CN111954175A - 一种兴趣点到访判别方法和相关装置 - Google Patents

Abstract

本申请实施例公开一种兴趣点到访判别方法和相关装置，若获取到包括第一WiFi信息的用户请求数据，根据第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI。若通过分类模型确定用户到访POI，再进一步确定用户到访的是哪个POI，此时，可以计算第一WiFi信息和第二WiFi信息的相似性得分，从而根据相似性得分确定用户到访的目标POI。由于WiFi指纹库是基于多个维度的历史POI到访数据构建的，可以覆盖更加丰富的POI，从而提升POI的覆盖度，进而提高了POI到访判别的精确性，提升用户的室内定位体验。

Description

一种兴趣点到访判别方法和相关装置

技术领域

本申请涉及计算机应用领域，特别是涉及一种兴趣点到访判别方法和相关装置。

背景技术

随着移动互联网和移动智能设备的不断发展，终端用户产生了大量的定位、轨迹等线下数据。线下数据真实反映了用户在物理时空中的行为特征，对线上数据形成了良好补充，完善了用户画像属性的计算，广泛应用于在线信息推送、精准营销等多个具体应用中。特别的，如果能够确定或者预测出用户到访了一个兴趣点(Point Of Interest，POI)，例如酒店、饭店、商场、居民楼等，则可以完成准确命中用户实际需求的信息推送或者实现导航起点选取。

目前，POI到访判别方法在室内场景下存在使用覆盖率差的问题，进而无法判断用户到访的POI。

发明内容

为了解决上述技术问题，本申请提供了一种兴趣点到访判别方法和相关装置，提供了不同层次和不同精准度的POI到访服务。同时，提升了POI的覆盖度，进而提高了POI到访判别的精确性，提升用户的室内定位体验。

本申请实施例公开了如下技术方案：

一方面，本申请实施例提供一种兴趣点到访判别方法，所述方法包括：

获取用户请求数据，所述用户请求数据中包括第一WiFi信息；

根据所述第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI；所述WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，所述第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征；所述WiFi指纹库是基于多个维度的历史POI到访数据构建的；

若通过所述分类模型确定所述用户到访POI，计算所述第一WiFi信息和所述第二WiFi信息的相似性得分；

根据所述相似性得分确定用户到访的目标POI。

另一方面，本申请实施例提供一种兴趣点到访判别装置，所述装置包括获取单元、判别单元、计算单元和确定单元

所述获取单元，用于获取用户请求数据，所述用户请求数据中包括第一WiFi信息；

所述判别单元，用于根据所述第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI；所述WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，所述第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征；所述WiFi指纹库是基于多个维度的历史POI到访数据构建的；

所述计算单元，用于若通过所述分类模型确定所述用户到访POI，计算所述第一WiFi信息和所述第二WiFi信息的相似性得分；

所述确定单元，用于根据所述相似性得分确定用户到访的目标POI。

又一方面，本申请实施例提供一种用于兴趣点到访判别的设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行前述兴趣点到访判别方法。

再一方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行前述兴趣点到访判别方法。

由上述技术方案可以看出，本申请实施例基于多个维度的历史POI到访数据预先构建WiFi指纹库，WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征。并且基于WiFi指纹库训练分类模型，由于WiFi指纹库是基于多个维度的历史POI到访数据构建的，故可以利用该分类模型可以提供了不同层次和不同精准度的POI到访服务。当获取到包括第一WiFi信息的用户请求数据时，根据第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI，若通过分类模型确定用户到访POI，再进一步确定用户到访的是哪个POI，此时，可以计算第一WiFi信息和第二WiFi信息的相似性得分，相似性得分越高说明用户请求数据中的第一WiFi信息与第二WiFi信息越相似，用户很可能到访了与该第二WiFi信息关联的POI，故根据相似性得分确定用户到访的目标POI。由于WiFi指纹库是基于多个维度的历史POI到访数据构建的，可以覆盖更加丰富的POI，从而提升POI的覆盖度，进而提高了POI到访判别的精确性，提升用户的室内定位体验。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种兴趣点到访判别方法的应用场景示意图；

图2为本申请实施例提供的一种兴趣点到访判别方法的流程图；

图3为本申请实施例提供的数据收集的不同维度示例图；

图4为本申请实施例提供的不同维度的WiFi指纹构建算法示例图；

图5为本申请实施例提供的一种兴趣点到访判别方法的流程框架图；

图6为本申请实施例提供的一种兴趣点到访判别装置的结构图；

图7为本申请实施例提供的一种用于兴趣点到访判别设备的结构图；

图8为本申请实施例提供的一种服务器的结构图。

具体实施方式

下面结合附图，对本申请的实施例进行描述。

相关技术中提供的POI到访判别方法，在室内场景下存在使用覆盖率差的问题，进而无法判断用户到访的POI。

例如，用户在商场的某一间店铺(该店铺为POI位置)开启导航，即用户在POI位置上使用手机地图发起导航功能时，由于处于室内环境下，由于全球定位系统(GlobalPositioning System，GPS)信号缺失或者被遮挡，从而导致不能准确的定位到用户真实的POI位置，此时的导航起点无法选取到该店铺，可能仅是定位到该商场。

为了解决上述技术问题，本申请实施例提供一种兴趣点到访判别方法，该方法利用预先构建的无线保真(Wireless Fidelity，WiFi)指纹库和基于WiFi指纹库训练的分类模型实现兴趣点到访判别，提供了不同层次和不同精准度的POI到访服务。同时，提升了POI的覆盖度，进而提高了POI到访判别的精确性，提升用户的室内定位体验。

该方法可以应用到数据处理设备，该数据处理设备可以是服务器，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统。

该数据处理设备还可以是终端设备，终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能手表等，但并不局限于此。终端设备以及服务器可以通过无线通信方式进行直接或间接地连接，本申请在此不做限制。

需要说明的是，本申请实施例提供的方法可以应用于多种定位场景，例如导航的起点吸附、用户的兴趣推荐等场景。例如在导航的起点吸附场景下，用户在POI位置上使用手机地图发起导航功能时，通过该方法实时判别POI到访服务，可以判别此时用户到访的POI，从而将导航起点精确定位到POI，从而为用户提供更好的导航体验导航。又如在用户的兴趣推荐场景下，通过该方法实时判别POI到访服务，可以判别此时用户到访的POI，根据用户到访的POI推断用户的兴趣、爱好，从而给用户推进类似的店铺、相关的商品等等。

为了便于理解本申请的技术方案，下面结合实际应用场景，以服务器为例对本申请实施例提供的兴趣点到访判别方法进行介绍。

参见图1，图1为本申请实施例提供的兴趣点到访判别方法的应用场景示意图。该应用场景中包括服务器101和终端设备102，终端设备102和服务器101通过无线网络连接。终端设备102上安装有应用软件，例如地图应用。服务器101上可以包括WiFi指纹库，WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，POI信息与第二WiFi信息的关联关系反映了每个POI所关联的WiFi信息，即每个POI的WiFi指纹，第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征；WiFi指纹库是基于多个维度的历史POI到访数据构建的。

当用户打开终端设备102上的地图应用时，可以触发包括第一WiFi信息的用户请求数据以请求定位服务。服务器101获取该用户请求数据，第一WiFi信息可以反映出终端设备102扫描到的WiFi列表及WiFi的第一信号强度分布特征。

通常情况下，用户到访POI(例如用户进入店铺A)时终端设备102扫描到的WiFi的信号强度和用户未到访POI(例如用户在店铺A外停留)时终端设备102扫描到的WiFi的信号强度是不同的，因此，可以根据第一WiFi信息中的第一信号强度分布特征判别用户是否到访POI。WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征，若用户到访POI，则第一信号强度分布特征应该与第二信号强度分布特征类似，故可以根据第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI。

若服务器101通过分类模型确定用户到访POI，则进一步计算第一WiFi信息和第二WiFi信息的相似性得分，从而根据所述相似性得分确定用户到访的目标POI。

接下来，将以服务器为执行主体，结合附图对本申请实施例提供的兴趣点到访判别方法进行详细介绍。

参见图2，图2示出了一种兴趣点到访判别方法的流程图，方法包括：

S201、获取用户请求数据。

当用户打开终端设备上某一具有定位功能的应用程序时，可以触发用户请求数据以请求定位服务，用户请求数据中包括第一WiFi信息，第一WiFi信息可以反映出终端设备102扫描到的WiFi列表及WiFi的第一信号强度分布特征。服务器可以接收到该用户请求数据，从而根据用户请求数据执行后续POI到访判别方法。

S202、根据所述第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI。

其中，WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征，WiFi指纹库是基于多个维度的历史POI到访数据预先构建的。其中，WiFi信息例如第一WiFi信息和第二WiFi信息还可以包括WiFi的唯一标识例如媒体存取控制位址(Media Access Control Address，MAC)地址、出现次数等信息。

通过收集不同维度的数据用于构建不同层次的POI到访WiFi指纹库，以实现和支撑不同的层次的POI到访需求。

例如，很多用户不想泄露自己的准确位置，本申请实施例可以提供POI级别的定位，比如仅定位到某个学校、某个景区等，也就是可以提供定位到POI名称，而不提供经纬度的精确值，能够更好地保护用户的隐私。又如，用户的室内定位场景，绝大部分的室内场景的定位是无法判定用户的准确位置的，本申请实施例由于WiFi指纹库覆盖了丰富的POI，并且包括了POI的精确位置，通过室内精准的POI位置可以提升用户的室内定位体验。

在一些可能的实施例中，分类模型包括但不限于逻辑回归模型、随机森林模型、极端梯度提升(eXtreme Gradient Boosting，XGBoost)等二分类模型。本申请实施例可以对分类模型进行离线训练，训练后得到的分类模型用户线上实时服务。

用户到访POI时终端设备扫描到的WiFi的信号强度和用户未到访POI时终端设备扫描到的WiFi的信号强度是不同的，因此，可以根据第一WiFi信息中的第一信号强度分布特征判别用户是否到访POI。分类模型根据第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，对用户是否到访POI进行区分。若分类模型返回是或者返回1，则可以认为用户到访POI；若分类模型返回否或者返回0，则可以认为用户未到访POI。

在一些可能的实施例中，服务器可以根据WiFi指纹库训练分类模型，收集的到访的POI数据作为正样本，未到访的数据作为负样本。分类模型的训练方法可以是获取历史POI到访数据，历史POI到访数据具有对应的到访标签，到访标签可以表征真实的是否到访POI。将历史POI到访数据输入到分类模型中，分类模型可以根据历史POI到访数据中WiFi的信号强度分布特征和每个WiFi在WiFi指纹库中的信号强度分布特征，确定预测结果，预测结果为预测得到的用户是否到访POI的结果。然后，根据预测结果和对应的到访标签对分类模型进行训练。

S203、若通过所述分类模型确定所述用户到访POI，计算所述第一WiFi信息和所述第二WiFi信息的相似性得分。

S204、根据所述相似性得分确定用户到访的目标POI。

若通过分类模型确定用户到访POI，则进一步确定用户到访哪个POI。由于不同POI对应的WiFi指纹不同，即不同POI关联的WiFi信息不同，若用户请求数据中的第一WiFi信息与WiFi指纹库中某个WiFi信息相同或相近，则可以认为用户到访的是该WiFi信息所关联的POI。因此，可以计算第一WiFi信息和第二WiFi信息的相似性得分，进而根据相似性得分确定用户到访的目标POI。

在一些可能的实现方式中，计算第一WiFi信息和第二WiFi信息的相似性得分时，打分项可以包括但不限于第一WiFi信息和第二WiFi信息共有的WiFi个数、每个共有的WiFi在WiFi指纹中的出现次数和信号强度等信息。对每个潜在的POI进行打分，该打分即相似性得分，可以体现用户到访每个POI的可能性。POI的打分越高，用户访问该POI的可能性越高，因此，选择打分最高的POI作为目标POI。

在一些情况下，为了避免相似性得分的量级不同，从而无法直接通过比较相似性得分的大小来确定目标POI，可以对相似性得分进行归一化，根据归一化后的相似性得分确定目标POI。

在一些可能的实施例中，用户请求数据包括定位位置，为了进一步确认S204中得到的目标POI是否准确，有效的降低POI的误判率，在确定目标POI之后，还可以根据目标POI的位置与定位位置之间的差异，确定目标POI是否满足第一预设到访条件，若满足，则说明该目标POI是准确的，是用户真实到访的POI，可以向用户返回所述目标POI。其中，第一预设到访条件可以是目标POI的位置与定位位置之间的距离小于第一阈值。

WiFi指纹中所覆盖的PIO通常为用户真实到访的POI，然而，在一些情况下，预测得到的目标POI可能不是WiFi指纹中所覆盖的PIO。由于相似性得分可以反映目标POI是WiFi指纹中所覆盖的PIO的可能性，相似性得分越高，目标POI是WiFi指纹中所覆盖的PIO的可能性越高，即目标POI是用户真实到访的POI。因此，在确定用户到访的目标POI之后，还可以确定所述目标POI对应的相似性得分的大小是否满足第二预设到访条件，若满足，则可以认为目标POI是WiFi指纹中所覆盖的PIO，可以向用户返回所述目标POI。其中，第二预设到访条件可以是相似性得分的大小达到第二阈值。

由上述技术方案可以看出，本申请实施例基于多个维度的历史POI到访数据预先构建WiFi指纹库，WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征。并且基于WiFi指纹库训练分类模型，由于WiFi指纹库是基于多个维度的历史POI到访数据构建的，故可以利用该分类模型可以提供了不同层次和不同精准度的POI到访服务。当获取到包括第一WiFi信息的用户请求数据时，根据第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI，若通过分类模型确定用户到访POI，再进一步确定用户到访的是哪个POI，此时，可以计算第一WiFi信息和第二WiFi信息的相似性得分，相似性得分越高说明用户请求数据中的第一WiFi信息与第二WiFi信息越相似，用户很可能到访了与该第二WiFi信息关联的POI，故根据相似性得分确定用户到访的目标POI。由于WiFi指纹库是基于多个维度的历史POI到访数据构建的，可以覆盖更加丰富的POI，从而提升POI的覆盖度，进而提高了POI到访判别的精确性，提升用户的室内定位体验。

其中，本申请实施例可以根据用户选择的精度，为用户提供不同层次和不同精准度的POI到访服务。例如，若用户选择高精度的POI到访服务，那么，利用该分类模型可以确定精确POI到访信息，例如具体的名称(例如**超市)、经纬度坐标等等；若用户选择低精度的POI到访服务，则可以确定模糊POI到访信息，例如仅定位出经纬度坐标。

在本实施例中，WiFi指纹库是基于多个维度的历史POI到访数据进行构建的。WiFi指纹库的构建方法可能包括多种，在一种可能的实施例中，WiFi指纹库的构建方法可以是收集多个维度的历史POI到访数据，然后根据历史POI到访数据对所有WiFi进行聚类，得到聚类结果。该聚类结果表征每个WiFi所对应的POI，故可以根据聚类结果建立POI信息和WiFi信息的关联关系，以构建WiFi指纹库。

在本申请实施例中，多个维度的历史POI到访数据包括以下至少两种的组合：模糊POI到访数据、WiFi绑定POI的到访数据、精准POI到访数据和基于轨迹POI到访数据。参见图3，图3示出了数据收集的不同维度示例图，分别是模糊POI到访数据、WiFi绑定POI的到访数据、精准POI到访数据和基于轨迹POI到访数据上述四个维度的到访数据。

其中，模糊POI到访数据，不需要知晓用户到访的POI名称，也不对用户进行POI的指派，即每个扫描到的WiFi都对应一个未知的POI。通过收集每个WiFi的连接WiFi的历史定位请求，该历史定位请求包括WiFi历史请求，即收集模糊POI到访数据，从而构建该未知POI的WiFi指纹。也就是说，收集一段时间内，使用定位服务且包含连接WiFi信息的数据即可。

WiFi绑定POI的到访数据(连接WiFi-POI)，是指用户连接的WiFi可以通过不同的途径绑定到对应的POI上，其中包括WiFi绑定的POI位置信息。这里的不同的途径包括但不限于基于WiFi的服务集标识符(Service Set Identifier，SSID)和POI名称的匹配算法，基于POI的WiFi的MAC地址信息进行匹配。通过收集连接绑定WiFi定位请求，即WiFi绑定POI的到访数据，可以构建对应的绑定POI的WiFi指纹。

基于签到行为产生的精准POI到访数据，是指收集用户的一段时间内签到行为产生的扫描数据，即用户签到数据，其中包括共现WiFi的历史定位请求，结合其他用户未签到的数据可以直接构建“签到”POI的WiFi指纹。签到行为包括但不限于微信签到、外卖派送、美团到店等行为产生的数据。

WiFi和POI的关联不限于本申请实施例提供的SSID匹配和用户签到数据等途径，可以使用任意的其他途径进行绑定。比如：在很多推荐场景中已知商场的店铺WiFi信息等。

基于轨迹POI到访数据，是指收集完整的用户轨迹数据，通过分析用户的停留点和轨迹推到算法，构建用户历史到访过的POI的WiFi指纹。

需要说明的是，以上收集数据过程都是基于历史一段时间内的数据收集的，对于用户来说是无感知的，且无需任何附加的硬件设备或者软件系统等。

对于WiFi和POI的关联数据收集，不限于本申请实施例提供的方式。比如也可以采用部署硬件设备、WiFi探针，也可以收集用户的地图搜索、外卖、快递等下单信息等数据。

需要说明的是，历史POI到访数据反映了其所连接的WiFi，不同POI对应的历史POI到访数据中出现的WiFi可能有所不同。因此，在一些可能的实施例中，根据历史POI到访数据对所有WiFi进行聚类，得到聚类结果的方式可以是根据每条所述历史POI到访数据，确定所有WiFi的共现关系。根据该共现关系确定相似性矩阵，进而根据相似性矩阵对所有WiFi进行聚类，得到聚类结果。

例如针对图4中的模糊POI到访数据，基于WiFi的共现关系进行聚类。具体地，基于每个连接WiFi的历史定位请求，构建历史定位请求中出现的WiFi的共现关系，比如连接WiFi A和WiFi B同时出现在两条历史定位请求中，则可以说A和B共现两次。基于所有WiFi的共现关系构成的相似性矩阵，进一步采用聚类算法，得到聚类结果。

需要说明的是，在进行聚类时，可以剔除掉一些包含较少共现关系的类。利用剩余的类作为该连接WiFi对应的未知POI的WiFi指纹。WiFi指纹中可以包括WiFi以及每个WiFi的出现次数和信号强度分布等信息。然后，基于每个类的历史定位请求对应的定位结果，获得一个最后的位置作为POI的位置，比如历史定位请求位置的中心点等，从而得到POI信息与WiFi信息的关联关系，构建POI的WiFi指纹。

图4还提供了基于其他维度的历史POI到访数据构建WiFi指纹的算法。例如，针对WiFi绑定POI的到访数据，基于连接WiFi绑定POI算法进行聚类。具体的，基于连接WiFi且信号强度比较强的定位请求，采用与模糊POI到访数据类似的办法，构建POI的WiFi指纹，将已知的POI位置作为最后的POI的位置，从而得到POI信息与WiFi信息的关联关系，构建POI的WiFi指纹。

针对基于签到行为产生的精准POI到访数据，POI的位置是已知的，可以基于签到的种子进行聚类。对于签到数据比较丰富的POI，可以直接采用签到数据对应的定位请求进行聚类得到POI的WiFi指纹。对于签到数据较少的POI，可以通过签到数据作为种子，在历史定位请求中挖掘“相似”定位请求，进一步通过聚类方法获得POI的WiFi指纹。

针对基于轨迹POI到访数据，可以基于轨迹的POI推导算法进行聚类。具体的，通过用户的轨迹数据，区分用户是停留还是经过某一特定位置。基于停留点的WiFi信息进行聚类获得特定位置的POI的WiFi指纹。

接下来，将结合实际应用场景对本申请实施例提供的兴趣点到访判别方法进行介绍。该应用场景可以是在室内场景下，用户在POI位置上使用手机地图发起导航功能时，需要定位该POI位置，以便将该POI位置作为导航的起点。参见图5，所述方法包括离线过程和在线判别过程，其中，离线过程主要是构建WiFi指纹库，并且训练得到分类模型；在线判别过程主要是基于用户请求数据，判别用户是否到访POI，以及用户到访哪个POI。

在离线过程中，服务器可以收集多个维度的历史POI到访数据。然后，根据多个维度的历史POI到访数据，构建WiFi指纹库。根据所述WiFi指纹库和历史定位请求训练得到分类模型，分类模型可以提供给线上服务使用，从而进行POI到访判别。在在线判别过程中，当服务器获取到用户请求数据时，将用户请求数据输入分类模型，判别用户是否到访POI。若是，则继续确定用户到访的目标POI，以便将目标POI确定为导航起点，在室内场景实现精准定位。

基于前述实施例提供的一种兴趣点到访判别方法，本申请实施例还提供一种兴趣点到访判别装置600，参见图6，所述装置600包括获取单元601、判别单元602、计算单元603和确定单元604：

所述获取单元601，用于获取用户请求数据，所述用户请求数据中包括第一WiFi信息；

所述判别单元602，用于根据所述第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI；所述WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，所述第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征；所述WiFi指纹库是基于多个维度的历史POI到访数据构建的；

所述计算单元603，用于若通过所述分类模型确定所述用户到访POI，计算所述第一WiFi信息和所述第二WiFi信息的相似性得分；

所述确定单元604，用于根据所述相似性得分确定用户到访的目标POI。

在一种可能的实现方式中，所述用户请求数据包括定位位置，所述确定单元604还用于：

根据所述目标POI的位置与所述定位位置之间的差异，确定所述目标POI是否满足第一预设到访条件；

若满足，则向用户返回所述目标POI。

在一种可能的实现方式中，所述确定单元604还用于：

确定所述目标POI对应的所述相似性得分的大小是否满足第二预设到访条件；

若满足，则向用户返回所述目标POI。

在一种可能的实现方式中，所述装置还包括训练单元：

所述训练单元，用于：

获取历史定位请求和对应的到访标签；

根据所述历史定位请求中WiFi的信号强度分布特征和每个所述WiFi在WiFi指纹库中的信号强度分布特征，通过所述分类模型确定预测结果；

根据所述预测结果和所述对应的到访标签对所述分类模型进行训练。

在一种可能的实现方式中，所述装置还包括构建单元：

所述构建单元，用于：

收集多个维度的历史POI到访数据；

根据所述历史POI到访数据对所有WiFi进行聚类，得到聚类结果，所述聚类结果表征每个WiFi所对应的POI；

根据所述聚类结果建立POI信息和WiFi信息的关联关系，以构建所述WiFi指纹库。

在一种可能的实现方式中，所述多个维度的历史POI到访数据包括以下至少两种的组合：

模糊POI到访数据、WiFi绑定POI的到访数据、基于签到行为产生的精准POI到访数据和基于轨迹POI到访数据。

在一种可能的实现方式中，所述构建单元，用户：

根据每条所述历史POI到访数据，确定所有WiFi的共现关系；

根据所述共现关系确定相似性矩阵；

根据所述相似性矩阵对所有WiFi进行聚类，得到聚类结果。

本申请实施例还提供了一种用于兴趣点到访判别的设备，下面结合附图对用于兴趣点到访判别的设备进行介绍。请参见图7所示，该设备可以是终端设备，以终端设备为手机为例：

图7示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图7，手机包括：射频(Radio Frequency，简称RF)电路710、存储器720、输入单元730、显示单元740、传感器750、音频电路760、无线保真(wireless fidelity，简称WiFi)模块770、处理器780、以及电源790等部件。本领域技术人员可以理解，图7中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储器720可用于存储软件程序以及模块，处理器780通过运行存储在存储器720的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器720可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器780是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器720内的软件程序和/或模块，以及调用存储在存储器720内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器780可包括一个或多个处理单元；优选的，处理器780可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器780中。

在本实施例中，该终端设备所包括的处理器780还具有以下功能：

获取用户请求数据，所述用户请求数据中包括第一WiFi信息；

根据所述第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI；所述WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，所述第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征；所述WiFi指纹库是基于多个维度的历史POI到访数据构建的；

若通过所述分类模型确定所述用户到访POI，计算所述第一WiFi信息和所述第二WiFi信息的相似性得分；

根据所述相似性得分确定用户到访的目标POI。

本申请实施例还提供服务器，请参见图8所示，图8为本申请实施例提供的服务器800的结构图，服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，简称CPU)822(例如，一个或一个以上处理器)和存储器832，一个或一个以上存储应用程序842或数据844的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器832和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器822可以设置为与存储介质830通信，在服务器800上执行存储介质830中的一系列指令操作。

服务器800还可以包括一个或一个以上电源826，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口858，和/或，一个或一个以上操作系统841，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

在本实施例中，该服务器所包括的处理器822还具有以下功能：

获取用户请求数据，所述用户请求数据中包括第一WiFi信息；

根据所述第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI；所述WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，所述第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征；所述WiFi指纹库是基于多个维度的历史POI到访数据构建的；

若通过所述分类模型确定所述用户到访POI，计算所述第一WiFi信息和所述第二WiFi信息的相似性得分；

根据所述相似性得分确定用户到访的目标POI。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

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。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元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接口，装置或单元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单元可以是或者也可以不是物理上分开的，作为单元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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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全部或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、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种兴趣点到访判别方法，其特征在于，所述方法包括：

获取用户请求数据，所述用户请求数据中包括第一WiFi信息；

根据所述第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI；所述WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，所述第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征；所述WiFi指纹库是基于多个维度的历史POI到访数据构建的；

若通过所述分类模型确定所述用户到访POI，计算所述第一WiFi信息和所述第二WiFi信息的相似性得分；

根据所述相似性得分确定用户到访的目标POI。

2.根据权利要求1所述的方法，其特征在于，所述用户请求数据包括定位位置，所述根据所述相似性得分确定用户到访的目标POI之后，所述方法还包括：

根据所述目标POI的位置与所述定位位置之间的差异，确定所述目标POI是否满足第一预设到访条件；

若满足，则向用户返回所述目标POI。

3.根据权利要求1所述的方法，其特征在于，所述根据所述相似性得分确定用户到访的目标POI之后，所述方法还包括：

确定所述目标POI对应的所述相似性得分的大小是否满足第二预设到访条件；

若满足，则向用户返回所述目标POI。

4.根据权利要求1所述的方法，其特征在于，所述分类模型的训练方式包括以下步骤：

获取所述历史POI到访数据，所述历史POI到访数据具有对应的到访标签；

根据所述历史POI到访数据中WiFi的信号强度分布特征和每个所述WiFi在WiFi指纹库中的信号强度分布特征，通过所述分类模型确定预测结果；

根据所述预测结果和所述对应的到访标签对所述分类模型进行训练。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：

收集多个维度的历史POI到访数据；

根据所述历史POI到访数据对所有WiFi进行聚类，得到聚类结果，所述聚类结果表征每个WiFi所对应的POI；

根据所述聚类结果建立POI信息和WiFi信息的关联关系，以构建所述WiFi指纹库。

6.根据权利要求5所述的方法，其特征在于，所述多个维度的历史POI到访数据包括以下至少两种的组合：

模糊POI到访数据、WiFi绑定POI的到访数据、基于签到行为产生的精准POI到访数据和基于轨迹POI到访数据。

7.根据权利要求5所述的方法，其特征在于，所述根据所述历史POI到访数据对所有WiFi进行聚类，得到聚类结果，包括：

根据每条所述历史POI到访数据，确定所有WiFi的共现关系；

根据所述共现关系确定相似性矩阵；

根据所述相似性矩阵对所有WiFi进行聚类，得到聚类结果。

8.一种兴趣点到访判别装置，其特征在于，所述装置包括获取单元、判别单元、计算单元和确定单元

所述获取单元，用于获取用户请求数据，所述用户请求数据中包括第一WiFi信息；

所述判别单元，用于根据所述第一WiFi信息中的第一信号强度分布特征和WiFi指纹库中每个兴趣点POI所关联的WiFi的第二信号强度分布特征，通过分类模型判别用户是否到访POI；所述WiFi指纹库中包括POI信息与第二WiFi信息的关联关系，所述第二WiFi信息包括每个POI所关联的WiFi的第二信号强度分布特征；所述WiFi指纹库是基于多个维度的历史POI到访数据构建的；

所述计算单元，用于若通过所述分类模型确定所述用户到访POI，计算所述第一WiFi信息和所述第二WiFi信息的相似性得分；

所述确定单元，用于根据所述相似性得分确定用户到访的目标POI。

9.一种用于兴趣点到访判别的设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-7任一项所述的方法。

Images