CN112115387A - 兴趣点poi推荐模型的训练方法、装置和电子设备 - Google Patents

兴趣点poi推荐模型的训练方法、装置和电子设备 Download PDF

Info

Publication number
CN112115387A
CN112115387A CN202011023896.7A CN202011023896A CN112115387A CN 112115387 A CN112115387 A CN 112115387A CN 202011023896 A CN202011023896 A CN 202011023896A CN 112115387 A CN112115387 A CN 112115387A
Authority
CN
China
Prior art keywords
poi
pois
information
user
attribute
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
CN202011023896.7A
Other languages
English (en)
Other versions
CN112115387B (zh
Inventor
周景博
熊辉
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011023896.7A priority Critical patent/CN112115387B/zh
Publication of CN112115387A publication Critical patent/CN112115387A/zh
Priority to US17/347,418 priority patent/US20210302185A1/en
Application granted granted Critical
Publication of CN112115387B publication Critical patent/CN112115387B/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
    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3605—Destination input or retrieval
    • G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3811—Point data, e.g. Point of Interest [POI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种兴趣点POI推荐模型的训练方法、装置和电子设备，涉及人工智能和大数据技术领域。具体实现方案为：在训练生成POI推荐模型时，正是因为考虑到用户对POI的偏好信息和不同层级的POI之间的关系会影响POI推荐的准确度，因此，在训练生成POI推荐模型时，先获取用户对POI的偏好信息和不同层级的POI之间的关系，并根据用户对POI的偏好信息和不同层级的POI之间的关系，训练生成的POI推荐模型，从而提高了POI推荐模型的准确度，这样在基于准确度较高的POI推荐模型进行POI推荐时，还可以有效地提高POI推荐的准确度。

Description

兴趣点POI推荐模型的训练方法、装置和电子设备
技术领域
本申请涉及人工智能和大数据技术领域，尤其涉及一种兴趣点POI推荐模型的训练方法、装置和电子设备。
背景技术
兴趣点(Point Of Interest，POI)泛指一切可以抽象为点的地理对象，尤其是一些与人们生活密切相关的地理实体，例如，学校、银行、餐馆、加油站、医院或者超市等。POI推荐的主要功能为基于POI推荐模型向用户推荐特定的兴趣点，例如，餐馆，酒店、风景区等，从而为用户提供便利。
现有技术中，在基于POI推荐模型向用户推荐POI时，该现有的POI推荐模型是将所有的POI视为单独个体进行推荐，由于现有的POI推荐模型的准确度较低，使得在基于准确度较低的POI推荐模型进行POI推荐时，也会导致POI推荐的准确度较低。
发明内容
本申请提供了一种兴趣点POI推荐模型的训练方法、装置和电子设备，提高了POI推荐模型的准确度，这样在基于准确度较高的POI推荐模型进行推荐时，也提高了POI推荐的准确度。
根据本申请的一方面，提供了一种兴趣点POI推荐模型的训练方法，该兴趣点POI推荐模型的训练方法可以包括：
采集POI样本数据。
分别获取多个用户对所述POI样本数据中的POI的偏好信息，和所述POI样本数据中不同层级的POI之间的关系；其中，不同层级的POI是基于地理实体概念划分得到。
根据所述多个用户对POI的偏好信息和所述不同层级的POI之间的关系，训练生成POI推荐模型。
根据本申请的另一方面，提供了一种兴趣点POI推荐模型的训练装置，该兴趣点POI推荐模型的训练装置可以包括：
采集模块，用于采集POI样本数据。
处理模块，用于分别获取多个用户对所述POI样本数据中的POI的偏好信息，和所述POI样本数据中不同层级的POI之间的关系；其中，不同层级的POI是基于地理实体概念划分得到。
所述处理模块，还用于根据所述多个用户对POI的偏好信息和所述不同层级的POI之间的关系，训练生成POI推荐模型。
根据本申请的又一方面，提供了一种电子设备，该电子设备可以包括：
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上述提供的兴趣点POI推荐模型的训练方法。
根据本申请的又一方面，提供了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上述提供的兴趣点POI推荐模型的训练方法。
根据本申请的技术方案，在训练生成POI推荐模型时，正是因为考虑到用户对POI的偏好信息和不同层级的POI之间的关系会影响POI推荐的准确度，因此，在训练生成POI推荐模型时，先获取用户对POI的偏好信息和不同层级的POI之间的关系，并根据用户对POI的偏好信息和不同层级的POI之间的关系，训练生成的POI推荐模型，从而提高了POI推荐模型的准确度，这样在基于准确度较高的POI推荐模型进行POI推荐时，还可以有效地提高POI推荐的准确度。
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为本申请实施例提供的一种应用场景的示意图；
图2是根据本申请第一实施例提供的兴趣点POI推荐模型的训练方法的流程示意图；
图3为本申请实施例提供的一种POI-tree的结构示意图；
图4是根据本申请第二实施例提供的获取多个用户对POI的偏好信息的流程示意图；
图5是根据本申请第三实施例提供的获取不同层级的POI之间的关系的流程示意图；
图6是根据本申请第四实施例提供的兴趣点POI推荐模型的训练装置50的结构示意图；
图7是根据本申请实施例的兴趣点POI推荐模型的训练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。
在本申请的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本申请的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例提供的兴趣点表征和用户表征的学习可以应用于POI推荐场景中。该POI推荐场景中可以包括一个POI推荐装置、一个服务器，及多个电子设备，示例的，请参见图1所示，图1为本申请实施例提供的一种应用场景的示意图，POI推荐装置可以为电子设备，示例的，POI推荐装置中可以包括数据采集模块、POI推荐模块以及POI推送模块，其中，POI推荐模块中存储有POI推荐模型。POI推荐装置在向多个用户进行POI推荐时，可以先通过其数据采集模块从服务器采集待推荐POI的信息，例如，推荐购物中心或者餐馆的信息，并在采集到待推荐POI的信息后，将采集到的待推荐POI的信息输入至POI推荐模块中的POI推荐模型，通过POI推荐模型判断是否将该待推荐POI推荐至用户，具体为推送至用户使用的终端。经过判断之后，若确定要将该待推荐POI推荐至用户，则可以通过其推送模块将该待推荐POI推送给用户的终端。但是，现有的POI推荐模型是将所有的POI视为单独个体进行推荐，由于现有的POI推荐模型的准确度较低，因此，在基于准确度较低的POI推荐模型进行POI推荐时，也会导致POI推荐的准确度较低。
举例来说，POI推荐装置在基于POI推荐模型向用户推荐购物中心或者餐馆时，是将是推荐购物中心或餐馆视为单独个体输入至POI推荐模型中，并通过POI推荐模型判断是否将该购物中心或餐馆推荐至用户。但在实际应用过程中，以用户选择购物中心为例，用户在选择购物中心时，可能是受到其中餐馆的吸引，但是，现有的POI推荐模型并未考虑用户对购物中心的偏好信息，也未考虑购物中心与餐馆之间的层级关系，但在实际应用过程中，这两个因素都会影响POI推荐装置对购物中心的推荐，因此，现有的POI推荐模型的准确度较低，在基于准确度较低的POI推荐模型进行POI推荐时，也会导致POI推荐的准确度较低。
为了提高POI推荐模型的准确度，从而在进行POI推荐时，提高POI推荐的准确度，可以尝试考虑用户对POI的偏好信息，以及不同层级的POI之间的关系，并结合这两个因素训练生成POI推荐模型。基于此，本申请实施例提供了一种兴趣点POI推荐模型的训练方法，先采集POI样本数据；并分别获取多个用户对POI样本数据中的POI的偏好信息，和POI样本数据中不同层级的POI之间的关系；其中，不同层级的POI是基于地理实体概念划分得到；再根据多个用户对POI的偏好信息和不同层级的POI之间的关系，训练生成POI推荐模型。其中，POI样本数据中包括多个POI的标识，也可以包括各POI的位置信息等。
在根据POI的地理实体概念划分不同层级的POI时，示例的，区县级别的POI可以为一个层级，即可以将区县级别的POI划分至同一层级的POI；商圈级别的POI可以为一个层级，即可以将商圈级别的POI划分至同一层级的POI；购物中心级别的POI可以为一个层级，即可以将购物中心级别的POI划分至同一层级的POI。
可以理解的是，在本申请实施例中，根据多个用户对POI的偏好信息和不同层级的POI之间的关系，训练生成POI推荐模型，可以理解为，将多个用户对POI的偏好信息和不同层级的POI之间的关系输入至初始POI推荐模型中，对初始POI推荐模型进行更新，并得到更新后的POI推荐模型，该更新后的POI推荐模型即为训练生成的POI推荐模型。
由此可见，在本申请实施例中，在训练生成POI推荐模型时，正是因为考虑到用户对POI的偏好信息和不同层级的POI之间的关系会影响POI推荐的准确度，因此，在训练生成POI推荐模型时，先获取用户对POI的偏好信息和不同层级的POI之间的关系，并根据用户对POI的偏好信息和不同层级的POI之间的关系，训练生成的POI推荐模型，从而提高了POI推荐模型的准确度，这样在基于准确度较高的POI推荐模型进行POI推荐时，还可以有效地提高POI推荐的准确度。
下面，将通过具体的实施例对本申请提供的兴趣点POI推荐模型的训练方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例一
图2是根据本申请第一实施例提供的兴趣点POI推荐模型的训练方法的流程示意图，该兴趣点POI推荐模型的训练方法可以由软件和/或硬件装置执行，例如，该硬件装置可以为兴趣点POI推荐模型的训练装置，该兴趣点POI推荐模型的训练装置可以为电子设备。示例的，请参见图2所示，该兴趣点POI推荐模型的训练方法可以包括：
S201、采集POI样本数据。
示例的，POI样本数据中包括多个POI的标识，也可以包括各POI的位置信息等。
S202、分别获取多个用户对POI样本数据中的POI的偏好信息，和POI样本数据中不同层级的POI之间的关系。
其中，不同层级的POI是基于地理实体概念划分得到。
示例的，在本申请实施例中，用户对POI的偏好信息可以通过用户各自的属性信息和各用户到具有与POI的各类型信息相同的POI的访问数据确定，不同层级的POI之间的关系可以通过每一层POI的类型信息，和每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据确定。其中，用户的属性信息可以包括用户的年龄、国籍、或者学历等信息，POI的类型信息可以包括POI是否位于公园、或者POI每天被访问的访问数据是否满足预设条件等，示例的，访问数据可以包括访问次数和/或访问频率等。
以POI样本数据包括兴趣点CBD、Mall、图书馆、咖啡馆、餐馆、商店、美术馆及历史博物馆为例，在基于地理实体概念划分对这些POI进行层级划分时，可以将兴趣点CBD划分至同一个层级、将兴趣点Mall和图书馆划分至同一个层级，将咖啡馆、餐馆、商店、美术馆及历史博物馆划分至同一个层级。
基于该层级的划分，在表示不同层级的POI时，示例的，可以基于地理位置的包含关系构造具有L层的树形数据结构的POI-tree，又称POI树，该POI-tree中的每一节点均表示一个POI。其中，Hl表示l层的树，nl表示POI-tree在l层的POI的数量，这样可以通过构造的POI-tree表示不同层级的POI。示例的，以兴趣点CBD划分至同一个层级、兴趣点Mall和图书馆划分至同一个层级，咖啡馆、餐馆、商店、美术馆及历史博物馆划分至同一个层级为例，在表示该3个层级的POI时，可以构造一个具有3层的树形结构的POI-tree，示例的，可参见图3所示，图3为本申请实施例提供的一种POI-tree的结构示意图，可以看出，POI-tree中的第一层的节点表示CBD，第二层的两个节点分别表示包括Mall和图书馆，第三层的五个节点分别表示咖啡馆、餐馆、商店、美术馆和历史博物馆。假设在物理空间中，节点
Figure BDA0002701551910000061
被节点
Figure BDA0002701551910000062
所覆盖，则节点
Figure BDA0002701551910000063
是节点
Figure BDA0002701551910000064
的父亲节点，可以用
Figure BDA0002701551910000065
来表示节点
Figure BDA0002701551910000066
的所有孩子节点。其中，L为大于或者等于1的整数，l为小于或者等于L的整数。
结合图3所示的POI-tree，在获取多个用户对图3所示的POI-tree中POI的偏好信息时，可以通过多个用户各自的属性信息，和各用户到具有与图3所示的8个POI中每一个POI的各类型信息相同的POI的访问数据确定，例如，各用户到具有与CBD的各类型信息相同的POI的访问数据；这样就可以通过多个用户各自的属性信息，和各用户到具有与图3所示的8个POI中每一个POI的各类型信息相同的POI的访问数据获取多个用户对图3所示的POI-tree中POI的偏好信息。
在获取图3所示的POI-tree中不同层级的POI之间的关系时，可以通过POI-tree中每一层POI的类型信息，和每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据确定，例如，第一层的CBD被具有与上述多个用户的属性信息相同的用户访问的访问数据；这样就可以通过POI-tree中每一层POI的类型信息，和每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据获取图3所示的POI-tree中不同层级的POI之间的关系。
在分别获取到多个用户对POI样本数据中的POI的偏好信息，和POI样本数据中不同层级的POI之间的关系之后，就可以根据多个用户对POI的偏好信息和不同层级的POI之间的关系，训练生成POI推荐模型，即执行下述S203：
S203、根据多个用户对POI的偏好信息和不同层级的POI之间的关系，训练生成POI推荐模型。
示例的，在根据多个用户对POI的偏好信息和不同层级的POI之间的关系，训练生成POI推荐模型时，可以将多个用户对POI的偏好信息和不同层级的POI之间的关系，输入至用于指示POI推荐模型的优化目标的目标损失模型中，得到各用户对POI的目标偏好信息和不同层级的POI之间的目标关系；并根据各用户对POI的目标偏好信息和不同层级的POI之间的目标关系，训练生成POI推荐模型。
示例的，不同层级的POI通过POI树结构表示，在通过POI树结构表示时，目标损失模型可以为
Figure BDA0002701551910000071
即可以将多个用户对POI的偏好信息和不同层级的POI之间的关系，输入至
Figure BDA0002701551910000081
中，得到各用户对POI的目标偏好信息和不同层级的POI之间的目标关系。
其中，L表示POI树的层数，l表示POI树中的第l层，J表示POI推荐模型的优化目标，Uu用于描述各用户对POI的目标偏好信息，X用于描述各用户对POI的偏好信息，
Figure BDA0002701551910000082
Up用于描述不同层级的POI之间的目标关系，Yl用于描述不同层级的POI之间的关系，
Figure BDA0002701551910000083
VT用于表示共享的隐空间向量，
Figure BDA0002701551910000084
f表示用户的属性信息的数量与POI的类型信息的数量的总和。
由此可见，在本申请实施例中，在训练生成POI推荐模型时，正是因为考虑到用户对POI的偏好信息和不同层级的POI之间的关系会影响POI推荐的准确度，因此，在训练生成POI推荐模型时，先获取用户对POI的偏好信息和不同层级的POI之间的关系，并根据用户对POI的偏好信息和不同层级的POI之间的关系，训练生成的POI推荐模型，从而提高了POI推荐模型的准确度，这样在基于准确度较高的POI推荐模型进行POI推荐时，还可以有效地提高POI推荐的准确度。
基于上述图1所示的实施例，为了便于理解在本申请实施例S102中，如何获取多个用户对POI的偏好信息和如何获取不同层级的POI之间的关系，下面，将通过下述图4所示的实施例二，以及图5所示的实施例三，分别对如何获取多个用户对POI样本数据中的POI的偏好信息和如何获取不同层级的POI之间的关系进行详细的描述。
实施例二
图4是根据本申请第二实施例提供的获取多个用户对POI的偏好信息的流程示意图，该多个用户对POI的偏好信息的获取方法同样可以由软件和/或硬件装置执行，例如，该硬件装置可以为兴趣点POI推荐模型的训练装置。示例的，请参见图4所示，该多个用户对POI的偏好信息的获取方法可以包括：
S401、分别获取多个用户的属性信息，并获取各用户到具有与POI的各类型信息相同的POI的访问数据。
示例的，用户的属性信息可以包括用户的年龄、国籍、或者学历等信息，也可以包括其它信息，在此，本申请实施例只是以用户的属性信息可以包括用户的年龄、国籍、或者学历等信息为例进行说明，但并不代表本申请实施例仅局限于此。
示例的，各用户到具有与POI的各类型信息相同的POI的访问数据可以包括各用户到具有与POI的各类型信息相同的POI的访问次数，和/或，各用户到具有与POI的各类型信息相同的POI的访问频率等。
在分别获取到多个用户的属性信息，及各用户到具有与POI的各类型信息相同的POI的访问数据后，可以根据该多个用户的属性信息，以及各属性信息对应的属性规则，构造第一直接属性矩阵，并根据各用户到具有与POI的各类型信息相同的POI的访问数据，构造第一逆属性矩阵，即执行下述S402和S403。
S402、根据多个用户的属性信息，以及各属性信息对应的属性规则，构造第一直接属性矩阵。
在根据多个用户的属性信息，以及各属性信息对应的属性规则，构造第一直接属性矩阵之前，需要先针对每一种属性信息，定制该属性对应的属性规则。例如，当属性信息为年龄时，该年龄信息对应的属性规则可以为：年龄大于18岁，若用户的年龄大于18岁，则认为该用户的年龄信息满足其对应属性规则；相反的，若用户的年龄小于或者等于18岁，则认为该用户的年龄信息不满足其对应的属性规则。又例如，当属性信息为国籍时，该国籍信息对应的属性规则可以为：国籍为中国，若用户的国籍为非中国，则认为该用户的国籍信息不满足其对应属性规则；相反的，若用户的国籍为中国，则认为该用户的国籍信息满足其对应的属性规则。
示例的，在根据多个用户的属性信息，以及各属性信息对应的属性规则，构造第一直接属性矩阵时，该第一直接属性矩阵可以用XA表示，假设多个用户中的第i个用户的第K个属性信息为年龄，该年龄信息对应的属性规则为：年龄大于18岁，若用户的年龄大于18岁，则认为该用户的年龄信息满足其对应属性规则，对应的，第一直接属性矩阵XA中的第(i，k)个元素值为1；相反的，若用户的年龄小于或者等于18岁，则认为该用户的年龄信息不满足其对应的属性规则，对应的，第一直接属性矩阵XA中的第(i，k)个元素的元素值为0，即用户ui的第k个属性规则在第一直接属性矩阵中对应的元素的元素值可以通过如下公式1表示：
Figure BDA0002701551910000101
可以看出，根据用户的年龄信息及该年龄信息对应的属性规则可以确定第一直接属性矩阵XA中的第(i，k)个元素的元素值，可结合该公式1，采用类似的方法，可以确定出该第一直接属性矩阵XA中每一个元素的元素值，从而构造得到该第一直接属性矩阵XA。其中，该第一直接属性矩阵XA中的元素为0或者1。
S403、根据各用户到具有与POI的各类型信息相同的POI的访问数据，构造第一逆属性矩阵。
以访问数据包括访问次数为例，在根据各用户到具有与POI的各类型信息相同的POI的访问数据，构造第一逆属性矩阵时，该第一逆属性矩阵可以用XT表示，假设多个用户中第i个用户到具有与POI的ak类型信息相同的POI的访问次数为tp次，则可以该第i个用户到具有与POI的ak类型信息相同的POI的访问次数tp次、该第i个用户在所有POI的最高访问次数、以及第i个用户在所有POI的最低访问次数，确定第一逆属性矩阵XT中的第(i，k)个元素的元素值，即用户ui到具有与POI的ak类型信息相同的POI的访问次数在第一逆属性矩阵XT中对应的元素的元素值可以通过如下公式2表示：
Figure BDA0002701551910000102
其中，
Figure BDA0002701551910000103
表示ui在所有POI的最高访问次数，
Figure BDA0002701551910000104
表示用户ui在所有POI的最低访问次数。
可以看出，根据第i个用户到具有与POI的ak类型信息相同的POI的访问次数可以确定第一逆属性矩阵XT中的第(i，k)个元素的元素值，可结合该公式2，采用类似的方法，可以确定出该第一逆属性矩阵XT中每一个元素的元素值，从而构造得到该第一逆属性矩阵XT。
结合S403中的描述，在确定用于描述多个用户对POI的偏好信息的属性矩阵时，不仅考虑到了用户的属性信息，而且考虑到了各用户到具有与POI的各类型信息相同的POI的访问数据。假设用户对他们曾经到访过的POI会更加感兴趣。例如，一个用户经常到访图书馆，说明他喜欢读书，因而更喜欢去其他图书馆。通过用户到访过的POI来推断用户兴趣，进而推荐相似的POI给用户，这样不仅可以提高POI推荐模型的准确度，而且还可以在一定程度上解决数据稀疏性和冷启动等问题。
需要说明的是，在本申请实施例中，S402和S403之间并无先后顺序，可以先执行S402，再执行S403，也可以先执行S403，再执行S402，也可以同时执行S402和S403，在此，本申请实施例只是以先执行S402，再执行S403为例进行说明，但并不代表本申请实施例仅局限于此。
S404、依次连接第一直接属性矩阵和第一逆属性矩阵，确定用于描述多个用户对POI的偏好信息的属性矩阵。
示例的，用于描述多个用户对POI的偏好信息的属性矩阵可以用矩阵X表示，依次连接第一直接属性矩阵XA和第一逆属性矩阵XT，对第一直接属性矩阵XA和第一逆属性矩阵XT执行连接操作，即
Figure BDA0002701551910000111
从而得到用于描述多个用户对POI的偏好信息的属性矩阵X。
其中，
Figure BDA0002701551910000112
f＝fu+fp，
Figure BDA0002701551910000113
表示矩阵连接(concatenation)操作，fu表示用户的属性信息的数量，fp表示POI的类型信息的数量。
由此可见，在本申请实施例中，在训练生成POI推荐模型时，正是因为考虑到了用户对POI的偏好信息会影响POI推荐的准确度，因此，在训练生成POI推荐模型时，先根据多个用户的属性信息，和各用户到具有与POI的各类型信息相同的POI的访问数据确定多个用户对POI的偏好信息，并根据该多个用户对POI的偏好信息和不同层级的POI之间的关系训练生成的POI推荐模型，从而提高了POI推荐模型的准确度，这样在基于准确度较高的POI推荐模型进行POI推荐时，还可以有效地提高POI推荐的准确度。
实施例三
图5是根据本申请第三实施例提供的获取不同层级的POI之间的关系的流程示意图，该不同层级的POI之间的关系的获取方法同样可以由软件和/或硬件装置执行，例如，该硬件装置可以为兴趣点POI推荐模型的训练装置。示例的，请参见图5所示，该不同层级的POI之间的关系的获取方法可以包括：
S501、分别获取每一层POI的类型信息，并获取每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据。
示例的，POI的类型信息可以为POI是否位于公园、或者POI每天被访问的访问数据是否满足预设条件，也可以包括其它信息，在此，本申请实施例只是以POI的类型信息可以为POI是否位于公园、或者POI每天被访问的访问数据是否满足预设条件为例进行说明，但并不代表本申请实施例仅局限于此。
示例的，各POI被具有与多个用户的属性信息相同的用户访问的访问数据可以包括各POI被具有与多个用户的属性信息相同的用户访问的访问次数，和/或，各POI被具有与多个用户的属性信息相同的用户访问的访问频率。
在分别获取到每一层POI的类型信息，及每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据后，可以根据每一层POI的类型信息，以及各类型信息对应的类型规则，构造第二直接属性矩阵，并根据每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据，构造第二逆属性矩阵，即执行下述S502和S503。
S502、根据每一层POI的类型信息，以及各类型信息对应的类型规则，构造第二直接属性矩阵。
在根据每一层POI的类型信息，以及各类型信息对应的类型规则，构造第二直接属性矩阵之前，需要先针对每一种类型信息，定制该类型信息对应的类型规则。例如，当类型信息为是否位于公园时，该类型信息对应的类型规则可以为：位于公园，若类型信息为位于公园，则认为该类型信息满足其对应的类型规则；相反的，若类型信息为没有位于公园，则认为该类型信息不满足其对应的类型规则。又例如，当类型信息为POI每天被访问的访问次数是否大于10次时，该类型信息对应的属性规则可以为：访问次数大于10次，若类型信息为POI每天被访问的访问次数大于10次，则认为该类型信息满足其对应的类型规则；相反的，若类型信息为POI每天被访问的访问次数是否小于或等于10次，则认为该类型信息不满足其对应的类型规则。
示例的，在根据每一层POI的类型信息，以及各类型信息对应的类型规则，构造第二直接属性矩阵时，该第二直接属性矩阵可以用YAl表示，假设每一层POI中的第j个POI的第K个类型信息为是否位于公园，该类型信息对应的类型规则为：位于公园；若类型信息为位于公园，则认为该类型信息满足其对应的类型规则，对应的，第一直接属性矩阵YAl中的第(j，k)个元素值为1；若类型信息为没有位于公园，则认为该类型信息不满足其对应的类型规则，对应的，第一直接属性矩阵YAl中的第(j，k)个元素值为0，即POI pj的第k个规则在第二直接属性矩阵中对应的元素的元素值可以通过如下公式3表示：
Figure BDA0002701551910000131
可以看出，根据POI的类型信息及该类型信息对应的类型规则可以确定第二直接属性矩阵YAl中的第(j，k)个元素的元素值，可结合该公式3，采用类似的方法，可以确定出该第二直接属性矩阵YAl中每一个元素的元素值，从而构造得到该第二直接属性矩阵YAl。其中，该第二直接属性矩阵YAl中的元素为0或者1。
S503、根据每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据，构造第二逆属性矩阵。
以访问数据包括访问次数为例，在根据每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据，构造第二逆属性矩阵时，该第二逆属性矩阵可以用YTl表示，假设第l层POI中第j个POI pj被具有与多个用户的属性信息bk相同的用户访问的访问次数为tu次，则可以该第j个POI pj被具有与多个用户的属性信息bk相同的用户访问的访问次数tu次、该第j个POI pj被所有用户访问的访问次数中的最高访问次数、以及该第j个POIpj被所有用户访问的访问次数中的最低访问次数，则确定第二逆属性矩阵YTl中的第(j，k)个元素的元素值，即POI pj被具有与多个用户的属性信息bk相同的用户访问的访问次数在第二逆属性矩阵YTl中对应的元素的元素值可以通过如下公式4表示：
Figure BDA0002701551910000141
其中，
Figure BDA0002701551910000142
表示第j个POI pj被所有用户访问的访问次数中的最高访问次数，
Figure BDA0002701551910000143
表示第j个POI pj被所有用户访问的访问次数中的最低访问次数。
可以看出，根据第j个POI pj被具有与多个用户的属性信息bk相同的用户访问的访问次数可以确定第二逆属性矩阵YTl中的第(j，k)个元素的元素值，可结合该公式4，采用类似的方法，可以确定出该第二逆属性矩阵YTl中每一个元素的元素值，从而构造得到该第二逆属性矩阵YTl。
需要说明的是，在本申请实施例中，S502和S503之间并无先后顺序，可以先执行S502，再执行S503，也可以先执行S503，再执行S502，也可以同时执行S502和S503，在此，本申请实施例只是以先执行S502，再执行S503为例进行说明，但并不代表本申请实施例仅局限于此。
S504、依次连接第二直接属性矩阵和第二逆属性矩阵，确定用于描述不同层级的POI之间的关系的属性矩阵。
示例的，用于描述不同层级的POI之间的关系的属性矩阵可以用矩阵Yl表示，依次连接第二直接属性矩阵YAl和第二逆属性矩阵YTl，对第二直接属性矩阵YAl和第二逆属性矩阵YTl执行连接操作，即
Figure BDA0002701551910000144
从而得到用于描述不同层级的POI之间的关系的属性矩阵X。
其中，
Figure BDA0002701551910000145
Figure BDA0002701551910000146
表示矩阵连接(concatenation)操作，fu表示用户的属性信息的数量，fp表示POI的类型信息的数量。
由此可见，在本申请实施例中，在训练生成POI推荐模型时，正是因为考虑到了不同层级的POI之间的关系会影响POI推荐的准确度，因此，在训练生成POI推荐模型时，先根据每一层POI的类型信息和每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据，确定不同层级的POI之间的关系，并根据该不同层级的POI之间的关系和多个用户对POI的偏好信息训练生成的POI推荐模型，从而提高了POI推荐模型的准确度，这样在基于准确度较高的POI推荐模型进行POI推荐时，还可以有效地提高POI推荐的准确度。
实施例四
图6是根据本申请第四实施例提供的兴趣点POI推荐模型的训练装置60的结构示意图，示例的，请参见图6所示，该兴趣点POI推荐模型的训练装置60可以包括：
采集模块601，用于采集POI样本数据。
处理模块602，用于分别获取多个用户对POI样本数据中的POI的偏好信息，和POI样本数据中不同层级的POI之间的关系；其中，不同层级的POI是基于地理实体概念划分得到。
处理模块602，还用于根据多个用户对POI的偏好信息和不同层级的POI之间的关系，训练生成POI推荐模型。
可选的，处理模块602，具体用于分别获取多个用户的属性信息，并获取各用户到具有与POI的各类型信息相同的POI的访问数据；并根据多个用户的属性信息，和各用户到具有与POI的各类型信息相同的POI的访问数据，确定多个用户对POI的偏好信息。
可选的，处理模块602，具体用于根据多个用户的属性信息，以及各属性信息对应的属性规则，构造第一直接属性矩阵；并根据各用户到具有与POI的各类型信息相同的POI的访问数据，构造第一逆属性矩阵；再依次连接第一直接属性矩阵和第一逆属性矩阵，确定用于描述多个用户对POI的偏好信息的属性矩阵。
可选的，处理模块602，具体用于分别获取每一层POI的类型信息，并获取每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据；并根据每一层POI的类型信息和每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据，确定不同层级的POI之间的关系。
可选的，处理模块602，具体用于根据每一层POI的类型信息，以及各类型信息对应的类型规则，构造第二直接属性矩阵；并根据每一层POI中各POI被具有与多个用户的属性信息相同的用户访问的访问数据，构造第二逆属性矩阵；再依次连接第二直接属性矩阵和第二逆属性矩阵，确定用于描述不同层级的POI之间的关系的属性矩阵。
可选的，处理模块602，具体用于将多个用户对POI的偏好信息和不同层级的POI之间的关系，输入至目标损失模型中，得到各用户对POI的目标偏好信息和不同层级的POI之间的目标关系；并根据各用户对POI的目标偏好信息和不同层级的POI之间的目标关系，训练生成POI推荐模型；其中，目标损失模型用于指示POI推荐模型的优化目标。
可选的，不同层级的POI通过POI树结构表示，处理模块602，具体用于将多个用户对POI的偏好信息和不同层级的POI之间的关系，输入至
Figure BDA0002701551910000161
中，得到各用户对POI的目标偏好信息和不同层级的POI之间的目标关系。
其中，L表示POI树的层数，l表示POI树中的第l层，J表示POI推荐模型的优化目标，Uu用于描述各用户对POI的目标偏好信息，X用于描述各用户对POI的偏好信息，Up用于描述不同层级的POI之间的目标关系，Yl用于描述不同层级的POI之间的关系，VT用于表示共享的隐空间向量。
本申请实施例提供的兴趣点POI推荐模型的训练装置60，可以执行上述任一实施例中的兴趣点POI推荐模型的训练方法的技术方案，其实现原理以及有益效果与兴趣点POI推荐模型的训练方法的实现原理及有益效果类似，可参见兴趣点POI推荐模型的训练方法的实现原理及有益效果，此处不再进行赘述。
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7所示，图7是根据本申请实施例的兴趣点POI推荐模型的训练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7所示，该电子设备包括：一个或多个处理器701、存储器702，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7中以一个处理器701为例。
存储器702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POI推荐模型的训练方法。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POI推荐模型的训练方法。
存储器702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POI推荐模型的训练方法对应的程序指令/模块(例如，附图6所示的采集模块601和处理模块602)。处理器701通过运行存储在存储器702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POI推荐模型的训练方法。
存储器702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兴趣点POI推荐模型的训练方法的电子设备的使用所创建的数据等。此外，存储器702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702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至兴趣点POI推荐模型的训练方法的电子设备。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。
兴趣点POI推荐模型的训练方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与兴趣点POI推荐模型的训练方法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704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。
这些计算机程序(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机程序。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，在训练生成POI推荐模型时，正是因为考虑到用户对POI的偏好信息和不同层级的POI之间的关系会影响POI推荐的准确度，因此，在训练生成POI推荐模型时，先获取用户对POI的偏好信息和不同层级的POI之间的关系，并根据用户对POI的偏好信息和不同层级的POI之间的关系，训练生成的POI推荐模型，从而提高了POI推荐模型的准确度，这样在基于准确度较高的POI推荐模型进行POI推荐时，还可以有效地提高POI推荐的准确度。
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 (16)

1.一种兴趣点POI推荐模型的训练方法，包括：
采集POI样本数据；
分别获取多个用户对所述POI样本数据中的POI的偏好信息，和所述POI样本数据中不同层级的POI之间的关系；其中，不同层级的POI是基于地理实体概念划分得到；
根据所述多个用户对POI的偏好信息和所述不同层级的POI之间的关系，训练生成POI推荐模型。
2.根据权利要求1所述的方法，所述获取多个用户对所述POI样本数据中的POI的偏好信息，包括：
分别获取所述多个用户的属性信息，并获取各用户到具有与所述POI的各类型信息相同的POI的访问数据；
根据所述多个用户的属性信息，和所述各用户到具有与所述POI的各类型信息相同的POI的访问数据，确定所述多个用户对POI的偏好信息。
3.根据权利要求2所述的方法，所述根据所述多个用户的属性信息，和所述各用户到具有与所述POI的各类型信息相同的POI的访问数据，确定所述多个用户对POI的偏好信息，包括：
根据所述多个用户的属性信息，以及各属性信息对应的属性规则，构造第一直接属性矩阵；
根据所述各用户到具有与所述POI的各类型信息相同的POI的访问数据，构造第一逆属性矩阵；
依次连接所述第一直接属性矩阵和所述第一逆属性矩阵，确定用于描述所述多个用户对POI的偏好信息的属性矩阵。
4.根据权利要求1所述的方法，获取所述POI样本数据中不同层级的POI之间的关系，包括：
分别获取每一层POI的类型信息，并获取所述每一层POI中各POI被具有与所述多个用户的属性信息相同的用户访问的访问数据；
根据所述每一层POI的类型信息和所述每一层POI中各POI被具有与所述多个用户的属性信息相同的用户访问的访问数据，确定所述不同层级的POI之间的关系。
5.根据权利要求4所述的方法，所述根据所述每一层POI的类型信息和所述每一层POI中各POI被具有与所述多个用户的属性信息相同的用户访问的访问数据，确定所述不同层级的POI之间的关系，包括：
根据所述每一层POI的类型信息，以及各类型信息对应的类型规则，构造第二直接属性矩阵；
根据所述每一层POI中各POI被具有与所述多个用户的属性信息相同的用户访问的访问数据，构造第二逆属性矩阵；
依次连接所述第二直接属性矩阵和所述第二逆属性矩阵，确定用于描述所述不同层级的POI之间的关系的属性矩阵。
6.根据权利要求1-5任一项所述的方法，所述根据所述多个用户对POI的偏好信息和所述不同层级的POI之间的关系，训练生成POI推荐模型，包括：
将所述多个用户对POI的偏好信息和所述不同层级的POI之间的关系，输入至目标损失模型中，得到所述各用户对POI的目标偏好信息和所述不同层级的POI之间的目标关系；其中，所述目标损失模型用于指示所述POI推荐模型的优化目标；
根据所述各用户对POI的目标偏好信息和所述不同层级的POI之间的目标关系，训练生成所述POI推荐模型。
7.根据权利要求6所述的方法，所述不同层级的POI通过POI树结构表示，所述将所述多个用户对POI的偏好信息和所述不同层级的POI之间的关系，输入至目标损失模型中，得到所述各用户对POI的目标偏好信息和所述不同层级的POI之间的目标关系，包括：
将所述多个用户对POI的偏好信息和所述不同层级的POI之间的关系，输入至
Figure FDA0002701551900000021
中，得到所述各用户对POI的目标偏好信息和所述不同层级的POI之间的目标关系；
其中，L表示所述POI树的层数，l表示POI树中的第l层，J表示所述POI推荐模型的优化目标，Uu用于描述所述各用户对POI的目标偏好信息，X用于描述所述各用户对POI的偏好信息，Up用于描述所述不同层级的POI之间的目标关系，Yl用于描述所述不同层级的POI之间的关系，VT用于表示共享的隐空间向量。
8.一种兴趣点POI推荐模型的训练装置，包括：
采集模块，用于采集POI样本数据；
处理模块，用于分别获取多个用户对所述POI样本数据中的POI的偏好信息，和所述POI样本数据中不同层级的POI之间的关系；其中，不同层级的POI是基于地理实体概念划分得到；
所述处理模块，还用于根据所述多个用户对POI的偏好信息和所述不同层级的POI之间的关系，训练生成POI推荐模型。
9.根据权利要求8所述的装置，
所述处理模块，具体用于分别获取所述多个用户的属性信息，并获取各用户到具有与所述POI的各类型信息相同的POI的访问数据；并根据所述多个用户的属性信息，和所述各用户到具有与所述POI的各类型信息相同的POI的访问数据，确定所述多个用户对POI的偏好信息。
10.根据权利要求9所述的装置，
所述处理模块，具体用于根据所述多个用户的属性信息，以及各属性信息对应的属性规则，构造第一直接属性矩阵；并根据所述各用户到具有与所述POI的各类型信息相同的POI的访问数据，构造第一逆属性矩阵；再依次连接所述第一直接属性矩阵和所述第一逆属性矩阵，确定用于描述所述多个用户对POI的偏好信息的属性矩阵。
11.根据权利要求8所述的装置，
所述处理模块，具体用于分别获取每一层POI的类型信息，并获取所述每一层POI中各POI被具有与所述多个用户的属性信息相同的用户访问的访问数据；并根据所述每一层POI的类型信息和所述每一层POI中各POI被具有与所述多个用户的属性信息相同的用户访问的访问数据，确定所述不同层级的POI之间的关系。
12.根据权利要求11所述的装置，
所述处理模块，具体用于根据所述每一层POI的类型信息，以及各类型信息对应的类型规则，构造第二直接属性矩阵；并根据所述每一层POI中各POI被具有与所述多个用户的属性信息相同的用户访问的访问数据，构造第二逆属性矩阵；再依次连接所述第二直接属性矩阵和所述第二逆属性矩阵，确定用于描述所述不同层级的POI之间的关系的属性矩阵。
13.根据权利要求8-12任一项所述的装置，
所述处理模块，具体用于将所述多个用户对POI的偏好信息和所述不同层级的POI之间的关系，输入至目标损失模型中，得到所述各用户对POI的目标偏好信息和所述不同层级的POI之间的目标关系；并根据所述各用户对POI的目标偏好信息和所述不同层级的POI之间的目标关系，训练生成所述POI推荐模型；其中，所述目标损失模型用于指示所述POI推荐模型的优化目标。
14.根据权利要求13所述的装置，所述不同层级的POI通过POI树结构表示，所述处理模块，具体用于将所述多个用户对POI的偏好信息和所述不同层级的POI之间的关系，输入至
Figure FDA0002701551900000041
中，得到所述各用户对POI的目标偏好信息和所述不同层级的POI之间的目标关系；
其中，L表示所述POI树的层数，l表示POI树中的第l层，J表示所述POI推荐模型的优化目标，Uu用于描述所述各用户对POI的目标偏好信息，X用于描述所述各用户对POI的偏好信息，Up用于描述所述不同层级的POI之间的目标关系，Yl用于描述所述不同层级的POI之间的关系，VT用于表示共享的隐空间向量。
15.一种电子设备，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1-7中任一项所述的兴趣点POI推荐模型的训练方法。
16.一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1-7中任一项所述的兴趣点POI推荐模型的训练方法。
CN202011023896.7A 2020-09-25 2020-09-25 兴趣点poi推荐模型的训练方法、装置和电子设备 Active CN112115387B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011023896.7A CN112115387B (zh) 2020-09-25 2020-09-25 兴趣点poi推荐模型的训练方法、装置和电子设备
US17/347,418 US20210302185A1 (en) 2020-09-25 2021-06-14 Training method and apparatus of poi recommendation model of interest points, and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011023896.7A CN112115387B (zh) 2020-09-25 2020-09-25 兴趣点poi推荐模型的训练方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112115387A true CN112115387A (zh) 2020-12-22
CN112115387B CN112115387B (zh) 2024-05-14

Family

ID=73797738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011023896.7A Active CN112115387B (zh) 2020-09-25 2020-09-25 兴趣点poi推荐模型的训练方法、装置和电子设备

Country Status (2)

Country Link
US (1) US20210302185A1 (zh)
CN (1) CN112115387B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632403A (zh) * 2020-12-24 2021-04-09 北京百度网讯科技有限公司 推荐模型的训练方法、推荐方法、装置、设备和介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270007B (zh) * 2022-08-17 2023-09-22 烟台大学 一种基于混合图神经网络的poi推荐方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070033224A1 (en) * 2005-08-04 2007-02-08 Allen Richard B Method and system for automatic construction and management of sets of hierarchical interest points
CN108829761A (zh) * 2018-05-28 2018-11-16 苏州大学 一种兴趣点推荐方法、系统、介质及设备
CN110162693A (zh) * 2019-03-04 2019-08-23 腾讯科技（深圳）有限公司 一种信息推荐的方法以及服务器
KR20190124524A (ko) * 2018-04-26 2019-11-05 충북대학교 산학협력단 관심장소 추천 방법 및 관심장소 추천 시스템
CN110929162A (zh) * 2019-12-04 2020-03-27 腾讯科技（深圳）有限公司 基于兴趣点的推荐方法、装置、计算机设备和存储介质
CN111259268A (zh) * 2018-11-30 2020-06-09 知谷（上海）网络科技有限公司 Poi推荐模型的构建方法及系统
CN111538904A (zh) * 2020-04-27 2020-08-14 北京百度网讯科技有限公司 用于推荐兴趣点的方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020093242A1 (en) * 2018-11-06 2020-05-14 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for location recommendation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070033224A1 (en) * 2005-08-04 2007-02-08 Allen Richard B Method and system for automatic construction and management of sets of hierarchical interest points
KR20190124524A (ko) * 2018-04-26 2019-11-05 충북대학교 산학협력단 관심장소 추천 방법 및 관심장소 추천 시스템
CN108829761A (zh) * 2018-05-28 2018-11-16 苏州大学 一种兴趣点推荐方法、系统、介质及设备
CN111259268A (zh) * 2018-11-30 2020-06-09 知谷（上海）网络科技有限公司 Poi推荐模型的构建方法及系统
CN110162693A (zh) * 2019-03-04 2019-08-23 腾讯科技（深圳）有限公司 一种信息推荐的方法以及服务器
CN110929162A (zh) * 2019-12-04 2020-03-27 腾讯科技（深圳）有限公司 基于兴趣点的推荐方法、装置、计算机设备和存储介质
CN111538904A (zh) * 2020-04-27 2020-08-14 北京百度网讯科技有限公司 用于推荐兴趣点的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马理博;秦小麟;: "话题-位置-类别感知的兴趣点推荐", 计算机科学, no. 09, 15 September 2020 (2020-09-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632403A (zh) * 2020-12-24 2021-04-09 北京百度网讯科技有限公司 推荐模型的训练方法、推荐方法、装置、设备和介质
CN112632403B (zh) * 2020-12-24 2024-04-09 北京百度网讯科技有限公司 推荐模型的训练方法、推荐方法、装置、设备和介质

Also Published As

Publication number Publication date
CN112115387B (zh) 2024-05-14
US20210302185A1 (en) 2021-09-30

Similar Documents

Publication Publication Date Title
CN111538904B (zh) 用于推荐兴趣点的方法和装置
JP7159405B2 (ja) 地図情報表示方法、装置、電子デバイス及び記憶媒体
US11093693B2 (en) Hierarchical navigation control
May et al. Using signposts for navigation in large graphs
US11368855B2 (en) Network convergence method and device, electronic apparatus, and storage medium
CN111666292B (zh) 用于检索地理位置的相似度模型建立方法和装置
CN112115387B (zh) 兴趣点poi推荐模型的训练方法、装置和电子设备
US20140280053A1 (en) Contextual socially aware local search
JP7206514B2 (ja) 地理位置点のソート方法、ソートモデルの訓練方法及び対応装置
CN112559901B (zh) 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品
CN111553279A (zh) 兴趣点的表征学习、识别方法、装置、设备及存储介质
CN111667095A (zh) 预测经济状态、建立经济状态预测模型的方法及对应装置
CN111666461B (zh) 检索地理位置的方法、装置、设备和计算机存储介质
JP2019500704A (ja) 人工知能ベースの関連度計算を用いたノート提供方法及び装置
KR102607359B1 (ko) 사용자 app 관심을 임베딩하는 방법, 장치, 기기, 저장 매체 및 프로그램
Keenan Cloud computing and DSS: the case of spatial DSS
CN115803729A (zh) 中间件生成的记录的直接数据加载
CN111523000A (zh) 用于导入数据的方法、装置、设备以及存储介质
CN112035751A (zh) 信息推荐的方法、装置、设备以及存储介质
KR102565762B1 (ko) 경제 상태 모니터링 방법, 경제 상태 모니터링 모델 구축 방법 및 대응하는 장치
US11683656B2 (en) Recommendation of region of interest
US20230229722A1 (en) Attribute-based positioning of bookmarks in a 3d virtual space
CN111694919B (zh) 生成信息的方法、装置、电子设备及计算机可读存储介质
CN117278508A (zh) 5g消息聊天机器人的推荐方法、装置以及电子设备
KR101331552B1 (ko) 인맥정보 표시 시스템 및 방법

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