
这里，在确定出候选区域与每一已投放区域之间所形成的区域对的相似度之后，可以按照相似度大小，选择一定数量的区域对为目标区域对。例如，可以按照相似度从大到小的顺序选择一定数量的区域对为目标区域对。
步骤S405，根据所述目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值。
这里，每一已投放区域具有一预设分值，该预设分值用于表征对应已投放区域在特定标签下所对应的分数大小，例如，在销售额标签下，预设分值越高的话，则表明对应的已投放区域的销售额越高，当然，也可以直接采用销售额的数字表示预设分值，本申请实施例不做限定。
本申请实施例中，在确定出候选区域与每一已投放区域的相似度之后，可以按照相似度选择一定数量的目标区域对，并将目标区域对中的已投放区域作为目标已投放区域，然后，获取目标已投放区域的预设分值，根据所获取的已投放区域的预设分值计算对应候选区域的分值，得到上述预测分值作为对应候选区域的分值。
举例来说，在确定出目标已投放区域之后，可以根据目标已投放区域的销售额来预测得到候选区域的销售额。
步骤S406，根据每一候选区域对应的预测分值，为投放对象确定目标投放区域。
本申请实施例提供的投放区域确定方法，由于对每一候选区域，根据候选区域的第一特征向量和每一已投放区域的第二特征向量，确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相似度，并根据相似度确定出满足条件的区域对为目标区域对，根据目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值，如此，将已投放区域的预设分值确定为候选区域的预测分值，无需先验知识来对候选区域进行评价打分，也无需训练打分模型，只需确定出候选区域与已投放区域之间的相似度即可，从而可以简化投放区域的确定过程，能够提高确定投放区域的效率。
基于图4，图5是本申请实施例提供的投放区域确定方法的一个可选的流程示意图，如图5所示，步骤S404和步骤S405中确定对应候选区域的预测分值，可以通过以下步骤实现：
步骤S501，在已投放区域集合中，按照相似度从大到小的顺序，依次确定出第一数量的区域对为目标区域对。
这里，第一数量可以是预设的数量，第一数量小于或等于已投放区域集合中的已投放区域的数量。
本申请实施例中，在确定出相似度之后，按照相似度从大到小的顺序对已投放区域或者对候选区域与已投放区域之间的区域对进行排序，得到已投放区域序列或者区域对序列。然后在已投放区域序列中选择第一数量的已投放区域，确定第一数量的已投放区域与候选区域之间的区域对，或者，在区域对序列中直接选择第一数量的区域对。
步骤S502，将第一数量的目标区域对中的已投放区域，确定为对应候选区域的相似区域。这里，对应候选区域的相似区域的数量为第一数量。
步骤S503，根据相似区域对应的预设分值，确定对应候选区域的预测分值。
这里，由于每一已投放区域具有一预设分值，因此在确定出相似区域后，可以根据相似区域的预设分值确定对应候选区域的预测分值，例如，将相似区域的预设分值确定为候选区域的预测分值，或者，按照一定的算法，将相似区域的预设分值作为算法的输入，通过算法对输入的预设分值进行计算，得到候选区域的预测分值。
在一些实施例中，候选区域集合中可以包括多个候选区域，已投放区域集合中可以包括多个已投放区域。本申请实施例以下述情形为例进行说明：候选区域集合中包括三个候选区域A1、A2和A3；已投放区域集合中包括三个已投放区域B1、B2和B3；在确定预设分值时，是选择相似度较大的前两个(对应上述第一数量)已投放区域，根据前两个已投放区域的预设分值确定候选区域的预测分值。
如图6所示，是本申请实施例提供的投放区域确定方法的一个可选的流程示意图，其中，方法包括以下步骤：
步骤S601，对所获取的已投放区域集合中的三个已投放区域B1、B2和B3，分别进行特征提取，对应得到三个已投放区域B1、B2和B3的第二特征向量B11、B21和B31。
步骤S602，对所获取的候选区域集合中的候选区域A1进行特征提取，得到候选区域A1的第一特征向量A11。
步骤S603，对于候选区域A1，根据第一特征向量A11和第二特征向量B11、B21和B31，分别确定候选区域A1与三个已投放区域B1、B2和B3之间形成的区域对的相似度，对应得到三个相似度C11、C12和C13。
步骤S604，对三个相似度C11、C12和C13按照从大到小的顺序进行排序，得到相似度序列。
这里，假设相似度序列中C11大于C13，C13大于C12。
步骤S605，将相似度序列中前两个相似度C11和C13对应的已投放区域B1和B3，确定为候选区域A1的相似区域。
步骤S606，根据已投放区域B1和B3对应的预设分值，确定候选区域A1的预测分值为D1。
需要说明的是，步骤S602至步骤S606是对候选区域A1进行预设分值的预测，通过将候选区域A1的第一特征向量与已投放区域B1、B2和B3的第二特征向量进行比较，在已投放区域B1、B2和B3中选择出相似区域，并根据相似区域的预设分值计算得到候选区域A1的预测分值。
步骤S607，对所获取的候选区域集合中的候选区域A2进行特征提取，得到候选区域A2的第一特征向量A21。
步骤S608，对于候选区域A2，根据第一特征向量A21和第二特征向量B11、B21和B31，分别确定候选区域A2与三个已投放区域B1、B2和B3之间形成的区域对的相似度，对应得到三个相似度C21、C22和C23。
步骤S609，对三个相似度C21、C22和C23按照从大到小的顺序进行排序，得到相似度序列。
这里，假设相似度序列中C21大于C22，C22大于C23。
步骤S610，将相似度序列中前两个相似度C21和C22对应的已投放区域B1和B2，确定为候选区域A2的相似区域。
步骤S611，根据已投放区域B1和B2对应的预设分值，确定候选区域A2的预测分值为D2。
需要说明的是，步骤S607至步骤S611对应上述步骤S602至步骤S606，所不同的是，步骤S607至步骤S611是对候选区域A2进行预设分值的预测，通过将候选区域A2的第一特征向量与已投放区域B1、B2和B3的第二特征向量进行比较，在已投放区域B1、B2和B3中选择出相似区域，并根据相似区域的预设分值计算得到候选区域A2的预测分值。
步骤S612，对所获取的候选区域集合中的候选区域A3进行特征提取，得到候选区域A3的第一特征向量A31。
步骤S613，对于候选区域A3，根据第一特征向量A31和第二特征向量B11、B21和B31，分别确定候选区域A3与三个已投放区域B1、B2和B3之间形成的区域对的相似度，对应得到三个相似度C31、C32和C33。
步骤S614，对三个相似度C31、C32和C33按照从大到小的顺序进行排序，得到相似度序列。
这里，假设相似度序列中C31大于C32，C32大于C33。
步骤S615，将相似度序列中前两个相似度C31和C32对应的已投放区域B1和B2，确定为候选区域A3的相似区域。
步骤S616，根据已投放区域B1和B2对应的预设分值，确定候选区域A3的预测分值为D3。
需要说明的是，步骤S612至步骤S616对应上述步骤S602至步骤S606以及步骤S607至步骤S611，所不同的是，步骤S612至步骤S616是对候选区域A3进行预设分值的预测，通过将候选区域A3的第一特征向量与已投放区域B1、B2和B3的第二特征向量进行比较，在已投放区域B1、B2和B3中选择出相似区域，并根据相似区域的预设分值计算得到候选区域A3的预测分值。
步骤S617，根据三个候选区域对应的预测分值D1、D2和D3，为投放对象确定目标投放区域。
在得到三个候选区域的预测分值之后，根据三个候选区域的预测分值为投放对象确定目标投放区域。举例来说，可以在三个候选区域中选择具有最高预测分值的候选区域作为目标投放区域。
本申请实施例提供的投放区域确定方法，由于对每一候选区域，根据候选区域的第一特征向量和每一已投放区域的第二特征向量，确定对应候选区域与每一已投放区域之间形成的区域对的相似度，并按照相似度从大到小的顺序，选择第一数量的区域对，并根据区域对中的已投放区域的预设分值，确定对应候选区域的预测分值，如此，只需确定出候选区域与已投放区域之间的相似度即可确定最终的目标投放区域，从而可以简化投放区域的确定过程，能够提高确定投放区域的效率。
在一些实施例中，上述步骤S406中根据每一候选区域对应的预测分值，为投放对象确定目标投放区域，可以通过以下任意一种方式实现：
方式一：步骤S4061，在所述第一数量的相似区域对应的预设分值中，将具有最高占比的预设分值，确定为对应候选区域的预测分值。
举例来说，如果第一数量的相似区域有5个，其中有1个相似区域的预设分值为10，3个相似区域的预设分值为9，1个相似区域的预设分值为8，则具有最高占比的预设分值为9，即预设分值为9的相似区域在5个相似区域中的占比最高，因此，确定对应候选区域的预测分值为9。
方式二：步骤S4062，在所述第一数量的相似区域中，将具有最高相似度的已投放区域对应的预设分值，确定为对应候选区域的预测分值。
举例来说，如果第一数量的相似区域有5个，分别为区域A、B、C、D和E，按照相似度从高到低的顺序对这5个区域进行排序依次为A、B、C、D和E，其中，区域A对应的预设分值为9、区域B对应的预设分值为9、区域C对应的预设分值为8、区域D对应的预设分值为10、区域E对应的预设分值为9。那么，由于区域A的相似度最高，因此，将区域A的预设分值9确定为对应候选区域的预测分值，即最终所确定出的对应候选区域的预测分值为9。
在一些实施例，第一特征向量可以是对多个类别的特征提取得到的第一组合特征向量；第二特征向量可以是对多个类别的特征提取得到的第二组合特征向量。对应地，上述步骤S402中特征提取的步骤，可以通过以下步骤实现：
步骤S4021，对候选区域集合中的每一候选区域进行组合特征提取，对应得到每一候选区域的第一组合特征向量。
步骤S4022，对已投放区域集合中的每一已投放区域进行组合特征提取，对应得到每一已投放区域的第二组合特征向量。
在一些实施例中，上述第一组合特征向量可以包括第一区域特征和第一支付特征；上述第二组合特征向量可以包括第二区域特征和第二支付特征，如图7所示，是本申请实施例提供的投放区域确定方法的一个可选的流程示意图，上述步骤S402中特征提取的步骤，还可以通过以下步骤实现：
步骤S4023，对候选区域集合中的每一候选区域，分别进行区域特征提取和支付特征提取，对应得到每一候选区域的第一区域特征和第一支付特征。
这里，区域特征提取是对与区域属性相关的数值进行提取，以得到第一区域特征，支付特征提取是对与支付相关的数值进行提取，以得到第一支付特征。其中，与区域属性相关的数值包括但不限于以下至少之一：区域商户数、区域用户数、区域相关商户数等；与支付相关的数值包括但不限于以下至少之一：不同支付时段用户数、不同支付时段笔数、区域支付笔数分布、区域支付总金额、区域支付总笔数、区域客单价等。
步骤S4024，对已投放区域集合中的每一已投放区域，分别进行区域特征提取和支付特征提取，对应得到每一已投放区域的第二区域特征和第二支付特征。
这里的区域特征提取和支付特征提取与上述的区域特征提取和支付特征提取相同，这里不再赘述。
本申请实施例中，通过对候选区域和已投放区域分别进行区域特征提取和支付特征提取，如此，能够得到包括第一区域特征和第一支付特征的第一组合特征向量，以及包括第二区域特征和第二支付特征的第二组合特征向量，从而使得在后续相似度计算时，不仅考虑到了区域特征，还考虑到了支付特征，从而能够更加准确的计算相似度，为投放对象选择更加准确合适的目标投放区域。
基于图4，图8是本申请实施例提供的投放区域确定方法的一个可选的流程示意图，如图8所示，在步骤S402之前，方法还包括以下步骤：
步骤S801，对每一候选区域的第一特征值进行数据预处理，得到处理后的第一特征值。
这里，数据预处理是指对所获取的候选区域的第一特征值进行处理，数据预处理包括但不限于以下至少之一：舍弃缺失值过度的特征、删除单值特征、对特征进行异常值处理、缺失值补缺处理、特征衍生处理等。
步骤S802，对每一已投放区域的第二特征值进行数据预处理，得到处理后的第二特征值。
对已投放区域的第二特征值进行数据预处理的过程，可以参照上述对候选区域的第一特征值进行数据预处理的过程。
对应地，步骤S402可以通过以下步骤实现：
步骤S803，采用处理后的第一特征值，对对应候选区域进行特征提取，得到候选区域的第一特征向量。
步骤S804，采用处理后的第二特征值，对对应已投放区域进行特征提取，得到已投放区域的第二特征向量。
本申请实施例中，在获取到候选区域集合和已投放区域集合之后，首先对每一候选区域的第一特征值进行数据预处理，以及对每一已投放区域的第二特征值进行数据预处理，如此，能够保证后续的特征提取和特征计算过程采用有效的数据进行计算，从而保证了相似度计算的准确性，进一步保证了所确定的目标投放区域的准确性。
请继续参照图8，在一些实施例中，步骤S406还可以通过以下步骤实现：
步骤S805，在所述候选区域集合中，按照所述预测分值从大到小的顺序，依次确定第二数量的候选区域为所述投放对象的目标投放区域。
这里，第二数量为预设的数量，第二数量可以根据用于的选址需求和投放需求进行确定。
在一些实施例中，在确定出多个目标投放区域之后，还可以添加约束条件，以避免最终的选址区域过于集中。
基于图4，图9是本申请实施例提供的投放区域确定方法的一个可选的流程示意图，如图9所示，在步骤S406之后，方法还包括以下步骤：
步骤S901，确定位置相邻范围。
步骤S902，当位于同一位置相邻范围之内的目标投放区域的数量大于数量阈值时，确定位于同一位置相邻范围之内的目标投放区域对之间的区域相似度。
区域相似度是指位于同一位置相邻范围之内的目标投放区域之间的相似度。
步骤S903，根据区域相似度，删减位置相邻范围内的目标投放区域。
在一些实施例中，步骤S903可以通过以下步骤实现：
步骤S9031，按照区域相似度从大到小的顺序，依次选择出第三数量的目标投放区域。
这里，第三数量小于位置相邻范围之内的全部目标投放区域的数量，第三数量小于位置相邻范围内的目标投放区域的总数量，所选择出的第三数量的目标投放区域作为投放对象的目标投放区域，如此可以减少同一位置相邻范围内的目标投放区域的数量，避免最终的选址区域过于集中。
对应地，所述方法还包括：步骤S9032，将选择后所剩余的目标投放区域对应的区域相似度，设置为低于位置相邻区域中的其他目标投放区域对应的区域相似度。
本申请实施例中，将选择后剩余的目标投放区域对应的区域相似度设置为低于其他目标投放区域对应的区域相似度，如此，能够进一步避免在同一位置相邻范围内选择第三数量的目标投放区域是选择到这些剩余的目标投放区域，从而可以进一步保证减少同一位置相邻范围内的目标投放区域的数量，避免最终的选址区域过于集中。
在一些实施例中，还可以采用训练好的相似度模型实现本申请实施例的投放区域确定方法，也就是说，采用相似度模型，对每一候选区域进行特征提取，得到第一特征向量，对每一已投放区域进行特征提取，得到第二特征向量；并根据第一特征向量和第二特征向量，确定候选区域与每一已投放区域之间形成的多个区域对的多个相似度。其中，相似度模型包括特征提取模型和相似度计算模型，特征提取模型用于对每一候选区域进行特征提取，得到第一特征向量，以及对每一已投放区域进行特征提取，得到第二特征向量，相似度计算模型用于根据第一特征向量和每一第二特征向量，确定候选区域与每一已投放区域之间形成的区域对的相似度。
这里，提供一种相似度模型的训练方法，如图10所示，是本申请实施例提供的相似度模型训练方法的流程示意图，所述方法包括：
步骤S1001，将样本数据中的候选区域的特征值和已投放区域的特征值，输入至特征提取模型，对应得到候选区域的第一特征向量和已投放区域的第二特征向量。
这里，样本数据包括：候选区域的特征值、已投放区域集合中的每一已投放区域的特征值。特征提取模型用于对候选区域的特征值、每一已投放区域的特征值分别进行特征提取，对应得到候选区域的第一特征向量、已投放区域的第二特征向量。
步骤S1002，将第一特征向量和第二特征向量输入至相似度计算模型中，得到候选区域与已投放区域之间形成的区域对的相似度。
这里，相似度计算模型用于根据第一特征向量和第二特征向量，计算第一特征向量和第二特征向量之间的距离，将该距离确定为候选区域与已投放区域之间形成的区域对的相似度。当所计算的距离较大时，则候选区域与已投放区域之间形成的区域对的相似度越小，当所计算的距离较小时，则候选区域与已投放区域之间形成的区域对的相似度越大。
步骤S1003，将相似度输入至预设损失模型中，得到损失结果。
这里，预设损失模型用于将候选区域与已投放区域之间形成的区域对的相似度，与预设的相似度进行比较，得到损失结果，当然，由于候选区域与已投放区域之间形成的区域对的相似度即是第一特征向量和第二特征向量之间的距离，因此，预设损失模型也可以用于将第一特征向量和第二特征向量之间的距离与预设的距离值进行比较，得到损失结果。
预设损失模型中包括损失函数，通过损失函数可以计算第一特征向量和第二特征向量之间的距离与预设的距离值之间的距离差值，或者计算候选区域与已投放区域之间形成的区域对的相似度与预设的相似度之间的距离差值，并将距离差值确定为上述损失结果。
步骤S1004，根据损失结果，对特征提取模型和相似度计算模型进行修正，得到相似度模型。
这里，当上述距离差值大于预设损失阈值时，则损失结果表明当前的相似度模型中的相似度计算模型，不能准确的确定候选区域与已投放区域之间形成的区域对的相似度，或者特征提取模型不能准确的对候选区域的特征值和已投放区域的特征值进行特征提取。因此，需要对当前的相似度模型进行修正，则可以根据上述距离差值，对特征提取模型和相似度计算模型进行修正，直至相似度模型输出的候选区域与已投放区域之间的相似度，与预设的相似度之间的距离差值满足预设条件时，将对应的相似度模型确定为训练好的相似度模型。
本申请实施例提供的相似度模型的训练方法，由于将样本数据中的候选区域的特征值和已投放区域的特征值，输入至特征提取模型，对应得到候选区域的第一特征向量和已投放区域的第二特征向量；以及，将所述第一特征向量和所述第二特征向量输入至相似度计算模型中，得到候选区域与已投放区域之间形成的区域对的相似度；并根据损失函数，将相似度输入至预设损失模型中得到损失结果，从而能够根据损失结果对特征提取模型和相似度计算模型进行修正，所得到的相似度计算模型能够准确的确定候选区域与已投放区域之间形成的区域对的相似度，从而能够为投放对象确定更加准确合适的目标投放区域，提高用户体验。
下面，将说明本申请实施例在一个实际的应用场景中的示例性应用。
本申请实施例提供一种选址方法(即投放区域确定方法)，该方法是基于双向长短时间记忆网络(BI-LSTM，Bidirectional-Long and Short Time Mmemory network)和损失模型(例如，am-softmax损失模型)形成的监督模型的商户选址方法，该方法首先从监督数据中以标签分布构建区域评分库，然后通过构造基于am-softmax分类的BI-LSTM深度学习模型进行区域之间组合特征的相似度计算，泛化已投放区域评分至待投放区域，从而预测待投放区域的投放潜力，筛选高价值区域，达到商户选址目标值最大化的目的，同时考虑投放区域位置不应多度集中，添加模型约束条件。本申请实施例提供的方法对商户选址、自贩机选址、广告线下投放等应用领域具有较高的参考价值和实践意义。
本申请实施例提供的方法至少具有以下优势：
(1)本申请实施例提出了一种基于BI-LSTM和am-softmax模型的商户选址方法，该方法通过搭建已投放区域与候选区域的组合特征之间的关系，将高目标值区域通过相似度计算模型泛化至候选区域，从而预测候选区域的目标值，筛选高潜力区域进行投放，该模型通过相似度特征计算更好地搭建区域之间的相关度，学习不同区域的差异；
(2)本申请实施例通过引入间隔损失模型(margin loss)完成相似度计算，更好地使分类模型训练结果趋近于组合特征之间相似度计算的排序结果，从而能够快速提升区域组合特征相似度模型计算效果，同时利用BI-LSTM作为编码模型能够更好地抽取组合特征，在计算组合特征相似度方面，本申请实施例方法的泛化能力更高；
(3)本申请实施例的方法基于相似度建模，相比卷积网络模型效率更高，同时系统考虑目标位置不应多度集中在某些区域，添加模型约束条件，在工业上具备良好的可操作性。
本申请实施例提出的基于BI-LSTM和am-softmax监督模型的商户选址方法，可以广泛应用于商户选址、自动贩卖机投放选址、线下广告投放等领域。例如，在商户线下选址开店场景中，通过基于地理位置区域特征和商户特征，构建不同区域之间的关系，能够筛选得到待投放区域中具有高价值高潜力的投放区域，从而为选址提供重要的参考。
需要说明的是，本申请实施例的方法可以应用于任意一种与商户选址投放相关的场景，即本申请实施例的选址方法可以应用于任意一种需要进行选址的场景。
图11是本申请实施例提供的选址方法的一个可选的流程示意图，如图11所示，方法包括以下步骤：
步骤S1101，对已投放区域的目标值进行数据预处理，并构建评分库。
这里，在构建评分库时，可以通过以下步骤实现：
步骤S1101a，将已投放区域的目标值(如产品销售额、门店交易额、广告转化率等)进行数据预处理，其中，数据预处理包括以下至少之一：过滤空目标值、目标异常值、单位规范化处理等。
步骤S1101b，将已投放区域根据其目标值(即预设分值)进行分类，例如，可以将目标值对应的目标分值中的最大分数Smax和最小分数Smin之间划分N等分区间，区间的间隔为
Figure BDA0002354926920000241
划分的区间分别为：[Smin,Smin+F]，[Smin+F,Smin+2F]，[Smin+2F,Smin+3F]，……，[Smin+(N-1)F,Smax]。
将同一区间的投放区域作为一类，即将目标值分数划分为N个分类标签，N值可以根据实际情况需要划分的评分种类和范围选取，确保每个区间都有分布。本申请实施例中，在进行区间划分时，可以采用以下方式中的任意一种：
第一种，等区间划分法，就是根据最大分数和最小分数将目标值均分为N个区域，每个区域的范围相等，这样的方法可以保证每个区域的间隔都是F。
第二种，不等区间划分法，就是确保目标值的分布尽量是均匀的，即保证在每个区间内都有一定数量的目标值分布，这样可以避免等区间划分法所存在的在一些区间中无数据分布的情况。
通过区间划分之后，最终构建如下表1所示的<已投放区域，目标分值>的评分库：
表1<已投放区域，目标值>的评分库
目标分值 已投放区域
1 已投放区域1
1 已投放区域2
1 已投放区域3
1 已投放区域4
2 已投放区域5
2 已投放区域6
2 已投放区域7
3 已投放区域8
3 已投放区域9
4 已投放区域10
… …
N 已投放区域n
需要说明的是，同一目标分值对应的已投放区域的特征是相似的，不同目标分值对应的已投放区域的特征是不相似的，下面步骤将根据该评分库搭建基于区域特征的相似度计算模型。
步骤S1102，构建区域(这里的区域可以包括候选区域或者已投放区域)的区域特征和支付特征。
根据支付数据和区域数据构建区域的区域特征和支付特征，包括但不限于区域整体特征，例如：区域商户数、区域用户数、区域支付总金额、区域支付总笔数、区域客单价等特征，以及区域支付时段分布，例如：不同支付时段用户数、不同支付时段笔数，区域支付笔数分布，以及用户属性分布，例如：按年龄、性别、学历等用户属性分布，以及与选址商户构成竞争关系的目标行业分布、产品偏好用户数分布等。
本申请实施例中，融合所有特征得到区域特征，其中，在构建区域特征和支付特征的过程中对特征进行处理，至少包括：
步骤S1102a，舍弃缺失值过度的特征，例如，可以设定特征缺失值阈值为：特征缺失值阈值＝样本量×0.4，若某特征的数据缺失的数量超过该阈值，则将该特征删除。
步骤S1102b，删除单值特征、对特征进行异常值处理、过滤无用特征和干扰信息、根据特征分布舍弃特征头部预设数量或预设比例的数值；这里，预设数量和预设比例可以根据实际数据处理需求进行设置，例如，可以删除头部的0.1％的数值。
步骤S1102c，缺失值补缺处理，例如，对于连续型特征，可以用均值填补缺失值，对于离散型特征，可以用常数填补缺失值。
步骤S1102d，特征衍生，例如，可以通过线性组合衍生更多相关特征。
步骤S1102e，特征处理，例如，包括以下至少之一的特征处理方法：连续型特征分箱离散化、离散型特征独热编码(one-hot)。
步骤S1103，搭建BI-LSTM和am-softmax模型训练评分库区域特征相似度。
根据评分库的形式构造一个基于margin loss损失模型的多分类模型，同时引入BI-LSTM作为特征提取模型即编码器，对特征提取模型的特征进行对比排序。
根据区域组合特征，将区域对进行向量化编码作为整体模型的输入，其中，类别标签对应步骤S1101的目标分值，搭建BI-LSTM和am-softmax模型的相似度计算模型，如图12所示，该相似度计算模型包括双向的LSTM层BI-LSTM(如图12中的第一层LSTM层1201和第二层LSTM层1202)，BI-LSTM对输入的特征(如图中的特征X0、X1、X2和X3)进行特征编码，得到特征向量，并将特征向量进行合并处理(concat)1203之后，输入至全连接层(FC)1204得到输出结果，并对输出结果进行元素相加处理1205，最后通过am-softmax损失模型1206得到损失结果。
本申请实施例中，整体模型基于步骤S1101得到的评分库数据为语料，同一目标分值的区域组合即同一个类别，通过训练基于am-softmax的多分类过程最终实现一个组合特征相似度模型。整体分类模型通过以下公式(1-1)和(1-2)实现模型的输入输出步骤：
y＝BI-LSTM(x) (1-1)；
P＝am-soft max(yW) (1-2)；
其中，x表示输入的区域组合特征向量；y表示BI-LSTM编码模型的输出，即编码后的特征；W表示对应的评分类别集合，即W＝(c1,c2,……,cn)，其中，cn表示第n个评分类别；P表示am-softmax损失模型的输出。
由此可见，BI-LSTM编码模型的输出还可以通过以下公式(1-3)表示：
P＝am-soft max(＜y,c1＞,＜y,c2＞,……,＜y,cn＞) (1-3)；
其中，am-softmax的损失结果通过以下公式(1-4)计算：
Figure BDA0002354926920000271
其中，θi表示y与ci的夹角；s可以区域30；m可以取值0.35。
本申请实施例中，整体的BI-LSTM和am-softmax有监督模型，通过最小化该am-softmax的损失结果进行训练，最终得到基于评分库的区域组合特征的相似度计算模型。
步骤S1104，对候选区域组合特征进行相似度模型计算，输出候选区域的前N个相似区域得到预测分值。
对于候选区域，同样采用步骤S1102的方法构造区域的组合特征，并进行预处理，然后输入至步骤S1103搭建的BI-LSTM和am-softmax相似度计算模型中，预测得到该候选区域相似排序前N个已投放区域，其中N可以取[1，5]之间的整数，将相似的前N个已投放区域中占比最高的目标分值作为该候选区域预测分值，若占比一致则取最相似的已投放区域分值作为候选区域的预测分值。
步骤S1105，添加模型约束条件。
在经过步骤S1104评分后，每个候选区域都将被预测得到对应的预测分值，然后可以根据等级分类划分高预测分值的候选区域，划分方法为：根据实际投放的候选区域在总体候选区域中的占比P％，划分出候选区域评分占比前P％的候选区域为高价值区域，即目标投放区域。
在一些实施例中，在预测分值最大化的候选区域中，考虑到目标投放区域不应多度集中在位置相邻区域，因此可以添加模型位置约束条件。
本申请实施例中，可以添加以下约束条件：如果位置相邻区域中的目标投放区域的个数超过设定的最大相邻区域数阈值M(其中，M可以根据实际情况设定，例如，可设为5)，则将这些相邻的目标投放区域按相似度取前M个，并将该位置相邻区域中的其他目标投放区域的评分设置为相似度仅低于本区域的其他已投放区域，若评分跟原始评分一致，则再依次设置为下一相似度的已投放区域，通过该模型约束条件能够很好地确保区域分布位置不过于集中，同时符合系统整体预测分值最大化原则。
本申请实施例提供的基于BI-LSTM和am-softmax监督模型的选址方法，可以广泛地应用于商户选址、自贩机选址、线下广告投放等商业场景，本申请实施例的方法通过引入margin loss完成相似度计算，能够更好地使分类模型训练结果趋近于区域组合特征之间相似度计算的排序结果，从而能够快速提升区域组合特征相似度模型计算效果。同时，利用BI-LSTM作为编码模型能够更好地抽取组合特征。在计算组合特征相似度方面，本申请实施例方法的泛化能力更高，且本申请考虑到目标位置不应多度集中在某些区域，因此添加模型约束条件，在工业上具备良好的可操作性，具有较高的实际应用价值和指导意义。
需要说明的是，本申请实施例的基于BI-LSTM和am-softmax监督模型的选址方法，同样适用于基于BI-LSTM和am-softmax模型进行选址和区域投放的其他领域，即基于BI-LSTM和am-softmax模型进行选址和区域投放的应用都在本申请实施例的保护范围之内。
下面继续说明本申请实施例提供的投放区域确定装置354实施为软件模块的示例性结构，在一些实施例中，如图3所示，存储在存储器350的投放区域确定装置354中的软件模块可以是服务器300中的投放区域确定装置，包括：
获取模块3541，用于获取投放对象的候选区域集合和已投放区域集合；
特征提取模块3542，用于对所述候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一特征向量，对所述已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域的第二特征向量；
第一确定模块3543，用于对于所述每一候选区域，根据所述第一特征向量和所述第二特征向量，确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相似度；
第二确定模块3544，用于根据所述相似度确定出满足条件的区域对为目标区域对；并根据所述目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值；
第三确定模块3545，用于根据每一候选区域对应的预测分值，为所述投放对象确定目标投放区域。
在一些实施例中，所述第二确定模块还用于：在所述已投放区域集合中，按照所述相似度从大到小的顺序，依次确定出第一数量的区域对为所述目标区域对；将所述第一数量的目标区域对中的已投放区域，确定为对应候选区域的相似区域；根据所述相似区域对应的预设分值，确定对应候选区域的预测分值。
在一些实施例中，所述第二确定模块还用于：在所述第一数量的相似区域对应的预设分值中，将具有最高占比的预设分值，确定为对应候选区域的预测分值。
在一些实施例中，所述第二确定模块还用于：在所述第一数量的相似区域中，将具有最高相似度的已投放区域对应的预设分值，确定为对应候选区域的预测分值。
在一些实施例中，所述第一特征向量包括第一组合特征向量；所述第二特征向量包括第二组合特征向量；所述特征提取模块还用于：对所述候选区域集合中的每一候选区域进行组合特征提取，对应得到每一候选区域的第一组合特征向量；以及对所述已投放区域集合中的每一已投放区域进行组合特征提取，对应得到每一已投放区域的第二组合特征向量。
在一些实施例中，所述第一组合特征向量包括第一区域特征和第一支付特征；所述第二组合特征向量包括第二区域特征和第二支付特征；所述特征提取模块还用于：对所述候选区域集合中的每一候选区域，分别进行区域特征提取和支付特征提取，对应得到每一候选区域的所述第一区域特征和所述第一支付特征；以及对所述已投放区域集合中的每一已投放区域，分别进行区域特征提取和支付特征提取，对应得到每一已投放区域的所述第二区域特征和所述第二支付特征。
在一些实施例中，所述装置还包括：第一数据预处理模块用于在得到候选区域的第一特征向量之前，对每一候选区域的第一特征值进行数据预处理，得到处理后的第一特征值；对应地，所述特征提取模块还用于：采用所述处理后的第一特征值，对对应候选区域进行特征提取，得到候选区域的第一特征向量。
在一些实施例中，所述装置还包括：第二数据预处理模块，用于在得到已投放区域的第二特征向量之前，对每一已投放区域的第二特征值进行数据预处理，得到处理后的第二特征值；对应地，所述特征提取模块还用于：采用所述处理后的第二特征值，对对应已投放区域进行特征提取，得到已投放区域的第二特征向量。
在一些实施例中，所述第三确定模块还用于：在所述候选区域集合中，按照所述预测分值从大到小的顺序，依次确定第二数量的候选区域为所述投放对象的目标投放区域。
在一些实施例中，所述装置还包括：第四确定模块，用于确定位置相邻范围；第五确定模块，用于当位于同一位置相邻范围之内的目标投放区域的数量大于数量阈值时，确定位于同一位置相邻范围之内的目标投放区域对之间的区域相似度；第一处理模块，用于根据所述区域相似度，删减所述位置相邻范围内的目标投放区域。
在一些实施例中，所述第一处理模块还用于：按照所述区域相似度从大到小的顺序，依次选择出第三数量的目标投放区域；其中，所述第三数量小于所述位置相邻范围内的所述目标投放区域的总数量；将选择后所剩余的目标投放区域对应的区域相似度，设置为低于所述位置相邻区域中的其他目标投放区域对应的区域相似度。
在一些实施例中，所述装置还包括：第二处理模块，用于采用相似度模型，对每一候选区域进行特征提取，得到所述第一特征向量，对每一已投放区域进行特征提取，得到所述第二特征向量；并根据所述第一特征向量和所述第二特征向量，确定所述候选区域与每一已投放区域之间形成的多个区域对的多个相似度。
在另一些实施例中，本申请实施例还提供一种相似度模型训练设备，该相似度模型训练设备中的相似度模型训练装置也可以采用软件方式实现，该相似度模型训练装置可以是服务器中的相似度模型训练装置，包括：第一输入模块，用于将样本数据中的候选区域的特征值和已投放区域的特征值，输入至特征提取模型，对应得到候选区域的第一特征向量和已投放区域的第二特征向量；第二输入模块，用于将所述第一特征向量和所述第二特征向量输入至相似度计算模型中，得到所述候选区域与所述已投放区域之间形成的区域对的相似度；第三输入模块，用于将所述相似度输入至预设损失模型中，得到损失结果；修正模块，用于根据所述损失结果，对所述特征提取模型和所述相似度计算模型进行修正，得到所述相似度模型。
需要说明的是，本申请实施例装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
本申请实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的方法，例如，如图4示出的方法。
在一些实施例中，存储介质可以是铁电存储器(FRAM，Ferromagnetic Ra ndomAccess Memory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read Only Memory)、带电可擦可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read Only Me mory)、闪存、磁表面存储器、光盘、或光盘只读存储器(CD-ROM，Compact Disk-Read Only Memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(H TML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (15)

1.一种投放区域确定方法，其特征在于，包括：
获取投放对象的候选区域集合和已投放区域集合；
对所述候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一特征向量，对所述已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域的第二特征向量；
对于所述每一候选区域，根据所述第一特征向量和所述第二特征向量，确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相似度；
根据所述相似度确定出满足条件的区域对为目标区域对；
根据所述目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值；
根据每一候选区域对应的预测分值，为所述投放对象确定目标投放区域。
2.根据权利要求1所述的方法，其特征在于，所述根据所述相似度确定出满足条件的区域对为目标区域对，包括：
在所述已投放区域集合中，按照所述相似度从大到小的顺序，依次确定出第一数量的区域对为所述目标区域对；
对应地，所述根据所述目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值，包括：
将所述第一数量的目标区域对中的已投放区域，确定为对应候选区域的相似区域；
根据所述相似区域对应的预设分值，确定对应候选区域的预测分值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述相似区域对应的预设分值，确定对应候选区域的预测分值，包括：
在所述第一数量的相似区域对应的预设分值中，将具有最高占比的预设分值，确定为对应候选区域的预测分值。
4.根据权利要求2所述的方法，其特征在于，所述根据所述相似区域对应的预设分值，确定对应候选区域的预测分值，包括：
在所述第一数量的相似区域中，将具有最高相似度的已投放区域对应的预设分值，确定为对应候选区域的预测分值。
5.根据权利要求1所述的方法，其特征在于，所述第一特征向量包括第一组合特征向量；所述第二特征向量包括第二组合特征向量；
所述对所述候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一特征向量，包括：
对所述候选区域集合中的每一候选区域进行组合特征提取，对应得到每一候选区域的第一组合特征向量；
所述对所述已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域的第二特征向量，包括：
对所述已投放区域集合中的每一已投放区域进行组合特征提取，对应得到每一已投放区域的第二组合特征向量。
6.根据权利要求5所述的方法，其特征在于，所述第一组合特征向量包括第一区域特征和第一支付特征；所述第二组合特征向量包括第二区域特征和第二支付特征；
所述对所述候选区域集合中的每一候选区域进行组合特征提取，对应得到每一候选区域的第一组合特征向量，包括：
对所述候选区域集合中的每一候选区域，分别进行区域特征提取和支付特征提取，对应得到每一候选区域的所述第一区域特征和所述第一支付特征；
所述对所述已投放区域集合中的每一已投放区域进行组合特征提取，对应得到每一已投放区域的第二组合特征向量，包括：
对所述已投放区域集合中的每一已投放区域，分别进行区域特征提取和支付特征提取，对应得到每一已投放区域的所述第二区域特征和所述第二支付特征。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在得到每一候选区域的第一特征向量之前，对每一候选区域的第一特征值进行数据预处理，得到处理后的第一特征值；
对应地，采用所述处理后的第一特征值，对对应候选区域进行特征提取，得到每一候选区域的所述第一特征向量。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在得到每一已投放区域的第二特征向量之前，对每一已投放区域的第二特征值进行数据预处理，得到处理后的第二特征值；
对应地，采用所述处理后的第二特征值，对对应已投放区域进行特征提取，得到每一已投放区域的所述第二特征向量。
9.根据权利要求1所述的方法，其特征在于，所述根据每一候选区域对应的预测分值，为所述投放对象确定目标投放区域，包括：
在所述候选区域集合中，按照所述预测分值从大到小的顺序，依次确定第二数量的候选区域为所述投放对象的目标投放区域。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定位置相邻范围；
当位于同一位置相邻范围之内的目标投放区域的数量大于数量阈值时，确定位于同一位置相邻范围之内的目标投放区域对之间的区域相似度；
根据所述区域相似度，删减所述位置相邻范围内的目标投放区域。
11.根据权利要求10所述的方法，其特征在于，所述根据所述区域相似度，删减所述位置相邻区域内的目标投放区域，包括：
按照所述区域相似度从大到小的顺序，依次选择出第三数量的目标投放区域；其中，所述第三数量小于所述位置相邻范围内的所述目标投放区域的总数量；
所述方法还包括：将选择后所剩余的目标投放区域对应的区域相似度，设置为低于所述位置相邻区域中的其他目标投放区域对应的区域相似度。
12.根据权利要求1至11任一项所述的方法，其特征在于，所述方法还包括：
采用相似度模型，对每一候选区域进行特征提取，得到所述第一特征向量，对每一已投放区域进行特征提取，得到所述第二特征向量；并根据所述第一特征向量和所述第二特征向量，确定所述候选区域与每一已投放区域之间形成的多个区域对的多个相似度。
13.一种相似度模型训练方法，其特征在于，包括：
将样本数据中的候选区域的特征值和已投放区域的特征值，输入至特征提取模型，对应得到候选区域的第一特征向量和已投放区域的第二特征向量；
将所述第一特征向量和所述第二特征向量输入至相似度计算模型中，得到所述候选区域与所述已投放区域之间形成的区域对的相似度；
将所述相似度输入至预设损失模型中，得到损失结果；
根据所述损失结果，对所述特征提取模型和所述相似度计算模型进行修正，得到所述相似度模型。
14.一种投放区域确定装置，其特征在于，包括：
获取模块，用于获取投放对象的候选区域集合和已投放区域集合；
特征提取模块，用于对所述候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一特征向量，对所述已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域的第二特征向量；
第一确定模块，用于对于所述每一候选区域，根据所述第一特征向量和所述第二特征向量，确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相似度；
第二确定模块，用于根据所述相似度确定出满足条件的区域对为目标区域对；并根据所述目标区域对中的已投放区域的预设分值，确定对应候选区域的预测分值；
第三确定模块，用于根据每一候选区域对应的预测分值，为所述投放对象确定目标投放区域。
15.一种存储介质，其特征在于，存储有可执行指令，用于引起处理器执行时，实现权利要求1至12任一项所述的方法。
CN202010005007.8A 2020-01-03 2020-01-03 投放区域确定方法、装置、模型训练方法及存储介质 Active CN111222916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010005007.8A CN111222916B (zh) 2020-01-03 2020-01-03 投放区域确定方法、装置、模型训练方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010005007.8A CN111222916B (zh) 2020-01-03 2020-01-03 投放区域确定方法、装置、模型训练方法及存储介质

Publications (2)

Publication Number Publication Date
CN111222916A true CN111222916A (zh) 2020-06-02
CN111222916B CN111222916B (zh) 2021-06-01

Family

ID=70828128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010005007.8A Active CN111222916B (zh) 2020-01-03 2020-01-03 投放区域确定方法、装置、模型训练方法及存储介质

Country Status (1)

Country Link
CN (1) CN111222916B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932302A (zh) * 2020-07-31 2020-11-13 中国工商银行股份有限公司 一种区域中业务站点数量的确定方法、装置、设备及系统
CN112015556A (zh) * 2020-08-31 2020-12-01 广东技术师范大学 基于区块链权益证明机制的移动群智感知数据均衡方法
CN112508134A (zh) * 2021-02-02 2021-03-16 贝壳找房(北京)科技有限公司 度量集合间相似度的方法、装置、介质和电子设备
CN112989227A (zh) * 2021-04-22 2021-06-18 北京云迹科技有限公司 一种感兴趣对象的目标地址选取的方法及系统
CN113256341A (zh) * 2021-06-08 2021-08-13 北京众荟信息技术股份有限公司 一种经营场所的选址方法、装置、电子设备及存储介质
CN114493651A (zh) * 2021-12-17 2022-05-13 重庆特斯联智慧科技股份有限公司 一种自主移动的广告投放机器人系统及其方法
CN115018566A (zh) * 2022-08-09 2022-09-06 卓望数码技术（深圳）有限公司 一种区域内小区的广告投放方法及装置
CN115983911A (zh) * 2023-01-03 2023-04-18 上海弘跃网络科技有限公司 一种体验式互动营销广告投放系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222893A (zh) * 2019-06-06 2019-09-10 武汉元光科技有限公司 共享交通资源的投放地点推荐方法、装置与电子设备
US20190318417A1 (en) * 2018-04-12 2019-10-17 MrG Systems, LLC. Method and system associated with a smart shopping apparatus
US20190325465A1 (en) * 2018-04-24 2019-10-24 Adp, Llc Market analysis system
CN110634019A (zh) * 2019-09-06 2019-12-31 京东城市(北京)数字科技有限公司 基于企业与地区的匹配方法、电子设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949063B (zh) * 2017-12-20 2021-08-06 中移(苏州)软件技术有限公司 一种地址确定方法、装置、电子设备及可读存储介质
CN109345130B (zh) * 2018-10-12 2021-03-16 深圳市和讯华谷信息技术有限公司 商业选址的方法、装置、计算机设备及存储介质
CN110070140B (zh) * 2019-04-28 2021-03-23 清华大学 基于多类别信息的用户相似性确定方法及装置
CN110111150A (zh) * 2019-05-08 2019-08-09 拉扎斯网络科技（上海）有限公司 信息处理方法、装置、存储介质和电子设备
CN110415051A (zh) * 2019-08-07 2019-11-05 广东圣火传媒科技股份有限公司 一种店铺陈列选址方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190318417A1 (en) * 2018-04-12 2019-10-17 MrG Systems, LLC. Method and system associated with a smart shopping apparatus
US20190325465A1 (en) * 2018-04-24 2019-10-24 Adp, Llc Market analysis system
CN110222893A (zh) * 2019-06-06 2019-09-10 武汉元光科技有限公司 共享交通资源的投放地点推荐方法、装置与电子设备
CN110634019A (zh) * 2019-09-06 2019-12-31 京东城市(北京)数字科技有限公司 基于企业与地区的匹配方法、电子设备和存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932302A (zh) * 2020-07-31 2020-11-13 中国工商银行股份有限公司 一种区域中业务站点数量的确定方法、装置、设备及系统
CN111932302B (zh) * 2020-07-31 2024-02-13 中国工商银行股份有限公司 一种区域中业务站点数量的确定方法、装置、设备及系统
CN112015556A (zh) * 2020-08-31 2020-12-01 广东技术师范大学 基于区块链权益证明机制的移动群智感知数据均衡方法
CN112508134A (zh) * 2021-02-02 2021-03-16 贝壳找房(北京)科技有限公司 度量集合间相似度的方法、装置、介质和电子设备
CN112989227A (zh) * 2021-04-22 2021-06-18 北京云迹科技有限公司 一种感兴趣对象的目标地址选取的方法及系统
CN113256341A (zh) * 2021-06-08 2021-08-13 北京众荟信息技术股份有限公司 一种经营场所的选址方法、装置、电子设备及存储介质
CN113256341B (zh) * 2021-06-08 2024-08-02 北京众荟信息技术股份有限公司 一种经营场所的选址方法、装置、电子设备及存储介质
CN114493651A (zh) * 2021-12-17 2022-05-13 重庆特斯联智慧科技股份有限公司 一种自主移动的广告投放机器人系统及其方法
CN114493651B (zh) * 2021-12-17 2024-04-09 重庆特斯联智慧科技股份有限公司 一种自主移动的广告投放机器人系统及其方法
CN115018566A (zh) * 2022-08-09 2022-09-06 卓望数码技术（深圳）有限公司 一种区域内小区的广告投放方法及装置
CN115018566B (zh) * 2022-08-09 2022-12-23 卓望数码技术（深圳）有限公司 一种区域内小区的广告投放方法及装置
CN115983911A (zh) * 2023-01-03 2023-04-18 上海弘跃网络科技有限公司 一种体验式互动营销广告投放系统

Also Published As

Publication number Publication date
CN111222916B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN111222916B (zh) 投放区域确定方法、装置、模型训练方法及存储介质
CN111680221B (zh) 信息推荐方法、装置、设备及计算机可读存储介质
CN107958317B (zh) 一种众包项目中选取众包参与人的方法和装置
CN110869943A (zh) Gpu增强的图形模型构建和评分引擎
CN108171280A (zh) 一种分类器构建方法及预测分类的方法
US20210216936A1 (en) Intelligent diversification tool
CN101842794A (zh) 用于提供最佳卡推荐服务的人工智能系统及其支付装置和组合卡支付终端
KR20210082108A (ko) 부동산 실거래가 예측 기반 부동산 예상 실거래가 산출 장치의 동작 방법
KR102447549B1 (ko) Nft 기반 아트워크와 연계된 쥬얼리 거래 서비스 제공 방법, 장치 및 시스템
CN112559896A (zh) 信息推荐方法、装置、设备及计算机可读存储介质
CN110472798A (zh) 时间序列数据的预测方法、装置及计算机可读存储介质
CN110765301A (zh) 图片处理方法、装置、设备及存储介质
Marzouk et al. Assessing design process in engineering consultancy firms using lean principles
CN118429020A (zh) 商家推荐方法、装置、计算机设备、存储介质和程序产品
Kaya Keles et al. Proposed artificial bee colony algorithm as feature selector to predict the leadership perception of site managers
CN110443682A (zh) 推荐方法、装置、系统及介质
CN114330476A (zh) 用于媒体内容识别的模型训练方法及媒体内容识别方法
KR20170109300A (ko) 지식재산권(ipr)의 스타트업을 지원하는 방법
CN112836742A (zh) 系统资源调整方法、装置及设备
CN116361542A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN115439180A (zh) 一种目标对象确定方法、装置、电子设备及存储介质
Al Jassim et al. Predicting Hotel Performance in Oman with AI-Driven Predictive Analytic
CN117194966A (zh) 对象分类模型的训练方法和相关装置
CN111460300B (zh) 网络内容推送方法、装置及存储介质
CN113191570A (zh) 基于深度学习的资金规划推荐方法、装置和设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40024887

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant