CN111782978A - 兴趣点数据的处理方法及装置、电子设备、可读介质 - Google Patents
兴趣点数据的处理方法及装置、电子设备、可读介质 Download PDFInfo
- Publication number
- CN111782978A CN111782978A CN202010614555.0A CN202010614555A CN111782978A CN 111782978 A CN111782978 A CN 111782978A CN 202010614555 A CN202010614555 A CN 202010614555A CN 111782978 A CN111782978 A CN 111782978A
- Authority
- CN
- China
- Prior art keywords
- interest point
- interest
- point
- data
- score value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 52
- 238000012360 testing method Methods 0.000 claims description 17
- 230000002860 competitive effect Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000015219 food category Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000007306 turnover 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
- 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
- G06F16/23—Updating
-
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Navigation (AREA)
Abstract
本公开提供了一种待加工兴趣点数据的处理方法,属于计算机技术领域,可用于智能驾驶领域、云计算领域和机器学习领域,该方法包括:从兴趣点数据中识别出兴趣点所属的行业类别;根据预设的行业类别与兴趣点新增率评分值的对应关系,确定出该兴趣点数据中兴趣点所属的行业类别所对应的第一兴趣点新增率评分值;获取兴趣点数据对应的位置区域的兴趣点情报特征;将位置区域的兴趣点情报特征输入预先训练好的区域新增率打分模型,预测出兴趣点数据对应的位置区域的第二兴趣点新增率评分值;根据第一兴趣点新增率评分值和第二兴趣点新增率评分值,确定出兴趣点数据对应的价值评分值。本公开还提供了处理装置、电子设备及计算机可读介质。
Description
技术领域
本公开实施例涉及计算机技术领域,特别涉及待加工兴趣点数据的处理方法及装置、电子设备、计算机可读介质。
背景技术
目前,在通过众包采集等方式获取到海量POI(Point of Information,兴趣点)图像素材之后,通常需要人工对待加工的POI图像中的POI名称、实际坐标等进行加工,并在加工后上线至电子地图进行显示,以更新电子地图上的POI。
发明内容
本公开实施例提供一种待加工兴趣点数据的处理方法及装置、电子设备、计算机可读介质。
第一方面,本公开实施例提供一种待加工兴趣点数据的处理方法,该处理方法包括:
从待加工兴趣点数据中识别出兴趣点所属的行业类别;
根据预设的行业类别与兴趣点新增率评分值的对应关系,确定出该待加工兴趣点数据中兴趣点所属的行业类别所对应的第一兴趣点新增率评分值;
获取待加工兴趣点数据对应的位置区域的兴趣点情报特征;
将所述位置区域的兴趣点情报特征输入预先训练好的区域新增率打分模型,预测出待加工兴趣点数据对应的位置区域的第二兴趣点新增率评分值;
根据所述第一兴趣点新增率评分值和所述第二兴趣点新增率评分值,确定出所述待加工兴趣点数据对应的价值评分值。
在一些实施例中,所述兴趣点数据包括兴趣点图像;
所述从待加工兴趣点数据中识别出兴趣点所属的行业类别,包括:
从所述兴趣点图像中识别出兴趣点招牌文字信息;
根据所述兴趣点招牌文字信息,确定出所述兴趣点所属的行业类别。
在一些实施例中,所述从所述兴趣点图像中识别出兴趣点招牌文字信息,包括:
通过预设图像文字识别模型,从所述兴趣点图像中识别出兴趣点招牌文字信息。
在一些实施例中,所述行业类别与兴趣点新增率评分值的对应关系通过如下步骤设置:
对于属于预定义的不易变类型的每一行业类别,根据预定义规则,设置该行业类别对应的兴趣点新增率;
对于属于预定义的易变类型的每一行业类别,统计该行业类别的兴趣点新增率,该行业类别的兴趣点新增率为该行业类别在第一预设时间段内的兴趣点新增量与该行业类别当前的兴趣点总量的比值;
按照各行业类别对应的兴趣点新增率的大小,对各行业类别进行分类,每一类对应一兴趣点新增率评分值,以得到行业类别与兴趣点新增率评分值的对应关系。
在一些实施例中,所述兴趣点数据包括兴趣点图像,所述获取待加工兴趣点数据对应的位置区域的兴趣点情报特征之前,还包括:
根据预先在电子地图中对每个城市区域的网格区域划分情况和所述兴趣点图像对应的拍摄位置坐标,确定该拍摄位置坐标所属的网格区域,该网格区域为所述待加工兴趣点数据对应的位置区域。
在一些实施例中,所述兴趣点情报特征包括以下特征之一或任意组合:该位置区域内根据快递信息确定出的POI数量;该位置区域内根据竞品特有情报数据确定的POI数量;该位置区域内根据导航情报数据确定出的POI数量;该位置区域内的模糊的POI数量;该位置区域内的预设点击热度范围内的POI数量。
在一些实施例中,所述区域新增率打分模型通过以下步骤训练得到:
构建数据集,所述数据集包括第二预设时间段内所述电子地图中的每个网格区域的POI新增数据;
将所述数据集中的部分数据作为训练样本,另一部分数据作为测试样本;每一训练样本对应一网格区域的POI新增数据,每一测试样本对应一网格区域的POI新增数据;
根据所述训练样本确定所述训练样本所对应的类别标签;
从所述训练样本中获得每个所述网格区域的用于模型训练的兴趣点情报特征,并从所述测试样本中获得每个所述网格区域的用于模型测试的兴趣点情报特征;
对XGBT模型进行模型训练,得到所述区域新增率打分模型,所述区域新增率打分模型的输入为每个网格区域的兴趣点情报特征,输出为每个网格区域的兴趣点新增率评分值。
在一些实施例中,所述根据所述第一兴趣点新增率评分值和所述第二兴趣点新增率评分值,确定出所述待加工兴趣点数据对应的价值评分值,包括:
根据所述第一兴趣点新增率评分值、所述第二兴趣点新增率评分值和预设的价值评分值公式:S=α*St+β*Sr,计算得到所述待加工兴趣点数据对应的价值评分值;
其中,S表示价值评分值,St表示所述第一兴趣点新增率评分值,Sr表示所述第二兴趣点新增率评分值,α为预设的第一兴趣点新增率评分值对应的权重系数,β为预设的第二兴趣点新增率评分值对应的权重系数。
第二方面,本公开实施例提供一种待加工兴趣点数据的处理装置,该处理装置包括:
类别识别模块,用于从待加工兴趣点数据中识别出兴趣点所属的行业类别;
类别新增率评分模块,用于根据预设的行业类别与兴趣点新增率评分值的对应关系,确定出该待加工兴趣点数据中兴趣点所属的行业类别所对应的第一兴趣点新增率评分值;
情报特征获取模块,用于获取待加工兴趣点数据对应的位置区域的兴趣点情报特征;
区域新增率评分模块,用于将所述位置区域的兴趣点情报特征输入预先训练好的区域新增率打分模型,预测出待加工兴趣点数据对应的位置区域的第二兴趣点新增率评分值;
价值评估模块,用于根据所述第一兴趣点新增率评分值和所述第二兴趣点新增率评分值,确定出所述待加工兴趣点数据对应的价值评分值。
在一些实施例中,所述兴趣点数据包括兴趣点图像;所述类别识别模块具体用于从所述兴趣点图像中识别出兴趣点招牌文字信息;根据所述兴趣点招牌文字信息,确定出所述兴趣点所属的行业类别。
在一些实施例中,所述类别识别模块具体用于通过预设图像文字识别模型,从所述兴趣点图像中识别出兴趣点招牌文字信息。
在一些实施例中,所述兴趣点数据包括兴趣点图像,该装置还包括位置区域确定模块,所述位置区域确定模块用于在所述情报特征获取模块获取待加工兴趣点数据对应的位置区域的兴趣点情报特征之前,根据预先在电子地图中对每个城市区域的网格区域划分情况和所述兴趣点图像对应的拍摄位置坐标,确定该拍摄位置坐标所属的网格区域,该网格区域为所述待加工兴趣点数据对应的位置区域。
在一些实施例中,所述兴趣点情报特征包括以下特征之一或任意组合:该位置区域内根据快递信息确定出的POI数量;该位置区域内根据竞品特有情报数据确定的POI数量;该位置区域内根据导航情报数据确定出的POI数量;该位置区域内的模糊的POI数量;该位置区域内的预设点击热度范围内的POI数量。
在一些实施例中,所述价值评估模块具体用于根据所述第一兴趣点新增率评分值、所述第二兴趣点新增率评分值和预设的价值评分值公式:S=α*St+β*Sr,计算得到所述待加工兴趣点数据对应的价值评分值;
其中,S表示价值评分值,St表示所述第一兴趣点新增率评分值,Sr表示所述第二兴趣点新增率评分值,α为预设的第一兴趣点新增率评分值对应的权重系数,β为预设的第二兴趣点新增率评分值对应的权重系数。
第三方面,本公开实施例提供一种电子设备,其包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一实施例所提供的处理方法;
一个或多个I/O接口,连接在所述处理器与存储器之间,配置为实现所述处理器与所述存储器的信息交互。
第四方面,本公开实施例提供一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被执行时实现上述任一实施例所提供的处理方法。
本公开实施例提供的待加工兴趣点数据的处理方法及装置、电子设备、计算机可读介质,首先从待加工兴趣点数据所属的行业类别维度对待加工兴趣点数据进行评估,得到所属行业类别对应的第一兴趣点新增率评分值,然后从待加工兴趣点数据所属的区域维度对待加工兴趣点数据进行评估,得到所属区域对应的第二兴趣点新增率评分值,最后根据第一兴趣点新增率评分值和第二兴趣点新增率评分值对待加工兴趣点数据的价值进行综合评估,得到该待加工兴趣点数据的价值评分值,基于待加工兴趣点数据的价值评分值可以确定待加工兴趣点数据的加工优先级,并按照加工优先级对待加工兴趣点数据进行加工,从而可以在人工加工资源有限的情况下,能够有效提高电子地图的POI更新的效益和质量,并能够有效提升单位加工成本内电子地图中的POI新增率。
附图说明
附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开的实施例一起用于解释本公开,并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述,以上和其他特征和优点对本领域技术人员将变得更加显而易见,在附图中:
图1为本公开实施例提供的一种待加工兴趣点数据的处理方法的流程图;
图2为图1中步骤11的一种具体实现方式的流程图;
图3为一种行业类别与兴趣点新增率评分值的对应关系的获取流程图;
图4为一种区域新增率打分模型的训练方法的流程图;
图5为本公开实施例提供的一种待加工兴趣点数据的处理装置的组成框图;
图6为本公开实施例提供的一种电子设备的组成框图。
具体实施方式
为使本领域的技术人员更好地理解本公开的技术方案,下面结合附图对本公开提供的待加工兴趣点数据的处理方法及装置、电子设备、计算机可读介质进行详细描述。
在下文中将参考附图更充分地描述示例实施例,但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之,提供这些实施例的目的在于使本公开透彻和完整,并将使本领域技术人员充分理解本公开的范围。
在不冲突的情况下,本公开各实施例及实施例中的各特征可相互组合。
如本文所使用的,术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例,且不意欲限制本公开。如本文所使用的,单数形式“一个”和“该”也意欲包括复数形式,除非上下文另外清楚指出。还将理解的是,当本说明书中使用术语“包括”和/或“由……制成”时,指定存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其群组。
除非另外限定,否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解,诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义,且将不解释为具有理想化或过度形式上的含义,除非本文明确如此限定。
图1为本公开实施例提供的一种待加工兴趣点数据的处理方法的流程图,如图1所示,该方法可以由待加工兴趣点数据的处理装置来执行,该装置可以通过软件和/或硬件的方式实现,该装置可以集成在如服务器等电子设备中。该处理方法包括步骤11至步骤15。
步骤11、从待加工兴趣点数据中识别出兴趣点所属的行业类别。
其中,待加工兴趣点数据包括待加工兴趣点(POI)图像,待加工兴趣点(POI)数据可以通过淘金用户采集、全景采集车采集、行车记录仪采集等方式获取,在获取待加工兴趣点数据后,从待加工兴趣点数据中识别出兴趣点所属的行业类别。
图2为图1中步骤11的一种具体实现方式的流程图,如图2所示,在一些实施例中,步骤11包括步骤111和步骤112。
步骤111、从待加工兴趣点图像中识别出兴趣点招牌文字信息。
具体地,通过预设图像文字识别模型,从待加工兴趣点图像中识别出兴趣点招牌文字信息。兴趣点招牌文字信息例如是“XX酒店”、“XX宾馆”、“XX餐馆”、“XX商场”等。
其中,图像文字识别模型可以采用OCR(Optical Character Recognition,光学字符识别)模型。
步骤112、根据兴趣点招牌文字信息,确定出兴趣点所属的行业类别。
在一些实施例中,通过提取该兴趣点招牌文字信息中的关键词(如:酒店、宾馆等),根据关键词判别该兴趣点所属的行业类别,其中兴趣点招牌文字信息中的关键词可以是兴趣点招牌文字信息中的结尾词。具体地,可以通过预设的知识图谱,识别出该关键词对应的行业类别。
在一些实施例中,首先,可以通过预设分词工具对兴趣点招牌文字信息进行分词处理,根据分词处理结果中的每个词和预设的知识图谱,识别出该兴趣点招牌文字信息对应的行业类别。
步骤12、根据预设的行业类别与兴趣点新增率评分值的对应关系,确定出该待加工兴趣点数据中兴趣点所属的行业类别所对应的第一兴趣点新增率评分值。
其中,行业类别与兴趣点新增率评分值的对应关系包括每一行业类别对应的兴趣点新增率评分值,因此,在确定待加工兴趣点数据中兴趣点所属的行业类别后,即可从行业类别与兴趣点新增率评分值的对应关系中确定出该行业类别对应的第一兴趣点新增率评分值St。
图3为一种行业类别与兴趣点新增率评分值的对应关系的获取流程图,如图3所示,在一些实施例中,行业类别与兴趣点新增率评分值的对应关系可以通过如下步骤21~步骤23设置:
步骤21、对于属于预定义的不易变类型的每一行业类别,根据预定义规则,设置该行业类别对应的兴趣点新增率。
在本一些实施例中,可以根据各行业类别的POI更新情况,预先定义不易变类型和行业类别的对应关系,以及易变类型与行业类别的对应关系。其中,当一行业类别的POI在很长时间内才会更新时,将该行业类别定义为不易变类型的行业类别。例如,旅游景点类、政府机构类、交通设施类等,这些类别的POI一般更新频率较慢,POI新增率也一般较低。相反的,POI更新频率较高,POI新增率一般也较高的行业类别定义为易变类型的行业类别,例如,生活服务类、美食类等。
在步骤21中,对于属于预定义的不易变类型的每一行业类别,根据预定义规则,直接设置该行业类别对应的兴趣点新增率。即,对于不易变类型的每一行业类别,随机赋予该行业类别一个较低的兴趣点新增率。例如可以是从较低的新增率范围(如0~10%)中随机选取一新增率的值作为该行业类别对应的兴趣点新增率。
步骤22、对于属于预定义的易变类型的每一行业类别,统计该行业类别在的兴趣点新增率。
其中,该行业类别的兴趣点新增率pu为该行业类别在第一预设时间段内(如最近的一年时间内)的兴趣点新增量nu与该行业类别当前的兴趣点总量ns的比值,即pu=100%*nu/ns。
在步骤22中,对于属于预定义的易变类型的每一行业类别,首先统计该行业类别在第一预设时间段内的兴趣点新增量nu,然后统计该行业类别当前的兴趣点总量ns,最后根据新增率公式pu=100%*nu/ns,计算得到该行业类别的兴趣点新增率。
步骤23、按照各行业类别对应的兴趣点新增率的大小,对各行业类别进行分类,每一类对应一兴趣点新增率评分值,以得到行业类别与兴趣点新增率评分值的对应关系。
例如,对于兴趣点新增率位于第一预设新增率范围(如70%以上)的行业类别,设置该类行业类别对应兴趣点新增率评分值为第一预设值(如10分);对于兴趣点新增率位于第二预设新增率范围(如40%~70%)的行业类别,设置该类行业类别对应兴趣点新增率评分值为第二预设值(如5分);对于兴趣点新增率位于第三预设新增率范围(如40%以下)的行业类别,设置该类行业类别对应兴趣点新增率评分值为第三预设值(如2分)。由此,可以得到行业类别与兴趣点新增率评分值的对应关系。
步骤13、获取待加工兴趣点数据对应的位置区域的兴趣点情报特征。
在一些实施例中,预先在电子地图中对每个城市区域进行网格化,得到每个城市区域的网格区域划分情况,例如,根据现有POI情报密度情况,将城市区域划分为1km*1km的网格。
在步骤13之前,首先根据预先在电子地图中对每个城市区域的网格区域划分情况和待加工兴趣点图像对应的拍摄位置坐标,确定该拍摄位置坐标所属的网格区域,该网格区域即为待加工兴趣点数据对应的位置区域,然后执行步骤13。在步骤13中,获取待加工兴趣点图像对应的拍摄位置坐标所属的网格区域的兴趣点情报特征。
其中,兴趣点情报特征包括以下特征之一或任意组合:该位置区域内根据快递信息确定出的POI数量;该位置区域内根据竞品特有情报数据确定的POI数量;该位置区域内根据导航情报数据确定出的POI数量;该位置区域内的模糊的POI数量;该位置区域内的预设点击热度范围内的POI数量。
其中,快递信息可以包括快递订单信息中的收货地址和发货地址。该位置区域内根据竞品特有情报数据确定的POI数量是指竞品中有且不存在于本地POI库中的POI数量。该位置区域内根据导航情报数据确定出的POI数量是指根据导航数据中位于该位置区域内的导航终点确定出的POI数量。该位置区域内的模糊的POI数量是指该位置区域内,不能确定是否处于营业状态或者是坐标位置可能和实际位置相差较远的POI数量。该位置区域内的预设点击热度范围内的POI数量是指该位置区域内的高点击热度的POI数量,例如是点击率(PV)排名前10%的POI数量。
步骤14、将该位置区域的兴趣点情报特征输入预先训练好的区域新增率打分模型,预测出待加工兴趣点数据对应的位置区域的第二兴趣点新增率评分值。
其中,预先训练好的区域新增率打分模型的输入为位置区域的兴趣点情报特征,输出为位置区域对应的兴趣点新增率评分值。因此,在步骤14中,将该位置区域的兴趣点情报特征输入预先训练好的区域新增率打分模型,即可直接预测出待加工兴趣点数据对应的位置区域的第二兴趣点新增率评分值Sr。
图4为一种区域新增率打分模型的训练方法的流程图,在一些实施例中,如图4所示,区域新增率打分模型可以通过以下步骤训练得到:
步骤31、构建数据集,数据集包括第二预设时间段内电子地图中的每个网格区域的POI新增数据。
例如,第二预设时间段可以是最近的半年时间内。
步骤32、将数据集中的部分数据作为训练样本,另一部分数据作为测试样本。
其中,每一训练样本对应一网格区域的POI新增数据,每一测试样本对应一网格区域的POI新增数据。
步骤33、根据训练样本确定训练样本对应的类别标签。
具体地,根据训练样本对应的网格区域的POI新增数据,确定该网格区域的POI新增率,该网格区域的POI新增率为对应的该训练样本的类别标签。该网格区域的POI新增率为该网格区域的POI新增量与该网格区域的POI总量的比值。
步骤34、从训练样本中获得每个网格区域的用于模型训练的兴趣点情报特征,并从测试样本中获得每个网格区域的用于模型测试的兴趣点情报特征。
其中,兴趣点情报特征包括以下特征之一或任意组合:该网格区域内根据快递信息确定出的POI数量;该网格区域内根据竞品特有情报数据确定的POI数量;该位网格区域内根据导航情报数据确定出的POI数量;该网格区域内的模糊的POI数量;该网格区域内的预设点击热度范围内的POI数量。
步骤35、对XGBT模型进行模型训练,得到区域新增率打分模型,区域新增率打分模型的输入为每个网格区域的兴趣点情报特征,输出为每个网格区域的兴趣点新增率评分值。
具体地,利用训练样本、对应的类别标签(POI新增率)以及对应的兴趣点情报特征,对XGBT(eXtreme Gradient BoosTing,极端梯度提升)模型进行模型训练,并利用测试样本、对应的类别标签(POI新增率)以及对应的兴趣点情报特征对XGBT模型进行模型测试,最终得到区域新增率打分模型。
具体地,关于XGBT模型的具体训练实现原理如下:
对于该XGBT模型,假设有n个网格区域对应的训练样本,m个兴趣点情报特征(包含组合特征),则有:
D={(Xi,yi)}(|D|=n,Xi∈Rm,yi∈R)
其中,Xi表示第i个训练样本,yi表示第i个训练样本对应的POI新增率(即类别标签)。
XGBT模型实际上是一个树集成模型,树模型采用回归树(CART树)模型,回归树(CART树)的空间F为:
F={f(x)=ωq(x)}(q:Rm→T,ω∈RT)
其中q代表树的叶子节点,将每个训练样本映射到对应树的叶子节点;T是对应树的叶子节点的个数;f(x)是对应树的叶子节点的权重即分数ω。
将训练样本在K个决策树中对应的分数进行求和,作为训练样本最终对应的预测值,即:
该XGBT模型的目标函数定义为:
其中,表示模型预测的第i个训练样本对应的预测值(即兴趣点新增率评分值),yi表示第i个训练样本对应的类别标签(即POI新增率),表示对第i个训练样本的损失,K表示树的总数量,fk表示第k棵树模型,T表示每棵树的叶子节点数量,w表示每棵树的所有叶子节点对应的权重(分数)组成的向量,γ和λ表示预设的调节系数,系数γ用于控制叶子节点的数量,系数λ用于控制叶子节点的分数不会过大,防止过拟合,在实际应用中需要进行调参。
在每一轮训练中,最小化目标函数,直到目标函数值小于预设值或者到达指定的轮次数,结束模型训练,此时得到训练好的XGBT模型。
步骤15、根据第一兴趣点新增率评分值和第二兴趣点新增率评分值,确定出待加工兴趣点数据对应的价值评分值。
具体地,根据第一兴趣点新增率评分值St、第二兴趣点新增率评分值Sr和预设的价值评分值公式:S=α*St+β*Sr,计算得到待加工兴趣点数据对应的价值评分值S。
其中,S表示价值评分值,St表示第一兴趣点新增率评分值,Sr表示第二兴趣点新增率评分值,α为预设的第一兴趣点新增率评分值对应的权重系数,β为预设的第二兴趣点新增率评分值对应的权重系数。
最终,可以获得所有待加工兴趣点数据的价值评分值,由此可以按照各待加工兴趣点数据的价值评分值的大小,确定各待加工兴趣点数据的加工优先级,对各待加工兴趣点数据的加工优先级进行排序,并根据排序结果对待加工兴趣点数据进行加工,而后上线至电子地图,以对电子地图中的POI进行更新。其中,高优先级的兴趣点数据优先加工,而低优先级的兴趣点数据则在后加工。
本公开实施例所提供的待加工兴趣点数据的处理方法,首先从待加工兴趣点数据所属的行业类别维度对待加工兴趣点数据进行评估,得到所属行业类别对应的第一兴趣点新增率评分值,然后从待加工兴趣点数据所属的区域维度对待加工兴趣点数据进行评估,得到所属区域对应的第二兴趣点新增率评分值,最后根据第一兴趣点新增率评分值和第二兴趣点新增率评分值对待加工兴趣点数据的价值进行综合评估,得到该待加工兴趣点数据的价值评分值,基于待加工兴趣点数据的价值评分值可以确定待加工兴趣点数据的加工优先级,并按照加工优先级对待加工兴趣点数据进行加工,从而可以在人工加工资源有限的情况下,能够有效提高电子地图的POI更新的效益和质量,并能够有效提升单位加工成本内电子地图中的POI新增率。
图5为本公开实施例提供的一种待加工兴趣点数据的处理装置的组成框图,如图5所示,该处理装置用于实现上述的处理方法,该处理装置包括:类别识别模块41、类别新增率评分模块42、情报特征获取模块43、区域新增率评分模块44和价值评估模块45。
其中,类别识别模块41用于从待加工兴趣点数据中识别出兴趣点所属的行业类别。类别新增率评分模块42用于根据预设的行业类别与兴趣点新增率评分值的对应关系,确定出该待加工兴趣点数据中兴趣点所属的行业类别所对应的第一兴趣点新增率评分值。情报特征获取模块43用于获取待加工兴趣点数据对应的位置区域的兴趣点情报特征。区域新增率评分模块44用于将该位置区域的兴趣点情报特征输入预先训练好的区域新增率打分模型,预测出待加工兴趣点数据对应的位置区域的第二兴趣点新增率评分值。价值评估模块45用于根据第一兴趣点新增率评分值和第二兴趣点新增率评分值,确定出待加工兴趣点数据对应的价值评分值。
在一些实施例中,兴趣点数据包括兴趣点图像;类别识别模块41具体用于从兴趣点图像中识别出兴趣点招牌文字信息;根据兴趣点招牌文字信息,确定出兴趣点所属的行业类别。具体地,类别识别模块41具体用于通过预设图像文字识别模型,从兴趣点图像中识别出兴趣点招牌文字信息。
在一些实施例中,该装置还包括类别评分配置模块46,类别评分配置模块46用于:对于属于预定义的不易变类型的每一行业类别,根据预定义规则,设置该行业类别对应的兴趣点新增率;对于属于预定义的易变类型的每一行业类别,统计该行业类别的兴趣点新增率,该行业类别在的兴趣点新增率为该行业类别在第一预设时间段内的兴趣点新增量与该行业类别当前的兴趣点总量的比值;按照各行业类别对应的兴趣点新增率的大小,对各行业类别进行分类,每一类对应一兴趣点新增率评分值,以得到行业类别与兴趣点新增率评分值的对应关系。
在一些实施例中,兴趣点数据包括兴趣点图像,该装置还包括位置区域确定模块47,位置区域确定模块47用于在情报特征获取模块43获取待加工兴趣点数据对应的位置区域的兴趣点情报特征之前,根据预先在电子地图中对每个城市区域的网格区域划分情况和兴趣点图像对应的拍摄位置坐标,确定该拍摄位置坐标所属的网格区域,该网格区域为待加工兴趣点数据对应的位置区域。
在一些实施例中,兴趣点情报特征包括以下特征之一或任意组合:该位置区域内根据快递信息确定出的POI数量;该位置区域内根据竞品特有情报数据确定的POI数量;该位置区域内根据导航情报数据确定出的POI数量;该位置区域内的模糊的POI数量;该位置区域内的预设点击热度范围内的POI数量。
在一些实施例中,该装置还包括模型训练模块48,模型训练模块48用于:构建数据集,数据集包括第二预设时间段内电子地图中的每个网格区域的POI新增数据;将数据集中的部分数据作为训练样本,另一部分数据作为测试样本;每一训练样本对应一网格区域的POI新增数据,每一测试样本对应一网格区域的POI新增数据;根据训练样本确定训练样本所对应的类别标签;从训练样本中获得每个所网格区域的用于模型训练的兴趣点情报特征,并从所测试样本中获得每个网格区域的用于模型测试的兴趣点情报特征;对XGBT模型进行模型训练,得到区域新增率打分模型,区域新增率打分模型的输入为每个网格区域的兴趣点情报特征,输出为每个网格区域的兴趣点新增率评分值。
在一些实施例中,价值评估模块45具体用于根据第一兴趣点新增率评分值、第二兴趣点新增率评分值和预设的价值评分值公式:S=α*Sr+β*St,计算得到待加工兴趣点数据对应的价值评分值。
其中,S表示价值评分值,St表示第一兴趣点新增率评分值,Sr表示所述第二兴趣点新增率评分值,α为预设的第一兴趣点新增率评分值对应的权重系数,β为预设的第二兴趣点新增率评分值对应的权重系数。
此外,本公开实施例所提供的处理装置具体用于实现前述的处理方法,具体可参见前述处理方法的描述,此处不再赘述。
图6为本公开实施例提供的一种电子设备的组成框图,如图6所示,该电子设备包括:一个或多个处理器501;存储器502,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器501执行,使得一个或多个处理器501实现上述的处理方法;一个或多个I/O接口503,连接在处理器501与存储器502之间,配置为实现处理器501与存储器502的信息交互。
本公开实施例还提供了一计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被执行时实现前述的处理方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文已经公开了示例实施例,并且虽然采用了具体术语,但它们仅用于并仅应当被解释为一般说明性含义,并且不用于限制的目的。在一些实例中,对本领域技术人员显而易见的是,除非另外明确指出,否则可单独使用与特定实施例相结合描述的特征、特性和/或元素,或可与其他实施例相结合描述的特征、特性和/或元件组合使用。因此,本领域技术人员将理解,在不脱离由所附的权利要求阐明的本公开的范围的情况下,可进行各种形式和细节上的改变。
Claims (16)
1.一种待加工兴趣点数据的处理方法,包括:
从待加工兴趣点数据中识别出兴趣点所属的行业类别;
根据预设的行业类别与兴趣点新增率评分值的对应关系,确定出该待加工兴趣点数据中兴趣点所属的行业类别所对应的第一兴趣点新增率评分值;
获取待加工兴趣点数据对应的位置区域的兴趣点情报特征;
将所述位置区域的兴趣点情报特征输入预先训练好的区域新增率打分模型,预测出待加工兴趣点数据对应的位置区域的第二兴趣点新增率评分值;
根据所述第一兴趣点新增率评分值和所述第二兴趣点新增率评分值,确定出所述待加工兴趣点数据对应的价值评分值。
2.根据权利要求1所述的处理方法,其中所述兴趣点数据包括兴趣点图像;
所述从待加工兴趣点数据中识别出兴趣点所属的行业类别,包括:
从所述兴趣点图像中识别出兴趣点招牌文字信息;
根据所述兴趣点招牌文字信息,确定出所述兴趣点所属的行业类别。
3.根据权利要求2所述的处理方法,其中所述从所述兴趣点图像中识别出兴趣点招牌文字信息,包括:
通过预设图像文字识别模型,从所述兴趣点图像中识别出兴趣点招牌文字信息。
4.根据权利要求1所述的处理方法,其中所述行业类别与兴趣点新增率评分值的对应关系通过如下步骤设置:
对于属于预定义的不易变类型的每一行业类别,根据预定义规则,设置该行业类别对应的兴趣点新增率;
对于属于预定义的易变类型的每一行业类别,统计该行业类别的兴趣点新增率,该行业类别的兴趣点新增率为该行业类别在第一预设时间段内的兴趣点新增量与该行业类别当前的兴趣点总量的比值;
按照各行业类别对应的兴趣点新增率的大小,对各行业类别进行分类,每一类对应一兴趣点新增率评分值,以得到行业类别与兴趣点新增率评分值的对应关系。
5.根据权利要求1所述的处理方法,其中所述兴趣点数据包括兴趣点图像,所述获取待加工兴趣点数据对应的位置区域的兴趣点情报特征之前,还包括:
根据预先在电子地图中对每个城市区域的网格区域划分情况和所述兴趣点图像对应的拍摄位置坐标,确定该拍摄位置坐标所属的网格区域,该网格区域为所述待加工兴趣点数据对应的位置区域。
6.根据权利要求5所述的处理方法,其中所述兴趣点情报特征包括以下特征之一或任意组合:该位置区域内根据快递信息确定出的POI数量;该位置区域内根据竞品特有情报数据确定的POI数量;该位置区域内根据导航情报数据确定出的POI数量;该位置区域内的模糊的POI数量;该位置区域内的预设点击热度范围内的POI数量。
7.根据权利要求6所述的处理方法,其中所述区域新增率打分模型通过以下步骤训练得到:
构建数据集,所述数据集包括第二预设时间段内所述电子地图中的每个网格区域的POI新增数据;
将所述数据集中的部分数据作为训练样本,另一部分数据作为测试样本;每一训练样本对应一网格区域的POI新增数据,每一测试样本对应一网格区域的POI新增数据;
根据所述训练样本确定所述训练样本所对应的类别标签;
从所述训练样本中获得每个所述网格区域的用于模型训练的兴趣点情报特征,并从所述测试样本中获得每个所述网格区域的用于模型测试的兴趣点情报特征;
对XGBT模型进行模型训练,得到所述区域新增率打分模型,所述区域新增率打分模型的输入为每个网格区域的兴趣点情报特征,输出为每个网格区域的兴趣点新增率评分值。
8.根据权利要求1所述的处理方法,其中所述根据所述第一兴趣点新增率评分值和所述第二兴趣点新增率评分值,确定出所述待加工兴趣点数据对应的价值评分值,包括:
根据所述第一兴趣点新增率评分值、所述第二兴趣点新增率评分值和预设的价值评分值公式:S=α*St+β*Sr,计算得到所述待加工兴趣点数据对应的价值评分值;
其中,S表示价值评分值,St表示所述第一兴趣点新增率评分值,Sr表示所述第二兴趣点新增率评分值,α为预设的第一兴趣点新增率评分值对应的权重系数,β为预设的第二兴趣点新增率评分值对应的权重系数。
9.一种待加工兴趣点数据的处理装置,包括:
类别识别模块,用于从待加工兴趣点数据中识别出兴趣点所属的行业类别;
类别新增率评分模块,用于根据预设的行业类别与兴趣点新增率评分值的对应关系,确定出该待加工兴趣点数据中兴趣点所属的行业类别所对应的第一兴趣点新增率评分值;
情报特征获取模块,用于获取待加工兴趣点数据对应的位置区域的兴趣点情报特征;
区域新增率评分模块,用于将所述位置区域的兴趣点情报特征输入预先训练好的区域新增率打分模型,预测出待加工兴趣点数据对应的位置区域的第二兴趣点新增率评分值;
价值评估模块,用于根据所述第一兴趣点新增率评分值和所述第二兴趣点新增率评分值,确定出所述待加工兴趣点数据对应的价值评分值。
10.根据权利要求9所述的处理装置,其中所述兴趣点数据包括兴趣点图像;所述类别识别模块具体用于从所述兴趣点图像中识别出兴趣点招牌文字信息;根据所述兴趣点招牌文字信息,确定出所述兴趣点所属的行业类别。
11.根据权利要求10所述的处理装置,其中所述类别识别模块具体用于通过预设图像文字识别模型,从所述兴趣点图像中识别出兴趣点招牌文字信息。
12.根据权利要求9所述的处理装置,其中所述兴趣点数据包括兴趣点图像,该装置还包括位置区域确定模块,所述位置区域确定模块用于在所述情报特征获取模块获取待加工兴趣点数据对应的位置区域的兴趣点情报特征之前,根据预先在电子地图中对每个城市区域的网格区域划分情况和所述兴趣点图像对应的拍摄位置坐标,确定该拍摄位置坐标所属的网格区域,该网格区域为所述待加工兴趣点数据对应的位置区域。
13.根据权利要求12所述的处理装置,其中所述兴趣点情报特征包括以下特征之一或任意组合:该位置区域内根据快递信息确定出的POI数量;该位置区域内根据竞品特有情报数据确定的POI数量;该位置区域内根据导航情报数据确定出的POI数量;该位置区域内的模糊的POI数量;该位置区域内的预设点击热度范围内的POI数量。
14.根据权利要求9所述的处理装置,其中所述价值评估模块具体用于根据所述第一兴趣点新增率评分值、所述第二兴趣点新增率评分值和预设的价值评分值公式:S=α*St+β*Sr,计算得到所述待加工兴趣点数据对应的价值评分值;
其中,S表示价值评分值,St表示所述第一兴趣点新增率评分值,Sr表示所述第二兴趣点新增率评分值,α为预设的第一兴趣点新增率评分值对应的权重系数,β为预设的第二兴趣点新增率评分值对应的权重系数。
15.一种电子设备,其包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一项所述的处理方法;
一个或多个I/O接口,连接在所述处理器与存储器之间,配置为实现所述处理器与所述存储器的信息交互。
16.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被执行时实现如权利要求1-8中任一所述的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614555.0A CN111782978B (zh) | 2020-06-30 | 2020-06-30 | 兴趣点数据的处理方法及装置、电子设备、可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614555.0A CN111782978B (zh) | 2020-06-30 | 2020-06-30 | 兴趣点数据的处理方法及装置、电子设备、可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111782978A true CN111782978A (zh) | 2020-10-16 |
CN111782978B CN111782978B (zh) | 2024-05-31 |
Family
ID=72761271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010614555.0A Active CN111782978B (zh) | 2020-06-30 | 2020-06-30 | 兴趣点数据的处理方法及装置、电子设备、可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111782978B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051490A (zh) * | 2021-04-19 | 2021-06-29 | 北京百度网讯科技有限公司 | 新增兴趣点预测模型训练、新增兴趣点预测方法及装置 |
CN113569149A (zh) * | 2021-07-30 | 2021-10-29 | 拉扎斯网络科技(上海)有限公司 | 信息处理方法、装置、电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130046738A1 (en) * | 2011-08-16 | 2013-02-21 | Nokia Corporation | Method, apparatus and computer program product for providing conflicting point of interest information |
CN106323266A (zh) * | 2015-06-15 | 2017-01-11 | 北京四维图新科技股份有限公司 | 一种兴趣点位置信息处理方法及装置 |
CN107679189A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 一种兴趣点更新方法、装置、服务器和介质 |
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 |
CN108875013A (zh) * | 2018-06-19 | 2018-11-23 | 百度在线网络技术(北京)有限公司 | 处理地图数据的方法及装置 |
US20200124433A1 (en) * | 2018-10-20 | 2020-04-23 | Verizon Patent And Licensing Inc. | Methods and Systems for Determining and Assigning a Primary Point-of-Interest Type for a Point-of-Interest |
-
2020
- 2020-06-30 CN CN202010614555.0A patent/CN111782978B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130046738A1 (en) * | 2011-08-16 | 2013-02-21 | Nokia Corporation | Method, apparatus and computer program product for providing conflicting point of interest information |
CN106323266A (zh) * | 2015-06-15 | 2017-01-11 | 北京四维图新科技股份有限公司 | 一种兴趣点位置信息处理方法及装置 |
CN107679189A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 一种兴趣点更新方法、装置、服务器和介质 |
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 |
CN108875013A (zh) * | 2018-06-19 | 2018-11-23 | 百度在线网络技术(北京)有限公司 | 处理地图数据的方法及装置 |
US20200124433A1 (en) * | 2018-10-20 | 2020-04-23 | Verizon Patent And Licensing Inc. | Methods and Systems for Determining and Assigning a Primary Point-of-Interest Type for a Point-of-Interest |
Non-Patent Citations (3)
Title |
---|
VICKY ZILVAN; FAZAT NUR AZIZAH: "Region of Interest Mining Using Stay Point Detection and Point Region Quadtree", IEEE, 6 May 2019 (2019-05-06) * |
林巍凌;: "引入导航网格的室内路径规划算法", 测绘科学, no. 02, 20 February 2016 (2016-02-20) * |
邵长城;陈平华;: "融合社交网络和图像内容的兴趣点推荐", 计算机应用, no. 05, 21 January 2019 (2019-01-21) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051490A (zh) * | 2021-04-19 | 2021-06-29 | 北京百度网讯科技有限公司 | 新增兴趣点预测模型训练、新增兴趣点预测方法及装置 |
CN113569149A (zh) * | 2021-07-30 | 2021-10-29 | 拉扎斯网络科技(上海)有限公司 | 信息处理方法、装置、电子设备 |
CN113569149B (zh) * | 2021-07-30 | 2024-01-19 | 拉扎斯网络科技(上海)有限公司 | 信息处理方法、装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111782978B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073568B (zh) | 关键词提取方法和装置 | |
TWI689871B (zh) | 梯度提升決策樹(gbdt)模型的特徵解釋方法和裝置 | |
CN112214670A (zh) | 一种在线课程推荐方法、装置、电子设备及存储介质 | |
CN110362723A (zh) | 一种题目特征表示方法、装置及存储介质 | |
CN110659311B (zh) | 题目推送方法、装置、电子设备及存储介质 | |
JP2020126613A (ja) | イメージを分析するために、ディープラーニングネットワークに利用するためのトレーニングイメージに対するラベルリング信頼度を自動的に評価するための方法、及びこれを利用した信頼度評価装置 | |
CN113128419B (zh) | 一种障碍物识别方法和装置、电子设备及存储介质 | |
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN111782978B (zh) | 兴趣点数据的处理方法及装置、电子设备、可读介质 | |
CN112818262B (zh) | 基于用户数据的地图poi搜索方法、系统、设备及介质 | |
EP3929800A1 (en) | Skill word evaluation method and device, electronic device, and computer readable medium | |
CN112380421A (zh) | 简历的搜索方法、装置、电子设备及计算机存储介质 | |
CN113505154B (zh) | 一种基于大数据的数字阅读统计分析方法及系统 | |
CN112101313B (zh) | 一种机房机器人巡检方法及系统 | |
CN112329810B (zh) | 一种基于显著性检测的图像识别模型训练方法及装置 | |
CN110209916B (zh) | 一种兴趣点图像推荐方法及装置 | |
CN108846429B (zh) | 基于无监督学习的网络空间资源自动分类方法及装置 | |
CN112149623B (zh) | 一种自适应多传感器信息融合系统、方法及存储介质 | |
CN110990583B (zh) | 一种基于网络嵌入的课程图谱构建方法 | |
CN110069783B (zh) | 一种答题内容评测方法及装置 | |
CN112464101A (zh) | 电子书的排序推荐方法、电子设备及存储介质 | |
CN113569018A (zh) | 问答对挖掘方法及装置 | |
CN112308090A (zh) | 图像分类方法及装置 | |
CN112907004A (zh) | 学习规划方法、装置及计算机存储介质 | |
CN112801178B (zh) | 模型训练方法、装置、设备及计算机可读介质 |
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 |