CN112395502A - 一种页面显示方法、装置、电子设备及计算机存储介质 - Google Patents
一种页面显示方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112395502A CN112395502A CN202011290903.XA CN202011290903A CN112395502A CN 112395502 A CN112395502 A CN 112395502A CN 202011290903 A CN202011290903 A CN 202011290903A CN 112395502 A CN112395502 A CN 112395502A
- Authority
- CN
- China
- Prior art keywords
- functional
- sample
- area
- feature extraction
- space
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012216 screening Methods 0.000 claims abstract description 28
- 230000001960 triggered effect Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 144
- 238000000605 extraction Methods 0.000 claims description 79
- 239000013598 vector Substances 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 20
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 17
- DLMYFMLKORXJPO-UHFFFAOYSA-N 2-amino-3-[(triphenylmethyl)thio]propanoic acid Chemical compound C=1C=CC=CC=1C(C=1C=CC=CC=1)(SCC(N)C(O)=O)C1=CC=CC=C1 DLMYFMLKORXJPO-UHFFFAOYSA-N 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000000306 recurrent effect Effects 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及页面显示技术领域，特别涉及一种页面显示方法、装置、电子设备及计算机存储介质，用以提高智慧场景中向用户推荐服务的精准性。本申请实施例响应目标账户触发的页面展示请求，获取目标账户在目标场景中的历史轨迹数据；从历史轨迹数据中，确定目标账户在目标场景中曾经到达的各个参考功能区域，以及确定各个参考功能区域的位置信息和到达时间点，从目标场景中筛选出待推荐功能区域，并显示待推荐功能区域对应的展示页面。由于本申请实施例根据目标账户历史轨迹数据筛选出待推荐功能区域，并进一步显示待推荐功能区域对应的展示页面，可以提高向目标账户进行页面展示的灵活性。
Description
技术领域
本申请涉及页面显示技术领域，特别涉及一种页面显示方法、装置、电子设备及计算机存储介质。
背景技术
随着移动终端的多样化和移动应用的不断普及，对移动终端页面显示的技术提出了更高的要求。
目前，面对线下商业场景，为了满足用户在各种智慧服务场景下的需求，各个智慧服务场景推出智慧场景服务客户端或小程序，用户在进入智慧服务场景后，通过移动终端上安装的智慧场景服务客户端或小程序，可以方便的查看该智慧服务场景提供的各种服务。例如，针对机场智慧场景，机场智慧场景的客户端显示界面中可以显示机场中包括的各个区域，以及每个区域中包含的POI。但是，目前智慧场景服务客户端显示页面的页面显示源代码为预先设置的，在用户触发页面展示请求后，智慧场景服务客户端根据页面显示源代码生成显示页面，因此，目前智慧场景服务客户端针对不同用户的显示页面是固定不变的，不能根据不同用户灵活展示显示页面。
发明内容
本申请提供一种页面显示方法、装置、电子设备及计算机存储介质，用以提高智慧场景中向用户推荐服务的精准性，进一步优化页面显示方式。
第一方面，本申请实施例提供一种页面显示方法，包括：
响应目标账户触发的页面展示请求，获取所述目标账户在目标场景中的历史轨迹数据；
从所述历史轨迹数据中，确定所述目标账户在所述目标场景中曾经到达的各个参考功能区域，以及确定各个参考功能区域的位置信息和到达时间点；
基于各个参考功能区域的位置信息和到达时间点，从所述目标场景中筛选出待推荐功能区域；
显示所述待推荐功能区域对应的展示页面。
第二方面，本申请实施例提供一种页面显示装置，包括：
获取单元，用于响应目标账户触发的页面展示请求，获取所述目标账户在目标场景中的历史轨迹数据；
确定单元，用于从所述历史轨迹数据中，确定所述目标账户在所述目标场景中曾经到达的参考功能区域，以及确定各个参考功能区域的位置信息和到达时间点；
筛选单元，用于基于各个参考功能区域的位置信息和到达时间点，从所述目标场景中筛选出待推荐功能区域；
显示单元，用于显示所述待推荐功能区域对应的展示页面。
第三方面，本申请实施例提供一种电子设备，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本申请提供的页面显示方法。
第四方面，本申请实施例提供一种计算机可读介质，存储有计算机可执行指令，所述计算机可执行指令用于执行本申请提供的页面显示方法。
本申请有益效果：
本申请实施例响应目标账户触发的页面展示请求，获取目标账户在目标场景中的历史轨迹数据；由于本申请实施例从获取到的目标账户的历史轨迹数据中，确定目标账户在目标场景中曾经到达的参考功能区域集合以及确定参考功能区域集合中各个参考功能区域的位置信息和到达时间点，并从目标场景中筛选出待推荐功能区域，提高向目标账户展示目标场景中待推荐功能区域的准确性，另外，由于本申请实施例在筛选出待推荐功能区域后，显示待推荐功能区域对应的显示页面，这样生成的显示页面更加符合用户需求；从而，本申请实施例提供的页面展示方式可以灵活的向目标账户进行页面展示。
附图说明
图1为本申请实施例中的一种可选的应用场景示意图；
图2为本申请实施例提供的一种页面显示方法流程示意图；
图3为本申请实施例提供的一种已训练的功能区域预测模型结构图；
图4为本申请实施例提供的STLC网络单元结构示意图；
图5为本申请实施例提供的向目标账户推荐的待推荐功能区域对应的展示页面图；
图6为本申请实施例提供的目标账户触发待推荐功能区域对应的展示页面后的显示页面图；
图7为本申请实施例提供的向非目标账户推荐的功能区域对应的展示页面图；
图8为本申请实施例提供的一种初始功能区域预测模型结构图；
图9为本申请实施例提供的一种页面显示方法整体流程示意图；
图10为本申请实施例提供的一种页面显示装置的结构示意图；
图11为本申请实施例中的电子设备的结构示意图；
图12为本申请实施例中的一种计算装置的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请公开的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面对文中出现的一些术语进行解释：
1、时空因子：时空因子是指在进行轨迹数据挖掘时，每个轨迹数据点的时空背景信息。时空背景信息是做用户轨迹挖掘的重要因素。时空背景信息可分为绝对时空背景信息和相对时空背景信息。绝对时空背景信息是指用户处在某个轨迹点时的时间戳标签和经纬度海拔标签，一般需要分别将时两类标签分别编码才能为挖掘算法使用；相对时空标签是指相邻两个轨迹点的时间差和距离，一般会将两类信息分别归一化再输入到挖掘算法。两种形式的时空因子都可以是原始值或原始值做离散化后的编码。
2、智慧场景服务：智慧场景服务是指在线下商业场景内，通过对用户所在场景的即时感知，依托大数据运算，智能匹配用户需求与场景相关服务。智慧场景服务依托于精准定位、AI及5G等创新技术，借助手机等各类智能终端，商家可以对近场潜在消费者进行有效感知。而线下大数据的应用，提升了供需两端的匹配效率。目前，智慧场景服务主要覆盖场景为商圈、餐厅、酒店、机场/地铁/火车站、银行、医院、超市、景区。
3、时间序列预测：时间序列预测法其实是一种回归预测方法，属于定量预测，其基本原理是:一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。常用的有两类方法，一类是基于概率图模型的算法，常见有条件随机场CRF、隐马尔科夫模型HMM等；另一类是基于深度学习的时间序列预测算法，常见有Vanilla-RNN、LSTM、GRU、Bi-LSTM、Bi-GRU等。
4、循环神经网络：循环神经网络(Recurrent Neural Network,RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。循环神经网络具有记忆性、参数共享并且图灵完备(Turing completeness)，因此在对序列的非线性特征进行学习时具有一定优势。循环神经网络在自然语言处理(Natural Language Processing,NLP)，例如语音识别、语言建模、机器翻译等领域有应用，也被用于各类时间序列预报。其中双向循环神经网络(Bidirectional RNN,Bi-RNN)和长短期记忆网络(Long Short-Term Memorynetworks，LSTM)是常见的循环神经网络。
5、长短期记忆网络：长短期记忆网络(Long Short-Term Memory networks，LSTM)，是一种特殊的RNN，能够避免长期依赖关系问题，记住信息很长一段时间是它们固有的行为，而不是努力去学习。LSTM包含链状的结构，重复模块有着不同的结构，它有四层神经网络层以特殊的方式相互作用，而不是单个神经网络层。
6、POI:兴趣点(英语：point of interest，通常缩写成POI)乃是电子地图上的某个地标、景点，用以标示出该地所代表的政府部门、各行各业之商业机构(加油站、百货公司、超市、餐厅、酒店、便利商店、医院等)、旅游景点(公园、公共厕所等)、古迹名胜、交通设施(各式车站、停车场)等处所。由于兴趣点必须包含名称、类别、经度、纬度、海拔等资料才能在电子地图上呈现，POI也被称为成信息点。在室内的近场服务中，POI常用于表示带位置信息和类别信息的店铺。
7、终端：又称为用户设备(User Equipment，UE)、移动台(Mobile Station，MS)、移动终端(Mobile Terminal，MT)等，是一种向用户提供语音和/或数据连通性的设备，例如，具有无线连接功能的手持式设备、车载设备等。目前，一些终端的举例为：手机(mobilephone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(Mobile Internet Device，MID)。
8、客户端：既可以指软件类的APP(Application，应用程序)，也可以指终端设备。它具有可视的显示界面，能与用户进行交互；是与服务器相对应，为客户提供本地服务。针对软件类的应用程序，除了一些只在本地运行的应用程序之外，一般安装在普通的客户终端上，需要与服务端互相配合运行。因特网发展以后，较常用的应用程序包括了如收寄电子邮件时的电子邮件客户端，以及即时通讯的客户端等。对于这一类应用程序，需要网络中有相应的服务器和服务程序来提供相应的服务，如数据库服务，配置参数服务等，这样在客户终端和服务器端，需要建立特定的通信连接，来保证应用程序的正常运行。
9、服务器：可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，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。
下面对本申请实施例的设计思想进行简要介绍：
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。
机器学习(Machine Learning，ML)是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。
本申请实施例提供一种页面显示方法，本申请实施例响应目标账户触发的页面展示请求，获取目标账户在目标场景中的历史轨迹数据；由于本申请实施例从获取到的目标账户的历史轨迹数据中，确定目标账户在目标场景中曾经到达的参考功能区域集合以及确定参考功能区域集合中各个参考功能区域的位置信息和到达时间点，并从目标场景中筛选出待推荐功能区域，提高向目标账户展示目标场景中待推荐功能区域的准确性，另外，由于本申请实施例在筛选出待推荐功能区域后，显示待推荐功能区域对应的显示页面，这样生成的显示页面更加符合用户需求；从而，本申请实施例提供的页面展示方式可以灵活的向目标账户进行页面展示。
在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中，可以根据实际需要灵活地应用本申请实施例提供的技术方案。
如图1所示，其为本申请实施例示例性的一种应用场景的示意图，包括目标账户10、移动终端11、服务器12；其中，移动终端11上安装有智慧场景服务客户端。
一种可选的应用场景为，移动终端11上安装有智慧场景服务客户端，目标账户10登录智慧场景服务客户端；智慧场景服务客户端响应目标账户10触发的页面展示请求，获取目标账户10在当前智慧场景中的历史轨迹数据；其中，目标账户10在当前智慧场景中的历史轨迹数据存储于服务器12，智慧场景服务客户端将接收到的页面展示请求发送给服务器12，从服务器12中获取目标账户10在当前智慧场景中的历史轨迹数据；智慧场景服务客户端从获取到的目标账户10的历史轨迹数据中，确定目标账户10在当前智慧场景中曾经到达的各个参考功能区域，以及确定各个参考功能区域的位置信息和到达时间点，并基于各个参考功能区域的位置信息和到达时间点，从当前智慧场景中筛选出待推荐功能区域；智慧服务客户端根据待推荐功能区域对应的页面显示参数，生成相应的展示页面。
另一种可选的应用场景为，移动终端11上安装有智慧场景服务客户端，目标账户10登录智慧场景服务客户端；智慧场景服务客户端响应目标账户10触发的页面展示请求，获取目标账户10在当前智慧场景中的历史轨迹数据；其中，目标账户10在当前智慧场景中的历史轨迹数据存储于服务器12，智慧场景服务客户端将接收到的页面展示请求发送给服务器12，页面展示请求中包含目标账户的账户标识；服务器12接收到页面展示请求后，从获取到的目标账户10的历史轨迹数据中，确定目标账户10在当前智慧场景中曾经到达的各个参考功能区域，以及确定各个参考功能区域的位置信息和到达时间点，并基于各个参考功能区域的位置信息和到达时间点，从当前智慧场景中筛选出待推荐功能区域；服务器12将确定出的待推荐功能区域发送给智慧场景服务客户端；智慧服务客户端接收服务器12发送的待推荐功能区域，根据待推荐功能区域对应的页面显示参数，生成相应的展示页面。
其中，本申请实施例的服务器可以为一个独立服务器，或者可以是由多个服务器组成的服务器集群；服务器12可以为智慧场景服务客户端对应的服务器。
下面结合上述描述的应用场景，参考图2-图9来描述本申请示例性实施方式提供的页面显示方法。需要注意的是，上述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
如图2所示，为本申请实施例提供的一种页面显示方法流程示意图，该方法可以包括以下步骤：
步骤S201、响应目标账户触发的页面展示请求，获取目标账户在目标场景中的历史轨迹数据；
步骤S202、从历史轨迹数据中，确定目标账户在目标场景中曾经到达的各个参考功能区域，以及确定各个参考功能区域的位置信息和到达时间点；
步骤S203、基于各个参考功能区域的位置信息和到达时间点，从目标场景中筛选出待推荐功能区域；
步骤S204、显示待推荐功能区域对应的展示页面。
一种可选的实施方式为，目标账户在目标场景中的历史轨迹数据以{one_id，timestamp，(longitude，latitude，fa)}格式存储于服务器中。
其中，one_id表示XXX；timestamp表示目标账户曾经到达各个参考功能区域的到达时间点；(longitude，latitude)是目标账户曾经到达各个参考功能区域的位置信息，例如可以是参考功能区域的经纬度坐标；fa表示目标账户在目标场景中曾经到达的各个参考功能区域的区域标签；例如，以机场智能场景为例，a可以表示“值机区域”，b可以表示“登机口”，c可以表示“航站楼入口”，d可以表示“航站口店铺区域”；
需要说明的是，本申请实施例可以通过实地勘测和室内地图观察，收集各个目标场景下预设的功能区域的位置信息，以数据库表结构的方式存储目标场景中各个预设的功能区域与经纬度数据之间的映射关系；其中，通过离线匹配经纬度的方式可以得到目标场景中各个预设的功能区域的经纬度数据。
例如，本申请实施例的数据库表结构可以如表1所示：
表1
实施中，本申请实施例按one_id聚合得到各个账户的历史轨迹数据，例如，可以以{one_id，timestamp，(longitude，latitude，fa)}的格式存储至服务器中的数据库。
例如，本申请实施例的历史轨迹数据库表结构可以如表2所示：
| one_id | timestamp | (longitude，latitude) | fa |
| 1 | 09:30:00 | (东经126，北纬38) | b |
| 1 | 09:40:00 | (东经30，北纬40) | c |
| 1 | 10:30:00 | (西经70，南纬53) | a |
| 2 | 09:40:00 | (东经120，北纬30) | b |
| 2 | 10:00:00 | (西经75，南纬50) | c |
| 2 | 10:20:00 | (东经30，南纬40) | d |
| 3 | 09:30:00 | (西经80，南纬43) | a |
| 3 | 10:00:00 | (东经20，南纬40) | c |
| 3 | 10:30:00 | (东经120，北纬58) | a |
表2
本申请实施例在获取到目标账户在目标场景中的历史轨迹数据后，将目标账户在目标场景中曾经到达的各个参考功能区域按照时间顺序进行排序，得到参考功能区域集合，并确定参考功能区域集合中各个参考功能区域的位置信息和到达时间点。
例如，在目标场景中曾经到达的各个参考功能区域可以表示为
其中，u表示目标账户，N表示目标账户在目标场景中曾经到达的各个参考功能区域的个数，将目标账户u在特定时段内的曾经到达的各个参考功能区域按照时间顺序进行排序，得到参考功能区域集合，可以表示为
需要说明的是，根据目标账户的历史轨迹数据，确定出的参考功能区域集合中可以包括多个相同的参考功能区域。
实施中，本申请实施例确定参考功能区域集合中各个参考功能区域的位置信息和到达时间点之后，可以根据下列方式确定用于表示参考功能区域集合中参考功能区域之间相对或绝对时空关系的时空因子序列；
需要说明的是，时空因子序列包括相对时间因子、相对空间因子、绝对时间因子和绝对空间因子；
下面针对相对时间因子、相对空间因子、绝对时间因子和绝对空间因子的确定方式分别进行说明。
1、确定相对时间因子和相对空间因子；
需要说明的是，每个参考功能区域集合对应一个相对时间因子序列和一个相对空间因子序列；
一种可选的实施方式为，本申请实施例可以根据下列方式确定参考功能区域集合对应的相对时间因子序列和相对空间因子序列：
针对参考功能区域集合中每两个相邻的参考功能区域，分别执行以下操作：
根据两个相邻的参考功能区域的到达时间点，确定用于表示两个到达时间点的相对关系的相对时间因子；以及，根据两个相邻的参考功能区域的位置信息，确定用于表示两个位置信息的相对关系的相对空间因子；
将根据相邻两个参考功能区域得到的相对时间因子组成与参考功能区域集合对应的相对时间因子序列，以及，将根据相邻两个参考功能区域得到的相对空间因子组成与参考功能区域集合对应的相对空间因子序列。
具体地，本申请实施例可以根据下列公式确定用于两个相邻的参考功能区域的相对关系的相对时间因子以及表示两个位置信息的相对关系的相对空间因子：
例如，两个相邻的参考功能区域分别为向量lt-1，lt，st-1，qt-1表示向量之间的相对空间因子和相对时间因子；vq是lt-1，lt两点的间隔时间，vs是lt-1，lt两点的间隔距离，u(vq)，l(vq)是间隔时间的上界和下界，u(vs)，l(vs)是间隔距离的上界和下界。
例如，lt-1到达时间为09：30：00，lt到达时间为09：50：30，则lt-1，lt两点的间隔时间的上界取值为21分钟，下界取值为20分钟。
2、确定绝对时间因子和绝对空间因子；
需要说明的是，每个参考功能区域集合对应一个绝对时间因子序列和一个绝对空间因子序列；
一种可选的实施方式为，本申请实施例可以根据下列方式确定参考功能区域集合对应的绝对时间因子序列和绝对空间因子序列：
分别确定参考功能区域集合中各个参考功能区域的到达时间点对应的绝对时间因子；以及，分别确定参考功能区域集合中各个参考功能区域的位置信息对应的绝对空间因子；
将根据参考功能区域集合中各个参考功能区域的到达时间得到的各个绝对时间因子组成与参考功能区域集合对应的绝对时间因子序列，以及，将根据参考功能区域集合中各个参考功能区域的位置信息得到的各个绝对空间因子组成与参考功能区域集合对应的绝对空间因子序列；
具体地，本申请实施例可以根据下列公式确定用于表示目标账户到达各个参考功能区域的时间点对应的绝对时间因子以及表示位置信息对应的绝对空间因子：
其中，vqd是lt-1的小时值(vqd∈[0，23])，Fqd是时间离散函数，逻辑举例比如将0-7离散为状态1，7-10离散为状态2等等。而
会将vqd的离散状态映射到不同的高维向量(维度和
相同)。Vsd是lt-1的geo哈希值(Vsd∈[0，23])，Fsd是空间离散函数，会将一定空间区域内的geo哈希值表示为同一种状态，而
会将Vsd的离散状态映射到不同的高维向量(维度和
相同)。
实施中，本申请实施例根据参考功能区域集合，以及参考功能区域集合对应的时空因子序列，可以根据下列方式从目标场景包含的多个候选功能区域中筛选出待推荐功能区域；
如图3所示为本申请实施例提供的一种已训练的功能区域预测模型结构图，其中，已训练的功能区域预测模型包括多个级联的特征提取网络和预测网络；其中，每个特征提取网络由多个考虑时空因素的LSTM循环神经网络单元组成，即图3中的STLC循环神经网络单元；预测网络由多个STLC网络单元组成，下面针对单个STLC网络单元的原理进行介绍：
如图4所示为本申请提供的STLC网络单元结构示意图，网络模型内部加入了遗忘门ft、输入门it、输出门ot三个门神经元以及一个内部记忆神经元
(如图4所示的网络内部的σ从左到右分别指的是ft、it、ot，tanh指的是
)。
需要说明的是，与传统的LSTM循环神经网络相比，STLC网络单元在hidden_state(即隐藏状态ht-1)，at的基础上加了一个cell state(即长时记忆状态ct-1)来计算ht。
其中，遗忘门神经元ft控制前一步记忆单元中信息有多大程度上被遗忘掉；输入门神经元it控制当前记忆中的信息以多大程度更新到记忆单元中；输出门神经元ot控制当前的hidden_state(即短时记忆单元)的输出有多大程度取决于当前的长时记忆单元。
需要说明的是，在已训练的STLC网络单元中，当输入的序列没有重要信息时，LSTM遗忘门的值接近于1；当输入的序列出现了重要信息时，LSTM应当将其存入记忆中，此时其输入门的值会接近于1；当输入的序列出现了重要信息，且该信息意味着之前的记忆不再重要时，则输入门的值会接近于1，而遗忘门的值会接近于0，这样旧的记忆就会遗忘，新的重要信息被记忆。经过这样的设计，整个网络更容易学习到序列之间的长期依赖。
其中，STLC网络单元选择sigmoid作为遗忘门、输入门以及输出门神经元的激活函数，选择tanh作为记忆门神经元的激活函数，而无论sigmoid还是tanh函数均为饱和函数，sogmoid的函数输出在0～1之间，且输入较大或较小时，其输出会非常接近1或0，实现门控效果；tanh函数的输出在-1～1之间，并且中心为0，来吻合0中心特征分布，并且tanh函数在0中心有较大梯度，提高模型收敛速度。例如，当输入小于一定值时，sigmoid输出几乎接近于0，tanh输出几乎接近于-1；当输入大于一定值时，sigmoid，tanh输出均接近于1。
具体地，STLC网络单元实现逻辑如下述公式所示：
遗忘门神经元：
ft＝σ(Wlfat+Whfht-1+Ff(st-1，sdt-1，qt-1，qdt-1)+bf)
输入门神经元：
it＝σ(Wliat+Whiht-1+Fi(st-1，sdt-1，qt-1，qdt-1)+bi)
记忆门神经元：
输出门神经元：
ot＝σ(Wloat+Whoht-1+Fo(st-1，sdt-1，qt-1，qdt-1)+bo)
t时刻的长时记忆：
t时刻的短时记忆：ht＝ot·tanh(ct)
Fk(st-1，sdt-1，qt-1，qdt-1)＝Wskst-1+Wsdksdt-1+Wqkqt-1+Wqdkqdt-1，k＝i，f，o
其中，Wlf，Whf，bf，Wli，Whi，bi，Wlo，Who，bo是各个门神经元的参数，是在模型训练过程中学习得到的；另外，Fk表示时空因子的聚合函数，各因子经过线下变换后相加的处理效果更好，其中，Wsk，Wsdk，Wqk，Wqdk是各个门神经元的参数，是在模型训练过程中学习得到的。
实施中，本申请实施例基于已训练的功能区域预测模型，对参考功能区域集合，以及参考功能区域集合对应的时空因子序列进行线性变换处理，得到用于表示目标账户历史轨迹数据的全局信息的全局特征向量；
具体地，本申请实施例可以根据下列方式得到表示目标账户历史轨迹数据的全局信息的全局特征向量；
将参考功能区域集合划分为多个参考功能区域子集，并将参考功能区域集合对应的时空因子序列进行划分，得到与每个参考功能区域子集对应的时空因子片段。
其中，划分得到的参考功能区域子集与已训练的功能区域预测模型中的特征提取网络一一对应。
需要说明的是，将参考功能区域集合按照预设的划分方式划分为多个参考功能区域子集，其中，预设的划分方式为功能区域预测模型进行训练时选择的划分方式，例如，预设的划分方式可以按照时间间隔进行划分，时间间隔可以相同或者不同。
实施中，将参考功能区域集合划分为多个参考功能区域子集，并得到与每个参考功能区域子集对应的时空因子片段之后，针对每个特征提取网络，可以根据下列方式得到表示与参考功能区域子集对应的目标账户历史轨迹数据的子全局特征向量；
具体地，将与一个特征提取网络对应的参考功能区域子集以及与参考功能区域子集对应的时空因子片段输入特征提取网络，基于一个特征提取网络，根据特征提取网络对应的隐向量初始值，对输入的参考功能区域子集以及时空因子序列进行线性变换处理，得到表示与参考功能区域子集对应的目标账户历史轨迹数据的子全局特征向量。
其中，实施中第一个特征提取网络对应的隐向量初始值取值为0。
本申请实施例在得到表示与参考功能区域子集对应的目标账户历史轨迹数据的子全局特征向量之后，将多个级联的特征提取网络中最后一个特征提取网络输出的子全局特征向量作为用于表示目标账户历史轨迹数据的全局特征向量。
实施中，本申请实施例根据上述实施例得到全局特征向量之后，可以进一步根据下列方式对参考功能区域序列中的部分或全部参考功能区域，以及与部分或全部参考功能区域对应的时空因子序列进行线性变换处理得到融合特征：
具体地，将与多个级联的特征提取网络中最后一个特征提取网络对应的参考功能区域子集，以及与参考功能区域子集对应的时空因子序列，输入预测网络，并将全局特征向量作为预测网络的隐向量初始值，对输入的参考功能区域子集以及对应的时空因子序列进行线性变换处理得到融合特征。
一种可选的实施方式为，本申请实施例根据融合特征以及目标场景中包含的预先设定的多个候选功能区域的区域特征，分别预测目标账户在预设时长内达到的各个候选功能区域的概率值。
需要说明的是，参考功能区域为多个候选功能区域中目标账户曾经到达的功能区域。
实施中，本申请实施例根据获得的各个概率值，从目标场景包含的多个候选功能区域中筛选出待推荐功能区域；
在显示待推荐功能区域对应的展示页面时，一种可选的实施方式为，根据待推荐功能区域对应的页面显示参数，生成并显示相应的展示页面。
例如，目标场景可以以机场智慧服务场景为例，根据机场智慧服务场景中待推荐功能区域对应的页面显示参数，在机场智慧服务客户端的子模块中生成相应的展示页面，如图5所示，目标账户触发页面展示请求后，机场智慧服务客户端响应目标账户触发的页面展示请求，并基于已训练的功能区域预测模型预测机场智慧服务场景中的待推荐功能区域，例如，待推荐功能区域可以分别是“店铺推荐”、“餐饮区”、“电子登机牌”，根据3个待推荐功能区域对应的页面显示参数，分别在机场智慧服务客户端的子模块中生成相应的展示页面；
又例如，目标账户触发子模块中待推荐功能区域“店铺推荐”相应的展示页面，可以得到如图6所示的显示页面，目标账户可以从图6所示的显示页面看到待推荐功能区域“店铺推荐”对应的店铺的位置信息，目标账户可以在图6所示的显示页面中的搜索框内输入接下来要到达的店铺名称，并根据位置导航即可到达接下来要到达的店铺。
需要说明的是，若触发机场智慧服务客户端的账户为非目标账户，即新用户，则机场智慧服务客户端的子模块中生成默认的展示页面，例如，子模块中中可以展示“电子登机牌”、“易安检预约”、“行李跟踪”3个功能区域，根据功能区域对应的页面显示参数，生成相应的展示页面，如图7所示。
实施中，基于已训练的功能区域预测模型，对参考功能区域集合，以及参考功能区域集合对应的时空因子序列进行线性变换处理之前，需要对初始功能区域预测模型进行训练，得到已训练的功能区域预测模型。
下面对初始功能区域预测模型的训练过程进行详细介绍：
具体地，本申请实施例对功能区域预测模型进行训练，得到已训练的功能区域预测模型之前，可以根据下列方式生成包括多个训练样本的训练样本集合；
选取多个样本账户，并获取每个样本账户的历史轨迹数据样本；针对各个样本账户的历史轨迹数据样本，分别执行以下操作：
将一个样本账户在目标场景中曾经到达的各个样本功能区域按照到达时间点进行排序，得到样本功能区域集合；基于样本功能区域集合各个样本功能区域的位置信息和到达时间点，确定用于表示样本功能区域集合中样本功能区域之间相对或绝对时空关系的时空因子序列；
需要说明的是，本申请实施例确定用于表示样本功能区域集合中样本功能区域之间相对或绝对时空关系的时空因子序列的方式，与上述实施例确定时空因子序列的方式相同，具体实施方式可以参见上文中的描述，在此不再详细赘述。
实施中，将样本功能区域集合划分为N个样本功能区域子集，并将样本功能区域集合对应的时空因子序列进行划分，得到与每个样本功能区域子集对应的时空因子序列；将样本功能区域子集中第一个样本功能区域，作为前一个样本功能区域子集对应的实际到达功能区域；将各个样本账户对应的N个样本功能区域子集、时空因子序列、实际到达功能区域组成训练样本。
本申请实施例在生成包括多个训练样本的训练样本集合之后，可以根据下列方式对初始功能区域预测模型进行训练，得到已训练的功能区域预测模型；
如图8所示，为本申请实施例提供的一种初始功能区域预测模型结构图，其中，初始功能区域预测模型结构图包括多个级联的特征提取网络和多个预测网络；其中，每个特征提取网络由多个STLC网络单元组成，即图8中的STLC网络单元；预测网络由多个STLC网络单元组成。
需要说明的是，本申请实施例针对单个STLC网络单元的原理介绍的内容，与上述实施例针对单个STLC网络单元的原理介绍的内容相同，具体实施方式可以参见上文中的描述，在此不再详细赘述。
具体地，从训练样本数据集中选取训练样本；其中，每个训练样本中包括一个样本账户的N个样本功能区域子集、每个样本功能区域集合对应的时空因子片段、预先标注的每个样本功能区域子集对应的实际到达功能区域；
实施中，针对各个特征提取网络分别执行以下操作：
将样本功能区域子集及对应的时空因子序列分别输入至一个特征提取网络，获取一个特征提取网络输出的全局特征向量样本，并将全局特征向量样本作为下一个特征提取网络及连接的预测网络的隐向量初始值；
实施中，针对各个预测网络，分别执行以下操作：
将样本功能区域子集及对应的时空因子序列输入至一个预测网络，根据隐向量初始值对输入的样本功能区域集合及对应的时空因子序列进行线性变化处理得到融合向量样本，并根据所融合特征样本以及多个预设的候选功能区域的区域特征确定预测功能区域。
需要说明的是，针对连接的特征提取网络和预测网络，输入的样本功能区域集合及对应的时空因子序列相同。
实施中，在确定预测功能区域后，需要根据各个预测网络输出的预测功能区域以及各个训练样本中包含的实际到达功能区域确定损失值，根据确定出的损失值，对于损失值对应的预测网络的模型参数进行调整；以及对与预测网络连接的特征提取网络、及N个级联的特征提取网络中位于所述特征提取网络之前的特征提取网络的模型参数进行调整，直到确定出的损失值在预设范围内，得到已训练的功能区域预测模型。如图9所示，为本申请实施例提供的一种页面显示方法整体流程示意图，包括以下步骤：
步骤S901、智慧场景服务客户端响应目标账户触发的页面展示请求，获取目标账户在目标场景中的历史轨迹数据；
步骤S902、智慧场景服务客户端从历史轨迹数据中，确定目标账户在所述目标场景中曾经到达的各个参考功能区域，以及确定各个参考功能区域的位置信息和到达时间点；
步骤S903、智慧场景服务客户端基于参考功能区域集合中各个参考功能区域的位置信息和到达时间点，确定用于表示参考功能区域集合中参考功能区域之间相对或绝对时空关系的时空因子序列；
步骤S904、智慧场景服务客户端基于已训练的功能区域预测模型，对参考功能区域集合，以及与参考功能区域集合对应的时空因子序列进行线性变换处理，得到用于表示目标账户的历史轨迹数据的全局特征向量；
步骤S905、智慧场景服务客户端根据全局特征向量，对参考功能区域集合中的部分或全部参考功能区域，以及与部分或全部参考功能区域对应的时空因子序列进行线性变换处理得到融合特征；
步骤S906、智慧场景服务客户端根据融合特征以及目标场景中包含的预先设定的多个候选功能区域的区域特征，分别预测目标账户在预设时长内达到各个候选功能区域的概率值；
步骤S907、智慧场景服务客户端根据获得的各个概率值，从目标场景包含的多个候选功能区域中筛选出待推荐功能区域；
步骤S908、智慧场景服务客户端显示待推荐功能区域对应的展示页面。
如图10所示，为本申请实施例提供的一种页面显示装置1000的结构示意图，包括：
获取单元1001，用于响应目标账户触发的页面展示请求，获取目标账户在目标场景中的历史轨迹数据；
确定单元1002，用于从历史轨迹数据中，确定目标账户在目标场景中曾经到达的各个参考功能区域，以及确定各个参考功能区域的位置信息和到达时间点；
筛选单元1003，用于基于各个参考功能区域的位置信息和到达时间点，从目标场景中筛选出待推荐功能区域；
显示单元1004，用于显示待推荐功能区域对应的展示页面。
可选地，确定单元1002具体用于：
将目标账户在目标场景中曾经到达的各个参考功能区域按照到达时间点进行排序，得到参考功能区域集合；
基于参考功能区域集合中各个参考功能区域的位置信息和到达时间点，确定用于表示参考功能区域集合中参考功能区域之间相对或绝对时空关系的时空因子序列；
筛选单元1003具体用于：根据参考功能区域集合，以及与参考功能区域集合对应的时空因子序列，从目标场景中筛选出待推荐功能区域。
可选地，筛选单元1003具体用于：
基于已训练的功能区域预测模型，对参考功能区域集合，以及与参考功能区域集合对应的时空因子序列进行线性变换处理，得到用于表示目标账户的历史轨迹数据的全局特征向量；
根据全局特征向量，对参考功能区域集合中的部分或全部参考功能区域，以及与部分或全部参考功能区域对应的时空因子序列进行线性变换处理得到融合特征；
根据融合特征以及目标场景中包含的预先设定的多个候选功能区域的区域特征，分别预测目标账户在预设时长内达到各个候选功能区域的概率值；其中，参考功能区域为多个候选功能区域中目标账户曾经到达的功能区域；
根据获得的各个概率值，从目标场景包含的多个候选功能区域中筛选出待推荐功能区域。
可选地，筛选单元1003具体用于：
将参考功能区域集合划分为多个参考功能区域子集；并将参考功能区域集合对应的时空因子序列进行划分，分别得到各个参考功能区域子集对应的时空因子序列；其中，划分得到的参考功能区域子集与已训练的功能区域预测模型中的特征提取网络一一对应；
针对各个特征提取网络分别执行以下操作：将与一个特征提取网络对应的参考功能区域子集以及与参考功能区域子集对应的时空因子序列输入特征提取网络；基于一个特征提取网络，根据一个特征提取网络对应的隐向量初始值，对输入的参考功能区域子集以及时空因子序列进行线性变换处理，得到表示与参考功能区域子集对应的目标账户历史轨迹数据的子全局特征向量，并将子全局特征向量作为下一个特征提取网络的隐向量初始值；
将多个级联的特征提取网络中最后一个特征提取网络输出的子全局特征向量作为用于表示目标账户历史轨迹数据的全局特征向量。
可选地，筛选单元1003具体用于：
将与多个级联的特征提取网络中最后一个特征提取网络对应的参考功能区域子集，以及与参考功能区域子集对应的时空因子序列，输入预测网络；
基于预测网络，将全局特征向量作为隐向量初始值，对输入的参考功能区域子集以及对应的时空因子序列进行线性变换处理得到融合特征。
可选地，筛选单元1003具体用于：
根据下列方式确定时空因子序列：
针对参考功能区域集合中每两个相邻的参考功能区域，分别执行以下操作：根据两个相邻的参考功能区域的到达时间点，确定用于表示两个到达时间点的相对关系的相对时间因子；以及，根据两个相邻的参考功能区域的位置信息，确定用于表示两个位置信息的相对关系的相对空间因子；以及
分别确定参考功能区域集合中各个参考功能区域的到达时间点对应的绝对时间因子；以及，分别确定参考功能区域集合中各个参考功能区域的位置信息对应的绝对空间因子；
将得到的各个相对时间因子、各个相对空间因子、各个绝对时间因子和各个绝对空间因子组成所述时空因子序列。
可选地，筛选单元1003还用于：
根据下列方式对初始功能区域预测模型进行训练，得到已训练的功能区域预测模型，其中，初始功能区域预测模型包括N个级联的特征提取网络、分别与N个特征提取网络连接的N个预测网络：
从训练样本数据集中选取训练样本；其中，每个训练样本中包括一个样本账户的N个样本功能区域子集、每个样本功能区域集合对应的时空因子序列、预先标注的每个样本功能区域集合对应的实际到达功能区域；
针对各个特征提取网络分别执行以下操作：将样本功能区域子集及对应的时空因子序列输入至一个特征提取网络，获取一个特征提取网络输出的全局特征向量样本，并将全局特征向量样本作为下一个特征提取网络及连接的预测网络的隐向量初始值；
针对各个预测网络，分别执行以下操作：将样本功能区域子集及对应的时空因子序列输入至一个预测网络，根据隐向量初始值对输入的样本功能区域子集及对应的时空因子序列进行线性变化处理得到融合向量样本，并根据融合特征样本以及多个预设的候选功能区域的区域特征确定预测功能区域；其中，针对连接的特征提取网络和预测网络，输入的样本功能区域集合及对应的时空因子序列相同；
根据各个预测网络输出的预测功能区域以及各个训练样本中包含的实际到达功能区域确定损失值；根据确定出的损失值对所述功能区域预测模型中的参数进行调整，直到确定出的损失值在预设范围内，得到已训练的功能区域预测模型。
可选地，筛选单元1003还用于：
根据确定出的损失值，对于损失值对应的预测网络的模型参数进行调整；以及对与预测网络连接的特征提取网络、及N个级联的特征提取网络中位于特征提取网络之前的特征提取网络的模型参数进行调整。
可选地，筛选单元1003还用于：
选取多个样本账户，并获取每个样本账户的历史轨迹数据样本；
针对各个样本账户的历史轨迹数据样本，分别执行以下操作：将一个样本账户在目标场景中曾经到达的各个样本功能区域按照到达时间点进行排序，得到样本功能区域集合；基于样本功能区域集合中各个样本功能区域的位置信息和到达时间点，确定用于表示样本功能区域集合中样本功能区域之间相对或绝对时空关系的时空因子序列；将样本功能区域集合划分为N个样本功能区域子集；并将样本功能区域集合对应的时空因子序列进行划分，得到与每个样本功能区域子集对应的时空因子序列；将样本功能区域子集中第一个样本功能区域，作为前一个样本功能区域子集对应的实际到达功能区域；
将各个样本账户对应的N个样本功能区域子集、时空因子序列、实际到达功能区域组成训练样本。
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
所属技术领域的技术人员能够理解，本申请的每个方面可以实现为系统、方法或程序产品。因此，本申请的每个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，本申请实施例还提供一种电子设备，参阅图11所示，电子设备1100可以至少包括至少一个处理器1101、以及至少一个存储器1102。其中，存储器1102存储有程序代码，当程序代码被处理器1101执行时，使得处理器1101执行本说明书上述描述的根据本申请各种示例性实施方式的页面显示方法中的步骤，例如，处理器1101可以执行如图2所示的步骤。
在一些可能的实施方式中，本申请实施例还提供一种计算装置，可以至少包括至少一个处理单元、以及至少一个存储单元。其中，存储单元存储有程序代码，当程序代码被处理单元执行时，使得处理单元执行本说明书上述描述的根据本申请各种示例性实施方式的页面显示方法中的步骤，例如，处理器1101可以执行如图2中所示的步骤。
下面参照图12来描述根据本申请的这种实施方式的计算装置1200。图12的计算装置1200仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图12，计算装置1200以通用计算装置的形式表现。计算装置1200的组件可以包括但不限于：上述至少一个处理单元1201、上述至少一个存储单元1202、连接不同系统组件(包括存储单元1202和处理单元1201)的总线1203。
总线1203表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元1202可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1221或高速缓存存储单元1222，还可以进一步包括只读存储器(ROM)1223。
存储单元1202还可以包括具有一组(至少一个)程序模块1224的程序/实用工具1225，这样的程序模块1224包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置1200也可以与一个或多个外部设备1204(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置1200交互的设备通信，或与使得该计算装置1200能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1205进行。并且，计算装置1200还可以通过网络适配器1206与一个或者多个网络(例如局域网(LAN)，广域网(WAN)或公共网络，例如因特网)通信。如图所示，网络适配器1206通过总线1203与用于计算装置1200的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置1200使用其它硬件或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本申请提供的页面显示方法的每个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的页面显示方法中的步骤，例如，计算机设备可以执行如图2中所示的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (15)
1.一种页面显示方法，其特征在于，该方法包括：
响应目标账户触发的页面展示请求，获取所述目标账户在目标场景中的历史轨迹数据；
从所述历史轨迹数据中，确定所述目标账户在所述目标场景中曾经到达的各个参考功能区域，以及确定各个参考功能区域的位置信息和到达时间点；
基于各个参考功能区域的位置信息和到达时间点，从所述目标场景中筛选出待推荐功能区域；
显示所述待推荐功能区域对应的展示页面。
2.如权利要求1所述的方法，其特征在于，基于各个参考功能区域的位置信息和到达时间点，从所述目标场景中筛选出待推荐功能区域，包括：
将所述目标账户在所述目标场景中曾经到达的各个参考功能区域按照到达时间点进行排序，得到参考功能区域集合；
基于所述参考功能区域集合中各个参考功能区域的位置信息和到达时间点，确定用于表示所述参考功能区域集合中参考功能区域之间相对或绝对时空关系的时空因子序列；
根据所述参考功能区域集合，以及与所述参考功能区域集合对应的时空因子序列，从所述目标场景中筛选出待推荐功能区域。
3.如权利要求2所述的方法，其特征在于，所述根据所述参考功能区域集合，以及与所述参考功能区域集合对应的时空因子序列，从所述目标场景中筛选出待推荐功能区域，包括：
基于已训练的功能区域预测模型，对所述参考功能区域集合，以及与所述参考功能区域集合对应的时空因子序列进行线性变换处理，得到用于表示所述目标账户的历史轨迹数据的全局特征向量；
根据所述全局特征向量，对所述参考功能区域集合中的部分或全部参考功能区域，以及与所述部分或全部参考功能区域对应的时空因子序列进行线性变换处理得到融合特征；
根据所述融合特征以及所述目标场景中包含的预先设定的多个候选功能区域的区域特征，分别预测所述目标账户在预设时长内达到各个候选功能区域的概率值；其中，所述参考功能区域为所述多个候选功能区域中所述目标账户曾经到达的功能区域；
根据获得的各个概率值，从所述目标场景包含的多个候选功能区域中筛选出待推荐功能区域。
4.如权利要求3所述的方法，其特征在于，所述已训练的功能区域预测模型包括多个级联的特征提取网络和预测网络；
所述基于已训练的功能区域预测模型，对所述参考功能区域集合，以及与所述参考功能区域集合对应的时空因子序列进行线性变换处理，得到用于表示所述目标账户历史轨迹数据的全局特征向量，包括：
将所述参考功能区域集合划分为多个参考功能区域子集；并将所述参考功能区域集合对应的时空因子序列进行划分，分别得到各个参考功能区域子集对应的时空因子序列；其中，划分得到的所述参考功能区域子集与所述已训练的功能区域预测模型中的特征提取网络一一对应；
针对各个特征提取网络分别执行以下操作：将与一个特征提取网络对应的参考功能区域子集以及与参考功能区域子集对应的时空因子序列输入特征提取网络；基于所述一个特征提取网络，根据所述一个特征提取网络对应的隐向量初始值，对输入的参考功能区域子集以及时空因子序列进行线性变换处理，得到表示与所述参考功能区域子集对应的目标账户历史轨迹数据的子全局特征向量，并将所述子全局特征向量作为下一个特征提取网络的隐向量初始值；
将所述多个级联的特征提取网络中最后一个特征提取网络输出的子全局特征向量作为用于表示所述目标账户历史轨迹数据的全局特征向量。
5.如权利要求4所述的方法，其特征在于，所述根据所述全局特征向量，对所述参考功能区域集合中的部分或全部参考功能区域，以及与所述部分或全部参考功能区域对应的时空因子序列进行线性变换处理得到融合特征，包括：
将与所述多个级联的特征提取网络中最后一个特征提取网络对应的参考功能区域子集，以及与所述参考功能区域子集对应的时空因子序列，输入所述预测网络；
基于所述预测网络，将所述全局特征向量作为隐向量初始值，对输入的参考功能区域子集以及对应的时空因子序列进行线性变换处理得到融合特征。
6.如权利要求1～5任一项所述的方法，其特征在于，所述时空因子包括相对时间因子、相对空间因子、绝对时间因子和绝对空间因子；
根据下列方式确定所述时空因子序列：
针对所述参考功能区域集合中每两个相邻的参考功能区域，分别执行以下操作：根据两个相邻的参考功能区域的到达时间点，确定用于表示两个到达时间点的相对关系的相对时间因子；以及，根据所述两个相邻的参考功能区域的位置信息，确定用于表示两个位置信息的相对关系的相对空间因子；以及
分别确定所述参考功能区域集合中各个参考功能区域的到达时间点对应的绝对时间因子；以及，分别确定所述参考功能区域集合中各个参考功能区域的位置信息对应的绝对空间因子；
将得到的各个相对时间因子、各个相对空间因子、各个绝对时间因子和各个绝对空间因子组成所述时空因子序列。
7.如权利要求4所述的方法，其特征在于，在所述基于已训练的功能区域预测模型，对所述参考功能区域集合，以及与所述参考功能区域集合对应的时空因子序列进行线性变换处理之前，进一步包括：
根据下列方式对初始功能区域预测模型进行训练，得到已训练的功能区域预测模型，其中，所述初始功能区域预测模型包括N个级联的特征提取网络、分别与N个特征提取网络连接的N个预测网络：
从训练样本数据集中选取训练样本；其中，每个训练样本中包括一个样本账户的N个样本功能区域子集、每个样本功能区域集合对应的时空因子序列、预先标注的每个样本功能区域集合对应的实际到达功能区域；
针对各个特征提取网络分别执行以下操作：将样本功能区域子集及对应的时空因子序列输入至一个特征提取网络，获取所述一个特征提取网络输出的全局特征向量样本，并将所述全局特征向量样本作为下一个特征提取网络及连接的预测网络的隐向量初始值；
针对各个预测网络，分别执行以下操作：将样本功能区域子集及对应的时空因子序列输入至一个预测网络，根据隐向量初始值对输入的样本功能区域子集及对应的时空因子序列进行线性变化处理得到融合向量样本，并根据所述融合特征样本以及所述多个预设的候选功能区域的区域特征确定预测功能区域；其中，针对连接的特征提取网络和预测网络，输入的样本功能区域集合及对应的时空因子序列相同；
根据各个预测网络输出的预测功能区域以及各个训练样本中包含的实际到达功能区域确定损失值；根据确定出的所述损失值对所述功能区域预测模型中的参数进行调整，直到确定出的损失值在预设范围内，得到已训练的功能区域预测模型。
8.如权利要求7所述的方法，其特征在于，所述根据确定出的所述损失值对所述功能区域预测模型中的参数进行调整，包括：
根据确定出的所述损失值，对与所述损失值对应的预测网络的参数进行调整；以及对与所述预测网络连接的特征提取网络、及N个级联的特征提取网络中位于所述特征提取网络之前的特征提取网络的模型参数进行调整。
9.如权利要求7所述的方法，其特征在于，在对初始功能区域预测模型进行训练之前，根据下列方式生成包括多个训练样本的训练样本集合：
选取多个样本账户，并获取每个样本账户的历史轨迹数据样本；
针对各个样本账户的历史轨迹数据样本，分别执行以下操作：将一个样本账户在目标场景中曾经到达的各个样本功能区域按照到达时间点进行排序，得到样本功能区域集合；基于所述样本功能区域集合中各个样本功能区域的位置信息和到达时间点，确定用于表示所述样本功能区域集合中样本功能区域之间相对或绝对时空关系的时空因子序列；将所述样本功能区域集合划分为N个样本功能区域子集；并将所述样本功能区域集合对应的时空因子序列进行划分，得到与每个样本功能区域子集对应的时空因子序列；将样本功能区域子集中第一个样本功能区域，作为前一个样本功能区域子集对应的实际到达功能区域；
将各个样本账户对应的N个样本功能区域子集、时空因子序列、实际到达功能区域组成训练样本。
10.一种页面显示装置，其特征在于，包括：
获取单元，用于响应目标账户触发的页面展示请求，获取所述目标账户在目标场景中的历史轨迹数据；
确定单元，用于从所述历史轨迹数据中，确定所述目标账户在所述目标场景中曾经到达的参考功能区域，以及确定各个参考功能区域的位置信息和到达时间点；
筛选单元，用于基于各个参考功能区域的位置信息和到达时间点，从所述目标场景中筛选出待推荐功能区域；
显示单元，用于显示所述待推荐功能区域对应的展示页面。
11.如权利要求10所述的装置，其特征在于，基于各个参考功能区域的位置信息和到达时间点，从所述目标场景中筛选出待推荐功能区域，所述确定单元具体用于：
将所述目标账户在所述目标场景中曾经到达的各个参考功能区域按照到达时间点进行排序，得到参考功能区域集合；
基于所述参考功能区域集合中各个参考功能区域的位置信息和到达时间点，确定用于表示所述参考功能区域集合中参考功能区域之间相对或绝对时空关系的时空因子序列；
所述筛选单元具体用于：根据所述参考功能区域集合，以及与所述参考功能区域集合对应的时空因子序列，从所述目标场景中筛选出待推荐功能区域。
12.如权利要求11所述的装置，其特征在于，所述根据所述参考功能区域集合，以及与所述参考功能区域集合对应的时空因子序列，从所述目标场景中筛选出待推荐功能区域，所述筛选单元具体用于：
基于已训练的功能区域预测模型，对所述参考功能区域集合，以及与所述参考功能区域集合对应的时空因子序列进行线性变换处理，得到用于表示所述目标账户的历史轨迹数据的全局特征向量；
根据所述全局特征向量，对所述参考功能区域集合中的部分或全部参考功能区域，以及与所述部分或全部参考功能区域对应的时空因子序列进行线性变换处理得到融合特征；
根据所述融合特征以及所述目标场景中包含的预先设定的多个候选功能区域的区域特征，分别预测所述目标账户在预设时长内达到各个候选功能区域的概率值；其中，所述参考功能区域为所述多个候选功能区域中所述目标账户曾经到达的功能区域；
根据获得的各个概率值，从所述目标场景包含的多个候选功能区域中筛选出待推荐功能区域。
13.如权利要求12所述的装置，其特征在于，所述已训练的功能区域预测模型包括多个级联的特征提取网络和预测网络；
所述基于已训练的功能区域预测模型，对所述参考功能区域集合，以及与所述参考功能区域集合对应的时空因子序列进行线性变换处理，得到用于表示所述目标账户历史轨迹数据的全局信息的全局特征向量，所述筛选单元具体用于：
将所述参考功能区域集合划分为多个参考功能区域子集；并将所述参考功能区域集合对应的时空因子序列进行划分，分别得到每个参考功能区域子集对应的时空因子片段；其中，划分得到的所述参考功能区域子集与所述已训练的功能区域预测模型中的特征提取网络一一对应；
针对每个特征提取网络，将与一个特征提取网络对应的参考功能区域子集以及与参考功能区域子集对应的时空因子片段输入特征提取网络；基于所述一个特征提取网络，根据所述一个特征提取网络对应的隐向量初始值，对输入的参考功能区域子集以及时空因子片段进行线性变换处理，得到表示与所述参考功能区域子集对应的目标账户历史轨迹数据的全局信息的子全局特征向量，并将所述子全局特征向量作为下一个特征提取网络的隐向量初始值；
将所述多个级联的特征提取网络中最后一个特征提取网络输出的子全局特征向量作为用于表示所述目标账户历史轨迹数据的全局信息的全局特征向量。
14.一种电子设备，其特征在于，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行权利要求1～9中任一所述方法的步骤。
15.一种计算机可读存储介质，其特征在于，其包括程序代码，当所述程序代码在电子设备上运行时，所述程序代码用于使所述电子设备执行权利要求1～9中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011290903.XA CN112395502A (zh) | 2020-11-18 | 2020-11-18 | 一种页面显示方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011290903.XA CN112395502A (zh) | 2020-11-18 | 2020-11-18 | 一种页面显示方法、装置、电子设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112395502A true CN112395502A (zh) | 2021-02-23 |
Family
ID=74607290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011290903.XA Pending CN112395502A (zh) | 2020-11-18 | 2020-11-18 | 一种页面显示方法、装置、电子设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112395502A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076480A (zh) * | 2021-04-21 | 2021-07-06 | 百度在线网络技术（北京）有限公司 | 页面推荐方法、装置、电子设备及介质 |
| CN113434755A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 页面的生成方法、装置、电子设备及存储介质 |
| WO2024032707A1 (zh) * | 2022-08-12 | 2024-02-15 | 华为技术有限公司 | 服务推荐方法及电子设备 |
-
2020
- 2020-11-18 CN CN202011290903.XA patent/CN112395502A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076480A (zh) * | 2021-04-21 | 2021-07-06 | 百度在线网络技术（北京）有限公司 | 页面推荐方法、装置、电子设备及介质 |
| CN113434755A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 页面的生成方法、装置、电子设备及存储介质 |
| WO2024032707A1 (zh) * | 2022-08-12 | 2024-02-15 | 华为技术有限公司 | 服务推荐方法及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | A survey of traffic prediction: from spatio-temporal data to intelligent transportation | |
| CN108875007B (zh) | 兴趣点的确定方法和装置、存储介质、电子装置 | |
| Lui et al. | Modelling of destinations for data-driven pedestrian trajectory prediction in public buildings | |
| CN112395502A (zh) | 一种页面显示方法、装置、电子设备及计算机存储介质 | |
| CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
| US11093857B2 (en) | Method and apparatus for generating information | |
| WO2016108977A1 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
| Al-Molegi et al. | Move, attend and predict: An attention-based neural model for people’s movement prediction | |
| CN111753622A (zh) | 用于室内环境的定位的计算机实现的方法、服务器和介质 | |
| US10909606B2 (en) | Real-time in-venue cognitive recommendations to user based on user behavior | |
| CN114519932B (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
| CN110826698A (zh) | 一种通过上下文相关的图嵌入表示人群移动模式的方法 | |
| CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
| KR20220026999A (ko) | 목적지 예측 방법, 장치, 전자 기기 및 저장 매체 | |
| CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
| US20230049839A1 (en) | Question Answering Method for Query Information, and Related Apparatus | |
| CN112632379A (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
| Liu et al. | Multi-floor indoor navigation with geomagnetic field positioning and ant colony optimization algorithm | |
| CN114881315A (zh) | 行程到达时间确定方法、装置、电子设备和存储介质 | |
| Amirat et al. | Nextroute: a lossless model for accurate mobility prediction | |
| US11443215B2 (en) | Intelligent recommendation of convenient event opportunities | |
| Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
| Liang et al. | Sponet: solve spatial optimization problem using deep reinforcement learning for urban spatial decision analysis | |
| Chu et al. | Simulating human mobility with a trajectory generation framework based on diffusion model | |
| CN113918802B (zh) | 导航方法、装置、设备、介质及产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40038370 Country of ref document: HK |
|
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210223 |