CN111782979A - 兴趣点的品牌分类方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请公开了兴趣点的品牌分类方法、装置、设备以及存储介质，涉及自然语言处理领域。具体实现方案为：获取兴趣点的名称，采用预先训练得到的兴趣点品牌分类模型，根据兴趣点的名称得到兴趣点的品牌分类信息，品牌分类信息包括至少一个品牌和每个品牌对应的概率，兴趣点品牌分类模型根据基于注意力机制的深度神经网络训练得到，根据品牌分类信息确定兴趣点的品牌。从而，可以节省人力维护成本。

Description

兴趣点的品牌分类方法、装置、设备以及存储介质

技术领域

本申请实施例涉及人工智能技术领域中的自然语言处理技术，尤其涉及一种兴趣点的品牌分类方法、装置、设备以及存储介质。

背景技术

地图是现实世界的缩影，与人们的日常生活息息相关。电子地图是利用计算机技术，以数字方式存储和查阅的地图。兴趣点(point of interest，POI)指的是电子地图中用气泡图标来表示能够引起关注的点，如景点、公司、商场、公交站等，兴趣点一般包括名称、地址、电话、商户描述以及实地照片等基础信息。

兴趣点的品牌分类对于兴趣点检索、兴趣点分类以及兴趣点名称规范化等有着重要作用，例如兴趣点的名称“中国石化加油站((望京新城站)”对应的品牌分类是“中国石化”。

发明内容

本申请提供了一种兴趣点的品牌分类方法、装置、设备以及存储介质。

根据本申请的一方面，提供了一种兴趣点的品牌分类方法，包括：

获取兴趣点的名称；

采用预先训练得到的兴趣点品牌分类模型，根据所述兴趣点的名称得到所述兴趣点的品牌分类信息，所述品牌分类信息包括至少一个品牌和每个品牌对应的概率，所述兴趣点品牌分类模型根据基于注意力机制的深度神经网络训练得到；

根据所述品牌分类信息确定所述兴趣点的品牌。

根据本申请的技术，可以节省人力维护成本，可以提高兴趣点的品牌分类的覆盖率，相应地，兴趣点的品牌分类的准确率也得到一定的提高。

根据本申请的另一方面，提供了一种兴趣点的品牌分类装置，包括：

获取模块，用于获取兴趣点的名称；

处理模块，用于采用预先训练得到的兴趣点品牌分类模型，根据所述兴趣点的名称得到所述兴趣点的品牌分类信息，所述品牌分类信息包括至少一个品牌和每个品牌对应的概率，所述兴趣点品牌分类模型根据基于注意力机制的深度神经网络训练得到；

确定模块，用于根据所述品牌分类信息确定所述兴趣点的品牌。

根据本申请的技术，可以节省人力维护成本，可以提高兴趣点的品牌分类的覆盖率，相应地，兴趣点的品牌分类的准确率也得到一定的提高。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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为本申请的一种应用场景示意图；

图2为本申请提供的兴趣点的品牌分类方法实施例一的流程图；

图3为本申请提供的兴趣点的品牌分类方法实施例二的流程图；

图4为本申请提供的兴趣点的品牌分类方法实施例三的流程图；

图5为本申请提供的兴趣点的品牌分类方法实施例四的流程图；

图6为基于注意力机制的深度神经网络的结构示意图；

图7为本申请提供的兴趣点的品牌分类方法中注意力机制深度神经网络模型训练过程示意图；

图8为本申请提供的一种兴趣点的分类装置的结构示意图；

图9为本申请提供的一种漏洞特征获取装置的结构示意图；

图10为本申请提供的一种漏洞特征获取装置的结构示意图；

图11为可实现本申请实施例的兴趣点的品牌分类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。

本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明，本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或方案不应被解释为比其它实施例或方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

相关技术中，获取兴趣点的品牌分类的过程为：预先存储品牌别名词表，品牌别名词表存储品牌标识、品牌别名、品牌名称和品牌分类的映射关系，在得到兴趣点的名称后，先通过随机场(conditional random field，CRF)模型剔除兴趣点名称中的分店、位置等信息，保留兴趣点核心名称，再将兴趣点核心名称与品牌别名词表中的所有品牌的别名进行匹配，若匹配到对应的别名，则将品牌别名词表中对应的品牌分类作为兴趣点的品牌。可以看出，相关技术中兴趣点的品牌分类的获取主要依赖于品牌别名词表的准确率和覆盖率，而品牌词表的数量级一般需要达到十万级别，其更新(如扩充与纠正)只能通过人工维护，成本较大，为解决这一问题，本申请提供一种兴趣点的品牌分类方法、装置、设备以及存储介质，通过采用预先训练的注意力机制深度神经网络模型得到兴趣点的品牌分类信息，品牌分类信息包括至少一个品牌和每个品牌对应的概率，根据品牌分类信息可以得到兴趣点的品牌，注意力机制深度神经网络模型是根据训练样本通过训练得到，因此可以节省人力维护成本，可以提高兴趣点的品牌分类的覆盖率，相应地，兴趣点的品牌分类的准确率也得到一定的提高。下面结合附图通过具体实施例，对本申请实施例的兴趣点的品牌分类方法的具体实现过程进行详细说明。

1、兴趣点，对于电子地图的数据构成而言，兴趣点是点数据的重要组成部分，理论上任何可以命名的建筑、区域以及特定意义点都可以作为兴趣点数据进行展示，例如一个酒店、一个火车站、一个小区、一个商铺、一个公交站等。

2、兴趣点的品牌，是对兴趣点的品牌进行分类的结果，如兴趣点的名称“中国石化加油站((望京新城站)”对应的品牌分类是“中国石化”。

3、基于注意力机制的深度神经网络，包括位置编码层、注意力机制语义表示层和全连接分类层，位置编码层用于对兴趣点的名称进行预处理，预处理为一个词向量，词向量例如为(10，50，40，……100,97)，例如词向量一共包括50个数，然后对词向量进行位置编码，得到词向量的每一个数字的先后顺序，即得到词向量的每一个数字如“10,、50、40……100,97”的先后顺序。注意力机制语义表示层用于将位置编码后的词向量转换为语义向量。全连接分类层用于将语义向量通过全连接分类层映射到样本兴趣点的品牌分类信息，样本兴趣点的品牌分类信息包括多个品牌和兴趣点分类到每一品牌的概率。

本申请提供一种兴趣点的品牌分类方法、装置、设备以及存储介质，应用于人工智能技术领域中的自然语言处理技术，以实现如何获取兴趣点的品牌。

图1为本申请的一种应用场景示意图，如图1所示，在电子地图中新增一个兴趣点或者原有的兴趣点发生了名称字段的变更时，需要获取兴趣点的品牌，作为兴趣点的一个属性信息。本申请提供的兴趣点的品牌分类装置用于获取兴趣点的名称，兴趣点的品牌分类装置根据兴趣点的名称执行本申请提供的的品牌分类方法，得到兴趣点的品牌，并输出兴趣点的品牌。下面结合附图详细说明兴趣点的分类标签的获取过程。

图2为本申请提供的兴趣点的品牌分类方法实施例一的流程图，本实施例中的执行主体可以为图1所示的兴趣点的品牌分类装置，该兴趣点的品牌分类装置可以为硬件装置或软件模块，如图2所示，本实施例的方法可以包括：

S101、获取兴趣点的名称。

具体来说，对于一个兴趣点而言，兴趣点可以包括名称、地址、电话、商户描述、实地照片等信息，可以是从兴趣点的信息中获取兴趣点的名称。

S102、采用预先训练得到的兴趣点品牌分类模型，根据兴趣点的名称得到兴趣点的品牌分类信息，品牌分类信息包括至少一个品牌和每个品牌对应的概率，兴趣点品牌分类模型根据基于注意力机制的深度神经网络训练得到。

其中，兴趣点品牌分类模型根据基于注意力机制的深度神经网络训练得到，本申请实施例中的兴趣点品牌分类模型即为注意力机制深度神经网络模型，该基于注意力机制的深度神经网络包括位置编码层、注意力机制语义表示层和全连接分类层，位置编码层用于对兴趣点的名称进行预处理，预处理为一个词向量，词向量例如为(10，50，40，……100,97)，例如词向量一共包括50个数，然后对词向量进行位置编码，得到词向量的每一个数字的先后顺序，即得到词向量的每一个数字如“10,、50、40……100,97”的先后顺序。注意力机制语义表示层用于将位置编码后的词向量转换为语义向量。全连接分类层用于将语义向量通过全连接分类层映射到样本兴趣点的品牌分类信息，样本兴趣点的品牌分类信息包括多个品牌和兴趣点分类到每一品牌的概率。

S103、根据品牌分类信息确定兴趣点的品牌。

根据预先训练得到的兴趣点品牌分类模型，可以直接得到兴趣点的品牌分类信息，由于品牌分类信息包括至少一个品牌和每个品牌对应的概率，从品牌分类信息中根据每个品牌对应的概率，就可以确定出兴趣点的品牌，注意力机制深度神经网络模型是根据训练样本通过训练得到，因此可以节省人力维护成本，在训练样本的数量大于或等于十万级别时，可以提高兴趣点的品牌分类的覆盖率，相应地，兴趣点的品牌分类的准确率也得到一定的提高。

本实施例提供的兴趣点的品牌分类方法，通过获取兴趣点的名称后，采用预先训练得到的兴趣点品牌分类模型(即注意力机制深度神经网络模型)，根据兴趣点的名称得到至少一个品牌和每个品牌对应的概率，最后根据每个品牌对应的概率确定出兴趣点的品牌，其中的注意力机制深度神经网络模型是根据训练样本通过训练得到，因此可以节省人力维护成本，可以提高兴趣点的品牌分类的覆盖率，相应地，兴趣点的品牌分类的准确率也得到一定的提高。

图3为本申请提供的兴趣点的品牌分类方法实施例二的流程图，本实施例中的执行主体可以为图1所示的兴趣点的品牌分类装置，该兴趣点的品牌分类装置可以为硬件装置或软件模块，如图3所示，本实施例的方法可以包括：

S201、获取兴趣点的名称。

具体来说，对于一个兴趣点而言，兴趣点可以包括名称、地址、电话、商户描述、实地照片等信息，可以是从兴趣点的信息中获取兴趣点的名称。

S202、将兴趣点的名称作为兴趣点品牌分类模型的输入，得到品牌分类信息，品牌分类信息包括多个品牌和每个品牌对应的概率。

本实施例中，在获取到兴趣点的名称后，直接将兴趣点的名称作为兴趣点品牌分类模型的输入，得到包括多个品牌和每个品牌对应的概率的品牌分类信息。以兴趣点的名称作为兴趣点品牌分类模型的输入，输出即为兴趣点的分类信息，从而，根据预先训练的模型可以快速得到兴趣点的品牌。

S203、将品牌分类信息中概率最大的品牌确定为兴趣点的品牌。

可以理解的是，概率越大，成为兴趣点的品牌的可能性越大，兴趣点的品牌的计算也较为准确。

图4为本申请提供的兴趣点的品牌分类方法实施例三的流程图，本实施例中的执行主体可以为图1所示的兴趣点的品牌分类装置，该兴趣点的品牌分类装置可以为硬件装置或软件模块，本实施例的方法与图3所示实施例的方法的区别在于，本实施例中先根据兴趣点的名称确定出待确认品牌，然后将兴趣点的名称和待确认品牌作为兴趣点品牌分类模型的输入，得到品牌分类信息，如图4所示，本实施例的方法可以包括：

S301、获取兴趣点的名称。

具体来说，对于一个兴趣点而言，兴趣点可以包括名称、地址、电话、商户描述、实地照片等信息，可以是从兴趣点的信息中获取兴趣点的名称。

S302、根据兴趣点的名称确定待确认品牌。

具体来说，可以根据兴趣点的名称确定待确认品牌，待确认品牌即就是兴趣点可能所属的品牌，例如兴趣点的名称为“中国石化加油站((望京新城站)”，兴趣点的名称中包含“中国石化”、“望京新城”这类的可能是品牌的词，可以将“中国石化”、“望京新城”确定为待确认品牌。可以理解的是，待确认品牌可以是一个或多个。

作为一种可实施的方式，根据兴趣点的名称确定待确认品牌，可以是提取兴趣点的名称中的核心名称，将核心名称确定为待确认品牌。例如，兴趣点的名称为“中国石化加油站((望京新城站)”，提取出其中的核心名称为“中国石化”，将该核心名称确定为待确认品牌。通过将核心名称确定为待确认品牌，可以提高待确认品牌为兴趣点的品牌的概率，提高兴趣点的品牌分类的准确率。

S303、将兴趣点的名称和待确认品牌作为兴趣点品牌分类模型的输入，得到品牌分类信息，品牌分类信息包括待确认品牌和待确认品牌对应的概率。

具体来说，例如待确认品牌为“中国石化”和“望京新城”这2个待确认品牌，可以将兴趣点的名称“中国石化加油站((望京新城站)”和上述2个待确认品牌作为兴趣点品牌分类模型的输入，得到的品牌分类信息为上述2个待确认品牌和每个待确认品牌对应的概率。

S304、响应于待确认品牌对应的概率大于预设阈值，将待确认品牌确定为兴趣点的品牌。

在一个实施例中，判断待确认品牌对应的概率是否大于预设阈值，预设阈值例如为0.5，若大于预设阈值，则将其中大于预设阈值的待确认品牌确定为兴趣点的品牌。本实施例在通过兴趣点品牌分类模型计算之前，对兴趣点名称进行预处理，得到可能的待确认品牌，再将兴趣点的名称和待确认品牌作为兴趣点品牌分类模型的输入，得到的是待确认品牌的概率，相比较直接将兴趣点的名称作为兴趣点品牌分类模型的输入，处理效率更高，所需处理时间缩短。

本实施例提供的兴趣点的品牌分类方法，通过获取到兴趣点的名称后，先根据兴趣点的名称确定出待确认品牌，然后将兴趣点的名称和待确认品牌作为兴趣点品牌分类模型的输入，得到待确认品牌的概率，最后根据待确认品牌的概率和预设阈值确定待确认品牌是否是兴趣点的品牌，相比较直接将兴趣点的名称作为兴趣点品牌分类模型的输入，处理效率更高，所需处理时间缩短。

进一步地，图2-图4任一项所示的实施例中，在获取兴趣点的名称之前，还需要训练兴趣点品牌分类模型，以图1所示的实施例为例，下面结合图5进行说明，图5为本申请提供的兴趣点的品牌分类方法实施例四的流程图，如图5所示，本实施例的方法可以包括：

S401、根据训练样本和基于注意力机制的深度神经网络训练兴趣点品牌分类模型，训练样本包括样本兴趣点的名称和样本兴趣点的品牌。

在一个实施例中，训练样本包括样本兴趣点的名称和样本兴趣点的品牌，在根据训练样本和基于注意力机制的深度神经网络训练第一兴趣点分类模型时，可以是对于每一个训练样本，将样本兴趣点的名称作为输入，将样本兴趣点的品牌作为输出，通过基于注意力机制的深度神经网络训练得到的模型即为兴趣点品牌分类模型。

例如，采用训练样本的个数约为1000万，涉及890个品牌和1个非品牌，其中的890个品牌可以使用线上对应品牌分类下的兴趣点，非品牌的样本兴趣点可以是除890个品牌之外的其它品牌分类下的兴趣点，或者是核心名称中包含这890个品牌对应的品牌词的别名，且品牌分类不在这890个品牌中的兴趣点，或者是非品牌的兴趣点。如下表一为一种训练样本的示例：

如表一所示，4个训练样本中，兴趣点名称为“中国石化加油站(望京新城站)”对应的兴趣点的品牌为“中国石化”，其它3个训练样本均为非品牌，即没有所属的品牌。

S402、获取兴趣点的名称。

S403、采用预先训练得到的兴趣点品牌分类模型，根据兴趣点的名称得到兴趣点的品牌分类信息，品牌分类信息包括至少一个品牌和每个品牌对应的概率。

S404、根据品牌分类信息确定兴趣点的品牌。

其中，S402-S404的详细过程描述与图2所示的S101-S103相同，此处不再赘述。

本实施例中，通过根据训练样本和基于注意力机制的深度神经网络训练兴趣点品牌分类模型，便于在获取兴趣点的品牌时，可以直接使用训练得到的注意力机制深度神经网络模型，因此可以节省人力维护成本，在训练样本的数量大于或等于十万级别时，可以提高兴趣点的品牌分类的覆盖率，相应地，兴趣点的品牌分类的准确率也得到一定的提高。

下面结合图6和图7详细说明注意力机制深度神经网络模型的训练过程，图6为基于注意力机制的深度神经网络的结构示意图，如图6所示，基于注意力机制的深度神经网络包括位置编码层、注意力机制语义表示层和全连接分类层，位置编码层包括文字嵌入单元和位置编码单元，注意力机制语义表示层也称为中间层，注意力机制语义表示层为一个循环4次的块(block)，每个块包括4个子网络(sublayers)，每个子网络都跟了一个残差连接和归一化(Add&Norm)网络。4个子网络分别为门控时间卷积网络(Gate Linear Unit，GLU)、分离卷积网络(Separable Convolution)、多头自注意力网络(Multihead Attention)和前馈神经网络(Feed Forward)。

其中，残差连接(Residual Connection)，是为了解决多层神经网络训练困难的问题，通过将前一层的信息无差的传递到下一层，可以有效的仅关注差异部分；归一化(LayerNormalization)，通过归一化加速模型的训练过程，使其更快的收敛。门控时间卷积网络，用门控时间卷积代替递归网络中常用的递归连接来减轻梯度传播。分离卷积网络，即分离卷积用于缩减网络参数，加速收敛。多头自注意力网络，为多个自注意力(Self-Attention)结构的结合，每个head学习到在不同表示空间中的特征，彼此侧重点可能略有不同，这样给了模型更大的容量，可以学习到更多知识。前馈神经网络，即简单的前馈神经网络，这里用前馈神经网络是为了加速模型收敛。全连接分类层包括全连接层和softmax函数。

在一个实施例中，位置编码层用于对兴趣点的名称进行预处理，预处理为一个词向量，然后对词向量进行位置编码，得到词向量的每一个数字的先后顺序。注意力机制语义表示层用于将位置编码后的词向量转换为语义向量。全连接分类层用于将语义向量通过全连接分类层映射到样本兴趣点的品牌分类信息，样本兴趣点的品牌分类信息包括多个品牌和兴趣点分类到每一品牌的概率。

图7为本申请提供的兴趣点的品牌分类方法中注意力机制深度神经网络模型训练过程示意图，如图7所示，本实施的方法可以包括：

S501、对每一个训练样本，将样本兴趣点的名称预处理为一个词向量。

具体来说，训练样本的数量级可以为万、十万、千万等级别。

S502、对词向量进行位置编码，得到词向量的每一个数字的先后顺序。

S503、将位置编码后的词向量通过注意力机制语义表示层转换为语义向量，基于注意力机制的深度神经网络包括注意力机制语义表示层和全连接分类层。

S504、将语义向量通过全连接分类层映射到样本兴趣点的品牌分类信息。

本实施中，通过对于每一个训练样本，先将样本兴趣点的名称预处理为一个词向量，接着对词向量进行位置编码，得到词向量的每一个数字的先后顺序，然后将位置编码后的词向量通过注意力机制语义表示层转换为语义向量，最后将语义向量通过全连接分类层映射到样本兴趣点的品牌分类信息，在所有的训练样本训练完成后，得到注意力机制深度神经网络模型。从而，便于在获取兴趣点的品牌时，可以直接使用训练的注意力机制深度神经网络模型，因此可以节省人力维护成本，可以提高兴趣点的品牌分类的覆盖率，相应地，兴趣点的品牌分类的准确率也得到一定的提高。

图8为本申请提供的一种兴趣点的品牌分类装置的结构示意图，如图8所示，本实施例的兴趣点的分类装置100可以包括：获取模块11、处理模块12和确定模块13，其中，

获取模块11用于获取兴趣点的名称；

处理模块12用于采用预先训练得到的兴趣点品牌分类模型，根据兴趣点的名称得到兴趣点的品牌分类信息，品牌分类信息包括至少一个品牌和每个品牌对应的概率，兴趣点品牌分类模型根据基于注意力机制的深度神经网络训练得到；

确定模块13用于根据品牌分类信息确定兴趣点的品牌。

进一步地，处理模块12用于：

将兴趣点的名称作为兴趣点品牌分类模型的输入，得到品牌分类信息，品牌分类信息包括多个品牌和每个品牌对应的概率

进一步地，确定模块13用于：

将品牌分类信息中概率最大的品牌确定为兴趣点的品牌。

本实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图9为本申请提供的一种兴趣点的品牌分类装置的结构示意图，如图9所示，进一步地，处理模块12包括：确定单元121和处理单元122，其中，

确定单元121用于根据兴趣点的名称确定待确认品牌；

处理单元122用于将兴趣点的名称和待确认品牌作为兴趣点品牌分类模型的输入，得到品牌分类信息，品牌分类信息包括待确认品牌和待确认品牌对应的概率。

进一步地，确定单元121用于：提取兴趣点的名称中的核心名称，将核心名称确定为待确认品牌。

进一步地，确定模块13用于：

响应于待确认品牌对应的概率大于预设阈值，将待确认品牌确定为兴趣点的品牌。

本实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图10为本申请提供的一种兴趣点的品牌分类装置的结构示意图，如图10所示，本实施例的兴趣点的品牌分类装置300在图8或图9所示装置的基础上，以图8为例，进一步地，还可以包括：训练模块14，该训练模块14用于根据训练样本和基于注意力机制的深度神经网络训练兴趣点品牌分类模型，训练样本包括样本兴趣点的名称和样本兴趣点的品牌。

进一步地，训练模块14用于：

对每一个训练样本，将样本兴趣点的名称预处理为一个词向量；

对词向量进行位置编码，得到词向量的每一个数字的先后顺序；

将位置编码后的词向量通过注意力机制语义表示层转换为语义向量，基于注意力机制的深度神经网络包括注意力机制语义表示层和全连接分类层；

将语义向量通过全连接分类层映射到样本兴趣点的品牌分类信息。

本实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

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11所示，图11为可实现本申请实施例的兴趣点的品牌分类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11所示，该电子设备包括：一个或多个处理器1101、存储器1102，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11中以一个处理器1101为例。

存储器1102即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的兴趣点的品牌分类方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的兴趣点的品牌分类方法。

存储器1102作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的兴趣点的品牌分类方法对应的程序指令/模块(例如，附图8所示的获取模块11、处理模块12和确定模块13)。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的兴趣点的品牌分类方法。

存储器1102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可实现兴趣点的品牌分类的电子设备的使用所创建的数据等。此外，存储器1102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1102可选包括相对于处理器1101远程设置的存储器，这些远程存储器可以通过网络连接至可实现兴趣点的品牌分类的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

可实现兴趣点的品牌分类的方法的电子设备还可以包括：输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线或者其他方式连接，图11中以通过总线连接为例。

输入装置1103可接收输入的数字或字符信息，以及产生与可实现兴趣点的品牌分类的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104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。

根据本申请实施例的技术方案，可以节省人力维护成本，在训练样本的数量大于或等于十万级别时，可以提高兴趣点的品牌分类的覆盖率，相应地，兴趣点的品牌分类的准确率也得到一定的提高。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (19)

1.一种兴趣点的品牌分类方法，包括：

获取兴趣点的名称；

采用预先训练得到的兴趣点品牌分类模型，根据所述兴趣点的名称得到所述兴趣点的品牌分类信息，所述品牌分类信息包括至少一个品牌和每个品牌对应的概率，所述兴趣点品牌分类模型根据基于注意力机制的深度神经网络训练得到；

根据所述品牌分类信息确定所述兴趣点的品牌。

2.根据权利要求1所述的方法，其中，所述采用预先训练得到的兴趣点品牌分类模型，根据所述兴趣点的名称得到所述兴趣点的品牌分类信息，包括：

将所述兴趣点的名称作为所述兴趣点品牌分类模型的输入，得到所述品牌分类信息，所述品牌分类信息包括多个品牌和每个品牌对应的概率。

3.根据权利要求2所述的方法，其中，所述根据所述品牌分类信息确定所述兴趣点的品牌，包括：

将所述品牌分类信息中概率最大的品牌确定为所述兴趣点的品牌。

4.根据权利要求1所述的方法，其中，所述采用预先训练得到的兴趣点品牌分类模型，根据所述兴趣点的名称得到所述兴趣点的品牌分类信息，包括：

根据所述兴趣点的名称确定待确认品牌；

将所述兴趣点的名称和所述待确认品牌作为所述兴趣点品牌分类模型的输入，得到所述品牌分类信息，所述品牌分类信息包括所述待确认品牌和所述待确认品牌对应的概率。

5.根据权利要求4所述的方法，其中，所述根据所述兴趣点的名称确定待确认品牌，包括：

提取所述兴趣点的名称中的核心名称，将所述核心名称确定为所述待确认品牌。

6.根据权利要求4所述的方法，其中，所述根据所述品牌分类信息确定所述兴趣点的品牌，包括：

响应于所述待确认品牌对应的概率大于预设阈值，将所述待确认品牌确定为所述兴趣点的品牌。

7.根据权利要求1-6任一项所述的方法，所述方法还包括：

根据训练样本和所述基于注意力机制的深度神经网络训练所述兴趣点品牌分类模型，所述训练样本包括样本兴趣点的名称和所述样本兴趣点的品牌。

8.根据权利要求7所述的方法，其中，所述根据训练样本和所述基于注意力机制的深度神经网络训练所述兴趣点品牌分类模型，包括：

对每一个训练样本，将所述样本兴趣点的名称预处理为一个词向量；

对所述词向量进行位置编码，得到所述词向量的每一个数字的先后顺序；

将位置编码后的词向量通过注意力机制语义表示层转换为语义向量，所述基于注意力机制的深度神经网络包括所述注意力机制语义表示层和全连接分类层；

将所述语义向量通过所述全连接分类层映射到所述样本兴趣点的品牌分类信息。

9.一种兴趣点的品牌分类装置，包括：

获取模块，用于获取兴趣点的名称；

处理模块，用于采用预先训练得到的兴趣点品牌分类模型，根据所述兴趣点的名称得到所述兴趣点的品牌分类信息，所述品牌分类信息包括至少一个品牌和每个品牌对应的概率，所述兴趣点品牌分类模型根据基于注意力机制的深度神经网络训练得到；

确定模块，用于根据所述品牌分类信息确定所述兴趣点的品牌。

10.根据权利要求9所述的装置，其中，所述处理模块用于：

将所述兴趣点的名称作为所述兴趣点品牌分类模型的输入，得到所述品牌分类信息，所述品牌分类信息包括多个品牌和每个品牌对应的概率。

11.根据权利要求10所述的装置，其中，所述确定模块用于：

将所述品牌分类信息中概率最大的品牌确定为所述兴趣点的品牌。

12.根据权利要求9所述的装置，其中，所述处理模块包括：

确定单元，用于根据所述兴趣点的名称确定待确认品牌；

处理单元，用于将所述兴趣点的名称和所述待确认品牌作为所述兴趣点品牌分类模型的输入，得到所述品牌分类信息，所述品牌分类信息包括所述待确认品牌和所述待确认品牌对应的概率。

13.根据权利要求12所述的装置，其中，所述确定单元用于：

提取所述兴趣点的名称中的核心名称，将所述核心名称确定为所述待确认品牌。

14.根据权利要求12所述的装置，其中，所述确定模块用于：

响应于所述待确认品牌对应的概率大于预设阈值，将所述待确认品牌确定为所述兴趣点的品牌。

15.根据权利要求9-14任一项所述的装置，还包括：

训练模块，用于根据训练样本和所述基于注意力机制的深度神经网络训练所述兴趣点品牌分类模型，所述训练样本包括样本兴趣点的名称和所述样本兴趣点的品牌。

16.根据权利要求15所述的装置，其中，所述训练模块用于：

对每一个训练样本，将所述样本兴趣点的名称预处理为一个词向量；

对所述词向量进行位置编码，得到所述词向量的每一个数字的先后顺序；

将位置编码后的词向量通过注意力机制语义表示层转换为语义向量，所述基于注意力机制的深度神经网络包括所述注意力机制语义表示层和全连接分类层；

将所述语义向量通过所述全连接分类层映射到所述样本兴趣点的品牌分类信息。

17.一种电子设备，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1-8中任一项所述的方法。

18.一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1-8中任一项所述的方法。

19.一种兴趣点的品牌分类方法，包括：

获取到兴趣点的名称后，采用预先训练得到的兴趣点品牌分类模型，根据所述兴趣点的名称得到所述兴趣点的品牌分类信息，所述品牌分类信息包括至少一个品牌和每个品牌对应的概率，所述兴趣点品牌分类模型根据基于注意力机制的深度神经网络训练得到；

根据所述品牌分类信息确定所述兴趣点的品牌。

Images