CN111832602A - 基于地图的特征嵌入方法、装置、存储介质和电子设备 - Google Patents

基于地图的特征嵌入方法、装置、存储介质和电子设备 Download PDF

Info

Publication number
CN111832602A
CN111832602A CN202010287494.1A CN202010287494A CN111832602A CN 111832602 A CN111832602 A CN 111832602A CN 202010287494 A CN202010287494 A CN 202010287494A CN 111832602 A CN111832602 A CN 111832602A
Authority
CN
China
Prior art keywords
node
weight
determining
nodes
directed graph
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
Application number
CN202010287494.1A
Other languages
English (en)
Other versions
CN111832602B (zh
Inventor
林宇澄
杨晓庆
李奘
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010287494.1A priority Critical patent/CN111832602B/zh
Publication of CN111832602A publication Critical patent/CN111832602A/zh
Application granted granted Critical
Publication of CN111832602B publication Critical patent/CN111832602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种基于地图的特征嵌入方法、装置、存储介质和电子设备。本发明实施例基于多条包括多个节点的移动轨迹生成带权有向图，并根据包括第一权重参数的起点选择函数从带权有向图中选择至少一个节点作为目标节点。进而，分别以各目标节点为起点，基于包括第二权重参数的路径生成函数生成至少一条游走路径。从而基于多个游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定各节点的嵌入特征。本发明实施例通过节点表征预定地图内的一个位置范围，并通过第一权重参数和第二权重参数对带权有向图中的方向权重进行调整，从而可以降低获取嵌入特征的复杂度，提升嵌入特征的普适性。

Description

基于地图的特征嵌入方法、装置、存储介质和电子设备
技术领域
本发明公开涉及计算机技术领域，具体涉及一种基于地图的特征嵌入方法、装置、存储介质和电子设备。
背景技术
为了满足日常的生存需求、娱乐需求等，人们需要进行出行活动。随着生活节奏的不断加快，人们的出行频率变得越来越高。通常情况下，时间段、日期等多种因素的变化会使得在不同位置范围内聚集的程度发生变化，而位置范围内聚集的程度对位置范围的嵌入特征存在一定的影响。因此在现有技术中，为了获取较为准确的位置范围的嵌入特征，需要经常对位置范围内发生变化的特征进行更新，复杂度较高，且普适性较低。
发明内容
有鉴于此,本发明实施例的目的在于提供一种基于地图的特征嵌入方法、装置、存储介质和电子设备，同时降低获取嵌入特征的复杂度，同时提升嵌入特征的普适性。
根据本发明实施例的第一方面，提供一种基于地图的特征嵌入方法，所述方法包括：
基于多条移动轨迹生成有向图，所述移动轨迹包括多个节点，且各节点均用于表征预定地图内的一个位置范围，所述有向图包括各节点间的有向边的方向权重；
根据预定的起点选择函数从所述有向图中选择至少一个节点作为目标节点，所述起点选择函数包括第一权重参数；
分别以各所述目标节点为起点，根据预定的路径生成函数，以迭代方式从所述有向图中选择一个节点作为当前节点的下一节点以生成至少一条游走路径，直至不存在下一节点，所述路径生成函数包括第二权重参数，所述当前节点包括所述目标节点；
以各所述游走路径作为语料库，基于词嵌入模型，分别根据各所述游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定所述有向图中各节点的嵌入特征。
优选地，所述根据预定的起点选择函数从所述有向图中选择至少一个节点作为目标节点包括：
对于所述有向图中的各节点，分别基于所述起点选择函数、所述第一权重参数、对应的第一权重之和以及全部节点对应的第二权重之和确定对应的第一概率，所述第一概率用于表征所述节点被选择作为起点的概率；
将所述第一概率满足第一条件的至少一个节点确定为所述目标节点。
优选地，所述分别以各所述目标节点为起点，根据预定的路径生成函数，以迭代方式从所述有向图中选择一个节点作为当前节点的下一节点以生成至少一条游走路径，直至不存在下一节点包括：
以迭代方式分别确定各所述当前节点对应的候选节点集合，所述候选节点集合中的各候选节点用于作为当前节点的下一节点；
分别确定所述当前节点的上一节点与各所述候选节点的第一距离；
根据所述第一距离确定对应的所述候选节点的搜索偏置；
对于各所述候选节点，根据所述路径生成函数、所述第二权重参数、对应的所述搜索偏置和所述方向权重确定对应的第二概率，所述第二概率用于表征所述候选节点被选择作为下一节点的概率；
将所述第二概率满足第二条件的所述候选节点确定为所述下一节点。
优选地，所述以各所述游走路径作为语料库，基于词嵌入模型，分别根据各所述游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定所述有向图中各节点的嵌入特征包括：
对于各所述游走路径，分别将对应的各节点确定为待预测节点；
基于预定长度的滑动窗口确定各所述待预测节点对应的多个所述上下文节点；
同时以各所述待预测节点的所述第一向量为输入，以对应的所述多个上下文节点的所述第二向量为训练目标对对应的所述词嵌入模型的模型参数进行迭代更新，直至对应的所述词嵌入模型的损失函数收敛，所述第一向量以及所述第二向量根据节点表确定，所述节点表根据所述语料库中的各节点确定；
根据各所述待预测节点对应的目标值确定对应的所述嵌入特征，所述目标值为使得对应的所述损失函数收敛的所述待预测节点的输出特征。
优选地，所述对对应的所述词嵌入模型的模型参数进行迭代更新包括：
在各迭代周期对各所述损失函数进行梯度下降处理，以对对应的所述模型参数进行更新。
优选地，所述分别基于所述起点选择函数、所述第一权重参数、对应的第一权重之和以及全部节点对应的第二权重之和确定对应的第一概率包括：
根据所述第一权重参数对各节点对应的所述第一权重之和以及所述第二权重之和进行调整；
确定调整后的所述第一权重之和以及调整后的所述第二权重之和的第一比值；
根据所述第一比值确定对应的节点的所述第一概率。
优选地，所述根据所述路径生成函数、所述第二权重参数、对应的所述搜索偏置和所述方向权重确定对应的第二概率包括：
根据所述第二权重参数对各所述候选节点的所述方向权重进行调整，获取调整后的所述方向权重；
确定所述搜索偏置与目标权重的乘积，所述目标权重为对应的所述候选节点调整后的所述方向权重；
确定所述乘积与第三权重之和的第二比值，所述第三权重之和根据各所述候选节点对应的所述调整后的方向权重确定；
根据所述第二比值确定所述第二概率。
根据本发明实施例的第二方面，提供一种基于地图的特征嵌入装置，所述装置包括：
生成单元，用于基于多条移动轨迹生成有向图，所述移动轨迹包括多个节点，且各节点均用于表征预定地图内的一个位置范围，所述有向图包括各节点间的有向边的方向权重；
起点选择单元，用于根据预定的起点选择函数从所述有向图中选择至少一个节点作为目标节点，所述起点选择函数包括第一权重参数；
路径生成单元，用于分别以各所述目标节点为起点，根据预定的路径生成函数，以迭代方式从所述有向图中选择一个节点作为当前节点的下一节点以生成至少一条游走路径，直至不存在下一节点，所述路径生成函数包括第二权重参数，所述当前节点包括所述目标节点；
特征嵌入单元，用于以各所述游走路径作为语料库，基于词嵌入模型，分别根据各所述游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定所述有向图中各节点的嵌入特征。
根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。
根据本发明实施例的第四方面，提供一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面中任一项所述的方法。
本发明实施例基于多条包括多个节点的移动轨迹生成带权有向图，并根据包括第一权重参数的起点选择函数从带权有向图中选择至少一个节点作为目标节点。进而，分别以各目标节点为起点，基于包括第二权重参数的路径生成函数生成至少一条游走路径。从而基于多个游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定各节点的嵌入特征。本发明实施例通过节点表征预定地图内的一个位置范围，并通过第一权重参数和第二权重参数对带权有向图中的方向权重进行调整，以降低方向权重对于节点选择的影响，从而可以提升嵌入特征的准确性，降低获取嵌入特征的复杂度，并提升嵌入特征的普适性。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明第一实施例的基于地图的特征嵌入方法的流程图；
图2是本发明第一实施例的一种可选的实现方式中生成有向图的示意图；
图3是本发明实施例的部分节点的示意图；
图4是本发明第一实施例的一种可选的实现方式中获取待预测节点对应的多个上下文节点的示意图；
图5是本发明第一实施例的词嵌入模型的训练示意图；
图6是本发明第二实施例的基于地图的特征嵌入装置的示意图；
图7是本发明第三实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
通常情况下，时间段、日期等多种因素的变化会使得在不同位置范围内聚集的程度发生变化，而位置范围内聚集的程度对位置范围的嵌入特征存在一定的影响。例如，在现有技术中，通常会根据任一位置范围内在线用户的数量、营业的商户数量等特征确定该位置范围的嵌入特征，而在线用户的数量、营业的商户数量等特征的变化频率较快，因此在现有技术中，为了获取较为准确的位置范围的嵌入特征，需要经常对位置范围内发生变化的特征进行更新，复杂度较高。
图1是本发明第一实施例的基于地图的特征嵌入方法的流程图。如图1所示，本实施例的方法包括如下步骤：
步骤S100，基于多条移动轨迹生成有向图。
在一种可选的实现方式中，服务器可以获取预定时间段(例如，近一个月内)内的多条移动轨迹，或者随机生成多条移动轨迹，并根据多条移动轨迹生成有向图。在本实施例中，移动轨迹可以为车辆行驶轨迹，例如搭乘网约车时的网约车移动轨迹、骑乘共享单车时的共享单车移动轨迹，也可以为步行轨迹等，本实施例不做限定。各条移动轨迹均包括多个节点，且各条移动轨迹中的各节点均用于表征预定地图内的一个位置范围。其中，位置范围可以为根据实际需求预先划定的区域，也可以为预定地图中的AOI(Area Of Interest，兴趣区域)，还可以为预定地图中的POI(Point of interest，兴趣点)，本实施例不做限定。其中，AOI是位置范围的一种表示方式，具体可以为办公区域、住宅区域、娱乐区域等；POI同样是兴趣范围的一种表示方式，但范围通常比AOI小，具体可以为预定学校、预定地铁站、预定餐厅等。
例如，用户1搭乘网约车从东直门地铁站移动至鼓楼，途径簋街和南锣鼓巷，则用户1在搭乘网约车的过程中产生的移动轨迹可以为东直门地铁站->簋街->南锣鼓巷->鼓楼。
在获取有向图后，服务器可以根据各条移动轨迹确定有向图中各节点间的有向边的方向权重。例如，在各条移动轨迹中，由位置范围a移动到位置范围b的次数共5次，则对于位置范围a到位置范围b的有向边，对应的方向权重为5。
图2是本发明第一实施例的一种可选的实现方式中生成有向图的示意图。图2以区域为位置范围进行说明。如图2所示，预定地区被预先划分为21-29共九个区域，每个区域通过对应的节点来表示。服务器获取如图2上侧所示的n(n为大于1的预定整数)条移动轨迹后，可以分别将各条移动轨迹中的各节点与预定地图中的各区域对应，并分别将各条移动轨迹映射到预定地图上，得到如图2中间部分所示的、显示在预定地图上的无向图。各区域内的用户在从自己所在的位置范围移动到其他区域后，有一定可能从其他区域原路返回自己所在的区域，也可能通过其他路径返回自己所在的区域，因此服务器通常无法直接得到有向图。以位置在区域23的用户1为例，用户1从区域23移动到区域25后，可能直接从区域25返回区域23，也可能从区域25移动到区域24，再从区域24移动到区域22，然后从区域22移动到区域23。在得到无向图后，服务器可以随机规定各节点间的边的方向，确定各节点间的有向边，从而可以根据各移动轨迹确定各节点间的有向边的方向权重，得到如图2下侧所示的两个有向图，有向图中包括各节点之间的有向边对应的权重。容易理解，服务器还可以根据图2所示的无向图获取多个有向图，此处仅以两个指向完全相反的有向图为例进行说明。
步骤S200，根据预定的起点选择函数从有向图中选择至少一个节点作为目标节点。
具体地，对于有向图中的各节点，服务器可以分别基于起点选择函数、预先设定的第一权重参数、对应的第一权重之和以及全部节点对应的第二权重之和确定对应的第一概率，并将第一概率满足第一条件的至少一个节点确定为目标节点。
其中，第一权重之和可以根据以对应的节点为起点的有向边对应的权重的和确定。以图2左下角所示的有向图为例，节点21对应的第一权重之和为节点21与节点28之间的有向边对应的权重(也即，20)、节点21与节点27之间的有向边对应的权重(也即，22)与节点21与节点22之间的有向边对应的权重(也即，5)的和，也即47。服务器可以根据以有向图内各节点为起点的有向边对应的权重的和确定第二权重之和，也就是说，可以根据各节点对应的第一权重之和确定第二权重之和。第一概率用于表征对应的起点被选择作为起点的概率。可以根据实际需求设定第一权重参数，也可以由服务器在参数范围内随机生成一个值作为第一权重参数，本实施例不做限定。
在确定各节点对应的第一权重之和以及第二权重之和和第一权重参数后，服务器可以根据起点选择函数确定各节点的第一概率。具体地，服务器可以根据第一权重参数对各节点对应的所述第一权重之和以及第二权重之和进行调整，并确定调整后的第一权重之和以及调整后的第二权重之和的第一比值，从而根据第一比值确定对应的节点的所述第一概率。也就是说，第一概率可以通过如下公式计算：
Figure BDA0002449086990000081
其中，x为有向图中的任一节点，px为x对应的第一概率，V为有向图中的全部节点，di为第i个节点对应的第一权重之和，dx为x对应的第一权重之和，η为第一权重参数。
在本实施例中，第一权重参数用于调整第一权重之和以及第二权重之和。仍旧以图2左下角所示的有向图为例，节点26对应的第一权重之和为166，节点23对应的第一权重之和为26，因此在随机选择起点的过程中，节点26被选择作为起点的概率远大于节点23被选择作为起点的概率。因此在本实施例中，第一权重参数的参数范围被设置为0到1之间，使得服务器可以通过第一权重参数对各节点对应的第一权重之和以及全部节点对应的第二权重之和的大小进行调整，以缩小节点间的第一概率之差。
在确定有向图中各节点对应的第一概率后，服务器可以根据各节点的第一概率以及第一条件确定至少一个节点作为目标节点。根据实际需求的不同，第一条件可以被设置为第一概率大于第一阈值、第一概率排序在最大的前m(m为大于等于1的预定整数)位、第一概率大于第一阈值且排序在最大的前m位等，本实施例不做限定。
步骤S300，分别以各目标节点为起点，根据预定的路径生成函数，以迭代方式从所述有向图中选择一个节点作为当前节点的下一节点以生成至少一条游走路径，直至不存在下一节点。
移动轨迹是由用户、车辆等发生位置改变产生或者随机生成的，因此在通过移动轨迹确定各节点的嵌入特征时具有较大的随机性，准确性不高，而游走路径通常长度较为接近，且路径生成函数使得服务器可以找出各节点间连接的紧密程度，而连接较为紧密的节点的嵌入特征能够较好地描述图的属性，因此根据游走路径确定各节点的嵌入特征时准确性较高。因此在本实施例中，服务器根据路径生成函数生成多条游走路径。
具体地，服务器可以以迭代方式分别确定各当前节点对应的候选节点集合，并分别确定当前节点的上一节点与各候选节点的第一距离，然后根据第一距离确定各候选节点对应的搜索偏置。对于各候选节点，服务器可以根据路径生成函数、第二权重参数以及对应的搜索偏置方向权重确定对应的第二概率，从而将第二概率满足第二条件的候选节点作为当前节点的下一节点。
其中，候选节点中的各候选节点用于作为当前节点的下一节点。仍旧以图2左下侧所示的有向图为例。在当前节点为节点21时，对应的候选节点集合包括节点28、节点27和节点22。
各候选节点的第一距离可以根据当前节点的上一节点与对应的候选节点的连接关系确定。具体地，第一距离用于表征上一节点与候选节点的最短路径距离。在确定各候选节点对应的第一距离后，服务器可以根据各候选节点的第一距离确定对应的搜索偏置。第一距离与搜索偏置具有对应关系，具体地，对应关系如下：
Figure BDA0002449086990000091
其中，t为当前节点的上一节点，y为当前节点对应的候选节点，αpq(t,y)为候选节点对应的搜索偏置，dt,y为t与y的第一距离，p为返回参数(Return Parameter)，q为输入-输出参数(In-out parameter)。
图3是本发明实施例的部分节点的示意图。如图3所示，在节点32为当前节点时，节点31既可以为节点32的上一节点，也可以为节点32的候选节点。节点33、节点34和节点35为节点32对应的候选节点。节点31为节点32的上一节点，因此服务器可以确定节点31对应的第一距离d31,31＝0，搜索偏置αpq(31,31)＝1/p；节点31与节点33相邻，因此服务器可以确定节点33对应的第一距离d31,33＝1，搜索偏置αpq(31,33)＝1；节点34和节点35与节点31不相邻，节点31的下一节点(也即，节点32)的下一节点为节点34和节点35，因此服务器可以确定节点34对应的第一距离d31,34＝2，搜索偏置αpq(31,34)＝1/q以及节点35对应的第一距离d31,35＝2，搜索偏置αpq(31,35)＝1/q。
容易理解，当前节点同样包括目标节点。在目标节点为当前节点时，不存在对应的上一节点，因此服务器可以将目标节点对应的各候选节点的搜索偏置确定为1。
容易理解，在有向图中，当前节点无法返回上一节点，因此服务器可以将上一节点对应的搜索偏置确定为1。
第二概率用于表征候选节点被选择作为当前节点的下一节点的概率。可以根据实际需求设定第二权重参数，也可以由服务器在参数范围内随机生成一个值作为第二权重参数，本实施例不做限定。容易理解，在本实施例中，第二权重参数可以与第一权重参数相同，也可以不同，本实施例不做限定。
由此，服务器可以根据路径生成函数确定各候选节点的第二概率。具体地，服务器可以根据第二权重参数对各候选节点的方向权重进行调整，获取调整后的方向权重，并确定搜索偏置与目标权重的乘积，进而确定乘积与第三权重之和的第二比值，从而根据第二比值确定第二概率。其中，目标权重为对应的候选节点调整后的方向权重，第三权重之和根据各候选节点对应的调整后的方向权重确定。也就是说，第二概率可以通过如下公式计算：
Figure BDA0002449086990000101
其中，v为当前节点，t为v的上一节点，Nb(v)为v对应的候选节点集合，y为Nb(v)中的任一候选节点，pv,y为当前节点为v时，y对应的所述第二概率，j为Nb(v)中的第j个节点，αpq(t,j)为j对应的搜索偏置，ωv,j为v与j间的有向边的方向权重，αpq(t,y)为y对应的搜索偏置，ωv,y为v与y间的有向边的方向权重，σ为第二权重参数。
与第一权重参数相似，在本实施例中，第二权重参数的参数范围同样被设置为0到1之间，使得服务器可以通过第二权重参数对各候选节点对应的方向权重的大小进行调整，以缩小候选节点间的第二概率之差。
在确定当前节点各候选节点对应的第二概率后，服务器可以根据各候选节点的第二概率以及第二条件确定一个节点作为当前节点的下一节点。根据实际需求的不同，第二条件可以被设置为第二概率排序在最大的前(n为大于等于1的预定整数)位、第二概率大于第二阈值且排序在最大的前n位等，本实施例不做限定。容易理解，第二条件和第一条件可以相同，也可以不同，本实施例不做限定。
容易理解，步骤S300以一个节点为当前节点为例进行说明。在迭代的过程中，对于各当前节点，在确定对应的下一节点后，服务器可以将下一节点更新为当前节点，并获取在下一节点为当前节点时对应的候选节点集合，以确定当前节点对应的下一节点，直至当前节点不存在下一节点。
仍旧以图2左下侧所示的有向图为例。节点21为目标节点，服务器在将节点21为当前节点时，可以获取节点21对应的候选节点集合1，包括节点28、节点27和节点22。服务器根据节点28、节点27和节点22对应的第二概率将节点28确定为节点21的下一节点，并将节点28更新为当前节点，获取节点28对应的候选节点集合2，包括节点26和节点29。服务器根据节点26和节点29对应的第二概率将节点29确定为节点28的下一节点，并将节点29更新为当前节点，获取节点29对应的候选节点集合3，包括节点25。服务器可以直接将节点25确定为节点29的下一节点，并将节点25更新为当前节点。在当前节点为节点25时，不存在下一节点，因此服务器可以获取以节点21作为起点的游走路径：21->28->29->25。
容易理解，在生成的游走路径数量足够多时，多条游走路径可以覆盖预定地图中的各位置范围，且多条游走路径中可能存在重复的节点。
步骤S400，以各游走路径作为语料库，基于词嵌入模型，分别根据各游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定有向图中各节点的嵌入特征。
游走路径用于反映各节点间的相互关系。在本实施例中，节点用于表征预定地图中的一个位置范围，因此游走路径可以反映预定地图内各位置范围的相互关系。位置范围几乎不会发生改变，对于各节点，与其相邻的多个节点属于较为固定的特征，因此在本实施例中，可以通过与各节点相邻的多个节点(也即，该节点对应的多个上下文节点)来表示该节点的嵌入特征。
在本实施例中，游走路径与文本语料相似，节点可以看作文本语料中的单词，各节点的上下文节点可以看作文本语料中各单词对应的上下文，因此可以通过word2vec(具体可以为词嵌入模型)以及各节点对应的上下文节点来描述该节点的嵌入特征。
具体地，对于各游走路径，服务器可以将其中的各节点分别确定为待预测节点，并基于预定长度的滑动窗口确定各待预测节点对应的多个上下文节点。服务器同时以各待预测节点的第一向量为输入，以对应的多个上下文节点的第二向量为训练目标对对应的词嵌入模型的模型参数进行迭代更新，直至对应的词嵌入模型的损失函数收敛。在损失函数收敛后，服务器可以根据各待预测节点对应的目标值确定嵌入特征。其中，目标值为在对应的词嵌入模型的损失函数收敛时待预测节点的输出特征。
本实施例选择skip-gram作为词嵌入模型。Skip-gram被广泛地运用于自然语言处理(Natural Language Processing，NLP)，是一种可以从大量文本语料中以无监督的方式学习语义特征的模型。因此，本实施例同样可以基于skip-gram生成游走路径中各节点的嵌入特征。
Skip-gram的输入以及训练目标均通过one-hot向量表示，因此在本实施例中，第一向量和第二向量均为one-hot向量。具体地，服务器可以预先根据预定地图中的各位置范围(或者根据作为语料库的各游走路径)确定一个节点表(相当于NLP中的词表)，并将各节点在节点表中对应位置的元素确定为1，其余元素确定为0，从而得到各节点对应的第一向量(或第二向量)。例如，节点表包括节点1、节点2、节点3、……节点N(N为大于等于1的预定整数)，则节点1对应的第一向量(或第二向量)为(1,0,0,…，0)，向量维数为N。
同时，服务器可以根据预定长度的滑动窗口确定各待预测节点对应的多个上下文节点。根据窗口长度的不同，上下文节点的数量也不同，因此预定长度的滑动窗口可以根据预定地图中节点的总量或实际需求确定。例如，节点的总量为100，则窗口长度可以设定为不超过3％，也即3个。
图4是本发明第一实施例的一种可选的实现方式中获取待预测节点对应的多个上下文节点的示意图。图4以一条游走路径、滑动窗口的窗口长度(也即，预定长度)为2为例进行说明。游走路径1为41->42->43->44->45，其中41-45为用于表征对应的位置范围的五个节点。服务器将各节点确定为待预测节点，并基于滑动窗口对游走路径1进行划分，得到各待预测节点对应的多个上下文节点。在窗口长度为2时，服务器将顺序在各待预测节点前面两个位置的节点以及后面两个位置的节点确定为该待预测节点的上下文节点。以节点43为例，顺序在节点43前面两个位置的节点为节点41和节点42，顺序在节点43后面两个位置的节点为节点44和节点45。
在确定各待预测节点对应的多个上下文节点后，服务器可以同时以各待预测节点对应的第一向量为输入，以对应的多个上下文节点的第二向量为训练目标，从而对词嵌入模型的模型参数进行更新，直至词嵌入模型的损失函数收敛。为了加快损失函数收敛，服务器还可以根据各待预测节点对应的非上下文节点的第三向量对词嵌入模型进行训练。skip-gram包括隐层和输出层，隐层和输出层分别对应一个权重矩阵，下面将隐层对应的权重矩阵称为第一权重矩阵，将输出层对应的权重矩阵称为第二权重矩阵，第一权重矩阵的维数为V*d，第二权重矩阵的维数为d*V，其中，V为预定地图中节点的总数，d为预先设定的值，且d为大于0且小于V的预定整数。
具体地，服务器将待预测节点的第一向量输入skip-gram后，经过第一权重矩阵可以得到待预测节点对应的隐层输出，再经过第二权重矩阵以及激活函数可以得到待处理节点对应的输出特征，输出特征中的各元素实际为预定地图中对应的节点作为待预测节点的上下文的概率。在本实施例中，激活函数为softmax。以对应的多个上下文节点的第二向量为训练目标是指：最大化上下文节点的概率。例如，节点1为待预测节点，节点2为节点1的其中一个上下文节点，节点2对应的第二向量为(0,1,0,0,0,0)，则词嵌入模型在以节点2为训练目标时，使得节点1对应的输出特征中第二个元素尽可能大。
图5是本发明第一实施例的词嵌入模型的训练示意图。以图4所示的游走路径1中的节点43为待预测节点为例进行说明。容易理解，图5仅示出了游走路径1中作为节点43的上下文节点对应的第二向量，未示出节点43的非上下文节点对应的第二向量。在节点43为待预测节点时，服务器将节点41对应的第一向量输入skip-gram，经过第一权重矩阵W得到隐层输出51。隐层特征51经过第二权重矩阵W’得到输出层输出52，再经过激活函数softmax得到节点43对应的输出特征53。服务器将节点41对应的第二向量、节点42对应的第二向量、节点44对应的第二向量和节点44对应的第二向量为训练目标，只需要最大化输出特征53中节点41对应的概率、节点42对应的概率、节点44对应的概率和节点45对应的概率。
在各待预测节点对应的上下文节点的概率没有最大化时，损失函数不收敛，因此服务器可以通过对skip-gram的损失函数进行梯度下降处理的方式对第一权重矩阵以及第二权重矩阵进行迭代更新。skip-gram的损失函数J可以通过如下公式计算：
Figure BDA0002449086990000141
其中，uk*为输出层输出中第k个待预测节点对应的元素，uk为输出层输出中第k个节点对应的元素。
在各待预测节点的上下文节点的概率最大化时，损失函数收敛，因此服务器可以将各待预测节点对应的目标值确定为嵌入特征。目标值也即使得损失函数收敛的待预测节点对应的输出特征。以图5所示的词嵌入模型的训练示意图为例进行说明，skip-gram在迭代更新到第50轮后，损失函数收敛，服务器可以将第50轮迭代更新得到的、节点43对应的输出特征53确定为节点43对应的嵌入特征。
可选地，在确定各节点的嵌入特征后，服务器还可以根据各节点的嵌入特征对对应的位置范围进行聚类，例如，将相似度满足预定条件的多个嵌入特征对应的位置范围归为一类。或者，还可以根据各节点的嵌入特征对对应的位置范围进行信息预测，例如，预测各位置范围发生事故的可能性，具体以各位置范围的嵌入特征为输入，基于预先训练的可能性预测模型获取对应的事故发生概率，其中，可能性预测模型可以根据多个位置范围的历史嵌入特征以及用于表征是否发生过事故的标签(具体可以为0或者1来表示)进行训练。容易理解，还可以根据各节点的嵌入特征对其他类型的信息进行预测，本实施例不做具体限定。
本实施例基于多条包括多个节点的移动轨迹生成带权有向图，并根据包括第一权重参数的起点选择函数从带权有向图中选择至少一个节点作为目标节点。进而，分别以各目标节点为起点，基于包括第二权重参数的路径生成函数生成至少一条游走路径。从而基于多个游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定各节点的嵌入特征。本实施例通过节点表征预定地图内的一个位置范围，并通过第一权重参数和第二权重参数对带权有向图中的方向权重进行调整，以降低方向权重对于节点选择的影响，从而可以提升嵌入特征的准确性，降低获取嵌入特征的复杂度，并提升嵌入特征的普适性。
图6是本发明第二实施例的基于地图的特征嵌入装置的示意图。如图6所示，本实施例的装置包括生成单元61、起点选择单元62、路径生成单元63和特征嵌入单元64。
其中，生成单元61用于基于多条移动轨迹生成有向图，所述移动轨迹包括多个节点，且各节点均用于表征预定地图内的一个位置范围，所述有向图包括各节点间的有向边的方向权重。起点选择单元62用于根据预定的起点选择函数从所述有向图中选择至少一个节点作为目标节点，所述起点选择函数包括第一权重参数。路径生成单元63用于分别以各所述目标节点为起点，根据预定的路径生成函数，以迭代方式从所述有向图中选择一个节点作为当前节点的下一节点以生成至少一条游走路径，直至不存在下一节点，所述路径生成函数包括第二权重参数，所述当前节点包括所述目标节点。特征嵌入单元64用于以各所述游走路径作为语料库，基于词嵌入模型，分别根据各所述游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定所述有向图中各节点的嵌入特征。
本实施例基于多条包括多个节点的移动轨迹生成带权有向图，并根据包括第一权重参数的起点选择函数从带权有向图中选择至少一个节点作为目标节点。进而，分别以各目标节点为起点，基于包括第二权重参数的路径生成函数生成至少一条游走路径。从而基于多个游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定各节点的嵌入特征。本实施例通过节点表征预定地图内的一个位置范围，并通过第一权重参数和第二权重参数对带权有向图中的方向权重进行调整，以降低方向权重对于节点选择的影响，从而可以提升嵌入特征的准确性，降低获取嵌入特征的复杂度，并提升嵌入特征的普适性。
图7是本发明第三实施例的电子设备的示意图。图7所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器71和存储器72。处理器71和存储器72通过总线73连接。存储器72适于存储处理器71可执行的指令或程序。处理器71可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器71通过执行存储器72所存储的命令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线73将上述多个组件连接在一起，同时将上述组件连接到显示控制器74和显示装置以及输入/输出(I/O)装置75。输入/输出(I/O)装置75可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出(I/O)装置75通过输入/输出(I/O)控制器76与系统相连。
其中，存储器72可以存储软件组件，例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
上述根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应理解，流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器，以产生机器，使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
同时，如本领域技术人员将意识到的，本发明实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此，本发明实施例的各个方面可以采取如下形式：完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外，本发明的方面可以采取如下形式：在一个或多个计算机可读介质中实现的计算机程序产品，计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置，或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项：具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中，计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号，所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式，包括但不限于：电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质：不是计算机可读存储介质，并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。
用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写，所述编程语言包括：面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等；以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行；部分地在用户计算机上且部分地在远程计算机上执行；或者完全地在远程计算机或服务器上执行。在后一种情况下，可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机，或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于地图的特征嵌入方法，其特征在于，所述方法包括：
基于多条移动轨迹生成有向图，所述移动轨迹包括多个节点，且各节点均用于表征预定地图内的一个位置范围，所述有向图包括各节点间的有向边的方向权重；
根据预定的起点选择函数从所述有向图中选择至少一个节点作为目标节点，所述起点选择函数包括第一权重参数；
分别以各所述目标节点为起点，根据预定的路径生成函数，以迭代方式从所述有向图中选择一个节点作为当前节点的下一节点以生成至少一条游走路径，直至不存在下一节点，所述路径生成函数包括第二权重参数，所述当前节点包括所述目标节点；
以各所述游走路径作为语料库，基于词嵌入模型，分别根据各所述游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定所述有向图中各节点的嵌入特征。
2.根据权利要求1所述的方法，其特征在于，所述根据预定的起点选择函数从所述有向图中选择至少一个节点作为目标节点包括：
对于所述有向图中的各节点，分别基于所述起点选择函数、所述第一权重参数、对应的第一权重之和以及全部节点对应的第二权重之和确定对应的第一概率，所述第一概率用于表征所述节点被选择作为起点的概率；
将所述第一概率满足第一条件的至少一个节点确定为所述目标节点。
3.根据权利要求1所述的方法，其特征在于，所述分别以各所述目标节点为起点，根据预定的路径生成函数，以迭代方式从所述有向图中选择一个节点作为当前节点的下一节点以生成至少一条游走路径，直至不存在下一节点包括：
以迭代方式分别确定各所述当前节点对应的候选节点集合，所述候选节点集合中的各候选节点用于作为当前节点的下一节点；
分别确定所述当前节点的上一节点与各所述候选节点的第一距离；
根据所述第一距离确定对应的所述候选节点的搜索偏置；
对于各所述候选节点，根据所述路径生成函数、所述第二权重参数、对应的所述搜索偏置和所述方向权重确定对应的第二概率，所述第二概率用于表征所述候选节点被选择作为下一节点的概率；
将所述第二概率满足第二条件的所述候选节点确定为所述下一节点。
4.根据权利要求1所述的方法，其特征在于，所述以各所述游走路径作为语料库，基于词嵌入模型，分别根据各所述游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定所述有向图中各节点的嵌入特征包括：
对于各所述游走路径，分别将对应的各节点确定为待预测节点；
基于预定长度的滑动窗口确定各所述待预测节点对应的多个所述上下文节点；
同时以各所述待预测节点的所述第一向量为输入，以对应的所述多个上下文节点的所述第二向量为训练目标对对应的所述词嵌入模型的权重矩阵进行迭代更新，直至对应的所述词嵌入模型的损失函数收敛，所述第一向量以及所述第二向量根据节点表确定，所述节点表根据所述语料库中的各节点确定；
根据各所述待预测节点对应的目标值确定对应的所述嵌入特征，所述目标值为使得对应的所述损失函数收敛的所述待预测节点的输出特征。
5.根据权利要求4所述的方法，其特征在于，所述对对应的所述词嵌入模型的权重矩阵进行迭代更新包括：
在各迭代周期对各所述损失函数进行梯度下降处理，以对对应的所述权重矩阵进行更新。
6.根据权利要求2所述的方法，其特征在于，所述分别基于所述起点选择函数、所述第一权重参数、对应的第一权重之和以及全部节点对应的第二权重之和确定对应的第一概率包括：
根据所述第一权重参数对各节点对应的所述第一权重之和以及所述第二权重之和进行调整；
确定调整后的所述第一权重之和以及调整后的所述第二权重之和的第一比值；
根据所述第一比值确定对应的节点的所述第一概率。
7.根据权利要求3所述的方法，其特征在于，所述根据所述路径生成函数、所述第二权重参数、对应的所述搜索偏置和所述方向权重确定对应的第二概率包括：
根据所述第二权重参数对各所述候选节点的所述方向权重进行调整，获取调整后的所述方向权重；
确定所述搜索偏置与目标权重的乘积，所述目标权重为对应的所述候选节点调整后的所述方向权重；
确定所述乘积与第三权重之和的第二比值，所述第三权重之和根据各所述候选节点对应的所述调整后的方向权重确定；
根据所述第二比值确定所述第二概率。
8.一种基于地图的特征嵌入装置，其特征在于，所述装置包括：
生成单元，用于基于多条移动轨迹生成有向图，所述移动轨迹包括多个节点，且各节点均用于表征预定地图内的一个位置范围，所述有向图包括各节点间的有向边的方向权重；
起点选择单元，用于根据预定的起点选择函数从所述有向图中选择至少一个节点作为目标节点，所述起点选择函数包括第一权重参数；
路径生成单元，用于分别以各所述目标节点为起点，根据预定的路径生成函数，以迭代方式从所述有向图中选择一个节点作为当前节点的下一节点以生成至少一条游走路径，直至不存在下一节点，所述路径生成函数包括第二权重参数，所述当前节点包括所述目标节点；
特征嵌入单元，用于以各所述游走路径作为语料库，基于词嵌入模型，分别根据各所述游走路径中各节点的第一向量以及各节点对应的多个上下文节点的第二向量确定所述有向图中各节点的嵌入特征。
9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7中任一项所述的方法。
CN202010287494.1A 2020-04-13 2020-04-13 基于地图的特征嵌入方法、装置、存储介质和电子设备 Active CN111832602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010287494.1A CN111832602B (zh) 2020-04-13 2020-04-13 基于地图的特征嵌入方法、装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010287494.1A CN111832602B (zh) 2020-04-13 2020-04-13 基于地图的特征嵌入方法、装置、存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN111832602A true CN111832602A (zh) 2020-10-27
CN111832602B CN111832602B (zh) 2023-12-08

Family

ID=72913607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010287494.1A Active CN111832602B (zh) 2020-04-13 2020-04-13 基于地图的特征嵌入方法、装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN111832602B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759306A (zh) * 2022-11-14 2023-03-07 首约科技(北京)有限公司 模拟游走方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120096042A1 (en) * 2010-10-19 2012-04-19 Microsoft Corporation User query reformulation using random walks
US20150032767A1 (en) * 2013-07-26 2015-01-29 Microsoft Corporation Query expansion and query-document matching using path-constrained random walks
CN110378486A (zh) * 2019-07-15 2019-10-25 出门问问信息科技有限公司 网络嵌入方法、装置、电子设备和存储介质
CN110826328A (zh) * 2019-11-06 2020-02-21 腾讯科技（深圳）有限公司 关键词提取方法、装置、存储介质和计算机设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120096042A1 (en) * 2010-10-19 2012-04-19 Microsoft Corporation User query reformulation using random walks
US20150032767A1 (en) * 2013-07-26 2015-01-29 Microsoft Corporation Query expansion and query-document matching using path-constrained random walks
CN110378486A (zh) * 2019-07-15 2019-10-25 出门问问信息科技有限公司 网络嵌入方法、装置、电子设备和存储介质
CN110826328A (zh) * 2019-11-06 2020-02-21 腾讯科技（深圳）有限公司 关键词提取方法、装置、存储介质和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘思;刘海;陈启买;贺超波;: "基于网络表示学习与随机游走的链路预测算法", 计算机应用, no. 08 *
夏辉;张三顺;孙运传;肖甫;李晔;成秀珍;: "车载自组网中基于信任管理的安全组播协议设计", 计算机学报, no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759306A (zh) * 2022-11-14 2023-03-07 首约科技(北京)有限公司 模拟游走方法、装置、电子设备及存储介质
CN115759306B (zh) * 2022-11-14 2023-11-24 首约科技(北京)有限公司 模拟游走方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111832602B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
US20200364389A1 (en) Generating integrated circuit floorplans using neural networks
KR102170199B1 (ko) 비교 세트를 사용한 입력 예시들 분류
CN108431832B (zh) 利用外部存储器扩增神经网络
Lee et al. Dual-Memory Deep Learning Architectures for Lifelong Learning of Everyday Human Behaviors.
US20210233405A1 (en) Parking lot free parking space predicting method, apparatus, electronic device and storage medium
JP6611053B2 (ja) 主題推定システム、主題推定方法およびプログラム
KR20180091842A (ko) 우선순위화된 경험 메모리를 사용한 신경 네트워크의 트레이닝
EP3791324A1 (en) Sample-efficient reinforcement learning
CN106471525A (zh) 增强神经网络以生成附加输出
US20170213150A1 (en) Reinforcement learning using a partitioned input state space
CN114357105B (zh) 地理预训练模型的预训练方法及模型微调方法
US20180174108A1 (en) Method, system and non-transitory computer-readable recording medium for providing predictions on calendar
US20190286978A1 (en) Using natural language processing and deep learning for mapping any schema data to a hierarchical standard data model (xdm)
US11593384B2 (en) Parking lot free parking space predicting method, apparatus, electronic device and storage medium
CN111931067A (zh) 兴趣点推荐方法、装置、设备和介质
US20210232986A1 (en) Parking lot free parking space predicting method, apparatus, electronic device and storage medium
US11379741B2 (en) Method, apparatus and storage medium for stay point recognition and prediction model training
JP7293729B2 (ja) 学習装置、情報出力装置、及びプログラム
US11182665B2 (en) Recurrent neural network processing pooling operation
CN112508177A (zh) 一种网络结构搜索方法、装置、电子设备及存储介质
Liu et al. Smart city moving target tracking algorithm based on quantum genetic and particle filter
CN111832602B (zh) 基于地图的特征嵌入方法、装置、存储介质和电子设备
US11267128B2 (en) Online utility-driven spatially-referenced data collector for classification
JP6433876B2 (ja) パラメータ推定装置、予測装置、方法、及びプログラム
US20210406773A1 (en) Transforming method, training device, and inference device

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