CN111831935B - 一种兴趣点排序方法、装置、电子设备及存储介质 - Google Patents
一种兴趣点排序方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111831935B CN111831935B CN201910879007.8A CN201910879007A CN111831935B CN 111831935 B CN111831935 B CN 111831935B CN 201910879007 A CN201910879007 A CN 201910879007A CN 111831935 B CN111831935 B CN 111831935B
- Authority
- CN
- China
- Prior art keywords
- candidate
- interest
- point
- interest point
- candidate interest
- 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 69
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 12
- 230000006854 communication Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
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
- G06F16/9538—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种兴趣点排序方法、装置、电子设备及存储介质,涉及排序学习技术领域。方法包括:接收查询请求,根据查询请求获取对应的初始序列,其中初始序列包括查询请求对应的多个候选兴趣点;获取每一候选兴趣点在预设时间段内的点击次数和有效展示次数,并根据点击次数和有效展示次数计算对应候选兴趣点的探索值;从初始序列中获取探索值最大的候选兴趣点,并将所述探索值最大的候选兴趣点调整至所述初始序列的预设位置获得目标序列。装置用于实施上述方法。本申请实施例通过计算每一个候选兴趣点的探索值,并将探索值最大的候选兴趣点调整到初始序列的预设位置,从而能够使得具有潜在价值的候选兴趣点被有效展示。
Description
技术领域
本申请涉及排序学习技术领域,具体而言,涉及一种兴趣点排序方法、装置、电子设备及存储介质。
背景技术
排序学习(Learning To Rank,LTR)主要用于信息检索领域,综合考虑多个排序特征,来对搜索结果进行排序。
目前,大多是基于贪婪思想对搜索结果进行排序,这样将会导致一些高点击率的兴趣点(Point of Interest,POI)始终都排在前面。但是,有些POI排在后面并不是因为其不是用户的最优选择,而是由于排序导致的位置偏见(position bias),即由于排在后面没有被用户看到,使得用户只能选择排在前面的POI,从而导致那些具有潜在价值的POI没有被有效展示。
发明内容
有鉴于此,本申请实施例的目的在于提供一种兴趣点排序方法、装置、电子设备及存储介质,能够通过计算每个候选兴趣点的探索值,并将探索值最大的候选兴趣点调整至初始序列的预设位置,解决现有技术中存在的具有潜在价值的候选兴趣点没有被有效展示的问题。
根据本申请的一个方面,提供一种电子设备,可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行所述机器可读指令,以执行一个或多个以下操作:
接收查询请求,根据所述查询请求获取对应的初始序列,其中所述初始序列包括所述查询请求对应的多个候选兴趣点;
获取每一候选兴趣点在预设时间段内的点击次数和有效展示次数,并根据所述点击次数和所述有效展示次数计算对应候选兴趣点的探索值;其中,所述有效展示次数为预设时间段内所述候选兴趣点被点击的次数与所述候选兴趣点排在被点击的候选兴趣点之前的次数之和;
从所述初始序列中获取探索值最大的候选兴趣点,并将所述探索值最大的候选兴趣点调整至所述初始序列的预设位置,获得目标序列。
本申请实施例通过计算每一个候选兴趣点的探索值,并将探索值最大的候选兴趣点调整到初始序列的预设位置,从而能够使得具有潜在价值的候选兴趣点被有效展示。
在一些实施例中,在获得目标序列之后,所述方法还包括:将所述目标序列返回至终端,以使用户从所述目标序列中选择目标兴趣点。本申请实施例通过将目标序列返回至终端,使得用户能够得到最优选择。
在一些实施例中,所述方法还包括:接收所述用户在所述目标序列中选择的目标兴趣点;获取所述目标兴趣点对应的特征;根据所述目标兴趣点和所述特征对预设排序模型进行优化。本申请实施例通过接收服务请求方的反馈,然后根据反馈对预设排序模型进行优化,从而能够获得最后的排序策略。
在一些实施例中,所述根据所述点击次数和所述有效展示次数计算对应候选兴趣点的探索值,包括:根据公式计算获得对应的候选兴趣点的探索值;其中,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数,C(pi)为候选兴趣点pi在预设时间段内的点击次数,N(pi)为候选兴趣点pi在预设时间段内的有效展示次数。本申请实施例通过统计在预设时间段内候选兴趣点的点击次数和有效展示次数,根据点击次数和有效展示次数获得候选兴趣点的点击率,根据有效展示次数表征该候选兴趣点的不确定性,因此,根据点击率和不确定性获得候选兴趣点的探索值能够较为客观的反映候选兴趣点的潜在价值。
在一些实施例中,所述从所述初始序列中获取探索值最大的候选兴趣点,包括:根据公式P1'=argmaxiQ(pi)计算获得探索值最大的候选兴趣点;其中,P1'为探索值最大的兴趣点,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数。本申请实施例将探索值最大的候选兴趣点调整到初始序列的预设位置,一方面为具有潜在价值的候选兴趣点提供了展示机会,另一方面不会对初始序列造成较大的变动。
在一些实施例中,所述根据所述查询请求获取对应的初始序列,包括:根据所述查询请求获取对应的多个候选兴趣点;利用预设排序模型计算每一候选兴趣点的分值,并根据所有候选兴趣点的分值进行排序,获得所述初始序列。本申请实施例通过利用预设排序模型计算每个候选兴趣点的分值,并根据分值进行排序,从而使得获得的初始序列能够满足服务请求方的基本需求。
在一些实施例中,所述预设排序模型通过以下方式获得:
获取多个样本数据,每一所述样本数据包括训练查询请求、训练兴趣点的标签,以及所述训练兴趣点的特征;其中,所述训练兴趣点的特征包括所述训练兴趣点对应的点击次数、所述训练查询请求中的查询语句与所述训练兴趣点的文本相似度、所述训练查询请求对应终端的当前位置与所述训练兴趣点的距离;根据所述训练兴趣点对应的点击次数、所述文本相似度和所述距离进行模型训练,获得所述预设排序模型。本申请实施例通过训练兴趣点对应的点击次数、文本相似度和距离进行模型训练,由于点击次数、文本相似度和距离是具备较大影响力的因素,因此,获得的预设排序模型能够满足服务请求方的基本需求。
在一些实施例中,所述查询请求包括预设位置信息和第一用户信息;所述获取每一候选兴趣点在预设时间段内的点击次数和有效展示次数,包括:获取预设时间段内的多个服务请求,每一所述服务请求包括第二位置信息和第二用户信息;根据所述第二位置信息和所述第二用户信息对所述多个服务请求进行分类,获得多个类别信息;根据所述预设位置信息和所述第一用户信息确定目标类别信息;获取每一候选兴趣点在所述目标类别信息中对应的点击次数和有效展示次数。本申请实施例在获取候选兴趣点的点击次数和有效展示次数时,先根据第二位置信息和第二用户信息将服务请求进行分类,然后再进行统计,避免因统计太笼统而使得获得的点击次数和有效展示次数不准确。
另一方面,本申请实施例提供一种兴趣点排序装置,包括:
初始序列获取模块,用于接收查询请求,根据所述查询请求获取对应的初始序列,其中所述初始序列包括所述查询请求对应的多个候选兴趣点;
探索值计算模块,用于获取每一候选兴趣点在预设时间段内的点击次数和有效展示次数,并根据所述点击次数和所述有效展示次数计算对应候选兴趣点的探索值;其中,所述有效展示次数为预设时间段内所述候选兴趣点被点击的次数与所述候选兴趣点排在被点击的候选兴趣点之前的次数之和;
序列调整模块,用于从所述初始序列中获取探索值最大的候选兴趣点,并将所述探索值最大的候选兴趣点调整至所述初始序列的预设位置,获得目标序列。
在一些实施例中,所述装置还包括:
返回模块,用于将所述目标序列返回至终端,以使用户从所述目标序列中选择目标兴趣点。
在一些实施例中,所述装置还包括:
接收模块,用于接收所述用户在所述目标序列中选择的目标兴趣点;
获取模块,用于获取所述目标兴趣点对应的特征;
模型优化模块,用于根据所述目标兴趣点和所述特征对预设排序模型进行优化。
在一些实施例中,所述探索值计算模块,具体用于:
根据公式计算获得对应的候选兴趣点的探索值;
其中,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数,C(pi)为候选兴趣点pi在预设时间段内的点击次数,N(pi)为候选兴趣点pi在预设时间段内的有效展示次数。
在一些实施例中,所述序列调整模块,具体用于:
根据公式P1'=argmaxiQ(pi)计算获得探索值最大的候选兴趣点;
其中,P1'为探索值最大的兴趣点,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数。
在一些实施例中,所述初始序列获取模块,具体用于:
根据所述查询请求获取对应的多个候选兴趣点;
利用预设排序模型计算每一候选兴趣点的分值,并根据所有候选兴趣点的分值进行排序,获得所述初始序列。
在一些实施例中,所述预设排序模型通过以下方式获得:
获取多个样本数据,每一所述样本数据包括训练查询请求、训练兴趣点的标签,以及所述训练兴趣点的特征;其中,所述训练兴趣点的特征包括所述训练兴趣点对应的点击次数、所述训练查询请求中的查询语句与所述训练兴趣点的文本相似度、所述训练查询请求对应终端的当前位置与所述训练兴趣点的距离;
根据所述训练兴趣点对应的点击次数、所述文本相似度和所述距离进行模型训练,获得所述预设排序模型。
在一些实施例中,所述查询请求包括预设位置信息和第一用户信息;所述探索值计算模块,具体用于:
获取预设时间段内的多个服务请求,每一所述服务请求包括第二位置信息和第二用户信息;
根据所述第二位置信息和所述第二用户信息对所述多个服务请求进行分类,获得多个类别信息;
根据所述预设位置信息和所述第一用户信息确定目标类别信息;
获取每一候选兴趣点在所述目标类别信息中对应的点击次数和有效展示次数。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的兴趣点排序系统的框图;
图2为本申请实施例提供的电子设备结构示意图;
图3为本申请实施例提供的一种兴趣点排序方法流程示意图;
图4为本申请实施例提供的一种评分过程示意图;
图5为本申请实施例提供的获取点击次数和有效展示次数的流程示意图;
图6为本申请实施例提供的一种服务器与终端之间通信的信令交互图;
图7为本申请实施例提供的一种兴趣点排序装置结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“服务请求方通过网约车应用程序打车,在服务请求终端输入始发地或目的地的查询语句,服务器为其返回候选兴趣点列表”,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。应该理解,这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型。例如,本申请可以应用于不同的运输系统环境,包括陆地,海洋,或航空等,或其任意组合。运输系统的交通工具可以包括出租车、私家车、顺风车、公共汽车、等,或其任意组合。本申请还可以包括用于其他场景的服务系统,例如,用于发送和/或接收快递的系统、用于买卖双方交易的服务系统、用于在网上定外卖的服务系统。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等,或其任意组合。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如,用户可以是乘客、驾驶员、操作员等,或其任意组合。在本申请中,“乘客”和“乘客终端”可以互换使用,“驾驶员”和“驾驶员终端”可以互换使用。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS),罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等,或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
值得注意的是,在本申请提出申请之前,服务器在对多个候选兴趣点进行排序时,利用现有的排序学习模型进行排序,由于现有的排序学习模型是基于贪婪的思想,而用户的习惯大多会选择排在前面的兴趣点,这将导致排在前面的兴趣点始终排在前面。但是排在后面的兴趣点不一定不是最佳选择,而是由于没有排在前面被服务请求方看到,因此,导致来了具有潜在价值的兴趣点没有展示机会。然而,本申请提供的计算每个候选兴趣点的探索值,然后在初始排序的基础上,将探索值最大的候选兴趣点调整至初始排序的预设位置,可以给具有潜在价值的候选兴趣点展示的机会。
图1为本申请一些实施例的兴趣点排序系统的框图。例如,兴趣点排序系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。兴趣点排序系统100可以包括排序装置110、网络120、服务请求方终端130、服务提供方终端140和数据库150中的一种或多种,排序装置110中可以包括执行指令操作的处理器。
在一些实施例中,排序装置110可以是单个服务器,也可以是服务器组。在一些实施例中,排序装置110相对于终端,可以是本地的、也可以是远程的。例如,排序装置110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140或数据库150或其任意组合中的信息和/或数据。作为另一示例,排序装置110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中至少一个,以访问存储的信息和/或数据。
在一些实施例中,排序装置110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以接收查询请求,根据所述查询请求获取对应的初始序列,其中所述初始序列包括所述查询请求对应的多个候选兴趣点;获取每一候选兴趣点在预设时间段内的点击次数和有效展示次数,并根据所述点击次数和所述有效展示次数计算对应候选兴趣点的探索值;其中,所述有效展示次数为预设时间段内所述候选兴趣点被点击的次数与所述候选兴趣点排在被点击的候选兴趣点之前的次数之和;从所述初始序列中获取探索值最大的候选兴趣点,并将所述探索值最大的候选兴趣点调整至所述初始序列的预设位置,获得目标序列。
网络120可以用于信息和/或数据的交换。在一些实施例中,兴趣点排序系统100中的一个或多个组件(例如,排序装置110,服务请求方终端130,服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。例如,排序装置110可以经由网络120从服务请求方终端130获取服务请求。
在一些实施例中,服务提供方终端140可以是与服务请求方终端130类似或相同的设备。在一些实施例中,服务提供方终端140可以是具有定位技术的设备,用于定位服务提供方和/或服务提供方终端的位置。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中,数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。
图2为本申请实施例提供的电子设备结构示意图。电子设备200可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的兴趣点排序方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240,例如,磁盘、只读存储器镜像(Read Only Memory image,ROM)、或随机存取存储器(random access memory,RAM),或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口250。
为了便于说明,在电子设备200中仅描述了一个处理器。然而,应当注意,本申请中的电子设备200还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备200的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
图3为本申请实施例提供的一种兴趣点排序方法流程示意图,如图3所示,该方法包括:
步骤301:接收查询请求,根据所述查询请求获取对应的初始序列,其中所述初始序列包括所述查询请求对应的多个候选兴趣点。
示例性地,服务器接收查询请求,该查询请求可以是用户通过终端发送的。例如:乘客欲呼叫网约车,其可以通过下载有网约车应用程序的终端,在打开网约车应用程序之后,需要设置上车点和下车点,其中,上车点可以是终端自带的定位装置定位获得,若终端无法自动定位也可以通过乘客输入上车点。当乘客选择上车点或下车点时,可以在搜索框中输入对应的地点名称,可以理解的是,乘客在输入地点名称时一般比较简单,并不会将详细的地址给出,例如,乘客输入“中关村”,但是其目的地可能是“中关村地铁站A口”。终端在接收到用户输入的查询语句后,将查询语句生成查询请求,并将该查询请求发送至服务器,服务器在接收到查询请求之后,根据查询请求获取对应的多个候选兴趣点经过排序后的初始序列。可以理解的是,初始序列可以是通过预先构建的初始排序模型排序后获得的。
步骤302:获取每一候选兴趣点在预设时间段内的点击次数和有效展示次数,并根据所述点击次数和所述有效展示次数计算对应候选兴趣点的探索值;其中,所述有效展示次数为预设时间段内所述候选兴趣点被点击的次数与所述候选兴趣点排在被点击的候选兴趣点之前的次数之和。
示例性地,在获取到查询请求对应的多个候选兴趣点之后,计算每一候选兴趣点对应的探索值,其中,探索值的计算方法如下:获取候选兴趣点在预设时间段内的点击次数和有效展示次数。应当说明的是,预设时间段可以是最近一周,也可以是最近一个月,还可以根据实际情况进行调整,本申请实施例对此不作具体限定。点击次数是对于该查询请求来说,向终端返回对应的候选兴趣点之后,该候选兴趣点被用户选择点击的次数。有效展示次数也是对于该查询请求来说的,向终端返回对应的由多个候选兴趣点排成的序列之后,用户点击了该候选兴趣点,以及该候选兴趣点排在被用户点击的候选兴趣点之前的次数。例如:有多个候选兴趣点排成的序列为“A、B、C、D、E、F和G”,若候选兴趣点E被点击,则“A、B、C、D和E”这五个候选兴趣点的有效展示次数在统计时均加1次,而排在E后面的“F和G”则不是被有效展示。根据候选兴趣点对应的点击次数和有效展示次数计算该候选兴趣点的探索值。可以理解的是,探索值用来衡量对应的候选兴趣点是否具备潜在价值的量,探索值越大则说明对应的候选兴趣点越有潜在价值。候选兴趣点对应的潜在价值是指,在返回至终端的序列中,被用户选中作为目标兴趣点的可能性。
步骤303:从所述初始序列中获取探索值最大的候选兴趣点,并将所述探索值最大的候选兴趣点调整至所述初始序列的预设位置,获得目标序列。
示例性地,在计算获得每一个候选兴趣点对应的探索值之后,从初始序列中获取探索值最大的候选兴趣点,该探索值最大的候选兴趣点被认为是有较大可能被用户选择的,此时,将探索值最大的候选兴趣点调整到初始序列的预设位置,获得目标序列。其中,预设位置可以是初始序列的第一位,若将探索值最大的候选兴趣点放在第一位,则在调整之前,排在探索值最大的候选兴趣点之前的候选兴趣点依次往后移一位。例如:对于初始序列为“A、B、C、D、E、F和G”中,若候选兴趣点F的探索值最大,则调整后获得的目标序列为“F、A、B、C、D、E和G”,因此可以看出,原来A排在第一位,现在变成了排在第二位,B原来排在第二位,现在排在了第三位。
本申请实施例通过计算每一个候选兴趣点的探索值,并将探索值最大的候选兴趣点调整到初始序列的预设位置,从而能够使得具有潜在价值的候选兴趣点被有效展示。
在上述实施例的基础上,在获得目标序列之后,所述方法还包括:
将所述目标序列返回至终端,以使用户从所述目标序列中选择目标兴趣点。
示例性地,查询请求中还可以包括用户标识,例如可以是用户的手机号或者注册时生成的账号,在服务器获得到目标序列之后,将该目标序列返回至用户标识对应的终端,终端在接收到目标序列后,从目标序列中选择对应的目标兴趣点。本申请实施例通过将目标序列返回至服务请求终端,使得服务请求方能够得到最优选择。
在上述实施例的基础上,所述方法还包括:
接收所述用户在所述目标序列中选择的目标兴趣点;
获取所述目标兴趣点对应的特征;
根据所述目标兴趣点和所述特征对预设排序模型进行优化。
示例性地,用户所使用的终端在接收到服务器返回的目标序列之后,可以从目标序列中选择并点击目标兴趣点,当用户点击了目标兴趣点之后,终端将用户选择的目标兴趣点发送至服务器,服务器在接收到该目标兴趣点后,获取该目标兴趣点对应的特征。其中,目标兴趣点的特征可以包括文本相关度、点击率和距离分数。所谓文本相关度是指目标兴趣点对应的文本信息与查询请求中的查询语句的相似度。即可以预先设定文本相关度算法来计算两个文本之间的相关度,例如:可以计算目标兴趣点的文本信息与查询语句的编辑距离,根据编辑距离确定文本相关度。另外,还可以比对目标兴趣点的文本信息与查询语句相同字的个数等。点击率是指在预设时间段内,该查询请求对应的目标兴趣点被点击的次数和被展示次数的比值。其中,预设时间段可以是最近一周、最近一月或根据实际情况设定,本申请实施例对此不做具体限定。并且,被展示次数是指服务器根据查询请求获取到对应的多个候选兴趣点,并将多个候选兴趣点进行排序后返回至终端,此时,统计多个候选兴趣点均被展示了一次。距离分数是指目标兴趣点与查询请求对应的终端所在位置之间的距离,可以将距离的大小用分数表示,例如,可以根据距离的大小等比例确定距离分数,距离越大,距离分数越大;或者,距离越大,距离分数越小。终端所在位置是指终端通过自带的定位功能定位获得的当前所在位置或者通过用户输入的当前所在位置。
在对原始排序模型进行优化时,原始排序模型中可以包括每个特征对应的权重,因此,可以利用目标兴趣点,以及对应的特征对原始排序模型中的各个特征对应的权重进行优化。若原始排序模型为神经网络模型,则可以优化神经网络中的各层之间的参数,因此,具体优化的参数根据原始排序模型的构成确定,本申请实施例对此不做具体限定。
本申请实施例通过接收用户的反馈,然后根据反馈对预设排序模型进行优化,从而能够获得最后的排序策略。
在上述实施例的基础上,在根据点击次数和有效展示次数计算对应候选兴趣点的探索值时,可以根据公式计算获得对应的候选兴趣点的探索值;
其中,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数,C(pi)为候选兴趣点pi在预设时间段内的点击次数,N(pi)为候选兴趣点pi在预设时间段内的有效展示次数。应当说明的是,点击次数和有效展示次数均是基于上述查询请求而言的,即统计在预设时间段内,针对上述查询请求返回的目标序列中,候选兴趣点被点击的次数和有效展示次数。
另外,在计算获得每一候选兴趣点对应的探索值之后,可以根据公式P1'=argmaxiQ(pi)计算获得探索值最大的候选兴趣点;
其中,P1'为探索值最大的兴趣点,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数。
本申请实施例通过统计在预设时间段内候选兴趣点的点击次数和有效展示次数,根据点击次数和有效展示次数获得候选兴趣点的点击率,根据有效展示次数表征该候选兴趣点的不确定性,因此,根据点击率和不确定性获得候选兴趣点的探索值能够较为客观的反映候选兴趣点的潜在价值。
在上述实施例的基础上,所述根据所述查询请求获取对应的初始序列,包括:
根据所述查询请求获取对应的多个候选兴趣点;
利用预设排序模型计算每一候选兴趣点的分值,并根据所有候选兴趣点的分值进行排序,获得所述初始序列。
示例性地,服务器在接收到查询请求之后,根据查询请求获取对应的多个候选兴趣点。其中,获取多个候选兴趣点的过程可以为:
在接收到查询请求之后,从查询请求中获取用户输入的查询语句,并对查询语句进行分词处理,获得一个或多个分词。分词的方法有多种,可以是基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法等,也可以采用专有的分词工具进行分词,本申请实施例对分词的方法不作具体限定。例如查询语句为“北京中关村”,则经过分词之后可以获得“北京”和“中关村”,对于查询语句本身是一个词的情况,经过分词后还是原来的词,不会再次被拆分。例如:查询语句为“中关村”,那么分词后还是“中关村”。
在得到分词之后,可以将每个分词与数据库中的兴趣点进行匹配,获得对应的匹配率,例如:可以计算每个分词与每个兴趣点的词频-逆向文件频率(term frequency–inverse document frequency,TF-IDF),获得每个分词与每个兴趣点的TF-IDF值。
可选的,数据库中的兴趣点包括兴趣点名称,还可以包括兴趣点标签,该兴趣点标签可以是人工预先标注的,在计算TF-IDF值之前,可以从数据库中获取兴趣点名称或兴趣点标签中包括至少一个分词的兴趣点,将这些兴趣点称为初始兴趣点。然后再计算查询语句中每个分词与各初始兴趣点的TF-IDF值。
在获得到每个分词与各初始兴趣点的TF-IDF值之后,可以将每个分词对应的TF-IDF值相乘获得的值作为查询语句与对应初始兴趣点的匹配率。例如,“北京”与某个初始兴趣点的TF-IDF值为0.2,“中关村”与该初始兴趣点的TF-IDF值为0.3,那么,查询语句与该初始兴趣点的匹配率为0.06。将匹配率大于预设值的初始兴趣点作为候选兴趣点,该预设值可以是0.5。
在获取到多个候选兴趣点之后,利用预设排序模型计算每一候选兴趣点对应的分值,其中,预设排序模型可以是排序学习(Learning to Rank,LTR)模型,为构建排序模型的机器学习方法。在获得每一候选兴趣点对应的分值之后,可以进行降序排序,也可以进行升序排序,具体的排序方式可以根据实际情况确定,排序后获得初始序列。
其中,预设排序模型是预先训练获得的,其训练过程如下:
其中,LTR学习方法分为单文档方法、文档对方法和文档列表方法。本实施例中,以文档列表方法为例进行说明,该方法是将历史查询请求对应的所有搜索结果列表作为一个训练样例,根据训练样例训练得到最优评分函数,对应新的查询,评分函数对每个文档进行打分。
其中,LTR模型的评分函数的获取可以基于检索结果排列组合的概率分布情况来训练获得,图4为本申请实施例提供的一种评分过程示意图,如图4所示,对应查询语句Q,假设返回的多个兴趣点为A、B、C三个兴趣点,这三个兴趣点可以产生6种排列方式,对应评分函数f,对三个兴趣点分别与查询语句进行相关度打分,得到f(A)、f(B)、f(C),根据这三个值可以计算6种排列组合情况各自的概率值。
如图4所示,假设评分函数g是由人工标记得到的标准答案对应的评分函数,而训练过程是试图找到一个评分函数f,使得f产生的打分和人工的打分尽可能相同。假设存在两个其他评分函数h和f,它们的计算方法已知,对应的检索排列组合概率分布如图4所示,可知,f比h更接近于虚拟的最优函数g,所以,训练过程就是在尽可能的函数中寻找最接近虚拟函数g的那个函数f,排序预测时用该评分函数f进行打分。
训练过程中,可以在海量的历史查询请求中随机抽取一部分,可以对这些历史查询请求进行语义标注,然后进行人工标注判断,即对每个返回的结果打出与用户输入的查询语句相关度的一个分段,如0,1,2,3,其中,3是最相关,0是完全无关。
所以,对LTR模型的训练过程包括:获取多个样本数据,每一所述样本数据包括训练查询请求、训练兴趣点的标签,以及所述训练兴趣点的特征;其中,所述训练兴趣点的特征包括所述训练兴趣点对应的点击次数、所述训练查询请求中的查询语句与所述训练兴趣点的文本相似度、所述训练查询请求对应终端的当前位置与所述训练兴趣点的距离;根据所述训练兴趣点对应的点击次数、所述文本相似度和所述距离进行模型训练,获得所述预设排序模型。
可以理解地,训练过程如上所述,当评分函数f最接近于最优函数g时,表示评分函数满足训练完成要求,则训练完成。由此,在使用时,可直接使用训练过程获得的评分函数对每个候选兴趣点与查询语句之间的相关度进行打分,获得每个候选兴趣点对应的得分,即得分代表了兴趣点与查询语句之间的相关度。
本申请实施例通过利用预设排序模型计算每个候选兴趣点的分值,并根据分值进行排序,从而使得获得的初始序列能够满足服务请求方的基本需求。
在上述实施例的基础上,所述查询请求包括预设位置信息和第一用户信息;所述获取每一候选兴趣点在预设时间段内的点击次数和有效展示次数的具体步骤可以参见图5,图5为本申请实施例提供的获取点击次数和有效展示次数的流程示意图,具体包括:
步骤501:获取预设时间段内的多个服务请求,每一所述服务请求包括第二位置信息和第二用户信息。
示例性地,获取预设时间段内的多个服务请求,其中,预设时间段可以是过去最近一周,也可以是一个月,还可以根据实际情况设定,本申请实施例对此不做具体限定。以网约车为例:由于网约车业务涉及全国各地,因此在服务器中存储的历史服务请求数据也很多,并且每一服务请求中包括第二位置信息和第二用户信息,第二位置信息用于标识对应的服务请求所在地情况,第二用户信息用于标识发起服务请求的用户的信息。
步骤502:根据所述第二位置信息和所述第二用户信息对所述多个服务请求进行分类,获得多个类别信息。
示例性地,根据第二位置信息和第二用户信息对多个服务请求进行分类,例如:可以将属于同一个城市且第二用户信息中的年龄为同一年龄段的分为一类,或者将属于同一个城市,且第二用户信息中的性别为同一性别的服务请求分为一类。还可以根据实际情况进行类别的划分,本申请实施例对此不作具体限定。
步骤503:根据所述预设位置信息和所述第一用户信息确定目标类别信息。
示例性地,查询请求中包括预设位置信息和第一用户信息,其中预设位置信息是指终端定位的位置信息或者是用户设定的位置信息,例如:当用户打开网约车应用程序时,应用程序会自动定位用户当前所在城市。第一用户信息为用户在注册时或注册后填写的相关信息,可以包括用户姓名、年龄、性别、手机号码、邮箱等信息。例如:用户当前所在城市为成都,年龄为90后,因此,可以根据预设位置信息和第一服务请求信息确定目标类别信息为:成都-90后对应的类别。
步骤504:获取每一候选兴趣点在所述目标类别信息中对应的点击次数和有效展示次数。
示例性地,在获取每一候选兴趣点对应的点击次数和有效展示次数时,是基于目标类别信息中的。例如:若用户搜索“麦当劳”,则获取在成都-90后的类别中获取查询请求中查询语句为“麦当劳”对应的每一个候选兴趣点分别对应的点击次数和有效展示次数。
另外,在进行分类时,还可以将每个用户在同一个城市的服务请求分为一类,即,某个用户在成都产生的服务请求为一类,该用户在北京产生的服务请求为一类,当统计候选兴趣点的点击次数和有效展示次数时,若该查询请求中的预设位置信息为成都,则优先获取该用户在预设时间段内,候选兴趣点在对应查询请求下的点击次数和有效展示次数。
本申请实施例在获取候选兴趣点的点击次数和有效展示次数时,先根据第二位置信息和第二用户信息将服务请求进行分类,然后再进行统计,避免因统计太笼统而使得获得的点击次数和有效展示次数不准确。
图6为本申请实施例提供的一种服务器与终端之间通信的信令交互图,如图6所示,通信过程如下:
步骤601:接收查询请求;服务器接收查询请求,该查询请求可以是终端发送的,即用户通过在终端的搜索框中输入要搜索的查询语句,终端根据查询语句生成查询请求,并将该查询请求发送至服务器。
步骤602:获取初始序列:服务器在接收到查询请求后,获取该查询请求对应的多个候选兴趣点,其中,获取候选兴趣点的方法与上述实施例一致,此处不再赘述。利于预设排序模型对多个候选兴趣点进行排序,获得初始序列,排序的方法也与上述实施例中的排序方法一致,此处不再赘述。
步骤603:计算探索值;服务器计算每一候选兴趣点的探索值,探索值可以根据上述实施例提供的公式计算获得。
步骤604:获得目标序列;将探索值最大的候选兴趣点调整到初始序列的第一位,之前排在探索值最大的候选兴趣点之前的候选兴趣点均往后顺延一位,获得目标序列。
步骤605:发送目标序列;服务器在获得到目标序列之后,将目标序列发送至终端,以供用户从目标序列中选择目标兴趣点。
步骤606:接收反馈信息;服务器接收终端返回的反馈信息,反馈信息中包括用户选择的目标兴趣点。
步骤607:模型优化;根据反馈信息对预设排序模型进行优化,具体的优化过程与上述实施例一致,此处不再赘述。
应当说明的是,上述各兴趣点的排序方法还可以应用在外卖、快递等应用场景,以用户通过外卖应用程序点外卖为例:其可以在搜索框中输入想要点的外卖商家的名称或食物名称,外卖对应的服务器也可以预先获取对应的多个候选兴趣点(即候选商家),并对多个候选兴趣点进行排序,获得初始序列,计算每个候选兴趣点对应的探索值,然后根据探索值进行调整初始序列,获得目标序列。
图7为本申请实施例提供的一种兴趣点排序装置结构示意图,该装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器,或服务器的处理器,也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件,如图7所示,该装置包括:初始序列获取模块701、探索值计算模块702和序列调整模块703,其中:
初始序列获取模块701用于接收查询请求,根据所述查询请求获取对应的初始序列,其中所述初始序列包括所述查询请求对应的多个候选兴趣点;探索值计算模块702用于获取每一候选兴趣点在预设时间段内的点击次数和有效展示次数,并根据所述点击次数和所述有效展示次数计算对应候选兴趣点的探索值;其中,所述有效展示次数为预设时间段内所述候选兴趣点被点击的次数与所述候选兴趣点排在被点击的候选兴趣点之前的次数之和;序列调整模块703用于从所述初始序列中获取探索值最大的候选兴趣点,并将所述探索值最大的候选兴趣点调整至所述初始序列的预设位置,获得目标序列。
在上述实施例的基础上,所述装置还包括:
返回模块,用于将所述目标序列返回至终端,以使用户从所述目标序列中选择目标兴趣点。
在上述实施例的基础上,所述装置还包括:
接收模块,用于接收所述用户在所述目标序列中选择的目标兴趣点;
获取模块,用于获取所述目标兴趣点对应的特征;
模型优化模块,用于根据所述目标兴趣点和所述特征对预设排序模型进行优化。
在上述实施例的基础上,所述探索值计算模块,具体用于:
根据公式计算获得对应的候选兴趣点的探索值;
其中,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数,C(pi)为候选兴趣点pi在预设时间段内的点击次数,N(pi)为候选兴趣点pi在预设时间段内的有效展示次数。
在上述实施例的基础上,所述序列调整模块,具体用于:
根据公式P1'=argmaxiQ(pi)计算获得探索值最大的候选兴趣点;
其中,P1'为探索值最大的兴趣点,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数。
在上述实施例的基础上,所述初始序列获取模块,具体用于:
根据所述查询请求获取对应的多个候选兴趣点;
利用预设排序模型计算每一候选兴趣点的分值,并根据所有候选兴趣点的分值进行排序,获得所述初始序列。
在上述实施例的基础上,所述预设排序模型通过以下方式获得:
获取多个样本数据,每一所述样本数据包括训练查询请求、训练兴趣点的标签,以及所述训练兴趣点的特征;其中,所述训练兴趣点的特征包括所述训练兴趣点对应的点击次数、所述训练查询请求中的查询语句与所述训练兴趣点的文本相似度、所述训练查询请求对应终端的当前位置与所述训练兴趣点的距离;
根据所述训练兴趣点对应的点击次数、所述文本相似度和所述距离进行模型训练,获得所述预设排序模型。
在上述实施例的基础上,所述查询请求包括预设位置信息和第一用户信息;所述探索值计算模块,具体用于:
获取预设时间段内的多个服务请求,每一所述服务请求包括第二位置信息和第二用户信息;
根据所述第二位置信息和所述第二用户信息对所述多个服务请求进行分类,获得多个类别信息;
根据所述预设位置信息和所述第一用户信息确定目标类别信息;
获取每一候选兴趣点在所述目标类别信息中对应的点击次数和有效展示次数。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种兴趣点排序方法,其特征在于,包括:
接收查询请求,根据所述查询请求获取对应的初始序列,其中所述初始序列包括所述查询请求对应的多个候选兴趣点;
获取每一候选兴趣点在预设时间段内的点击次数和有效展示次数,并根据所述点击次数和所述有效展示次数计算对应候选兴趣点的探索值,其中,所述有效展示次数为预设时间段内所述候选兴趣点被点击的次数与所述候选兴趣点排在被点击的候选兴趣点之前的次数之和,并且其中,所述根据所述点击次数和所述有效展示次数计算对应候选兴趣点的探索值,包括:
根据公式计算获得对应的候选兴趣点的探索值,其中,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数,C(pi)为候选兴趣点pi在预设时间段内的点击次数,N(pi)为候选兴趣点pi在预设时间段内的有效展示次数;以及
从所述初始序列中获取探索值最大的候选兴趣点,并将所述探索值最大的候选兴趣点调整至所述初始序列的预设位置,获得目标序列。
2.根据权利要求1所述的方法,其特征在于,在获得目标序列之后,所述方法还包括:
将所述目标序列返回至终端,以使用户从所述目标序列中选择目标兴趣点。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
接收所述用户在所述目标序列中选择的目标兴趣点;
获取所述目标兴趣点对应的特征;
根据所述目标兴趣点和所述特征对预设排序模型进行优化。
4.根据权利要求1所述的方法,其特征在于,所述从所述初始序列中获取探索值最大的候选兴趣点,包括:
根据公式P1'=arg maxiQ(pi)计算获得探索值最大的候选兴趣点;
其中,P1'为探索值最大的兴趣点,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数。
5.一种兴趣点排序装置,其特征在于,包括:
初始序列获取模块,用于接收查询请求,根据所述查询请求获取对应的初始序列,其中所述初始序列包括所述查询请求对应的多个候选兴趣点;
探索值计算模块,用于获取每一候选兴趣点在预设时间段内的点击次数和有效展示次数,并根据所述点击次数和所述有效展示次数计算对应候选兴趣点的探索值,其中,所述有效展示次数为预设时间段内所述候选兴趣点被点击的次数与所述候选兴趣点排在被点击的候选兴趣点之前的次数之和,并且其中,所述根据所述点击次数和所述有效展示次数计算对应候选兴趣点的探索值,包括:
根据公式计算获得对应的候选兴趣点的探索值,其中,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数,C(pi)为候选兴趣点pi在预设时间段内的点击次数,N(pi)为候选兴趣点pi在预设时间段内的有效展示次数;以及
序列调整模块,用于从所述初始序列中获取探索值最大的候选兴趣点,并将所述探索值最大的候选兴趣点调整至所述初始序列的预设位置,获得目标序列。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
返回模块,用于将所述目标序列返回至终端,以使用户从所述目标序列中选择目标兴趣点。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
接收模块,用于接收所述用户在所述目标序列中选择的目标兴趣点;
获取模块,用于获取所述目标兴趣点对应的特征;
模型优化模块,用于根据所述目标兴趣点和所述特征对预设排序模型进行优化。
8.根据权利要求5所述的装置,其特征在于,所述序列调整模块,具体用于:
根据公式P1'=argmaxiQ(pi)计算获得探索值最大的候选兴趣点;
其中,P1'为探索值最大的兴趣点,Q(pi)为第i个候选兴趣点pi的探索值,i为正整数。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1至4任一所述的兴趣点排序的方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至4任一所述的兴趣点排序的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910879007.8A CN111831935B (zh) | 2019-09-17 | 2019-09-17 | 一种兴趣点排序方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910879007.8A CN111831935B (zh) | 2019-09-17 | 2019-09-17 | 一种兴趣点排序方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111831935A CN111831935A (zh) | 2020-10-27 |
CN111831935B true CN111831935B (zh) | 2024-05-31 |
Family
ID=72912581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910879007.8A Active CN111831935B (zh) | 2019-09-17 | 2019-09-17 | 一种兴趣点排序方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831935B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380847B (zh) * | 2020-11-18 | 2024-03-29 | 北京百度网讯科技有限公司 | 兴趣点处理方法、装置、电子设备及存储介质 |
CN112711698A (zh) * | 2021-03-29 | 2021-04-27 | 广州宸祺出行科技有限公司 | 一种基于标签库的下车点信息推送方法、装置及电子设备 |
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 |
CN114943044A (zh) * | 2022-04-27 | 2022-08-26 | 北京百度网讯科技有限公司 | 内容展示方法、装置、设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273508A (zh) * | 2017-06-20 | 2017-10-20 | 北京百度网讯科技有限公司 | 基于人工智能的信息处理方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2581703B1 (en) * | 2011-10-12 | 2017-05-17 | Mapquest, Inc. | Systems and methods for ranking points of interest |
-
2019
- 2019-09-17 CN CN201910879007.8A patent/CN111831935B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273508A (zh) * | 2017-06-20 | 2017-10-20 | 北京百度网讯科技有限公司 | 基于人工智能的信息处理方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于用户兴趣模型构建与个性化搜索算法研究;张晓飞;余建桥;;电脑知识与技术(18);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111831935A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111831935B (zh) | 一种兴趣点排序方法、装置、电子设备及存储介质 | |
US20190173828A1 (en) | User profile and geography-based meetings | |
CN111831897B (zh) | 一种出行目的地推荐方法、装置、电子设备及存储介质 | |
CN110782301A (zh) | 一种拼单方法、装置、电子设备及计算机可读存储介质 | |
CN108429776B (zh) | 网络对象的推送方法、装置、客户端、交互设备以及系统 | |
US20200356781A1 (en) | Method and apparatus for performing categorised matching of videos, and selection engine | |
US20180365778A1 (en) | Information processing system and information processing method | |
CN111881368B (zh) | 一种确定推荐上车点的方法和系统 | |
US20190332621A1 (en) | Personnel selecting device, personnel selecting system, personnel selecting method, and recording medium | |
CN111259272A (zh) | 搜索结果排序方法及装置 | |
CN111861619A (zh) | 一种共享车辆的推荐方法和系统 | |
CN111198989A (zh) | 确定出行推荐数据的方法、装置、存储介质及电子设备 | |
CN110515929B (zh) | 书籍展示方法、计算设备及存储介质 | |
CN110781256B (zh) | 基于发送位置数据确定与Wi-Fi相匹配的POI的方法及装置 | |
CN111310961A (zh) | 数据预测方法、装置、电子设备和计算机可读存储介质 | |
JP7074031B2 (ja) | 情報提供装置、情報提供方法及びプログラム | |
CN111369294A (zh) | 软件造价估算方法及装置 | |
CN112487310B (zh) | 小区推荐方法及系统 | |
CN111831686A (zh) | 排序模型的优化方法、装置、系统、电子设备及存储介质 | |
CN108153785B (zh) | 生成展示信息的方法和装置 | |
US11403339B2 (en) | Techniques for identifying color profiles for textual queries | |
CN111881369B (zh) | 一种推荐上车点名称准确性检测方法和系统 | |
AU2019202083B2 (en) | Real-time method and system for assessing and improving a presence and perception of an entity | |
CN111898043A (zh) | 一种城市旅行路线规划的方法 | |
CN111291253B (zh) | 模型训练方法、咨询推荐方法、装置及电子设备 |
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 | ||
TG01 | Patent term adjustment |