CN112214677A - 一种兴趣点推荐方法、装置、电子设备及存储介质 - Google Patents
一种兴趣点推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112214677A CN112214677A CN202011120660.5A CN202011120660A CN112214677A CN 112214677 A CN112214677 A CN 112214677A CN 202011120660 A CN202011120660 A CN 202011120660A CN 112214677 A CN112214677 A CN 112214677A
- Authority
- CN
- China
- Prior art keywords
- recommended
- interest
- interest point
- point
- accessed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 239000013598 vector Substances 0.000 claims abstract description 168
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 49
- 238000012512 characterization method Methods 0.000 claims description 84
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 131
- 230000006399 behavior Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
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)
Abstract
本申请实施例公开了一种基于人工智能的兴趣点推荐方法、装置、电子设备及存储介质。该方法包括:获取对象与已访问兴趣点间的第一关联关系以及第二关联关系,第一关联关系表征对象与已访问兴趣点间的实际访问关系,第二关联关系表征对象与已访问兴趣点间的空间分布关系,基于第一关联关系以及第二关联关系,得到待推荐对象对应的第一表征向量以及各个待推荐兴趣点分别对应的第二表征向量,基于第一表征向量以及各个第二表征向量,得到待推荐对象与各个待推荐兴趣点间的预测访问概率,基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向待推荐对象推荐目标兴趣点。该方法可以提高兴趣点概率预测的准确性,进而提高兴趣点推荐准确性。
Description
技术领域
本申请涉及数据处理技术领域,更具体地,涉及一种基于人工智能的兴趣 点推荐方法、装置、电子设备及存储介质。
背景技术
利用人工智能进行兴趣点(POI,Points of Interest)推荐是位置服务中的一 种典型应用,用于向用户推荐可访问的兴趣点,在提升用户体验与平台效益上 扮演着关键角色。但是,相关技术中的利用人工智能进行兴趣点推荐的方法存 在兴趣点推荐不准确的问题。
发明内容
鉴于上述问题,本申请提出了一种基于人工智能的兴趣点推荐方法、装置、 电子设备及存储介质,以改善上述问题。
第一方面,本申请提供了一种基于人工智能的兴趣点推荐方法,方法包括:
获取对象与已访问兴趣点间的第一关联关系以及第二关联关系,第一关联关 系表征对象与已访问兴趣点间的实际访问关系,第二关联关系表征对象与已访 问兴趣点间的空间分布关系;
基于第一关联关系以及第二关联关系,得到待推荐对象对应的第一表征向量 以及各个待推荐兴趣点分别对应的第二表征向量;
基于第一表征向量以及各个第二表征向量,得到待推荐对象与各个待推荐兴 趣点间的预测访问概率;
基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向待推荐对象推荐 目标兴趣点。
第二方面,本申请提供了一种基于人工智能的兴趣点推荐装置,装置包括:
第一获取模块,用于获取对象与已访问兴趣点间的第一关联关系以及第二关 联关系,第一关联关系表征对象与已访问兴趣点间的实际访问关系,第二关联 关系表征对象与已访问兴趣点间的空间分布关系;
第一获得模块,用于基于第一关联关系以及第二关联关系,得到待推荐对象 对应的第一表征向量以及各个待推荐兴趣点分别对应的第二表征向量;
第二获得模块,用于基于第一表征向量以及各个第二表征向量,得到待推荐 对象与各个待推荐兴趣点间的预测访问概率;
推荐模块,用于基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向 待推荐对象推荐目标兴趣点。
第三方面,本申请提供了一种电子设备,包括处理器以及存储器;一个或多 个程序被存储在存储器中并被配置为由处理器执行以实现上述的方法。
第四方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质中 存储有程序代码,其中,在程序代码被处理器运行时执行上述的方法。
本申请提供的一种基于人工智能的兴趣点推荐方法、装置、电子设备及存 储介质,在获取到表征对象与已访问兴趣点间的实际访问关系的第一关联关 系,以及表征对象与已访问兴趣点间的空间分布关系第二关联关系后,可以 先基于第一关联关系以及第二关联关系,得到待推荐对象对应的第一表征向 量以及各个待推荐兴趣点分别对应的第二表征向量,再基于第一表征向量以 及各个第二表征向量,得到待推荐对象与各个待推荐兴趣点间的预测访问概 率,最后基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向待推荐 对象推荐目标兴趣点。由于在确定待推荐对象与各个待推荐兴趣点间的预测 访问概率时综合考虑了对象的历史访问行为以及兴趣点空间分布信息,而对 象的历史访问行为能够在一定程度上代表用户的偏好,兴趣点空间分布信息 在一定程度上能够影响用户对于兴趣点的选择,因此相较于相关技术中仅基 于用户的历史访问行为对用户进行兴趣点访问概率预测,可以提高兴趣点概率 预测的准确性,进而提高兴趣点推荐准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所 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的附图。
图1示出了本申请一实施例实施例所涉及的一种应用环境的示意图;
图2示出了本申请实施例提出的一种基于人工智能的兴趣点推荐方法的流 程图;
图3示出了本申请实施例中的第一关联关系对应的拓扑图;
图4示出了本申请实施例中的第二关联关系对应的拓扑图;
图5示出了本申请图2所示的步骤S140的一种实施方式中的流程图;
图6示出了本申请图2所示的步骤S140的另一种实施方式中的流程图;
图7示出了本申请图2所示的步骤S140的另一种实施方式中的流程图;
图8示出了本申请实施例提出的另一种基于人工智能的兴趣点推荐方法的 流程图;
图9示出了本申请实施例中的向量传播过程示意图;
图10示出了本申请实施例中的深度神经网络模型的建模过程示意图;
图11示出了本申请实施例提出的一种兴趣点推荐模型构建示意图;
图12示出了本申请实施例提出的一种用户的平均推荐性能示意图;
图13示出了本申请实施例提出的另一种用户的平均推荐性能示意图;
图14示出了本申请实施例提出的另一种用户的平均推荐性能示意图;
图15示出了本申请实施例提出的另一种用户的平均推荐性能示意图;
图16示出了本申请实施例提出的一种基于人工智能的兴趣点推荐装置的 结构框图;
图17示出了用于执行根据本申请实施例的基于人工智能的兴趣点推荐方法 的一种电子设备的结构框图;
图18示出了本申请实施例的用于保存或者携带实现根据本申请实施例的基 于人工智能的兴趣点推荐方法的程序代码的存储单元。
具体实施方式
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,显然,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。基于本申请中的实施例,本领域普通技术人员在没有作出创造 性劳动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。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制 的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳 结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一 个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的 方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实 现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有 软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、 云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。 人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技 术以及机器学习/深度学习等几大方向。
其中,随着人工智能技术的发展,应用人工智能技术进行推荐变得越来越 普遍,并具体应用到了多个场景,例如兴趣点推荐、直播间推荐或者购买项推 荐等等。无论是哪个场景,应用人工智能技术进行推荐均存在一个需要关注的 问题,就是推荐准确性问题,推荐准确性越高,越能够提升用户体验与平台效 益。
本申请中,兴趣点(Points of Interest)也可称为位置兴趣点,是指地理信息 系统(例如电子地图)中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或位置点,例如可以为商场、酒店、医院、车站、办公 楼、加油站等,还可以为酒吧、便利店、餐馆等。
在应用人工智能进行兴趣点推荐时,在一些相关技术中,只考虑用户对于 兴趣点的历史访问行为,因为历史访问行为能够较大程度的表达用户对于兴趣 点的偏好,基于用户的偏好对用户进行兴趣点推荐,使得推荐的兴趣点能够符 合用户的实际需求,从而保证兴趣点推荐的准确性。
在另一些相关技术中,综合考虑多个用户的历史访问行为,因为拥有相似 历史行为的用户在未来会访问相似的兴趣点,例如,用户A和B均访问了商城 1,在访问完商城1之后,A用户继续访问了电影院2,此时可以预测B用户也 可能访问电影院2,因此,根据A用户的历史访问行为,便可以向B用户推荐 电影院2这个兴趣点。
因此,发明人在对相关的兴趣点推荐方法进行研究中发现,相关技术中仅 仅基于用户的历史访问行为对用户进行兴趣点推荐,考虑项单一,不能准确刻 画用户的行为,因此相关技术中的兴趣点推荐方法还存在兴趣点推荐不准确的 问题。
为了改善上述问题,发明人对兴趣点推荐进行了研究,并研究发现在兴趣 点推荐中,与传统的电商、图书推荐等系统不同,兴趣点具有天然的地理属性, 即地理位置,因此,为了有效解决相关技术中兴趣点推荐不准确的问题,如何 有效利用兴趣点的地理位置信息成为了兴趣点推荐系统的重要研究方向。
因此,发明人提出了本申请提供的基于人工智能的兴趣点推荐方法、装置、 电子设备及介质,在该方法中,在获取到对象与已访问兴趣点间的第一关联关 系以及第二关联关系之后,第一关联关系表征对象与已访问兴趣点间的实际访 问关系,第二关联关系表征对象与已访问兴趣点间的空间分布关系,先基于第 一关联关系以及第二关联关系,得到待推荐对象对应的第一表征向量以及各个 待推荐兴趣点分别对应的第二表征向量,再基于第一表征向量以及各个第二表 征向量,得到待推荐对象与各个待推荐兴趣点间的预测访问概率,最后基于待 推荐对象与各个待推荐兴趣点间的预测访问概率,向待推荐对象推荐目标兴趣 点。
从而通过前述方式可以在确定待推荐对象与各个待推荐兴趣点间的预测 访问概率时综合考虑对象的历史访问行为以及兴趣点空间分布信息,因此相 较于相关技术中仅基于用户的历史访问行为对用户进行兴趣点访问概率预测, 可以提高兴趣点概率预测的准确性,进而提高兴趣点推荐准确性。
在对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及一种 应用环境进行介绍。
如图1所示,图1所示为本申请实施例所涉及的应用环境的示意图。参照 图1,该基于人工智能的兴趣点推荐方法可以应用于兴趣点推荐系统。该兴趣点 推荐系统包括终端110和服务器120。终端110和服务器120通过网络连接。终 端110上可以具有一个或多个待推荐对象。
在一些兴趣点推荐场景中,终端110上的待推荐对象可以通过终端110向 服务器120发送兴趣点推荐指令,服务器120在接收到兴趣点推荐指令之后, 可以执行本申请实施例的基于人工智能的兴趣点推荐方法,从而可以将兴趣点 以多种形式推送至终端110,以向待推荐对象推荐兴趣点。其中,服务器120推 送兴趣点的形式可以只推送单一兴趣点,也可以列表形式推荐多个兴趣点。
当然,应当理解的是,本申请的基于人工智能的兴趣点推荐方法也可以由 客户端110执行。
需要说明的是,其中,终端110具体可以是智能手机、平板电脑、笔记本 电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。服务器120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,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服 务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network, 内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
下面将结合附图具体描述本申请的各实施例。
请参阅图2,图2所示为本申请一实施例提出的一种基于人工智能的兴趣点 推荐方法的流程图,本实施例主要以该方法应用于上述图1中的服务器120来 举例说明,该方法包括:
S110:获取对象与已访问兴趣点间的第一关联关系以及第二关联关系。其 中,第一关联关系表征对象与已访问兴趣点间的实际访问关系,第二关联关系 表征对象与已访问兴趣点间的空间分布关系。
需要说明的是,对象可以认为是真实对象,也可以认为是具有导航以及自 动行驶能力的智能机器人或者车辆等。
在位置服务平台中,记录有各个对象的历史兴趣点记录,历史兴趣点记录 代表对象历史上已访问兴趣点的记录。其中,在获取对象与已访问兴趣点间的 第一关联关系以及第二关联关系之前,需要先从位置服务平台中获取到多个对 象的历史兴趣点记录,然后基于历史兴趣点记录建立对象与已访问兴趣点间的 第一关联关系和第二关联关系。在一些方式中,为了避免频繁获取多个对象的 历史兴趣点记录,从而提高服务器整体性能,可以考虑以一定的周期从位置服 务平台中获取到多个对象的历史兴趣点记录。例如可以在每天凌晨3点从位置 服务平台中获取到多个对象的历史兴趣点记录,凌晨3点,大部分对象处于休 息状态,不会造成历史兴趣点记录的大量变化。当然,也可以考虑每周从位置 服务平台中获取到多个对象的历史兴趣点记录。
其中,在对象与已访问兴趣点间的第一关联关系以及第二关联关系中,对 象以及已访问点均是泛指概念,即对象是指多个对象,不针对单个对象,已访 问点是指多个对象对应的所有已访问点,不针对单个已访问点。
本实施例中,位置服务平台可以是地图导航平台,也可以是旅游推荐平台, 还可以是外卖平台等,本实施例中对位置服务平台的类型不作具体限定。通常 来讲,一切包括位置信息的平台均可以是本申请中的位置服务平台。
在一些方式中,获取多个对象的历史兴趣点记录,可以是获取某个区域内 的所有对象的历史兴趣点记录,例如,可以获取北京所有对象的历史兴趣点记 录,当然,也可以获取全国的历史兴趣点记录,需要说明的是,如果获取的是 北京所有对象的历史兴趣点记录,那么本申请的基于人工智能的兴趣点推荐方 法可以用于向北京对象推荐兴趣点,如果获取的是全国所有对象的历史兴趣点 记录,那么本申请的基于人工智能的兴趣点推荐方法可以用于向全国对象推荐 兴趣点。
在从位置服务平台中获取到多个对象的历史兴趣点记录之后,便可以基于 多个对象的历史兴趣点记录,建立表征对象与已访问兴趣点间的实际访问关系 第一关联关系,并且,由于历史兴趣点记录中通常可以携带有各个兴趣点的位 置信息,因此,还可以建立表征对象与已访问兴趣点间的空间分布关系第二关 联关系。
作为一种方式,可以首先获取对象访问记录,对象访问记录包括对象标识 以及对应的至少一个已访问兴趣点标识,然后再基于对象标识以及对应的至少 一个已访问兴趣点标识,得到对象与已访问兴趣点间的第一关联关系。
通过从位置服务平台中获取对象访问记录,然后基于对象访问记录得到多 个对象标识以及各自对应的至少一个已访问兴趣点标识,由此,基于多个对象 标识以及各自对应的至少一个已访问兴趣点标识,便能够得到所有的对象标识 以及所有的兴趣点标识,最后直接在存在对应关系的对象标识以及已访问点标 识之间建立关联关系,即形成了关于所有对象与所有兴趣点间的第一关联关系。
示例性地,参阅图3,对象与已访问兴趣点间的第一关联关系可以用图3中 的拓扑图来形象表示,图3中,节点包括对象标识和兴趣点标识,边代表对象 标识与兴趣点之间的访问关系,例如,对象u1同时访问过兴趣点L1、L2和L4, 对象u2同时访问过兴趣点L2和L3,对象u3访问过兴趣点L2。
作为一种方式,可以首先获取对象访问记录,对象访问记录包括对象标识 以及对应的至少一个已访问兴趣点标识,已访问兴趣点标识携带对应的位置信 息以及访问频次,然后基于各个已访问兴趣点标识携带的位置信息、访问频次 以及第一规则,从至少一个已访问兴趣点中确定目标兴趣点,最后基于各个已 访问兴趣点标识携带的位置信息、目标兴趣点携带的位置信息以及第二规则, 得到对象与已访问兴趣点间第二关联关系。
通过从位置服务平台中获取对象访问记录,然后基于对象访问记录得到多 个对象标识以及各自对应的至少一个已访问兴趣点标识,由此,基于多个对象 标识以及各自对应的至少一个已访问兴趣点标识,便能够得到所有的对象标识 以及所有的兴趣点标识,并且每个已访问兴趣点还可以携带有位置信息以及访 问频次,由此,针对每个对象,便可以基于该对象对应的各个已访问兴趣点标 识携带的位置信息、访问频次以及第一规则,从至少一个已访问兴趣点中确定 目标兴趣点。
其中,目标兴趣点也可以认为是每个对象的活动中心点,对于任意一个对 象,其存在至少一个已访问兴趣点,根据这至少一个已访问兴趣点各自的位置 信息以及访问频次,便可以确定每个对象的活动中心点,即目标兴趣点。该方 法也可以称为多中心发现法。
需要说明的是,针对各个对象,确定目标兴趣点的方式均相同,因此下面 详细介绍确定一个对象的目标兴趣点的过程。
从对象的访问记录中可以得到对象访问了哪些兴趣点,其中,每个已访问 兴趣点均携带有位置信息以及访问频次。因此,可以首先确定对象访问频次最 高的兴趣点,将该兴趣点作为活动中心候选兴趣点,然后基于该候选兴趣点的 位置信息、其他已访问兴趣点的位置信息以及预设的距离,确定该候选兴趣点 周边预设距离内的其他已访问兴趣点,并且计算出该候选兴趣点周边范围阈值 内的其他已访问兴趣点对应的访问频次总量,如果访问频次总量超过预设的访 问频次数量阈值,则可以将该候选兴趣点作为该对象的一个目标位置点。
针对其他剩余的已访问兴趣点,可以按照对象访问频次从高到低的顺序, 使用同样的方法,依次判断剩余的已访问兴趣点是否为该对象的一个目标位置 点。
需要说明的是在对各个对象的每个已访问进行判断的时候,也可以不按照 对象访问频次高低的顺序进行判断,而采用随机的方式进行判断,总体上以保 证不漏掉已访问兴趣点为原则。
具体实现中,针对每个已访问兴趣点,可以直接基于各个已访问兴趣点标 识携带的位置信息,通过距离计算公式,得到各个已访问兴趣点标识之间的距 离,然后基于各个已访问兴趣点标识之间的距离,得到各个已访问兴趣点周围 预设距离内的其他已访问兴趣点的访问频次总量,最后再基于周围预设距离内 的其他已访问兴趣点的访问频次总量,确定目标兴趣点,其中,目标兴趣点周 围预设距离内的其他已访问兴趣点的访问频次总量大于访问频次数量阈值。
在确定了每个对象的目标位置点后,便可以基于各个对象对应的各个已访 问兴趣点标识携带的位置信息、目标兴趣点携带的位置信息以及第二规则,得 到对象与已访问兴趣点间第二关联关系。
作为一种方式,可以先基于各个已访问兴趣点标识携带的位置信息、目标 兴趣点携带的位置信息以及高斯分布算法,得到已访问兴趣点标识与距离最近 的目标兴趣点之间的第一访问概率,接着对第一访问概率做归一化处理,得到 对象标识与已访问兴趣点标识之间的第二访问概率,最后基于第二访问概率, 得到对象与已访问兴趣点间第二关联关系。
对于前述得到的目标兴趣点,可以进一步以多中心高斯分布进行拟合,即 可以对于任意已访问过的地点计算与“与中心距离”负相关的访问概率,即对 象标识与已访问兴趣点标识之间的第二访问概率。上述过程可以转换为下面的 计算公式:
其中,u代表对象,L表示兴趣点,C代表对象的目标兴趣点组成的集合, p(L|Cu)表示确定某个目标兴趣点后,对象u访问已访问兴趣点L的概率,该概 率与“已访问兴趣点L距离集合C中最近的一个目标兴趣点的距离”成反比, 表示对象u访问所有已访问兴趣点的概率和,用于对对象u访问已访 问兴趣点L的概率做归一化。
本实施例中,由于是将对象u访问已访问兴趣点L的概率进行归一化后作 为对象u访问兴趣点L的第二访问概率,而对象u访问已访问兴趣点L的概率 与“已访问兴趣点L距离集合C中最近的一个目标兴趣点的距离”成反比,因 此,本质上对象u访问兴趣点L的第二访问概率是与地理因素相关的概率,即 得到的是对象u空间分布关系的访问概率,也可以理解为对象u活动轨迹的空 间分布与地点L的空间距离。
在得到对象标识与已访问兴趣点标识之间的第二访问概率之后,便可以基 于多个对象与各自已访问兴趣点之间的第二访问概率,得到对象与已访问兴趣 点间第二关联关系。
示例性地,参阅图4,对象与已访问兴趣点间的第二关联关系可以用图4中 的拓扑图来形象表示,图4中,节点包括对象u1、u2和u3以及兴趣点L1、L2、 L3和L4,虚线边代表对象标识与兴趣点标识之间的访问概率,即虚线边含有权 重,同时虚线边也表征对象标识与兴趣点标识之间的空间分布关系。
步骤S120,基于第一关联关系以及第二关联关系,得到待推荐对象对应的 第一表征向量以及各个待推荐兴趣点分别对应的第二表征向量。
需要说明的是,待推荐对象可以认为是获得兴趣点推荐的对象,如果向对 象u1推荐兴趣点,则对象u1为待推荐对象,待推荐兴趣点可以认为是某个区 域内的所有兴趣点。
为了便于后续进行兴趣点预测访问概率的预测,并进行兴趣点推荐,可以 将获取到的第一关联关系以及第二关联关系转换为表征向量的形式。示例性地, 本实施例中针对对象u1进行兴趣点推荐,则可以基于第一关联关系以及第二关 联关系,得到对象u1对应的第一表征向量,并且还可以基于第一关联关系以及 第二关联关系,得到所有待推荐兴趣点分别对应的第二表征向量。
步骤S130,基于第一表征向量以及各个第二表征向量,得到待推荐对象与 各个待推荐兴趣点间的预测访问概率。
本实施例中,预测访问概率可以认为是预测得到的对象对于某个待推荐兴 趣点的访问概率,通常情况下,预测访问概率越高,表明对象对于该待推荐兴 趣点访问的可能性越大。
在一些方式中,可以通过将待推荐对象对应的第一表征向量与各个待推荐 兴趣点对应的第二表征向量进行点积操作,从而得到待推荐对象对于各个待推 荐兴趣点的预测访问概率。
示例性地,假设待推荐对象为u1,待推荐兴趣点为L1、L2、L3,将对象 u1的第一表征向量与待推荐兴趣点L1的第二表征向量进行点积操作,得到对象 u1与待推荐兴趣点L1间的预测访问概率,同理,可以得到对象u1与待推荐兴 趣点L2间的预测访问概率,对象u1与待推荐兴趣点L3间的预测访问概率。
步骤S140,基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向待 推荐对象推荐目标兴趣点。
其中,目标兴趣点可以认为是实际向待推荐对象推荐的兴趣点。本实施例 中,虽然会将所有的兴趣点当做是待推荐兴趣点,预测待推荐对象与各个待预 测兴趣点间的预测访问概率,但是由于具体的推荐策略以及推荐目的不同,并 不会向待推荐对象推荐所有的待推荐兴趣点。
因此,当获取到待推荐对象与各个待推荐兴趣点间的预测访问概率后,便 可以基于待推荐对象与各个待推荐兴趣点间的预测访问概率,并结合具体的推 荐策略以及推荐目的,向待推荐对象推荐目标兴趣点。在不同的场景中,该具 体的推荐策略以及推荐目的会有所不同。
作为一种方式,在位置服务中的一种兴趣点个性化推荐场景中,当对象存 在出行需求时,可以通过对象所在的终端向位置服务所在的服务器发送第一指 令,位置服务所在的服务器接收到第一指令,可以执行本申请实施例的基于人 工智能的兴趣点推荐方法,向待推荐对象推荐预设数量的目标兴趣点,然后待 推荐对象对应的终端能够以列表形式显示预设数量的目标兴趣点。其中,第一 指令可以是对象打开终端上的客户端之后自动产生的,也可以是用打开终端上 的客户端之后,触发预设案件而生成的。对应于该场景,请参阅图5,作为一种 方式,基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向待推荐对象 推荐目标兴趣点,包括:
步骤S1411,按照预测访问概率从大到小的规则对各个待推荐兴趣点进行排 序。
步骤S1412,将排序靠前的预设数量的待推荐兴趣点作为目标兴趣点,推荐 给待推荐对象。
通过前述介绍可以理解的是,待推荐对象与各个待推荐兴趣点间存在对应 的预测访问概率,一方面考虑到预测访问概率可以是0-1之间(包括0和1)的 各种数值,预测访问概率越低,可以认为待推荐对象对兴趣点访问的可能性越 低,将对象访问可能性低的兴趣点再推荐给对象没有意义,另一方面考虑到待 预测兴趣点数量通常较大,而对象终端显示区域有限,因此,本申请中可以首 先按照预测访问概率从大到小的规则对各个待推荐兴趣点进行排序,然后将排 序靠前的预设数量的待推荐兴趣点作为目标兴趣点,推荐给待推荐对象。
示例性地,待推荐对象为u1,对象u1对应的待推荐兴趣点包括L1、L2、 L3、L4、L5、L6、L7、L8,且各个待推荐兴趣点对应的预测访问概率分别为: L1对应为0.98,L2对应为0.96,L3对应为0,L4对应为0.53,L5对应为0.42, L6对应为0.88,L7对应为0.15,L8对应为0.25,假设设置对象终端显示3条 目标兴趣点,则最终可以选择待推荐兴趣点L1、L2和L6作为目标兴趣点,推 荐给待推荐对象。
作为另一种方式,在位置服务中的另一种兴趣点个性化推荐场景中,当对 象存在出行需求时,可以通过对象所在的终端向位置服务所在的服务器发送第 二指令,并上传对象当前所处的位置信息,位置服务所在的服务器接收到第二 指令,可以执行本申请实施例的基于人工智能的兴趣点推荐方法,向待推荐对 象推荐当前所处的位置附近的目标兴趣点,更加符合对象当前的出行需求。其 中,第二指令可以是对象打开终端上的客户端之后自动产生的,也可以是用打 开终端上的客户端之后,触发预设案件而生成的。对应于该场景,请参阅图6, 作为一种方式,基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向待 推荐对象推荐目标兴趣点,包括:
步骤S1421,获取待推荐对象的当前位置信息。
步骤S1422,基于当前位置信息以及距离阈值,得到待推荐区域。
步骤S1423,将位于待推荐区域且预测访问概率大于概率阈值的待推荐兴趣 点作为目标兴趣点,推荐给待推荐对象。
通过前述介绍可以理解的是,本实施例可以用于向待推荐对象推荐当前所 处的位置附近的目标兴趣点,因此,首先需要获取待推荐对象的当前位置信息, 接着以当前位置信息为中心,距离阈值为半径,得到一个待推荐区域,然后根 据各个待推荐兴趣点的位置信息以及待推荐区域的范围,筛选出位于待推荐区 域范围内的待推荐兴趣点,最后再将位于待推荐区域且预测访问概率大于概率 阈值的待推荐兴趣点作为目标兴趣点,推荐给待推荐对象。
在具体实现中,待推荐对象所在的终端上安装的客户端可以调用终端上的 GPS、北斗等位置功能获取待推荐对象的当前位置信息,从而将采集的当前位置 信息上传到服务器,如此服务器便能够获得待推荐对象的当前位置信息。其中, 当前位置信息可以是对象实际所在的位置的经纬度参数。
作为另一种方式,在位置服务中的另一种兴趣点个性化推荐场景中,当对 象存在店铺选址需求时,可以通过对象所在的终端向位置服务所在的服务器发 送第三指令,并上传对象选择的目标位置区域,位置服务所在的服务器接收到 第三指令,可以执行本申请实施例的基于人工智能的兴趣点推荐方法,向待推 荐对象推荐潜在对象最多的目标兴趣点,以供对象将目标兴趣点店铺选址参考。 对应于该场景,请参阅图7,作为一种方式,基于待推荐对象与各个待推荐兴趣 点间的预测访问概率,向待推荐对象推荐目标兴趣点,包括:
步骤S1431,获取目标位置区域。
步骤S1432,基于各个待推荐兴趣点的位置信息以及目标位置区域,得到位 于目标位置区域内的目标待推荐兴趣点。
步骤S1433,获取各个目标待推荐兴趣点关联的预测访问概率总量。
步骤S1434,将预测访问概率总量最大的待推荐兴趣点作为目标兴趣点,推 荐给待推荐对象。
通过前述介绍可以理解的是,本实施例可以用于向待推荐对象推荐适合作 为店铺的目标兴趣点,这就需要知道在对象选择的区域内哪个兴趣点对应有更 多的预测访问概率。
其中,目标位置区域可以认为是对象待选择进行开店的区域。
其中,目标待推荐兴趣点关联的预测访问概率总量可以认为是目标待推荐 兴趣点对应的所有预测访问概率之和。
具体实现中,先获取所有对象与各个待推荐兴趣点间的预测访问概率,然 后从中筛选出各个目标待推荐兴趣点对应的所有预测访问概率之和,作为各个 目标待推荐兴趣点关联的预测访问概率总量。
示例性地,假设存在u1、u2和u3三个对象,对象u1、u2和u3分别对应 的待推荐兴趣点L1、L2、L3、L4、L5、L6、L7、L8,并且,假设待推荐兴趣 点L2、L3和L4位于目标位置区域,因此目标待推荐兴趣点包括L2、L3和L4, 其中,对象u1、u2和u3分别与目标兴趣点L2、L3和L4间的预测访问概率如 下表1所示。
对象/兴趣点 | L2 | L3 | L4 |
u1 | 0.88 | 0.60 | 0.75 |
u2 | 0.68 | 0.93 | 0.88 |
u3 | 0.78 | 0.90 | 0.52 |
表1
此时,基于表1,可以得到:
目标待推荐兴趣点L2关联的预测访问概率总量:X2=0.88+0.68+0.78=2.34。
目标待推荐兴趣点L3关联的预测访问概率总量:X3=0.60+0.93+0.90=2.43。
目标待推荐兴趣点L4关联的预测访问概率总量:X4=0.75+0.88+0.52=2.15。
由于目标待推荐兴趣点L3关联的预测访问概率总量最大,因此,可以认为 兴趣点L3的潜在对象数量较多,因此,将目标待推荐兴趣点L3作为目标兴趣 点,推荐给待推荐对象。
本实施例提供的基于人工智能的兴趣点推荐方法,在获取到表征对象与已 访问兴趣点间的实际访问关系的第一关联关系,以及表征对象与已访问兴趣点 间的空间分布关系第二关联关系后,可以先基于第一关联关系以及第二关联关 系,得到待推荐对象对应的第一表征向量以及各个待推荐兴趣点分别对应的第 二表征向量,再基于第一表征向量以及各个第二表征向量,得到待推荐对象与 各个待推荐兴趣点间的预测访问概率,最后基于待推荐对象与各个待推荐兴趣 点间的预测访问概率,向待推荐对象推荐目标兴趣点。由于在确定待推荐对象 与各个待推荐兴趣点间的预测访问概率时综合考虑了对象的历史访问行为以及 兴趣点空间分布信息,而对象的历史访问行为能够在一定程度上代表用户的偏 好,兴趣点空间分布信息在一定程度上能够影响用户对于兴趣点的选择,因此 相较于相关技术中仅基于用户的历史访问行为对用户进行兴趣点访问概率预 测,可以提高兴趣点概率预测的准确性,进而提高兴趣点推荐准确性。
请参阅图8,图8为本申请一实施例提出的一种基于人工智能的兴趣点推荐 方法的流程图,该方法包括:
步骤S210,获取对象与已访问兴趣点间的第一关联关系以及第二关联关系, 第一关联关系表征对象与已访问兴趣点间的实际访问关系,第二关联关系表征 对象与已访问兴趣点间的空间分布关系。
步骤S220,获得第一关联关系对应的第一邻接矩阵以及第二关联关系对应 的第二邻接矩阵。
为了便于后续得到待推荐对象与各个待推荐兴趣点间的预测访问概率,并 向待推荐对象推荐目标兴趣点,可以获得第一关联关系对应的第一邻接矩阵以 及第二关联关系对应的第二邻接矩阵。其中,第一邻接矩阵可以表达第一关联 关系中对象与对象、对象与已访问点以及已访问点与已访问兴趣点之间的邻接 关系,第二邻接矩阵可以表达第二关联关系中对象与对象、对象与已访问点以 及已访问点与已访问兴趣点之间的邻接关系。以第一关联关系为例,假设对象 u1同时访问过兴趣点L1、L2和L4,对象u2同时访问过兴趣点L2和L3,对象 u3访问过兴趣点L2,那么通过邻接矩阵,便可以反映出对象u1、对象u2以及对象u3之间存在的邻接关系,对象u1、对象u2、对象u3、兴趣点L1、兴趣点 L2、兴趣点L3以及兴趣点L4之间存在的邻接关系,兴趣点L1、兴趣点L2、 兴趣点L3以及兴趣点L4之间存在的邻接关系。
在一些方式中,为了便于获得第一邻接矩阵和第二邻接矩阵,可以将第一 关联关系表达成图3所示的拓扑图,可以将第二关联关系表达成图4所示的拓 扑图。从而通过拓扑图可以清晰反映出第一关系或者第二关系中的对象与对象、 对象与已访问点以及已访问点与已访问兴趣点之间的邻接关系。
步骤S230,将第一邻接矩阵以及第二邻接矩阵按照预设权重进行融合,得 到融合邻接矩阵。
融合邻接矩阵是将第一邻接矩阵以及第二邻接矩阵按照预设权重进行融合 得到的,因此能够同时考虑实际访问关系以及空间分布关系对对象对于待推荐 兴趣点的预测访问概率的不同影响,提高预测访问概率的准确性。
上述过程也可以用以下公式进行表达:
步骤S240,基于融合邻接矩阵对待推荐对象对应的原始表征向量进行e层 向量传播,依次得到0-e层第一子表征向量,以及基于融合邻接矩阵对各个待推 荐兴趣点分别对应原始表征向量进行e层向量传播,依次得到各个待推荐兴趣 点分别对应的0-e层第二子表征向量,其中e为大于0的正整数。
本实施例中,在从位置服务平台中获取到多个对象的历史兴趣点记录之后, 可以分别对对象标识以及兴趣点标识进行向量编码。作为一种方式,对象标识 可以直接采用1-u的正整数进行表示,即第一个对象对应的对象标识为1,第u 个对象的对象标识为u。兴趣点标识可以直接采用1-L的正整数进行表示,即第 一个兴趣点对应的兴趣点标识为1,第L个兴趣点的兴趣点标识为L。基于此, 可以采用one-hot(one-hot code,独热码)编码方式对对象标识以及兴趣点标识 进行向量编码,得到各个对象标识的向量表示以及各个兴趣点标识分别对应的 向量表示。
示例性地,假设共获取到3个对象标识,则第一个对象标识编码为[1,0,0], 第二个对象标识编码为[0,1,0],第三个对象标识编码为[0,0,1]。
示例性地,假设共获取到4个兴趣点标识,则第一个兴趣点标识编码为 [1,0,0,0],第二个兴趣点标识编码为[0,1,0,0],第三个兴趣点标识编码为[0,0,1,0],第 四个兴趣点标识编码为[0,0,0,1]。
上面仅以3个对象以及4个兴趣点进行了示例,实际中对象以及兴趣点 数量较大,因此得到的每个对象标识对应的向量编码以及每个兴趣点标识对 应的向量编码均为维度较大的向量编码,且较为稀疏,其中,稀疏可以认为 是只在对象标识对应的维度才标识为1,其余维度表示为0。此时,为了便于 后续对待推荐对象以及待推荐兴趣点进行向量传播,可以先对每个对象标识 对应的向量编码以及每个兴趣点标识对应的向量编码进行处理,得到每个对 象对应的低维稠密向量,以及得到每个兴趣点对应的低维稠密向量,其中, 稠密可以认为是每一维度均对应有具体的数值,不一定用0表示。
作为一种方式,对每个对象标识对应的向量编码以及每个兴趣点标识对 应的向量编码进行处理,得到每个对象对应的低维稠密向量,以及得到每个 兴趣点对应的低维稠密向量的过程如下:针对待推荐对象和各个待推荐兴趣 点,首先可以获取到待推荐对象标识以及各个待推荐兴趣点标识,接着再获 取到待推荐对象标识以及各个待推荐兴趣点标识分别对应的向量表示,然后 使用第一嵌入矩阵对待推荐对象标识进行处理,得到待推荐对象对应的原始 表征向量,使用第二嵌入矩阵分别对各个待推荐兴趣点标识进行处理,得到 各个待推荐兴趣点对应的原始表征向量。
示例性地,仍以3个对象为例,假设待推荐对象为第二个对象,且第二 对象的对象标识为2,此时第二个对象的向量表示为[0,1,0]。
通过矩阵计算,可以得到待推荐对象对应的原始表征向量为[0.3,0.4,0.1]。
在得到待推荐对象对应的原始表征向量以及待推荐兴趣点的原始表征向量 之后,便可以基于融合邻接矩阵对待推荐对象对应的原始表征向量进行e层向 量传播,依次得到0-e层第一子表征向量,以及基于融合邻接矩阵对各个待推荐 兴趣点分别对应原始表征向量进行e层向量传播,依次得到各个待推荐兴趣点 分别对应的0-e层第二子表征向量,其中e为大于0的正整数。
请参阅图9,示出了向量传播过程示意图,对于图上的用户结点(u1、u2、 u3)以及兴趣点节点(L1、L2、L3、L4、L5),其原始表征代表了结点自身的 属性,其在图上的邻居(包括一阶乃至高阶邻居)代表了图的结构信息,可以 用邻接矩阵(Y33、Y43、Y22、Y42、Y52、Y32、Y22、Y11、Y31)进行表示, 为有效利用结点属性与结构信息,本申请实施例采取向量传播的方式,将邻居 结点的向量表征传播至该结点,并与结点自身的向量表征相融合得到新的向量 表征,图9中表示的向量传播过程具体可以用以下公式进行表示:
其中,W为预设传播权重,b为传播偏置,σ为预设函数,为待推荐对 象u传递到第e层时对应的第一表征向量,为待推荐兴趣点L传递到第e层 时对应的第二表征向量,(e+1)与(e)分别代表第e+1层与第e层,当e=0时,代 表未进行向量传播,此时待推荐对象对应的第一子表征向量为待推荐对象的原 始表征向量,待推荐兴趣点对应的第二表征向量为待推荐兴趣点的原始表征向 量。
作为一种方式,在向量传播过程中,可以对第一表征向量和第二表征向量 进行归一化处理,从而获得模长归一化的向量。该过程可以用以下公式进行表 示:
其中,为待推荐对象对应的模长归一化的第e+1层的第一表征向量, 为待推荐对象对应的第e+1层的第一表征向量的模长,为模长归一化 的第e+1层的第二表征向量,为待推荐兴趣点对应的第e+1层的第二表征 向量的模长。
步骤S250,将0-e层第一子表征向量进行拼接,得到待推荐对象对应第一 表征向量,以及将各个待推荐兴趣点分别对应的0-e层第二子表征向量各自进行 拼接,得到各个待推荐兴趣点分别对应的第二表征向量,其中e为大于0的正 整数。
在经过e层向量传播操作后,得到了待推荐对象的e个表征与各个待推荐兴 趣点的e个表征,分别融合了自浅到深的图结构信息。因此,对于最终的兴趣 点访问概率预测,需要同时利用到e个第一子表征向量以及e个第二子表征向量。 作为一种方式,可以将0-e层第一子表征向量进行拼接,得到待推荐对象对应第 一表征向量,将各个待推荐兴趣点分别对应的0-e层第二子表征向量各自进行拼 接,得到各个待推荐兴趣点分别对应的第二表征向量,其中e为大于0的正整 数。该过程可以用以下公式进行表示:
其中,p*表示待推荐对象u对应的第一表征向量,q*表示待推荐兴趣点L 对应的第二表征向量,其中L可以表示为所有待推荐兴趣点中的一个待推荐兴 趣点。
步骤S260,基于第一表征向量以及各个第二表征向量,得到待推荐对象与 各个待推荐兴趣点间的预测访问概率。
在得到了待推荐对象u对应的第一表征向量以及待推荐兴趣点L对应的第 二表征向量之后,便可以基于第一表征向量以及各个第二表征向量,得到待推 荐对象与各个待推荐兴趣点间的预测访问概率。作为一种方式,可以将待推荐 对象u对应的第一表征向量与待推荐兴趣点L对应的第二表征向量的点积作为 预测访问概率。该过程可以用以下公式进行表示:
其中,yuL表示待推荐对象u与待推荐兴趣点L间的预测访问概率。
步骤S270,基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向待 推荐对象推荐目标兴趣点。
需要说明的是,作为一种方式,在本实施中的S120到S140可以由训练得 到的深度神经网络模型来执行。其中,对于兴趣点推荐问题,由于样本间无数 值或标签上的显著差异,因此可以以采样的方式构建负样本,参与训练。具体 地,针对某个对象,按照正样本的个数,以一定的比例从其未访问过的地点中 随机选择若干个地点作为负样本。其中将该对象已访问的兴趣点作为该对象的 正样本,将该对象未访问的兴趣点作为该对象的负样本。对于正样本,训练时 的预测函数的输出值应尽可能往1进行预测,而对于负样本,预测函数的输出 值应尽可能往0进行预测。预测值与真实值的差值作为损失函数,通过随机梯 度下降的方法对模型的参数进行更新。作为一种方式,损失函数可以采用以下 公式:
上式中同时考虑了正样本集合与负样本集合的损失,二者以1:1的权重相加 作为最终的损失函数。
在基于随机梯度下降的方法在每次迭代过程中,均可以对所有的模型参数 进行一定的修正,当迭代次数达到一定数值,且模型参数的更新使得模型的推 荐效果不增不降或者不增反降后,即可停止随机梯度下降,此时的模型即可作 为最终的兴趣点推荐模型,作用到位置服务中。其中,兴趣点推荐模型在部署 时,需要获取某个地域内多个对象的历史兴趣点记录。
作为一种方式,训练得到的深度神经网络模型可以包括第一神经网络、第 二神经网络。第一神经网络用于对获取的待推荐对象标识以及各个待推荐兴趣 点标识进行处理,分别得到待推荐对象对应的原始表征向量,以及各个待推荐 兴趣点分别对应原始表征向量。具体地,在获取到对象与已访问兴趣点间的第 一关联关系以及第二关联关系之后,可以从第一关联关系以及第二关联关系中 获取到待推荐对象标识以及各个待推荐兴趣点标识。作为一种方式,第一神经 网络可以选择简单的两层神经网络。第二神经网络用于对第一神经网络得到的 待推荐对象对应的原始表征向量、各个待推荐兴趣点分别对应原始表征向量、 第一关联关系对应的拓扑图以及第二关联关系对应的拓扑图进行处理,得到待推荐对象对应的第一表征向量以及各个待推荐兴趣点分别对应的第二表征向 量,接着再对待推荐对象对应的第一表征向量以及各个待推荐兴趣点分别对应 的第二表征向量进行处理,得到待推荐对象与各个待推荐兴趣点间的预测访问 概率。作为一种方式,第二神经网络可以为图卷积网络(Graph Convolutional Networks,GCN)。需要说明的是,当第二神经网络图卷积网络时,第一关联 关系以及第二关联关系可以以图的形式进行输入。
请参阅图10,下面介绍一下上述的深度神经网络模型的建模过程,建模过 程整体上包括数据输入、地理层面建模用户行为、预测与训练、模型输出。各 部分具体介绍如下:
数据输入包括一下过程:输入用户历史兴趣点记录数据以及兴趣点的地理 位置信息。
地理层面建模用户行为包括一下过程:多中心分布,高斯分布参数估计, 访问兴趣点的地理关联度计算,对象与兴趣点的原始表征,构建第一关联关系 对应的拓扑图以及第二关联关系对应的拓扑图(也称为对象兴趣点双重关系异 质图),融合多层表征向量。
预测与训练包括以下过程:负采样构建训练样本,对模型进行打分。
模型输出:输出深度神经网络模型。
下面再通过测试数据来对本实施例所提供的基于人工智能的兴趣点推荐方 法的功能特性进行说明。
首先,获取某位置服务平台的用户历史兴趣点记录,与各个兴趣点的经纬 度信息,以构建兴趣点推荐系统测试了本申请实施例的基于人工智能的兴趣点 推荐方法,并将测试结果的可视化和分析讨论展示如下。数据集的相关统计如
表2所示:
用户数目 | 24,941 |
兴趣点数目 | 28,593 |
访问记录数目 | 717,183 |
稀疏度 | 99.899% |
表2
上述数据已经去除了少于五条记录的用户及兴趣点,接着对于每个用户, 将其所有记录按照时间戳进行排序,且按照7:1:2的比例,分别划分为训练集、 验证集与测试集。
在模型训练中,采取随机梯度下降的方法,对于这一过程使用原始的SGD 优化器(随机梯度下降优化器,stochastic gradient descent)。在上述的损失函数 中隐去了用于解决过拟合的正则项,对于正则项的系数在[1e-2,1e-3,1e-4,1e-5, 1e-6]范围内进行网格搜索;对于融合第一关联关系对应的第一邻接矩阵的预设 权重,在[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9]范围内进行网格搜索,对于隐空间向量 的维度,在[16,32,64,128]范围内进行网格搜索,对于随机梯度下降的批大小, 在[256,512,1024,2048]范围内进行网格搜索,对于原始SGD优化器的学习率 在[0.0001,0.0005,0.001,0.005,0.01]范围内进行网格搜索。模型训练在单结点 Linux Server上运行,并通过NVIDIA Titan X与PyTorch深度学习库加速训练。
在上述超参数的具体搜索中,是观察模型在验证集上的损失及性能为判断 条件来选择的,即如果在验证集上的推荐性能达到了稳定,即可停止训练,记 录此时的验证集上性能。最终对于不同的超参数设置,选择最大化验证集性能 的超参数设置,并进一步对选择的设置进行测试集上的性能评估,作为模型的 最终评估。
最终部署效果:请参阅图11,在位置服务平台上,依据本申请实施例提出 的基于人工智能的兴趣点推荐方法构建兴趣点推荐模型,即基于原始的用户历 史兴趣点记录数据与兴趣点的地理位置信息,可以基于确定的目标兴趣点以及 高斯分布算法构建用户与已访问兴趣点间的第二关联关系,再结合用户与已访 问兴趣点间的第一关联关系,一起输入至基于向量传播的图学习模型,最终训 练得到兴趣点推荐模型,为用户推荐目标兴趣点。
下面再通过列出多组实验对比数据对依据本申请实施例提出的基于人工智 能的兴趣点推荐方法构建模型的准确率进行说明。
在训练得到模型后,对于每个用户,用其测试集里的兴趣点记录与所有未 访问的地点,构建一个待排序列表,基于模型打分的自高到低为其打分,使用 MRR(MeanReciprocal Rank,平均倒数排名)与NDCG(Normalized Discounted Cumulative Gain,归一化折损累计增益)两个指标评估排序性能,正样本(测试 集里的地点记录)越靠前,则性能越好,MRR与NDCG的数值越高。同时,对 于MRR与NDCG这两个指标,可以选择不同的top-K(前K),本文中选择10, 20,40,80等四种取值。
表3
如表3所示,表3中同时列出了相关技术中几种模型的性能,包括MF(矩 阵分解模型)、NeuMF(神经矩阵分解模型)、GCN(图卷积网络模型)、GeoIE (地理影响矩阵分解模型)、HMM(隐马尔科夫模型)、MGM-MFh(混合高 斯矩阵分解模型)和GGCN(地理图卷积网络模型),其中,GGCN为依据本 申请的基于人工智能的兴趣点推荐方法构建的模型。可以观察到依据本申请实 施例提出的基于人工智能的兴趣点推荐方法构建的模型在各个指标上均能优于相关技术中的几种模型,取得了3.47%-5.01%的性能提升,即为用户产生了更加 精准的、更符合用户未来访问行为的列表。
此外,在位置服务中,用户的数据稀疏性是一个棘手问题。具体而言,不 活跃的用户或者新用户在位置服务平台上积累的行为数据有限,对于这部分用 户,相关技术中的模型很难准确学习其偏好,能否提升稀疏用户的推荐性能是 衡量推荐模型的一个重要指标。图12给出了将用户根据稀疏度分组后,每一个 组内的用户的平均推荐性能,选取的评价指标为MRR@40,图12中横坐标为用 户稀疏度,纵坐标表示选取的评价指标为MRR@40的平均推荐性能。图13给 出了将用户根据稀疏度分组后,每一个组内的用户的平均推荐性能,选取的评 价指标为NDCG@40,图13中横坐标为用户稀疏度,纵坐标表示选取的评价指 标为NDCG@40的平均推荐性能。
一并参考图12以及图13,对于不同组别的用户,依据本申请实施例提出的 基于人工智能的兴趣点推荐方法构建的模型均能取得更好的推荐性能,对于记 录较为稀疏的用户同样提升明显,可以有效缓解推荐系统中的数据稀疏问题。
此外,在实际的位置服务中,用户往往会选择上传当前位置信息,请求周边 地区内的兴趣点推荐,在这种情况下,推荐模型的重点与用户空间距离较近的 地点。图14给出了用户上传当前位置信息后,每一个组内的用户的平均推荐性 能,选取的评价指标为MRR,图14中横坐标为top-K的值,纵坐标表示选取的 评价指标为MRR的推荐性能。图15给出了将用户根据稀疏度分组后,每一个 组内的用户的平均推荐性能,选取的评价指标为NDCG,图15中横坐标为top-K 的值,纵坐标表示选取的评价指标为NDCG的推荐性能。
一并参考图14以及图15,当用户选择上传当前位置信息,即将推荐候选待 推荐兴趣点限制在一定空间范围内,依据本申请实施例提出的基于人工智能的 兴趣点推荐方法构建的模型依然可以在多个评价指标上取得一定的提升,进一 步证实了本申请实施例的基于人工智能的兴趣点推荐方法的有效性。
请参阅图16,本申请实施例提供的一种基于人工智能的兴趣点推荐装置30, 该基于人工智能的兴趣点推荐装置30包括:
第一获取模块31,用于获取对象与已访问兴趣点间的第一关联关系以及 第二关联关系,第一关联关系表征对象与已访问兴趣点间的实际访问关系, 第二关联关系表征对象与已访问兴趣点间的空间分布关系;
第一获得模块32,用于基于第一关联关系以及第二关联关系,得到待推 荐对象对应的第一表征向量以及各个待推荐兴趣点分别对应的第二表征向 量;
第二获得模块33,用于基于第一表征向量以及各个第二表征向量,得到 待推荐对象与各个待推荐兴趣点间的预测访问概率;
推荐模块34,用于基于待推荐对象与各个待推荐兴趣点间的预测访问概 率,向待推荐对象推荐目标兴趣点。
可选地,装置还包括:
第二获取模块,用于获取对象访问记录,对象访问记录包括对象标识以 及对应的至少一个已访问兴趣点标识;
第三获得模块,用于基于对象标识以及对应的至少一个已访问兴趣点标 识,得到对象与已访问兴趣点间的第一关联关系。
可选地,装置还包括:
第三获取模块,用于获取对象访问记录,对象访问记录包括对象标识以 及对应的至少一个已访问兴趣点标识,已访问兴趣点标识携带对应的位置信 息以及访问频次;
确定模块,用于基于各个已访问兴趣点标识携带的位置信息、访问频次 以及第一规则,从至少一个已访问兴趣点中确定目标兴趣点;
第四获得模块,用于基于各个已访问兴趣点标识携带的位置信息、目标 兴趣点携带的位置信息以及第二规则,得到对象与已访问兴趣点间第二关联 关系。
可选地,确定模块,包括:
第一获得子模块,用于基于各个已访问兴趣点标识携带的位置信息,得 到各个已访问兴趣点标识之间的距离;
第二获得子模块,用于基于各个已访问兴趣点标识之间的距离,得到各 个已访问兴趣点周围预设距离内的其他已访问兴趣点的访问频次总量;
第一确定子模块,用于基于周围预设距离内的其他已访问兴趣点的访问 频次总量,确定目标兴趣点,其中,目标兴趣点周围预设距离内的其他已访 问兴趣点的访问频次总量大于访问频次数量阈值。
可选地,第四获得模块,包括:
第三获得子模块,用于基于各个已访问兴趣点标识携带的位置信息、目 标兴趣点携带的位置信息以及高斯分布算法,得到已访问兴趣点标识与距离 最近的目标兴趣点之间的第一访问概率;
第四获得子模块,用于对第一访问概率做归一化处理,得到对象标识与 已访问兴趣点标识之间的第二访问概率;
第五获得子模块,用于基于第二访问概率,得到对象与已访问兴趣点间 第二关联关系。
可选地,第一获得模块,包括:
子模块,用于获得第一关联关系对应的第一邻接矩阵以及第二关联关系 对应的第二邻接矩阵;
第六获得子模块,用于将第一邻接矩阵以及第二邻接矩阵按照预设权重 进行融合,得到融合邻接矩阵;
第七获得子模块,用于基于融合邻接矩阵对待推荐对象对应的原始表征 向量进行e层向量传播,依次得到0-e层第一子表征向量,以及基于融合邻 接矩阵对各个待推荐兴趣点分别对应原始表征向量进行e层向量传播,依次 得到各个待推荐兴趣点分别对应的0-e层第二子表征向量,其中e为大于0 的正整数;
第八获得子模块,用于将0-e层第一子表征向量进行拼接,得到待推荐 对象对应第一表征向量,以及将各个待推荐兴趣点分别对应的0-e层第二子 表征向量各自进行拼接,得到各个待推荐兴趣点分别对应的第二表征向量, 其中e为大于0的正整数。
可选地,第七获得子模块,包括:
获取子单元,用于获取待推荐对象标识以及各个待推荐兴趣点标识;
第一获得子单元,用于基于待推荐对象标识以及第一嵌入矩阵,得到待 推荐对象对应的原始表征向量;
第二获得子单元,用于基于各个待推荐兴趣点标识以及第二嵌入矩阵, 得到各个待推荐兴趣点分别对应原始表征向量。
可选地,推荐模块,包括:
排序子模块,用于按照预测访问概率从大到小的规则对各个待推荐兴趣 点进行排序;
第一推荐子模块,用于将排序靠前的预设数量的待推荐兴趣点作为目标 兴趣点,推荐给待推荐对象。
可选地,推荐模块,包括:
第三获取子模块,用于获取待推荐对象的当前位置信息;
第八获得子模块,用于基于当前位置信息以及距离阈值,得到待推荐区 域;
第二推荐子模块,用于将位于待推荐区域且预测访问概率大于概率阈值 的待推荐兴趣点作为目标兴趣点,推荐给待推荐对象。
可选地,推荐模块,包括:
第四获取子模块,用于获取目标位置区域;
第九获得子模块,用于基于各个待推荐兴趣点的位置信息以及目标位置 区域,得到位于目标位置区域内的目标待推荐兴趣点;
第五获取子模块,用于获取各个目标待推荐兴趣点关联的预测访问概率 总量;
第三推荐子模块,用于将预测访问概率总量最大的待推荐兴趣点作为目 标兴趣点,推荐给待推荐对象。
采用本申请实施例的基于人工智能的兴趣点推荐装置,在获取到表征对象 与已访问兴趣点间的实际访问关系的第一关联关系,以及表征对象与已访问 兴趣点间的空间分布关系第二关联关系后,可以先基于第一关联关系以及第 二关联关系,得到待推荐对象对应的第一表征向量以及各个待推荐兴趣点分 别对应的第二表征向量,再基于第一表征向量以及各个第二表征向量,得到 待推荐对象与各个待推荐兴趣点间的预测访问概率,最后基于待推荐对象与 各个待推荐兴趣点间的预测访问概率,向待推荐对象推荐目标兴趣点。由于 在确定待推荐对象与各个待推荐兴趣点间的预测访问概率时综合考虑了对象 的历史访问行为以及兴趣点空间分布信息,而对象的历史访问行为能够在一 定程度上代表用户的偏好,兴趣点空间分布信息在一定程度上能够影响用户 对于兴趣点的选择,因此相较于相关技术中仅基于用户的历史访问行为对用户 进行兴趣点访问概率预测,可以提高兴趣点概率预测的准确性,进而提高兴 趣点推荐准确性
需要说明的是,本申请中装置实施例与前述方法实施例是相互对应的,装 置实施例中具体的原理可以参见前述方法实施例中的内容,此处不再赘述。
下面将结合图17对本申请提供的一种电子设备进行说明。
请参阅图17,基于上述的基于人工智能的兴趣点推荐方法,本申请实施例 还提供的另一种包括可以执行前述基于人工智能的兴趣点推荐方法的处理器 104的电子设备200,电子设备200可以为智能手机、平板电脑、计算机或者便 携式计算机等设备。电子设备200还包括存储器104、网络模块106、屏幕108 以及语音采集模块109。其中,该存储器104中存储有可以执行前述实施例中内 容的程序,而处理器102可以执行该存储器104中存储的程序。
其中,处理器102可以包括一个或者多个用于处理数据的核以及消息矩阵 单元。处理器102利用各种接口和线路连接整个电子设备200内的各个部分, 通过运行或执行存储在存储器104内的指令、程序、代码集或指令集,以及调 用存储在存储器104内的数据,执行电子设备200的各种功能和处理数据。可 选地,处理器102可以采用数字信号处理(Digital Signal Processing,DSP)、现场 可编程门阵列(Field-Programmable GateArray,FPGA)、可编程逻辑阵列 (Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器102可 集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作 系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解 调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理 器102中,单独通过一块通信芯片进行实现。
存储器104可以包括随机存储器(Random Access Memory,RAM),也可以 包括只读存储器(Read-Only Memory)。存储器104可用于存储指令、程序、代码、 代码集或指令集。存储器104可包括存储程序区和存储数据区,其中,存储程 序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控 功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令 等。存储数据区还可以存储终端100在使用中所创建的数据(比如电话本、音视 频数据、聊天记录数据)等。
网络模块106用于接收以及发送电磁波,实现电磁波与电信号的相互转换, 从而与通讯网络或者其他设备进行通讯,例如网络模块106可以发送广播数据, 也可以对其他设备发送的广播数据进行解析。网络模块106可包括各种现有的 用于执行这些功能的电路元件,例如,天线、射频收发器、数字信号处理器、 加密/解密芯片、用户身份模块(SIM)卡、存储器等等。网络模块106可与各种网 络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进 行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。例如, 网络模块106可以与基站进行信息交互。
屏幕108可以进行界面内容的显示,例如,可以显示前述实施例子红基于 不流利检测结果以及标点标注结果对文本进行不流利标注以及标点标注,得到 标注后的文本。还可以显示基于不流利检测结果以及标点标注结果得到的
待评分的文本对应的评分。
语音采集模块109,用于对音频信息进行采集。例如,可以用于采集用户输 出的语音。需要说明的是,在电子设备200作为服务器的时候,其可以不包括 语音采集模块109。
需要说明的是,为了实现更多的功能,电子设备200还可以保护更多的器 件,例如,还可以包括用于进行人脸信息采集的结构光传感器或者还可以保护 用于采集虹膜的摄像头等。
请参阅图18,其示出了本申请实施例提供的一种计算机可读存储介质的结 构框图。该计算机可读介质1100中存储有程序代码,程序代码可被处理器调用 执行上述方法实施例中所描述的方法。
计算机可读存储介质1100可以是诸如闪存、EEPROM(电可擦除可编程只读 存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存 储介质1100包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质1100具有执行上述方法中的任何方法步 骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序 产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码1110可以 例如以适当形式进行压缩。
综上,本申请提供的一种基于人工智能的兴趣点推荐方法、装置、电子设 备及存储介质,在获取到表征对象与已访问兴趣点间的实际访问关系的第一 关联关系,以及表征对象与已访问兴趣点间的空间分布关系第二关联关系后, 可以先基于第一关联关系以及第二关联关系,得到待推荐对象对应的第一表 征向量以及各个待推荐兴趣点分别对应的第二表征向量,再基于第一表征向 量以及各个第二表征向量,得到待推荐对象与各个待推荐兴趣点间的预测访 问概率,最后基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向待 推荐对象推荐目标兴趣点。由于在确定待推荐对象与各个待推荐兴趣点间的 预测访问概率时综合考虑了对象的历史访问行为以及兴趣点空间分布信息, 而对象的历史访问行为能够在一定程度上代表用户的偏好,兴趣点空间分布 信息在一定程度上能够影响用户对于兴趣点的选择,因此相较于相关技术中 仅基于用户的历史访问行为对用户进行兴趣点访问概率预测,可以提高兴趣点 概率预测的准确性,进而提高兴趣点推荐准确性。
最后应说明的是: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 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,并不驱使相应技术方案的 本质脱离本申请各实施例技术方案的精神和范围。
Claims (13)
1.一种基于人工智能的兴趣点推荐方法,其特征在于,所述方法包括:
获取对象与已访问兴趣点间的第一关联关系以及第二关联关系,所述第一关联关系表征对象与已访问兴趣点间的实际访问关系,所述第二关联关系表征对象与已访问兴趣点间的空间分布关系;
基于所述第一关联关系以及第二关联关系,得到待推荐对象对应的第一表征向量以及各个待推荐兴趣点分别对应的第二表征向量;
基于所述第一表征向量以及各个第二表征向量,得到待推荐对象与各个待推荐兴趣点间的预测访问概率;
基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向所述待推荐对象推荐目标兴趣点。
2.根据权利要求1所述的方法,其特征在于,所述第一关联关系是通过以下步骤得到的:
获取对象访问记录,所述对象访问记录包括对象标识以及对应的至少一个已访问兴趣点标识;
基于对象标识以及对应的至少一个已访问兴趣点标识,得到对象与已访问兴趣点间的第一关联关系。
3.根据权利要求1-2任一项所述的方法,其特征在于,所述第二关联关系是通过以下步骤得到的:
获取对象访问记录,所述对象访问记录包括对象标识以及对应的至少一个已访问兴趣点标识,所述已访问兴趣点标识携带对应的位置信息以及访问频次;
基于各个已访问兴趣点标识携带的位置信息、访问频次以及第一规则,从至少一个已访问兴趣点中确定目标兴趣点;
基于各个已访问兴趣点标识携带的位置信息、目标兴趣点携带的位置信息以及第二规则,得到对象与已访问兴趣点间第二关联关系。
4.根据权利要求3所述的方法,其特征在于,所述基于各个已访问兴趣点标识携带的位置信息以及第一规则,从至少一个已访问兴趣点中确定目标兴趣点,包括:
基于各个已访问兴趣点标识携带的位置信息,得到各个已访问兴趣点标识之间的距离;
基于各个已访问兴趣点标识之间的距离,得到各个已访问兴趣点周围预设距离内的其他已访问兴趣点的访问频次总量;
基于周围预设距离内的其他已访问兴趣点的访问频次总量,确定目标兴趣点,其中,所述目标兴趣点周围预设距离内的其他已访问兴趣点的访问频次总量大于访问频次数量阈值。
5.根据权利要求3所述的方法,其特征在于,所述基于各个已访问兴趣点标识携带的位置信息、目标兴趣点携带的位置信息以及第二规则,得到对象与已访问兴趣点间第二关联关系,包括:
基于各个已访问兴趣点标识携带的位置信息、所述目标兴趣点携带的位置信息以及高斯分布算法,得到已访问兴趣点标识与距离最近的目标兴趣点之间的第一访问概率;
对所述第一访问概率做归一化处理,得到对象标识与已访问兴趣点标识之间的第二访问概率;
基于第二访问概率,得到对象与已访问兴趣点间第二关联关系。
6.根据权利要求1-2任一项所述的方法,其特征在于,所述基于所述第一关联关系以及第二关联关系,得到待推荐对象对应的第一表征向量以及各个待推荐兴趣点分别对应的第二表征向量,包括:
获得所述第一关联关系对应的第一邻接矩阵以及第二关联关系对应的第二邻接矩阵;
将所述第一邻接矩阵以及所述第二邻接矩阵按照预设权重进行融合,得到融合邻接矩阵;
基于所述融合邻接矩阵对待推荐对象对应的原始表征向量进行e层向量传播,依次得到0-e层第一子表征向量,以及基于所述融合邻接矩阵对各个待推荐兴趣点分别对应原始表征向量进行e层向量传播,依次得到各个待推荐兴趣点分别对应的0-e层第二子表征向量,其中e为大于0的正整数;
将所述0-e层第一子表征向量进行拼接,得到所述待推荐对象对应第一表征向量,以及将各个待推荐兴趣点分别对应的0-e层第二子表征向量各自进行拼接,得到各个待推荐兴趣点分别对应的第二表征向量,其中e为大于0的正整数。
7.根据权利要求6所述的方法,其特征在于,待推荐对象对应的原始表征向量以及各个待推荐兴趣点分别对应原始表征向量是通过以下步骤获得的:
获取待推荐对象标识以及各个待推荐兴趣点标识;
基于所述待推荐对象标识以及第一嵌入矩阵,得到待推荐对象对应的原始表征向量;
基于各个待推荐兴趣点标识以及第二嵌入矩阵,得到各个待推荐兴趣点分别对应原始表征向量。
8.根据权利要求1-2任一项所述的方法,其特征在于,所述基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向所述待推荐对象推荐目标兴趣点,包括:
按照预测访问概率从大到小的规则对各个待推荐兴趣点进行排序;
将排序靠前的预设数量的待推荐兴趣点作为目标兴趣点,推荐给所述待推荐对象。
9.根据权利要求1-2任一项所述的方法,其特征在于,所述基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向所述待推荐对象推荐目标兴趣点,包括:
获取所述待推荐对象的当前位置信息;
基于所述当前位置信息以及距离阈值,得到待推荐区域;
将位于所述待推荐区域且预测访问概率大于概率阈值的待推荐兴趣点作为目标兴趣点,推荐给所述待推荐对象。
10.根据权利要求1-2任一项所述的方法,其特征在于,所述基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向所述待推荐对象推荐目标兴趣点,包括:
获取目标位置区域;
基于各个待推荐兴趣点的位置信息以及所述目标位置区域,得到位于所述目标位置区域内的目标待推荐兴趣点;
获取各个目标待推荐兴趣点关联的预测访问概率总量;
将所述预测访问概率总量最大的待推荐兴趣点作为目标兴趣点,推荐给所述待推荐对象。
11.一种基于人工智能的兴趣点推荐装置,其特征在于,包括:
第一获取模块,用于获取对象与已访问兴趣点间的第一关联关系以及第二关联关系,所述第一关联关系表征对象与已访问兴趣点间的实际访问关系,所述第二关联关系表征对象与已访问兴趣点间的空间分布关系;
第一获得模块,用于基于所述第一关联关系以及第二关联关系,得到待推荐对象对应的第一表征向量以及各个待推荐兴趣点分别对应的第二表征向量;
第二获得模块,用于基于所述第一表征向量以及各个第二表征向量,得到待推荐对象与各个待推荐兴趣点间的预测访问概率;
推荐模块,用于基于待推荐对象与各个待推荐兴趣点间的预测访问概率,向所述待推荐对象推荐目标兴趣点。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行如权利要求1-10任一项所述的方法。
13.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011120660.5A CN112214677B (zh) | 2020-10-19 | 2020-10-19 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011120660.5A CN112214677B (zh) | 2020-10-19 | 2020-10-19 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112214677A true CN112214677A (zh) | 2021-01-12 |
CN112214677B CN112214677B (zh) | 2023-10-27 |
Family
ID=74055893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011120660.5A Active CN112214677B (zh) | 2020-10-19 | 2020-10-19 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214677B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711713A (zh) * | 2021-01-15 | 2021-04-27 | 腾讯科技(深圳)有限公司 | 兴趣点推荐和展示方法、装置、计算机设备和存储介质 |
CN113223215A (zh) * | 2021-05-21 | 2021-08-06 | 歌尔股份有限公司 | 智能门锁的唤醒方法、终端设备及智能门锁 |
CN114385930A (zh) * | 2021-12-28 | 2022-04-22 | 清华大学 | 一种兴趣点推荐方法及系统 |
CN115620157A (zh) * | 2022-09-21 | 2023-01-17 | 清华大学 | 一种卫星图像的表征学习方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948066A (zh) * | 2019-04-16 | 2019-06-28 | 杭州电子科技大学 | 一种基于异构信息网络的兴趣点推荐方法 |
CN110287335A (zh) * | 2019-06-17 | 2019-09-27 | 桂林电子科技大学 | 基于知识图谱和用户长短期偏好的个性化景点推荐方法及装置 |
-
2020
- 2020-10-19 CN CN202011120660.5A patent/CN112214677B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948066A (zh) * | 2019-04-16 | 2019-06-28 | 杭州电子科技大学 | 一种基于异构信息网络的兴趣点推荐方法 |
CN110287335A (zh) * | 2019-06-17 | 2019-09-27 | 桂林电子科技大学 | 基于知识图谱和用户长短期偏好的个性化景点推荐方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711713A (zh) * | 2021-01-15 | 2021-04-27 | 腾讯科技(深圳)有限公司 | 兴趣点推荐和展示方法、装置、计算机设备和存储介质 |
CN112711713B (zh) * | 2021-01-15 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 兴趣点推荐和展示方法、装置、计算机设备和存储介质 |
CN113223215A (zh) * | 2021-05-21 | 2021-08-06 | 歌尔股份有限公司 | 智能门锁的唤醒方法、终端设备及智能门锁 |
CN114385930A (zh) * | 2021-12-28 | 2022-04-22 | 清华大学 | 一种兴趣点推荐方法及系统 |
CN115620157A (zh) * | 2022-09-21 | 2023-01-17 | 清华大学 | 一种卫星图像的表征学习方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112214677B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN107688823B (zh) | 一种图像特征获取方法及装置,电子设备 | |
CN106471851B (zh) | 基于学习模型的设备定位 | |
CN110166991B (zh) | 用于定位电子设备的方法、设备、装置以及存储介质 | |
CN111898578B (zh) | 人群密度的获取方法、装置、电子设备 | |
CN109446171B (zh) | 一种数据处理方法和装置 | |
CN107240029B (zh) | 一种数据处理方法及装置 | |
CN110298687B (zh) | 一种区域吸引力评估方法及设备 | |
CN112084959B (zh) | 一种人群图像处理方法及装置 | |
CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
CN112307243A (zh) | 用于检索图像的方法和装置 | |
CN110619090B (zh) | 一种区域吸引力评估方法及设备 | |
CN113766633A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN113448876B (zh) | 一种业务测试方法、装置、计算机设备及存储介质 | |
CN114092162B (zh) | 推荐质量确定方法、推荐质量确定模型的训练方法及装置 | |
CN112235723B (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN110070371B (zh) | 一种数据预测模型建立方法及其设备、存储介质、服务器 | |
CN112949724A (zh) | 图像分类网络模型的训练方法、图像分类方法及相关设备 | |
CN111582482B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN110856253B (zh) | 定位方法、装置、服务器及存储介质 | |
CN113905070B (zh) | 一种服务提供方法和系统 | |
CN118035496B (zh) | 视频推荐方法、装置、电子设备和存储介质 | |
CN115278701B (zh) | 基站资源部署方法及装置 | |
CN115687751A (zh) | 为目标终端选择用户的方法和系统 |
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 |