CN112243487B - 用于按需服务的系统和方法 - Google Patents

用于按需服务的系统和方法 Download PDF

Info

Publication number
CN112243487B
CN112243487B CN201880094438.7A CN201880094438A CN112243487B CN 112243487 B CN112243487 B CN 112243487B CN 201880094438 A CN201880094438 A CN 201880094438A CN 112243487 B CN112243487 B CN 112243487B
Authority
CN
China
Prior art keywords
pois
target
recognition model
accuracy
address query
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201880094438.7A
Other languages
English (en)
Other versions
CN112243487A (zh
Inventor
郑万吉
陈欢
余鹏
宋奇
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
Publication of CN112243487A publication Critical patent/CN112243487A/zh
Application granted granted Critical
Publication of CN112243487B publication Critical patent/CN112243487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • G06F16/9532—Query formulation
    • 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
    • G06F16/9538—Presentation of query results
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Library & Information Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Transfer Between Computers (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及确定与目标查询相关联的目标搜索结果的系统和方法。所述方法可以包括从用户终端获得包括目标地址查询的运输服务请求，以及确定与目标地址查询相关联的至少两个候选兴趣点(POIs)。所述方法还可以包括使用训练好的识别模型基于所述候选POI识别一个或以上目标POI。该训练好的识别模型可以被配置为提供所述一个或以上目标POI中的每一个与所述目标地址查询的相关性概率。所述方法还包括基于所述相关性概率对所述一个或以上目标POI中的部分或全部进行排序以产生排序结果，并将排序结果发送到用户终端。

Description

用于按需服务的系统和方法
技术领域
本申请一般涉及用于线上线下服务的系统和方法，并且，具体地，涉及用于确定与目标查询相关联的目标搜索结果的系统和方法。
背景技术
利用互联网技术的线上线下服务越来越受欢迎。以按需运输服务(例如，出租车服务)为例，在一些情况下，用户可以通过经由用户终端输入地址查询(例如，与目的地相关联的地址查询)来发起服务请求。在接收到服务请求之后，提供按需服务的系统可以基于预定规则确定与地址查询相关联的一个或以上相关兴趣点(POI)，并将POI推荐给用户终端。然而，在一些情况下，预定规则通常是手动调整的，基于预定规则确定相关POI可能是低效的。因此，期望提供用于自动且有效地确定与地址查询相关联的相关POI的系统和方法。
发明内容
在本申请的一个方面，提供了一种系统。所述系统可以包括至少一个存储介质和至少一个与该至少一个存储介质通信的处理器。所述至少一个存储介质可以包括指令集。当执行所述指令集时，可以指示所述至少一个处理器获得运输服务请求。所述运输服务请求可以包括从用户终端获取包括目标地址查询的运输服务请求。还可以指示所述至少一个处理器确定与所述目标地址查询相关联的至少两个候选兴趣点POI。还可以指示所述至少一个处理器使用训练好的识别模型基于所述至少两个候选POI识别一个或以上目标POI。所述训练好的识别模型可以被配置为提供所述一个或以上目标POI中的每一个与所述目标地址查询的相关性概率。还可以指示所述至少一个处理器基于所述相关性概率对所述一个或以上目标POI中的部分或全部进行排序以产生排序结果，以及将所述排序结果发送到所述用户终端。
在一些实施例中，所述训练好的识别模型是通过训练过程确定的，所述训练过程包括获取至少两个第一历史运输行程记录，其中，所述至少两个第一历史运输行程记录中的每一个包括来自用户的第一地址查询、与所述第一地址查询相关联的一个或以上第一POI、和由所述用户从所述一个或以上第一POI中选择出作为所述运输行程记录的服务位置的第一POI。所述训练过程还可以包括确定包括至少两个第一正样本和至少两个第一负样本的多个第一样本，其中，所述至少两个第一正样本中的每一个包括第一地址查询和所选择的所述第一POI，和所述至少两个第一负样本中的每一个包括所述第一地址查询和除了所选择的所述第一POI之外的所述一个或以上第一POI中的一个。所述训练过程还可以包括基于初始识别模型、多个第一样本确定所述训练好的识别模型。
在一些实施例中，可以指示所述至少一个处理器提取所述多个第一样本中的每个样本的特征信息。还可以指示所述至少一个处理器基于所述初始识别模型和所述特征信息确定与所述多个第一样本对应的多个样本相关性概率，所述多个第一样本中的每一个对应的样本相关性概率包括所述第一样本中查询地址与所述第一样本中第一POI的相关性概率。还可以指示所述至少一个处理器确定所述多个样本相关性概率是否满足预设条件。还可以指示所述至少一个处理器响应于确定所述多个样本相关性概率满足所述预设条件，将所述初始识别模型确定为所述训练好的识别模型。
在一些实施例中，所述多个第一样本中的每个样本的特征信息包括：所述第一POI被选择作为所述至少两个第一历史运输行程中的服务位置的第一频率、所述第一POI在所述至少两个第一历史运输行程中被发送给所述用户的第二频率，和所述第一地址查询和所述第一POI之间的相似性中的至少一个。
在一些实施例中，可以指示所述至少一个处理器确定目标地址查询中的前缀、关键词和短语中的至少一个。还可以指示所述至少一个处理器基于所述前缀、所述关键词或所述短语确定所述至少两个候选POI。
在一些实施例中，所述训练好的识别模型可以包括二分类树模型。
在一些实施例中，可以指示所述至少一个处理器确定与所述训练好的识别模型相关联的相关性阈值。还可以指示所述至少一个处理器确定至少两个合格的目标POI是否小于阈值，其中，所述目标地址查询与所述合格的目标POI之间的所述相关性概率大于所述相关性阈值。还可以指示所述至少一个处理器响应于确定所述合格的目标POI的数量小于所述阈值，从第三方获得与所述目标地址查询相关联的一个或以上补充POI。还可以指示所述至少一个处理器将将所述一个或以上补充POI添加到所述一个或以上目标POI中。
在一些实施例中，可以指示所述至少一个处理器获取至少两个第二历史运输行程记录。还可以指示所述至少一个处理器基于所述至少两个第二历史运输行程记录和所述训练好的识别模型建立准确率-召回率的关系，所述准确率-召回率关系中的每一对准确率-召回率关系和一个相关性阈值相关。还可以指示所述至少一个处理器获取与所述训练好的识别模型相关的参考准确率。还可以指示所述至少一个处理器基于所述参考准确率和与所述参考准确率对应的一对准确率-召回率关系确定所述相关性阈值。
在一些实施例中，可以指示所述至少一个处理器基于所述至少两个第二历史运输行程记录确定至少两个实际正样本和至少两个实际负样本。还可以指示所述至少一个处理器基于所述至少两个第二历史运输行程记录和所述训练好的识别模型，确定至少两个预测正样本和至少两个预测负样本。还可以指示所述至少一个处理器基于所述至少两个实际正样本、所述至少两个实际负样本、所述至少两个预测正样本和所述至少两个预测负样本建立所述准确率-召回率的关系。
在本申请的另一个方面，提供了一种方法。所述方法可以在有至少一个处理器、至少一个存储介质和连接到网络的通信平台的计算设备上实现。所述方法可以包括从用户终端获取包括目标地址查询的运输服务请求。所述方法还可以包括确定与所述目标地址查询相关联的至少两个候选兴趣点POI。所述方法还可以包括使用训练好的识别模型基于所述至少两个候选POI识别一个或以上目标POI。所述训练好的识别模型可以被配置为提供所述一个或以上目标POI中的每一个与所述目标地址查询相关性概率。所述方法还可以包括基于所述相关性概率对所述一个或以上目标POI中的部分或全部进行排序以产生排序结果。所述方法还可以包括将排序结果发送到所述用户终端。
在一些实施例中，训练好的识别模型是通过训练过程确定的。所述训练过程可以包括获取至少两个第一历史运输行程记录，其中，所述至少两个第一历史运输行程记录中的每一个包括来自用户的第一地址查询、与所述第一地址查询相关联的一个或以上第一POI、和由所述用户从所述一个或以上第一POI中选择出作为所述运输行程记录的服务位置的第一POI。所述训练过程还可以包括确定包括至少两个第一正样本和至少两个第一负样本的多个第一样本，其中，所述至少两个第一正样本中的每一个包括第一地址查询和所选择的所述第一POI，和所述至少两个第一负样本中的每一个包括所述第一地址查询和除了所选择的所述第一POI之外的所述一个或以上第一POI中的一个。所述训练过程还可以包括基于初始识别模型、多个第一样本确定所述训练好的识别模型。
在一些实施例中，所述方法可以包括提取所述多个第一样本中的每个样本的特征信息。所述方法还可以包括基于所述初始识别模型和所述特征信息确定与所述多个第一样本对应的多个样本相关性概率，所述多个第一样本中的每一个对应的样本相关性概率包括所述第一样本中查询地址与所述第一样本中第一POI的相关性概率。所述方法还可以包括确定所述多个样本相关性概率是否满足预设条件。所述方法还可以包括响应于确定所述多个样本相关性概率满足所述预设条件，将所述初始识别模型确定为所述训练好的识别模型。
在一些实施例中，所述多个第一样本中的每个样本的特征信息包括：第一POI被选择作为所述至少两个第一历史运输行程中的服务位置的第一频率、所述第一POI在所述至少两个第一历史运输行程中被发送给所述用户的第二频率，和所述第一地址查询和所述第一POI之间的相似性中的至少一个。
在一些实施例中，所述方法可以包括确定目标地址查询中的前缀、关键词和短语中的至少一个。所述方法还可以包括基于所述前缀、所述关键词或所述短语确定所述至少两个候选POI。
在一些实施例中，所述训练好的识别模型可以包括二分类树模型。
在一些实施例中，所述方法可以包括确定与所述训练好的识别模型相关联的相关性阈值。所述方法还可以包括确定至少两个合格的目标POI是否小于阈值，其中，所述目标地址查询与所述合格的目标POI之间的所述相关性概率大于所述相关性阈值。所述方法还可以包括响应于确定所述合格的目标POI的数量小于所述阈值，从第三方获取与所述目标地址查询相关联的一个或以上补充POI。所述方法还可以包括将所述一个或以上补充POI添加到所述一个或以上目标POI中。
在一些实施例中，所述方法可包括获取至少两个第二历史运输行程记录。所述方法还可以包括基于所述至少两个第二历史运输行程记录和所述训练好的识别模型建立准确率-召回率关系，所述准确率-召回率关系中每一对准确率-召回率关系和一个相关性阈值相关。所述方法还可以包括获取与所述训练好的识别模型相关的参考准确率。所述方法还可以包括基于所述参考准确率和与所述参考准确率对应的一对准确率-召回率的关系确定所述相关性阈值。
在一些实施例中，所述方法可包括基于所述至少两个第二历史运输行程记录确定至少两个实际正样本和至少两个实际负样本。所述方法还可以包括基于所述至少两个第二历史运输行程记录和所述训练好的识别模型，确定至少两个预测正样本和至少两个预测负样本。所述方法还可以包括基于所述至少两个实际正样本、所述至少两个实际负样本、所述至少两个预测正样本和所述至少两个预测负样本建立所述准确率-召回率关系。
在本申请的另一方面，提供了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质，包括可执行指令，当由至少一个处理器执行时，所述可执行指令指示所述至少一个处理器执行方法。所述方法可以包括从用户终端获取包括目标地址查询的运输服务请求。所述方法还可以包括确定与所述目标地址查询相关联的至少两个候选兴趣点POI。所述方法还可以包括使用训练好的识别模型基于所述至少两个候选POI识别一个或以上目标POI，所述训练好的识别模型被配置为提供所述一个或以上目标POI中的每一个与所述目标地址查询的相关性概率。所述方法还可以包括基于所述相关性概率对所述一个或以上目标POI中的部分或全部进行排序以产生排序结果。所述方法还可以包括将排序结果发送到用户终端。
另外的特征将在接下来的描述中部分地阐述，并且对于本领域技术人员在查阅下文和附图时将部分地变得显而易见，或者可以通过示例的生产或操作而被学习。本申请的特征可以通过实践或使用在下面讨论的详细示例中阐述的方法、手段和组合的各个方面来实现和获得。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的符号表示相同的部件，其中：
图1是根据本申请的一些实施例所示的示例性按需服务系统的示意图；
图2是根据本申请的一些实施例所示的计算设备的示例性硬件组件和/或软件组件的示意图；
图3是根据本申请的一些实施例所示的移动设备的示例性硬件组件和/或软件组件的示意图；
图4是根据本申请的一些实施例所示的示例性处理引擎的框图；
图5是根据本申请的一些实施所示的用于确定和/或将与一个或以上目标POI相关联的排名结果发送到用户终端的示例性过程的流程图；
图6是根据本申请的一些实施例所示的用于确定训练好的识别模型的示例性过程的流程图；
图7是根据本申请的一些实施例所示的用于确定与目标地址查询相关联的一个或以上补充POI的示例性过程的流程图；
图8是根据本申请的一些实施例所示的用于确定相关阈值的示例性过程的流程图；
图9是根据本申请的一些实施例所示的用于建立准确率-召回率关系的示例性过程的流程图；和
图10是根据本申请的一些实施例所示的示例性准确率-召回率关系的示意图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
本申请中所使用的术语仅用于描述特定的示例性实施例，并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或多个其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
根据以下对附图的描述，本申请的这些和其他的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本申请说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。
本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或多个其他操作。也可以从流程图中删除一个或多个操作。
此外，虽然本申请中公开的系统和方法主要涉及按需运输服务，但是还应当理解的是，这仅是一个示例性实施例。本申请的系统和方法可以应用于任何其他类型的按需服务，例如，本申请的系统和方法还可应用于包括陆地、海洋、航空太空等或其任意组合的不同运输系统。运输系统涉及的车辆可以包括出租车、私家车、挂车、公共汽车、火车、动车、高铁、地铁、船舶、飞机、宇宙飞船、热气球、无人驾驶车辆等或其任意组合。运输系统还可以包括用于管理及/或分配的任何运输系统，例如，用于发送和/或接收快递的系统。本申请的系统和方法的应用场景还可以包括网页、浏览器插件、客户端、客户系统、内部分析系统、人工智能机器人等或其任意组合。
本申请中的术语“乘客”、“请求者”、“请求者”、“服务请求者”、“服务请求者”和“客户”可互换使用，以指代可以请求或者订购服务的个体、实体或工具。此外，本申请中的术语“司机”，“提供者”，“服务提供者”和“供应者”可互换使用，以指代可以提供服务或促进提供服务的个体、实体或工具。本申请中的术语“用户”可以指代可以请求服务、订购服务、提供服务或促进提供服务的个体、实体或工具。在本申请中，术语“请求者”和“请求者终端”可以互换使用，术语“提供者”和“提供者终端”可以互换使用。
本申请中的术语“请求”、“服务”、“服务请求”和“订单”可互换使用，以指代可以来源于乘客、请求者、服务请求者、客户、司机、提供者、服务提供者、供应者等或其任何组合的需求。服务请求可以由乘客、请求者、服务请求者、客户、司机、提供者、服务提供者或供应者中的任何一个接受。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以包括全球定位系统(GPS)、全球卫星导航系统(GLONASS)、北斗导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(WIFI)定位技术等或其任意组合。上述定位技术中的一种或以上在本申请中可以互换使用。
本申请的一方面涉及用于向用户终端推荐与运输服务请求相关联的一个或以上目标兴趣点(POI)的系统和方法。此外，本申请还涉及通过用户界面向用户提供一个或以上目标POI。运输服务请求可以包括由用户输入的可作为与运输服务请求相关联的预期服务位置(例如，开始位置，目的地)的目标地址查询。响应于目标地址查询，系统和方法可以基于目标地址查询的前缀、关键词或短语来确定至少两个候选POI。此外，系统和方法可以基于训练好的识别模型(例如，二分类树模型)从至少两个候选POI中识别一个或以上目标POI，并将与一个或以上目标POI中的部分或全部相关联的排序结果发送到用户终端。在本申请中，可以基于至少两个历史运输行程记录来训练训练好的识别模型。根据训练好的识别模型，系统和方法可以自动且有效地识别目标POI。
应当注意的是，虽然本申请以关于兴趣点(POI)的查询语句为示例，但是也可以利用本申请的方法和系统来优化其他类型的查询语句。可以基于用户输入的查询语句和历史数据来提供泛化的可代替POI的目标兴趣语句(TOI)。POI和运输服务的场景用作本申请的方法和系统的示例，而不是限制。另外，本申请中的查询语句或POI或TOI可以指来自用户的完整或不完整的输入条目。
值得注意的是，在线按需运输服务，例如包括出租车联合服务的在线出租车，是一种仅在后互联网时代扎根的新型服务。它为用户和服务提供商提供技术解决方案，这些解决方案只能在后互联网时代产生。在前互联网时代，当乘客在街道上叫出租车时，出租车请求和接受仅在乘客和看到乘客的出租车司机之间发生。如果乘客通过电话呼叫出租车，则服务请求和接受可能仅在乘客和服务提供商(例如，出租车公司或代理商)之间发生。然而，在线出租车允许服务的用户实时地并且自动地将服务请求分配给远离用户的大量个人服务提供商(例如，出租车)。它还允许至少两个服务提供商同时且实时地响应服务请求。因此，通过互联网，在线按需运输系统可以为用户和服务提供商提供更有效的交易平台，其在传统的前互联网运输服务系统中可能永远不会遇到。
图1是根据本申请的一些实施例所示的示例性按需服务系统的示意图。在一些实施例中，按需服务系统可以是用于线上线下服务的系统。例如，按需服务系统100可以是用于运输服务的在线运输服务平台，例如出租车、司机服务、专车、快车、拼车、公共汽车服务、代驾和班车服务。按需服务系统100可以包括服务器110、网络120、请求者终端130、提供者终端140和存储器150。
在一些实施例中，所述服务器110可以是单个服务器，或服务器组。所述服务器组可以是集中式的或分布式的(例如服务器110可以是分布式系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以经由网络120访问存储在请求者终端130、提供者终端140和/或存储器150中的信息和/或数据。作为另一示例，服务器110可以直接与请求者终端130、提供者终端140和/或存储器150连接以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器110可以在图2中所示的有一个或以上组件的计算设备200上实现。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或以上功能。例如，处理引擎112可以通过使用训练好的识别模型识别与目标地址查询相关联的一个或以上目标POI。训练好的识别模型可以被配置为提供所述一个或以上目标POI中的每一个与所述目标地址查询的相关性概率。在一些实施例中，处理引擎112可以包括一个或以上处理引擎(例如，单核处理器或是多核处理器)。仅作为示例，处理引擎112可包括中央处理器(CPU)、特定应用集成电(ASIC)、特定应用指令集处理器(ASIP)、图形处理器(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可以程序门阵列(FPGA)、可以程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，按需服务系统100的一个或以上组件(例如，服务器110、请求者终端130、提供者终端140或存储器150)可以经由网络120将信息和/或数据发送到按需服务系统100的其他组件。例如，服务器110可以经由网络120从请求者终端130获得服务请求。在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络120可以包括电缆网络、有线网络、光纤网络、电信网络，内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)，公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，如基站和/或互联网交换点120-1、120-2、……，通过该网络交换点，按需服务系统100的一个或以上部件可以连接到网络120以交换数据和/或信息。
在一些实施例中，服务请求者可以是请求者终端130的用户。在一些实施例中，请求者终端130的用户可以是除服务请求者之外的其他人。例如，请求者终端130的用户A可以使用请求者终端130来发送针对用户B的服务请求或者从服务器110接收服务确认和/或信息或指令。在一些实施例中，服务提供商可以是提供者终端140的用户。在一些实施例中，提供者终端140的用户可以是除服务提供者之外的其他人。例如，提供者终端140的用户C可以使用提供者终端140来接收对用户D的服务请求，和/或来自服务器110的信息或指令。
在一些实施例中，请求者终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车载设备130-4等或其任意组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，该可穿戴设备可包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM或Gear VRTM等。在一些实施例中，车载设备130-4可以包括车载计算机、车载电视等。在一些实施例中，请求者终端130可以是具有定位技术的设备，用于定位请求者终端130的用户(例如，司机)位置。
在一些实施例中，提供者终端140可以与请求者终端130类似或相同的设备。在一些实施例中，提供者终端140可以是具有用于定位服务提供者和/或提供者终端140的位置的定位技术的设备。在一些实施例中，请求者终端130和/或提供者终端140可以与其他定位设备通信以确定服务请求者、请求者终端130、服务提供者和/或提供者终端140的位置。在一些实施例中，请求者终端130和/或提供者终端140可以将定位信息发送到服务器110。
存储器150可以存储与第一区域的交通信息有关的数据和/或指令。在一些实施例中，存储器150可以存储从请求者终端130和/或提供者终端140获得的数据。在一些实施例中，存储器150可以储存服务器110用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中，存储器150可包括大容量储存器、可移动储存器、易失性读写储存器、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，存储器150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
在一些实施例中，存储器150可以连接到网络120以与按需服务系统100的一个或以上组件(例如，服务器110，请求者终端130，提供者终端140)通信。按需服务系统100的一个或以上组件可以经由网络120访问存储在存储器150中的数据和/或指令。在一些实施例中，存储器150可以直接连接到按需服务系统100的一个或以上组件(例如，服务器110，请求者终端130，提供者终端140)或与之通信。在一些实施例中，存储器150可以是服务器110的一部分。
在一些实施例中，按需服务系统100的一个或以上组件(例如，服务器110、请求者终端130、提供者终端140)可以具有访问存储器150的许可。在一些实施例中，当满足一个或以上条件时，按需服务系统100的一个或以上组件可以读取和/或修改与服务请求者、服务提供者和/或公众有关的信息。例如，服务器110可以在服务完成之后读取和/或修改一个或以上服务请求者的信息。作为另一示例，提供者终端140可以在从请求者终端130接收服务请求时访问与服务请求者有关的信息，但是提供者终端140不可以修改服务请求者的相关信息。
在一些实施例中，可以通过请求服务来实现按需服务系统100的一个或以上组件的信息交换。服务请求的对象可以为任何产品。在一些实施方案中，产品可以是有形产品或非物质产品。有形产品可包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、奢侈品等，或其任何组合。非物质产品可以包括服务产品、金融产品、知识产品、互联网产品等，或其任何组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或上述举例的任意组合。移动互联网产品可以用于移动终端的软件、程序、系统等的软件或上述举例的任意组合。移动终端可以包括平板计算机、膝上型计算机、移动电话、个人数字助理(PDA)、智能手表、POS装置、车载计算机、车载电视、可穿戴装置等或其任意组合。例如，产品可以是在计算机或移动电话上使用的任何软件和/或应用。所述软件和/或应用程序可以与社交、购物、交通、娱乐、学习、投资等或上述举例的任意组合有关。在一些实施例中，所述与运输有关系统软件和/或应用程序可以包括出行软件和/或应用程序、车辆调度软件和/或应用程序、地图软件和/或应用程序等。在车辆调度软件和/或应用程序中，交通工具可以包括马、马车、人力车(例如独轮手推车、自行车、三轮车)、汽车(例如，出租车、公共汽车、私家车)、火车、地铁、船舶、飞行器(例如，飞机、直升机、航天飞机、火箭、热气球)等其任意组合。
本领域的普通技术人员应当理解，当按需服务系统100的元件(或组件)执行时，该元件可以通过电信号和/或电磁信号执行。例如，当请求者终端130向服务器110发送服务请求时，请求者终端130的处理器可以生成编码该请求的电信号。然后，请求者终端130的处理器可以将电信号发送到输出端口。如果请求者终端130经由有线网络与服务器110通信，则输出端口可以物理连接至某一电缆，其进一步将电信号传输给服务器110的输入端口。如果请求者终端130经由无线网络与服务器110通信，则请求者终端130的输出端口可以是一个或以上天线，其将电信号转换为电磁信号。类似地，提供者终端140可以通过其处理器中的逻辑电路的操作来处理任务，并且经由电信号或电磁信号从服务器110接收指令。在诸如请求者终端130、提供者终端140和/或服务器110的电子设备内，当其处理器处理指令、发出指令和/或执行动作时，该指令和/或动作通过电信号执行。例如，当处理器从存储介质(例如，存储器150)检索或保存数据时，它可以将电信号发送到存储介质的读/写设备，其可以在存储介质中读取或写入结构化数据。该结构化数据可以以电信号的形式经由电子装置的总线传输至处理器。如本申请所示的，电信号是指一个电信号、一系列电信号和/或至少两个不连续的电信号。
图2是根据本申请的一些实施例所示的计算设备的示例性硬件和/或软件组件的示意图。在一些实施例中，服务器110和/或请求者终端130可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实施并执行本申请所公开的处理引擎112的功能。
计算设备200可用于实现如本申请所述的交通监控系统100的任何组件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见，图中仅示出了一台计算机，但是本申请所描述的与确定区域的交通信息有关的计算机功能可以在多个类似平台上以分布式的方式实现，以分担处理负载。
例如，计算设备200可以包括与网络相连接通信端口250，以实现数据通信。计算设备200还可以包括处理器220，可以以一个或以上处理器(例如，逻辑电路)的形式执行程序指令。例如，处理器220可以包括接口电路和其中的处理电路。接口电路可以被配置为从总线210接收电信号，其中电信号编码用于处理电路的结构化数据和/或指令。处理电路可以进行逻辑计算，然后将结论、结果和/或指令编码确定为电信号。然后，接口电路可以经由总线210从处理电路发出电信号。
计算设备200还可以包括不同形式的程序存储和数据存储，例如磁盘270、只读存储器(ROM)230或随机存取存储器(RAM)240，用于存储由计算设备处理和/或传输的各种数据文件。示例性计算机平台也可以包括储存在ROM 230、RAM 240和/或其他类型的非暂时储存介质中的程序指令，以由处理器CPU220执行。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200还包括输入/输出组件(I/O)260，用来支持计算机和其他组件之间的输入/输出。计算设备200也可以通过网络通信接收编程和数据。
为了方便说明，图2中仅描述了一个处理器。也可以包括至少两个处理器，因此本申请中描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器共同地或单独执行。例如，如果在本申请中，计算设备200的处理器执行步骤A和步骤B，应当理解的是，步骤A和步骤B也可以由计算设备200的两个不同的CPU和/或处理器共同地或独立地执行(例如，第一处理器执行步骤A、第二处理器执行步骤B，或者第一和第二处理器共同地执行步骤A和步骤B)。
图3是根据本申请的一些实施例所示的移动设备的示例性硬件和/或软件组件的示意图。请求者终端130或提供者终端140可以在移动设备300上实现。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出(I/O)350、内存360、移动操作系统(OS)370和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。
在一些实施例中，移动操作系统370(例如，iOSTM、AndroidTM、Windows PhoneTM等)和一个或以上应用程序380可从储存器390下载至内存360以便由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于接收和呈现与确定区域的交通信息或来自交通监控系统100的其他信息有关的信息。用户与信息流的交互可以经由输入/输出单元(I/O)350实现，并且经由网络120提供给处理引擎112和/或交通监控系统100的其他组件。
图4是根据本申请公开的一些实施例所示的示例性处理引擎的模块图。处理引擎112可以包括获取模块410、确定模块420、识别模块430、训练模块440、排序模块450和传输模块460。
获取模块410可以被配置为从请求者终端130获得包括目标地址查询的运输服务请求。在一些实施例中，目标地址查询可以指与运输服务请求相关联的预期位置(例如，开始位置、目的地)的名称。在一些实施例中，请求者可以经由请求者终端130输入目标地址查询。例如，请求者可以在安装在请求者终端130上的应用程序输入特定领域中的查询语句。在一些实施例中，请求者可以通过打字界面、手势界面、语音界面、图片界面等输入目标地址查询。
在一些实施例中，确定模块420可以被配置为确定与目标地址查询相关联的至少两个候选POI。例如，确定模块420可以确定目标地址查询中的前缀、关键词和短语中的至少一个，并基于前缀、关键词或短语确定至少两个候选POI。
在一些实施例中，确定模块420可以首先处理目标地址查询并基于处理后的目标地址查询确定至少两个候选POI。例如，确定模块420可以将目标地址查询(例如，“中央商务区”)改写为同义词(例如，“CBD”)。作为另一示例，确定模块420可以分析目标地址查询，如果分析结果表明目标地址查询拼写错误，则确定模块420可以通过校正拼写来处理目标地址查询。
识别模块430可以被配置为使用训练好的识别模型(例如，二分类树模型)基于至少两个候选POI识别一个或以上目标POI。在一些实施例中，识别模块430可以从训练模块440或如本申请中其他地方公开的存储设备(例如，存储设备150)获得训练好的识别模型。其中，训练后的识别模型可以被配置为提供所述一个或以上目标POI中的每一个与所述目标地址查询的相关性概率。在一些实施例中，相关性概率可以表明POI与目标地址查询之间的相似性。相关性概率越大，POI和目标地址查询之间的相似性就越高。
训练模块440可以被配置为基于至少两个历史运输行程记录(例如，图6中描述的至少两个第一历史运输行程记录)来确定训练好的识别模型。至少两个第一历史运输行程记录中的每一个可包括来自用户(例如，请求者)的第一地址查询、与第一地址查询相关联的一个或以上第一POI、用户从该一个或以上的第一POI中选择的可作为服务位置(如历史起点、历史终点等)的第一POI。更多关于训练好的识别模型的描述可以在本申请的其他地方找到(例如，图6及其描述)。
排序模块450可以被配置为基于所述相关性概率对所述一个或以上目标POI中的部分或全部进行排序以产生排序结果。在一些实施例中，排序模块450可以基于相关性概率将一个或以上目标POI中的部分或全部从大到小或从小到大排序。例如，相关性概率越大，相应的目标POI的排名可能越高。在一些实施例中，除了相关性概率之外，还可以考虑与请求者相关联的个性化信息。例如，请求者在预定时段(例如，最近三个月)内选择目标POI作为历史订单中历史服务位置(例如历史其实位置)的频率越大，目标POI的排名可能越高。
传输模块460可以被配置为将排序结果发送到按需服务系统100的一个或以上组件(例如，请求者终端130)。请求者终端130可以经由请求者终端130的用户界面(未示出)显示排序结果。在一些实施例中，结果可以以接近查询语句的输入区域的列表显示。请求者还可以通过用户界面从排序后的一个或以上目标POI中选择一个POI作为与运输服务请求相关联的服务位置。
处理引擎112中的模块可以通过有线连接或无线连接实现互相连接或互相通讯。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)，蓝牙，ZigBee网络，近场通讯(NFC)等或其任意组合。两个或多个模块可以合并成一个模块，以及任何一个模块可以被拆分成两个或多个单元。例如，获取模块410和传输模块460可以组合为单个模块，其可以从请求者终端130获得包括目标地址查询的传输服务请求，并且将与目标地址查询相关联的一个或以上目标POI的排序结果传输给请求者终端130。作为另一示例，处理引擎112可以包括存储模块(未示出)，其可以用于存储由上述模块生成的数据。作为另一示例，训练模块440可以是不必要的，训练好的识别模型可以从诸如本申请中其他地方公开的存储设备(例如，存储器150)获得。
图5是根据本申请的一些实施例所示的用于确定和/或将与一个或以上目标POI相关联的排名结果发送到用户终端的示例性过程的流程图。在一些实施例中，过程500可以通过存储在ROM 230或RAM 240中的一组指令(例如，应用程序)来实现。处理器220和/或图4中的模块可以执行该组指令，并且当执行该组指令时，处理器220和/或模块可以被配置为执行过程500。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程500可以利用未描述的一个或以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外，如图5中所示和下面描述的过程的操作顺序不旨在是限制性的。
在510中，处理引擎112(例如，获取模块410)(例如，处理器220的接口电路)可以从请求者终端130获得包括目标地址查询的运输服务请求。
在一些实施例中，目标地址查询可以指与运输服务请求相关联的预期位置(例如，开始位置、目的地)的名称。在一些实施例中，请求者可以经由请求者终端130输入目标地址查询。例如，请求者可以在安装在请求者终端130上的应用程序输入特定领域中的查询语句。在一些实施例中，请求者可以通过打字界面、手势界面、语音界面、图片界面等输入目标地址查询。
在520中，处理引擎112(例如，确定模块420)(例如，处理器220的处理电路)可以确定与目标地址查询相关联的至少两个候选POI。在一些实施例中，处理引擎112可以确定目标地址查询中的前缀、关键词和短语中的至少一个，并基于前缀、关键词或短语确定至少两个候选POI。例如，如果假设目标地址查询包括关键词“中央商务区”，则处理引擎112可以确定至少两个候选POI，例如“中央商务区地铁站”、“中央商务区建筑物”等。
在一些实施例中，处理引擎112可以首先处理目标地址查询并基于处理后的目标地址查询确定至少两个候选POI。例如，处理引擎112可以将目标地址查询(例如，“中央商务区”)改写为同义词(例如，“CBD”)。作为另一示例，处理引擎112可以分析目标地址查询，如果分析结果表明目标地址查询拼写错误，则处理引擎112可以通过校正拼写来处理目标地址查询。在一些实施例中，处理引擎112可以基于噪声信道模型、贝叶斯分类器、最大熵模型等或其任何组合来改写和/或校正目标地址查询。
在530中，处理引擎112(例如，识别模块430)(例如，处理器220的处理电路)可以使用训练后的识别模型(例如，二分类树模型)基于至少两个候选POI识别一个或以上目标POI。处理引擎112可以从训练模块440或例如本申请中其他地方公开的存储设备(例如，存储设备150)获得训练后的识别模型。其中，训练后的识别模型可以被配置为提供一个或以上目标POI中的每一个与所述目标地址查询的相关性概率。在一些实施例中，相关性概率可以表明POI与目标地址查询之间的相似性。相关性概率越大，POI和目标地址查询之间的相似性就越高。
在一些实施例中，处理引擎112可以确定至少两个候选POI与目标地址查询之间的至少两个相关性概率。进一步，处理引擎112可以基于该至少两个相关概率从至少两个候选POI中识别一个或以上目标POI。例如，处理引擎112可以确定概率阈值(例如，0.7、0.75、0.8、0.85、0.9等)并且将具有大于概率阈值的相关性概率的候选POI识别为一个或以上目标POI。作为另一示例，处理引擎112可基于至少两个相关性概率对至少两个候选POI进行排序(例如，从大到小)，并基于该排序结果，识别一个或以上目标POI(例如，前1、前5、前10、排名前20位等)。
在540中，处理引擎112(例如，排序块450)(例如，处理器220的处理电路)可以基于所述相关性概率对所述一个或以上目标POI中的部分或全部进行排序以产生排序结果。
在一些实施例中，处理引擎112可以基于相关性概率将一个或以上目标POI中的部分或全部从大到小或从小到大排序。例如，相关性概率越大，相应的目标POI的排名可能越高。在一些实施例中，除了相关性概率之外，还可以考虑与请求者相关联的个性化信息。例如，请求者在预定时段(例如，最近三个月)内选择目标POI作为历史订单中历史服务位置(例如历史其实位置)的频率越大，目标POI的排名可能越高。
在550中，处理引擎112(例如，传输模块460)(例如，处理器220的接口电路)可以将排序结果发送到请求者终端130。请求者终端130可以经由请求者终端130的用户界面(未示出)显示排序结果。在一些实施例中，结果可以以接近查询语句的输入区域的列表显示。请求者还可以通过用户界面从排序后的一个或以上目标POI中选择一个POI作为与运输服务请求相关联的服务位置。
出于说明目的，本申请采用与按需运输服务相关联的目标地址查询作为示例，应当注意的是，根据本申请中其他地方公开的过程和/或方法，处理引擎112可以处理与其他按需服务相关联的其他查询语句(例如，地图(如，谷歌地图、百度地图、腾讯地图)导航服务、在线购物服务)。以在线购物服务为例，处理引擎112可以获得包括搜索查询语句的在线购物服务请求，其中，搜索查询语句可以与商品(例如，衣服、鞋子)相关。处理引擎112可以确定与搜索查询语句相关联的至少两个候选搜索结果，并从该至少两个候选搜索结果中选择一个或以上目标搜索结果。
应当理解的是，以上描述仅出于说明的目的，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出多种修改和变化。然而，这些修改和变化不会背离本申请的范围。例如，可以在示例性过程500中的其他地方添加一个或以上其他可选步骤(例如，存储步骤)。在存储步骤中，处理引擎112可以将与运输服务请求相关联的信息(例如，目标地址查询、一个或以上目标POI)存储在诸如本申请中的其他地方所公开的存储设备(例如，存储器150)中。
图6是根据本申请的一些实施例所示的用于确定训练好的识别模型的示例性过程的流程图。在一些实施例中，过程600可以通过存储在ROM 230或RAM 240中的一组指令(例如，应用程序)来实现。处理器220和/或图4中的模块可以执行该组指令，当执行该组指令时，处理器220和/或模块可以被配置为执行过程600。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程600可以通过未描述的一个或多个以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外，如图6中所示和下面描述的过程的操作顺序不旨在是限制性的。
在610中，处理引擎112(例如，训练模块440)(例如，处理器220的接口电路)可以获取预设时间段(例如，最后一个月、最后三个月、最后一年)内的至少两个第一历史运输行程记录。处理引擎112可以从诸如本申请中其他地方公开的存储设备(例如，存储器150)获得该至少两个第一历史运输行程记录。
在一些实施例中，至少两个第一历史运输行程记录中的每一个可包括来自用户(例如，请求者)的第一地址查询、与第一地址查询相关联的一个或以上第一POI、用户从该一个或以上的第一POI中选择的可作为服务位置(如历史起点、历史终点)的第一POI。如530所述，“与第一地址查询相关联的第一POI”可以表示由处理引擎112响应于第一地址查询时识别的POI(类似于响应于目标地址查询的目标POI)。对于至少两个第一历史运输行程记录中的每一个，将一个或以上第一POI中的部分或全部发送给用户(即，请求者终端130)，用户选择该一个或以上第一POI中的一个作为第一历史运输行程记录的服务位置。
在620中，处理引擎112(例如，训练模块440)(例如，处理器220的处理电路)可以基于至少两个第一历史运输行程记录来确定多个第一样本。所述多个第一样本可包括至少两个第一正样本和至少两个第一负样本。如这里所使用的，所述至少两个第一正样本中的每一个可以包括所述第一地址查询和所选择的第一POI。所述至少两个第一负样本中的每一个可以包括所述第一地址查询和除所选择的第一POI之外的该一个或以上第一POI中的一个。
在630中，处理引擎112(例如，训练模块440)(例如，处理器220的处理电路)可以提取多个第一样本中的每一个样本的特征信息。以具体的第一样本为例，特征信息可以包括第一POI被选择作为至少两个第一历史运输行程中的服务位置的第一频率、第一POI在至少两个第一历史运输行程中被发送给用户的第二频率(即，请求者终端130)、第一地址查询和第一POI之间的相似性等。
在640中，处理引擎112(例如，训练模块440)(例如，处理器220的处理电路)可以确定初始识别模型。初始识别模型可以包括初始决策树模型(例如，初始二分类树模型)、初始朴素贝叶斯模型、初始增强树模型、初始最近邻模型、初始支持向量机模型等。
在650中，处理引擎112(例如，训练模块440)(例如，处理器220的处理电路)可以基于初始识别模型和特征信息确定对应于多个第一样本的多个样本相关性概率(也称为“第一相关概率”)。
在660中，处理引擎112(例如，训练模块440)(例如，处理器220的处理电路)可以确定多个样本相关性概率是否满足预设条件。例如，处理引擎112可以基于多个样本相关性概率确定损失函数的值。进一步，处理引擎112可以确定损失函数的值是否小于阈值。阈值可以是按需服务系统100的默认设置，或者可以在不同情况下进行调整。
在670中，响应于确定多个样本相关性概率满足预设条件，处理引擎112(例如，训练模块440)(例如，处理器220的处理电路)在670中可以将初始识别模型确定为训练好的识别模型。另一方面，响应于确定多个样本相关性概率不满足预设条件，处理引擎112可以执行过程600并返回640以更新初始识别模型。例如，处理引擎112可以更新初始识别模型的一个或以上初始参数(例如，权重矩阵、偏差向量)以产生更新的识别模型。
进一步，处理引擎112可以确定更新的识别模型下的多个更新的样本相关性概率是否满足预设条件。响应于确定多个更新的样本相关性概率满足预设条件，处理引擎112可以在670中将更新的识别模型确定为训练好的识别模型。另一方面，响应于确定多个更新的样本相关性概率仍然不满足预设条件，处理引擎112仍然可以执行过程600并返回到640以更新更新的识别模型，直到多个更新的样本相关性概率满足预设条件。
应当理解的是，以上描述仅出于说明的目的，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出多种修改和变化。然而，这些修改和变化不会背离本申请的范围。例如，训练模块440可以以特定时间间隔(例如，每月、每两个月)基于至少两个新获得的历史运输行程记录更新训练好的识别模型。
图7是根据本申请的一些实施例所示的用于确定与目标地址查询相关联的一个或以上补充的POI的示例性过程的流程图。在一些实施例中，过程700可以通过存储在ROM 230或RAM 240中的一组指令(例如，应用程序)来实现。处理器220和/或图4中的模块可以执行该组指令，当执行该组指令时，处理器220和/或模块可以被配置为执行过程700。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程700可以通过未描述的一个或多个以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外，如图7中所示和下面描述的过程的操作顺序不旨在是限制性的。
在一些实施例中，如530所述，在基于训练好的识别模型识别一个或以上目标POI之后，处理引擎112可以基于下面的过程700确定是否将补充的POI添加到一个或以上目标POI。
在710中，处理引擎112(例如，识别模块430)(例如，处理器220的处理电路)可以确定与训练好的识别模型相关联的相关性阈值。在一些实施例中，相关性阈值可以是按需服务系统100的默认设置，或者可以在不同情况下进行调整。在一些实施例中，可以基于至少两个第二历史运输行程记录和训练好的识别模型来确定相关性阈值(例如，参见图8及其描述)。
在720中，处理引擎112(例如，识别模块430)(例如，处理器220的处理电路)可以确定至少两个合格的目标POI是否小于阈值，其中，目标地址查询与合格的目标POI之间的相关性概率大于相关性阈值。合格的目标POI数量的阈值可以是按需服务系统100的默认设置，或者可以在不同情况下进行调整。
在730中，响应于确定合格的目标POI数量小于阈值，处理引擎112(例如，识别模块430)(例如，处理器220的处理电路)可以从第三方(例如，外部数据库)获取一个或以上与目标地址查询相关联的补充POI。例如，如果假设阈值是60并且合格的目标POI数量是55，则处理引擎112可以从第三方获得5个补充POI。
在740中，处理引擎112(例如，识别模块430)(例如，处理器220的处理电路)可以将一个或以上补充POI添加到与目标地址查询相关联的一个或以上目标POI中。如530和540所述，处理引擎112可以进一步对部分或全部目标POI进行排序。
应当理解的是，以上描述仅出于说明的目的，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出多种修改和变化。然而，这些修改和变化不会背离本申请的范围。例如，730和740可以组合为一个单独的操作，其中，处理引擎112可以获取一个或以上补充POI并将补充POI添加到一个或以上目标POI中。
图8是根据本申请的一些实施例所示的用于确定相关阈值的示例性过程的流程图。在一些实施例中，过程800可以通过存储在ROM 230或RAM 240中的一组指令(例如，应用程序)来实现。处理器220和/或图4中的模块可以执行该组指令，当执行该组指令时，处理器220和/或模块可以被配置为执行过程800。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程800可以通过未描述的一个或多个以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外，如图8中所示和下面描述的过程的操作顺序不旨在是限制性的。在一些实施例中，可以基于过程800来执行过程700的操作710。
在810中，处理引擎112(例如，识别模块430)(例如，处理器220的接口电路)可以获得至少两个第二历史运输行程记录。处理引擎112可以从诸如本申请中其他地方公开的存储设备(例如，存储器150)获得至少两个第二运输行程记录。
如610所述，类似于第一历史运输行程记录，至少两个第二历史运输行程记录中的每一个可包括来自用户(例如，请求者)的第二地址查询、与第二地址查询相关联的一个或以上第二POI、用户从该一个或以上的第二POI中选择的可作为服务位置(如历史起点、历史终点)的第二POI。在一些实施例中，至少两个第二历史运输行程记录可以部分或完全与至少两个第一历史运输行程记录不同。
在一些实施例中，处理引擎112可以基于分层抽样过程从存储设备获得至少两个第二历史运输行程记录。如本文所使用的，根据分层抽样过程，处理引擎112可以获得包括至少两个候选历史运输行程记录的样本集(例如，包括在预定时段内的至少两个历史运输行程记录的样本集(例如，最近三个月、最近一年等等))并基于与至少两个候选历史运输行程记录中包括的至少两个候选地址查询相关联的参考信息将至少两个候选历史运输行程记录(例如，至少两个候选地址查询的频率)划分为至少两个组。如这里所使用的，候选地址查询的频率可以指候选地址查询在至少两个候选历史运输行程记录中出现的数量与至少两个候选运输行程记录的数量的比值。进一步，处理引擎112可以从该至少两个组获得至少两个第二历史运输行程记录。
例如，处理引擎112可以将至少两个候选历史交通行程记录划分为第一组、第二组和第三组，其中，第一组中包括的候选地址查询的频率在(0％，30％)内，第二组中包括的候选地址查询的频率在(31％，60％)内，第三组中包括的候选地址查询的频率在(61％，100％)内。此外，如果假设第一组中的至少两个候选历史运输行程记录的数量是5,000，第二组中的候选历史运输行程记录的数量是3,000，第三组中的候选历史运输行程记录的数量是2,000，所述至少两个第二历史运输行程记录的预定数量为1000，处理引擎112可以分别从第一组，第二组和第三组中选择500，300和200个候选历史运输行程记录作为至少两个第二次历史运输行程记录。
在一些实施例中，参考信息还可以包括完成每个候选历史运输行程的区域、每个候选历史运输行程完成时的时间、每个候选历史运输行程的类型等或其任何组合。
在820中，处理引擎112(例如，识别模块430)(例如，处理器220的处理电路)可以基于至少两个第二历史运输行程记录和训练好的识别模型建立准确率-召回率的关系。如图10所示，准确率-召回率的可以以曲线表示，其中水平轴指“召回率”，垂直轴指“准确率”。
在一些实施例中，为了建立准确率-召回率的关系，处理引擎112可以基于至少两个第二历史行程记录确定至少两个第二样本，并且基于训练好的识别模型确定对应于至少两个第二样本的至少两个第二相关性概率。进一步，处理引擎112可以基于至少两个第二相关性概率确定多对准确率和召回率，并且根据如曲线拟合方法，基于多对准确率和召回率建立准确率-召回率的关系。建立准确率-召回率的关系的更多描述可以在本申请的其他地方找到(例如，图9及其描述)。
在830中，处理引擎112(例如，识别模块430)(例如，处理器220的接口电路)可以获得参考准确率(也称为“参考准确率”)。参考准确率可以是按需服务系统100的默认设置，或者可以在不同情况下进行调整。例如，参考准确率可以是按需服务系统100过去使用的模型的准确率。
在840中，处理引擎112(例如，识别模块430)(例如，处理器220的处理电路)可以基于参考准确率和准确率-召回率的关系确定相关性阈值。在一些实施例中，准确率-召回率的关系与至少两个候选相关性阈值相关联。以图10所示的曲线为例，曲线上的每个点对应于一对准确率和召回率以及特定候选相关性阈值。在获得参考准确率之后，处理引擎112可以基于准确率-召回率的关系确定与参考准确率对应的特定候选相关性阈值。相关性阈值和准确率-召回率的关系的更多描述可以在本申请的其他地方找到(例如，图9及其描述)。
应当理解的是，以上描述仅出于说明的目的，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出多种修改和变化。然而，这些修改和变化不会背离本申请的范围。例如，在830中，处理引擎112可以获得参考召回率，由此，在840中，处理引擎112可以基于参考召回率和准确率-召回率的关系来确定相关性阈值。
图9是根据本申请的一些实施例所示的用于建立准确率-召回率关系的示例性过程的流程图。在一些实施例中，过程900可以通过存储在ROM230或RAM 240中的一组指令(例如，应用程序)来实现。处理器220和/或图4中的模块可以执行该组指令，当执行该组指令时，处理器220和/或模块可以被配置为执行过程900。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程900可以通过未描述的一个或多个以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外，如图9中所示和下面描述的过程的操作顺序不旨在是限制性的。在一些实施例中，可以基于过程900来执行操作820。
在910中，处理引擎112(例如，识别模块430)(例如，处理器220的处理电路)可以基于至少两个第二历史运输行程记录确定至少两个实际正样本和至少两个实际负样本(统称为“第二样本”))。如810所述，至少两个实际正样本中的每一个可以包括第二地址查询和所选择的第二POI，至少两个实际负样本中的每一个可以包括第二地址查询和一个或以上第二POI中除了选定的第二POI的一个。
在920中，处理引擎112(例如，识别模块430)(例如，处理器220的处理电路)可基于至少两个第二历史运输行程记录和训练好的识别模型确定至少两个预测正样本和至少两个预测负样本。如650所述，处理引擎112可以基于训练好的识别模型确定与至少两个第二样本相对应的至少两个第二相关性概率。处理引擎112可以基于至少两个候选相关性阈值和与至少两个第二样本相对应的至少两个第二相关性概率来确定至少两个预测正样本和至少两个预测负样本。
以具体的候选相关阈值为例，处理引擎112可以将具有大于候选相关性阈值的第二相关性概率的第二样本确定为预测正样本，反之，处理引擎112可以将具有小于或等于候选相关性阈值的第二相关性概率的第二样本确定为预测负样本。
在930中，处理引擎112(例如，识别模块430)(例如，处理器220的处理电路)可以基于至少两个实际正样本、至少两个实际负样本、至少两个预测正样本和至少两个预测负样本建立准确率-召回率的关系。
在一些实施例中，处理引擎112可以基于至少两个实际正样本、至少两个实际负样本、至少两个预测正样本和至少两个预测负样本确定至少两个真正样本、至少两个假正样本、至少两个真负样本和至少两个假负样本。如本文所使用的，真正样本是指基于训练好的识别模型被预测为正样本的实际正样本，假正样本是指基于训练的识别模型被预测为正样本的实际负样本，真负样本是指基于训练好的识别模型被预测为负样本的实际负样本，假负样本是指被预测为负样本的实际正样。
同样以具体的候选相关性阈值为例，处理引擎112可以根据下面的公式(1)和公式(2)确定准确率和召回率：
其中，P指准确率，TP指至少两个真正样本中的数量，FP指至少两个假正样本的数量，R指召回率，FN指至少两个假负样本的数量。
对于至少两个候选相关性阈值，处理引擎112可以根据公式(1)和公式(2)确定至少两个准确率和至少两个召回率。此外，处理引擎112可以根据如曲线拟合处理方法，基于至少两个准确率和至少两个召回率建立准确率-召回率的关系。
应当理解的是，以上描述仅出于说明的目的，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出多种修改和变化。然而，这些修改和变化不会背离本申请的范围。
图10是根据本申请的一些实施例所示的示例性准确率-召回率的关系的示意图。如10所示，水平轴指“召回率”，垂直轴指“准确率”。如图9所述，处理引擎112可以基于与至少两个候选相关性阈值相对应的至少两个准确率和至少两个召回率来建立准确率-召回率关系。处理引擎112可以基于映射方法、插值、曲线拟合处理等来建立准确率-召回率的关系。
如830和840所述，处理引擎112可以确定参考准确率并基于该参考准确率确定相关性阈值。如图10所示，Pr指参考准确率，Rr指与参考准确率相对应的参考召回率。如930所述，参考准确率或参考召回率对应于特定的候选相关阈值。因此，在确定参考准确率或参考召回率之后，处理引擎112可以确定对应的相关性阈值。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明公开仅作为示例，并不构成对本申请的限制。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特性可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (10)

1. 一种被配置为向用户提供线上线下服务的系统，包括：
至少一个包括指令集的存储介质；以及
至少一个与所述至少一个存储介质通信的处理器，其中，当执行所述指令集时，所述至少一个处理器用于：
从用户终端获取包括目标地址查询的运输服务请求；
确定与所述目标地址查询相关联的至少两个候选兴趣点POI；
使用训练好的识别模型基于所述至少两个候选POI识别一个或以上目标POI，所述训练好的识别模型被配置为提供所述一个或以上目标POI中的每一个与所述目标地址查询的相关性概率；所述至少一个处理器进一步用于：
确定与所述训练好的识别模型相关联的相关性阈值，其中，所述相关性阈值基于以下方法获取：
获取至少两个第二历史运输行程记录；
基于所述至少两个第二历史运输行程记录和所述训练好的识别模型建立准确率-召回率关系，所述准确率-召回率关系中每一对准确率-召回率关系和一个所述相关性阈值相关；
获取与所述训练好的识别模型相关的参考准确率；
基于所述参考准确率和与所述参考准确率对应的所述一对准确率-召回率关系确定所述相关性阈值；
基于所述相关性概率对所述一个或以上目标POI中的部分或全部进行排序以产生排序结果；以及
将所述排序结果发送给所述用户终端。
2.根据权利要求1所述的系统，其特征在于，所述训练好的识别模型是通过训练过程确定的，所述训练过程包括：
获取至少两个第一历史运输行程记录，其中，所述至少两个第一历史运输行程记录中的每一个包括来自用户的第一地址查询、与所述第一地址查询相关联的一个或以上第一POI、和由所述用户从所述一个或以上第一POI中选择出作为所述运输行程记录的服务位置的第一POI；
确定包括至少两个第一正样本和至少两个第一负样本的多个第一样本，其中，所述至少两个第一正样本中的每一个包括第一地址查询和所选择的所述第一POI，和所述至少两个第一负样本中的每一个包括所述第一地址查询和除了所选择的所述第一POI之外的所述一个或以上第一POI中的一个；以及
基于初始识别模型、所述多个第一样本确定所述训练好的识别模型。
3.根据权利要求2所述的系统，其特征在于，基于所述初始识别模型、所述多个第一样本确定所述训练好的识别模型包括：
提取所述多个第一样本中的每个样本的特征信息；
基于所述初始识别模型和所述特征信息确定与所述多个第一样本对应的多个样本相关性概率，所述多个第一样本中的每一个对应的样本相关性概率包括所述第一样本中查询地址与所述第一样本中第一POI的相关性概率；
确定所述多个样本相关性概率是否满足预设条件；以及
响应于确定所述多个样本相关性概率满足所述预设条件，将所述初始识别模型确定为所述训练好的识别模型。
4.根据权利要求3所述的系统，其特征在于，所述多个第一样本中的每个的特征信息包括：所述第一POI被选择作为所述至少两个第一历史运输行程中的服务位置的第一频率、所述第一POI在所述至少两个第一历史运输行程中被发送给所述用户的第二频率，和所述第一地址查询和所述第一POI之间的相似性中的至少一个。
5. 根据权利要求1-4中任一项所述的系统，其特征在于，为了确定与所述目标地址查询相关联的所述至少两个候选POI，所述至少一个处理器进一步用于：
确定所述目标地址查询中的前缀、关键词和短语中的至少一个；以及
基于所述前缀、所述关键词或所述短语确定所述至少两个候选POI。
6.根据权利要求1-4中任一项所述的系统，其特征在于，所述训练好的识别模型包括二分类树模型。
7.根据权利要求1-4中任一项所述的系统，其特征在于，所述至少一个处理器进一步用于：
确定至少两个合格的目标POI的数量是否小于阈值，其中，所述目标地址查询与所述合格的目标POI之间的所述相关性概率大于所述相关性阈值；
响应于确定所述合格的目标POI的数量小于所述阈值，从第三方获得与所述目标地址查询相关联的一个或以上补充POI；以及
将所述一个或以上补充POI添加到所述一个或以上目标POI中。
8.根据权利要求1所述的系统，其特征在于，为了基于所述至少两个第二历史运输行程记录和所述训练好的识别模型建立准确率-召回率的关系，所述至少一个处理器进一步用于：
基于所述至少两个第二历史运输行程记录确定至少两个实际正样本和至少两个实际负样本；
基于所述至少两个第二历史运输行程记录和所述训练好的识别模型，确定至少两个预测正样本和至少两个预测负样本；以及
基于所述至少两个实际正样本、所述至少两个实际负样本、所述至少两个预测正样本和所述至少两个预测负样本建立所述准确率-召回率的关系。
9.一种在计算设备上实现的方法，所述计算设备有至少一个处理器、至少一个存储介质和连接到网络的通信平台，所述方法包括：
从用户终端获取包括目标地址查询的运输服务请求；
确定与所述目标地址查询相关联的至少两个候选兴趣点POI；
使用训练好的识别模型基于所述至少两个候选POI识别一个或以上目标POI，所述训练好的识别模型被配置为提供所述一个或以上目标POI中的每一个与所述目标地址查询的相关性概率；所述至少一个处理器进一步用于：
确定与所述训练好的识别模型相关联的相关性阈值，其中，所述相关性阈值基于以下方法获取：
获取至少两个第二历史运输行程记录；
基于所述至少两个第二历史运输行程记录和所述训练好的识别模型建立准确率-召回率关系，所述准确率-召回率关系中每一对准确率-召回率关系和一个所述相关性阈值相关；
获取与所述训练好的识别模型相关的参考准确率；以及
基于所述参考准确率和与所述参考准确率对应的所述一对准确率-召回率关系确定所述相关性阈值；
基于所述相关性概率对所述一个或以上目标POI中的部分或全部进行排序以产生排序结果；以及
将所述排序结果传送给所述用户终端。
10.一种非暂时性计算机可读介质，包括可执行指令，当由至少一个处理器执行时，所述可执行指令指示所述至少一个处理器执行方法，所述方法包括：
从用户终端获取包括目标地址查询的运输服务请求；
确定与所述目标地址查询相关联的至少两个候选兴趣点POI；
使用训练好的识别模型基于所述至少两个候选POI识别一个或以上目标POI，所述训练好的识别模型被配置为提供所述一个或以上目标POI中的每一个与所述目标地址查询的相关性概率；所述至少一个处理器进一步用于：
确定与所述训练好的识别模型相关联的相关性阈值，其中，所述相关性阈值基于以下方法获取：
获取至少两个第二历史运输行程记录；
基于所述至少两个第二历史运输行程记录和所述训练好的识别模型建立准确率-召回率关系，所述准确率-召回率关系中每一对准确率-召回率关系和一个所述相关性阈值相关；
获取与所述训练好的识别模型相关的参考准确率；以及
基于所述参考准确率和与所述参考准确率对应的所述一对准确率-召回率关系确定所述相关性阈值；
基于所述相关性概率对所述一个或以上目标POI中的部分或全部进行排序以产生排序结果；以及
将所述排序结果传送给用户终端。
CN201880094438.7A 2018-06-14 2018-06-14 用于按需服务的系统和方法 Active CN112243487B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/091200 WO2019237298A1 (en) 2018-06-14 2018-06-14 Systems and methods for on-demand services

Publications (2)

Publication Number Publication Date
CN112243487A CN112243487A (zh) 2021-01-19
CN112243487B true CN112243487B (zh) 2024-08-20

Family

ID=68842645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880094438.7A Active CN112243487B (zh) 2018-06-14 2018-06-14 用于按需服务的系统和方法

Country Status (3)

Country Link
US (1) US11120091B2 (zh)
CN (1) CN112243487B (zh)
WO (1) WO2019237298A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210304078A1 (en) * 2020-03-30 2021-09-30 Lyft, Inc. Utilizing contemporaneous transportation data from a transportation matching system to surface trending destinations in user interfaces
CN112423224B (zh) * 2020-11-19 2022-07-01 杭州云深科技有限公司 基于wifi特征数据的居住地类型识别方法、电子设备和介质
KR20230018932A (ko) * 2021-07-30 2023-02-07 쿠팡 주식회사 전자 장치 및 그의 동작 방법
CN113505204B (zh) * 2021-09-09 2021-12-07 腾讯科技（深圳）有限公司 召回模型训练方法、搜索召回方法、装置和计算机设备

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7752210B2 (en) * 2003-11-13 2010-07-06 Yahoo! Inc. Method of determining geographical location from IP address information
US7406665B2 (en) * 2003-11-19 2008-07-29 Alpine Electronics, Inc. Display method and apparatus for navigation system
US20110208735A1 (en) 2010-02-23 2011-08-25 Microsoft Corporation Learning Term Weights from the Query Click Field for Web Search
JP2012251954A (ja) * 2011-06-06 2012-12-20 Denso It Laboratory Inc 目的地推定装置及びそれを含むナビゲーションシステム、目的地推定方法、及び目的地推定プログラム
CN103185581B (zh) * 2011-12-28 2017-03-08 上海博泰悦臻电子设备制造有限公司 信息提示装置、poi搜索结果的提示方法
CN104077306B (zh) 2013-03-28 2018-05-11 阿里巴巴集团控股有限公司 一种搜索引擎的结果排序方法及系统
CN103778209A (zh) * 2014-01-16 2014-05-07 深圳市凯立德欣软件技术有限公司 一种poi检索结果显示方法及电子设备
US9535960B2 (en) 2014-04-14 2017-01-03 Microsoft Corporation Context-sensitive search using a deep learning model
DE102014010315B4 (de) * 2014-07-10 2019-04-25 e.solutions GmbH Computer-implementiertes Verfahren und Vorrichtung zur Verarbeitung von Spracheingaben
CN104462611B (zh) 2015-01-05 2018-06-08 五八同城信息技术有限公司 信息排序模型的建模方法、排序方法及建模装置、排序装置
MY193639A (en) * 2015-01-27 2022-10-21 Beijing Didi Infinity Technology & Dev Co Ltd Methods and systems for providing information for an on-demand service
GB201506356D0 (en) * 2015-04-15 2015-05-27 Tomtom Int Bv Methods of obtaining point of interest data
US11675795B2 (en) * 2015-05-15 2023-06-13 Yahoo Assets Llc Method and system for ranking search content
US10997184B2 (en) 2015-05-22 2021-05-04 Coveo Solutions, Inc. System and method for ranking search results
US9696175B2 (en) * 2015-10-16 2017-07-04 GM Global Technology Operations LLC Centrally managed waypoints established, communicated and presented via vehicle telematics/infotainment infrastructure
CN106909560B (zh) * 2015-12-23 2021-01-12 香港中文大学 兴趣点排序方法
WO2017158243A1 (en) 2016-03-18 2017-09-21 University Of Helsinki Information retrieval control
CN106021374A (zh) 2016-05-11 2016-10-12 百度在线网络技术（北京）有限公司 查询结果的底层召回方法和装置
CN108154371A (zh) * 2018-01-12 2018-06-12 平安科技（深圳）有限公司 电子装置、身份验证的方法及存储介质

Also Published As

Publication number Publication date
CN112243487A (zh) 2021-01-19
WO2019237298A1 (en) 2019-12-19
US20210049224A1 (en) 2021-02-18
US11120091B2 (en) 2021-09-14

Similar Documents

Publication Publication Date Title
CN109478275B (zh) 分配服务请求的系统和方法
TWI701627B (zh) 推薦個性化內容的系統和方法
CN108701279B (zh) 用于确定未来运输服务时间点的预测分布的系统和方法
CN112868036B (zh) 位置推荐的系统和方法
CN112236787B (zh) 用于生成个性化目的地推荐的系统和方法
US10904724B2 (en) Methods and systems for naming a pick up location
CN112243487B (zh) 用于按需服务的系统和方法
US20200300650A1 (en) Systems and methods for determining an estimated time of arrival for online to offline services
EP3566149B1 (en) Systems and methods for updating poi information
CN108780562B (zh) 更新服务序列的系统和方法
WO2019037549A1 (en) SYSTEM AND METHOD FOR DESTINATION PREDICTION
US20210048311A1 (en) Systems and methods for on-demand services
CN111507732A (zh) 用于识别相似轨迹的系统和方法
CN112262557B (zh) 用于为线上到线下服务提供信息的系统和方法
CN111191107B (zh) 使用标注模型召回兴趣点的系统和方法
CN111382369B (zh) 用于确定与地址查询相关的相关兴趣点的系统和方法

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