CN111488527A - 位置推荐方法、装置、电子设备和计算机可读存储介质 - Google Patents
位置推荐方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111488527A CN111488527A CN202010307067.5A CN202010307067A CN111488527A CN 111488527 A CN111488527 A CN 111488527A CN 202010307067 A CN202010307067 A CN 202010307067A CN 111488527 A CN111488527 A CN 111488527A
- Authority
- CN
- China
- Prior art keywords
- grid
- information
- grid matrix
- determining
- feature map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 167
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Navigation (AREA)
Abstract
本发明实施例公开了一种位置推荐方法、装置、电子设备和计算机可读存储介质，根据位置推荐请求中的当前位置确定至少一个候选位置，根据当前位置和至少一个候选位置确定第一网格矩阵和至少一个第二网格矩阵，根据历史记录和第一网格矩阵的特征信息确定多个第一特征图，根据第二网格矩阵的特征信息确定第二特征图，将各第一特征图和各第二特征图输入至卷积神经网络中进行处理，以确定目标位置，其中，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中的第一网格与所述第二网格矩阵中的第二网格之间的关联特征信息，由此，可以提高推荐的目标位置的准确性。
Description
技术领域
本发明涉及计算机技术领域，更具体地，涉及一种位置推荐方法、装置、电子设备和计算机可读存储介质。
背景技术
由于地理环境原因，任务实际执行位置与用户请求位置一般会不一致，例如，网约车任务中，用户上传网约车请求的位置与上车位置不同，快递任务中，用户上传寄快递请求的位置与交付快递的位置不同等。因为，如何在接收到请求后向用户推荐符合用户需求的任务执行位置，是亟待解决的问题。
发明内容
有鉴于此，本发明实施例提供一种位置推荐方法、装置、电子设备和计算机可读存储介质，以提高目标位置推荐的准确性。
第一方面，本发明实施例提供一种位置推荐方法，所述方法包括：
接收位置推荐请求，所述位置推荐请求包括当前位置；
根据历史记录确定所述当前位置周围的至少一个候选位置，所述历史记录包括历史请求和历史推荐位置；
确定所述当前位置对应的第一网格矩阵，其中，所述第一网格矩阵中的第一网格为预先划分的地理区域；
分别确定各所述候选位置对应的第二网格矩阵；
根据所述历史记录和所述第一网格矩阵的特征信息确定所述第一网格矩阵对应的第一特征图；其中，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中的第一网格与所述第二网格矩阵中第二网格之间的关联特征信息，所述关联特征信息根据所述历史记录确定，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中各第一网格的特征信息；
根据所述第二网格矩阵的特征信息确定所述第二网格矩阵对应的第二特征图，所述第二特征图的各像素值对应于所述第二网格矩阵中各第二网格的特征信息；
将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行处理，以确定目标位置。
可选的，所述第二网格矩阵的特征信息至少包括第二热度信息、定点参数、取消参数和地理环境中的一项；
其中，所述第二热度信息用于表征网格可到达状态和被推荐为目标位置的次数、所述定点参数用于表征网格被推荐为目标位置后的采纳比率、所述取消参数用于表征网格被推荐为目标位置后的未采纳比率。
可选的，所述关联特征信息至少包括关联热度信息；
根据所述历史记录和所述第一网格矩阵的特征信息确定所述第一网格矩阵对应的第一特征图包括：
对于所述第一网格矩阵中的各第一网格，确定历史请求的位置为所述第一网格、历史推荐位置为所述第二网格矩阵中的第二网格的次数，确定所述第一网格的关联热度信息；
根据各所述第一网格的关联热度信息确定所述第一网格矩阵对应的第一特征图，所述第一特征图中的各像素值对应于各第一网格的关联热度信息。
可选的，所述关联特征信息至少包括关联定点参数信息或关联取消参数信息；
根据所述历史记录和所述第一网格矩阵的特征信息确定所述第一网格矩阵对应的第一特征图包括：
对于所述第一网格矩阵中的各第一网格，确定历史请求的位置为所述第一网格、历史推荐位置为所述第二网格矩阵中的第二网格、且历史推荐的第二网格被采纳的次数，确定所述第一网格的关联定点参数信息或关联取消参数信息；
根据各所述第一网格的关联定点参数信息或关联取消参数信息确定所述第一网格矩阵对应的第一特征图，所述第一特征图中的各像素值对应于各第一网格的关联定点参数信息或关联取消参数信息。
可选的，所述第一网格矩阵对应的特征信息包括第一热度信息和地理环境中的至少一项；
所述第一热度信息用于表征网格内位置推荐请求的次数。
可选的，根据历史记录确定所述当前位置周围的至少一个候选位置包括：
根据历史记录对预定范围内的历史采纳位置进行聚类，确定至少一个所述候选位置。
可选的，所述卷积神经网络模型包括第一类卷积层、第二类卷积层和全连接层；
将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行处理，以确定目标位置包括：
将各所述第一特征图输入至所述第一类卷积层进行处理；
将各所述第二特征图输入至所述第二类卷积层进行处理；
将所述第一类卷积层和第二类卷积层的输出输入至所述全连接层进行处理，以确定所述目标位置。
可选的，将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行处理，以确定目标位置包括：
将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行特征处理，确定各所述候选位置的评分；
将评分最高的候选位置确定为所述目标位置。
可选的，所述方法还包括：
将所述目标位置发送至用户终端。
第二方面，本发明实施例提供一种位置确定装置，所述装置包括：
请求接收单元，被配置为接收位置推荐请求，所述位置推荐请求包括当前位置；
候选位置确定单元，被配置为根据历史记录确定所述当前位置周围的至少一个候选位置，所述历史记录包括历史请求和历史推荐位置；
第一网格矩阵确定单元，被配置为确定所述当前位置对应的第一网格矩阵，其中，所述第一网格矩阵中的第一网格为预先划分的地理区域；
第二网格矩阵确定单元，被配置为分别确定各所述候选位置对应的第二网格矩阵；
第一特征图确定单元，被配置为根据所述历史记录和所述第一网格矩阵的特征信息确定所述第一网格矩阵对应的第一特征图；其中，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中的第一网格与所述第二网格矩阵中的第二网格之间的关联特征信息，所述关联特征信息根据所述历史记录确定，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中各第一网格的特征信息；
第二特征图确定单元，被配置为根据所述第二网格矩阵的特征信息确定所述第二网格矩阵对应的第二特征图，所述第二特征图的各像素值对应于所述第二网格矩阵中各第二网格的特征信息；
处理单元，被配置为将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行处理，以确定目标位置。
第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如上所述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时以实现如上所述的方法。
本发明实施例根据位置推荐请求中的当前位置确定至少一个候选位置，根据当前位置和至少一个候选位置确定第一网格矩阵和至少一个第二网格矩阵，根据历史记录和第一网格矩阵的特征信息确定多个第一特征图，根据第二网格矩阵的特征信息确定第二特征图，将各第一特征图和各第二特征图输入至卷积神经网络中进行处理，以确定目标位置，其中，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中的第一网格与所述第二网格矩阵中的第二网格之间的关联特征信息，所述关联特征信息根据所述历史记录确定，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中各第一网格的特征信息，由此，本发明实施例根据当前位置信息、候选位置信息以及当前位置与候选位置之间的关联信息确定目标位置，可以提高推荐的目标位置的准确性。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的位置推荐方法的流程图；
图2是本发明实施例的候选位置确定的示意图；
图3是本发明实施例的第一网格矩阵和第二网格矩阵的形成示意图；
图4是本发明实施例的一种第一特征图的示意图；
图5是本发明实施例的一种第一特征图的形成示意图；
图6是本发明实施例的第二特征图的示意图；
图7是本发明实施例的卷积神经网络的示意图；
图8是本发明实施例的一个应用场景的示意图；
图9是本发明实施例的位置推荐装置的示意图；
图10是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1是本发明实施例的位置推荐方法的流程图。如图1所述，本发明实施例的位置推荐方法包括以下步骤：
步骤S110，接收位置推荐请求，位置推荐请求包括用户的当前位置。
步骤S120，根据历史记录确定所述当前位置周围的至少一个候选位置。其中，历史记录包括历史请求和历史推荐位置。
在一种可选的实现方式中，步骤S120具体可以为：根据历史记录对预定范围内的历史采纳位置进行聚类，确定至少一个候选位置。可选的，获取在当前位置的预定范围内的所有历史推荐的并被采纳的目标位置(也即历史采纳位置)，并对这些历史采纳位置进行聚类。
图2是本发明实施例的候选位置确定的示意图。如图2所示，用户在位置Rp1处采用终端设备发送请求，获取Rp1周围1km范围内所有历史采纳位置Cp，对各历史采纳位置Cp进行聚类，获取候选位置Cp1-Cp4。可选的，将预定距离范围内(例如20m内)的一个或多个历史采纳位置Cp聚集在一起，选取每个聚类中被采纳次数最多的历史采纳位置作为候选位置。应理解，也可以在每个聚类中随机选取候选位置，本实施例并不对此进行限制。
步骤S130，确定当前位置对应的第一网格矩阵，其中，第一网格矩阵中的第一网格为预先划分的地理区域。在本实施例中，将一个大的区域(例如一个市的区域)预先划分为多个网格，可选的，每个网格的大小为X*X，X大于或等于1米。
在一种可选的实现方式中，以当前位置为中心，扩展至M*M个网格，形成第一网格矩阵，M大于或等于1。可选的，在M为奇数时，以当前位置所在网格为中心网格，扩展至M*M个网格。可选的，在M为偶数时，以当前位置为相对中心，使得在第一网格矩阵中，当前位置靠近边界的一侧的网格多于另一侧。应理解，其他扩展方式也可应用于本实施例中，例如，随机扩展使得当前位置所在网格的一侧比另一侧多行或一列网格，以形成第一网格矩阵。
步骤S140，分别确定各候选位置对应的第二网格矩阵。可选的，以候选位置为中心，扩展至N*N个网格，N大于等于1，形成第二网格矩阵。第二网格矩阵的确定方法与第一网格矩阵类似，在此不再赘述。
图3是本发明实施例的第一网格矩阵和第二网格矩阵的形成示意图。如图3所示，根据用户的当前位置Rp获取对应的候选位置Cp1-Cp4，以用户的当前位置Rp所在网格为中心网格，扩展至M*M个网格，形成第一网格矩阵g1，在本实施例中，以M＝9为例。分别以候选位置Cp1-Cp4所在网格为中心网格，扩展至N*N个网格，形成第二网格矩阵g2-g5，在本实施例中，以N＝3为例。
应理解，在本实施例中，步骤S120和步骤S130没有先后的执行顺序，步骤S120可以在步骤S130之前执行，也可以在步骤S130后执行，也可以与步骤S130同时执行。若步骤S120在步骤S130之前执行，则步骤S130和步骤S140没有先后的执行顺序，步骤S130可以在步骤S140之前执行，也可以在步骤S140后执行，也可以与步骤S140同时执行，本实施例并不对此进行限制。
步骤S150，根据历史记录和所述第一网格矩阵的特征信息确定第一网格矩阵对应的第一特征图。其中，至少一个第一特征图的各像素值对应于第一网格矩阵中的第一网格与第二网格矩阵中的第二网格之间的关联特征信息，关联特征信息根据所述历史记录确定，至少一个第一特征图的各像素值对应于第一网格矩阵中各第一网格的特征信息。
在一种可选的实现方式中，第一特征图包括第一网格矩阵的特征信息对应的特征图，和/或第一网格矩阵与第二网格矩阵的关联特征信息对应的特征图。其中，根据历史记录确定第一网格矩阵与第二网格矩阵的关联特征信息对应的特征图。
在一种可选的实现方式中，关联特征信息至少包括关联热度信息。步骤S150可以包括步骤A1和A2：
A1，对于第一网格矩阵中的各第一网格，确定历史请求的位置为该第一网格、历史推荐位置为第二网格矩阵中的第二网格的次数，确定第一网格的关联热度信息。也就是说，在历史记录中查询历史请求位置为第一网格，该历史请求的推荐位置为第二网格的次数，由此，可以获得该第一网格对应的N*N个关联热度信息。
A2，根据各第一网格的关联热度信息确定第一网格矩阵对应的第一特征图，第一特征图中的各像素值对应于各第一网格的关联热度信息。也就是说，将各第一网格对应于同一个第二网格的关联热度信息作为对应像素的像素值，可以得到N*N个尺寸为M*M的第一特征图。
在另一种可选的实现方式中，关联特征信息至少包括关联定点参数信息或关联取消参数信息；
步骤S150可以包括步骤B1和B2：
B1，对于第一网格矩阵中的各第一网格，确定历史请求的位置为第一网格、历史推荐位置为第二网格矩阵中的第二网格、且历史推荐的第二网格被采纳的次数，确定第一网格的关联定点参数信息或关联取消参数信息。也就是说，在历史记录中查询历史请求位置为第一网格，该历史请求的推荐位置为第二网格的次数，并确定历史推荐的第二网格被采纳的次数，计算被采纳次数的比率或未被采纳次数的比率，由此，可以获得该第一网格对应的N*N个关联定点参数信息或关联取消参数信息。
B2，根据各第一网格的关联定点参数信息或关联取消参数信息确定第一网格矩阵对应的第一特征图，第一特征图中的各像素值对应于各第一网格的关联定点参数信息或关联取消参数信息。也就是说，将各第一网格对应于同一个第二网格的关联定点参数信息或关联取消参数信息作为对应像素的像素值，可以得到N*N个尺寸为M*M的第一特征图。
应理解，在本实施例中，关联特征信息除了上述统计类的特征信息，还可以包括其他特征信息，例如第一网格的地理环境特征与第二网格的地理环境特征组成的向量特征等，本实施例并不对此进行限制。
在一种可选的实现方式中，第一网格矩阵对应的特征信息包括第一热度信息和地理环境中的至少一项。其中，第一热度信息用于表征网格内位置推荐请求的次数。可选的，第一热度信息可以包括在预定时段内(例如1个月内)，第一网格矩阵中的各网格内产生的位置推荐请求的次数、或表征次数的其他值(例如归一化值等)。地理环境可以包括第一网格的POI(Point of interesting，兴趣点)信息(例如，商场、酒店、餐馆、地铁站等信息)、以及道路信息等。其中，道路信息可以包括是否存在道路、道路的方向和等级信息等。POI信息可以包括是否存在POI、POI的类别和热度信息，POI的热度信息可以包括POI的人流量等。
图4是本发明实施例的一种第一特征图的示意图。如图4所示，第一特征图C1根据第一网格矩阵的第一热度信息确定。其中，特征图C1中的各像素的值用于表征对应第一网格中的位置推荐请求的次数。
图5是本发明实施例的一种第一特征图的形成示意图。本实施例以M＝9，N＝3为例进行描述，应理解第一网格矩阵和第二网格矩阵的大小根据实际应用场景确定，本实施例并不此进行限制。如图5所示，第一网格矩阵51为9*9的网格矩阵，包括第一网格e1-e81，第二网格矩阵52为3*3的网格矩阵，包括第二网格r1-r9。在本实施例中，以关联热度信息为例，根据历史记录分别确定[e1,r1],[e2,r1],…,[e81,r1],…,[e81,r9]的值，其中，采用[ei,rj]表征历史请求点位于第一网格ei，历史推荐并被采纳的目标位置位于第二网格rj的次数，1≤i≤81,1≤j≤9。由此，可以根据[ei,r1]、[ei,r2],…,[ei,r9]的值确定9个第一特征图。如图5所示，根据[ei,r1]的值可以确定第一特征图53，根据[ei,r7]的值可以确定第一特征图54，根据[ei,r5]的值可以确定第一特征图55。
可选的，在本实施例中，各特征图中的像素值可以为数值，也可以为向量或其他表现形式(例如字符等)，本实施例并不对此进行限制。由此，关联特征信息也可以只对应一个第一特征图，其中，第一特征图中的每个像素的像素值为一个向量或数组，其包括对应的第一网格分别与各第二网格对应的关联特征信息。例如，对于第一网格e1对应的像素，其像素值包括[e1,r1]、[e1r2],…,[e1,r9]的值。可选的，在本实施例中，还可以将同一第一网格对应的部分关联特征信息进行组合，例如将[ei,r1]、[ei,r2]进行组合得到一个第一特征图等，本实施例并不对此进行限制。
步骤S160，根据第二网格矩阵的特征信息确定第二网格矩阵对应的第二特征图，第二特征图的各像素值对应于所述第二网格矩阵中各第二网格的特征信息。在一种可选的实现方式中，第二网格矩阵的特征信息至少包括第二热度信息、定点参数、取消参数和地理环境中的一项，其中，第二热度信息用于表征网格可到达状态和被推荐为目标位置的次数、定点参数用于表征网格被推荐为目标位置后的采纳比率、取消参数用于表征网格被推荐为目标位置后的未采纳比率。地理环境可以包括第二网格的POI(Point of interesting，兴趣点)信息(例如，商场、酒店、餐馆、地铁站等信息)、以及道路信息等。其中，道路信息可以包括是否存在道路、道路的方向和等级信息等。POI信息可以包括是否存在POI、POI的类别和热度信息，POI的热度信息可以包括POI的人流量等。
图6是本发明实施例的第二特征图的示意图。本实施例以是否存在道路、第二热度信息和定点参数这三个第二网格矩阵的特征信息为例。如图6所示，第二网格61包括第二网格r1-r9，其中，第二网格r1-r8中存在道路、第二网格r9不存在道路，本实施例采用1表征存在道路，采用0表征不存在道路，则特征信息“是否存在道路”对应的第二特征图为特征图62。在本实施例中，根据历史记录确定第二热度信息以及第二网格被推荐且被采纳的比率，从而确定第二热度信息对应的第二特征图62和定点参数对应的第二特征图64。
步骤S170，将各第一特征图和各所述第二特征图输入至卷积神经网络中进行处理，以确定目标位置。在一种可选的实现方式中，将各第一特征图和各第二特征图输入至卷积神经网络中进行特征处理，确定各候选位置的评分，将评分最高的候选位置确定为所述目标位置。
卷积神经网络CNN是一种前馈神经网络，由若干卷积层和池化层组成。CNN模型具有局部区域连接、权值共享、降采样等特征，通过权值共享减少了需要训练的权值个数，降低了网络的计算复杂度，同时使得网络对输入的局部变换具有一定的不变性，例如平移不变性、缩放不变性等，提升了网络的泛化能力。同时，CNN模型具有特征交叉提取、融合周边信息的特征，因此，本实施例采用CNN模型，无需做大量复杂的特征工作，可以较为方便地扩展特征信息，减小了输入模型的特征信息的损失，并且对于特征的添加更具灵活性。
在一种可选的实现方式中，本实施例的位置推荐方法还包括：将所述目标位置发送至用户终端。
本发明实施例根据位置推荐请求中的当前位置确定至少一个候选位置，根据当前位置和至少一个候选位置确定第一网格矩阵和至少一个第二网格矩阵，根据历史记录和第一网格矩阵的特征信息确定多个第一特征图，根据第二网格矩阵的特征信息确定第二特征图，将各第一特征图和各第二特征图输入至卷积神经网络中进行处理，以确定目标位置，其中，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中的第一网格与所述第二网格矩阵中的第二网格之间的关联特征信息，所述关联特征信息根据所述历史记录确定，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中各第一网格的特征信息，由此，本发明实施例根据当前位置信息、候选位置信息以及当前位置与候选位置之间的关联信息确定目标位置，可以提高推荐的目标位置的准确性。
在一种可选的实现方式中，卷积神经网络模型包括第一类卷积层、第二类卷积层和全连接层。步骤S170具体可以包括步骤C1-C3：
C1，将各第一特征图输入至第一类卷积层进行处理。
C2，将各所述第二特征图输入至第二类卷积层进行处理。
C3，将所述第一类卷积层和第二类卷积层的输出输入至所述全连接层进行处理，以确定所述目标位置。
在一种可选的实现方式中，从历史记录中获取样本信息，以根据样本信息训练卷积神经网络。其中，样本信息包括请求位置和被采纳的推荐位置，将被采纳的推荐位置标记为1。在训练过程中，对样本信息中的请求位置执行上述步骤S120-步骤S170，根据卷积神经网络的输出以及对应的损失函数调整参数，直至各请求位置对应的卷积神经网络的输出尽可能多的与对应的被采纳的推荐推荐保持一致。
图7是本发明实施例的卷积神经网络的示意图。如图7所示，将第一网格矩阵对应的各M*M的第一特征图输入至卷积神经网络中的第一类卷积层71进行处理，将第二网格矩阵对应的各N*N第二特征图输入至卷积神经网络的第二类卷积层72进行处理，将第一类卷积层71的输出和第二类卷积层72的输出输入至全连接层73进行处理，以输出目标网格。应理解，第一类卷积层71和第二类卷积层的层数根据实际应用确定，本实施例并不对此进行限制。
由上述描述可知，第一特征图的尺寸和第二特征图的尺寸可能不同，本实施例通过采用不同类的卷积层来处理不同尺寸的特征图，可以进一步提高目标位置的准确性，使得推荐的目标位置更能满足用户的需求。
图8是本发明实施例的一个应用场景的示意图。本实施例以用户进行网约车为例进行说明。在用户进行网约车时，很多时候并不是站在路口进行申请，而是在室内等网约车不能抵达的地方，因此，为了方便用户和网约车司机均能比较方便的到达上车位置，在接收到用户的网约车请求后，或者网约车司机接单后，根据用户的当前位置来确定一个方便用户、或者用户和司机到达的上车位置。如图8所示，用户在位置o处上传网约车请求，根据网约车请求中的位置o位置信息确定候选位置q1-q4，分别确定位置o的第一网格矩阵以及候选位置q1-q4的第二网格矩阵，根据历史记录确定第一网格矩阵和第二网格矩阵对应的关联特征信息、第二网格矩阵的特征信息，并确定第一网格矩阵的特征信息，根据关联特征信息、第二网格矩阵的特征信息和第一网格矩阵的特征信息确定多个第一特征图和多个第二特征图，将多个第一特征图和多个第二特征图输入至卷积神经网络81中进行处理，得到目标位置，将目标位置发送给用户的终端设备82，用户可以根据推荐的目标位置选择确认订单或者取消订单。由此，本实施例根据当前位置信息、候选位置信息以及当前位置与候选位置之间的关联信息确定目标位置，可以提高推荐的目标位置的准确性，使得推荐的目标位置更能让用户接收，从而可以降低用户取消订单率。
图9是本发明实施例的位置推荐装置的示意图。如图9所示，本发明实施例的位置推荐装置9包括请求接收单元91、候选位置确定单元92、第一网格矩阵确定单元93、第二网格矩阵确定单元94、第一特征图确定单元95、第二特征图确定单元96以及处理单元97。
请求接收单元91，被配置为接收位置推荐请求，所述位置推荐请求包括当前位置。候选位置确定单元92，被配置为根据历史记录确定所述当前位置周围的至少一个候选位置，所述历史记录包括历史请求和历史推荐位置。第一网格矩阵确定单元93，被配置为确定所述当前位置对应的第一网格矩阵，其中，所述第一网格矩阵中的第一网格为预先划分的地理区域。第二网格矩阵确定单元94，被配置为分别确定各所述候选位置对应的第二网格矩阵。第一特征图确定单元95，被配置为根据所述历史记录和所述第一网格矩阵的特征信息确定所述第一网格矩阵对应的第一特征图；其中，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中的第一网格与所述第二网格矩阵中的第二网格之间的关联特征信息，所述关联特征信息根据所述历史记录确定，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中各第一网格的特征信息。第二特征图确定单元96，被配置为根据所述第二网格矩阵的特征信息确定所述第二网格矩阵对应的第二特征图，所述第二特征图的各像素值对应于所述第二网格矩阵中各第二网格的特征信息。处理单元97，被配置为将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行处理，以确定目标位置。
本发明实施例根据位置推荐请求中的当前位置确定至少一个候选位置，根据当前位置和至少一个候选位置确定第一网格矩阵和至少一个第二网格矩阵，根据历史记录和第一网格矩阵的特征信息确定多个第一特征图，根据第二网格矩阵的特征信息确定第二特征图，将各第一特征图和各第二特征图输入至卷积神经网络中进行处理，以确定目标位置，其中，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中的第一网格与所述第二网格矩阵中的第二网格之间的关联特征信息，所述关联特征信息根据所述历史记录确定，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中各第一网格的特征信息，由此，本发明实施例根据当前位置信息、候选位置信息以及当前位置与候选位置之间的关联信息确定目标位置，可以提高推荐的目标位置的准确性。
图10是本发明实施例的电子设备的示意图。如图10所示，图10所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器101和存储器102。处理器101和存储器102通过总线103连接。存储器102适于存储处理器101可执行的指令或程序。处理器101可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器101通过执行存储器102所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线103将上述多个组件连接在一起，同时将上述组件连接到显示控制器104和显示装置以及输入/输出(I/O)装置105。输入/输出(I/O)装置105可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置105通过输入/输出(I/O)控制器106与系统相连。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本发明的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种位置推荐方法，其特征在于，所述方法包括：
接收位置推荐请求，所述位置推荐请求包括当前位置；
根据历史记录确定所述当前位置周围的至少一个候选位置，所述历史记录包括历史请求和历史推荐位置；
确定所述当前位置对应的第一网格矩阵，其中，所述第一网格矩阵中的第一网格为预先划分的地理区域；
分别确定各所述候选位置对应的第二网格矩阵；
根据所述历史记录和所述第一网格矩阵的特征信息确定所述第一网格矩阵对应的第一特征图；其中，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中的第一网格与所述第二网格矩阵中第二网格之间的关联特征信息，所述关联特征信息根据所述历史记录确定，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中各第一网格的特征信息；
根据所述第二网格矩阵的特征信息确定所述第二网格矩阵对应的第二特征图，所述第二特征图的各像素值对应于所述第二网格矩阵中各第二网格的特征信息；
将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行处理，以确定目标位置。
2.根据权利要求1所述的方法，其特征在于，所述第二网格矩阵的特征信息至少包括第二热度信息、定点参数、取消参数和地理环境中的一项；
其中，所述第二热度信息用于表征网格可到达状态和被推荐为目标位置的次数、所述定点参数用于表征网格被推荐为目标位置后的采纳比率、所述取消参数用于表征网格被推荐为目标位置后的未采纳比率。
3.根据权利要求1所述的方法，其特征在于，所述关联特征信息至少包括关联热度信息；
根据所述历史记录和所述第一网格矩阵的特征信息确定所述第一网格矩阵对应的第一特征图包括：
对于所述第一网格矩阵中的各第一网格，确定历史请求的位置为所述第一网格、历史推荐位置为所述第二网格矩阵中的第二网格的次数，确定所述第一网格的关联热度信息；
根据各所述第一网格的关联热度信息确定所述第一网格矩阵对应的第一特征图，所述第一特征图中的各像素值对应于各第一网格的关联热度信息。
4.根据权利要求1所述的方法，其特征在于，所述关联特征信息至少包括关联定点参数信息或关联取消参数信息；
根据所述历史记录和所述第一网格矩阵的特征信息确定所述第一网格矩阵对应的第一特征图包括：
对于所述第一网格矩阵中的各第一网格，确定历史请求的位置为所述第一网格、历史推荐位置为所述第二网格矩阵中的第二网格、且历史推荐的第二网格被采纳的次数，确定所述第一网格的关联定点参数信息或关联取消参数信息；
根据各所述第一网格的关联定点参数信息或关联取消参数信息确定所述第一网格矩阵对应的第一特征图，所述第一特征图中的各像素值对应于各第一网格的关联定点参数信息或关联取消参数信息。
5.根据权利要求1所述的方法，其特征在于，所述第一网格矩阵对应的特征信息包括第一热度信息和地理环境中的至少一项；
所述第一热度信息用于表征网格内位置推荐请求的次数。
6.根据权利要求1所述的方法，其特征在于，根据历史记录确定所述当前位置周围的至少一个候选位置包括：
根据历史记录对预定范围内的历史采纳位置进行聚类，确定至少一个所述候选位置。
7.根据权利要求2所述的方法，其特征在于，所述卷积神经网络模型包括第一类卷积层、第二类卷积层和全连接层；
将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行处理，以确定目标位置包括：
将各所述第一特征图输入至所述第一类卷积层进行处理；
将各所述第二特征图输入至所述第二类卷积层进行处理；
将所述第一类卷积层和第二类卷积层的输出输入至所述全连接层进行处理，以确定所述目标位置。
8.根据权利要求1所述的方法，其特征在于，将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行处理，以确定目标位置包括：
将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行特征处理，确定各所述候选位置的评分；
将评分最高的候选位置确定为所述目标位置。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述目标位置发送至用户终端。
10.一种位置确定装置，其特征在于，所述装置包括：
请求接收单元，被配置为接收位置推荐请求，所述位置推荐请求包括当前位置；
候选位置确定单元，被配置为根据历史记录确定所述当前位置周围的至少一个候选位置，所述历史记录包括历史请求和历史推荐位置；
第一网格矩阵确定单元，被配置为确定所述当前位置对应的第一网格矩阵，其中，所述第一网格矩阵中的第一网格为预先划分的地理区域；
第二网格矩阵确定单元，被配置为分别确定各所述候选位置对应的第二网格矩阵；
第一特征图确定单元，被配置为根据所述历史记录和所述第一网格矩阵的特征信息确定所述第一网格矩阵对应的第一特征图；其中，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中的第一网格与所述第二网格矩阵中的第二网格之间的关联特征信息，所述关联特征信息根据所述历史记录确定，至少一个所述第一特征图的各像素值对应于所述第一网格矩阵中各第一网格的特征信息；
第二特征图确定单元，被配置为根据所述第二网格矩阵的特征信息确定所述第二网格矩阵对应的第二特征图，所述第二特征图的各像素值对应于所述第二网格矩阵中各第二网格的特征信息；
处理单元，被配置为将各所述第一特征图和各所述第二特征图输入至卷积神经网络中进行处理，以确定目标位置。
11.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-9中任一项所述的方法。
12.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时以实现如权利要求1-9中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110071181.7A CN112800328A (zh) | 2020-04-17 | 2020-04-17 | 位置推荐方法、装置、电子设备和计算机可读存储介质 |
| CN202010307067.5A CN111488527B (zh) | 2020-04-17 | 2020-04-17 | 位置推荐方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010307067.5A CN111488527B (zh) | 2020-04-17 | 2020-04-17 | 位置推荐方法、装置、电子设备和计算机可读存储介质 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110071181.7A Division CN112800328A (zh) | 2020-04-17 | 2020-04-17 | 位置推荐方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111488527A true CN111488527A (zh) | 2020-08-04 |
| CN111488527B CN111488527B (zh) | 2021-02-02 |
Family
ID=71798096
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110071181.7A Pending CN112800328A (zh) | 2020-04-17 | 2020-04-17 | 位置推荐方法、装置、电子设备和计算机可读存储介质 |
| CN202010307067.5A Active CN111488527B (zh) | 2020-04-17 | 2020-04-17 | 位置推荐方法、装置、电子设备和计算机可读存储介质 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110071181.7A Pending CN112800328A (zh) | 2020-04-17 | 2020-04-17 | 位置推荐方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN112800328A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785393A (zh) * | 2021-02-08 | 2021-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种位置推荐方法、装置及电子设备 |
| CN112785392A (zh) * | 2021-02-02 | 2021-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种位置推荐方法、装置及电子设备 |
| CN112991008A (zh) * | 2021-03-04 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 一种位置推荐方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104683951A (zh) * | 2015-03-17 | 2015-06-03 | 北京合生共济投资咨询有限责任公司 | 确定待推送信息的方法及系统 |
| US20180231386A1 (en) * | 2017-02-13 | 2018-08-16 | Conduent Business Services, Llc | System and method for integrating recommended exercise with transportation directions |
| CN109377328A (zh) * | 2018-12-19 | 2019-02-22 | 口口相传(北京)网络技术有限公司 | 商家门店地理位置的推荐方法及装置 |
| CN109697637A (zh) * | 2018-12-27 | 2019-04-30 | 拉扎斯网络科技（上海）有限公司 | 对象类别确定方法、装置、电子设备及计算机存储介质 |
| CN110825956A (zh) * | 2019-09-17 | 2020-02-21 | 中国平安人寿保险股份有限公司 | 一种信息流推荐方法、装置、计算机设备及存储介质 |
-
2020
- 2020-04-17 CN CN202110071181.7A patent/CN112800328A/zh active Pending
- 2020-04-17 CN CN202010307067.5A patent/CN111488527B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104683951A (zh) * | 2015-03-17 | 2015-06-03 | 北京合生共济投资咨询有限责任公司 | 确定待推送信息的方法及系统 |
| US20180231386A1 (en) * | 2017-02-13 | 2018-08-16 | Conduent Business Services, Llc | System and method for integrating recommended exercise with transportation directions |
| CN109377328A (zh) * | 2018-12-19 | 2019-02-22 | 口口相传(北京)网络技术有限公司 | 商家门店地理位置的推荐方法及装置 |
| CN109697637A (zh) * | 2018-12-27 | 2019-04-30 | 拉扎斯网络科技（上海）有限公司 | 对象类别确定方法、装置、电子设备及计算机存储介质 |
| CN110825956A (zh) * | 2019-09-17 | 2020-02-21 | 中国平安人寿保险股份有限公司 | 一种信息流推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 娄超: ""基于位置的社交网络中高效的地点推荐方法研究"", 《万方数据》 * |
| 疯狂奔跑: ""美团推荐算法实践"", 《HTTPS://WWW.CNBLOGS.COM/PHP-REARCH/P/5079399.HTML》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785392A (zh) * | 2021-02-02 | 2021-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种位置推荐方法、装置及电子设备 |
| CN112785393A (zh) * | 2021-02-08 | 2021-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种位置推荐方法、装置及电子设备 |
| CN112991008A (zh) * | 2021-03-04 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 一种位置推荐方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111488527B (zh) | 2021-02-02 |
| CN112800328A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111488527B (zh) | 位置推荐方法、装置、电子设备和计算机可读存储介质 | |
| CN107481311B (zh) | 三维城市模型渲染方法及装置 | |
| WO2019018375A1 (en) | NEURONAL ARCHITECTURE RESEARCH FOR CONVOLUTION NEURAL NETWORKS | |
| CN111836358A (zh) | 定位方法、电子设备和计算机可读存储介质 | |
| KR20200078074A (ko) | 객체 기반의 3d 도시 모델링 방법 및 이를 구현하는 서버, 그리고 이를 이용하는 시스템 | |
| CN111417066B (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
| US20190220969A1 (en) | Information processing device, data structure, information processing method, and non-transitory computer readable storage medium | |
| CN112311578A (zh) | 基于深度强化学习的vnf调度方法及装置 | |
| CN112270427A (zh) | 一种推荐上车点的方法和系统 | |
| CN109902141A (zh) | 运动规划的方法和自主代理 | |
| CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
| CN112328880A (zh) | 地理区域聚类方法、装置、存储介质和电子设备 | |
| CN112884319A (zh) | 一种任务分配方法、装置、计算机设备以及存储介质 | |
| CN107194489A (zh) | 数据预测方法及装置 | |
| CN112991008A (zh) | 一种位置推荐方法、装置及电子设备 | |
| CN106599291B (zh) | 数据分组方法及装置 | |
| CN107203916B (zh) | 一种用户信用模型建立方法及装置 | |
| CN114613159B (zh) | 基于深度强化学习的交通信号灯控制方法、装置及设备 | |
| JP2021528725A (ja) | 改良された地理的指標付け | |
| CN115743168A (zh) | 用于换道决策的模型训练方法、目标车道确定方法及装置 | |
| JP7446416B2 (ja) | 時空間ポーズ／オブジェクトデータベース | |
| CN112785393A (zh) | 一种位置推荐方法、装置及电子设备 | |
| CN112733452A (zh) | 轨迹预测方法、装置、电子设备和可读存储介质 | |
| CN112330056A (zh) | 路线确定方法、装置、电子设备和计算机可读存储介质 | |
| CN112001570A (zh) | 数据处理方法、装置、电子设备和可读存储介质 |
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 |