CN111666503B - 出行方式推荐方法、装置、计算机设备和可读存储介质 - Google Patents
出行方式推荐方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111666503B CN111666503B CN201910164474.2A CN201910164474A CN111666503B CN 111666503 B CN111666503 B CN 111666503B CN 201910164474 A CN201910164474 A CN 201910164474A CN 111666503 B CN111666503 B CN 111666503B
- Authority
- CN
- China
- Prior art keywords
- travel
- user
- model
- users
- vector representation
- 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 53
- 238000012512 characterization method Methods 0.000 claims abstract description 69
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000003491 array Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提出一种出行方式推荐方法、装置、计算机设备和可读存储介质,其中,方法包括:获取出行检索信息;其中,出行检索信息用于对输入出行起终点的出行用户推荐出行方式;将出行检索信息输入经过训练的模型,得到出行用户的向量表征;其中,模型已学习得到出行用户与向量表征之间的对应关系,具有相似画像特征的出行用户对应具有相似的向量表征;出行用户的向量表征,用于指示相应出行用户的出行偏好;根据出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。该方法能够实现基于出行用户的画像特征,预测出行用户的出行偏好,提升预测结果的准确性。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种出行方式推荐方法、装置、计算机设备和可读存储介质。
背景技术
随着互联网技术的不断发展以及终端设备的普及,当用户出行时,可以使用终端设备中的搜索类应用程序(Application,简称APP)、地图类APP等输入出行起终点,而后,上述APP可以推荐用户偏好的交通方式,例如步行、公交、驾车等等。
现有技术中,根据用户的历史出行信息,预测用户的出行偏好。
这种方式下,在历史出行信息过少的情况下,预测结果的准确性较低。例如,用户在出行时,仅使用过一次地图类APP,并且点击了公交,则预测结果可能为用户偏爱公交,显然,预测结果并不合理。
发明内容
本申请提出一种出行方式推荐方法、装置、计算机设备和可读存储介质,以实现基于出行用户的画像特征,预测出行用户的出行偏好,提升预测结果的准确性,从而避免了根据用户的历史出行信息预测用户的出行偏好,导致历史出行信息过少的情况下预测结果不准确的情况。
本申请第一方面实施例提出了一种出行方式推荐方法,包括:
获取出行检索信息;其中,所述出行检索信息用于对输入出行起终点的出行用户推荐出行方式;
将所述出行检索信息输入经过训练的模型,得到所述出行用户的向量表征;其中,所述模型已学习得到出行用户与向量表征之间的对应关系,具有相似所述画像特征的出行用户对应具有相似的向量表征;所述出行用户的向量表征,用于指示相应出行用户的出行偏好;
根据所述出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。
本申请实施例的出行方式推荐方法,通过获取出行检索信息,其中,出行检索信息用于对输入出行起终点的出行用户推荐出行方式,而后,将出行检索信息输入经过训练的模型,得到出行用户的向量表征,其中,模型已学习得到出行用户与向量表征之间的对应关系,具有相似画像特征的出行用户对应具有相似的向量表征,以及出行用户的向量表征用于指示相应出行用户的出行偏好,最后,根据出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。由此,可以实现基于出行用户的画像特征,预测出行用户的出行偏好,提升预测结果的准确性,从而避免了根据用户的历史出行信息预测用户的出行偏好,导致历史出行信息过少的情况下预测结果不准确的情况。
本申请第二方面实施例提出了一种出行方式推荐装置,包括:
获取模块,用于获取出行检索信息;其中,所述出行检索信息用于对输入出行起终点的出行用户推荐出行方式;
处理模块,用于将所述出行检索信息输入经过训练的模型,得到所述出行用户的向量表征;其中,所述模型已学习得到出行用户与向量表征之间的对应关系,具有相似所述画像特征的出行用户对应具有相似的向量表征;所述出行用户的向量表征,用于指示相应出行用户的出行偏好;
确定模块,用于根据所述出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。
本申请实施例的出行方式推荐装置,通过获取出行检索信息,其中,出行检索信息用于对输入出行起终点的出行用户推荐出行方式,而后,将出行检索信息输入经过训练的模型,得到出行用户的向量表征,其中,模型已学习得到出行用户与向量表征之间的对应关系,具有相似画像特征的出行用户对应具有相似的向量表征,以及出行用户的向量表征用于指示相应出行用户的出行偏好,最后,根据出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。由此,可以实现基于出行用户的画像特征,预测出行用户的出行偏好,提升预测结果的准确性,从而避免了根据用户的历史出行信息预测用户的出行偏好,导致历史出行信息过少的情况下预测结果不准确的情况。
本申请第三方面实施例提出了一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本申请第一方面实施例提出的出行方式推荐方法。
本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面实施例提出的出行方式推荐方法。
本申请第五方面实施例提出了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如本申请第一方面实施例提出的出行方式推荐方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的出行方式推荐方法的流程示意图;
图2为本申请实施例二所提供的出行方式推荐方法的流程示意图;
图3为本申请实施例三所提供的出行方式推荐方法的流程示意图;
图4为本申请实施例四所提供的出行方式推荐装置的结构示意图;
图5为本申请实施例五所提供的出行方式推荐装置的结构示意图;
图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请主要针对现有技术中根据用户历史出行信息,预测用户的出行偏好,预测结果的准确性较低的技术问题,提出一种出行方式推荐方法。
本申请实施例的出行方式推荐方法,通过获取出行检索信息,其中,出行检索信息用于对输入出行起终点的出行用户推荐出行方式,而后,将出行检索信息输入经过训练的模型,得到出行用户的向量表征,其中,模型已学习得到出行用户与向量表征之间的对应关系,具有相似画像特征的出行用户对应具有相似的向量表征,以及出行用户的向量表征用于指示相应出行用户的出行偏好,最后,根据出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。由此,可以实现基于出行用户的画像特征,预测出行用户的出行偏好,提升预测结果的准确性,从而避免了根据用户的历史出行信息预测用户的出行偏好,导致历史出行信息过少的情况下预测结果不准确的情况。
下面参考附图描述本申请实施例的出行方式推荐方法、装置、计算机设备和可读存储介质。
图1为本申请实施例一所提供的出行方式推荐方法的流程示意图。
本申请实施例以该出行方式推荐方法被配置于出行方式推荐装置中来举例说明,该出行方式推荐装置可以应用于任一计算机设备中,以使该计算机设备可以执行出行方式推荐功能。
其中,计算机设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该出行方式推荐方法包括以下步骤:
步骤101,获取出行检索信息;其中,出行检索信息用于对输入出行起终点的出行用户推荐出行方式。
本申请实施例中,出行用户可以通过搜索类APP、地图类APP等,输入出行检索信息,其中,出行检索信息包括:出行起终点(Original and Destination,简称OD),输入出行检索信息的方式包括但不限于触摸输入(如滑动、点击等)、键盘输入、语音输入等等。
本申请实施例中,当用户输入完出行检索信息后,出行方式推荐装置可以获取上述出行检索信息。
步骤102,将出行检索信息输入经过训练的模型,得到出行用户的向量表征;其中,模型已学习得到出行用户与向量表征之间的对应关系,具有相似画像特征的出行用户对应具有相似的向量表征;出行用户的向量表征,用于指示相应出行用户的出行偏好。
本申请实施例中,画像特征包括出行用户的性别、人生阶段、收入水平、是否车主等离散特征。其中,人生阶段指出行用户所处的生命周期,例如,从社会角色状态进行划分,可以将出行用户的人生阶段分为:小学生、中学生、大学生,备孕、孕期等等。
可以理解的是,画像特征影响出行方式的选择,比如,对于长距离旅程而言,商务人士更偏好驾车,而务工人员更偏好公交,因此,本申请中,为了提升预测结果的准确性,可以在画像特征的约束下,对模型进行训练,使得经过训练后的模型,学习得到出行用户与向量表征之间的对应关系,其中,出行用户的向量表征用于指示相应出行用户的出行偏好。
也就是说,在画像特征的约束下,对模型进行训练,可以使得模型学习到的向量表征能够体现出行用户的出行偏好,其中,具有相似画像特征的出行用户对应具有相似的向量表征,即画像特征相似的出行用户,对应的向量表征也相似,而画像特征差异较大的出行用户,对应的向量特征的差异也较大。
因此,本申请中,由于模型已学习得到不同出行用户与向量表征之间的对应关系,因此,可以将出行用户的标识输入至上述模型,得到该出行用户的向量表征。具体地,出行检索信息中还可以携带有出行用户的标识,例如,当出行用户登录地图类APP,并输入出行检索信息后,该出行检索信息可以携带有出行用户的标识,比如该出行用户的标识可以为出行用户的个人信息或者用户账户等,或者,当出行用户登录搜索类APP,并输入出行检索信息后,该出行检索信息同样可以携带有出行用户的标识。而后,可以将出行用户的标识,输入至经过训练的模型,得到出行用户的向量表征。
步骤103,根据出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。
本申请实施例中,设定各交通方式的向量表征可以为预先设置的,或者还可以为模型的输出。可以理解的是,当出行用户的向量表征与某个交通方式的向量表征越相似,则出行用户实际更偏好该交通方式。
因此,本申请实施例中,在确定出行用户的向量表征后,可以计算出行用户向量表征与各设定交通方式的向量表征之间的相似度,其中,相似度可以为余弦相似度、欧式距离相似度、曼哈顿距离相似度等等,对此不作限制。例如,可以基于相关技术中的欧式距离计算公式、曼哈顿距离计算公式、余弦夹角公式,计算出行用户向量表征与各设定交通方式的向量表征之间的相似度,此处不做赘述。本申请可以以相似度为余弦相似度示例,在得到各相似度后,可以将最大相似度对应的交通方式,作为目标交通方式。
本申请实施例的出行方式推荐方法,通过获取出行检索信息,其中,出行检索信息用于对输入出行起终点的出行用户推荐出行方式,而后,将出行检索信息输入经过训练的模型,得到出行用户的向量表征,其中,模型已学习得到出行用户与向量表征之间的对应关系,具有相似画像特征的出行用户对应具有相似的向量表征,以及出行用户的向量表征用于指示相应出行用户的出行偏好,最后,根据出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。由此,可以实现基于出行用户的画像特征,预测出行用户的出行偏好,提升预测结果的准确性,从而避免了根据用户的历史出行信息预测用户的出行偏好,导致历史出行信息过少的情况下预测结果不准确的情况。
可以理解的是,当出行起终点的出行距离不同时,出行偏好也可能不同,例如,对于短距离旅程,出行用户可能偏好公交,对于中长距离旅程,出行用户可能偏好驾车,对于长距离旅程,出行用户可能偏好高铁或飞机等,因此,作为本申请实施例的一种可能的实现方式,为了提升预测结果的准确性,当确定出行检索信息后,可以将出行用户的标识以及出行起终点(OD),一起输入至经过训练的模型,得到出行用户的向量表征和出行起终点的向量表征,其中,出行起终点的向量表征,用于指示相应出行起终点的出行偏好,从而可以根据出行用户的向量表征或出行起终点的向量表征,确定目标交通方式。下面结合图2,对上述过程进行详细说明。
图2为本申请实施例二所提供的出行方式推荐方法的流程示意图。
如图2所示,该出行方式推荐方法可以包括以下步骤:
步骤201,获取出行检索信息;其中,出行检索信息用于对输入出行起终点的出行用户推荐出行方式。
步骤201的执行过程可以参见上述实施例中步骤101的执行过程,在此不做赘述。
步骤202,将出行用户的标识,以及将出行起终点输入模型,得到出行用户的向量表征和出行起终点的向量表征;其中,出行起终点的向量表征,用于指示相应出行起终点的出行偏好;出行用户的向量表征,用于指示相应出行用户的出行偏好。
本申请实施例中,出行起终点的向量表征,用于指示相应出行起终点的出行偏好,其中,当出行起终点的出行距离不同时,出行偏好可能不同,即出行起终点的向量表征可以不同。例如,当出行起终点的出行距离为200米,出行偏好可以为步行、出行距离为2千米,出行偏好可以为打车或者公交、出行距离为20千米,出行偏好可以为驾车等等。
本申请实施例中,在画像特征的约束下,对模型进行训练后,模型已学习得到出行用户与向量表征之间的对应关系,其中,向量表征包括出行用户的向量表征和出行起终点的向量表征,因此,在出行检索信息后,可以将出行检索信息携带的出行用户的标识,以及出行检索信息中的出行起终点输入模型,得到出行用户的向量表征和出行起终点的向量表征。
步骤203,判断出行起终点的出行距离是否符合设定距离区间,若是,执行步骤204,若否,执行步骤205。
本申请实施例中,设定距离区间为预先设置的,应当理解的是,该设定距离区间为较为适宜的距离区间,例如,标记该设定距离区间为[a,b],即a非较小的距离值,b非较大的距离值,a和b的取值适中。
步骤204,根据出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。
本申请实施例中,在出行起终点的出行距离符合设定距离区间时,此时,模型输出的出行用户的向量表征更符合用户实际的出行偏好,因此,可以计算用户的向量表征与设定各交通方式的向量表征之间的相似度,将最大相似度对应的交通方式,作为目标交通方式。
步骤205,根据出行起终点的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。
可以理解的是,当出行起终点的出行距离较小时,例如为200米时,如果出行用户平常在短距离旅途中,经常打车,则模型输出的出行用户的向量表征将指示出行用户的出行偏好为打车,显然,预测结果和实际的应用场景并不匹配,在出行距离为200米的情况下,用户可能更偏向步行。因此,本申请实施例中,当出行起终点的出行距离不符合设定距离区间时,可以计算出行起终点的向量表征与设定各交通方式的向量表征之间的相似度,将最大相似度对应的交通方式,作为目标交通方式。
本申请实施例中,根据出行距离的不同,选择合适的方式,确定目标交通方式,可以使得预测结果与实际场景结合,从而提升预测结果的准确。
需要说明的是,画像特征虽然能够体现出行用户的出行偏好,但是更多的情况下是作为补充信息,比如,在中长距离情况下,某些经济条件好的人可能偏好公交,而某些经济条件不好的人可能偏好打车或者驾车,对于这些个体的特殊性,需要考虑出行用户的历史出行方式记录,即综合根据出行用户的历史出行方式记录和出行用户的画像特征,确定出行用户的出行偏好。因此,在模型训练时,可以将出行用户的历史出行方式记录作为模型的主框架,使用出行用户的画像特征对模型进行细化,可以使得模型学习到的向量表征包含个性化的语义,能够有效解决上述低频用户的出行偏好预测失真的问题。下面结合图3,对上述过程进行详细说明。
图3为本申请实施例三所提供的出行方式推荐方法的流程示意图。
如图3所示,在画像特征的约束下,对模型进行训练,具体可以包括以下步骤:
步骤301,根据各样本用户的历史出行方式记录,确定各样本用户之间的出行相似度。
可以理解的是,若历史出行方式记录中出行频率较少,则无法体现出行用户的出行偏好,例如,出行用户在出行时,仅使用过一次地图类APP,并且点击了公交,此时,并不能确定出行用户的出行偏好为公交。因此,本申请实施例中,为了提升模型预测结果的准确性,各样本用户的历史出行方式记录中的出行频率需高于预设阈值,即出行频率较低的用户不能作为样本用户。其中,预设阈值为预先设置的,例如可以为20次。
本申请实施例中,在确定各个样本用户的历史出行方式记录后,可以确定样本用户中两两之间的相似度。例如,样本用户A的历史出行方式记录为:25次公交、样本用户B的历史出行方式记录为:30次公交、2次步行,样本用户C的历史出行方式记录为:50次驾车,则样本用户A和样本用户B之间的相似度较高,样本用户A与样本用户C的相似度较低,以及样本用户B与样本用户C的相似度较低。
步骤302,对画像特征的多个属性项进行权重调整,以使各样本用户之间的画像特征相似度与相应样本用户之间的出行相似度匹配。
需要说明的是,在回归、分类、聚类等机器学习算法中,特征之间距离的计算或相似度的计算是非常重要的,而常用的距离或相似度的计算,均是在欧式空间进行计算的。因此,本申请中,可以将画像特征中的离散特征的取值扩展到欧式空间,得到多个属性项,例如,可以基于独热(one-hot)编码,对画像特征进行处理,得到多个属性项。
本申请实施例中,每个属性项在表征出行用户的出行偏好时,具有不同的权重值,为了提升预测结果的准确性,使得各样本用户之间的画像特征相似度与相应样本用户之间的出行相似度匹配,可以对画像特征的多个属性项进行权重调整。例如,可以基于线性回归模型,学习得到多个属性项对应的权重值。
比如,可以使用下述优化函数,对画像特征的多个属性项进行权重w调整,以使各样本用户之间的画像特征相似度与相应样本用户之间的出行相似度匹配:
argminw,b∑(u,m,od)∈Q(wTA(u)+b-l(m))2; (1)
其中,u为样本用户,m为交通方式,od为出行起终点,Q为用户检索记录集合,w和b为需要学习的参数,A(u)表示样本用户u对应的属性集,该属性集中包括多个属性项。可以采用样本用户偏好的交通方式,对样本用户的画像特征进行打标签,标签l(m)的取值范围为1到M,分别对应不同的交通方式。
步骤303,根据画像特征的多个属性项和各属性项调整后的权重,确定不同样本用户之间的用户相关性。
例如,样本用户ui和样本用户uj之间的用户相关性为:
rel(ui,uj)=∑iwiI(A(u)i,A(u')i)/∑iwi; (2)
其中,下标i表示第i个属性项,I(·)为0或1的指代函数,在样本用户ui的第i个属性项取值A(u)i,与样本用户uj的第i个属性项取值A(u')i相同时,其值为1,否则为0。
需要说明的是,上述不同样本用户之间的用户相关性为全连接矩阵,当样本用户的数量较大时,模型训练的计算量较大。因此,考虑到相似性较高的样本用户,拥有相似的出行偏好,针对每个样本用户,可以选取该样本用户与其他用户的预设个数的相似度,并将未选择的相似度置为0,以降低计算开销。
步骤304,根据模型输出的不同样本用户之间的向量表征的相关性与对应样本用户的用户相关性之间差值,生成目标函数。
步骤305,对模型进行训练,以使目标函数最小化。
可以理解的是,当模型输出的不同样本用户之间的向量表征的相关性与对应样本用户的用户相关性越接近时,表明预测结果的准确性较高,即模型的输出结果的准确性越高,因此,在模型训练时,当模型输出的不同样本用户之间的向量表征的相关性与对应样本用户的用户相关性之间差值越小时,表明模型输出结果的精度越高,可以结束训练过程,即对模型进行训练时,当目标函数最小化时,可以结束训练过程。
作为一种示例,当未利用用户画像特征,对模型进行训练时,生成的第一目标函数可以为:
其中,上述模型可以具体指图嵌入模型,用户、交通方式和起终点表示图嵌入模型对应的图中的节点,两个节点之间的边表示节点之间的相关性。即公式(3)中,表示模型需要学习的用户的向量表征,xm表示模型需要学习的正样本对应的交通方式的向量表征,xm′表示模型需要学习的负样本对应的交通方式的向量表征,/>表示模型需要学习的起终点的向量表征,εum表示图中用户与交通方式之间的边,εodm表示图中起终点与交通方式之间的边,U表示交通方式集合。
在画像特征的约束下,对模型进行训练时,生成的第二目标函数可以为:
其中,表示样本用户ui和样本用户uj之间的向量表征的相关性。
则最终生成的目标函数为:
O=O0+α*O1;(5)
通过引入O1后,对于相似度较高的画像特征的样本用户,模型学习得到的向量表征也更加相似,而相似度较低的画像特征的样本用户,模型学习得到的向量表征也更加远。在训练阶段,对于任意边(u,u')∈εuu,样本用户的画像特征部分的梯度为:
其中,←表示赋值,将右边的值赋给左边,xu和xu'分别表示需要学习的用户的向量表征,α表示学习速率,β1表示个性化项权重。
以上梯度主要用于在训练中迭代优化图嵌入模型对应的图中各节点的向量表征。
本申请实施例的出行方式推荐方法,将用户历史出行方式记录与用户画像特征相结合,可以使得预测结果更加准确。
为了实现上述实施例,本申请还提出一种出行方式推荐装置。
图4为本申请实施例四所提供的出行方式推荐装置的结构示意图。
如图4所示,该出行方式推荐装置包括:获取模块101、处理模块102,以及确定模块103。
其中,获取模块101,用于获取出行检索信息;其中,出行检索信息用于对输入出行起终点的出行用户推荐出行方式。
处理模块102,用于将出行检索信息输入经过训练的模型,得到出行用户的向量表征;其中,模型已学习得到出行用户与向量表征之间的对应关系,具有相似画像特征的出行用户对应具有相似的向量表征;出行用户的向量表征,用于指示相应出行用户的出行偏好。
确定模块103,用于根据出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。
进一步地,在本申请实施例的一种可能的实现方式中,参见图5,在图4所示实施例的基础上,该出行方式推荐装置还可以包括:训练模块104。
作为一种可能的实现方式,处理模块102,具体用于:将出行用户的标识,以及将出行起终点输入模型,得到出行用户的向量表征和出行起终点的向量表征;其中,出行起终点的向量表征,用于指示相应出行起终点的出行偏好。
确定模块103,还用于在得到出行用户的向量表征和出行起终点的向量表征之后,若出行起终点的出行距离不符合设定距离区间,根据出行起终点的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。
作为一种可能的实现方式,确定模块103,具体用于:若出行起终点的出行距离符合设定距离区间,根据出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。
训练模块104,用于在将出行检索信息输入经过训练的模型,得到出行用户的向量表征之前,在画像特征的约束下,对模型进行训练。
作为一种可能的实现方式,画像特征包括多个属性项。
训练模块104,具体用于:根据各样本用户的历史出行方式记录,确定各样本用户之间的出行相似度;对画像特征的多个属性项进行权重调整,以使各样本用户之间的画像特征相似度与相应样本用户之间的出行相似度匹配;根据画像特征的多个属性项和各属性项调整后的权重,确定不同样本用户之间的用户相关性;根据模型输出的不同样本用户之间的向量表征的相关性与对应样本用户的用户相关性之间差值,生成目标函数;对模型进行训练,以使目标函数最小化。
需要说明的是,前述对出行方式推荐方法实施例的解释说明也适用于该实施例的出行方式推荐装置,此处不再赘述。
本申请实施例的出行方式推荐装置,通过获取出行检索信息,其中,出行检索信息用于对输入出行起终点的出行用户推荐出行方式,而后,将出行检索信息输入经过训练的模型,得到出行用户的向量表征,其中,模型已学习得到出行用户与向量表征之间的对应关系,具有相似画像特征的出行用户对应具有相似的向量表征,以及出行用户的向量表征用于指示相应出行用户的出行偏好,最后,根据出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。由此,可以实现基于出行用户的画像特征,预测出行用户的出行偏好,提升预测结果的准确性,从而避免了根据用户的历史出行信息预测用户的出行偏好,导致历史出行信息过少的情况下预测结果不准确的情况。
为了实现上述实施例,本申请还提出一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本申请前述实施例提出的出行方式推荐方法。
为了实现上述实施例,本申请还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请前述实施例提出的出行方式推荐方法。
为了实现上述实施例,本申请还提出一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如本申请前述实施例提出的出行方式推荐方法。
图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图6显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的出行方式推荐方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列,现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种出行方式推荐方法,其特征在于,所述方法包括以下步骤:
获取出行检索信息;其中,所述出行检索信息用于对输入出行起终点的出行用户推荐出行方式;
将所述出行检索信息输入经过训练的模型,得到所述出行用户的向量表征;其中,所述模型已学习得到出行用户与向量表征之间的对应关系,具有相似画像特征的出行用户对应具有相似的向量表征;所述出行用户的向量表征,用于指示相应出行用户的出行偏好;
根据所述出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式;
所述将所述出行检索信息输入经过训练的模型,得到所述出行用户的向量表征之前,还包括:
在所述画像特征的约束下,对所述模型进行训练;
所述画像特征包括多个属性项,所述在所述画像特征的约束下,对所述模型进行训练,包括:
根据各样本用户的历史出行方式记录,确定各样本用户之间的出行相似度;
对所述画像特征的多个属性项进行权重调整,以使各样本用户之间的画像特征相似度与相应样本用户之间的出行相似度匹配;
根据所述画像特征的多个属性项和各属性项调整后的权重,确定不同样本用户之间的用户相关性;
根据所述模型输出的不同样本用户之间的向量表征的相关性与对应样本用户的用户相关性之间差值,生成目标函数;
对所述模型进行训练,以使所述目标函数最小化;
其中,相似度高的画像特征的样本用户,模型学习得到的向量表征相似度大,相似度低的画像特征的样本用户,模型学习得到的向量表征相似度小。
2.根据权利要求1所述的出行方式推荐方法,其特征在于,所述将所述出行检索信息输入经过训练的模型,包括:
将所述出行用户的标识,以及将所述出行起终点输入所述模型,得到所述出行用户的向量表征和所述出行起终点的向量表征;其中,所述出行起终点的向量表征,用于指示相应出行起终点的出行偏好。
3.根据权利要求2所述的出行方式推荐方法,其特征在于,所述得到所述出行用户的向量表征和所述出行起终点的向量表征之后,还包括:
若所述出行起终点的出行距离不符合设定距离区间,根据所述出行起终点的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。
4.根据权利要求1所述的出行方式推荐方法,其特征在于,所述根据所述出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式,包括:
若所述出行起终点的出行距离符合设定距离区间,根据所述出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式。
5.一种出行方式推荐装置,其特征在于,所述装置包括:
获取模块,用于获取出行检索信息;其中,所述出行检索信息用于对输入出行起终点的出行用户推荐出行方式;
处理模块,用于将所述出行检索信息输入经过训练的模型,得到所述出行用户的向量表征;其中,所述模型已学习得到出行用户与向量表征之间的对应关系,具有相似画像特征的出行用户对应具有相似的向量表征;所述出行用户的向量表征,用于指示相应出行用户的出行偏好;
确定模块,用于根据所述出行用户的向量表征与设定各交通方式的向量表征之间的相似度,从设定各交通方式中确定目标交通方式;
所述将所述出行检索信息输入经过训练的模型,得到所述出行用户的向量表征之前,还包括:
在所述画像特征的约束下,对所述模型进行训练;
所述画像特征包括多个属性项,所述在所述画像特征的约束下,对所述模型进行训练,包括:
根据各样本用户的历史出行方式记录,确定各样本用户之间的出行相似度;
对所述画像特征的多个属性项进行权重调整,以使各样本用户之间的画像特征相似度与相应样本用户之间的出行相似度匹配;
根据所述画像特征的多个属性项和各属性项调整后的权重,确定不同样本用户之间的用户相关性;
根据所述模型输出的不同样本用户之间的向量表征的相关性与对应样本用户的用户相关性之间差值,生成目标函数;
对所述模型进行训练,以使所述目标函数最小化;
其中,相似度高的画像特征的样本用户,模型学习得到的向量表征相似度大,相似度低的画像特征的样本用户,模型学习得到的向量表征相似度小。
6.根据权利要求5所述的出行方式推荐装置,其特征在于,所述处理模块,具体用于:
将所述出行用户的标识,以及将所述出行起终点输入所述模型,得到所述出行用户的向量表征和所述出行起终点的向量表征;其中,所述出行起终点的向量表征,用于指示相应出行起终点的出行偏好。
7.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-4中任一所述的出行方式推荐方法。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的出行方式推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910164474.2A CN111666503B (zh) | 2019-03-05 | 2019-03-05 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910164474.2A CN111666503B (zh) | 2019-03-05 | 2019-03-05 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666503A CN111666503A (zh) | 2020-09-15 |
CN111666503B true CN111666503B (zh) | 2023-08-18 |
Family
ID=72381619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910164474.2A Active CN111666503B (zh) | 2019-03-05 | 2019-03-05 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666503B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431923B (zh) * | 2023-04-24 | 2024-02-02 | 浪潮智慧科技有限公司 | 一种针对城市道路的交通出行预测方法、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202252A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 一种基于用户情绪分析的出行推荐方法、系统 |
CN106875066A (zh) * | 2017-02-28 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 用车出行行为的预测方法、装置、服务器以及存储介质 |
WO2017157146A1 (zh) * | 2016-03-15 | 2017-09-21 | 平安科技(深圳)有限公司 | 基于用户画像的个性化推荐方法、装置、服务器及存储介质 |
CN107543557A (zh) * | 2016-06-29 | 2018-01-05 | 百度在线网络技术(北京)有限公司 | 一种用于进行个性化导航的方法和装置 |
CN108072380A (zh) * | 2016-11-14 | 2018-05-25 | 福特环球技术公司 | 用于选择出行方式的方法、装置及出行路径管理系统 |
CN108629457A (zh) * | 2018-05-09 | 2018-10-09 | 西南交通大学 | 预测出行方式以及构建预测模型的方法和装置 |
CN109190044A (zh) * | 2018-09-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、服务器和介质 |
CN109408712A (zh) * | 2018-09-30 | 2019-03-01 | 重庆誉存大数据科技有限公司 | 一种旅行社用户多维信息画像的构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160334235A1 (en) * | 2013-03-19 | 2016-11-17 | The Florida International University Board Of Trustees | Itpa informed traveler program and application |
-
2019
- 2019-03-05 CN CN201910164474.2A patent/CN111666503B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017157146A1 (zh) * | 2016-03-15 | 2017-09-21 | 平安科技(深圳)有限公司 | 基于用户画像的个性化推荐方法、装置、服务器及存储介质 |
CN106202252A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 一种基于用户情绪分析的出行推荐方法、系统 |
CN107543557A (zh) * | 2016-06-29 | 2018-01-05 | 百度在线网络技术(北京)有限公司 | 一种用于进行个性化导航的方法和装置 |
CN108072380A (zh) * | 2016-11-14 | 2018-05-25 | 福特环球技术公司 | 用于选择出行方式的方法、装置及出行路径管理系统 |
CN106875066A (zh) * | 2017-02-28 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 用车出行行为的预测方法、装置、服务器以及存储介质 |
CN108629457A (zh) * | 2018-05-09 | 2018-10-09 | 西南交通大学 | 预测出行方式以及构建预测模型的方法和装置 |
CN109190044A (zh) * | 2018-09-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、服务器和介质 |
CN109408712A (zh) * | 2018-09-30 | 2019-03-01 | 重庆誉存大数据科技有限公司 | 一种旅行社用户多维信息画像的构建方法 |
Non-Patent Citations (1)
Title |
---|
"Personalized Product Service Recommendation Based on User Portrait Mathematical Model";Xuesheng Lai等;《 2018 International Symposium on Communication Engineering & Computer Science》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111666503A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11100320B2 (en) | Image recognition method and apparatus | |
CN108733779B (zh) | 文本配图的方法和装置 | |
CN107330023B (zh) | 基于关注点的文本内容推荐方法和装置 | |
CN108733778B (zh) | 对象的行业类型识别方法和装置 | |
US10783450B2 (en) | Learning user preferences using sequential user behavior data to predict user behavior and provide recommendations | |
CN111767366B (zh) | 问答资源挖掘方法、装置、计算机设备及存储介质 | |
CN109977322B (zh) | 出行方式推荐方法、装置、计算机设备和可读存储介质 | |
US20230409672A1 (en) | Machine-learning tool for generating segmentation and topic metadata for documents | |
WO2021120818A1 (en) | Methods and systems for managing image collection | |
CN109710759B (zh) | 文本切分方法、装置、计算机设备和可读存储介质 | |
CN108563655A (zh) | 基于文本的事件识别方法和装置 | |
CN107679564A (zh) | 样本数据推荐方法及其装置 | |
CN110929524A (zh) | 数据筛选方法、装置、设备及计算机可读存储介质 | |
CN104063443A (zh) | 搜索结果的提供方法和装置 | |
CN111311485A (zh) | 图像处理方法及相关装置 | |
KR20230057646A (ko) | 멀티-레벨 전이 영역 기반의 도메인 적응형 객체 검출 장치 및 방법 | |
CN106133776A (zh) | 基于与用户的受管交互构建用户对简档创建和推荐的信任 | |
CN109242831A (zh) | 图像质量检测方法、装置、计算机设备和存储介质 | |
Brunyé et al. | Up north and down south: Implicit associations between topography and cardinal direction | |
CN106485272A (zh) | 基于流形约束的跨模态嵌入的零样本分类方法 | |
CN107844531B (zh) | 答案输出方法、装置和计算机设备 | |
US11561964B2 (en) | Intelligent reading support | |
CN111666503B (zh) | 出行方式推荐方法、装置、计算机设备和可读存储介质 | |
CN111125550B (zh) | 兴趣点分类方法、装置、设备及存储介质 | |
CN111488927B (zh) | 分类阈值确定方法、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 |