CN111767479B - 推荐模型生成方法、装置、电子设备及存储介质 - Google Patents
推荐模型生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111767479B CN111767479B CN202010610565.7A CN202010610565A CN111767479B CN 111767479 B CN111767479 B CN 111767479B CN 202010610565 A CN202010610565 A CN 202010610565A CN 111767479 B CN111767479 B CN 111767479B
- Authority
- CN
- China
- Prior art keywords
- route
- node
- characterization
- determining
- historical route
- 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 33
- 238000012512 characterization method Methods 0.000 claims abstract description 86
- 230000006870 function Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
Abstract
本申请公开了推荐模型生成方法、装置、电子设备及存储介质,涉及人工智能中深度学习、云计算及计算机信息处理领域。具体实现方案为:获取历史路线,确定所述历史路线中的节点的连贯性表征;基于历史路线的节点的连贯性表征,确定所述路口节点或路段节点的权重值;基于所述历史路线的节点的连贯性以及权重值,确定历史路线的路线表征;基于所述历史路线的路线表征建立推荐模型;其中,所述推荐模型用于确定候选路线对应的推荐概率。
Description
技术领域
本申请涉及计算机技术领域。本申请尤其涉及人工智能中深度学习、云计算及计算机信息处理领域。
背景技术
在相关技术方案中,多模态路线推荐的方法主要为:基于搜索的多模态路线推荐,一般根据给定的距离度量指标,使用现有的图搜索算法在预定义的交通网络上搜索最短路径;以及,基于学习算法的交通方式推荐,通过从用户历史点击和轨迹数据中提取大量特征,使用机器学习算法来推测给定用户可能会选择的交通方式。但是,上述相关技术中的方案都只能向用户推荐粗粒度的交通出行方式,无法结合路线的静态属性、结构等特征进行路线推荐。
发明内容
本公开提供了一种推荐模型生成方法、装置、电子设备及存储介质。
根据本公开的第一方面,提供了一种推荐模型生成方法,包括:
获取历史路线,确定所述历史路线中的节点的连贯性表征;
基于历史路线的节点的连贯性表征,确定所述节点的权重值;
基于所述历史路线的节点的连贯性以及权重值,确定历史路线的路线表征;
基于所述历史路线的路线表征建立推荐模型;其中,所述推荐模型用于确定候选路线对应的推荐概率。
根据本公开的第二方面,提供了一种推荐模型生成装置,包括:
连贯性处理模块,用于获取历史路线,确定所述历史路线中的节点的连贯性表征;
权重分析模块,用于基于历史路线的节点的连贯性表征,确定所述节点的权重值;
路线表征模块,用于基于所述历史路线的节点的连贯性以及权重值,确定历史路线的路线表征;
模型建立模块,用于基于所述历史路线的路线表征建立推荐模型;其中,所述推荐模型用于确定候选路线对应的推荐概率。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与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前述方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行前述方法。
根据本公开的第五方面,提供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上所述的方法。
根据本申请的技术,基于历史路线数据建模了路线的连贯性,并将路线特征聚合为路线表征向量,从而进行模型建立。如此能够使得最终建立的推荐模型结合了路线的连贯性等方面建立推荐模型,使得建立的模型结合了路线的静态属性以及结构等特征,最终可以有效地提高路线推荐的准确率。
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是根据本申请实施例的推荐模型生成方法流程示意图;
图2是根据本申请实施例路线连贯性建立示意图;
图3是根据本申请实施例的路线推荐的处理流程示意图;
图4是根据本申请实施例的推荐模型生成装置组成结构示意图;
图5是用来实现本申请实施例的信息表征方法的电子设备的框图。
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。
本申请实施例提供了一种推荐模型生成方法,如图1所示,包括:
S101:获取历史路线,确定所述历史路线中的节点的连贯性表征;
S102:基于所述历史路线中的节点的连贯性表征,确定节点的权重值;
S103:基于所述历史路线的节点的连贯性以及权重值,确定历史路线的路线表征;
S104:基于所述历史路线的路线表征建立推荐模型;其中,所述推荐模型用于确定候选路线对应的推荐概率。
本申请实施例提供的方案可以应用于电子设备,该电子设备可以为服务器也可以为终端设备。
本申请采用对多模态路线建立统一的表征方法,即将特定的路线表示为特定的数值向量。一条路线由任意长度的序列组成,在一条路线中可以包括至少一个路口节点以及至少一个路段节点。
其中,不同的路口和路段、在不同的路线中,对于多模态推荐准确性的影响程度不同,例如某段路发生了严重的交通拥堵,那么其对最终的推荐结果会产生很大的影响。因此在将路线序列聚合为路线表征时,需要对路线序列中的路口和路段分别赋予不同的动态权重。此外,每个路口和路段与其对应的历史用户路线,在语义上是具有连贯性的,路口和路段的表征应反映出与其所涉及的历史路线的更高相关性,将这一连贯性建模融合在本申请最终模型里。
首先本申请实施例基于双向RNN的路线连贯性建模:
在S101中,所述确定所述历史路线中的节点的连贯性表征,包括:
确定所述历史路线中每一个路段节点的前缀路段节点以及后缀路段节点;基于所述前缀路段节点以及后缀路段节点组成每一个路段节点的连贯性表征;
和/或,确定所述历史路线中每一个路口节点的前缀路口节点以及后缀路口节点;基于所述前缀路口节点以及后缀路口节点组成每一个路口节点的连贯性表征。
具体来说,为了优化路口和路段的表征,本申请基于至少一条历史路线,建模路线的连贯性。路由连贯性建模的思想是:将前缀和后缀子路线的相关性,整合到当前的路段和路口表示中。
另外,还需要指出的是,在进行路线连贯性建立的处理中,还需要将时空相关性考虑进节点的表征当中。
图2左图展示了路网中的路线连贯性的例子,其中,黑色箭头组成了一条历史路线,虚线箭头代表当前路段,灰色箭头则代表路径规划生成的候选路段。
假设,给定一条历史路线[e1,e4,e9,e12],考虑e9为当前的路段,对于前缀子路线[e1,e4]来说,其可以选择e7作为下一个路线,同时对于后缀子路线[e12]来说,e11也可以被选为下一个候选路段。
基于历史路线可以知道e9是和前缀子路线[e1,e4]和后缀子路线[e12]最相关的路段。因此,路段e9不仅需要反映出路网中的动态属性,还需要体现出历史路线的前后依赖关系。
基于此,本申请采用双向GRU(Gate Recurrent Unit,循环神经网络)来将路线连贯性整合进路口和路段的表征中。
使用GRU来更新路线的表征,其计算过程可表示为:
其中Wc∈R2d×d是可学习的参数,可以将拼接得到的结果映射为d维的向量。最终通过公式5得到的为包含有路线中当前节点的时空相关性的整个路线的表征。
以图2右图为例,将历史路线的表征表示为e7,e9的表征分别为h7,h9,路线连贯性建模还需要强迫/>dist(·)表示一个潜在向量空间的距离函数,例如欧几里得距离。更新后的顶点的表征中包含表示包含前缀和后缀子路线信息,如此为多模态路线推荐提供更加丰富的信息。
基于以上处理,进一步进行自注意力路线表征学习。在路线表示学习中,存在以下两个问题:(1)每条路线的长度可能不同,(2)路线中每个路口和路段的重要性可能不同。简单地对路口和路段的表征向量求平均并不能捕捉每个到路口和路段的不同重要性。因此,本申请实施例提出了基于自注意力机制的路线表征学习,将任意长度的路线转换为固定长度的路线表征向量,明确量化路线中每个路口和路段的重要性。
S102中,所述基于所述历史路线中的节点的连贯性表征确定节点的权重值,包括:
基于历史路线的路口节点或路段节点的连贯性表征以及自注意力参数矩阵,确定所述路口节点或路段节点的权重值。
具体的,给定一个具有n个点(路口或路段)的路线序列,使用K个独立的自注意力操作来使得训练过程更加稳定可靠。具体来说,定义顶点(路口或路段)vi的第k个注意力分数为:
其中,hi和hj分别表示vi和vj的表征,Wa,k和Wb,k是在第k个自注意力机制操作中的可学习的参数矩阵(具体的建立方式本实施例不做限定),αi,k可以认为是hi(路口或路段)的权重。
S103中,所述基于所述历史路线的节点的连贯性以及权重,确定每一条历史路线的路线表征,包括:
基于所述历史路线的路口节点的连贯性表征以及对应的权重值进行计算并将计算结果进行拼接,建立路口序列的表征;基于所述历史路线的路段节点的连贯性表征以及对应的权重值进行计算并将计算结果进行拼接,建立路段序列的表征;
基于所述路口序列的表征以及路段序列的表征进行拼接,得到每一条候选路线的路线表征。
其中,路段序列的表征或路口序列的表征可以在公式6的基础上,通过以下公式7获得路线的表征:
其中||表示向量的拼接操作,Wr,k∈Rd×d对应第k次自注意力操作的可学习参数。也就是对给定路线中每一个节点所对应的连贯性表征、以及权重进行计算并求和之后,进行拼接,得到更新后的给定路线的路线表征。
需要理解的是,若上述hi、hj为推荐路线中的路口,那么最终得到的为推荐路线的路口序列的表征,若上述hi、hj为推荐路线中的路段,那么得到的为推荐路线的路段序列的表征。
基于以上公式,最终可以得到路口序列的表征hr,h和路段序列的表征hr,l,进而基于所述路口序列的表征以及路段序列的表征进行拼接,得到历史路线的路线表征,可以参见公式8:
hr=hr,h||hr,l (公式8)。
至此,可以得到针对历史路线的路线表征,或者,可以理解为基于历史路线对路线表征进行建模。
进一步地,S104中,可以基于以上建立的路线表征进行模型训练,比如,在模型中一部分用于确定输入路线的连贯性表征,另一部分用于根据路线的连贯性表征情况得到每一个路线的路线表征,基于路线表征以及历史路线被选中作为使用路线的标签,来对模型进行训练,最终得到训练后的推荐模型。
该推荐模型的输入可以为任意一条推荐路线,输出可以为该推荐路线的推荐概率。
在对模型进行训练的时候,根据损失函数的反向传播对所述推荐模型进行训练;其中,所述损失函数包括:用于基于表征历史路线与连贯性表征之间的差异的连贯性损失函数。
具体来说,可以引入以下连贯性损失函数,比如,可以引入triplet损失函数来优化路线连贯性,该损失函数参见以下公式9:
另外,在模型训练中还会引入一个路线损失函数,该损失函数可以基于当前生成的路线以及正负样本来确定。
基于以上说明,本申请的一种实施例中,如图3所示,还包括:
S201:获取起点以及终点所对应的N条候选路线;其中,N为大于等于1的整数;
S202:基于所述推荐模型确定N条候选路线所对应的推荐概率;
S203:基于N条候选路线对应的推荐概率进行排序,根据排序后的候选路线进行路线推荐。
其中,S201可以为在终端设备侧,用户开启地图应用后,输入起点以及终点,然后地图应用基于起点以及终端,生成了至少一种候选路线。
需要指出的是,S201可以在终端设备实现,或者,可以为用户通过终端设备将起点以及终端发送给服务器,由服务器为终端设备生成至少一条候选路线。
S202中,基于推荐模型分别确定每一条候选路线所对应的推荐概率。
S202可以在服务器执行,或者可以在终端设备执行。
S203中,基于上述推荐概率的高低顺序,对N条候选路线进行排序,按照排序的先后顺序进行推荐。
S203可以在服务器执行或终端设备执行。若在终端设备执行,则直接在终端设备侧展示排序前几位的路线进行推荐。若在服务器执行,则可以由服务器将最终的排序结果发送给终端设备。
根据本申请的技术,基于历史路线数据建模了路线的连贯性,并将路线特征聚合为路线表征向量,从而进行模型建立。如此能够使得最终建立的推荐模型结合了路线的连贯性等方面建立推荐模型,使得建立的模型结合了路线的静态属性以及结构等特征,最终可以有效地提高路线推荐的准确率。
通过采用上述方案,基于丰富的历史轨迹数据建模了路线的连贯性,并将路线特征聚合为一个固定维度的路线表征向量,有效地提高了多模态路线推荐的准确率。
与基于搜索的多模态路线推荐相比,该方法可以综合考虑用户偏好、路况等多种影响因素,可以针对特定用户和出行时间对候选路线进行个性化的排序,大幅度提高了多模态路线推荐的准确率,提升了产品的用户体验。另外,建模了特定的路线,将历史路线的连贯性融合到路线表征中,并提出了将路线序列特征映射为固定长度向量的自注意力表征学习方法,实现了对特定多模态路线的推荐。
本发明实施例还提供一种推荐模型生成装置,如图4所示,包括:
连贯性处理模块41,用于获取历史路线,确定所述历史路线中的节点的连贯性表征;
权重分析模块42,用于基于历史路线的节点的连贯性表征,确定所述节点的权重值;
路线表征模块43,用于基于所述历史路线的节点的连贯性以及权重值,确定历史路线的路线表征;
模型建立模块44,用于基于所述历史路线的路线表征建立推荐模型;其中,所述推荐模型用于确定候选路线对应的推荐概率。
所述连贯性处理模块41,用于确定所述历史路线中每一个路段节点的前缀路段节点以及后缀路段节点;基于所述前缀路段节点以及后缀路段节点组成每一个路段节点的连贯性表征;
和/或,确定所述历史路线中每一个路口节点的前缀路口节点以及后缀路口节点;基于所述前缀路口节点以及后缀路口节点组成每一个路口节点的连贯性表征。
所述权重分析模块42,用于基于历史路线的路口节点或路段节点的连贯性表征以及自注意力参数矩阵,确定所述路口节点或路段节点的权重值。
所述路线表征模块43,用于基于所述历史路线的路口节点的连贯性表征以及对应的权重值进行计算并将计算结果进行拼接,建立路口序列的表征;基于所述历史路线的路段节点的连贯性表征以及对应的权重值进行计算并将计算结果进行拼接,建立路段序列的表征;
基于所述路口序列的表征以及路段序列的表征进行拼接,得到历史路线的路线表征。
所述模型建立模块44,用于根据损失函数的反向传播对所述推荐模型进行训练;其中,所述损失函数包括:用于基于表征历史路线与连贯性表征之间的差异的连贯性损失函数。
所述装置还包括:
路线推荐模块45,用于获取起点以及终点所对应的N条候选路线;其中,N为大于等于1的整数;基于所述推荐模型确定N条候选路线所对应的推荐概率;基于N条候选路线对应的推荐概率进行排序,根据排序后的候选路线进行路线推荐。
根据本申请的技术,基于历史路线数据建模了路线的连贯性,并将路线特征聚合为路线表征向量,从而进行模型建立。如此能够使得最终建立的推荐模型结合了路线的连贯性等方面建立推荐模型,使得建立的模型结合了路线的静态属性以及结构等特征,最终可以有效地提高路线推荐的准确率
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图5所示,是根据本申请实施例的信息表征方法的电子设备的框图。该电子设备可以为服务器或终端。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5所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,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信息表征方法。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信息表征方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的信息表征方法对应的程序指令/模块(例如,前述装置的连贯性处理模块、权重分析模块、路线表征模块、模型建立模块、路线推荐模块)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的信息表征方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。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。
信息表征方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与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804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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,基于历史路线数据建模了路线的连贯性,并将路线特征聚合为路线表征向量,从而进行模型建立。如此能够使得最终建立的推荐模型结合了路线的连贯性等方面建立推荐模型,使得建立的模型结合了路线的静态属性以及结构等特征,最终可以有效地提高路线推荐的准确率。
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 (8)
1.一种推荐模型生成方法,包括:
获取历史路线,确定所述历史路线中的节点的连贯性表征;
基于所述历史路线的节点的连贯性表征,确定所述节点的权重值;
基于所述历史路线的节点的连贯性以及权重值,确定历史路线的路线表征;
基于所述历史路线的路线表征建立推荐模型;其中,所述推荐模型用于确定候选路线对应的推荐概率;
其中,所述确定所述历史路线中的节点的连贯性表征,包括以下至少之一:
确定所述历史路线中每一个路段节点的前缀路段节点以及后缀路段节点;基于所述前缀路段节点以及后缀路段节点组成每一个路段节点的连贯性表征;
确定所述历史路线中每一个路口节点的前缀路口节点以及后缀路口节点;基于所述前缀路口节点以及后缀路口节点组成每一个路口节点的连贯性表征;
其中,所述基于历史路线的节点的连贯性表征,确定所述节点的权重值,包括以下至少之一:
基于历史路线的路口节点的连贯性表征以及自注意力参数矩阵,确定所述路口节点的权重值;
基于历史路线的路段节点的连贯性表征以及自注意力参数矩阵,确定所述路段节点的权重值;
其中,所述基于所述历史路线的节点的连贯性以及权重值,确定历史路线的路线表征,包括:
基于所述历史路线的路口节点的连贯性表征以及对应的权重值进行计算并将计算结果进行拼接,建立路口序列的表征;基于所述历史路线的路段节点的连贯性表征以及对应的权重值进行计算并将计算结果进行拼接,建立路段序列的表征;
基于所述路口序列的表征以及路段序列的表征进行拼接,得到历史路线的路线表征。
2.根据权利要求1所述的方法,其中,所述方法还包括:
根据损失函数的反向传播对所述推荐模型进行训练;其中,所述损失函数包括:用于基于表征历史路线与连贯性表征之间的差异的连贯性损失函数。
3.根据权利要求1所述的方法,其中,所述方法还包括:
获取起点以及终点所对应的N条候选路线;其中,N为大于等于1的整数;
基于所述推荐模型确定N条候选路线所对应的推荐概率;
基于N条候选路线对应的推荐概率进行排序,根据排序后的候选路线进行路线推荐。
4.一种推荐模型生成装置,包括:
连贯性处理模块,用于获取历史路线,确定所述历史路线中的节点的连贯性表征;
权重分析模块,用于基于历史路线的节点的连贯性表征,确定所述节点的权重值;
路线表征模块,用于基于所述历史路线的节点的连贯性以及权重值,确定历史路线的路线表征;
模型建立模块,用于基于所述历史路线的路线表征建立推荐模型;其中,所述推荐模型用于确定候选路线对应的推荐概率;
其中,所述连贯性处理模块,用于执行以下至少之一:
确定所述历史路线中每一个路段节点的前缀路段节点以及后缀路段节点;基于所述前缀路段节点以及后缀路段节点组成每一个路段节点的连贯性表征;
确定所述历史路线中每一个路口节点的前缀路口节点以及后缀路口节点;基于所述前缀路口节点以及后缀路口节点组成每一个路口节点的连贯性表征;
其中,所述权重分析模块,用于执行以下至少之一:
基于历史路线的路口节点的连贯性表征以及自注意力参数矩阵,确定所述路口节点的权重值;
基于历史路线的路段节点的连贯性表征以及自注意力参数矩阵,确定所述路段节点的权重值;
其中,所述路线表征模块,用于基于所述历史路线的路口节点的连贯性表征以及对应的权重值进行计算并将计算结果进行拼接,建立路口序列的表征;基于所述历史路线的路段节点的连贯性表征以及对应的权重值进行计算并将计算结果进行拼接,建立路段序列的表征;基于所述路口序列的表征以及路段序列的表征进行拼接,得到历史路线的路线表征。
5.根据权利要求4所述的装置,其中,所述模型建立模块,用于根据损失函数的反向传播对所述推荐模型进行训练;其中,所述损失函数包括:用于基于表征历史路线与连贯性表征之间的差异的连贯性损失函数。
6.根据权利要求4所述的装置,其中,所述装置还包括:
路线推荐模块,用于获取起点以及终点所对应的N条候选路线;其中,N为大于等于1的整数;基于所述推荐模型确定N条候选路线所对应的推荐概率;基于N条候选路线对应的推荐概率进行排序,根据排序后的候选路线进行路线推荐。
7. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010610565.7A CN111767479B (zh) | 2020-06-30 | 2020-06-30 | 推荐模型生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010610565.7A CN111767479B (zh) | 2020-06-30 | 2020-06-30 | 推荐模型生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767479A CN111767479A (zh) | 2020-10-13 |
CN111767479B true CN111767479B (zh) | 2023-06-27 |
Family
ID=72724124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010610565.7A Active CN111767479B (zh) | 2020-06-30 | 2020-06-30 | 推荐模型生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767479B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107643085A (zh) * | 2017-09-18 | 2018-01-30 | 苏州大学 | 一种路径推荐方法与装置 |
CN108267143A (zh) * | 2016-12-30 | 2018-07-10 | 沈阳美行科技有限公司 | 导航路线推荐方法、系统及其装置 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
WO2018209576A1 (en) * | 2017-05-16 | 2018-11-22 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for digital route planning |
CN110517492A (zh) * | 2019-08-27 | 2019-11-29 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
CN111222058A (zh) * | 2020-01-06 | 2020-06-02 | 百度在线网络技术(北京)有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9076332B2 (en) * | 2006-10-19 | 2015-07-07 | Makor Issues And Rights Ltd. | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
-
2020
- 2020-06-30 CN CN202010610565.7A patent/CN111767479B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108267143A (zh) * | 2016-12-30 | 2018-07-10 | 沈阳美行科技有限公司 | 导航路线推荐方法、系统及其装置 |
WO2018209576A1 (en) * | 2017-05-16 | 2018-11-22 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for digital route planning |
CN107643085A (zh) * | 2017-09-18 | 2018-01-30 | 苏州大学 | 一种路径推荐方法与装置 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN110517492A (zh) * | 2019-08-27 | 2019-11-29 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
CN111222058A (zh) * | 2020-01-06 | 2020-06-02 | 百度在线网络技术(北京)有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
UTRS:一个面向出租车的拼车推荐系统;刘相言;杨威;黄刘生;陆潇榕;邓厚;;小型微型计算机系统(第12期);全文 * |
西安市交通信息综合平台构建研究;王秋平;赵硕;;城市公共交通(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111767479A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102588055B1 (ko) | 멀티미디어 리소스 추천 방법, 장치, 전자 기기 및 저장 매체 | |
CN111582454B (zh) | 生成神经网络模型的方法和装置 | |
CN112650907B (zh) | 搜索词的推荐方法、目标模型的训练方法、装置及设备 | |
CN110795569B (zh) | 知识图谱的向量表示生成方法、装置及设备 | |
CN111708876B (zh) | 生成信息的方法和装置 | |
US11748895B2 (en) | Method and apparatus for processing video frame | |
US11847147B2 (en) | Method for building ranking model, query auto-completion method and corresponding apparatuses | |
CN111507355B (zh) | 一种字符识别方法、装置、设备和存储介质 | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
CN111353009B (zh) | 建立路线耗时预估模型、预估路线耗时的方法及对应装置 | |
CN111639753B (zh) | 用于训练图像处理超网络的方法、装置、设备以及存储介质 | |
CN111274407B (zh) | 知识图谱中三元组置信度计算方法和装置 | |
CN111523007B (zh) | 用户感兴趣信息确定方法、装置、设备以及存储介质 | |
CN111652354B (zh) | 用于训练超网络的方法、装置、设备以及存储介质 | |
CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN112380104A (zh) | 用户属性识别方法、装置、电子设备及存储介质 | |
CN111292549B (zh) | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 | |
CN111680600A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
CN114202074A (zh) | 用于目标检测任务的预训练模型生成方法、装置及设备 | |
CN111753964A (zh) | 神经网络的训练方法和装置 | |
CN112015774A (zh) | 一种图表推荐方法、装置、电子设备及存储介质 | |
EP3876563A1 (en) | Method and apparatus for broadcasting configuration information of synchronizing signal block, and method and apparatus for receiving configuration information of synchronizing signal block | |
CN112580723B (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN112115387B (zh) | 兴趣点poi推荐模型的训练方法、装置和电子设备 | |
CN111160552B (zh) | 新闻信息的推荐处理方法、装置、设备和计算机存储介质 |
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 |