CN111428158A - 推荐位置的方法、装置、电子设备及可读存储介质 - Google Patents

推荐位置的方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN111428158A
CN111428158A CN202010274241.0A CN202010274241A CN111428158A CN 111428158 A CN111428158 A CN 111428158A CN 202010274241 A CN202010274241 A CN 202010274241A CN 111428158 A CN111428158 A CN 111428158A
Authority
CN
China
Prior art keywords
vector
vectors
reference position
target
positions
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
CN202010274241.0A
Other languages
English (en)
Other versions
CN111428158B (zh
Inventor
陈弥
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.)
Hanhai Information Technology Shanghai Co Ltd
Original Assignee
Hanhai Information Technology Shanghai 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 Hanhai Information Technology Shanghai Co Ltd filed Critical Hanhai Information Technology Shanghai Co Ltd
Priority to CN202010274241.0A priority Critical patent/CN111428158B/zh
Publication of CN111428158A publication Critical patent/CN111428158A/zh
Application granted granted Critical
Publication of CN111428158B publication Critical patent/CN111428158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了推荐位置的方法、装置、电子设备及可读存储介质，属于人工智能技术领域。方法包括：获取基于二部图得到的多个参考区域向量及多个参考位置向量，每个参考区域向量对应一个参考区域，每个参考位置向量对应一个参考位置。获取目标对象的定位位置，根据定位位置从多个参考区域中确定定位位置所在的目标区域，将目标区域对应的参考区域向量作为目标区域向量。从多个参考位置向量中按照与目标区域向量的相似度大小选择前第一数量个参考位置向量。根据第一数量个参考位置向量对应的第一数量个参考位置得到目标位置，向目标对象推荐目标位置。本申请根据二部图学习得到的向量及相似度推荐位置，推荐效果好、推荐准确度高，保证了用户体验。

Description

推荐位置的方法、装置、电子设备及可读存储介质
技术领域
本申请涉及人工智能技术领域，特别涉及一种推荐位置的方法、装置、电子设备及可读存储介质。
背景技术
随着人工智能技术的发展，人工智能技术被应用于越来越多的场景中，乘车场景便是其中一种。在乘车场景中，往往会基于用户的定位位置向用户推荐乘车位置，以便于用户移动至所推荐的乘车位置开始进行乘车。因此，如何进行位置的推荐，是保证用户乘车体验的关键。
相关技术中，以乘车位置与用户的定位位置之间的直线距离为依据，将距离用户的定位位置最近的乘车位置推荐给用户。然而，相关技术中所使用的依据较为单一。对于与用户定位位置的直线距离最近的乘车位置，用户可能需要绕路到达甚至完全不可到达。因此，推荐的位置不佳、准确率不高，推荐效果较差，影响了用户的使用体验。
发明内容
本申请实施例提供了一种推荐位置的方法、装置、设备及可读存储介质，以解决相关技术推荐的位置不佳、准确率不高的问题。所述技术方案如下：
一方面，提供了一种推荐位置的方法，所述方法包括：
获取多个参考区域向量及多个参考位置向量，每个参考区域向量对应一个参考区域，每个参考位置向量对应一个参考位置，所述多个参考区域向量及所述多个参考位置向量均是基于二部图学习得到的向量；
获取目标对象的定位位置，根据所述定位位置从多个参考区域中确定所述定位位置所在的目标区域，将所述目标区域对应的参考区域向量作为目标区域向量；
从所述多个参考位置向量中按照与所述目标区域向量的相似度大小选择前第一数量个参考位置向量；
根据所述第一数量个参考位置向量对应的第一数量个参考位置得到目标位置，向所述目标对象推荐所述目标位置。
在示例性实施例中，所述获取多个参考区域向量及多个参考位置向量之前，所述方法还包括：
获取多个参考区域和多个参考位置，所述多个参考区域和所述多个参考位置之间具有对应关系；
根据所述多个参考区域和所述多个参考位置之间的对应关系获取二部图；
基于所述二部图获取多个训练数据；
调用目标模型，将所述多个训练数据输入所述目标模型，所述目标模型用于根据所述多个训练数据输出每个参考区域对应的参考区域向量以及每个参考位置对应的参考位置向量。
在示例性实施例中，所述多个参考区域及所述多个参考位置在所述二部图中均表示为结点，所述基于所述二部图获取多个训练数据，包括：
针对所述二部图中的每个结点设置初始向量；
针对所述二部图中的任一个结点，以所述任一个结点为起点进行一次或多次参考长度的随机游走，每次参考长度的随机游走得到一个训练数据，所述训练数据包括随机游走过程中到达的每个结点的初始向量。
在示例性实施例中，每个参考位置向量对应一个索引，所述从所述多个参考位置向量中按照与所述目标向量的相似度大小选择前第一数量个参考位置向量，包括：
根据所述多个参考位置向量中每个参考位置向量对应的索引，从所述多个参考位置向量中获取第二数量个参考位置向量，所述第二数量大于所述第一数量；
计算所述第二数量个参考位置向量中每个参考位置向量与所述目标区域向量之间的相似度数值，所述相似度数值用于指示所述参考位置向量与所述目标区域向量之间的相似度；
从所述第二数量个参考位置向量中按照相似度数值大小选取前第一数量个参考位置向量。
在示例性实施例中，每个参考区域均通过一个索引进行表示，所述根据所述定位位置从多个参考区域中确定所述定位位置所在的目标区域，包括：
确定所述定位位置的经纬度；
将与所述经纬度信息匹配的索引所表示的参考区域确定为所述目标区域。
在示例性实施例中，所述根据所述第一数量个参考位置向量对应的第一数量个参考位置得到目标位置，包括：
获取所述第一数量个参考位置中每个参考位置对应的特征信息；
根据所述特征信息从所述第一数量个参考位置中选择第三数量个参考位置，所述第三数量不大于所述第一数量；
根据所述第三数量个参考位置得到所述目标位置。
在示例性实施例中，所述根据所述第三数量个参考位置得到所述目标位置，包括：
获取所述第三数量个参考位置中每个参考位置对应的参考位置向量与所述目标区域向量之间的相似度数值；
对于任一个参考位置，基于所述任一个参考位置的相似度数值及所述特征信息确定所述任一个参考位置的分数；
从所述第三数量个参考位置中按照分数大小选择前第四数量个参考位置，根据所述第四数量个参考位置得到所述目标位置。
一方面，提供了一种推荐位置的装置，所述装置包括：
第一获取模块，用于获取多个参考区域向量及多个参考位置向量，每个参考区域向量对应一个参考区域，每个参考位置向量对应一个参考位置，所述多个参考区域向量及所述多个参考位置向量均是基于二部图学习得到的向量；
第二获取模块，用于获取目标对象的定位位置，根据所述定位位置从多个参考区域中确定所述定位位置所在的目标区域，将所述目标区域对应的参考区域向量作为目标区域向量；
选择模块，用于从所述多个参考位置向量中按照与所述目标区域向量的相似度大小选择前第一数量个参考位置向量；
推荐模块，用于根据所述第一数量个参考位置向量对应的第一数量个参考位置得到目标位置，向所述目标对象推荐所述目标位置。
在示例性实施例中，所述装置还包括：第三获取模块，用于获取多个参考区域和多个参考位置，所述多个参考区域和所述多个参考位置之间具有对应关系；根据所述多个参考区域和所述多个参考位置之间的对应关系获取二部图；基于所述二部图获取多个训练数据；调用目标模型，将所述多个训练数据输入所述目标模型，所述目标模型用于根据所述多个训练数据输出每个参考区域对应的参考区域向量以及每个参考位置对应的参考位置向量。
在示例性实施例中，所述多个参考区域及所述多个参考位置在所述二部图中均表示为结点，所述第三获取模块，用于针对所述二部图中的每个结点设置初始向量；针对所述二部图中的任一个结点，以所述任一个结点为起点进行一次或多次参考长度的随机游走，每次参考长度的随机游走得到一个训练数据，所述训练数据包括随机游走过程中到达的每个结点的初始向量。
在示例性实施例中，每个参考位置向量对应一个索引，所述选择模块，用于根据所述多个参考位置向量中每个参考位置向量对应的索引，从所述多个参考位置向量中获取第二数量个参考位置向量，所述第二数量大于所述第一数量；计算所述第二数量个参考位置向量中每个参考位置向量与所述目标区域向量之间的相似度数值，所述相似度数值用于指示所述参考位置向量与所述目标区域向量之间的相似度；从所述第二数量个参考位置向量中按照相似度数值大小选取前第一数量个参考位置向量。
在示例性实施例中，每个参考区域均通过一个索引进行表示，所述第二获取模块，用于确定所述定位位置的经纬度；将与所述经纬度信息匹配的索引所表示的参考区域确定为所述目标区域。
在示例性实施例中，所述推荐模块，用于获取所述第一数量个参考位置中每个参考位置对应的特征信息；根据所述特征信息从所述第一数量个参考位置中选择第三数量个参考位置，所述第三数量不大于所述第一数量；根据所述第三数量个参考位置得到所述目标位置。
在示例性实施例中，所述推荐模块，用于获取所述第三数量个参考位置中每个参考位置对应的参考位置向量与所述目标区域向量之间的相似度数值；对于任一个参考位置，基于所述任一个参考位置的相似度数值及所述特征信息确定所述任一个参考位置的分数；从所述第三数量个参考位置中按照分数大小选择前第四数量个参考位置，根据所述第四数量个参考位置得到所述目标位置。
一方面，提供了一种电子设备，所述设备包括存储器及处理器；所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现本申请的任一种示例性实施例提供的推荐位置的方法。
另一方面，提供了一种可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现本申请的任一种示例性实施例提供的推荐位置的方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
从目标对象的定位位置出发，根据该定位位置所在的区域从基于二部图学习得到的多个参考区域向量中确定目标区域向量。之后，根据与目标区域向量的相似度大小从基于二部图学习得到的多个参考位置向量中选择出一定数量的参考位置向量，从而将参考位置向量对应的参考位置推荐给目标对象。由于参考位置是基于向量及相似度大小进行推荐的，因而避免了依据较为单一而导致的推荐效果较差的情况。通过本实施例所提供的方法进行位置推荐的推荐效果较好、准确度较高，提升了用户的使用体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的场景示意图；
图2是本申请实施例提供的实施环境示意图；
图3是本申请实施例提供的推荐位置的方法的流程图；
图4是本申请实施例提供的二部图；
图5是本申请实施例提供的建立索引的示意图；
图6是本申请实施例提供的建立索引的示意图；
图7是本申请实施例提供的确定分数的示意图；
图8是本申请实施例提供的推荐位置的方法的流程示意图；
图9是本申请实施例提供的推荐位置的装置的结构示意图；
图10是本申请实施例提供的终端的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
随着人工智能技术的发展，人工智能技术被应用于越来越多的场景中，乘车场景便是其中一种。在乘车场景中，往往会基于用户的定位位置向用户推荐乘车位置，以便于用户移动至所推荐的乘车位置开始进行乘车。因此，如何根据用户的定位位置向用户推荐合适的乘车位置，是保证用户乘车体验的关键。
例如，在用户乘坐网约车时，网约车APP(Application，应用程序)会提示用户先进行起点位置与终点位置的确定，再按照用户确定的起点位置及终点位置生成订单。其中，由网约车APP向用户推荐的乘车位置是起点位置的重要来源，用户可以在网约车APP推荐的乘车位置中选择一个乘车位置作为起点位置，从而完成起点位置的确定。并且，该来源是各种来源中质量最高、最有利于提高网约车司机与用户之间沟通效率的一种来源。或者，在用户期望以公共交通方式出行时，导航APP也需要根据用户的定位位置提供多条导航路径，每条导航路径都涉及乘车位置的推荐。由此可见，在乘车场景中，乘车位置的推荐至关重要。
相关技术中，常常以乘车位置与用户的定位位置之间的直线距离为依据，将距离用户的定位位置最近的乘车位置推荐给用户。然而，该方式依赖于用户的定位位置的准确度，换言之，该方式对用户的定位位置的偏差十分敏感。由于用户的定位位置不可避免的存在偏差，且根据用户所采用的定位方式不同，定位位置与用户的真实位置之间存在的偏差在几十至几百米不等。因此，距离用户的定位位置最近的乘车位置与用户的真实位置可能距离较远，准确率不高。用户需要花费较多的时间及精力移动至该乘车位置，影响了用户的使用体验。
此外，相关技术中还可能以乘车位置的使用次数为依据，将用户的定位位置周围使用次数较多的乘车位置推荐给用户。但是，无论是以上述直线距离为依据，还是以使用次数为依据，所使用的依据都较为单一。因此，通过这样单一的依据推荐的乘车位置对于用户而言，可能需要用户绕路到达甚至完全不可到达，推荐效果较差。
以图1所示的场景为例，该场景中包括超市及学校，超市及学校之间无可步行通行的道路。学校内可分为两个不同的区域，如图1中所示的区域A及区域B，超市门口、学校北门、学校东门均可作为推荐给用户的乘车位置。历史订单中区域A中用户选择超市门口和学校东门上车，区域B中用户选择学校北门和学校东门上车。
在用户的定位位置位于区域A内的情况下，若是以直线距离为依据向用户推荐乘车位置，则会将与区域A最近的超市门口推荐给用户，但是位于学校内的用户无法步行到达超市门口。若是以使用次数为依据向用户推荐乘车位置，则一旦超市门口的使用次数多于学校北门及学校东门的使用次数，仍会将超市门口作为乘车位置推荐给用户。可见，无论是以直线距离为依据，还是以使用次数为依据，均会推荐给用户不佳的乘车位置。
可以理解的是，在上述举例中的情况下，即使综合直线距离、使用次数以及其他特征作为推荐乘车位置的依据，仍有可能存在以偏概全的现象，导致推荐给用户的乘车位置不佳、准确度不高，从而影响用户的乘车体验。
本申请实施例提供了一种推荐位置的方法，该方法可应用于如图2所示的实施环境中。图2中，包括至少一个终端21和服务器22，终端21可与服务器22进行通信连接，以从服务器22上下载基于二部图学习得到的多个参考区域向量以及多个参考位置向量，从而根据多个参考区域向量以及多个参考位置向量来进行位置的推荐。
其中，终端21安装于自动驾驶设备，终端21可以是PC(Personal Computer，个人计算机)、手机、智能手机、PDA(Personal Digital Assistant，个人数字助手)、可穿戴设备、掌上电脑PPC(Pocket PC)、平板电脑、智能车机、智能电视等电子产品。
服务器22可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。
本领域技术人员应能理解上述终端21和服务器22仅为举例，其他现有的或今后可能出现的终端或服务器如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
基于上述图2所示的实施环境，参见图3，本申请实施例提供了一种推荐位置的方法，该方法可应用于图2所示的终端中。如图3所示，该方法包括：
步骤301，获取多个参考区域向量及多个参考位置向量，每个参考区域向量对应一个参考区域，每个参考位置向量对应一个参考位置，多个参考区域向量及多个参考位置向量均是基于二部图学习得到的向量。
其中，多个参考区域向量及多个参考位置向量均为已学习得到的向量。示例性地，多个参考区域向量及多个参考位置向量可以在学习得到之后存储于服务器中。之后，在终端从服务器获取与乘车场景相关的APP时，服务器可将多个参考区域向量及多个参考位置向量与APP的安装包一起返回给终端，从而使得终端通过接收过程实现多个参考区域向量及多个参考位置向量的获取。
每个参考区域向量均用于对该参考区域向量所对应的参考区域进行唯一标识。参考区域是用于生成乘车订单的区域，参考区域也可称为发单区域，用户的定位位置可能位于任一个参考区域中。也就是说，用户的定位位置位于哪一个参考区域中，APP便为该用户在该参考区域中生成乘车订单。不同参考区域的形状及大小可以相同，也可以不同，本实施例不对参考区域的形状及大小加以限定。另外，每个参考位置向量均用于对该参考位置向量所对应的参考位置进行唯一标识，参考位置是可用于作为乘车位置推荐给用户的位置，参考位置也可以称为上车点。
由于多个参考区域向量及多个参考位置向量均为基于二部图已学习得到的向量，因此，在获取多个参考区域向量及多个参考位置向量之前，还需要执行基于二部图的学习过程。也就是说，在示例性实施例中，获取多个参考区域向量及多个参考位置向量之前，方法还包括如下的步骤A1-A4：
步骤A1、获取多个参考区域和多个参考位置，多个参考区域和多个参考位置之间具有对应关系。
如前所述，参考区域是用于生成乘车订单的区域，而参考位置是可用于作为乘车位置推荐给用户的位置。因此，对于任一个参考区域中生成的乘车订单，该乘车订单中用户最终选择哪一个参考位置作为起始位置，则该任一个参考区域便与用户所选择的参考位置具有对应关系。例如，参考区域A中的用户选择了参考位置1作为订单中的起始位置，则参考区域A与参考位置1之间具有对应关系。可以理解的是，同一个参考区域可能与一个或多个参考位置具有对应关系，同一个参考位置也可能与一个或多个参考区域具有对应关系。
示例性地，具有对应关系的多个参考区域和多个参考位置可以从历史订单中进行获取。其中，历史订单可以是目标对象在历史时间中产生的乘车订单，目标对象是指待接受本次乘车位置的推荐的对象。通过从该目标对象的历史订单中获取具有对应关系的多个参考区域和多个参考位置，可以通过后续的学习过程学习到该目标对象的乘车偏好，从而根据该目标对象的乘车偏好向该目标对象推荐合适的乘车位置，针对性较强。或者，历史订单还可以是使用过乘车APP的所有对象的产生的乘车订单。由于乘车APP的所有对象的数据量往往较多，因而获取的乘车订单的数量也较多。因此，即使存在一部分具有偶然性的乘车订单，对后续的学习过程的影响也较小，避免了具有偶然性的乘车订单对位置推荐准确性的影响。
除了从历史订单中获取具有对应关系的多个参考区域和多个参考位置以外，还可以通过人工设置的方式获取具有对应关系的多个参考区域和多个参考位置。例如，工作人员可以通过查阅地图选择出多个参考区域和多个参考位置，再通过实地考察的方式确定多个参考区域和多个参考区域之间的对应关系。当然，本实施例不对获取具有对应关系的多个参考参考区域和多个参考位置的方式加以限定，可根据经验或实际需要选择合适的获取方式。
步骤A2、根据多个参考区域和多个参考位置之间的对应关系获取二部图。
其中，每个参考区域和每个参考位置在二部图中均表示为结点。二部图也可以称为二分图，如果一幅图中的所有节点可以分为两个互不相交的子集，且该图中的每条边两端的两个顶点分别属于这两个互不相交的子集，则该图可以称为二部图。由于多个参考区域和多个参考位置之间具有对应关系，因而可以将多个参考区域对应的结点作为一个子集，将多个参考位置对应的结点作为另一个子集，将具有对应关系的参考区域对应的结点以及参考位置对应的结点之间通过边连接，从而获取得到二部图。
以图4所示的场景为例，对获取二部图的过程加以说明：
图4中，A、B、C及D四个结点表示四个不同的参考区域，1、2、3、4、5及6六个结点表示六个不同的参考区域。参考区域A与参考位置1及3具有对应关系，参考区域B与参考位置1、2、3及5具有对应关系，参考区域C与参考位置4及6具有对应关系，参考区域D与参考位置5及6具有对应关系。因此，通过边对具有对应关系的参考区域及参考位置对应的结点进行连接，即可得到如图4所示的二部图。
需要说明的是，参考区域对应的结点与参考位置对应的结点之间的距离反映了对象在该参考区域内最终选择该参考位置作为起始位置的倾向性。距离越远，则说明对象越不倾向于在该参考区域内选择该参考位置作为起始位置。另外，本实施例无需针对二部图中的结点设置除连接关系以外的其他标签信息，后续直接根据二部图中不同结点之间的连接关系进行学习即可。
两个结点之间的距离是指从一个结点到达另一个节点所需经过的边的数量。以参考区域A为例，参考位置1及3经过1条边即可到达参考区域A，因而参考位置1及3与参考区域A之间的距离为1。参考位置2需要依次经过边c、b以及a到达参考区域A，参考位置5需要依次经过边d、b及a到达参考区域A，因此参考位置2及5与参考区域A之间的距离为3。基于上述距离的定义可知，参考位置6与参考区域A之间的距离为5，参考位置4与参考区域A之间的距离为7，此处不再一一进行说明。
步骤A3、基于二部图获取多个训练数据。
获取到二部图之后，可以根据二部图中所包括的各个结点来进行训练数据的获取。在示例性实施例中，基于二部图获取多个训练数据，包括：针对二部图中的每个结点设置初始向量。针对二部图中的任一个结点，以任一个结点为起点进行一次或多次参考长度的随机游走，每次参考长度的随机游走得到一个训练数据，训练数据包括随机游走过程中到达的每个结点的初始向量。
其中，初始向量用于对结点进行唯一标识。示例性地，初始向量的维度根据二部图中的结点数量确定。二部图中的结点数量越多，对每个结点进行唯一标识的初始向量所需的维度就越大。初始向量可以根据经验进行设置，本实施例不对设置初始向量的方式加以限定。
以vi表示二部图中的任一个结点，参考长度表示为K为例，针对该任一个结点vi进行随机游走的过程如下：
从vi出发，构造一个长度为K的序列【vi 1，vi 2，…，vi k-1，vi k】，其中vi k是从与vi k-1相邻的结点中随机选取得到的结点，与vi k-1相邻的结点是指与vi k-1之间有边相连的结点。得到长度为K的序列之后，将vi记为vi 0，将vi 0插入到长度为K的序列的头部，得到长度为K+1的新序列【vi 0，vi 1，vi 2，…，vi k-1，vi k】。上述过程即为针对任一个节点进行的一次长度为K的随机游走。可以理解的是，上述长度为K+1的新序列【vi 0，vi 1，vi 2，…，vi k-1，vi k】即为一个训练数据。
示例性地，本实施例不对任一个节点所进行的随机游走的次数加以限定，不同结点所进行的随机游走的次数可以相同，也可以不同。另外，本实施例也不对每次随机游走的参考长度加以限定，只要每个结点的每次随机游走的参考长度保持一致即可。对于上述次数及参考长度，根据经验或者实际需要分别进行选择即可。
步骤A4、调用目标模型，将多个训练数据输入目标模型，目标模型用于根据多个训练数据输出每个参考区域对应的参考区域向量以及每个参考位置对应的参考位置向量。
对于二部图中的任一个结点，基于二部图进行学习的本质是在设置的初始向量的基础上进行调整，得到能够对该节点进行唯一指示，且能够表达该结点与其他节点之间的连接关系的向量。示例性地，在学习过程中，可以将学习原则设置为使得二部图中距离越近的结点对应的向量在向量空间中的距离也越接近，则目标模型输出的参考区域向量以及参考位置向量需要满足或是在一定程度上满足该学习原则。以图4所示的场景为例，参考位置1与参考区域A的距离比参考位置2与参考区域A的距离更加接近，则目标模型输出的参考位置向量1与参考区域向量A在向量空间中的距离也需要比参考位置向量2与参考区域向量A在向量空间中的距离更加接近。其中，参考位置向量1是参考位置1对应的向量，参考位置向量2是参考位置2对应的向量，参考区域向量A是参考区域A对应的向量。
将二部图表示为G＝(V，E)，其中，V表示二部图中的结点，E表示二部图中连接结点的边。上述确定二部图中的任一个结点对应的向量的过程可表示为v→Rd×1，即确定该任一个节点v到d维向量的映射，其中，d表示该任一个节点对应的向量的维度。该过程也可以等效为计算矩阵X∈R|V|×d，其中，|V|为二部图中节点的总数量。
示例性地，目标模型可以是skip-gram模型(跳字模型)，目标模型可以采用无监督学习的方式基于多个训练数据进行学习，以便于输出多个参考区域向量以及多个参考位置向量。其中，无监督学习的方式包括但不限于Deepwalk(Deepwalk：Online Learning ofSocial Representations，在线社交表征学习)、node2vec(node2vec:Scalable FeatureLearning for Networks，可扩展网络特征学习)以及LINE(Large-scale InformationNetwork Embedding，大规模信息网络嵌入)等方式。需要说明的是，采用的无监督学习的方式不同，则上述步骤A3中获取训练数据的方式也不同。例如步骤A3中说明的通过随机游走的方式获取训练数据则适用于采用Deepwalk的情况。另外，目标模型在无监督学习的过程中，还可以结合SGE(Stochastic Gradient Descent，随机梯度下降)以及父采样，以便于提高学习效果，输出更满足上述学习原则的多个参考区域向量以及多个参考位置向量。
在示例性实施例中，获取多个参考区域向量及多个参考位置向量之后，还可以针对每个参考区域向量以及每个参考位置向量分别设置索引，以便于后续根据设置的索引进行向量的检索，从而完成位置的推荐。
其中，在针对参考区域向量设置索引时，可以通过GeoHash、六边形蜂窝编号等方式将与参考区域向量对应的参考区域表示为索引。以GeoHash为例，该方式获取参考区域的经纬度信息，将参考区域的经纬度信息转换为字符串，该字符串即可作为索引。需要说明的是，对参考区域内的任一个位置的经纬度进行转换得到的字符串均与对参考区域的经纬度信息转换得到的字符串一致。换言之，根据任一个位置的经纬度即可确认该位置位于哪一个参考区域中，从而可以获取该参考区域对应的参考区域向量，基于获取的参考区域向量进行位置的推荐。示例性地，可以将索引与参考区域向量对应存储，得到如图5所示的参考区域向量的索引表。
另外，在针对参考位置向量设置索引时，可采用便于后续检索的方式进行设置，本实施例不对设置索引的方式加以限定。例如，可以采用内积平面索引(IndexFlatIP)、L2空间平面索引(IndexFlatL2)以及有损索引等方式。示例性地，可以通过索引表将设置的索引与向量对应存储。例如，可以根据如图5所示的索引表对参考区域表示得到的索引以及参考区域向量进行对应存储。还可以根据如图6所示的索引表对参考位置向量以及参考位置向量对应的索引进行对应存储。由图6可知，索引表中还可以将参考位置的ID、坐标、名称、类别以及使用次数等特征信息一并存储于索引表中，以便于后续过程中能够从索引表中取用。另外，参考区域向量及参考位置向量在索引表中均可以表示为浮点数组。。
步骤302，获取目标对象的定位位置，根据定位位置从多个参考区域中确定定位位置所在的目标区域，将目标区域对应的参考区域向量作为目标区域向量。
如前所述，在相关技术中，直接基于目标对象的定位位置，以直线距离或者使用次数为依据进行推荐，该方式非常依赖于定位的准确性。而在本实施例中，获取目标对象的定位位置之后，是根据定位位置从多个参考区域中确定定位位置所在的目标区域，后续基于所确定的目标区域进行位置的推荐。因此，即使通过定位得到的定位位置与目标对象的真实位置存在偏差，根据该定位位置确定的目标区域与根据目标对象的真实位置确定的目标区域仍有可能为同一个目标区域，因而不会影响到后续位置的推荐。可见，本实施例的推荐准确性受定位准确度的影响较小。
在示例性实施例中，每个参考区域均通过一个索引进行表示，根据定位位置从多个参考区域中确定定位位置所在的目标区域，包括：确定定位位置的经纬度。将与经纬度信息匹配的索引所表示的参考区域确定为目标区域。
根据步骤301中的说明可知，将参考区域通过索引进行表示之后，参考区域内的任一位置的经纬度转换得到的字符串均与该索引一致。因此，可以先对定位位置的经纬度进行转换，得到字符串，再将字符串与每个索引进行匹配。该字符串与哪一个索引一致，则说明该字符串与哪一个索引相互匹配。因此，可以将该索引所表示的参考区域确定为目标区域。当然，响应于在确定出多个参考区域向量之后未对每个参考区域向量设置索引，则可以直接将定位位置的经纬度与参考区域的经纬度信息进行匹配，从而将匹配得到的参考区域确定为目标区域。无论采用哪种方式确定得到目标区域，在得到目标区域之后，便可将该目标区域对应的参考区域向量作为目标区域向量。
步骤303，从多个参考位置向量中按照与目标区域向量的相似度大小选择前第一数量个参考位置向量。
其中，可以计算多个参考位置向量中每个参考位置向量与目标区域向量的相似度数值，该相似度数值用于指示参考位置向量与目标区域向量之间的相似度。示例性地，相似度数值越大，则相似度数值指示参考位置向量与目标区域向量之间越相似。因此，可以根据相似度数值选择相似度高的前第一个数量个参考位置向量。
考虑到参考位置向量的数量往往较多，对每个参考位置向量计算相似度数值所需的处理资源较多、耗费较长的时间。因此，可以借助步骤301中确定的参考位置向量的索引先从多个参考位置向量中排除掉一部分参考位置向量，排除掉的这部分参考位置向量与目标区域向量的相似度大小必然较低。对于剩余的参考位置向量，再计算相似度数值，从而降低计算所需的处理资源、缩短计算时间，从而提到推荐位置的效率。
也就是说，在示例性实施例中，每个参考位置向量对应一个索引，从多个参考位置向量中按照与目标向量的相似度大小选择前第一数量个参考位置向量，包括：根据多个参考位置向量中每个参考位置向量对应的索引，从多个参考位置向量中获取第二数量个参考位置向量，第二数量大于第一数量。计算第二数量个参考位置向量中每个参考位置向量与目标区域向量之间的相似度数值，相似度数值用于指示参考位置向量与目标区域向量之间的相似度。从第二数量个参考位置向量中按照相似度数值大小选取前第一数量个参考位置向量。
在该实施例中，针对每个参考位置向量设置索引的方式需要与计算相似度数值的方式相适配，以保证基于索引选取的第一数量个参考位置向量确实是多个参考位置向量中相似度高的向量。示例性地，计算余弦距离作为相似度的方式与上述内积平面索引相适配，计算欧式距离作为相似度的方式与上述L2空间平面索引相适配，计算矢量量化作为相似度的方式与上述有损索引相适配。
在选择出第二数量个参考位置向量之后，便可计算第二数量个参考位置向量中每个参考位置向量与目标位置向量之间的相似度数值。以计算余弦距离作为相似度为例，余弦距离越小，则说明参考位置向量与目标区域向量之间越相似。以参考位置向量表示为p，目标区域向量表示为vec，计算余弦相似度s(vec，p)的公式如下：
Figure BDA0002444209860000141
在该公式中，||·||表示向量的模。
对于第二数量个参考位置向量中每个参考位置向量与目标位置向量之间的相似度数值，可将每个相似度数值按照从小到大的顺序进行排列，得到相似度数值序列。之后，从该相似度数值序列中选择得到前第一数量个相似度数值对应的参考位置向量。上述按照相似度大小选择前第一数量个参考位置向量的过程也可以称为TOP-K方式的向量召回，其中K即为第一数量。
步骤304，根据第一数量个参考位置向量对应的第一数量个参考位置得到目标位置，向目标对象推荐目标位置。
其中，在得到第一数量个参考位置向量之后，可以直接将第一数量个参考位置向量对应的第一数量个参考位置作为目标位置，向目标对象推荐该目标位置。在进行推荐时，可以按照步骤303中计算的相似度数值所指示的相似度，通过列表形式对第一数量个参考位置进行推荐。例如，将与目标区域向量的相似度最高的参考位置向量对应的参考位置作为列表中的第一行，将与目标区域向量的相似度第二高的参考位置向量对应的参考位置作为列表中的第二行。另外，可以通过APP的用户界面显示该推荐列表，或者按照推荐列表中的参考位置的顺序进行语音播报的方式进行推荐。
在示例性实施例中，根据第一数量个参考位置向量对应的第一数量个参考位置得到目标位置，包括：获取第一数量个参考位置中每个参考位置对应的特征信息。根据特征信息从第一数量个参考位置中选择第三数量个参考位置，第三数量不大于第一数量。根据第三数量个参考位置得到目标位置。
其中，特征信息包括但不限于参考位置的ID、坐标、名称、类别、与定位位置的直线距离或步行距离以及使用次数等信息。示例性地，可以针对特征信息中的每个信息设置一个相应的信息阈值。根据特征信息选择第三数量个参考位置的过程中，响应于第一数量个参考位置中的任一个参考位置对应的特征信息中不满足信息阈值的信息数量大于数量阈值，则不再将该任一个参考位置作为目标位置。
例如，特征信息包括与定位位置的步行距离以及使用次数两种信息，数量阈值取为1。则若是参考位置与定位位置的步行距离大于设置的距离阈值，并且参考位置的使用次数小于设置的次数阈值，则该参考位置的特征信息中不满足信息阈值的信息数量为2，大于设置的数量阈值1。因此，说明该参考位置不适用于对作为推荐给目标对象的目标位置，可以对该参考位置进行删除。
进一步地，在示例性实施例中，根据第三数量个参考位置得到目标位置，包括：获取第三数量个参考位置中每个参考位置对应的参考位置向量与目标区域向量之间的相似度数值。对于任一个参考位置，基于任一个参考位置的相似度数值及特征信息确定任一个参考位置的分数。从第三数量个参考位置中按照分数大小选择前第四数量个参考位置，根据第四数量个参考位置得到目标位置。
在步骤303中计算得到参考位置向量与目标区域向量之间的相似度数值之后，可以对相似度数值进行存储于本地，因而可通过读取本地存储的相似度数值的方式实现相似度数值的获取。对于第三数量个参考位置中的任一个参考位置，可以针对特征信息进行赋值，再对相似度数值以及特征信息的赋值进行加权求和，将加权求和的结果作为该任一个参考位置的分数。
或者，参见图7，本实施例也可以相似度数值以及特征信息输入排序学习(Learning to rank)模型，以便于获取排序模型输出的分数。示例性地，排序模型在计算分数的过程中，可以采用LambdaMART、RankNet或者其他计算方式。对于排序学习模型输出的分数，可以按照分数从大到小的顺序进行排列，将分数最高的前第四数量个参考位置推荐给目标对象。本实施例不对第四数量加以限定，示例性地，第四数量可以为3。
本实施例提供的推荐位置的方法的流程可参见图8。如图8所示，终端离线获取历史订单，从历史订单中挖掘得到多个参考位置及多个参考区域，根据多个参考位置及多个参考区域之间的对应关系建立二部图。之后，基于二部图进行学习，得到多个参考位置向量及多个参考区域向量，并针对每个向量设置索引。在线上应用过程中，根据目标对象的定位位置确定目标区域向量，通过向量召回的方式按照相似度大小确定出一个或多个参考区域向量，再根据特征信息及分数对参考区域向量对应的参考位置进行筛选，从而最终确定出用于推荐给目标对象的目标位置。
通过本实施例所提供的推荐位置的方法，在图1所示的场景下，假设区域A内新产生一个订单，且用户确实位于学校内。由于历史订单中区域A中用户选择超市门口和学校东门上车，区域B中用户选择学校北门和学校东门上车，因而本方法基于该历史订单构建的二部图进行学习，会确定区域A除了学校东门以外，也有潜在的可能选择学校北门上车，该种潜在的可能在图1中通过由区域A指向学校北门的虚线表示。因此，本方法可向新产生的订单中位于区域A的用户推荐学校东门和学校北门，而不会推荐超市门口，推荐效果较好、推荐准确度较高。
综上所述，本申请实施例从目标对象的定位位置出发，根据该定位位置所在的区域从基于二部图学习得到的多个参考区域向量中确定目标区域向量。之后，根据与目标区域向量的相似度大小从基于二部图学习得到的多个参考位置向量中选择出一定数量的参考位置向量，从而将参考位置向量对应的参考位置推荐给目标对象。由于参考位置是基于向量及相似度大小进行推荐的，因而避免了依据较为单一而导致的推荐效果较差的情况。通过本实施例所提供的方法进行位置推荐的推荐效果较好、准确度较高，提升了用户的使用体验。
如图9所示，本申请实施例还提供了一种推荐位置的装置。该装置应用于终端，基于图9所示的如下多个模块，该图9所示的推荐位置的装置能够执行终端所执行的全部或部分操作。参见图9，该装置包括：
第一获取模块901，用于获取多个参考区域向量及多个参考位置向量，每个参考区域向量对应一个参考区域，每个参考位置向量对应一个参考位置，多个参考区域向量及多个参考位置向量均是基于二部图学习得到的向量；
第二获取模块902，用于获取目标对象的定位位置，根据定位位置从多个参考区域中确定定位位置所在的目标区域，将目标区域对应的参考区域向量作为目标区域向量；
选择模块903，用于从多个参考位置向量中按照与目标区域向量的相似度大小选择前第一数量个参考位置向量；
推荐模块904，用于根据第一数量个参考位置向量对应的第一数量个参考位置得到目标位置，向目标对象推荐目标位置。
在示例性实施例中，装置还包括：第三获取模块，用于获取多个参考区域和多个参考位置，多个参考区域和多个参考位置之间具有对应关系；根据多个参考区域和多个参考位置之间的对应关系获取二部图；基于二部图获取多个训练数据；调用目标模型，将多个训练数据输入目标模型，目标模型用于根据多个训练数据输出每个参考区域对应的参考区域向量以及每个参考位置对应的参考位置向量。
在示例性实施例中，多个参考区域及多个参考位置在二部图中均表示为结点，第三获取模块，用于针对二部图中的每个结点设置初始向量；针对二部图中的任一个结点，以任一个结点为起点进行一次或多次参考长度的随机游走，每次参考长度的随机游走得到一个训练数据，训练数据包括随机游走过程中到达的每个结点的初始向量。
在示例性实施例中，每个参考位置向量对应一个索引，选择模块903，用于根据多个参考位置向量中每个参考位置向量对应的索引，从多个参考位置向量中获取第二数量个参考位置向量，第二数量大于第一数量；计算第二数量个参考位置向量中每个参考位置向量与目标区域向量之间的相似度数值，相似度数值用于指示参考位置向量与目标区域向量之间的相似度；从第二数量个参考位置向量中按照相似度数值大小选取前第一数量个参考位置向量。
在示例性实施例中，每个参考区域均通过一个索引进行表示，第二获取模块902，用于确定定位位置的经纬度；将与经纬度信息匹配的索引所表示的参考区域确定为目标区域。
在示例性实施例中，推荐模块904，用于获取第一数量个参考位置中每个参考位置对应的特征信息；根据特征信息从第一数量个参考位置中选择第三数量个参考位置，第三数量不大于第一数量；根据第三数量个参考位置得到目标位置。
在示例性实施例中，推荐模块902，用于获取第三数量个参考位置中每个参考位置对应的参考位置向量与目标区域向量之间的相似度数值；对于任一个参考位置，基于任一个参考位置的相似度数值及特征信息确定任一个参考位置的分数；从第三数量个参考位置中按照分数大小选择前第四数量个参考位置，根据第四数量个参考位置得到目标位置。
综上所述，本申请实施例从目标对象的定位位置出发，根据该定位位置所在的区域从基于二部图学习得到的多个参考区域向量中确定目标区域向量。之后，根据与目标区域向量的相似度大小从基于二部图学习得到的多个参考位置向量中选择出一定数量的参考位置向量，从而将参考位置向量对应的参考位置推荐给目标对象。由于参考位置是基于向量及相似度大小进行推荐的，因而避免了依据较为单一而导致的推荐效果较差的情况。通过本实施例所提供的方法进行位置推荐的推荐效果较好、准确度较高，提升了用户的使用体验。
需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
参见图10，其示出了本申请实施例提供的一种终端1000的结构示意图。该终端1000可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving PictureExperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、笔记本电脑或台式电脑。终端1000还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端1000包括有：处理器1001和存储器1002。
处理器1001可以包括一个或多个处理核心，比如4核心处理器、10核心处理器等。处理器1001可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)所组成的群组中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1001可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏1005所需要显示的内容的渲染和绘制。一些实施例中，处理器1001还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器1002可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1001所执行以实现本申请中方法实施例提供的推荐位置的方法。
在一些实施例中，终端1000还可选包括有：外围设备接口1003和至少一个外围设备。处理器1001、存储器1002和外围设备接口1003之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1003相连。具体地，外围设备包括：射频电路1004、显示屏1005、摄像头1006、音频电路1007、定位组件1008和电源1009所组成的群组中的至少一种。
外围设备接口1003可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1001和存储器1002。在一些实施例中，处理器1001、存储器1002和外围设备接口1003被集成在同一芯片或电路板上；在一些其他实施例中，处理器1001、存储器1002和外围设备接口1003中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路1004用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1004通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1004将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1004包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1004可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及10G)、无线局域网和/或Wi-Fi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1004还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏1005用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1005是触摸显示屏时，显示屏1005还具有采集在显示屏1005的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1001进行处理。此时，显示屏1005还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1005可以为一个，设置终端1000的前面板；在另一些实施例中，显示屏1005可以为至少两个，分别设置在终端1000的不同表面或呈折叠设计；在再一些实施例中，显示屏1005可以是柔性显示屏，设置在终端1000的弯曲表面上或折叠面上。甚至，显示屏1005还可以设置成非矩形的不规则图形，也即异形屏。显示屏1005可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1006用于采集图像或视频。可选地，摄像头组件1006包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1006还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路1007可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1001进行处理，或者输入至射频电路1004以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1000的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1001或射频电路1004的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1007还可以包括耳机插孔。
定位组件1008用于定位终端1000的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件1008可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源1009用于为终端1000中的各个组件进行供电。电源1009可以是交流电、直流电、一次性电池或可充电电池。当电源1009包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端1000还包括有一个或多个传感器1010。该一个或多个传感器1010包括但不限于：加速度传感器1011、陀螺仪传感器1012、压力传感器1013、指纹传感器1014、光学传感器1015以及接近传感器1016。
加速度传感器1010可以检测以终端1000建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1011可以用于检测重力加速度在三个坐标轴上的分量。处理器1001可以根据加速度传感器1011采集的重力加速度信号，控制显示屏1005以横向视图或纵向视图进行用户界面的显示。加速度传感器1011还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1012可以检测终端1000的机体方向及转动角度，陀螺仪传感器1012可以与加速度传感器1011协同采集用户对终端1000的3D动作。处理器1001根据陀螺仪传感器1012采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1013可以设置在终端1000的侧边框和/或显示屏1005的下层。当压力传感器1013设置在终端1000的侧边框时，可以检测用户对终端1000的握持信号，由处理器1001根据压力传感器1013采集的握持信号进行左右手识别或快捷操作。当压力传感器1013设置在显示屏1005的下层时，由处理器1001根据用户对显示屏1005的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件所组成的群组中的至少一种。
指纹传感器1014用于采集用户的指纹，由处理器1001根据指纹传感器1014采集到的指纹识别用户的身份，或者，由指纹传感器1014根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1001授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1014可以被设置终端1000的正面、背面或侧面。当终端1000上设置有物理按键或厂商Logo时，指纹传感器1014可以与物理按键或厂商Logo集成在一起。
光学传感器1015用于采集环境光强度。在一个实施例中，处理器1001可以根据光学传感器1015采集的环境光强度，控制显示屏1005的显示亮度。具体地，当环境光强度较高时，调高显示屏1005的显示亮度；当环境光强度较低时，调低触示屏1005的显示亮度。在另一个实施例中，处理器1001还可以根据光学传感器1015采集的环境光强度，动态调整摄像头组件1006的拍摄参数。
接近传感器1016，也称距离传感器，通常设置在终端1000的前面板。接近传感器1016用于采集用户与终端1000的正面之间的距离。在一个实施例中，当接近传感器1016检测到用户与终端1000的正面之间的距离逐渐变小时，由处理器1001控制显示屏1005从亮屏状态切换为息屏状态；当接近传感器1016检测到用户与终端1000的正面之间的距离逐渐变大时，由处理器1001控制显示屏1005从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图10中示出的结构并不构成对终端1000的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本申请实施例提供了一种电子设备，设备包括存储器及处理器；存储器中存储有至少一条指令，至少一条指令由处理器加载并执行，以实现本申请的任一种示例性实施例提供的推荐位置的方法。
本申请实施例提供了一种可读存储介质，存储介质中存储有至少一条指令，指令由处理器加载并执行以实现本申请的任一种示例性实施例提供的推荐位置的方法。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种推荐位置的方法，其特征在于，所述方法包括：
获取多个参考区域向量及多个参考位置向量，每个参考区域向量对应一个参考区域，每个参考位置向量对应一个参考位置，所述多个参考区域向量及所述多个参考位置向量均是基于二部图学习得到的向量；
获取目标对象的定位位置，根据所述定位位置从多个参考区域中确定所述定位位置所在的目标区域，将所述目标区域对应的参考区域向量作为目标区域向量；
从所述多个参考位置向量中按照与所述目标区域向量的相似度大小选择前第一数量个参考位置向量；
根据所述第一数量个参考位置向量对应的第一数量个参考位置得到目标位置，向所述目标对象推荐所述目标位置。
2.根据权利要求1所述的方法，其特征在于，所述获取多个参考区域向量及多个参考位置向量之前，所述方法还包括：
获取多个参考区域和多个参考位置，所述多个参考区域和所述多个参考位置之间具有对应关系；
根据所述多个参考区域和所述多个参考位置之间的对应关系获取二部图；
基于所述二部图获取多个训练数据；
调用目标模型，将所述多个训练数据输入所述目标模型，所述目标模型用于根据所述多个训练数据输出每个参考区域对应的参考区域向量以及每个参考位置对应的参考位置向量。
3.根据权利要求2所述的方法，其特征在于，所述多个参考区域及所述多个参考位置在所述二部图中均表示为结点，所述基于所述二部图获取多个训练数据，包括：
针对所述二部图中的每个结点设置初始向量；
针对所述二部图中的任一个结点，以所述任一个结点为起点进行一次或多次参考长度的随机游走，每次参考长度的随机游走得到一个训练数据，所述训练数据包括随机游走过程中到达的每个结点的初始向量。
4.根据权利要求1所述的方法，其特征在于，每个参考位置向量对应一个索引，所述从所述多个参考位置向量中按照与所述目标向量的相似度大小选择前第一数量个参考位置向量，包括：
根据所述多个参考位置向量中每个参考位置向量对应的索引，从所述多个参考位置向量中获取第二数量个参考位置向量，所述第二数量大于所述第一数量；
计算所述第二数量个参考位置向量中每个参考位置向量与所述目标区域向量之间的相似度数值，所述相似度数值用于指示所述参考位置向量与所述目标区域向量之间的相似度；
从所述第二数量个参考位置向量中按照相似度数值大小选取前第一数量个参考位置向量。
5.根据权利要求1所述的方法，其特征在于，每个参考区域均通过一个索引进行表示，所述根据所述定位位置从多个参考区域中确定所述定位位置所在的目标区域，包括：
确定所述定位位置的经纬度；
将与所述经纬度信息匹配的索引所表示的参考区域确定为所述目标区域。
6.根据权利要求1-5任一所述的方法，其特征在于，所述根据所述第一数量个参考位置向量对应的第一数量个参考位置得到目标位置，包括：
获取所述第一数量个参考位置中每个参考位置对应的特征信息；
根据所述特征信息从所述第一数量个参考位置中选择第三数量个参考位置，所述第三数量不大于所述第一数量；
根据所述第三数量个参考位置得到所述目标位置。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第三数量个参考位置得到所述目标位置，包括：
获取所述第三数量个参考位置中每个参考位置对应的参考位置向量与所述目标区域向量之间的相似度数值；
对于任一个参考位置，基于所述任一个参考位置的相似度数值及所述特征信息确定所述任一个参考位置的分数；
从所述第三数量个参考位置中按照分数大小选择前第四数量个参考位置，根据所述第四数量个参考位置得到所述目标位置。
8.一种推荐位置的装置，其特征在于，所述装置包括：
第一获取模块，用于获取多个参考区域向量及多个参考位置向量，每个参考区域向量对应一个参考区域，每个参考位置向量对应一个参考位置，所述多个参考区域向量及所述多个参考位置向量均是基于二部图学习得到的向量；
第二获取模块，用于获取目标对象的定位位置，根据所述定位位置从多个参考区域中确定所述定位位置所在的目标区域，将所述目标区域对应的参考区域向量作为目标区域向量；
选择模块，用于从所述多个参考位置向量中按照与所述目标区域向量的相似度大小选择前第一数量个参考位置向量；
推荐模块，用于根据所述第一数量个参考位置向量对应的第一数量个参考位置得到目标位置，向所述目标对象推荐所述目标位置。
9.一种电子设备，其特征在于，所述设备包括存储器及处理器；所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现权利要求1-7中任一所述的推荐位置的方法。
10.一种可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1-7中任一所述的推荐位置的方法。
CN202010274241.0A 2020-04-09 2020-04-09 推荐位置的方法、装置、电子设备及可读存储介质 Active CN111428158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010274241.0A CN111428158B (zh) 2020-04-09 2020-04-09 推荐位置的方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010274241.0A CN111428158B (zh) 2020-04-09 2020-04-09 推荐位置的方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111428158A true CN111428158A (zh) 2020-07-17
CN111428158B CN111428158B (zh) 2023-04-18

Family

ID=71556039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010274241.0A Active CN111428158B (zh) 2020-04-09 2020-04-09 推荐位置的方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111428158B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149856A (zh) * 2020-10-20 2020-12-29 北京嘀嘀无限科技发展有限公司 网约车订单处理方法、装置、电子设备和可读存储介质
CN112182431A (zh) * 2020-09-22 2021-01-05 汉海信息技术(上海)有限公司 参考地点推荐方法、装置、设备以及存储介质
CN112417236A (zh) * 2020-10-29 2021-02-26 汉海信息技术(上海)有限公司 训练样本获取方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106227884A (zh) * 2016-08-08 2016-12-14 深圳市未来媒体技术研究院 一种基于协同过滤的在线打车推荐方法
CN108399191A (zh) * 2018-01-25 2018-08-14 温州大学 一种招标信息的个性化推荐方法
CN109962939A (zh) * 2017-12-14 2019-07-02 腾讯科技（深圳）有限公司 位置推荐方法、装置、服务器、终端及存储介质
WO2019128552A1 (zh) * 2017-12-29 2019-07-04 Oppo广东移动通信有限公司 信息推送方法、装置、终端及存储介质
US20190370702A1 (en) * 2017-03-02 2019-12-05 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for recommending a pick-up location
CN110544157A (zh) * 2019-09-04 2019-12-06 北京三快在线科技有限公司 乘车位置推荐方法、装置、电子设备及存储介质
CN110890969A (zh) * 2019-11-22 2020-03-17 腾讯科技（深圳）有限公司 群发消息的方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106227884A (zh) * 2016-08-08 2016-12-14 深圳市未来媒体技术研究院 一种基于协同过滤的在线打车推荐方法
US20190370702A1 (en) * 2017-03-02 2019-12-05 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for recommending a pick-up location
CN109962939A (zh) * 2017-12-14 2019-07-02 腾讯科技（深圳）有限公司 位置推荐方法、装置、服务器、终端及存储介质
WO2019128552A1 (zh) * 2017-12-29 2019-07-04 Oppo广东移动通信有限公司 信息推送方法、装置、终端及存储介质
CN108399191A (zh) * 2018-01-25 2018-08-14 温州大学 一种招标信息的个性化推荐方法
CN110544157A (zh) * 2019-09-04 2019-12-06 北京三快在线科技有限公司 乘车位置推荐方法、装置、电子设备及存储介质
CN110890969A (zh) * 2019-11-22 2020-03-17 腾讯科技（深圳）有限公司 群发消息的方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何明;刘伟世;魏铮;: "基于信任网络随机游走模型的协同过滤推荐" *
李玲;李晋宏;: "基于随机森林修正的加权二部图推荐算法" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182431A (zh) * 2020-09-22 2021-01-05 汉海信息技术(上海)有限公司 参考地点推荐方法、装置、设备以及存储介质
CN112149856A (zh) * 2020-10-20 2020-12-29 北京嘀嘀无限科技发展有限公司 网约车订单处理方法、装置、电子设备和可读存储介质
CN112417236A (zh) * 2020-10-29 2021-02-26 汉海信息技术(上海)有限公司 训练样本获取方法、装置、电子设备及存储介质
CN112417236B (zh) * 2020-10-29 2024-05-10 汉海信息技术(上海)有限公司 训练样本获取方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111428158B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110134804B (zh) 图像检索方法、装置及存储介质
CN111897996B (zh) 话题标签推荐方法、装置、设备及存储介质
CN109086709A (zh) 特征提取模型训练方法、装置及存储介质
CN111104980B (zh) 确定分类结果的方法、装置、设备及存储介质
CN111182453A (zh) 定位方法、装置、电子设备及存储介质
CN111428158B (zh) 推荐位置的方法、装置、电子设备及可读存储介质
CN111291200B (zh) 多媒体资源展示方法、装置、计算机设备及存储介质
CN110796248A (zh) 数据增强的方法、装置、设备及存储介质
CN112131473B (zh) 信息推荐方法、装置、设备及存储介质
CN112328911B (zh) 地点推荐方法、装置、设备及存储介质
CN112115282A (zh) 基于搜索的问答方法、装置、设备及存储介质
CN112052354A (zh) 视频推荐方法、视频展示方法、装置及计算机设备
CN113032587A (zh) 多媒体信息推荐方法、系统、装置、终端和服务器
CN112559795A (zh) 歌曲播放方法、歌曲推荐方法、装置及系统
CN111563201A (zh) 内容推送方法、装置、服务器及存储介质
CN110990728A (zh) 兴趣点信息的管理方法、装置、设备及存储介质
CN114817709A (zh) 排序方法、装置、设备及计算机可读存储介质
CN112417263B (zh) 数据推荐方法、装置及存储介质
CN114297493A (zh) 对象推荐方法、对象推荐装置、电子设备及存储介质
CN114764480A (zh) 群组类型识别方法、装置、计算机设备及介质
CN112287193A (zh) 数据聚类方法、装置、计算机设备及存储介质
CN111259252A (zh) 用户标识识别方法、装置、计算机设备及存储介质
CN111666451A (zh) 路书展示方法、装置、设备及存储介质
CN110543862B (zh) 数据获取方法、装置及存储介质
CN111490979B (zh) 信息交互方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant