CN111737382A - 地理位置点的排序方法、训练排序模型的方法及对应装置 - Google Patents

地理位置点的排序方法、训练排序模型的方法及对应装置 Download PDF

Info

Publication number
CN111737382A
CN111737382A CN202010414943.4A CN202010414943A CN111737382A CN 111737382 A CN111737382 A CN 111737382A CN 202010414943 A CN202010414943 A CN 202010414943A CN 111737382 A CN111737382 A CN 111737382A
Authority
CN
China
Prior art keywords
user
data
preference
model
training
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.)
Pending
Application number
CN202010414943.4A
Other languages
English (en)
Inventor
范淼
黄际洲
侯禺凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010414943.4A priority Critical patent/CN111737382A/zh
Publication of CN111737382A publication Critical patent/CN111737382A/zh
Priority to US16/952,940 priority patent/US11556601B2/en
Priority to EP21164602.1A priority patent/EP3910491A1/en
Priority to JP2021081414A priority patent/JP7206514B2/ja
Priority to KR1020210061794A priority patent/KR102601545B1/ko
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • 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
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/954—Navigation, e.g. using categorised browsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种地理位置点的排序方法、训练排序模型的方法及对应装置，涉及大数据技术领域。具体实现方案为：接收来自用户的垂直类地理位置点查询请求；将所述垂直类的候选地理位置点数据输入所述用户的偏好模型，得到所述用户对各候选地理位置点的偏好得分；将所述用户对各候选地理位置点的偏好得分作为各候选地理位置点的排序特征之一输入排序模型，得到各候选地理位置点的排序得分；依据所述各候选位置点的排序得分，确定向所述用户返回的查询结果。本申请能够在用户查询垂直类地理位置点时，将用户偏好因素融入排序，使得查询结果能够满足用户个性化需求。

Description

地理位置点的排序方法、训练排序模型的方法及对应装置
技术领域
本申请涉及计算机应用技术领域，特别涉及大数据技术。
背景技术
用户在使用地图类应用的过程中，常常有这样的使用需求：当希望查找一些酒店，但没有明确的目标，则会在搜索框内输入诸如“酒店”、“旅馆”、“宾馆”等关于POI(Point OfInterest，兴趣点)类型的关键词进行查询；或者在“发现周边”界面中点击“酒店”按钮查询附近所有酒店类型的POI。地图类应用会将候选的酒店类POI进行排序后，依据排序结果向用户推荐酒店类POI。
然而，现有技术在对候选的酒店类POI进行排序时，往往基于地理位置、酒店评价、星级、价格、热门状况等酒店特征，但对于所有用户而言，基于相同地理位置获得的排序结果是相同的，无法满足用户的个性化需求。
发明内容
有鉴于此，本申请提供了以下技术方案，以满足用户的个性化查询需求。
第一方面，本申请提供了一种地理位置点的排序方法，该方法包括：
接收来自用户的垂直类地理位置点查询请求；
将所述垂直类的候选地理位置点数据输入所述用户的偏好模型，得到所述用户对各候选地理位置点的偏好得分；
将所述用户对各候选地理位置点的偏好得分作为各候选地理位置点的排序特征之一输入排序模型，得到各候选地理位置点的排序得分；
依据所述各候选位置点的排序得分，确定向所述用户返回的查询结果。
第二方面，本申请提供了一种训练排序模型的方法，该方法包括：
从地图类应用数据中获取第一训练数据，所述第一训练数据包括：用户历史访问过的垂直类地理位置点数据，所述访问包括查询、点击或实地到访；
利用所述第一训练数据训练所述用户的偏好模型；
利用所述用户的偏好模型，获取所述用户对第二训练数据中所述垂直类的各地理位置点的偏好得分；
利用所述第二训练数据训练排序模型，其中所述用户对第二训练数据中各地理位置点的偏好得分作为训练所述排序模型的排序特征之一。
第三方面，本申请提供了一种地理位置点的排序装置，该装置包括：
请求接收单元，用于接收来自用户的垂直类地理位置点查询请求；
偏好确定单元，用于将所述垂直类的候选地理位置点数据输入所述用户的偏好模型，得到所述用户对各候选地理位置点的偏好得分；
排序处理单元，用于将所述用户对各候选地理位置点的偏好得分作为各候选地理位置点的排序特征之一输入排序模型，得到各候选地理位置点的排序得分；
结果确定单元，用于依据所述各候选位置点的排序得分，确定向所述用户返回的查询结果。
第四方面，本申请还提供了一种训练排序模型的装置，该装置包括：
第一数据获取单元，用于从地图类应用数据中获取第一训练数据，所述第一训练数据包括：用户历史访问过的垂直类地理位置点数据，所述访问包括查询、点击或实地到访；
第一模型训练单元，用于利用所述第一训练数据训练所述用户的偏好模型；
偏好得分确定单元，用于利用所述用户的偏好模型，获取所述用户对第二训练数据中所述垂直类的各地理位置点的偏好得分；
第二模型训练单元，用于利用所述第二训练数据训练排序模型，其中所述用户对第二训练数据中各地理位置点的偏好得分作为训练所述排序模型的排序特征之一。
第五方面，本申请还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如上任一项所述的方法。
第六方面，本申请还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如上任一项所述的方法。
由以上技术方案可以看出，本申请能够在用户查询垂直类地理位置点时，将用户偏好因素融入排序，使得查询结果能够满足用户个性化需求，用户能够在查询结果中快速找到符合自己偏好的地理位置点，降低其在查询结果中翻找、点击的次数，节省用户时间，提高用户使用地图类应用的查询体验。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
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示出了可以应用本发明实施例的示例性系统架构；
图2为本申请实施例一提供的地理位置点的排序方法流程图；
图3为本申请实施例二提供的训练排序模型的方法流程图；
图4为本申请实施例三提供的地理位置点的排序装置的结构图；
图5为本申请实施例四提供的训练排序模型的装置结构图；
图6是用来实现本申请实施例的电子设备的框图。
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。
图1示出了可以应用本发明实施例的示例性系统架构。如图1所示，该系统架构可以包括终端设备101和102，网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103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。
用户可以使用终端设备101和102通过网络103与服务器104交互。终端设备101和102上可以安装有各种应用，例如地图类应用、语音交互类应用、网页浏览器应用、通信类应用等。
终端设备101和102可以是能够支持并展现地图类应用的各种电子设备，包括但不限于智能手机、平板电脑、智能穿戴式设备等等。本发明所提供的装置可以设置并运行于上述服务器104中。其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)，也可以实现成单个软件或软件模块，在此不做具体限定。
例如，地理位置点的排序装置设置并运行于上述服务器104中，服务器104可以接收来自终端设备101或102的垂直类地理位置点查询请求，该查询请求包含用户相关信息以及垂直类信息。地理位置点的排序装置使用本发明实施例提供的方式进行地理位置点的排序，并依据排序结果确定向用户返回的查询结果。并可以将查询结果返回终端设备101或102。在服务器104端维护有地图类应用数据，该地图类应用数据可以存储于服务器104本地，也可以存储于其他服务器中由服务器104进行调用。
再例如，训练排序模型的装置设置并运行于上述服务器104中，服务器104利用地图类应用数据训练排序模型。
服务器104可以是单一服务器，也可以是多个服务器构成的服务器群组。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
现有技术中对于酒店类POI的排序特征不够充分，未体现用户个性化因素。采用的特征仅仅依赖于酒店POI本身的特性，而与用户无关，因此造成了不同用户在同一地点发起的酒店POI的查询结果完全相同，体现不出用户偏好上的差异。举例来说，一名用户收入较高，消费水平也较高，于是在使用地图类应用进行酒店类POI的查询时，更偏向价格较高、条件较高的酒店就近入住。在使用现有技术向其返回查询结果时，对这些偏好信息不加考虑，而是将他和其他普通用户一样看待，这样一来查询结果中排在前面的酒店可能性价比和人气都很高，但和他高消费、高质量、就近入住的偏好不吻合，用户体验较差。
本申请的核心思想在于，将用户对垂直类地理位置点的偏好作为排序特征之一，融入排序模型的排序，使得排序结果体现用户的个性化需求。下面结合实施例对本申请提供的方法和装置进行详细描述。
本申请中涉及的地理位置点指的是地图类应用中的地理位置点，该地理位置点可以供用户查询、浏览，向用户展现等。这些地理位置点具有经纬度、名称、行政地址、类型等基本属性。其中地理位置点可以包括但不限于POI(Point OfInterest，兴趣点)、AOI(AreaofInterest，兴趣面)、ROI(Regin ofInterest，兴趣区域)等。在后续实施例中均以POI为例进行描述。
另外，本申请中涉及的“垂直类”指的是某种特定领域、特定需求或特定行业的类型。在本申请所提供的方法中，适用于各种垂直类，特别地对于消费类的地理位置点应用更加恰当。例如酒店类、餐饮类、影剧院类、商超类，等等。在后续实施例中均以酒店类为例进行描述。
实施例一、
图2为本申请实施例一提供的地理位置点的排序方法流程图，本实施例中以对酒店类POI进行排序为例，如图2中所示，该方法可以包括以下步骤：
在201中，接收来自用户的酒店类POI的查询请求。
用户可以在地图类应用的搜索框内，输入“酒店”、“旅馆”、“宾馆”等表征垂直类信息的关键词，从而触发酒店类POI的查询请求。用户也可以在“发现周边”功能界面中点击“酒店”标签或按钮等，从而触发酒店类POI的查询请求。当然除了这两种情况之外，也可以通过其他方式触发酒店类POI的查询请求，本申请对此并不加以限制。
需要说明的是，该查询请求是用于查询某一具体垂直类的POI信息，而并非针对某一具体POI进行查询，可以看做是一个较为泛化的查询需求。
在202中，将酒店类候选POI中至少部分类型的特征数据进行预处理，以消除该至少部分类型的特征数据的地区差异。
首先确定酒店类候选POI，可以将地图数据库中所有的酒店类POI都作为候选POI。但为了减小计算量，优选地，可以对地图数据库中的酒店类POI执行以下至少一种过滤处理后，剩余的酒店类POI作为候选地理位置：
依据用户所在的当前地点，过滤掉距离当前地点超过预设距离阈值的地理位置。即将距离用户明显过远的地理位置过滤掉。
依据用户的查询历史，过滤掉与用户的查询历史之间的相关度低于预设相关度阈值的酒店类POI。例如用户从来没查询过的酒店类POI可以直接过滤掉，等等。
对于一些垂直类而言，不同地点的POI在一些特征上表现出明显地地区差异。酒店类POI对此表现的较为明显，例如北京的酒店价格较全国大部分城市较高，这就给我们从用户的历史访问数据中提取用户偏好带来一定困难，尤其是用户的访问行为发生在多个地区。举例来说，用户1在北京市五道口点击价格300元的酒店类POI，用户2在某经济水平较低的小城市同样点击价格300元的酒店类POI，显然用户2偏好的酒店价格较高，这是由于不同城市的定价水平有差异。除了价格之外，其他特征例如评论数、热度等同样有类似的地区差异。为了消除这种差异，本步骤中将酒店类候选POI中对地区敏感的类型的特征数据进行预处理。例如上面所述的，对酒店类POI而言，对价格特征数据、评论特征数据、热度特征数据等进行预处理。
在本申请实施例中，酒店类候选POI的数据可以包括候选POI的各种特征数据，这些特征数据通常与酒店类POI的属性相关。例如，价格、评论、位置、星级、热度，等等。
具体地，在进行预处理时，可以将酒店类候选POI数据中至少部分类型的特征数据进行Box-cox变换，以增强其正态性，然后再进行归一化处理。
Box-cox变换是Box和cox提出的一种广义幂变换方法，Box-cox变换的主要特点是引入参数，通过数据本身估计该参数进而确定采取的数据变换形式，Box-cox变换可以明显改善数据的正态性、对称性和方差相等性。
假设地区A的POI在特征F上取值的分布表示为S(A,F)，则对于S(A,F)中的各取值x，x∈S(A,F)，进行以λ(A,F)为参数的Box-cox变换，变换后的x表示为xb：
Figure BDA0002494621600000071
然后进行归一化，归一化后表示为xn：
Figure BDA0002494621600000072
其中，Mean(S(A,F)b)和std(S(A,F)b)分别表示变换后的取值集合S(A,F)b的均值和标准差。λ(A,F)由地区A的酒店类POI在该特征F上的所有取值S(A,F)预先统计得到，例如通过最大似然估计法，计算λ(A,F)使得λ(A,F)变换后的分布服从正态分布，进而Mean(S(A,F)b)和std(S(A,F)b)也可以预先计算得到，这些参数可以保存下来，进行变换时直接使用。
经过归一化后的S(A，F)n＝{xn＝fnorm(xb)|xb∈S(A,F)b}近似服从标准正态分布N(0,1)。这样一来，不同地区的特征F的取值在上述变换之后不再具有较强的地区差异性。
在203中，将各候选POI数据输入该用户的偏好模型，得到该用户对各候选POI的偏好得分。
在本申请实施例中，预先针对各用户分别训练了偏好模型。用户的偏好模型能够在输入POI的情况下，输出用户对该POI的偏好得分。若发起查询请求的用户标识为k，则利用针对该用户k的偏好模型，得到用户k对各候选POI的偏好得分。
作为一种优选的实施方式，用户的偏好模型采用异常点检测模型，依据异常点检测模型对候选POI的异常点评分，得到用户对候选POI的偏好得分；其中异常点评分与偏好得分负相关。
用户的偏好模型的训练过程将在实施例二中进行详述。
在204中，将该用户对各候选POI的偏好得分作为各候选POI的排序特征之一输入排序模型，得到各候选POI的排序得分。
本步骤中，将用户对候选POI的偏好得分作为该POI的一个附加特征，和排序模型所采用的该候选POI的其他特征一起输入到排序模型中，排序模型得到该候选POI的排序得分。
在本申请中并未对排序模型的机制本身进行变更，仅仅增加了排序时考虑的特征，将用户个性化因素即用户偏好加以考虑。除了用户对候选POI的偏好之外，排序模型所采用的排序特征还可以包括诸如POI的价格、评论、星级、热度、位置等其他特征数据。排序模型的训练过程将在实施例二中进行详细描述。
在205中，依据各候选POI的排序得分，确定向用户返回的查询结果。
本步骤中，可以按照各候选POI的排序得分从高到低的顺序，向用户返回查询结果。例如在查询结果的首页返回排序得分排在前M个的候选POI，当用户点击下一页或下拉页面时，继续返回排在第M+1个到第2M个的候选POI，以此类推。其中M为预设的正整数，或者依据页面所能显示的候选POI的数量确定。
实施例二、
图3为本申请实施例二提供的训练排序模型的方法流程图，如图3中所示，该方法可以包括以下步骤：
在301中，从地图类应用数据中获取第一训练数据。
其中，第一训练数据可以包括用户历史访问过的酒店类POI数据，例如用户查询过的酒店类POI数据、用户点击过的酒店类POI数据、用户实地到访的POI数据，等等。
其中用户查询过的酒店类POI数据可以是用户在地图类应用的搜索框中输入过的具体酒店类POI的数据。
用户点击过的酒店类POI数据可以是用户在查询结果中点击过的酒店类POI的数据，用户在地图界面上点击过的酒店类POI的数据，用户在浏览推荐信息过程中点击过的酒店类POI的数据，等等。
用户实地到访的POI数据可以是用户通过定位功能在酒店类POI停留、打卡，通过地图类应用的订酒店功能进行酒店预订，或者通过地图类应用的结算功能进行酒店结算等等，都认为用户实际到访了该酒店类POI。
上述酒店类POI数据可以包括酒店类POI的各种特征数据，这些特征数据通常与酒店类POI的属性相关。例如，价格、评论、位置、星级、热度，等等。
在302中，将用户历史访问过的酒店类POI数据中至少部分类型的特征数据进行预处理，以消除该至少部分类型的特征数据的地区差异。
具体地，可以将用户历史访问过的酒店类POI数据中至少部分类型的特征数据进行Box-cox变换后再进行归一化处理。Box-cox变换的方式和归一化的方式可以参见实施例一中步骤202的相关记载。
进行预处理的至少部分类型的特征数据指的是对地区敏感的类型的特征数据，例如对酒店类POI而言，对价格特征数据、评论特征数据、热度特征数据等进行预处理。
其中在进行Box-cox变换时使用的参数λ(A,F)、Mean(S(A,F)b)和std(S(A,F)b)是预先针对各地区的酒店类POI在上述至少部分类型的特征上的数据分布进行统计得到的。例如，按照地区对酒店类POI进行划分，分别统计不同地区的酒店类POI的特征数据的分布，然后通过最大似然估计法，计算λ(A,F)使得λ(A,F)变换后的分布服从正态分布，进而Mean(S(A,F)b)和std(S(A,F)b)也可以预先计算得到。
在303中，利用第一训练数据训练用户的偏好模型。
第一训练数据实际上是对酒店类POI按照产生该数据的用户进行划分，针对每一个用户均使用该用户历史访问过的酒店类POI训练偏好模型。例如，如果有L个用户，则会建立L个用户的偏好模型。
在训练用户的偏好模型时，可以采用神经网络。但由于用户数量庞大，采用神经网络这种复杂结构会带来很大的计算和存储开销，因此，本申请实施例中采用一种优选的实施方案。即用户的偏好模型采用异常点检测模型，利用用户访问过的酒店类POI可以训练异常点检测模型。即异常点检测模型从用户历史访问过的酒店类POI中拟合其分布。然后对于一个新的酒店类POI，则可以判断其属于异常点还是正常点，如果是异常点则可以给出其属于异常点的评分。当然，也可以统一采用异常点评分来区分异常点和正常点。
然后，依据异常点检测模型对酒店类POI的异常点评分，得到用户对垂直类地理位置点的偏好得分。异常点评分与偏好得分负相关，即异常点检测模型对酒店类POI的异常点评分越高，说明该酒店类POI属于异常点的可能性越大，与用户偏好相差越远。
本申请中对于异常点检测模型的类型并不加以限制，可以采用现有任意的异常点检测模型来实现。
在304中，利用用户的偏好模型，获取该用户对第二训练数据中各酒店类POI的偏好得分。
在本申请实施例中，采用的第二训练数据可以沿用现有技术中训练排序模型的训练数据。即从地图类应用数据中大量用户历史数据中提取POI对，这些POI对能够反映其中一个POI的排序要优于另外一个POI。例如，第二训练数据可以包括：针对酒店类的同一查询会话中，用户点击的POI和未点击的POI构成的POI对。比如说，用户在一次酒店类查询对应的查询结果中，点击了酒店类POI1，那么就可以将POI1作为正样本，再从其他未被点击的酒店类POI中选择一个例如POI2作为负样本，那么“POI1-POI2”就构成了一个训练样本。
本步骤中，会对上述POI对中的各POI，分别利用用户的偏好模型来获取用户对各POI的偏好得分。
在305中，利用第二训练数据训练排序模型，其中用户对第二训练数据中各POI的偏好得分作为训练排序模型的排序特征之一。
在利用第二训练数据训练排序模型时，可以将各训练样本的POI对中的各POI数据分别提取特征数据，这些特征数据可以沿用现有技术中所采用的特征数据，例如POI的价格、评论、星级、热度、位置等。这些特征数据与步骤304中得到的用户对训练样本中POI的偏好得分一起作为排序特征输入排序模型(LTR，Learning to Rank)，由排序模型得到各POI的排序得分。在训练排序模型时，所采用的训练目标可以为：最大化同一训练样本中正样本POI的排序得分与负样本POI的排序得分之间的差值。
可以看出，在本申请中并未对排序模型的机制本身进行变更，仅仅增加了排序时考虑的特征，将用户个性化因素即用户偏好加以考虑。
经过上述过程进行训练后，由用户的偏好模型和排序模型共同可以完成如实施例一中所述的对各酒店类候选POI的排序。
以上是对本申请所提供方法进行的详细描述，下面结合实施例对本申请所提供的装置进行详细描述。
实施例三、
图4为本申请实施例三提供的地理位置点的排序装置的结构图，如图4中所示，该装置可以包括：请求接收单元01、偏好确定单元02、排序处理单元03和结果确定单元04，还可以进一步包括：预处理单元05。其中各组成单元的主要功能如下：
请求接收单元01，用于接收来自用户的垂直类地理位置点查询请求。
用户可以在地图类应用的搜索框内，输入表征垂直类信息的关键词，从而垂直类地理位置点的查询请求。用户也可以在“发现周边”功能界面中点击垂直类标签或按钮等，从而触发垂直类地理位置点的查询请求。当然除了这两种情况之外，也可以通过其他方式来触发，本申请对此并不加以限制。
偏好确定单元02，用于将上述垂直类的候选地理位置点数据输入用户的偏好模型，得到用户对各候选地理位置点的偏好得分。
其中在确定候选地理位置点时，可以将地图数据库中所有的上述垂直类地理位置点都作为候选POI。但为了减小计算量，优选地，可以对地图数据库中的上述垂直类地理位置点执行以下至少一种过滤处理后，剩余的地理位置点作为候选地理位置：
依据用户所在的当前地点，过滤掉距离当前地点超过预设距离阈值的地理位置点。即将距离用户明显过远的地理位置点过滤掉。
依据用户的查询历史，过滤掉与用户的查询历史之间的相关度低于预设相关度阈值的地理位置点。例如用户从来没查询过的地理位置点可以直接过滤掉，等等。
优选地，用户的偏好模型可以采用异常点检测模型，依据异常点检测模型对候选地理位置点的异常点评分，得到用户对候选地理位置点的偏好得分；其中异常点评分与偏好得分负相关。
排序处理单元03，用于将用户对各候选地理位置点的偏好得分作为各候选地理位置点的排序特征之一输入排序模型，得到各候选地理位置点的排序得分。
在本申请中并未对排序模型的机制本身进行变更，仅仅增加了排序时考虑的特征，将用户个性化因素即用户偏好加以考虑。除了用户对候选地理位置点的偏好之外，排序模型所采用的排序特征还可以包括诸如地理位置点的价格、评论、星级、热度、位置等其他特征数据。
结果确定单元04，用于依据各候选位置点的排序得分，确定向用户返回的查询结果。
预处理单元05，用于将垂直类的候选地理位置点数据中至少部分类型的特征数据进行预处理后提供给偏好确定单元02，以消除至少部分类型的特征数据的地区差异。
具体地，预处理单元05将垂直类的候选地理位置点数据中至少部分类型的特征数据进行Box-cox变换后再进行归一化处理；其中在进行Box-cox变换时使用的参数是预先针对各地区的地理位置点在至少部分类型的特征上的数据分布进行统计得到的。
实施例四、
图5为本申请实施例四提供的训练排序模型的装置结构图，如图5中所示，该装置可以包括：第一数据获取单元11、第一模型训练单元12、偏好得分确定单元13和第二模型训练单元14，还可以包括预处理单元15。其中各组成单元的主要功能如下：
第一数据获取单元11，用于从地图类应用数据中获取第一训练数据，第一训练数据包括：用户历史访问过的垂直类地理位置点数15据，访问包括查询、点击或实地到访。
上述垂直类地理位置点数据可以包括垂直类地理位置点的各种特征数据，这些特征数据通常与垂直类地理位置点数据的属性相关。例如，价格、评论、位置、星级、热度，等等。
第一模型训练单元12，用于利用第一训练数据训练用户的偏好模型。
在训练用户的偏好模型时，可以采用神经网络。但由于用户数量庞大，采用神经网络这种复杂结构会带来很大的计算和存储开销。因此，优选地，第一模型训练单元12采用异常点检测模型训练用户的偏好模型，依据异常点检测模型对垂直类地理位置点的异常点评分，得到用户对垂直类地理位置点的偏好得分；其中异常点评分与偏好得分负相关。
偏好得分确定单元13，用于利用用户的偏好模型，获取用户对第二训练数据中垂直类的各地理位置点的偏好得分。
本申请中，可以由第二数据获取单元(现有技术中的单元，图中未示出)获取第二训练数据。在本申请实施例中，采用的第二训练数据可以沿用现有技术中训练排序模型的训练数据。即从地图类应用数据中大量用户历史数据中提取地理位置点对，这些地理位置点对能够反映其中一个地理位置点的排序要优于另外一个地理位置点。例如，第二训练数据可以包括：针对某垂直类的同一查询会话中，用户点击的地理位置点和未点击的地理位置点构成的地理位置点对。比如说，用户在一次酒店类查询对应的查询结果中，点击了酒店类POI1，那么就可以将POI1作为正样本，再从其他未被点击的酒店类POI中选择一个例如POI2作为负样本，那么“POI1-POI2”就构成了一个训练样本。
第二模型训练单元14，用于利用第二训练数据训练排序模型，其中用户对第二训练数据中各地理位置点的偏好得分作为训练排序模型的排序特征之一。
在利用第二训练数据训练排序模型时，可以将各训练样本的地理位置点对中的各地理位置点数据分别提取特征数据，这些特征数据可以沿用现有技术中所采用的特征数据，例如地理位置点的价格、评论、星级、热度、位置等。这些特征数据与偏好得分确定单元13得到的用户对训练样本中地理位置点的偏好得分一起作为排序特征输入排序模型(LTR，Learning to Rank)，由排序模型得到各地理位置点的排序得分。在训练排序模型时，所采用的训练目标可以为：最大化同一训练样本中正样本地理位置点的排序得分与负样本地理位置点的排序得分之间的差值。
预处理单元15，用于将用户历史访问过的垂类地理位置数据中至少部分类型的特征数据进行预处理后提供给第一模型训练单元12，以消除至少部分类型的特征数据的地区差异。
具体地，预处理单元15可以将用户历史访问过的垂直类的候选地理位置点数据中至少部分类型的特征数据进行Box-cox变换后再进行归一化处理；其中在进行Box-cox变换时使用的参数是预先针对各地区的地理位置点在至少部分类型的特征上的数据分布进行统计得到的。
由以上实施例可以看出，本申请实施例所提供的技术方案能够具备以下优点：
1)能够在用户查询酒店类、餐饮类、影剧院类、商超类等垂直类地理位置点时，将用户偏好因素融入排序，使得用户能够在查询结果中快速找到符合自己偏好的酒店，降低其在查询结果中翻找、点击的次数，节省用户时间，提高用户使用地图类应用的查询体验。
2)本申请在尽量保持现有排序模型排序机制的基础上优化排序框架，以保证现有排序框架的稳定性和高效性。
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6所示，是根据本申请实施例的地理位置点的排序方法、训练排序模型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6所示，该电子设备包括：一个或多个处理器601、存储器602，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6中以一个处理器601为例。
存储器602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地理位置点的排序方法、训练排序模型的方法。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地理位置点的排序方法、训练排序模型的方法。
存储器602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地理位置点的排序方法、训练排序模型的方法对应的程序指令/模块。处理器601通过运行存储在存储器602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地理位置点的排序方法、训练排序模型的方法。
存储器602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该电子设备的使用所创建的数据等。此外，存储器602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602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备。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。
该电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与该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604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。
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 (20)

1.一种地理位置点的排序方法，其特征在于，该方法包括：
接收来自用户的垂直类地理位置点查询请求；
将所述垂直类的候选地理位置点数据输入所述用户的偏好模型，得到所述用户对各候选地理位置点的偏好得分；
将所述用户对各候选地理位置点的偏好得分作为各候选地理位置点的排序特征之一输入排序模型，得到各候选地理位置点的排序得分；
依据所述各候选位置点的排序得分，确定向所述用户返回的查询结果。
2.根据权利要求1所述的方法，其特征在于，在将所述垂直类的候选地理位置点数据输入所述用户的偏好模型之前，还包括：
将所述垂直类的候选地理位置点数据中至少部分类型的特征数据进行预处理，以消除所述至少部分类型的特征数据的地区差异。
3.根据权利要求2所述的方法，其特征在于，所述预处理包括：
将所述垂直类的候选地理位置点数据中至少部分类型的特征数据进行Box-cox变换后再进行归一化处理；
其中在进行Box-cox变换时使用的参数是预先针对各地区的地理位置点在所述至少部分类型的特征上的数据分布进行统计得到的。
4.根据权利要求1所述的方法，其特征在于，所述用户的偏好模型采用异常点检测模型，依据所述异常点检测模型对候选地理位置点的异常点评分，得到所述用户对候选地理位置点的偏好得分；
其中所述异常点评分与所述偏好得分负相关。
5.根据权利要求1所述的方法，其特征在于，所述垂直类包括：酒店类、餐饮类、商超类或影剧院类。
6.一种训练排序模型的方法，其特征在于，该方法包括：
从地图类应用数据中获取第一训练数据，所述第一训练数据包括：用户历史访问过的垂直类地理位置点数据，所述访问包括查询、点击或实地到访；
利用所述第一训练数据训练所述用户的偏好模型；
利用所述用户的偏好模型，获取所述用户对第二训练数据中所述垂直类的各地理位置点的偏好得分；
利用所述第二训练数据训练排序模型，其中所述用户对第二训练数据中各地理位置点的偏好得分作为训练所述排序模型的排序特征之一。
7.根据权利要求6所述的方法，其特征在于，在利用所述第一训练数据训练异常点监测模型之前，还包括：
将所述用户历史访问过的垂类地理位置数据中至少部分类型的特征数据进行预处理，以消除所述至少部分类型的特征数据的地区差异。
8.根据权利要求7所述的方法，其特征在于，所述预处理包括：
将所述用户历史访问过的垂直类的候选地理位置点数据中至少部分类型的特征数据进行Box-cox变换后再进行归一化处理；
其中在进行Box-cox变换时使用的参数是预先针对各地区的地理位置点在所述至少部分类型的特征上的数据分布进行统计得到的。
9.根据权利要求6所述的方法，其特征在于，所述用户的偏好模型采用异常点检测模型，依据所述异常点检测模型对垂直类地理位置点的异常点评分，得到所述用户对垂直类地理位置点的偏好得分；
其中所述异常点评分与所述偏好得分负相关。
10.根据权利要求6所述的方法，其特征在于，所述第二训练数据包括：针对所述垂直类的同一查询会话中，用户点击的地理位置点和未点击的地理位置点构成的地理位置点对。
11.一种地理位置点的排序装置，其特征在于，该装置包括：
请求接收单元，用于接收来自用户的垂直类地理位置点查询请求；
偏好确定单元，用于将所述垂直类的候选地理位置点数据输入所述用户的偏好模型，得到所述用户对各候选地理位置点的偏好得分；
排序处理单元，用于将所述用户对各候选地理位置点的偏好得分作为各候选地理位置点的排序特征之一输入排序模型，得到各候选地理位置点的排序得分；
结果确定单元，用于依据所述各候选位置点的排序得分，确定向所述用户返回的查询结果。
12.根据权利要求11所述的装置，其特征在于，该装置还包括：
预处理单元，用于将所述垂直类的候选地理位置点数据中至少部分类型的特征数据进行预处理后提供给所述偏好确定单元，以消除所述至少部分类型的特征数据的地区差异。
13.根据权利要求12所述的装置，其特征在于，所述预处理单元，具体用于：
将所述垂直类的候选地理位置点数据中至少部分类型的特征数据进行Box-cox变换后再进行归一化处理；
其中在进行Box-cox变换时使用的参数是预先针对各地区的地理位置点在所述至少部分类型的特征上的数据分布进行统计得到的。
14.根据权利要求11所述的装置，其特征在于，所述用户的偏好模型采用异常点检测模型，依据所述异常点检测模型对候选地理位置点的异常点评分，得到所述用户对候选地理位置点的偏好得分；
其中所述异常点评分与所述偏好得分负相关。
15.一种训练排序模型的装置，其特征在于，该装置包括：
第一数据获取单元，用于从地图类应用数据中获取第一训练数据，所述第一训练数据包括：用户历史访问过的垂直类地理位置点数据，所述访问包括查询、点击或实地到访；
第一模型训练单元，用于利用所述第一训练数据训练所述用户的偏好模型；
偏好得分确定单元，用于利用所述用户的偏好模型，获取所述用户对第二训练数据中所述垂直类的各地理位置点的偏好得分；
第二模型训练单元，用于利用所述第二训练数据训练排序模型，其中所述用户对第二训练数据中各地理位置点的偏好得分作为训练所述排序模型的排序特征之一。
16.根据权利要求15所述的装置，其特征在于，该装置还包括：
预处理单元，用于将所述用户历史访问过的垂类地理位置数据中至少部分类型的特征数据进行预处理后提供给所述第一模型训练单元，以消除所述至少部分类型的特征数据的地区差异。
17.根据权利要求16所述的装置，其特征在于，所述预处理单元具体用于：
将所述用户历史访问过的垂直类的候选地理位置点数据中至少部分类型的特征数据进行Box-cox变换后再进行归一化处理；
其中在进行Box-cox变换时使用的参数是预先针对各地区的地理位置点在所述至少部分类型的特征上的数据分布进行统计得到的。
18.根据权利要求15所述的装置，其特征在于，所述第一模型训练单元采用异常点检测模型训练所述用户的偏好模型，依据所述异常点检测模型对垂直类地理位置点的异常点评分，得到所述用户对垂直类地理位置点的偏好得分；
其中所述异常点评分与所述偏好得分负相关。
19.一种电子设备，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1-10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1-10中任一项所述的方法。
CN202010414943.4A 2020-05-15 2020-05-15 地理位置点的排序方法、训练排序模型的方法及对应装置 Pending CN111737382A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010414943.4A CN111737382A (zh) 2020-05-15 2020-05-15 地理位置点的排序方法、训练排序模型的方法及对应装置
US16/952,940 US11556601B2 (en) 2020-05-15 2020-11-19 Method for sorting geographic location point, method for training sorting model and corresponding apparatuses
EP21164602.1A EP3910491A1 (en) 2020-05-15 2021-03-24 Method for sorting geographic location point, method for training sorting model and corresponding apparatuses
JP2021081414A JP7206514B2 (ja) 2020-05-15 2021-05-13 地理位置点のソート方法、ソートモデルの訓練方法及び対応装置
KR1020210061794A KR102601545B1 (ko) 2020-05-15 2021-05-13 지리 위치점 정렬 방법, 정렬 모델 트레이닝 방법 및 대응하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010414943.4A CN111737382A (zh) 2020-05-15 2020-05-15 地理位置点的排序方法、训练排序模型的方法及对应装置

Publications (1)

Publication Number Publication Date
CN111737382A true CN111737382A (zh) 2020-10-02

Family

ID=72647375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010414943.4A Pending CN111737382A (zh) 2020-05-15 2020-05-15 地理位置点的排序方法、训练排序模型的方法及对应装置

Country Status (5)

Country Link
US (1) US11556601B2 (zh)
EP (1) EP3910491A1 (zh)
JP (1) JP7206514B2 (zh)
KR (1) KR102601545B1 (zh)
CN (1) CN111737382A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851738B (zh) * 2019-10-28 2021-03-19 百度在线网络技术（北京）有限公司 获取poi状态信息的方法、装置、设备和计算机存储介质
CN114491318B (zh) * 2021-12-16 2023-09-01 北京百度网讯科技有限公司 目标信息的确定方法、装置、设备以及存储介质
CN117314701B (zh) * 2023-11-27 2024-03-08 江西联创精密机电有限公司 一种模拟训练席位配置方法、系统、存储介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102594905A (zh) * 2012-03-07 2012-07-18 南京邮电大学 一种基于场景的社交网络位置兴趣点推荐方法
CN103954277A (zh) * 2014-04-30 2014-07-30 百度在线网络技术（北京）有限公司 检测兴趣点位置的方法及装置
CN106919641A (zh) * 2017-01-12 2017-07-04 北京三快在线科技有限公司 一种兴趣点搜索方法及装置、电子设备
CN110348895A (zh) * 2019-06-29 2019-10-18 北京淇瑀信息科技有限公司 一种基于用户标签的个性化推荐方法、装置和电子设备
CN111026957A (zh) * 2019-11-21 2020-04-17 北京网聘咨询有限公司 基于多维相似度的推荐系统及其方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2659698C (en) * 2008-03-21 2020-06-16 Dressbot Inc. System and method for collaborative shopping, business and entertainment
US9194716B1 (en) * 2010-06-18 2015-11-24 Google Inc. Point of interest category ranking
JP2012053863A (ja) 2010-08-06 2012-03-15 Nippon Telegr & Teleph Corp <Ntt> 情報推薦処理装置とそのプログラム
US9916362B2 (en) * 2013-11-20 2018-03-13 Toyota Jidosha Kabushiki Kaisha Content recommendation based on efficacy models
US10235470B2 (en) 2013-12-06 2019-03-19 Here Global B.V. User retrieval enhancement
US9565292B2 (en) * 2014-05-28 2017-02-07 Here Global B.V. Method and apparatus for performing an optimized location based search
CN104135716A (zh) * 2014-06-17 2014-11-05 百度在线网络技术（北京）有限公司 一种兴趣点信息的推送方法及系统
US10503764B2 (en) 2015-06-01 2019-12-10 Oath Inc. Location-awareness search assistance system and method
US20180143998A1 (en) 2016-11-21 2018-05-24 Google Inc. Electronic map interfaces
US10528533B2 (en) * 2017-02-09 2020-01-07 Adobe Inc. Anomaly detection at coarser granularity of data
US10713318B2 (en) 2017-05-03 2020-07-14 Uber Technologies, Inc. Optimizing listing efficiency and efficacy for a delivery coordination system
CN108345702A (zh) 2018-04-10 2018-07-31 北京百度网讯科技有限公司 实体推荐方法和装置
CN108628833B (zh) * 2018-05-11 2021-01-22 北京三快在线科技有限公司 原创内容摘要确定方法及装置，原创内容推荐方法及装置
JP2022514509A (ja) * 2018-12-13 2022-02-14 データロボット， インコーポレイテッド データ異常を検出および解釈するための方法、ならびに関連システムおよびデバイス
US11861462B2 (en) * 2019-05-02 2024-01-02 Nicholas John Teague Preparing structured data sets for machine learning
WO2021221563A1 (en) * 2020-04-30 2021-11-04 Grabtaxi Holdings Pte. Ltd. Method for predicting the destination location of a vehicle

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102594905A (zh) * 2012-03-07 2012-07-18 南京邮电大学 一种基于场景的社交网络位置兴趣点推荐方法
CN103954277A (zh) * 2014-04-30 2014-07-30 百度在线网络技术（北京）有限公司 检测兴趣点位置的方法及装置
CN106919641A (zh) * 2017-01-12 2017-07-04 北京三快在线科技有限公司 一种兴趣点搜索方法及装置、电子设备
CN110348895A (zh) * 2019-06-29 2019-10-18 北京淇瑀信息科技有限公司 一种基于用户标签的个性化推荐方法、装置和电子设备
CN111026957A (zh) * 2019-11-21 2020-04-17 北京网聘咨询有限公司 基于多维相似度的推荐系统及其方法

Also Published As

Publication number Publication date
JP7206514B2 (ja) 2023-01-18
JP2021179990A (ja) 2021-11-18
EP3910491A1 (en) 2021-11-17
US11556601B2 (en) 2023-01-17
KR102601545B1 (ko) 2023-11-10
US20210357468A1 (en) 2021-11-18
KR20210141393A (ko) 2021-11-23

Similar Documents

Publication Publication Date Title
US11397772B2 (en) Information search method, apparatus, and system
US11714816B2 (en) Information search method and apparatus, device and storage medium
US10885076B2 (en) Computerized system and method for search query auto-completion
JP7206514B2 (ja) 地理位置点のソート方法、ソートモデルの訓練方法及び対応装置
CN110472163B (zh) 地图搜索结果的展现确定方法、装置、电子设备和介质
CN112612957A (zh) 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置
US10715612B2 (en) Identifying users&#39; identity through tracking common activity
CN111814077B (zh) 信息点查询方法、装置、设备和介质
CN111666462B (zh) 地理位置的推荐方法、装置、设备和计算机存储介质
US11748429B2 (en) Indexing native application data
US11789985B2 (en) Method for determining competitive relation of points of interest, device
CN111523031B (zh) 用于推荐兴趣点的方法和装置
CN111666292A (zh) 用于检索地理位置的相似度模型建立方法和装置
CN111522940A (zh) 用于处理评论信息的方法和装置
CN111666461B (zh) 检索地理位置的方法、装置、设备和计算机存储介质
US10643142B2 (en) Search term prediction
CN112100480A (zh) 搜索方法、装置、设备及存储介质
CN111694914A (zh) 用户常驻区域确定方法及装置
CN111666417A (zh) 生成同义词的方法、装置、电子设备以及可读存储介质
CN111522888A (zh) 挖掘兴趣点之间的竞争关系的方法和装置
CN113449754B (zh) 标签的匹配模型训练和展示方法、装置、设备及介质
CN112905872B (zh) 意图识别方法、装置、设备和可读存储介质
CN112100522A (zh) 用于检索兴趣点的方法、装置、设备及介质
CN112861023A (zh) 地图信息处理方法、装置、设备、存储介质及程序产品
CN112115222A (zh) 兴趣点显示方法、装置、电子设备和存储介质

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