CN111553279B - 兴趣点的表征学习、识别方法、装置、设备及存储介质 - Google Patents
兴趣点的表征学习、识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111553279B CN111553279B CN202010351305.2A CN202010351305A CN111553279B CN 111553279 B CN111553279 B CN 111553279B CN 202010351305 A CN202010351305 A CN 202010351305A CN 111553279 B CN111553279 B CN 111553279B
- Authority
- CN
- China
- Prior art keywords
- poi
- pois
- graph
- learning
- interest
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000012512 characterization method Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 130
- 238000003062 neural network model Methods 0.000 claims description 60
- 238000010586 diagram Methods 0.000 claims description 53
- 238000004220 aggregation Methods 0.000 claims description 40
- 230000002776 aggregation Effects 0.000 claims description 39
- 238000009792 diffusion process Methods 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 12
- 230000004931 aggregating effect Effects 0.000 claims description 11
- 238000006116 polymerization reaction Methods 0.000 claims description 10
- 238000003475 lamination Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 16
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种兴趣点的表征学习、识别方法、装置、设备及存储介质,涉及电子地图和人工智能技术,包括:获取电子地图中各POI;分别将每个POI作为当前POI,根据所述当前POI的周围区域所分布POI的特征,构建所述当前POI的空间分布热图;根据构建的各所述POI的空间分布热图,基于设定学习模型进行POI表征学习。本申请实施例能够利用充分挖掘的POI空间特征学习POI表征,从而提高POI的识别效果以及POI的应用性能。
Description
技术领域
本申请实施例涉及数据处理领域,具体涉及电子地图和人工智能技术。
背景技术
POI(Point of Interest,兴趣点)泛指一切可以抽象为点的地理对象,尤其是一些与人们生活密切相关的地理实体,如学校、银行、餐馆、加油站、医院或超市等。对诸如电子地图这样的地理信息系统来说,POI的数量在一定程度代表着整个系统的价值。每个POI包含四方面信息,名称、类别、经度及纬度,全面的POI讯息是丰富导航地图的必备资讯。POI应用较为广泛,例如,用户出行的POI推荐,以及对POI的竞争关系进行分析等。
POI表征学习也即学习POI表征,能够实现对POI含义的学习,对于POI的应用具有重要意义。与一般的研究对象不同,POI广泛的分布在地理空间中,空间地域性是POI最为重要的特性之一。而现有的POI表征学习方法主要是利用POI的简单空间特性学习POI表征,忽略了POI特有的空间特性,对POI空间特性挖掘不足,导致POI的识别效果不理想,应用性能降低。
可见,如何充分挖掘POI空间特性,对于提高POI的应用性能来说具有极其重要的意义。
发明内容
本申请实施例提供了一种兴趣点的表征学习、识别方法、装置、设备及存储介质,利用充分挖掘的POI空间特征学习POI表征,从而提高POI的识别效果以及POI的应用性能。
第一方面,本申请实施例提供了一种兴趣点的表征学习方法,包括:
获取电子地图中各POI;
分别将每个POI作为当前POI,根据所述当前POI的周围区域所分布POI的特征,构建所述当前POI的空间分布热图;
根据构建的各所述POI的空间分布热图,基于设定学习模型进行POI表征学习。
第二方面,本申请实施例提供了一种兴趣点的识别方法,包括:
获取电子地图中的待识别POI;
根据所述待识别POI的周围区域所分布POI的特征,构建所述待识别POI的空间分布热图;
将所述待识别POI的空间分布热图输入至设定学习模型,以对所述待识别POI进行表征识别;
其中,所述设定学习模型采用第一方面所述的兴趣点的表征学习方法进行学习获得。
第三方面,本申请实施例提供了一种兴趣点的表征学习的装置,包括:
兴趣点获取模块,用于获取电子地图中各兴趣点POI;
第一空间分布热图构建模块,用于分别将每个POI作为当前POI,根据所述当前POI的周围区域所分布POI的特征,构建所述当前POI的空间分布热图;
兴趣点表征学习模块,用于根据构建的各所述POI的空间分布热图,基于设定学习模型进行POI表征学习。
第四方面,本申请实施例提供了一种兴趣点的识别装置,包括:
待识别兴趣点获取模块,用于获取电子地图中的待识别POI;
第二空间分布热图构建模块,用于根据所述待识别POI的周围区域所分布POI的特征,构建所述待识别POI的空间分布热图;
兴趣点表征识别模块,用于将所述待识别POI的空间分布热图输入至设定学习模型,以对所述待识别POI进行表征识别;
其中,所述设定学习模型采用第一方面所述的兴趣点的表征学习方法进行学习获得。
第五方面,本申请实施例提供了一种电子设备,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第一方面实施例所提供的兴趣点的表征学习方法,或执行第二方面实施例所提供的兴趣点的识别方法。
第六方面,本申请实施例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,其特征在于,所述计算机指令用于使所述计算机执行第一方面实施例所提供的兴趣点的表征学习方法,或执行第二方面实施例所提供的兴趣点的识别方法。
本申请实施例通过根据电子地图中各POI的周围区域所分布POI的特征,构建各POI的空间分布热图,以根据构建的各POI的空间分布热图,基于设定学习模型进行POI表征学习,并将待识别POI对应构建的待识别POI的空间分布热图输入至学习完成的设定学习模型中,以对待识别POI进行表征识别,解决现有POI表征学习方法存在的对POI空间特性挖掘不足等问题,能够利用充分挖掘的POI空间特征学习POI表征,从而提高POI的识别效果以及POI的应用性能。
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
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的一种兴趣点的表征学习方法的流程图;
图2a是本申请实施例提供的一种兴趣点的表征学习方法的流程图;
图2b是本申请实施例提供的一种基于图神经网络进行POI表征学习的流程示意图;
图2c是本申请实施例提供的一种构建单一通道空间分布热图的示意图;
图3a是本申请实施例提供的一种兴趣点的表征学习方法的流程图;
图3b是本申请实施例提供的一种兴趣点的表征学习方法的流程图示意图;
图3c是本申请实施例提供的一种POI的关联空间区域的效果示意图;
图3d是本申请实施例提供的一种POI关联空间因素的效果示意图;
图4是本申请实施例提供的一种兴趣点的识别方法的流程图;
图5是本申请实施例提供的一种兴趣点的表征学习装置的结构图;
图6是本申请实施例提供的一种兴趣点的识别装置的结构图;
图7是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
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。
在一个示例中,图1是本申请实施例提供的一种兴趣点的表征学习方法的流程图,本实施例可适用于利用充分挖掘的POI空间特征对兴趣点进行表征学习的情况,该方法可以由兴趣点的表征学习装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在电子设备中。该电子设备可以是计算机设备。相应的,如图1所示,该方法包括如下操作:
S110、获取电子地图中各POI。
电子地图中包括了各种类型的POI,每个POI均包括名称、类别、经度及纬度等四方面的信息。在对POI进行表征学习之前,首先需要获取电子地图中的各个POI。
S120、分别将每个POI作为当前POI,根据所述当前POI的周围区域所分布POI的特征,构建所述当前POI的空间分布热图。
可选的,当前POI的周围区域所分布POI的特征可以是当前POI的周围区域所分布POI的热度特征。热度特征即为POI热度,也即POI的受欢迎程度。示例性的,POI的访问热度、搜索热度、实际光顾热度或点击热度等均可以作为POI的热度特征。其中,访问热度可以反应用户对POI的访问频次,访问频次越高,访问热度越高。搜索热度可以反应用户对POI的搜索频次,搜索频次越高,搜索热度越高。实际光顾热度可以反应用户实际光顾POI的频次,实际光顾POI的频次越高,实际光顾热度越高。点击热度可以反应用户对POI进行点击查看的频次,用户对POI进行点击查看的频次越高,点击热度越高。本申请实施例并不对POI的热度特征的具体特征类型进行限定。相应的,空间分布热图可以是包括当前POI周围区域中各邻居POI热度的空间分布情况,也即,空间分布热图可以反应POI周围区域的空间分布数据。
在本申请实施例中,针对每个POI,均可以根据该POI的周围区域所分布POI的热度特征,构建该POI对应的空间分布热图。空间分布热图可以是基于POI类别的多通道热图。由此可见,本申请实施例中的空间分布热图可以充分体现各POI丰富的空间特征。
S130、根据构建的各所述POI的空间分布热图,基于设定学习模型进行POI表征学习。
其中,设定学习模型可以是对图数据进行学习的模型,如图神经网络模型等,本申请实施例并不对设定学习模型的具体类型进行限定。POI表征即为POI的含义,例如,一个POI与哪些POI之间存在依存关系,或一个POI与哪些POI之间存在竞争关系等,本申请实施例并不对POI表征的具体内容进行限定。
在本申请实施例中,针对每个POI构建空间分布热图后,即可将各POI的空间分布热图作为学习模型的输入数据,也即训练数据,利用设定学习模型进行POI表征学习。
综上,由于POI的空间分布热图充分体现了各POI丰富的空间特征,因此学习得到的设定学习模型也能够充分利用POI丰富的空间特征对各POI表征进行精准的识别。由于POI的识别效果提高,其应用于POI推荐或POI竞争关系的分析等POI应用领域的应用性能也能够随之提高。
本申请实施例通过根据电子地图中各POI的周围区域所分布POI的特征,构建各POI的空间分布热图,以根据构建的各POI的空间分布热图,基于设定学习模型进行POI表征学习,学习完成的设定学习模型可以对待识别POI进行表征识别,解决现有POI表征学习方法存在的对POI空间特性挖掘不足等问题,能够利用充分挖掘的POI空间特征学习POI表征,从而提高POI识别模型对POI的识别效果以及POI的应用性能。
在一个示例中,图2a是本申请实施例提供的一种兴趣点的表征学习方法的流程图,图2b是本申请实施例提供的一种基于图神经网络进行POI表征学习的流程示意图。本申请实施例在上述各实施例的技术方案的基础上,进行了优化改进,给出了POI的关系连接图以及空间分布热图的具体构建方式。下面结合图2a和图2b具体描述POI表征学习过程。
如图2a和图2b所示的一种兴趣点的表征学习方法,包括:
S210、构建各所述POI的关系连接图。
其中,关系连接图中可以包括各个POI彼此之间的关联关系,该关联关系可以包括但不限于依存关系或竞争选择关系等,本申请实施例并不对关联关系的具体关系类型进行限定。
在本申请实施例中,为了进一步利用各POI之间的关联关系,还可以构建各POI的关系连接图。
相应的,S210具体可以包括:
S211、根据地图检索数据确定各所述POI之间的共现关系。
其中,地图检索数据可以是用户在电子地图中输入的检索数据。共现关系可以是两两POI之间的关联关系。示例性的,当两个POI被同一用户在短时间内检索时,可以认为该两个POI之间存在共现关系。
具体的,在构建各POI的关系连接图之前,首先需要确定各POI之间的共现关系。可选的,确定各POI之间的共现关系具体可以是:根据地图检索数据确定各POI之间的共现关系。
在本申请的一个可选实施例中,所述根据地图检索数据确定各所述POI之间的共现关系,可以包括:当两个POI在设定时间间隔内被相同用户检索时,确定所述两个POI之间存在共现关系。
其中,设定时间间隔可以根据实际需求设定,如5分钟或10分钟等,本申请实施例并不对设定时间间隔的具体间隔时长进行限定。
相应的,在本申请实施例中,如果各POI之间的共现关系根据地图检索数据确定,则相应的,关系连接图可以包括用户检索行为的POI关系。具体的,可以依据两个POI是否在设定时间间隔内被相同用户检索,来确定各POI之间的共现关系。示例性的,用户A在检索商场B后,会紧接着检索商场B中的餐厅C,则可以确定商场B和餐厅C之间存在共现关系。
S212、根据各所述POI之间的共现关系构建所述关系连接图。
相应的,在确定各POI之间的共现关系后,即可根据各POI之间的共现关系构建关系连接图。需要说明的是,在本申请实施例中,还可以根据与地图检索数据类似的其他数据类型来构建关系连接图,本申请实施例并不对构建关系连接图所依据的数据类型进行限定。
通过构建关系连接图作为设定学习模型的其中一种输入数据,能够充分利用各POI之间的关联关系进行POI表征学习,使得设定学习模型能充分学习各POI之间的关联关系,从而提高POI表征学习的有效性和可靠性。
在本申请的一个可选实施例中,所述根据各所述POI之间的共现关系构建所述关系连接图,可以包括:根据所述两个POI之间存在的共现关系,更新所述关系连接图中所述两个POI之间的关系边。
可以理解的是,如果仅依据两POI之间的共现关系构建关系连接图,则关系连接图容易受到噪声干扰,且图规模会相对较大。因此,在构建关系连接图时,可以根据两个POI之间存在的共现关系,更新关系连接图中两个POI之间的关系边,以降低噪声干扰,并缩减关系连接图的规模。
在本申请的一个可选实施例中,根据所述两个POI之间存在的共现关系,更新所述关系连接图中所述两个POI之间的关系边,可以包括:确定所述关系边对应的所述两个POI在所述设定时间间隔内的检索总次数;当所述关系边对应的所述两个POI在所述设定时间间隔内的检索总次数不满足检索次数下限阈值时,从所述关系连接图中删除所述关系边;当所述关系边对应的所述两个POI在所述设定时间间隔内的检索总次数满足检索次数上限阈值时,向所述关系连接图中添加所述关系边。
其中,检索次数上限阈值可以用于确定两个POI之间存在共现关系,检索次数下限阈值可以用于确定两个POI之间的共现关系满足关联需求。示例性的,检索次数上限阈值可以是0,检索次数下限阈值可以是2,检索次数下限阈值以及检索次数上限阈值具体可以根据实际需求设定,本申请实施例对此并不进行限制。
具体的,更新关系连接图中两个POI之间的关系边,具体可以是:首先确定关系边对应的两个POI在设定时间间隔内的检索总次数,并根据检索总次数对关系边进行更新。具体可以是:当关系边对应的两个POI在设定时间间隔内的检索总次数不满足检索次数下限阈值时,从关系连接图中删除关系边;当关系边对应的两个POI在设定时间间隔内的检索总次数满足检索次数上限阈值时,向关系连接图中添加关系边。
在一个具体的例子中,可以通过向量(pi,pj,wij)表示pi和pj这两个POI在设定时间间隔Δt时间内被所有用户检索了wij次。在最初构建关系连接图时,可以设置检索次数上限阈值θm,当wij>θm时,表明pi和pj两个POI之间存在共现关系,即可添加pi和pj之间的关系边。例如,可以设置θm=0。也即,只要pi和pj两个POI在设定时间间隔Δt时间内被用户检索,即可表明pi和pj两个POI之间存在共现关系,并构建对应的关系边。同时,为了降低噪声干扰和减小关系连接图的规模,还可以设置检索次数下限阈值θm来过滤关联程度比较弱的POI关系。如果wij<θn,则在最终的POI的关系连接图中删除pi和pj之间的关系边。例如,可以设置θn=5,也即,如果wij的数值小于5,则表明pi和pj之间的关联程度比较弱,此时可以删除pi和pj之间的关系边。
上述方案中,通过设置检索次数阈值对关系连接图进行更新,可以有效降低噪声干扰和关系连接图的规模,从而提高关系连接图的可靠性和精准性。
在本申请的一个可选实施例中,在所述构建各所述POI的关系连接图之后,还可以包括:根据所述关系连接图中各POI的类别,将所述关系连接图拆分为扩散子图和关联子图;其中,所述扩散子图中通过关系边相连的POI之间的类别不同;所述关联子图中通过所述关系边相连的POI之间的类别相同。
可以理解的是,POI的类别是POI的重要属性。不同类别POI之间的共现关系往往表示互补性质的关联关系。比如商场和餐厅A,两者属于不同的类别。如果商场和餐厅A存在共现关系,说明用户去逛商场和去餐厅A是有依存关联的。而相同类别POI之间的共现的关系往往表示潜在的竞争关联。比如餐厅A和餐厅B,两者属于相同类别。如果餐厅A和餐厅B存在共现关系,说明用户在去餐厅消费时会在餐厅A和餐厅B两个POI之间进行竞争选择。所以,在本申请实施例中,可以关系连接图中各POI的类别,将关系连接图拆分为扩散子图和关联子图。其中,扩散子图的所有关系边都是不同类别POI之间的关联,关联子图的所有关系边都是相同类别POI之间的关联。
将关系连接图拆分为扩散子图和关联子图,能够进一步明确存在依存关联和竞争关联的POI,从而对各POI之间的关联关系进行细化,能够提高学习样本的精准性,从而提高学习模型的POI表征学习效果。
S220、分别将每个POI作为当前POI,根据所述当前POI的周围区域所分布POI的特征,构建所述当前POI的空间分布热图。
相应的,S220具体可以包括:
S221、将所述当前POI的周围区域划为空间网格。
其中,空间网格可以是根据具体的电子地图信息,对设定区域进行空间划分得到的网格。当前POI的周围区域可以是当前POI所在的城市区域,本申请实施例并不对当前POI的周围区域的区域范围进行限定。
在本申请实施例中,构建POI的空间分布热图时,首先需要对当前POI的周围区域划分为空间网格。示例性的,如果AB市所在的区域面积为100*160=16000平方千米,则可以对AB市所在区域整体划分为100*160=16000个空间网格,每个空间网格的面积为1*1平方千米。其中,AB市所在区域可以包括多个POI。需要说明的是,当前POI的周围区域划分的空间网格的数量和具体的划分方式可以根据实际需求设定,本申请实施例对此并不进行限制。
S222、将每个空间网格中所分布POI的设定特征进行统计。
在本申请的一个可选实施例中,所述设定特征可以为各个类别POI的综合热度。POI的综合热度可以是对POI各种类型的热度特征进行综合计算所得到的热度特征。
在POI的周围区域划为空间网格后,可以对每个空间网格中分布的各个类别POI的综合热度进行统计,得到各个空间网格中所分布各个类别的POI的综合热度统计值。
S223、根据所述当前POI设定区域范围内空间网格所分布POI的设定特征统计值,构建所述当前POI的空间分布热图。
其中,设定区域范围可以根据实际需求设定,如包围当前POI周围的9个空间网格等,本申请实施例并不对设定区域范围的具体内容进行限定。
相应的,在得到过各空间网格中所分布的POI的综合热度统计值后,即可根据各个空间网格的位置信息以及统计得到的POI综合热度统计值构建当前POI的空间分布热图。
需要说明的是,由于POI的类别可能各不相同,因此,在构建各POI的空间分布热图时,可以针对每一类别的POI分别构建对应通道的空间分布热图。也即,各POI的空间分布热图可以包括多个通道的空间分布热图。
在本申请的一个可选实施例中,所述将每个空间网格中所分布POI的设定特征进行统计,可以包括:
基于如下公式确定每个空间网格内各个类别所分布POI的综合热度统计值:
所述根据所述当前POI设定区域范围内空间网格所分布POI的设定特征统计值,构建所述当前POI的空间分布热图,可以包括:
基于如下公式根据所述当前POI设定区域范围内空间网格所分布POI的设定特征统计值,构建所述当前POI的空间分布热图:
Mi∈RC×L×L
其中,表示设定区域范围内每个空间网格内所分布POI的综合热度统计值,fhot(pt)表示兴趣点pt的热度值,tag(pt)=c表示限制选择所有类别为c的POI,C表示基于POI类别的热图通道的数量,Mi表示兴趣点pi的空间分布热图,R表示维度空间,L×L表示兴趣点pi设定区域范围内空间网格的数量。
需要说明的是,在计算每个空间网格内所分布POI的综合热度统计值时,可以采用max-pooling(最大池化)作为各种类型热度值的统计聚合方法。
图2c是本申请实施例提供的一种构建单一通道空间分布热图的示意图。在一个具体的例子中,如图2c所示,假设AB市共划分了100*100个空间网格(图2c中仅示出了其中12个空间网格),且每个空间网格中均统计了所分布POI的综合热度统计值。图2c中的黑色圆点表示需要构建空间分布热图的当前POI。具体的,在构建当前POI的空间分布热图时,可以设置当前POI所在的3*3的空间网格对应的区域范围作为设定区域范围,也即图2c中标号为0的空间网格对应的区域范围。针对该设定区域范围的空间网格,对每个类别的POI,分别统计各空间网格所分布POI的综合热度统计值。例如,假设当前POI设定区域范围内共有3个类别的POI,分别是商场、餐厅和超市。则构建当前POI的空间分布热图时,可以分别统计在当前POI设定区域范围内,各空间网格内所分布商场类POI的热度值,在当前POI设定区域范围内,各空间网格内所分布餐厅类POI的热度值,以及,在当前POI设定区域范围内,各空间网格内所分布超市类POI的热度值。统计完成后,每一种类别的POI在设定区域范围内空间网格所分布POI的综合热度统计值形成一种单一通道空间分布热图,每一个通道空间分布热图为一个包括对应类别POI热度的二维矩阵,则当前POI的空间分布热图可以包括三通道空间分布热图。也即,当前POI可以包括商场通道空间分布热图、餐厅通道空间分布热图以及超市通道空间分布热图。
上述技术方案中,通过对当前POI的周围区域划分为空间网格,并以空间网格为单位统计各空间网格内分布的POI的综合热度,从而根据各空间网格的POI的综合热度统计值,根据当前POI设定区域范围内空间网格所分布各个类别POI的设定特征统计值,构建当前POI的空间分布热图,能够精确获取各POI所在的空间区域内的其他邻居POI的综合热度信息,从而充分挖掘各POI的空间分布特性。
S230、根据各所述POI的关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习。
相应的,在各POI的关系连接图和空间分布热图构建完成后,即可将各POI的关系连接图和空间分布热图作为学习数据,输入至图神经网络模型进行POI表征学习。可选的,图神经网络模型可以采用基于空间自适应的图神经网络(Spatial adaptive graphneural network,SA-GNN)模型。SA-GNN可以融合POI的空间特征在POI的关系连接图上进行节点聚合学习。
综上所述,采用上述技术方案,通过构建关系连接图作为图神经网络模型的其中一种输入数据,构建空间分布热图作为图神经网络模型的另外一种输入数据,以根据关系连接图和空间分布热图两种类型的输入数据对图神经网络模型进行POI表征学习,能够实现在充分挖掘POI空间特性的同时,充分利用各POI之间的关联关系进行POI表征学习,从而进一步提高POI表征学习的有效性和可靠性,进而提高POI的识别效果以及POI的应用性能。
需要说明的是,图2a仅是一种实现方式的示意图,步骤S210与S220之间并没有先后执行顺序,可以先执行S210,后执行S220,也可以先执行S220,后执行S210,或者,两者还可以并行实施。
在一个示例中,图3a是本申请实施例提供的一种兴趣点的表征学习方法的流程图,图3b是本申请实施例提供的一种兴趣点的表征学习方法的流程图示意图。本申请实施例在上述各实施例的技术方案的基础上,进行了优化改进,给出了根据各POI的关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习的具体实现方式。
如图3a和图3b所示的一种兴趣点的表征学习方法,包括:
S310、构建各所述POI的关系连接图。
S320、分别将每个POI作为当前POI,根据所述当前POI的周围区域所分布POI的特征,构建所述当前POI的空间分布热图。
S330、根据各所述POI的关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习。
相应的,S330具体可以包括:
S331、将各所述POI的关系连接图输入至所述图神经网络模型的基于空间位置关系的图卷积层学习POI表征,输出第一特征值。
其中,第一特征值可以是通过图神经网络模型的基于空间位置关系的图卷积层对关系连接图进行学习所输出的特征值。
在本申请实施例中,对于POI的关系连接图的学习,可以采用面向空间的聚合方法,通过图神经网络模型的基于空间位置关系的图卷积层来处理。
在本申请的一个可选实施例中,将各所述POI的关系连接图输入至所述图神经网络模型的基于空间位置关系的图卷积层学习POI表征,可以包括:根据所述关系连接图将各所述POI的邻居POI在空间区域上按照位置坐标和区域数量进行区域划分,得到多个关联空间区域;通过所述图神经网络的图卷积层,基于如下公式对所述关联空间区域进行聚合:
其中,表示第k个所述关联空间区域的聚合结果,Nk(Pi)表示第k个所述关联空间区域的POI邻居集,deg(pi)表示兴趣点pi在所述关系连接图上的度,deg(pj)表示兴趣点pj在所述关系连接图上的度,兴趣点pj为兴趣点pj的邻居POI,xj表示pi的输入特征,qi表示第一特征值,Wq表示所述图神经网络的网络参数,σ表示激活函数。
其中,区域数量可以根据实际需求设定,如4、6或8等,本申请实施例并不对区域数量的具体数值进行限定。关联空间区域可以是根据区域数量对POI的空间区域进行区域划分得到的多个部分空间区域。
具体的,每个POI的邻居在空间区域上按照位置坐标和区域数量n进行均匀划分,可以得到n个关联空间区域S1~Sn。图3c是本申请实施例提供的一种POI的关联空间区域的效果示意图。在一个具体的例子中,如图3c所示,p1可以得到6个关联空间区域S0~S6。每个在区域Sk的POI属于同一个邻居集合Nk(Pi),表示他们对于中心Pi而言都是同一个方向上的空间关系。由于中心Pi不属于任何一个区域,可以定义新的区域S0表示Pi的位置,相应的邻居集合为N0(Pi)={Pi}。得到各个关联空间区域后,即可利用图神经网络的图卷积层,基于公式 分别对每个关联空间区域进行聚合。然后对各个关联空间区域通过公式 进行聚合,得到整个空间区域的表征。
上述对关系连接图的学习方式能够在POI的邻居POI特征聚合时,识别各关联空间区域内的POI的相对空间位置关系,从而实现对邻居POI的空间特征的利用和学习。
S332、将各所述POI的空间分布热图输入至所述图神经网络模型的CNN层提取特征,输出第二特征值。
其中,第二特征值可以是通过图神经网络模型的CNN(Convolutional NeuralNetwork,卷积神经网络)层对空间分布热图进行学习所输出的特征。
在本申请实施例中,对于POI的空间分布热图的学习,可以通过图神经网络模型的基于空间位置关系的图卷积层来处理。
在本申请的一个可选实施例中,所述将各所述POI的空间分布热图输入至所述图神经网络模型的CNN层提取特征,输出第二特征值,可以包括:通过所述图神经网络模型的CNN层,基于如下公式提取各所述POI的空间分布热图的特征,输出所第二特征值:
mi=fCNN(Mi;wh)
其中,mi表示第i个POI对应的第二特征值,wh表示CNN层网络参数。
上述对空间分布热图的学习方式能够识别各空间分布热图内的POI的相对空间位置关系,从而实现对邻居POI的空间特征的利用和学习。
S333、通过所述图神经网络模型的特征聚合层,对所述第一特征值和所述第二特征值进行聚合,得到中间聚合特征值。
其中,中间聚合特征值可以是对第一特征值和第二特征值进行聚合得到的特征值。
相应的,在得到第一特征值和所述第二特征值后,可以利用图神经网络模型的特征聚合层,对第一特征值和第二特征值进行聚合,得到中间聚合特征值。
在本申请的一个可选实施例中,所述通过所述图神经网络模型的特征聚合层,对所述第一特征值和所述第二特征值进行聚合,可以包括:通过所述图神经网络模型的特征聚合层,基于如下公式对所述第一特征值和所述第二特征值进行聚合:
hi=σ(qi||mi)
其中,hi表示兴趣点pi的中间聚合特征值。
上述技术方案中,通过对第一特征值和第二特征值进行聚合,可以实现基于空间区域内的数据统计特征作为粗粒度的POI的空间特征。
S334、通过所述图神经网络的特征传播层,根据POI的关联空间因素对各所述POI的中间聚合特征值再次进行聚合,得到目标特征值。
其中,目标特征值可以是对各POI的中间聚合特征值再次进行聚合得到的特征值。可选的,所述关联空间因素包括相对距离和相对位置。
需要说明的是,上述聚合过程得到的中间聚合特征值考虑了区域空间关系,但是并没有考虑各POI之间相对距离和相对位置等空间关系。基于区域内的数据统计特征作为POI的空间特征有很明显的不足,因为在一个区域内的POI众多,这种粗粒度的分布统计很难反映真正的空间依赖关系。此外,由于区域内所有POI共享区域的统计特征,区域内POI的空间特征并没有差异性,会极大的影响性能。POI之间的相对距离和相对位置对于POI的表征学习具有重要的价值。POI之间的相对距离越近,彼此间的关联性就越强;不同方位的POI分布决定了POI周边环境的密集程度和相互依赖。如果不考虑相对距离和相对位置等空间特性,POI的距离依赖特征和地域分布会导致很多应用场景下的性能严重降低。因此,为了进一步挖掘POI的空间特性,在本申请实施例中,引入POI之间相对距离和相对位置作为POI的关联空间因素对各POI的中间聚合特征值再次进行聚合。
在本申请的一个可选实施例中,所述通过所述图神经网络的特征传播层,根据POI的关联空间因素对各所述POI的中间聚合特征值再次进行聚合,得到目标特征值,可以包括:根据各所述POI的设定空间范围内的邻居POI与所述POI的相对距离和相对位置,确定各所述POI在纬度方向的独热编码向量以及在经度方向的独热编码向量;对所述独热编码向量进行空间变换,得到纬度空间向量表征,对所述独热编码向量进行空间变换,得到经度空间向量表征;连接所述纬度空间向量表征和所述经度空间向量表征,得到空间向量表征;根据所述空间向量表征计算各邻居POI对所述POI的注意力权重;通过所述图神经网络的特征传播层,根据所述各邻居POI对所述POI的注意力权重对各所述POI的中间聚合特征值再次进行聚合。
在本申请的一个可选实施例中,所述POI在纬度方向的独热编码向量为ax(pi,pj),在经度方向的独热编码向量为ay(pi,pj);所述纬度空间向量表征为ex(i,j)=Wx·ax(pi,pj),所述经度空间向量表征为ey(i,j)=Wy·ay(pi,pj);所述空间向量表征为rs=Ws·(ex(i,j)||ey(i,j));所述各邻居POI对所述POI的注意力权重为所述根据所述各邻居POI对所述POI的注意力权重对各所述POI的中间聚合特征值再次进行聚合,可以包括:基于如下公式对各所述POI的中间聚合特征值再次进行聚合:
其中,Wx表示对ax进行空间变换的网络参数,Wy表示ay进行空间变换的网络参数,Ws表示空间向量表征的网络参数,表示多头注意力权重,aT表示注意力的权重向量,hj表示兴趣点pj的中间聚合特征值,Wt表示对所述中间聚合特征值进行空间变换的网络参数,K表示多头注意力的数量,表示注意力权重网络参数。
在本申请实施例中,在中间聚合特征值的基础上,考虑相对距离和相对位置等关联空间因素再次处理每个POI的聚合。图3d是本申请实施例提供的一种POI关联空间因素的效果示意图。在一个具体的例子中,如图3d所示,可以通过两个独热编码向量ax(pi,pj)和ay(pi,pj)来表示空间上经纬度两个方向的特征。首先可以对每个POI的周围进行网格划分,如图3d所示,可以把p1看作坐标原点,然后进行步长为l的网格进行切分。在图3d中,l取值为4。需要说明的是,步长l可以根据实际需求设定,本申请实施例并不对步长l的具体数值进行限定。然后根据其邻居p2的位置确定p2位于哪一个网格。接着在纬度和经度两个方向上都能得到对应的独热编码向量ax(p1,p2)=(0,0,1,0)和ay(p1,p2)=(0,0,0,1)。然后可以对ax(p1,p2)和ay(p1,p2)分别进行空间变换,得到对应的纬度空间向量表征和经度空间向量表征。在对纬度空间向量表征和经度空间向量表征进行连接,从而得到空间向量表征。随后可以基于空间向量表征计算邻居p2对于p1的注意力权重,最后利用图神经网络的特征传播层,根据邻居p2对p1的注意力权重对p1的中间聚合特征值h1再次进行聚合,得到p1对应的目标特征值。
上述技术方案,通过引入相对距离和相对位置两种关联空间因素处理每个POI的聚合,解决了直接编码经纬度等特征学习能力的不足,能够充分挖掘POI的距离依赖特征和地域分布特征,从而提高POI在众多应用场景下的应用性能。
S335、通过设定损失函数对所述目标特征值计算当前损失值。
其中,设定损失函数可以根据具体的POI应用场景来选择。示例性的,假如POI应用场景为POI推荐场景,则设定损失函数可以采用BPR(Bayesian Personalized Ranking,贝叶斯个性化排序)loss函数。假如POI应用场景为POI竞争分析等链路预测场景,则设定损失函数可以采用交叉熵损失函数。本申请实施例并不对设定损失函数的具体类型进行限定。
相应的,在得到各POI对应的目标特征值后,即可通过设定损失函数对目标特征值计算当前损失值,以根据当前损失值判断是否学习成功。
S336、判断当前损失值与目标损失值之间的差值是否满足设定阈值范围,若是,则执行S238,否则,执行S237。
其中,设定阈值范围可以根据实际需求设定,本申请实施例对此并不进行限制。
S337、进行反向传播,并返回执行S231。
如果确定当前损失值与目标损失值之间的差值不满足设定阈值范围,进行反向传播,得到网络参数增量,用网络参数增量对图神经网络的网络参数进行更新,直至当前损失值与目标损失值之间的差值是否满足设定阈值范围,或者,直至当前损失值不再发生变化。
S338、结束学习流程。
相应的,如果确定当前损失值与目标损失值之间的差值满足设定阈值范围,或者,当前损失值不再发生变化,则表明学习成功,可以结束学习流程。
上述技术方案,通过将各POI的关系连接图输入至图神经网络模型的基于空间位置关系的图卷积层学习POI表征,输出第一特征值,将各POI的空间分布热图输入至图神经网络模型的CNN层提取特征,输出第二特征值,并通过图神经网络模型的特征聚合层,对第一特征值和第二特征值进行聚合得到中间聚合特征值,最后通过图神经网络的特征传播层,根据POI的关联空间因素对各POI的中间聚合特征值再次进行聚合,得到目标特征值,实现了对POI空间特征的充分挖掘,提高了图神经网络模型对POI表征学习的能力。
在本申请的一个可选实施例中,所述根据各所述POI的关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习,可以包括:将所述扩散子图作为所述关系连接图,并根据所述关系连接图和所述空间分布热图,基于图神经网络模型进行POI表征学习,得到目标扩散特征值;将所述关联子图作为所述关系连接图,并根据所述关系连接图和所述空间分布热图,基于图神经网络模型进行POI表征学习,得到目标关联特征值;对所述目标扩散特征值和所述目标关联特征值进行拼接,得到所述目标特征值。
其中,目标扩散特征值可以是利用扩散子图和空间分布热图进行POI表征学习得到的目标特征值。目标关联特征值可以是利用关联子图和空间分布热图进行POI表征学习得到的目标特征值。
由于关系连接图可以拆分为扩散子图和关联子图,因此在根据各POI的关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习时,可以将扩散子图作为关系连接图,并根据关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习,得到目标扩散特征值。还可以将关联子图作为关系连接图,并根据关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习,得到目标关联特征值。然后,对得到的目标扩散特征值和目标关联特征值进行拼接,得到最终的目标特征值。
上述方案中,利用扩散子图和关联子图结合空间分布热图进行POI表征学习的好处是:可以充分挖掘不同类别POI隐含的POI属性特征。
如图3b所示,假设对当前POI p1进行表征学习,p3的邻居POI为p1。在对p3进行表征学习时,可以将扩散子图中p1和p3的输入特征以及分别输入至图神经网络的图卷积层对应的p1以及p3节点中,可以输出第一特征值。并将p3的空间分布热图输入至CNN层,可以输出第二特征值m3。然后利用图神经网络模型的特征聚合层,对第一特征值和第二特征值进行聚合,得到中间聚合特征值然后,可以通过图神经网络的特征传播层,根据POI的关联空间因素对各POI的中间聚合特征值再次进行聚合,得到目标扩散特征值同理,关联子图与空间分布热图分别输入至图神经网络的图卷积层对应的p1以及p3节点中进行学习,可以到目标关联特征值最后,将目标扩散特征值和目标关联特征值进行拼接,得到最终的目标特征值p1。
上述技术方案,通过将各POI的关系连接图输入至图神经网络模型的基于空间位置关系的图卷积层学习POI表征,输出第一特征值,将各POI的空间分布热图输入至图神经网络模型的CNN层提取特征,输出第二特征值,并通过图神经网络模型的特征聚合层,对第一特征值和第二特征值进行聚合得到中间聚合特征值,最后通过图神经网络的特征传播层,根据POI的关联空间因素对各POI的中间聚合特征值再次进行聚合,得到目标特征值,实现了对POI空间特征的充分挖掘,提高了图神经网络模型对POI表征学习的能力。
在一个示例中,图4是本申请实施例提供的一种兴趣点的识别方法的流程图,本实施例可适用于利用充分挖掘的POI空间特征对兴趣点进行表征识别的情况,该方法可以由兴趣点的表征学习装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在电子设备中。该电子设备可以是计算机设备。相应的,如图4所示,该方法包括如下操作:
S410、获取电子地图中的待识别POI。
其中,待识别POI可以是电子地图中需要进行表征识别的POI。
在本申请实施例中,POI表征学习完成后,即可获取电子地图中的待识别POI,进行POI表征识别。
S420、根据所述待识别POI的周围区域所分布POI的特征,构建所述待识别POI的空间分布热图。
同POI表征学习过程原理相同,在获取到各待识别POI后,可以根据各待识别POI的周围区域所分布POI的特征,构建各待识别POI的空间分布热图。
S430、将所述待识别POI的空间分布热图输入至设定学习模型以对所述待识别POI进行表征识别。
各待识别POI的空间分布热图构建完成后,即可将待识别POI的空间分布热图输入至设定学习模型以对待识别POI进行表征识别。
其中,所述设定学习模型采用上述任一实施例所述的兴趣点的表征学习方法进行学习获得。同理,还可以根据各待识别POI构建各待识别POI的关系连接图,从而根据各待识别POI的关系连接图和空间分布热图,基于学习完成的图神经网络模型进行POI表征识别。具体识别过程与学习过程原理相同,不再累述。
本申请实施例通过将待识别POI对应构建的待识别POI的空间分布热图输入至学习完成的设定学习模型中,以对待识别POI进行表征识别,解决现有POI表征识别方法存在的对POI空间特性挖掘不足等问题,能够利用充分挖掘的POI空间特征识别POI表征,从而提高POI的识别效果以及POI的应用性能。
在一个示例中,图5是本申请实施例提供的一种兴趣点的表征学习装置的结构图,本申请实施例可适用于利用充分挖掘的POI空间特征对兴趣点进行表征学习的情况,该装置通过软件和/或硬件实现,并具体配置于电子设备中。该电子设备可以是计算机设备。
如图5所示的兴趣点的表征学习装置500,包括:兴趣点获取模块510、第一空间分布热图构建模块520和兴趣点表征学习模块530。其中,
兴趣点获取模块510,用于获取电子地图中各兴趣点POI;
第一空间分布热图构建模块520,用于分别将每个POI作为当前POI,根据所述当前POI的周围区域所分布POI的特征,构建所述当前POI的空间分布热图;
兴趣点表征学习模块530,用于根据构建的各所述POI的空间分布热图,基于设定学习模型进行POI表征学习。
本申请实施例通过根据电子地图中各POI的周围区域所分布POI的特征,构建各POI的空间分布热图,以根据构建的各POI的空间分布热图,基于设定学习模型进行POI表征学习,学习完成的设定学习模型可以对待识别POI进行表征识别,解决现有POI表征学习方法存在的对POI空间特性挖掘不足等问题,能够利用充分挖掘的POI空间特征学习POI表征,从而提高POI识别模型对POI的识别效果以及POI的应用性能。
可选的,兴趣点的表征学习装置500还包括:关系连接图构建模块,用于构建各所述POI的关系连接图;兴趣点表征学习模块530,还用于根据各所述POI的关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习。
可选的,关系连接图构建模块包括:共现关系确定单元,用于根据地图检索数据确定各所述POI之间的共现关系;关系连接图构建单元,用于根据各所述POI之间的共现关系构建所述关系连接图。
可选的,共现关系确定单元,具体用于当两个POI在设定时间间隔内被相同用户检索时,确定所述两个POI之间存在共现关系;关系连接图构建单元,具体用于根据所述两个POI之间存在的共现关系,更新所述关系连接图中所述两个POI之间的关系边。
可选的,关系连接图构建单元,具体用于确定所述关系边对应的所述两个POI在所述设定时间间隔内的检索总次数;当所述关系边对应的所述两个POI在所述设定时间间隔内的检索总次数不满足检索次数下限阈值时,从所述关系连接图中删除所述关系边;当所述关系边对应的所述两个POI在所述设定时间间隔内的检索总次数满足检索次数上限阈值时,向所述关系连接图中添加所述关系边。
可选的,关系连接图构建模块还包括子图拆分单元,用于根据所述关系连接图中各POI的类别,将所述关系连接图拆分为扩散子图和关联子图;其中,所述扩散子图中通过关系边相连的POI之间的类别不同;所述关联子图中通过所述关系边相连的POI之间的类别相同。
可选的,第一空间分布热图构建模块520包括:空间网格划分单元,用于将所述当前POI的周围区域划为空间网格;特征统计单元,用于将每个空间网格中所分布POI的设定特征进行统计;空间分布热图构建单元,用于根据所述当前POI设定区域范围内空间网格所分布POI的设定特征统计值,构建所述当前POI的空间分布热图。
可选的,所述设定特征为各个类别POI的综合热度。
可选的,特征统计单元,具体用于基于如下公式确定每个空间网格内各个类别所分布POI的综合热度统计值:
空间分布热图构建单元,具体用于基于如下公式根据所述当前POI设定区域范围内空间网格所分布POI的设定特征统计值,构建所述当前POI的空间分布热图:
Mi∈RC×L×L
其中,表示设定区域范围内每个空间网格内所分布POI的综合热度统计值,fhot(pt)表示兴趣点pt的热度值,tag(pt)=c表示限制选择所有类别为c的POI,C表示基于POI类别的热图通道的数量,Mi表示兴趣点pi的空间分布热图,R表示维度空间,L×L表示兴趣点pi设定区域范围内空间网格的数量。
可选的,兴趣点表征学习模块530包括:第一特征值输出单元,用于将各所述POI的关系连接图输入至所述图神经网络模型的基于空间位置关系的图卷积层学习POI表征,输出第一特征值;第二特征值输出单元,用于将各所述POI的空间分布热图输入至所述图神经网络模型的卷积神经网络CNN层提取特征,输出第二特征值;中间聚合特征值聚合单元,用于通过所述图神经网络模型的特征聚合层,对所述第一特征值和所述第二特征值进行聚合,得到中间聚合特征值;目标特征值聚合单元,用于通过所述图神经网络的特征传播层,根据POI的关联空间因素对各所述POI的中间聚合特征值再次进行聚合,得到目标特征值;反向传播单元,用于通过设定损失函数对所述目标特征值计算当前损失值,并在确定所述当前损失值与目标损失值之间的差值不满足设定阈值范围时,进行反向传播,直至所述当前损失值与所述目标损失值之间的差值满足所述设定阈值范围。
可选的,第一特征值输出单元,具体用于根据所述关系连接图将各所述POI的邻居POI在空间区域上按照位置坐标和区域数量进行区域划分,得到多个关联空间区域;通过所述图神经网络的图卷积层,基于如下公式对所述关联空间区域进行聚合:
其中,表示第k个所述关联空间区域的聚合结果,Nk(Pi)表示第k个所述关联空间区域的POI邻居集,deg(pi)表示兴趣点pi在所述关系连接图上的度,deg(pj)表示兴趣点pj在所述关系连接图上的度,兴趣点pj为兴趣点pi的邻居POI,xj表示pi的输入特征,qi表示第一特征值,Wq表示所述图神经网络的网络参数,σ表示激活函数。
可选的,第二特征值输出单元,具体用于通过所述图神经网络模型的CNN层,基于如下公式提取各所述POI的空间分布热图的特征,输出所第二特征值:
mi=fCNN(Mi;wh)
其中,mi表示第i个POI对应的第二特征值,wh表示CNN层网络参数。
可选的,目标特征值聚合单元,具体用于通过所述图神经网络模型的特征聚合层,基于如下公式对所述第一特征值和所述第二特征值进行聚合:
hi=σ(qi||mi)
其中,hi表示兴趣点pi的中间聚合特征值。
可选的,所述关联空间因素包括相对距离和相对位置;目标特征值聚合单元,具体用于根据各所述POI的设定空间范围内的邻居POI与所述POI的相对距离和相对位置,确定各所述POI在纬度方向的独热编码向量以及在经度方向的独热编码向量;对所述独热编码向量进行空间变换,得到纬度空间向量表征,对所述独热编码向量进行空间变换,得到经度空间向量表征;连接所述纬度空间向量表征和所述经度空间向量表征,得到空间向量表征;根据所述空间向量表征计算各邻居POI对所述POI的注意力权重;通过所述图神经网络的特征传播层,根据所述各邻居POI对所述POI的注意力权重对各所述POI的中间聚合特征值再次进行聚合。
可选的,所述POI在纬度方向的独热编码向量为ax(pi,pj),在经度方向的独热编码向量为ay(pi,pj);所述纬度空间向量表征为ex(i,j)=Wx·ax(pi,pj),所述经度空间向量表征为ey(i,j)=Wy·ay(pi,pj);所述空间向量表征为rs=Ws·(ex(i,j)||ey(i,j));所述各邻居POI对所述POI的注意力权重为目标特征值聚合单元,具体用于基于如下公式对各所述POI的中间聚合特征值再次进行聚合:
其中,Wx表示对ax进行空间变换的网络参数,Wy表示ay进行空间变换的网络参数,Ws表示空间向量表征的网络参数,表示多头注意力权重,aT表示注意力的权重向量,hj表示兴趣点pj的中间聚合特征值,Wt表示对所述中间聚合特征值进行空间变换的网络参数,K表示多头注意力的数量,表示注意力权重网络参数。
可选的,兴趣点表征学习模块530,还用于将所述扩散子图作为所述关系连接图,并根据所述关系连接图和所述空间分布热图,基于图神经网络模型进行POI表征学习,得到目标扩散特征值;将所述关联子图作为所述关系连接图,并根据所述关系连接图和所述空间分布热图,基于图神经网络模型进行POI表征学习,得到目标关联特征值;对所述目标扩散特征值和所述目标关联特征值进行拼接,得到所述目标特征值。
上述兴趣点的表征学习装置可执行本申请任意实施例所提供的兴趣点的表征学习方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的兴趣点的表征学习方法。
由于上述所介绍的兴趣点的识别装置为可以执行本申请实施例中的兴趣点的表征学习方法的装置,故而基于本申请实施例中所介绍的兴趣点的表征学习方法,本领域所属技术人员能够了解本实施例的兴趣点的表征学习装置的具体实施方式以及其各种变化形式,所以在此对于该兴趣点的表征学习装置如何实现本申请实施例中的兴趣点的表征学习方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中兴趣点的表征学习方法所采用的装置,都属于本申请所欲保护的范围。
在一个示例中,图6是本申请实施例提供的一种兴趣点的识别装置的结构图,本申请实施例可适用于利用充分挖掘的POI空间特征对兴趣点进行表征识别的情况,该装置通过软件和/或硬件实现,并具体配置于电子设备中。该电子设备可以是计算机设备。
如图6所示的一种兴趣点的识别装置600,包括:待识别兴趣点获取模块610、第二空间分布热图构建模块620和兴趣点表征识别模块630。其中,
待识别兴趣点获取模块610,用于获取电子地图中的待识别POI;
第二空间分布热图构建模块620,用于根据所述待识别POI的周围区域所分布POI的特征,构建所述待识别POI的空间分布热图;
兴趣点表征识别模块630,用于将所述待识别POI的空间分布热图输入至设定学习模型,以对所述待识别POI进行表征识别;
其中,所述设定学习模型采用本申请任一实施例所述的兴趣点的表征学习方法进行学习获得。
本申请实施例通过将待识别POI对应构建的待识别POI的空间分布热图输入至学习完成的设定学习模型中,以对待识别POI进行表征识别,解决现有POI表征识别方法存在的对POI空间特性挖掘不足等问题,能够利用充分挖掘的POI空间特征识别POI表征,从而提高POI的识别效果以及POI的应用性能。
上述兴趣点的识别装置可执行本申请任意实施例所提供的兴趣点的识别方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的兴趣点的识别方法。
由于上述所介绍的兴趣点的识别装置为可以执行本申请实施例中的兴趣点的识别方法的装置,故而基于本申请实施例中所介绍的兴趣点的识别方法,本领域所属技术人员能够了解本实施例的兴趣点的识别装置的具体实施方式以及其各种变化形式,所以在此对于该兴趣点的识别装置如何实现本申请实施例中的兴趣点的识别方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中兴趣点的识别方法所采用的装置,都属于本申请所欲保护的范围。
在一个示例中,本申请还提供了一种电子设备和一种可读存储介质。
图7是用来实现本申请实施例的兴趣点的表征学习方法或兴趣点的识别方法的电子设备的结构示意图。如图7所示,是根据本申请实施例的兴趣点的表征学习方法或兴趣点的识别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7所示,该电子设备包括:一个或多个处理器701、存储器702,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7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的兴趣点的表征学习方法或兴趣点的识别方法。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兴趣点的表征学习方法或兴趣点的识别方法。
存储器702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兴趣点的表征学习方法或兴趣点的识别方法对应的程序指令/模块(例如,附图5所示的兴趣点获取模块510、第一空间分布热图构建模块520和兴趣点表征学习模块530,或附图6所示的待识别兴趣点获取模块610、第二空间分布热图构建模块620和兴趣点表征识别模块630)。处理器701通过运行存储在存储器702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兴趣点的表征学习方法或兴趣点的识别方法。
存储器702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;存储数据区可存储实现兴趣点的表征学习方法或兴趣点的识别方法的电子设备的使用所创建的数据等。此外,存储器702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702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至实现兴趣点的表征学习方法或兴趣点的识别方法的电子设备。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。
实现兴趣点的表征学习方法或兴趣点的识别方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与实现兴趣点的表征学习方法或兴趣点的识别方法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704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。
本申请实施例通过根据电子地图中各POI的周围区域所分布POI的特征,构建各POI的空间分布热图,以根据构建的各POI的空间分布热图,基于设定学习模型进行POI表征学习,并将待识别POI对应构建的待识别POI的空间分布热图输入至学习完成的设定学习模型中,以对待识别POI进行表征识别,解决现有POI表征学习方法存在的对POI空间特性挖掘不足等问题,能够利用充分挖掘的POI空间特征学习POI表征,从而提高POI的识别效果以及POI的应用性能。…
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (19)
1.一种兴趣点的表征学习方法,其特征在于,包括:
获取电子地图中各兴趣点POI;
根据地图检索数据确定各所述POI之间的共现关系;
根据各所述POI之间的共现关系构建各所述POI的关系连接图;
分别将每个POI作为当前POI,根据所述当前POI的周围区域所分布POI的特征,构建所述当前POI的空间分布热图;
根据构建的各所述POI的空间分布热图,基于设定学习模型进行POI表征学习;
其中,所述根据构建的各所述POI的空间分布热图,基于设定学习模型进行POI表征学习,包括:
根据各所述POI的关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习。
2.根据权利要求1所述的方法,其特征在于,所述根据地图检索数据确定各所述POI之间的共现关系,包括:
当两个POI在设定时间间隔内被相同用户检索时,确定所述两个POI之间存在共现关系;
所述根据各所述POI之间的共现关系构建所述关系连接图,包括:
根据所述两个POI之间存在的共现关系,更新所述关系连接图中所述两个POI之间的关系边。
3.根据权利要求2所述的方法,其特征在于,根据所述两个POI之间存在的共现关系,更新所述关系连接图中所述两个POI之间的关系边,包括:
确定所述关系边对应的所述两个POI在所述设定时间间隔内的检索总次数;
当所述关系边对应的所述两个POI在所述设定时间间隔内的检索总次数不满足检索次数下限阈值时,从所述关系连接图中删除所述关系边;
当所述关系边对应的所述两个POI在所述设定时间间隔内的检索总次数满足检索次数上限阈值时,向所述关系连接图中添加所述关系边。
4.根据权利要求1所述的方法,其特征在于,在所述构建各所述POI的关系连接图之后,还包括:
根据所述关系连接图中各POI的类别,将所述关系连接图拆分为扩散子图和关联子图;
其中,所述扩散子图中通过关系边相连的POI之间的类别不同;所述关联子图中通过所述关系边相连的POI之间的类别相同。
5.根据权利要求1所述的方法,其特征在于,所述根据所述当前POI的周围区域所分布POI的特征,构建所述当前POI的空间分布热图,包括:
将所述当前POI的周围区域划为空间网格;
将每个空间网格中所分布POI的设定特征进行统计;
根据所述当前POI设定区域范围内空间网格所分布POI的设定特征统计值,构建所述当前POI的空间分布热图。
6.根据权利要求5所述的方法,其特征在于,所述设定特征为各个类别POI的综合热度。
7.根据权利要求6所述的方法,其特征在于,所述将每个空间网格中所分布POI的设定特征进行统计,包括:
基于如下公式确定每个空间网格内各个类别所分布POI的综合热度统计值:
所述根据所述当前POI设定区域范围内空间网格所分布POI的设定特征统计值,构建所述当前POI的空间分布热图,包括:
基于如下公式根据所述当前POI设定区域范围内空间网格所分布POI的设定特征统计值,构建所述当前POI的空间分布热图:
Mi∈Rc×L×L
8.根据权利要求4所述的方法,其特征在于,所述根据各所述POI的关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习,包括:
将各所述POI的关系连接图输入至所述图神经网络模型的基于空间位置关系的图卷积层学习POI表征,输出第一特征值;
将各所述POI的空间分布热图输入至所述图神经网络模型的卷积神经网络CNN层提取特征,输出第二特征值;
通过所述图神经网络模型的特征聚合层,对所述第一特征值和所述第二特征值进行聚合,得到中间聚合特征值;
通过所述图神经网络的特征传播层,根据POI的关联空间因素对各所述POI的中间聚合特征值再次进行聚合,得到目标特征值;
通过设定损失函数对所述目标特征值计算当前损失值,并在确定所述当前损失值与目标损失值之间的差值不满足设定阈值范围时,进行反向传播,直至所述当前损失值与所述目标损失值之间的差值满足所述设定阈值范围。
9.根据权利要求8所述的方法,其特征在于,将各所述POI的关系连接图输入至所述图神经网络模型的基于空间位置关系的图卷积层学习POI表征,包括:
根据所述关系连接图将各所述POI的邻居POI在空间区域上按照位置坐标和区域数量进行区域划分,得到多个关联空间区域;
通过所述图神经网络的图卷积层,基于如下公式对所述关联空间区域进行聚合:
10.根据权利要求8所述的方法,其特征在于,所述将各所述POI的空间分布热图输入至所述图神经网络模型的CNN层提取特征,包括:
通过所述图神经网络模型的CNN层,基于如下公式提取各所述POI的空间分布热图的特征,输出所第二特征值:
mi=fCNN(Mi;wh)
其中,mi表示第i个POI对应的第二特征值,wh表示CNN层网络参数。
11.根据权利要求8所述的方法,其特征在于,所述通过所述图神经网络模型的特征聚合层,对所述第一特征值和所述第二特征值进行聚合,包括:
通过所述图神经网络模型的特征聚合层,基于如下公式对所述第一特征值和所述第二特征值进行聚合:
hi=σ(qi||mi)
其中,hi表示兴趣点pi的中间聚合特征值。
12.根据权利要求8所述的方法,其特征在于,所述关联空间因素包括相对距离和相对位置;
所述通过所述图神经网络的特征传播层,根据POI的关联空间因素对各所述POI的中间聚合特征值再次进行聚合,包括:
根据各所述POI的设定空间范围内的邻居POI与所述POI的相对距离和相对位置,确定各所述POI在纬度方向的独热编码向量以及在经度方向的独热编码向量;
对所述POI在纬度方向的独热编码向量进行空间变换,得到纬度空间向量表征,对所述POI在经度方向的独热编码向量进行空间变换,得到经度空间向量表征;
连接所述纬度空间向量表征和所述经度空间向量表征,得到空间向量表征;
根据所述空间向量表征计算各邻居POI对所述POI的注意力权重;
通过所述图神经网络的特征传播层,根据所述各邻居POI对所述POI的注意力权重对各所述POI的中间聚合特征值再次进行聚合。
13.根据权利要求12所述的方法,其特征在于:
所述POI在纬度方向的独热编码向量为ax(pi,pj),在经度方向的独热编码向量为dy(pi,pj);
所述纬度空间向量表征为ex(i,j)=Wx·ax(pi,pj),所述经度空间向量表征为ey(i,j)=Wy·ay(pi,pj);
所述空间向量表征为rs=Ws·(ex(i,j)||ey(i,j));
所述根据所述各邻居POI对所述POI的注意力权重对各所述POI的中间聚合特征值再次进行聚合,包括:
基于如下公式对各所述POI的中间聚合特征值再次进行聚合:
14.根据权利要求8所述的方法,其特征在于,所述根据各所述POI的关系连接图和空间分布热图,基于图神经网络模型进行POI表征学习,包括:
将所述扩散子图作为所述关系连接图,并根据所述关系连接图和所述空间分布热图,基于图神经网络模型进行POI表征学习,得到目标扩散特征值;
将所述关联子图作为所述关系连接图,并根据所述关系连接图和所述空间分布热图,基于图神经网络模型进行POI表征学习,得到目标关联特征值;
对所述目标扩散特征值和所述目标关联特征值进行拼接,得到所述目标特征值。
15.一种兴趣点的识别方法,其特征在于,包括:
获取电子地图中的待识别POI;
根据所述待识别POI的周围区域所分布POI的特征,构建所述待识别POI的空间分布热图:
将所述待识别POI的空间分布热图输入至设定学习模型,以对所述待识别POI进行表征识别;
其中,所述设定学习模型采用权利要求1-14任一所述的兴趣点的表征学习方法进行学习获得。
16.一种兴趣点的表征学习的装置,其特征在于,包括:
兴趣点获取模块,用于获取电子地图中各兴趣点POI;
关系连接图构建模块包括:
共现关系确定单元,用于根据地图检索数据确定各所述POI之间的共现关系;
关系连接图构建单元,用于根据各所述POI之间的共现关系构建各所述POI的关系连接图;
第一空间分布热图构建模块,用于分别将每个POI作为当前POI,根据所述当前POI的周围区域所分布POI的特征,构建所述当前POI的空间分布热图;
兴趣点表征学习模块,用于根据构建的各所述POI的空间分布热图,基于设定学习模型进行POI表征学习;
其中,所述兴趣点表征学习模块还用于根据各所述POI的关系连接图和空间分布热图,
基于图神经网络模型进行POI表征学习。
17.一种兴趣点的识别装置,其特征在于,包括:
待识别兴趣点获取模块,用于获取电子地图中的待识别POI;
第二空间分布热图构建模块,用于根据所述待识别POI的周围区域所分布POI的特征,
构建所述待识别POI的空间分布热图;
兴趣点表征识别模块,用于将所述待识别POI的空间分布热图输入至设定学习模型,
以对所述待识别POI进行表征识别;
其中,所述设定学习模型采用权利要求1-14任一所述的兴趣点的表征学习方法进行学习获得。
18.一种电子设备,其特征在于,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1-14中任一项所述的方法,或执行权利要求15所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-14中任一项所述的方法,或执行权利要求15所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010351305.2A CN111553279B (zh) | 2020-04-28 | 2020-04-28 | 兴趣点的表征学习、识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010351305.2A CN111553279B (zh) | 2020-04-28 | 2020-04-28 | 兴趣点的表征学习、识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553279A CN111553279A (zh) | 2020-08-18 |
CN111553279B true CN111553279B (zh) | 2023-05-05 |
Family
ID=72008255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010351305.2A Active CN111553279B (zh) | 2020-04-28 | 2020-04-28 | 兴趣点的表征学习、识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553279B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000763B (zh) * | 2020-09-25 | 2023-08-29 | 北京百度网讯科技有限公司 | 兴趣点竞争关系确定方法、装置、设备和介质 |
CN112132223B (zh) * | 2020-09-27 | 2024-02-27 | 腾讯科技(深圳)有限公司 | 图池化方法、装置、设备以及存储介质 |
CN112989211B (zh) * | 2021-05-17 | 2021-08-13 | 北京搜狐新媒体信息技术有限公司 | 一种确定信息相似度的方法及系统 |
CN113360773B (zh) * | 2021-07-07 | 2023-07-04 | 脸萌有限公司 | 推荐方法、装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562958A (zh) * | 2017-09-30 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 地图兴趣点失效挖掘方法、装置、服务器及存储介质 |
CN108182240A (zh) * | 2017-12-28 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 |
CN109947819A (zh) * | 2019-03-12 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 疑似作弊区域的挖掘方法、装置、计算机设备和存储介质 |
CN110929176A (zh) * | 2018-09-03 | 2020-03-27 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置及电子设备 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102637B (zh) * | 2013-04-02 | 2017-09-29 | 高德软件有限公司 | 一种生成热点区域的方法及装置 |
CN106303955B (zh) * | 2016-08-05 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于对无线热点和poi进行匹配的方法和装置 |
CN108287816B (zh) * | 2017-01-10 | 2021-06-04 | 腾讯科技(深圳)有限公司 | 兴趣点在线检测、机器学习分类器训练方法和装置 |
US11765323B2 (en) * | 2017-05-26 | 2023-09-19 | Calumino Pty Ltd. | Apparatus and method of location determination in a thermal imaging system |
CN107426221A (zh) * | 2017-07-28 | 2017-12-01 | 安徽华博胜讯信息科技股份有限公司 | 基于超融合架构的文化创意虚拟现实系统 |
US10839547B2 (en) * | 2017-09-28 | 2020-11-17 | Samsung Electronics Co., Ltd. | Camera pose determination and tracking |
CN110020144B (zh) * | 2017-11-21 | 2023-06-23 | 腾讯科技(深圳)有限公司 | 一种推荐模型建立方法及其设备、存储介质、服务器 |
CN109344337B (zh) * | 2018-08-09 | 2019-11-05 | 百度在线网络技术(北京)有限公司 | 移动热点与移动兴趣点的匹配方法、装置及存储介质 |
CN109241225B (zh) * | 2018-08-27 | 2022-03-25 | 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 |
CN109344736B (zh) * | 2018-09-12 | 2021-07-09 | 苏州大学 | 一种基于联合学习的静态图像人群计数方法 |
CN109635208B (zh) * | 2018-10-25 | 2020-10-09 | 百度在线网络技术(北京)有限公司 | 用户到访推断模型建立方法、装置及存储介质 |
CN110781413B (zh) * | 2019-08-28 | 2024-01-30 | 腾讯大地通途(北京)科技有限公司 | 兴趣点确定方法及装置、存储介质、电子设备 |
CN110726418B (zh) * | 2019-10-10 | 2021-08-03 | 北京百度网讯科技有限公司 | 兴趣点区域确定方法、装置、设备及存储介质 |
-
2020
- 2020-04-28 CN CN202010351305.2A patent/CN111553279B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562958A (zh) * | 2017-09-30 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 地图兴趣点失效挖掘方法、装置、服务器及存储介质 |
CN108182240A (zh) * | 2017-12-28 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 |
CN110929176A (zh) * | 2018-09-03 | 2020-03-27 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置及电子设备 |
CN109947819A (zh) * | 2019-03-12 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 疑似作弊区域的挖掘方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111553279A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553279B (zh) | 兴趣点的表征学习、识别方法、装置、设备及存储介质 | |
CN111708876B (zh) | 生成信息的方法和装置 | |
US11630560B2 (en) | Map information display method and apparatus, electronic device, and computer storage medium | |
CN111931067B (zh) | 兴趣点推荐方法、装置、设备和介质 | |
CN111666292B (zh) | 用于检索地理位置的相似度模型建立方法和装置 | |
CN112000763B (zh) | 兴趣点竞争关系确定方法、装置、设备和介质 | |
JP7334205B2 (ja) | 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
US11593384B2 (en) | Parking lot free parking space predicting method, apparatus, electronic device and storage medium | |
CN112000893B (zh) | 常驻区域预测方法、装置、设备及存储介质 | |
CN116664719B (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
JP7242994B2 (ja) | ビデオイベント識別方法、装置、電子デバイス及び記憶媒体 | |
CN113656698B (zh) | 兴趣特征提取模型的训练方法、装置和电子设备 | |
Yao et al. | A spatial co-location mining algorithm that includes adaptive proximity improvements and distant instance references | |
CN111666461B (zh) | 检索地理位置的方法、装置、设备和计算机存储介质 | |
CN113158038A (zh) | 基于sta-tcn神经网络框架的兴趣点推荐方法及系统 | |
CN112115387B (zh) | 兴趣点poi推荐模型的训练方法、装置和电子设备 | |
CN111461306B (zh) | 特征评估的方法及装置 | |
CN111522888A (zh) | 挖掘兴趣点之间的竞争关系的方法和装置 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN113449754B (zh) | 标签的匹配模型训练和展示方法、装置、设备及介质 | |
CN110928920B (zh) | 一种基于改进位置社交的知识推荐方法、系统及存储介质 | |
CN114329231A (zh) | 对象特征处理方法、装置、电子设备及存储介质 | |
CN114329236A (zh) | 一种数据处理方法及装置 | |
CN117421386B (zh) | 基于gis的空间数据处理方法及系统 |
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 |