CN111522888A - 挖掘兴趣点之间的竞争关系的方法和装置 - Google Patents
挖掘兴趣点之间的竞争关系的方法和装置 Download PDFInfo
- Publication number
- CN111522888A CN111522888A CN202010320647.8A CN202010320647A CN111522888A CN 111522888 A CN111522888 A CN 111522888A CN 202010320647 A CN202010320647 A CN 202010320647A CN 111522888 A CN111522888 A CN 111522888A
- Authority
- CN
- China
- Prior art keywords
- interest point
- preset
- interest
- attribute information
- primitive
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000002860 competitive effect Effects 0.000 title claims abstract description 62
- 238000007418 data mining Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000009412 basement excavation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 claims 26
- 230000002596 correlated effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 15
- 238000006243 chemical reaction Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 10
- 235000013305 food Nutrition 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 241000251468 Actinopterygii Species 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 235000013410 fast food Nutrition 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 235000019687 Lamb Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 235000021168 barbecue Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据领域,公开了挖掘兴趣点之间的竞争关系的方法和装置。该方法包括:获取基于用户的地图检索数据进行数据挖掘得到的图元挖掘结果,地图检索数据包括检索的目标兴趣点的属性信息,图元挖掘结果包括各个预设情况的发生频次,预设情况包括:符合对应的预设图元所表征的兴趣点的属性信息及至少两个兴趣点的属性信息之间的预设关联关系;基于图元挖掘结果确定第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次,生成第一兴趣点和第二兴趣点的关系特征;将关系特征输入预先训练的关系预测模型,得到第一兴趣点和第二兴趣点的竞争关系预测结果。该方法可获得可靠的兴趣点间的竞争关系分析结果。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及大数据技术领域,尤其涉及挖掘兴趣点之间的竞争关系的方法和装置。
背景技术
POI(Point of Interest,兴趣点)是地图上的地理信息点,可以是一个店铺、一幢写字楼、一个地标性建筑等。POI是提供线下服务的核心元素。同类型的POI之间可能存在竞争关系,对不同POI之间的竞争关系进行挖掘和分析,有助于对POI的针对性规划,提升POI的到访率。
目前,POI竞争关系主要依靠专家经验知识和调查问卷等信息采集方法相结合来进行分析,而传统的经验知识具有较高的门槛,而调查问卷等人工信息采集方法获得的数据覆盖率低,基于此挖掘出的竞争关系往往与实际的竞争关系有较大的偏差。
发明内容
本公开的实施例提供了挖掘兴趣点之间的竞争关系的方法和装置、电子设备以及计算机可读存储介质。
根据第一方面,提供了一种挖掘兴趣点之间的竞争关系的方法,包括:获取基于用户的地图检索数据进行数据挖掘得到的图元挖掘结果,其中,地图检索数据包括检索的目标兴趣点的属性信息,图元挖掘结果包括各个预设情况的发生频次,预设情况包括:符合对应的预设图元所表征的兴趣点的属性信息及至少两个兴趣点的属性信息之间的预设关联关系;针对待判定竞争关系的第一兴趣点和第二兴趣点,基于图元挖掘结果确定第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次,并基于第一兴趣点的属性信息和第二兴趣点的属性信息在预设图元中共同出现的预设图元对应的预设情况的发生频次生成第一兴趣点和第二兴趣点的关系特征;将第一兴趣点和第二兴趣点的关系特征输入预先训练的关系预测模型,得到第一兴趣点和第二兴趣点的竞争关系预测结果。
根据第二方面,提供了一种挖掘兴趣点之间的竞争关系的装置,包括:第一获取单元,被配置为获取基于用户的地图检索数据进行数据挖掘得到的图元挖掘结果,其中,地图检索数据包括检索的目标兴趣点的属性信息,图元挖掘结果包括各个预设情况的发生频次,预设情况包括:符合对应的预设图元所表征的兴趣点的属性信息及至少两个兴趣点的属性信息之间的预设关联关系;第一特征提取单元,被配置为针对待判定竞争关系的第一兴趣点和第二兴趣点,基于图元挖掘结果确定第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次,并基于第一兴趣点的属性信息和第二兴趣点的属性信息在预设图元中共同出现的预设图元对应的预设情况的发生频次生成第一兴趣点和第二兴趣点的关系特征;预测单元,被配置为将第一兴趣点和第二兴趣点的关系特征输入预先训练的关系预测模型,得到第一兴趣点和第二兴趣点的竞争关系预测结果。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面提供的挖掘兴趣点之间的竞争关系的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行第一方面提供的挖掘兴趣点之间的竞争关系的方法。
根据本申请的技术能够高效地获得可靠的兴趣点竞争关系的分析结果,无需依赖经验知识和人工采集信息,降低了成本。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的挖掘兴趣点之间的竞争关系的方法的一个实施例的流程图;
图2是本公开的挖掘兴趣点之间的竞争关系的方法的另一个实施例的流程图;
图3是第一预设图元的示意图;
图4是第二预设图元的示意图;
图5是第三预设图元的示意图;
图6是关系预测模型的一个结构示意图;
图7是本公开的挖掘兴趣点之间的竞争关系的装置的一个实施例的结构示意图;
图8是用来实现本公开的实施例的挖掘兴趣点之间的竞争关系的方法的电子设备的框图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开的方法或装置可以应用于包括终端设备、网络和服务器的系统架构。其中,网络用以在终端设备和服务器之间提供通信链路的介质,可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备可以是用户端设备,其上可以安装有各种客户端应用。例如,搜索应用、地图导航类应用等。终端设备可以是硬件,也可以是软件。当终端设备为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器可以是运行各种服务的服务器,例如运导航服务、信息搜索服务等服务的服务器。服务器可以获取用户的检索数据,对用户的检索数据中与地理位置相关的数据进行挖掘。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的挖掘兴趣点之间的竞争关系的方法可以由终端设备或服务器执行,相应地,挖掘兴趣点之间的竞争关系的装置可以设置于终端设备或服务器中。
请参考图1,其示出了根据本公开的挖掘兴趣点之间的竞争关系的方法的一个实施例的流程100。该挖掘兴趣点之间的竞争关系的方法,包括:
步骤101,获取基于用户的地图检索数据进行数据挖掘得到的图元挖掘结果。
在本实施例中,挖掘兴趣点之间的竞争关系的方法的执行主体可以获取用户的地图检索数据。其中用户的地图检索数据是用户检索地图中的地理信息点的数据,可以包括检索的目标兴趣点的属性信息。目标兴趣点是用户检索的兴趣点,可以是一个景点、一个商铺、一个公共交通站点,等等。
在实践中,上述执行主体可以获取用户使用搜索应用检索兴趣点时保存的地图检索数据,收集大量用户在各个时间的地图检索数据,用以分析不同的兴趣点之间的竞争关系。
上述执行主体可以获取基于用户的地图检索数据进行数据挖掘得到的图元挖掘结果。其中图元挖掘结果包括各个预设情况的发生频次。
在这里,图元挖掘结果可以是预先按照如下方式获得的:
首先,构建预设图元,预设图元包括节点、以及节点之间的边,其中每个节点可以与一个兴趣点对应,或者与一个兴趣点的一种属性信息相对应,其中属性信息可以例如包括标识、类别、所属地理位置区域等中的一项或多项。节点之间的边表征两个节点对应的兴趣点的上述一种属性信息之间具有关联关系。在这里,关联关系可以是两个兴趣点在用户的地图检索数据中被同一用户关联检索,或者可以是两个上述属性信息对应的两个兴趣点在用户的地图检索数据中被同一用户关联检索。其中,若用户在一次检索操作中联合检索了兴趣点1和兴趣点2,或用户在间隔较短的一段时间内先后检索了兴趣点1和兴趣点2,则可以确定兴趣点1和兴趣点2被该用户关联检索。
预设图元中可以包括预设数量个节点,对应预设数量个兴趣点。其中预设数量不小于2。预设数量个兴趣点之间的关系随机组合可以得到若干种组合方式,每种组合方式可以对应一个预设图元。其中,各个预设图元分别表征其中各节点对应的兴趣点的属性信息以及各节点对应的兴趣点的属性信息之间的预设关联关系。
接着,可以根据用户的地图检索数据,对预设情况的发生频次进行统计,得到图元挖掘结果。其中,预设情况包括符合对应的预设图元所表征的兴趣点的属性信息及至少两个兴趣点的属性信息之间的预设关联关系。
具体地,针对每一个预设图元,可以根据用户的地图检索数据,统计预设数量个目标兴趣点的属性信息与该预设图元表征的所有兴趣点的属性信息一致、且该预设数量个目标兴趣点的属性信息之间的关系符合该预设图元表征的所有兴趣点的属性信息之间的关系的预设情况发生的频次,得到上述图元挖掘结果。
作为示例,预设图元包括图元1、图元2。图元1和图元2均包括两个节点,每个节点分别对应一个美食类兴趣点,且该图元1和图元2中的两个兴趣点均分别具有“烤鱼”和“火锅”的类别属性信息。图元1中两个兴趣点的属性信息之间的关联关系为:在地理位置检索类应用的一次使用中,用户先检索了“烤鱼”类美食店铺后检索了“火锅”类美食店铺,图元2中两个兴趣点的属性信息之间的关联关系为:用户先检索了“火锅”类美食店铺后检索了“烤鱼”类美食店铺。则可以针对用户的地图检索数据,统计在地理位置检索类应用的一次用户使用过程中先检索“烤鱼”类美食店铺后检索“火锅”类美食店铺的情况的发生频次,作为图元1对应的预设情况的发生频次;统计在地理位置检索类应用的一次用户使用过程中先检索“火锅”类美食店铺后检索“烤鱼”类美食店铺的情况的发生频次,作为图元2对应的预设情况的发生频次。将图元1对应的预设情况的发生频次和图元2对应的预设情况的发生频次作为图元挖掘结果。
通过对用户的地图检索数据中用户检索的各目标兴趣点按照各个预设图元进行上述频次统计,可以得到包含至少两个目标兴趣点的属性信息之间的关系的挖掘结果。
步骤102,针对待判定竞争关系的第一兴趣点和第二兴趣点,基于图元挖掘结果确定第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次,并基于第一兴趣点的属性信息和第二兴趣点的属性信息在预设图元中共同出现的预设图元对应的预设情况的发生频次生成第一兴趣点和第二兴趣点的关系特征。
在本实施例中,可以获取待判定竞争关系的第一兴趣点和第二兴趣点的属性信息,确定上述第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元。获取图元挖掘结果中,第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各个预设图元分别对应的各个预设情况的发生频次,构成频次数组或频次序列。其中,频次数组或频次序列中的每一个频次对应一个预设图元。可以将该频次数组或频次序列作为第一兴趣点和第二兴趣点的关系特征,或者可以对该频次数据或频次序列进行归一化、向量化等处理后作为第一兴趣点和第二兴趣点的关系特征。
步骤103,将第一兴趣点和第二兴趣点的关系特征输入预先训练的关系预测模型,得到第一兴趣点和第二兴趣点的竞争关系预测结果。
关系预测模型可以是基于样本兴趣点对的竞争关系标注信息预先训练得出的。其中样本兴趣点对可以经过与上述步骤102相同的处理,得到样本兴趣点对中的两个样本兴趣点的关系特征,其标注信息可以是人工标注信息,表征两个样本兴趣点之间是否存在竞争关系。
在本实施例中,关系预测模型可以是基于卷积神经网络构建的模型。可以将步骤102得到的第一兴趣点和第二兴趣点的关系特征输入至关系预测模型,得到第一兴趣点和第二兴趣点的竞争关系预测结果。该竞争关系预测结果可以是二者存在竞争关系的概率值,或者二者是否存在竞争关系的二分类结果。
上述实施例的挖掘兴趣点之间的竞争关系的方法能够高效地获得可靠的兴趣点竞争关系分析结果,无需依赖经验知识和人工采集信息,降低了成本。并且,基于图元结构的挖掘方法能够提升兴趣点竞争关系分析结果的准确性。
在一些实施例中,可以按照如下方式生成第一兴趣点和第二兴趣点的关系特征:
首先,获取各预设情况的发生频次的第一排序列表,以及从第一排序列表中选出的排序前预设位的热门预设情况的第二排序列表。其中,第一排序列表是按照各个预设图元对应的预设情况的发生频次进行降序排序得到的列表,第二排序列表是从第一排序列表中选择排序前预设位的预设情况的列表。
然后,根据第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各预设图元在第一排序列表中的排序和对应的预设情况的发生频次,生成第一兴趣点和第二兴趣点的第一关系特征,根据第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各预设图元在第二排序列表中的排序和对应的预设情况的发生频次,生成第一兴趣点和第二兴趣点的第二关系特征。
针对第一兴趣点和第二兴趣点,若确定第一兴趣点的属性信息和第二兴趣点的属性信息在同一预设图元中共同出现,则将第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次、以及第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元在第一排序列表中的排序,作为第一兴趣点和第二兴趣点的第一关系特征。
同样地,将第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次、以及第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元在第二排序列表中的排序,作为第一兴趣点和第二兴趣点的第二关系特征。
由于上述第一排序列表和第二排序列表包含了兴趣点之间不同关系的发生频次的排序信息,所生成第一关系特征和第二关系特征能够更准确地表征第一兴趣点和第二兴趣点在所有的目标兴趣点中的相对关系,这样可以准确地度量第一兴趣点与不同的第二兴趣点之间的关联关系的紧密程度的差异,从而得出更准确、客观的竞争关系分析结果。
继续参考图2,其示出了根据本公开的挖掘兴趣点之间的竞争关系的方法的另一个实施例的流程示意图。如图2所示,挖掘兴趣点之间的竞争关系的方法的流程200,包括以下步骤:
步骤201,获取用户的地图检索数据。
在本实施例中,可以通过收集用户使用地图导航类应用、搜索应用等应用时产生的检索操作行为数据来获取地图检索数据。地图检索数据包括检索的目标兴趣点的属性信息和用户检索目标兴趣点的时间信息。其中,目标兴趣点的属性信息可以包括目标兴趣点的标识、地理位置、所属地理位置区域、类别、历史用户到访数据等等中的至少一项。用户检索目标兴趣点的时间信息是用户对目标兴趣点的检索行为的发生时间。
步骤202,根据同一用户检索不同目标兴趣点的时间信息之间的关联性,构建表征目标兴趣点之间的关系的兴趣点连接关系图。
可以首先构建兴趣点连接关系图中的节点,该连接关系图中的每一个节点对应一个目标兴趣点。然后针对两个不同的目标兴趣点,判断同一用户检索这两个目标兴趣点之间的时间信息是否具有关联性,即判断两个目标兴趣点的检索时间信息之间具有关联性。若是,则可以在对应于这两个目标兴趣点的节点之间添加一条边。这样,通过对大量的用户的地图检索数据进行分析,可以构建出兴趣点连接关系图中的多条边。每一条边表征所连接的两个节点对应的目标兴趣点的检索时间信息之间具有关联性。
上述检索时间信息的关联性可以按照如下方式确定:若同一用户在预设时间间隔内(例如10分钟内)先后检索了两个目标兴趣点,则确定这两个目标兴趣点的检索时间信息具有关联性。
或者,上述检索时间信息的关联性可以按照如下方式确定:统计地图检索数据中在预设时间间隔内先后检索两个目标兴趣点的用户检索操作的次数,若在预设时间间隔内先后检索两个目标兴趣点的用户检索操作的次数超过预设的阈值θ,则确定这两个目标兴趣点的检索时间信息具有关联性。
或者,上述检索时间信息的关联性可以按照如下方式确定:统计地图检索数据中在预设时间间隔内先检索目标兴趣点1后检索目标兴趣点2的用户检索操作的次数,以及在预设时间间隔内先检索目标兴趣点2后检索目标兴趣点1的用户检索操作的次数,若在预设时间间隔内先检索目标兴趣点1后检索目标兴趣点2的用户检索操作的次数超过预设的阈值θ、且在预设时间间隔内先检索目标兴趣点2后检索目标兴趣点1的用户检索操作的次数超过预设的阈值θ,则确定目标兴趣点1和目标兴趣点2的检索时间信息具有关联性。
步骤203,基于兴趣点连接关系图对各预设图元对应的预设情况的发生频次进行统计,得到图元挖掘结果。
在本实施例中,可以根据兴趣点连接关系图来进行图元挖掘。其中,图元挖掘结果包括各个预设情况的发生频次,预设情况包括符合对应的预设图元所表征的兴趣点的属性信息及至少两个兴趣点的属性信息之间的预设关联关系。
在这里,预设图元包括预设数量个节点,例如包括三个节点,每个节点对应一个兴趣点或一个兴趣点的一种属性信息。例如每个节点对应兴趣点的一种类别,或者对应兴趣点所属的一个地理位置区域,或者对应兴趣点的一种历史用户到访特征。预设图元中的各个节点之间的边表征所连接的两个节点对应的兴趣点的检索时间信息之间具有关联性。可以构建多个预设图元,不同的预设图元可以表征不同兴趣点的属性信息之间的不同关系。
然后可以基于兴趣点连接关系图,针对每个预设图元对应的预设情况的发生频次进行统计,其中预设情况包括符合对应的预设图元所表征的兴趣点的属性信息及至少两个兴趣点的属性信息之间的预设关联关系。不同的预设图元对应的预设关联关系不相同。
在这里,兴趣点连接关系图是基于地图检索数据中检索的大量目标兴趣点构建的,而预设图元仅包含少量的兴趣点的属性信息及少量的兴趣点的属性信息之间的关系,兴趣点连接关系图中可能包含多组预设图元表征的兴趣点的属性信息及至少两个兴趣点的属性信息之间的预设关联关系,可以从兴趣点连接关系图中抽取出各个预设图元的数量,即统计出各个预设图元对应的预设情况的发生频次,作为图元挖掘结果。
步骤204,获取基于用户的地图检索数据进行数据挖掘得到的图元挖掘结果。
挖掘兴趣点之间的竞争关系的方法的执行主体可以获取步骤203获得的图元挖掘结果。
步骤205,针对待判定竞争关系的第一兴趣点和第二兴趣点,基于图元挖掘的结果确定第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次,并基于第一兴趣点的属性信息和第二兴趣点的属性信息在预设图元中共同出现的频次生成第一兴趣点和第二兴趣点的关系特征。
步骤206,将第一兴趣点和第二兴趣点的关系特征输入预先训练的关系预测模型,得到第一兴趣点和第二兴趣点的竞争关系预测结果。
本实施例的步骤205、步骤206分别与前述实施例的步骤102、步骤103一致,步骤205、步骤206的具体实现方式可分别参考前述实施例中步骤102、步骤103的描述,此处不再赘述。
上述实施例通过基于用户的地图检索数据构建兴趣点连接关系图,能够对准确抽取和表征不同兴趣点之间的关联关系,这样在进行图元挖掘时可以根据兴趣点连接关系图直观、准确地抽取出各个预设图元并统计各个预设图元的数量得到图元挖掘结果,能够提升图元挖掘的效率和准确性,从而提升兴趣点之间的竞争关系的分析效率和分析结果的准确性。
在上述各实施例的一些可选的实现方式中,预设图元包括表征相互关联的兴趣点对的属性信息及兴趣点对与至少一个邻居兴趣点的属性信息之间的关联关系的至少一个第一预设图元。
请参考图3,其示出了第一预设图元的一个结构示意图。其中第一预设图元包括节点1、节点2和节点3,其中节点1和节点2表征兴趣点对中的两个兴趣点,节点3表征兴趣点对中的一个兴趣点的邻居兴趣点。在这里,一个兴趣点a的邻居兴趣点是指与兴趣点a对应的节点通过一条边相互连接的兴趣点。更具体地,兴趣点a与邻居兴趣点对应的节点通过一条边相互连接表征兴趣点a与邻居兴趣点的检索时间信息之间具有关联性。
可选地,第一预设图元中,兴趣点对中的两个兴趣点在第一预设图元中分别被标记为起始节点和结束节点。其中,起始节点表征在用户在预设时间间隔内检索的兴趣点对中先检索的兴趣点,结束节点表征在用户在预设时间间隔内检索的兴趣点对中先检索的兴趣点。
图3是三个不同的第一预设图元的示意图,其中以第一预设图元包括三个节点为例。图3中,第一预设的图元中的三个节点分别表征三个兴趣点的类别,具体为“咖啡店”、“火锅店”、“快餐店”,并且其中两个兴趣点分别具有起始节点的标签start和结束节点的标签end。图3所示的第一预设图元的四个示例(a1)、(b1)、(c1)、(d1)中,两个节点连接表征对应的两个兴趣点的类别之间具有关联关系;除起始节点和结束节点之外的另一个节点在示例(a1)、(b1)中分别仅与起始节点和结束节点连接,表征该节点分别仅与起始节点和结束节点对应的兴趣点的类别之间具有关联关系。示例(c1)表征邻居兴趣点的类别与起始节点和结束节点对应的兴趣点的类别之间都具有关联关系,且起始节点和结束节点表征的兴趣点的类别之间不具有关联关系。示例(d1)表征邻居兴趣点的类别与起始节点和结束节点对应的兴趣点的类别之间都具有关联关系,且起始节点和结束节点表征的兴趣点的类别之间也具有关联关系。在这里,两个兴趣点的类别之间的关联关系可以是两个类别的兴趣点在预设时间间隔内被同一用户检索、或者两个类别的兴趣点被同一用户在预设时间间隔内检索的发生次数超过预设阈值。
上述第一预设图元包含兴趣点的属性信息之间的关联关系。由此针对第一预设图元的图元挖掘结果包含兴趣点的属性信息的关联关系特征,从而可以根据兴趣点的属性信息确定兴趣点之间的竞争关系。
可选地,上述预设图元还可以包括至少一个第二预设图元,第二预设图元表征相互关联的兴趣点对及兴趣点对与至少一个邻居兴趣点之间的关联关系。在这里,第二预设图元中的一个节点表征一个兴趣点,节点之间的边表征所连接的两个节点对应的兴趣点之间具有关联关系。在这里,两个兴趣点之间的关联关系可以是两个兴趣点在预设时间间隔内被同一用户检索、或者两个兴趣点被同一用户在预设时间间隔内检索的发生次数超过预设阈值。进一步地,根据用户检索兴趣点的先后顺序,可以在第二预设图元中为先检索的兴趣点设置起始节点标签start,为后检索的兴趣点设置结束节点标签end。
图4是第二预设图元的示意图。其中示出了与第一预设图元中的四个示例一一对应的四个第二预设图元的示例(a2)、(b2)、(c2)、(d2)。第二预设图元中,各个节点分别表征一个实例化的兴趣点,在图4中以各兴趣点的标识分别表示实例化的兴趣点,如“小羊咖啡”、“小牛火锅”、“小马中式快餐”。可以看出,第二预设图元是将第一预设图元中的兴趣点的属性信息实例化为具体的兴趣点所形成的图元,也即第二预设图元可以通过将第一预设图元中的兴趣点的属性信息替换为实例化的兴趣点来构建,或者,第一预设图元可以通过将第二预设图元中的兴趣点替换为其类别等属性信息来构建。
这时,可以按照如下方式对目标兴趣点的属性信息和目标兴趣点的属性信息之间的关系符合预设情况的频次进行统计:基于兴趣点连接关系图分别对目标兴趣点之间的关系符合各第二预设图元的情况进行频次统计;根据各第二预设图元中的兴趣点的属性信息,以及目标兴趣点之间的关系分别符合各第二预设图元的情况的频次统计结果,针对各第一预设图元,分别统计目标兴趣点的属性信息和目标兴趣点的属性信息之间的关系均符合第一预设图元对应的预设情况的频次。
具体地,兴趣点连接关系图包括各个实例化的目标兴趣点之间的关联关系,可以从兴趣点关系图中提取出与各个第二预设图元表征的兴趣点之间关系的子图;然后根据各个第二预设图元中的兴趣点的类别等属性信息,统计对应的第一预设图元所表征的兴趣点的属性信息及兴趣点的属性信息之间的关系对应的子图数量,作为目标兴趣点的属性信息和目标兴趣点的属性信息之间的关系均符合第一预设图元对应的预设情况的频次的统计结果。
这样,通过根据兴趣点连接关系图可以直接提取出各个第二预设图元对应的子图,再按照各个子图中的兴趣点的属性信息映射至对应的第一预设图元的频次统计结果,能够高效、快速地获得第一预设图元的图元挖掘结果。
可选地,上述预设图元还包括至少一个第三预设图元,第三预设图元包括一个节点对和与节点对中的至少一个节点连接的邻居节点,不同的第三预设图元中节点间的连接关系不相同。
图5示出了第三预设图元的示意图。在第三预设图元的结构中,节点对应泛化的兴趣点,即可以对应任意一个兴趣点,并不与特定的兴趣点或兴趣点的特定属性信息相对应。其中节点对的两个节点分别具有起始节点标签start和结束节点标签end。在实践中,第三预设图元相当于将第一预设图元中的兴趣点的属性信息去除后得到的图结构,例如图5示出了与图3中第一预设图元的四个示例一一对应的四种第三预设图元(a3)、(b3)、(c3)、(d3)。
这时,上述基于兴趣点连接关系图对目标兴趣点的属性信息之间的关系符合预设图元所表征的关系的情况的频次进行统计,还包括:根据目标兴趣点的属性信息和目标兴趣点的属性信息之间的关系均符合第一预设图元对应的预设情况的频次统计结果,分别对符合各第三预设图元所表征的关系的情况的频次进行统计。
在这里,可以根据各个第一预设图元对应的预设情况的频次统计结果,将对应同一第三预设图元的结构的各个第一预设图元的上述频次统计结果汇总,得到符合各第三预设图元的图结构的情况的频次统计结果。
作为示例,两个第一预设图元X、Y的结构如图3中的示例(a1)的结构,X中三个兴趣点的属性信息分别为“咖啡店”、“火锅店”、“快餐店”、Y中的三个兴趣点的属性信息分别为“快餐店”、“烤肉店”、“购物中心”,则在对第一预设图元对应的预设情况的发生频次统计时,X、Y分别被汇总至不同的第一预设图元的频次统计结果。而由于X、Y中各节点之间的连接关系与同一个第三预设图元(图5中的示例(a3))一致,则在对第三预设图元对应的预设情况的发生频次进行统计时,将X、Y对应的不同第一预设图元的频次统计结果汇总图5中的第三预设图元的示例(a3)对应的预设情况的发生频次统计结果中。
在实践中,上述各预设图元可以是按照如下方式构建的:首先构建第三预设图元(如图5的示例)的图结构,记为SE-labled graphlet,其中包含节点、起始节点标签start和结束节点标签end、以及节点之间的连接边。然后将第三预设图元SE-labled graphlet中的每个节点替换为兴趣点的一个属性(如类别)附加在图结构中,到第一预设图元,记为CSEgraphlet。之后将第一预设图元中的各个兴趣点的属性各自具体化为对应一个兴趣点,得到第二预设图元,记为Instanced CSE graphlet。图3、图4、图5分别示出了第一预设图元CSE graphlet、第二预设图元Instanced CSE graphlet和第三预设图元SE-labledgraphlet的例子。
在本实施例中,可以在上述兴趣点连接关系图上采用随机游走的方法,重复执行多次如下操作:选取两个兴趣点pi和pj,随机选择pi或pj的至少一个兴趣点pl,基于兴趣点pi和pj以及pl构建一个第二预设图元Instanced CSE graphlet,然后将第二预设图元Instanced CSE graphlet中的各兴趣点替换为对应兴趣点的类别或其他属性信息,从而构建一个对应的第一预设图元CSE graphlet,将各个第三预设图元对应的频次统计结果中与该第一预设图元CSE graphlet一致的第三预设图元的频次统计数量+1。这样可以得到各个第三预设图元对应的频次统计结果,每一个第三预设图元对应的频次统计结果中包括与该第三预设图元的图结构一致的各个第一预设图元的频次统计结果。
可以将上述第三预设图元的频次统计结果作为图元挖掘结果。由于第三预设图元的频次统计结果包含各个第一预设图元的统计结果,因此可以通过多层次的兴趣点之间的关系的数据挖掘获得兴趣点之间的潜在关系。
在上述各实施例的一些可选的实现方式中,可以按照如下方式生成第一兴趣点和第二兴趣点的关系特征:对每一个第一预设图元,按照第一预设图元对应的预设情况所包含的第二预设图元对应的预设情况的数量进行降序排序,得到第一排序列表和第二排序列表。
然后,根据第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各预设图元在第一排序列表中的排序和对应的预设情况的发生频次,生成第一兴趣点和第二兴趣点的第一关系特征;根据第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各预设图元在第二排序列表中的排序和对应的预设情况的发生频次,生成第一兴趣点和第二兴趣点的第二关系特征。
上述第一兴趣点的第一关系特征和第二关系特征可以被输入至预先训练的关系预测模型进行预测。在上述实施例的一些可选的实现方式中,关系预测模型可以包括自注意力模块和交叉注意力模块。
上述方法还可以包括:根据第一兴趣点的属性信息和第二兴趣点的属性信息生成第一兴趣点和第二兴趣点的联合属性特征。其中,例如可以将第一兴趣点的属性信息转换为第一特征向量,将第二兴趣点的属性信息转换为第二特征向量。将第一特征向量和第二特征向量拼接形成联合属性特征。或者,还可以将第一兴趣点所属区域的区域特征以及第二兴趣点所属区域的区域特征融合至上述所属区域的区域特征融合至上述联合属性特征中。
请参考图6,其示出了关系预测模型的一个结构示意图。该关系预测模型可以基于transformer(转换单元)的结构构建。其包含图元特征学习模块GLB,图元特征学习模块GLB包括自注意力模块self-attention和交叉注意力模块cross-attention。其中自注意力模块self-attention基于预设的自注意力机制对上述第二关系特征进行处理,交叉注意力模块cross-attention基于预设的交叉注意力机制对上述联合属性特征和上述第二关系特征进行处理。
对于给定的第一兴趣点pi和第二兴趣点pj,对应的联合属性特征为{pi,pj},第一兴趣点和第二兴趣点所属的区域的特征为{ri,rj},第一关系特征为第二关系特征为其中下标a表示多个预设图元中的一个,和分别表示一个预设图元对应的预设情况的发生频次,表示按照上述第一排序列表排序的各个预设图元对应的预设情况的发生频次,表示按照上述第二排序列表排序的各个预设图元对应的预设情况的发生频次。
接着,按照公式(3)的多头自注意力(multi-head self-attention)转换矩阵进行转换:
之后,通过公式(4)的残差连接生成自注意力模块输出的特征:
上述预设的交叉注意力机制按照如下方式进行运算:
其中,a是预设图元的标识,例如图3所示的示例(a1)、(b1)、(c1)、(d1)分别代表具有不同标识的预设图元,Wi’表示稠密层变换的参数,Wi’可以与前述自注意力机制中的Wi相同。然后按照公式(6)的单头交叉注意力(single-head cross-attention)转换矩阵进行转换得到矩阵
接着,按照公式(7)的多头交叉注意力(multi-head self-attention)转换矩阵进行转换:
之后,通过公式(8)的残差连接生成交叉注意力模块输出的特征:
进一步地,可以将自注意力模块和交叉注意力模块输出的特征按照公式(9)拼合在一起:
上述自注意力模块可以对从预设图元提取出的有区分力的特征施加更多的注意力,由此帮助关系预测模型更好地应用图元挖掘结果。交叉注意力模块可以根据兴趣点的属性信息和所属区域的不同,自适应地学习关于竞争关系预测的特征。
进一步地,上述预先训练的关系预测模型还包括:多层感知器。多层感知器用于基于各预设图元对应的第一关系特征、自注意力模块输出的特征以及交叉注意力模块输出的特征预测第一兴趣点的和第二兴趣点之间的竞争关系。
如图6所示,将m个预设图元对应的第一关系特征以及m个预设图元对应的图元特征学习模块GLB输出的特征 输入多层感知器(Multi-layer-perceptron,MLP),多层感知器MLP可以输出对第一兴趣点和第二兴趣点的竞争关系的判断结果。可选地,还可以将第一兴趣点的属性特征和第一兴趣点所属区域的区域特征第二兴趣点的属性特征和第二兴趣点所属区域的区域特征输入至多层感知器MLP。
需要说明的是,图6中各个权重矩阵均示意性地以“W”示出,本领域技术人员可以理解,关系预测模型中的各个权重矩阵可以互不相同。
采用图6所示的关系预测模型,可以准确地从预设图元的图元挖掘结果中提取与兴趣点的竞争关系相关的特征,从而获得更准确的竞争关系分析结果。
在上述各实施例的一些可选的实现方式中,上述方法还可以包括根据第一兴趣点至少两个第二兴趣点之间的竞争关系对第一兴趣点相关的服务资源进行配置的步骤。其中,服务资源可以包括兴趣点所提供的产品类型、兴趣点提供的服务类型、数量、兴趣点提供服务的时间,等等。具体地,可以按照预设的规则进行服务资源配置,例如当与第一兴趣点具有竞争关系的第二兴趣点的数量超过预设数量时,更新第一兴趣点提供的产品类型,或者增加第一兴趣点所提供的新产品,以增强第一兴趣点的竞争力。该实现方式可以智能化地为第一兴趣点配置服务资源,实现了服务资源的合理规划和配置。
请参考图7,作为对上述挖掘兴趣点之间的竞争关系的方法的实现,本公开提供了一种挖掘兴趣点之间的竞争关系的装置的一个实施例,该装置实施例与上述各方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的挖掘兴趣点之间的竞争关系的装置700包括第一获取单元701、第一特征提取单元702以及预测单元703。其中,第一获取单元701被配置为获取基于用户的地图检索数据进行数据挖掘得到的图元挖掘结果,其中,地图检索数据包括检索的目标兴趣点的属性信息,图元挖掘结果包括各个预设情况的发生频次,预设情况包括:符合对应的预设图元所表征的兴趣点的属性信息及至少两个兴趣点的属性信息之间的预设关联关系;第一特征提取单元702被配置为:针对待判定竞争关系的第一兴趣点和第二兴趣点,基于图元挖掘结果确定第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次,并基于第一兴趣点的属性信息和第二兴趣点的属性信息在预设图元中共同出现的预设图元对应的预设情况的发生频次生成第一兴趣点和第二兴趣点的关系特征;预测单元703被配置为将第一兴趣点和第二兴趣点的关系特征输入预先训练的关系预测模型,得到第一兴趣点和第二兴趣点的竞争关系预测结果。
在一些实施例中,上述装置还包括:第二获取单元,被配置为获取用户的地图检索数据,地图检索数据还包括用户检索目标兴趣点的时间信息;构建获取单元,被配置为根据同一用户检索不同目标兴趣点的时间信息之间的关联性,构建表征目标兴趣点之间的关系的兴趣点连接关系图;以及挖掘单元,被配置为基于兴趣点连接关系图对各预设图元对应的预设情况的发生频次进行统计,得到图元挖掘结果。
在一些实施例中,上述预设图元包括:至少一个第一预设图元,第一预设图元表征相互关联的兴趣点对的属性信息及兴趣点对与至少一个邻居兴趣点的属性信息之间的关联关系。
在一些实施例中,上述预设图元还包括:至少一个第二预设图元,第二预设图元表征相互关联的兴趣点对及兴趣点对与至少一个邻居兴趣点之间的关联关系;以及上述挖掘单元包括:第一统计单元,被配置为基于兴趣点连接关系图分别对目标兴趣点之间的关系符合各第二预设图元对应的预设情况进行频次统计;第二统计单元,被配置为根据各第二预设图元中的兴趣点的属性信息,以及目标兴趣点之间的关系分别符合各第二预设图元对应的预设情况的频次统计结果,针对各第一预设图元,分别统计目标兴趣点的属性信息和目标兴趣点的属性信息之间的关系均符合第一预设图元对应的预设情况的频次。
在一些实施例中,上述预设图元还包括:至少一个第三预设图元,其中,第三预设图元包括一个节点对和与节点对中的至少一个节点连接的邻居节点,不同的第三预设图元中节点间的连接关系不相同;上述挖掘单元还包括:第三统计单元,被配置为根据目标兴趣点的属性信息和目标兴趣点的属性信息之间的关系均符合第一预设图元对应的预设情况的频次统计结果,分别对符合各第三预设图元的图结构的情况的频次进行统计。
在一些实施例中,上述第一特征提取单元包括:第三获取单元,被配置为获取各预设情况的发生频次的第一排序列表,以及从第一排序列表中选出的排序前预设位的热门预设情况的第二排序列表;第一生成单元,被配置为根据第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各预设图元在第一排序列表中的排序和对应的预设情况的发生频次,生成第一兴趣点和第二兴趣点的第一关系特征;第二生成单元,被配置为根据第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各预设图元在第二排序列表中的排序和对应的预设情况的发生频次,生成第一兴趣点和第二兴趣点的第二关系特征。
在一些实施例中,上述装置还包括:第二特征提取单元,被配置为根据第一兴趣点的属性信息和第二兴趣点的属性信息生成第一兴趣点和第二兴趣点的联合属性特征;上述预先训练的关系预测模型包括:自注意力模块和交叉注意力模块;自注意力模块基于预设的自注意力机制对第二关系特征进行处理,交叉注意力模块基于预设的交叉注意力机制对联合属性特征和第二关系特征进行处理。
在一些实施例中,上述预先训练的关系预测模型还包括:多层感知器;多层感知器用于基于各预设图元对应的第一关系特征、自注意力模块输出的特征以及交叉注意力模块输出的特征预测第一兴趣点的和第二兴趣点之间的竞争关系。
在一些实施例中,上述装置还包括:资源配置单元,被配置为根据第一兴趣点至少两个第二兴趣点之间的竞争关系对第一兴趣点相关的服务资源进行配置。
上述装置700与前述方法实施例中的步骤相对应。由此,上文针对挖掘兴趣点之间的竞争关系的方法描述的操作、特征及所能达到的技术效果同样适用于装置700及其中包含的单元,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,是根据本申请实施例的挖掘兴趣点之间的竞争关系的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的挖掘兴趣点之间的竞争关系的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的挖掘兴趣点之间的竞争关系的方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的挖掘兴趣点之间的竞争关系的方法对应的程序指令/单元/模块(例如,附图7所示的第一获取单元701、第一特征提取单元702以及预测单元703)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的挖掘兴趣点之间的竞争关系的方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用于生成神经网络的结构的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至用于生成神经网络的结构的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
挖掘兴趣点之间的竞争关系的方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线805或者其他方式连接,图8中以通过总线805连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与用于生成神经网络的结构的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (20)
1.一种挖掘兴趣点之间的竞争关系的方法,包括:
获取基于用户的地图检索数据进行数据挖掘得到的图元挖掘结果,其中,所述地图检索数据包括检索的目标兴趣点的属性信息,所述图元挖掘结果包括各个预设情况的发生频次,所述预设情况包括:符合对应的预设图元所表征的兴趣点的属性信息及至少两个兴趣点的属性信息之间的预设关联关系;
针对待判定竞争关系的第一兴趣点和第二兴趣点,基于所述图元挖掘结果确定所述第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次,并基于所述第一兴趣点的属性信息和第二兴趣点的属性信息在预设图元中共同出现的预设图元对应的预设情况的发生频次生成所述第一兴趣点和所述第二兴趣点的关系特征;
将所述第一兴趣点和所述第二兴趣点的关系特征输入预先训练的关系预测模型,得到所述第一兴趣点和所述第二兴趣点的竞争关系预测结果。
2.根据权利要求1所述的方法,其中,所述方法还包括:
获取所述用户的地图检索数据,所述地图检索数据还包括用户检索目标兴趣点的时间信息;
根据同一用户检索不同目标兴趣点的时间信息之间的关联性,构建表征目标兴趣点之间的关系的兴趣点连接关系图;以及
基于所述兴趣点连接关系图对所述各预设图元对应的预设情况的发生频次进行统计,得到所述图元挖掘结果。
3.根据权利要求2所述的方法,其中,所述预设图元包括:
至少一个第一预设图元,所述第一预设图元表征相互关联的兴趣点对的属性信息及所述兴趣点对与至少一个邻居兴趣点的属性信息之间的关联关系。
4.根据权利要求3所述的方法,其中,所述预设图元还包括:
至少一个第二预设图元,所述第二预设图元表征相互关联的兴趣点对及所述兴趣点对与至少一个邻居兴趣点之间的关联关系;以及
所述基于所述兴趣点连接关系图对所述各预设图元对应的预设情况的发生频次进行统计,包括:
基于所述兴趣点连接关系图分别对目标兴趣点之间的关系符合各第二预设图元对应的预设情况进行频次统计;
根据各所述第二预设图元中的兴趣点的属性信息,以及所述目标兴趣点之间的关系分别符合各第二预设图元对应的预设情况的频次统计结果,针对各所述第一预设图元,分别统计所述目标兴趣点的属性信息和目标兴趣点的属性信息之间的关系均符合所述第一预设图元对应的预设情况的频次。
5.根据权利要求4所述的方法,其中,所述预设图元还包括:
至少一个第三预设图元,其中,第三预设图元包括一个节点对和与所述节点对中的至少一个节点连接的邻居节点,不同的第三预设图元中节点间的连接关系不相同;
所述基于所述兴趣点连接关系图对所述各预设图元对应的预设情况的发生频次进行统计,还包括:
根据目标兴趣点的属性信息和目标兴趣点的属性信息之间的关系均符合所述第一预设图元对应的预设情况的频次统计结果,分别对符合各所述第三预设图元的图结构的情况的频次进行统计。
6.根据权利要求1-5任一项所述的方法,其中,所述基于所述图元挖掘结果确定所述第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次,并基于所述第一兴趣点的属性信息和第二兴趣点的属性信息在预设图元中共同出现的预设图元对应的预设情况的发生频次生成所述第一兴趣点和所述第二兴趣点的关系特征,包括:
获取所述各预设情况的发生频次的第一排序列表,以及从所述第一排序列表中选出的排序前预设位的热门预设情况的第二排序列表;
根据所述第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各预设图元在所述第一排序列表中的排序和对应的预设情况的发生频次,生成所述第一兴趣点和第二兴趣点的第一关系特征;
根据所述第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各预设图元在所述第二排序列表中的排序和对应的预设情况的发生频次,生成所述第一兴趣点和第二兴趣点的第二关系特征。
7.根据权利要求6所述的方法,其中,所述方法还包括:
根据所述第一兴趣点的属性信息和所述第二兴趣点的属性信息生成所述第一兴趣点和所述第二兴趣点的联合属性特征;
所述预先训练的关系预测模型包括:自注意力模块和交叉注意力模块;
所述自注意力模块基于预设的自注意力机制对所述第二关系特征进行处理,所述交叉注意力模块基于预设的交叉注意力机制对所述联合属性特征和所述第二关系特征进行处理。
8.根据权利要求7所述的方法,其中,所述预先训练的关系预测模型还包括:多层感知器;
所述多层感知器用于基于各预设图元对应的所述第一关系特征、所述自注意力模块输出的特征以及所述交叉注意力模块输出的特征预测所述第一兴趣点的和所述第二兴趣点之间的竞争关系。
9.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述第一兴趣点至少两个第二兴趣点之间的竞争关系对所述第一兴趣点相关的服务资源进行配置。
10.一种挖掘兴趣点之间的竞争关系的装置,包括:
第一获取单元,被配置为获取基于用户的地图检索数据进行数据挖掘得到的图元挖掘结果,其中,所述地图检索数据包括检索的目标兴趣点的属性信息,所述图元挖掘结果包括各个预设情况的发生频次,所述预设情况包括:符合对应的预设图元所表征的兴趣点的属性信息及至少两个兴趣点的属性信息之间的预设关联关系;
第一特征提取单元,被配置为针对待判定竞争关系的第一兴趣点和第二兴趣点,基于所述图元挖掘结果确定所述第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的预设图元对应的预设情况的发生频次,并基于所述第一兴趣点的属性信息和第二兴趣点的属性信息在预设图元中共同出现的预设图元对应的预设情况的发生频次生成所述第一兴趣点和所述第二兴趣点的关系特征;
预测单元,被配置为将所述第一兴趣点和所述第二兴趣点的关系特征输入预先训练的关系预测模型,得到所述第一兴趣点和所述第二兴趣点的竞争关系预测结果。
11.根据权利要求10所述的装置,其中,所述装置还包括:
第二获取单元,被配置为获取所述用户的地图检索数据,所述地图检索数据还包括用户检索目标兴趣点的时间信息;
构建获取单元,被配置为根据同一用户检索不同目标兴趣点的时间信息之间的关联性,构建表征目标兴趣点之间的关系的兴趣点连接关系图;以及
挖掘单元,被配置为基于所述兴趣点连接关系图对所述各预设图元对应的预设情况的发生频次进行统计,得到所述图元挖掘结果。
12.根据权利要求11所述的装置,其中,所述预设图元包括:
至少一个第一预设图元,所述第一预设图元表征相互关联的兴趣点对的属性信息及所述兴趣点对与至少一个邻居兴趣点的属性信息之间的关联关系。
13.根据权利要求12所述的装置,其中,所述预设图元还包括:
至少一个第二预设图元,所述第二预设图元表征相互关联的兴趣点对及所述兴趣点对与至少一个邻居兴趣点之间的关联关系;以及
所述挖掘单元包括:
第一统计单元,被配置为基于所述兴趣点连接关系图分别对目标兴趣点之间的关系符合各第二预设图元对应的预设情况进行频次统计;
第二统计单元,被配置为根据各所述第二预设图元中的兴趣点的属性信息,以及所述目标兴趣点之间的关系分别符合各第二预设图元对应的预设情况的频次统计结果,针对各所述第一预设图元,分别统计所述目标兴趣点的属性信息和目标兴趣点的属性信息之间的关系均符合所述第一预设图元对应的预设情况的频次。
14.根据权利要求13所述的装置,其中,所述预设图元还包括:
至少一个第三预设图元,其中,第三预设图元包括一个节点对和与所述节点对中的至少一个节点连接的邻居节点,不同的第三预设图元中节点间的连接关系不相同;
所述挖掘单元还包括:
第三统计单元,被配置为根据目标兴趣点的属性信息和目标兴趣点的属性信息之间的关系均符合所述第一预设图元对应的预设情况的频次统计结果,分别对符合各所述第三预设图元的图结构的情况的频次进行统计。
15.根据权利要求10-14任一项所述的装置,其中,所述第一特征提取单元包括:
第三获取单元,被配置为获取所述各预设情况的发生频次的第一排序列表,以及从所述第一排序列表中选出的排序前预设位的热门预设情况的第二排序列表;
第一生成单元,被配置为根据所述第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各预设图元在所述第一排序列表中的排序和对应的预设情况的发生频次,生成所述第一兴趣点和第二兴趣点的第一关系特征;
第二生成单元,被配置为根据所述第一兴趣点的属性信息和第二兴趣点的属性信息共同出现的各预设图元在所述第二排序列表中的排序和对应的预设情况的发生频次,生成所述第一兴趣点和第二兴趣点的第二关系特征。
16.根据权利要求15所述的装置,其中,所述装置还包括:
第二特征提取单元,被配置为根据所述第一兴趣点的属性信息和所述第二兴趣点的属性信息生成所述第一兴趣点和所述第二兴趣点的联合属性特征;
所述预先训练的关系预测模型包括:自注意力模块和交叉注意力模块;
所述自注意力模块基于预设的自注意力机制对所述第二关系特征进行处理,所述交叉注意力模块基于预设的交叉注意力机制对所述联合属性特征和所述第二关系特征进行处理。
17.根据权利要求16所述的装置,其中,所述预先训练的关系预测模型还包括:多层感知器;
所述多层感知器用于基于各预设图元对应的所述第一关系特征、所述自注意力模块输出的特征以及所述交叉注意力模块输出的特征预测所述第一兴趣点的和所述第二兴趣点之间的竞争关系。
18.根据权利要求10所述的装置,其中,所述装置还包括:
资源配置单元,被配置为根据所述第一兴趣点至少两个第二兴趣点之间的竞争关系对所述第一兴趣点相关的服务资源进行配置。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320647.8A CN111522888B (zh) | 2020-04-22 | 2020-04-22 | 挖掘兴趣点之间的竞争关系的方法和装置 |
US17/110,144 US11580124B2 (en) | 2020-04-22 | 2020-12-02 | Method and apparatus for mining competition relationship POIs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320647.8A CN111522888B (zh) | 2020-04-22 | 2020-04-22 | 挖掘兴趣点之间的竞争关系的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111522888A true CN111522888A (zh) | 2020-08-11 |
CN111522888B CN111522888B (zh) | 2023-06-20 |
Family
ID=71903174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010320647.8A Active CN111522888B (zh) | 2020-04-22 | 2020-04-22 | 挖掘兴趣点之间的竞争关系的方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11580124B2 (zh) |
CN (1) | CN111522888B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357105A (zh) * | 2022-03-10 | 2022-04-15 | 北京百度网讯科技有限公司 | 地理预训练模型的预训练方法及模型微调方法 |
CN114821211A (zh) * | 2022-03-30 | 2022-07-29 | 高德软件有限公司 | 到达点确定方法、装置及程序产品 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535813B (zh) * | 2021-06-30 | 2023-07-28 | 北京百度网讯科技有限公司 | 一种数据挖掘方法、装置、电子设备以及存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482864A (zh) * | 2008-01-08 | 2009-07-15 | 国际商业机器公司 | 用于检验gis数据的正确性的方法和装置 |
CN101963961A (zh) * | 2009-07-23 | 2011-02-02 | 高德软件有限公司 | 兴趣点数据关联方法及装置 |
US20110179027A1 (en) * | 2010-01-21 | 2011-07-21 | Qualcomm Incorporated | Automatic linking of points of interest for indoor location based searching |
CN105138668A (zh) * | 2015-09-06 | 2015-12-09 | 中山大学 | 基于poi数据的城市商业中心与零售业态集聚区识别方法 |
CN106844402A (zh) * | 2015-12-04 | 2017-06-13 | 阿里巴巴集团控股有限公司 | 数据处理方法及装置 |
CN107169005A (zh) * | 2017-03-31 | 2017-09-15 | 百度在线网络技术(北京)有限公司 | Poi推荐方法、装置、设备及计算机可读存储介质 |
CN107609185A (zh) * | 2017-09-30 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 用于poi的相似度计算的方法、装置、设备和计算机可读存储介质 |
CN108681586A (zh) * | 2018-05-14 | 2018-10-19 | 安徽师范大学 | 基于群智感知的旅游路线个性化推荐方法 |
CN109033210A (zh) * | 2018-06-29 | 2018-12-18 | 北京奇虎科技有限公司 | 一种挖掘地图兴趣点poi的方法和装置 |
CN109145219A (zh) * | 2018-09-10 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 基于互联网文本挖掘的兴趣点有效性判断方法和装置 |
CN109241225A (zh) * | 2018-08-27 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质 |
CN110110013A (zh) * | 2019-05-10 | 2019-08-09 | 成都信息工程大学 | 一种基于时空属性的实体竞争关系数据挖掘方法 |
CN110119482A (zh) * | 2019-05-13 | 2019-08-13 | 杭州电子科技大学 | 基于poi和多源移动数据集的人群出行模式可视分析方法 |
CN110134754A (zh) * | 2019-05-23 | 2019-08-16 | 北京百度网讯科技有限公司 | 区域兴趣点的作业时长预测方法、装置、服务器和介质 |
WO2019227288A1 (en) * | 2018-05-28 | 2019-12-05 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for parent-child relationship determination for points of interest |
US20190370349A1 (en) * | 2018-05-30 | 2019-12-05 | Uber Technologies, Inc. | Automatic detection of point of interest change using cohort analysis |
CN110647676A (zh) * | 2019-08-14 | 2020-01-03 | 平安科技(深圳)有限公司 | 基于大数据的兴趣属性挖掘方法、装置和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11698269B2 (en) * | 2019-03-24 | 2023-07-11 | Apple Inc. | Systems and methods for resolving points of interest on maps |
-
2020
- 2020-04-22 CN CN202010320647.8A patent/CN111522888B/zh active Active
- 2020-12-02 US US17/110,144 patent/US11580124B2/en active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482864A (zh) * | 2008-01-08 | 2009-07-15 | 国际商业机器公司 | 用于检验gis数据的正确性的方法和装置 |
CN101963961A (zh) * | 2009-07-23 | 2011-02-02 | 高德软件有限公司 | 兴趣点数据关联方法及装置 |
US20110179027A1 (en) * | 2010-01-21 | 2011-07-21 | Qualcomm Incorporated | Automatic linking of points of interest for indoor location based searching |
CN105138668A (zh) * | 2015-09-06 | 2015-12-09 | 中山大学 | 基于poi数据的城市商业中心与零售业态集聚区识别方法 |
CN106844402A (zh) * | 2015-12-04 | 2017-06-13 | 阿里巴巴集团控股有限公司 | 数据处理方法及装置 |
CN107169005A (zh) * | 2017-03-31 | 2017-09-15 | 百度在线网络技术(北京)有限公司 | Poi推荐方法、装置、设备及计算机可读存储介质 |
CN107609185A (zh) * | 2017-09-30 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 用于poi的相似度计算的方法、装置、设备和计算机可读存储介质 |
CN108681586A (zh) * | 2018-05-14 | 2018-10-19 | 安徽师范大学 | 基于群智感知的旅游路线个性化推荐方法 |
WO2019227288A1 (en) * | 2018-05-28 | 2019-12-05 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for parent-child relationship determination for points of interest |
US20190370349A1 (en) * | 2018-05-30 | 2019-12-05 | Uber Technologies, Inc. | Automatic detection of point of interest change using cohort analysis |
CN109033210A (zh) * | 2018-06-29 | 2018-12-18 | 北京奇虎科技有限公司 | 一种挖掘地图兴趣点poi的方法和装置 |
CN109241225A (zh) * | 2018-08-27 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 兴趣点竞争关系挖掘方法、装置、计算机设备及存储介质 |
US20200065302A1 (en) * | 2018-08-27 | 2020-02-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, computer device and storage medium for mining point of interest competitive relationship |
CN109145219A (zh) * | 2018-09-10 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 基于互联网文本挖掘的兴趣点有效性判断方法和装置 |
CN110110013A (zh) * | 2019-05-10 | 2019-08-09 | 成都信息工程大学 | 一种基于时空属性的实体竞争关系数据挖掘方法 |
CN110119482A (zh) * | 2019-05-13 | 2019-08-13 | 杭州电子科技大学 | 基于poi和多源移动数据集的人群出行模式可视分析方法 |
CN110134754A (zh) * | 2019-05-23 | 2019-08-16 | 北京百度网讯科技有限公司 | 区域兴趣点的作业时长预测方法、装置、服务器和介质 |
CN110647676A (zh) * | 2019-08-14 | 2020-01-03 | 平安科技(深圳)有限公司 | 基于大数据的兴趣属性挖掘方法、装置和计算机设备 |
Non-Patent Citations (3)
Title |
---|
JO TING WEI: "Applying Data Mining and RFM Model to Analyze Customers\' Values of a Veterinary Hospital", 《2016 INTERNATIONAL SYMPOSIUM ON COMPUTER, CONSUMER AND CONTROL (IS3C)》 * |
艾廷华等: "等时线模型支持下的深圳市综合医院空间可达性测度分析", 《地球信息科学学报》 * |
艾廷华等: "等时线模型支持下的深圳市综合医院空间可达性测度分析", 《地球信息科学学报》, no. 01, 25 January 2020 (2020-01-25) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357105A (zh) * | 2022-03-10 | 2022-04-15 | 北京百度网讯科技有限公司 | 地理预训练模型的预训练方法及模型微调方法 |
CN114357105B (zh) * | 2022-03-10 | 2022-06-10 | 北京百度网讯科技有限公司 | 地理预训练模型的预训练方法及模型微调方法 |
WO2023168909A1 (zh) * | 2022-03-10 | 2023-09-14 | 北京百度网讯科技有限公司 | 地理预训练模型的预训练方法及模型微调方法 |
CN114821211A (zh) * | 2022-03-30 | 2022-07-29 | 高德软件有限公司 | 到达点确定方法、装置及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
US11580124B2 (en) | 2023-02-14 |
US20210334278A1 (en) | 2021-10-28 |
CN111522888B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582453B (zh) | 生成神经网络模型的方法和装置 | |
CN111522888B (zh) | 挖掘兴趣点之间的竞争关系的方法和装置 | |
CN111125435B (zh) | 视频标签的确定方法、装置和计算机设备 | |
CN111708876B (zh) | 生成信息的方法和装置 | |
KR20210132578A (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
CN111026937A (zh) | 提取poi名称的方法、装置、设备和计算机存储介质 | |
CN112000763B (zh) | 兴趣点竞争关系确定方法、装置、设备和介质 | |
CN111523007B (zh) | 用户感兴趣信息确定方法、装置、设备以及存储介质 | |
CN112380104A (zh) | 用户属性识别方法、装置、电子设备及存储介质 | |
CN111582477A (zh) | 神经网络模型的训练方法和装置 | |
CN111666292A (zh) | 用于检索地理位置的相似度模型建立方法和装置 | |
CN111553279A (zh) | 兴趣点的表征学习、识别方法、装置、设备及存储介质 | |
CN111756832B (zh) | 推送信息的方法、装置、电子设备及计算机可读存储介质 | |
CN112348107A (zh) | 图像数据清洗方法及装置、电子设备和介质 | |
CN111666461B (zh) | 检索地理位置的方法、装置、设备和计算机存储介质 | |
CN110852780A (zh) | 数据分析方法、装置、设备和计算机存储介质 | |
CN113127669B (zh) | 广告配图方法、装置、设备和存储介质 | |
CN114417194A (zh) | 推荐系统排序方法、参数预测模型训练方法及装置 | |
CN113536152A (zh) | 一种地图兴趣点展示方法、装置及电子设备 | |
CN111737382A (zh) | 地理位置点的排序方法、训练排序模型的方法及对应装置 | |
CN111563591A (zh) | 超网络的训练方法和装置 | |
CN111984876A (zh) | 兴趣点处理方法、装置、设备及计算机可读存储介质 | |
CN113868481A (zh) | 组件获取方法、装置及电子设备和存储介质 | |
CN113449754B (zh) | 标签的匹配模型训练和展示方法、装置、设备及介质 | |
CN112052402A (zh) | 信息推荐方法、装置、电子设备及存储介质 |
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 |