CN112561167A - 出行推荐方法、装置、电子设备及存储介质 - Google Patents

出行推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112561167A
CN112561167A CN202011496090.XA CN202011496090A CN112561167A CN 112561167 A CN112561167 A CN 112561167A CN 202011496090 A CN202011496090 A CN 202011496090A CN 112561167 A CN112561167 A CN 112561167A
Authority
CN
China
Prior art keywords
travel
loss function
users
different
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011496090.XA
Other languages
English (en)
Other versions
CN112561167B (zh
Inventor
刘浩
周丁
徐童
熊辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011496090.XA priority Critical patent/CN112561167B/zh
Publication of CN112561167A publication Critical patent/CN112561167A/zh
Priority to US17/533,441 priority patent/US20220082393A1/en
Application granted granted Critical
Publication of CN112561167B publication Critical patent/CN112561167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Social Psychology (AREA)

Abstract

本申请公开了出行推荐方法、装置、电子设备及存储介质，涉及人工智能，尤其涉及深度学习、地图导航等领域。具体实现方案为：根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件、及用于表征不同类别用户所选择至少两种出行方式的预测条件，得到出行推荐模型；根据出行目标及所述出行推荐模型，得到出行推荐信息。采用本申请，可以精准的匹配到各类不同出行偏好的用户的出行方案推荐。

Description

出行推荐方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能领域，本申请尤其涉及深度学习、地图导航等领域。
背景技术
为了满足用户日益增长的出行多样化需求，可以针对不同出行偏好的用户设计出行推荐方案。然而，在实际应用中，通常只能满足绝大多数用户的出行偏好，对于小众需求的用户，会受到忽视，从而导致出行推荐方案无法精准的匹配到各类不同出行偏好的用户，使得用户类别不够丰富，推荐方式不够多样化，甚至导致使用该出行推荐方案的用户量大量锐减。对此，相关技术中并未存在有效的解决方案。
发明内容
本申请提供了一种出行推荐方法、装置、电子设备及存储介质。
根据本申请的一方面，提供了一种出行推荐方法，包括：
根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，及用于表征不同类别用户所选择的至少两种出行方式的预测条件，得到出行推荐模型；
根据出行目标及该出行推荐模型，得到出行推荐信息。
根据本申请的另一方面，提供了一种出行推荐装置，包括：
第一模型推荐模块，用于根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，及用于表征不同类别用户所选择的至少两种出行方式的预测条件，得到出行推荐模型；
出行推荐模块，用于根据出行目标及该出行推荐模型，得到出行推荐信息。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本申请任意一实施例所提供的方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使该计算机执行本申请任意一项实施例所提供的方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本申请任意一实施例所提供的方法所述的方法。
采用本申请，根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，及用于表征不同类别用户所选择的至少两种出行方式的预测条件，可以得到出行推荐模型。根据出行目标及所述出行推荐模型，可以得到出行推荐信息。通过加入公平性约束，使得出行推荐能够更加关注小众群体的出行偏好，而没有损失掉对于大众群体出行偏好的拟合，从而可以精准的匹配到各类不同出行偏好的用户的出行方案推荐。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例的出行推荐方法的流程示意图；
图2是根据本申请实施例的出行方式的时间与空间分布情况的示意图；
图3是根据本申请实施例的出行推荐装置的一组成结构示意图；
图4是根据本申请实施例的出行推荐装置的另一组成结构示意图；
图5是用来实现本申请实施例的出行推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分，并不是限定顺序的意思，或者限定只有两个的意思，例如，第一特征和第二特征，是指代有两类/两个特征，第一特征可以为一个或多个，第二特征也可以为一个或多个。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
相关技术中，针对不同出行偏好的用户设计出行推荐方案，以地图出行客户端为例，可以通过模型训练后得到的出行推荐模型来解决不同出行偏好的用户存在性能偏差的问题。出行推荐模型可以通过最小化损失函数来进行模型训练，然而当训练集被少数几种类别占据时，那么其他的类别对于损失函数的影响将会大大减小，这就导致模型能够在少数类别上取得较好的性能，而无法在所有类别上取得相近的、较好的性能。这种现象往往会导致出行推荐模型中的具有小众需求的用户受到忽视，进而使得产品的用户量减少和用户类别单一等情况。无法匹配到为不同出行偏好的用户提供性能相近的推荐结果的产品需求。
对于通过模型训练来实现上述出行方式推荐的方法，描述如下：
(1)基于代价函数的出行方式推荐方法，即通过预先设定的代价函数来衡量不同出行方式的代价，选取代价最小的作为推荐，如最短路径推荐等。该基于代价函数的出行方式推荐方法，往往需要人为的去设定相应的规则，这一类方法通常通用性较差，且要求较多的时间进行数据的分析与代价函数的设计。
(2)基于机器学习的出行方式推荐方法，即通过历史出行方式的数据以及任务相关的损失函数进行出行方式的推荐。该基于机器学习的出行方式推荐方法，通过学习历史数据集中的出行模式，解决了基于代价函数方法耗时费力的弊端。然而，由于其忽略了数据分布不均所带来的用户体验性能差异，因此，无法很好的保证小众用户的出行需求。
根据本申请的实施例，提供了一种出行推荐方法，图1是根据本申请实施例的出行推荐方法的流程示意图，该方法可以应用于出行推荐装置，例如，该装置可以部署于终端或服务器或其它处理设备执行的情况下，可以执行基于公平性的约束及出行方式预测来得到出行推荐模型，根据出行推荐模型得到出行推荐信息等等。其中，终端可以为用户设备(UE，User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA，Personal DigitalAssistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，包括：
S101、根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，及用于表征不同类别用户所选择的至少两种出行方式的预测条件，得到出行推荐模型。
S102、根据出行目标及该出行推荐模型，得到出行推荐信息。
上述S101中，上述不同类别用户在不同的时间及区域出行公平性的约束条件(以下简称约束条件)可以包括时间维度及空间维度的约束，采用这种约束，可以为不同时间及不同区域出行的不同类别用户提供相近的性能。
上述S101中，上述用于表征不同类别用户所选择至少两种出行方式的预测条件(以下简称预测条件)可以包括出行方式维度的预测，采用这种预测，可以为不同时间及不同区域出行的不同类别用户提供多样化的出行推荐方案。
上述S102中，该出行推荐模型可以为：关注小众群体出行偏好的同时也没有损失掉对于大众群体出行偏好的模型，在该模型的训练中，可以基于上述约束条件及上述预测条件设计包含时间维度、空间维度、出行方式维度的张量以实现模型训练。其中，张量是定义在一些向量空间和一些对偶空间的笛卡儿积上的多重线性映射，比如，根据“小时”、“区域”、“出行方式统计量”为多重维度的张量来实现模型训练。采用该模型，可以满足绝大多数用户的出行偏好，尤其是针对该小众群体，也同样可以匹配到精准的出行推荐，从而，使出行推荐方案可以精准的匹配到各类不同出行偏好的用户(涵盖大众群体及小众群体的不同类别用户的多样化)，使得用户类别足够丰富，推荐方式多样化。
采用本申请，根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，及用于表征不同类别用户所选择的至少两种出行方式的预测条件，可以得到出行推荐模型。根据出行目标及所述出行推荐模型，可以得到出行推荐信息。通过加入公平性约束，使得出行推荐能够更加关注小众群体的出行偏好，而没有损失掉对于大众群体出行偏好的拟合，从而可以精准的匹配到各类不同出行偏好的用户的出行方案推荐。
一实施方式中，所述用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，与出行时间及出行区域相关联；所述用于表征不同类别用户所选择的至少两种出行方式的预测条件，与至少两种出行方式的分类相关联。采用本实施方式，通过将该约束条件配置为与出行时间及出行区域相关联，以及将该预测条件配置为与至少两种出行方式的分类相关联，则基于该约束条件及该预测条件得到的出行推荐模型，泛化性能更好，可以精准的匹配到各类不同出行偏好的用户的出行方案推荐。
一实施方式中，所述根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，及用于表征不同类别用户所选择的至少两种出行方式的预测条件，得到出行推荐模型，包括：将所述用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，采用时空损失函数进行描述；将所述用于表征不同类别用户所选择至少两种出行方式的预测条件，采用双层焦点损失函数进行描述；根据所述时空损失函数及所述双层焦点损失函数得到总损失函数，根据所述总损失函数的反向传播进行模型训练，得到所述出行推荐模型。
一示例中，根据该时空损失函数及该双层焦点损失函数，得到出行推荐模型用于模型训练的“总损失函数”后，根据“总损失函数”的反向传播进行模型训练，训练结束后得到该出行推荐模型。之后，将该出行推荐模型应用于本申请的出行推荐方案中，即可以根据输入该出行推荐模型的出行目标，结合该出行推荐模型，直接输出得到所需的出行推荐信息。
采用本实施方式，由于通过上述时空损失函数描述约束条件，可以实现了对不同类别用户上推荐的“量”的约束，通过上述双层焦点损失函数描述预测条件，可以实现了对不同类别用户上推荐的“质”的约束，从而，能够为不同出行偏好的用户提供性能相近的推荐结果，最终精准的匹配到各类不同出行偏好的用户(涵盖大众群体及小众群体的不同类别用户的多样化)，使得用户类别足够丰富，推荐方式多样化。
一实施方式中，还包括根据输入所述出行推荐模型中约束网络的第一样本训练集，对所述约束网络进行网络训练的过程中，得到时间维度的损失函数，及空间区域维度的损失函数；根据所述时间维度的损失函数及所述空间区域维度的损失函数，得到所述时空损失函数。其中，所述第一样本训练集包括：用于表征不同类别用户不同出行时刻的样本训练数据、和用于表征不同类别用户不同出行区域的样本训练数据。采用本实施方式，针对该出行推荐模型中针对约束网络的训练，可以通过该时空损失函数进行约束网络的训练，从而，通过该时空损失函数描述上述约束条件，可以实现了对不同类别用户上推荐的“量”的约束。
一实施方式中，还包括：根据目标时刻在出行方式上的预测推荐量、及目标时刻在出行方式上的实际需求量，得到所述时间维度的损失函数。采用本实施方式，针对该出行推荐模型中针对约束网络的训练，可以得到该时间维度的损失函数。针对该时间维度的损失函数而言，计算预测值与真实值之间的运算损失，损失越小，则说明预测越精确，则最终基于该时间维度的损失函数及该空间区域维度的损失函数得到的上述时空损失函数更为精确，从而，模型训练的结果越精确，可以基于该模型为不同类别用户得到足够精确的多样化出行推荐。
一实施方式中，还包括：根据目标区域在出行方式上的预测推荐量、及目标区域在出行方式上的实际需求量，得到所述空间区域维度的损失函数。采用本实施方式，针对该出行推荐模型中针对约束网络的训练，可以得到该空间区域维度的损失函数。针对该空间区域维度的损失函数而言，计算预测值与真实值之间的运算损失，损失越小，则说明预测越精确，则最终基于该时间维度的损失函数及该空间区域维度的损失函数得到的上述时空损失函数更为精确，从而，模型训练的结果越精确，可以基于该模型为不同类别用户得到足够精确的多样化出行推荐。
一实施方式中，还包括：获取所述约束网络的输出数据，并将所述输出数据作为预测网络的输入数据，结合所述约束网络和所述预测网络构成所述出行推荐模型；对所述预测网络进行网络训练的过程中，得到所述双层焦点损失函数。
一示例中，可以引入多任务的学习机制，即可以针对每一种出行方式分别进行焦点损失运算，以预测对应每一种出行方式的预测网络的至少两种输出，并根据该预测网络的至少两种输出得到双层焦点损失函数。
采用本实施方式，加入预测网络(用于实现不同类别用户所选择至少两种出行方式的预测的网络模型，比如wide&deep模型)，以便将预测网络与约束网络(用于实现不同类别用户出行公平性的约束的网络模型)共同构成出行推荐模型。基于该出行推荐模型，可以精准的匹配到各类不同出行偏好的用户的出行方案推荐。
应用示例：
应用本申请实施例一处理流程包括如下内容：
本应用示例中，为了精准的匹配到各类不同出行偏好的用户的出行方案，可以设计时间上的公平性约束和空间上的公平性约束，以迫使出行推荐模型能够在不同的时间和空间维度上保持相近的性能，进而能够给不同时间和区域出行的用户提供相近的性能。然后通过设计双层焦点损失函数，在wide&deep的基础上，进一步保证了出行推荐在不同的类别上能够有相似的性能。最终，通过时空上的公平性约束和双层焦点损失函数，使得出行推荐能够满足各类不同出行偏好的用户。
具体实现方案阐述如下：
一、时间与空间维度的出行公平性约束：
出行方式推荐的场景中，用户往往在时间和空间的分布上不是足够的均匀，这就导致在高峰时期的用户请求量更多，在城市中心区的用户请求量更多。数据的不均匀性就会导致具有小众出行偏好的用户无法得到充足的训练，以达到与高峰时期、城市中心区的用户相近的推荐性能。图2是根据本申请实施例的出行方式的时间与空间分布情况的示意图，如图2所示，可以构建了一个“时间”、“区域”、“出行方式统计量”为维度的张量。
为了能够让用户在任意时间和任意区域上的出行请求都能获得满意的推荐，首先在时间维度上构建了“基于区域推荐量的公平性约束”，希望不同的区域上的需求都能够得到推荐系统的响应。具体地，采用如下公式(1)-(3)来约束出行推荐模型，使不同区域上的推荐量应该尽可能的满足实际需求，即RRF应该尽可能的小。
Figure BDA0002842200270000081
Figure BDA0002842200270000082
Figure BDA0002842200270000083
公式(1)-(3)中，RRF是不同区域上的推荐量；
Figure BDA0002842200270000084
是目标区域r在出行方式m上的预测推荐量；cr,m是目标区域r在出行方式m上的实际需求量；u(r,m)是空间区域维度的激活函数；u(r)为基于该空间区域维度的激活函数得到的不同区域的推荐概率，因此，u(r)可以反映出区域r被忽视的程度，进而通过RRF即可以反映：该出行推荐模型在区域之间推荐量的不公平现象。
采用上述同样的方式，还可以定义了出行推荐模型在时间维度上的不公平现象，即如下公式(4)-(6)来约束出行推荐模型，使不同时刻上的推荐量应该尽可能的满足实际需求，即TRF应该尽可能的小。
Figure BDA0002842200270000085
Figure BDA0002842200270000086
Figure BDA0002842200270000087
公式(4)-(6)中，TRF是不同时刻上的推荐量；
Figure BDA0002842200270000088
是目标时刻t在出行方式m上的预测推荐量；ct,m是目标时刻t在出行方式m上的实际需求量；u(t,m)是时间维度的激活函数；u(t)是基于该时间维度的激活函数得到的不同时刻的推荐概率，因此u(t)可以反映出时刻t被忽视的程度，进而通过TRF即可以反映：出行推荐模型在不同时刻之间推荐量的不公平现象。
基于RRF和TRF，引入了时空上的推荐量公平性损失函数，用于指导该出行推荐模型选择更加公平的方式为不同时间、不同区域的出行请求提供相同的用户体验。具体地，采用如下公式(7)-(8)寻求在训练集上u(r)的均值和u(t)的均值都尽可能小的损失函数，公式(7)-(8)中，
Figure BDA0002842200270000091
是空间区域维度的损失函数，
Figure BDA0002842200270000092
是时间维度的损失函数。
Figure BDA0002842200270000093
Figure BDA0002842200270000094
采用如下公式(9)，根据空间区域维度的损失函数和时间维度的损失函数，可以得到时空损失函数
Figure BDA0002842200270000095
将时空损失函数
Figure BDA0002842200270000096
作为：针对出行推荐中推荐量在不同时间和不同区域上的约束条件：
Figure BDA0002842200270000097
二、基于双层焦点损失函数的多分类公平性增强：
在约束了时间和空间维度上的推荐量后，由于出行推荐模型的损失仍然是会更多的倾斜于数据集中样本较多的类别，因此需要从出行推荐模型的输出侧对多分类的公平性进行增强。具体地，可以在出行推荐模型(包含约束网络)中引入预测网络(wide&deep模型)，并引入多任务的思想针对每一种出行方式分别进行预测输出，针对出行方式m，wide&deep模型的输出为：
Figure BDA0002842200270000098
公式(10)中，
Figure BDA0002842200270000099
和
Figure BDA00028422002700000910
是权重矩阵；xi是wide部分；
Figure BDA00028422002700000911
是deep部分；σ为方差；
Figure BDA00028422002700000912
即是wide&deep模型在出行方式m上的二分类输出结果，
Figure BDA00028422002700000913
越接近于1，代表当前情况下出行方式为m的可能性越大。基于此，采用公式(11)对每一种出行方式的二分类方法使用焦点函数，得到第一焦点损失函数
Figure BDA00028422002700000914
目的是能够让每一个二分类都能够花费更多的精力去处理难以区分的样本。
Figure BDA00028422002700000915
更进一步的，在实际的应用场景中，用户往往只会同时选择多种出行方式中的一种，因此，对于多任务中的每一个任务，需要在多种出行方式上使用焦点损失，可以采用公式(12)得到第二焦点损失函数
Figure BDA0002842200270000101
并与上述第一焦点损失函数构成双层焦点损失函数。
Figure BDA0002842200270000102
综上，通过在每一个出行方式上和多种出行方式之间使用焦点损失函数，一定程度上缓解了模型倾向于样本较多的类别的问题，极大的提升了不同出行偏好的用户的使用体验。
三、模型训练
模型训练时，使用的总损失函数采用公式(13)-(14)计算得到，由时空上的推荐量约束，即上述时空损失函数
Figure BDA0002842200270000103
和双层焦点损失函数
Figure BDA0002842200270000104
共同组成，可以使用自适应学习率梯度下降方法基于以下损失函数进行模型的参数更新。
Figure BDA0002842200270000105
Figure BDA0002842200270000106
采用本应用示例，可以通过设计公平性的约束条件和双层焦点损失函数，在一定程度上解决了出行推荐模型对于不同用户偏好存在性能差异的问题。具体而言，通过公平性的约束条件实现了对不同类别上推荐的量的约束，同时通过双层焦点损失函数实现了对不同类别上推荐的质的约束。与相关技术相比，通过引入wide&deep模型和多任务的学习机制，使得模型不再依赖于代价函数的设计，可以直接从数据集中进行端到端的模式学习，大大降低了人工设计的时间耗费；通过加入公平性约束和双层焦点损失函数，使得出行推荐能够更加关注小众群体的出行偏好，而没有损失掉对于大众群体出行偏好的拟合。这使得模型能够服务于更多的群体，模型的泛化能力更好。
根据本申请的实施例，提供了一种出行推荐装置50，图3是根据本申请实施例的出行推荐装置的组成结构示意图，如图3所示，包括：第一模型推荐模块51，用于根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，及用于表征不同类别用户所选择的至少两种出行方式的预测条件，得到出行推荐模型；出行推荐模块52，用于根据出行目标及该出行推荐模型，得到出行推荐信息。
一实施方式中，该第一模型推荐模块51，用于：将该用于表征不同类别用户在不同的时间及区域出行公平性的约束条件与出行时间及出行区域相关联；将该用于表征不同类别用户所选择的至少两种出行方式的预测条件，与至少两种出行方式的分类相关联。
一实施方式中，该第一模型推荐模块51，用于：将该用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，采用时空损失函数进行描述；将该用于表征不同类别用户所选择至少两种出行方式的预测条件，采用双层焦点损失函数进行描述；根据该时空损失函数及该双层焦点损失函数得到总损失函数，根据该总损失函数的反向传播进行模型训练，得到该出行推荐模型。
根据本申请的实施例，提供了一种出行推荐装置50，图4是根据本申请实施例的出行推荐装置的组成结构示意图，如图4所示，还包括训练模块53，用于根据输入该出行推荐模型中约束网络的第一样本训练集，对该约束网络进行网络训练的过程中，得到时间维度的损失函数，及空间区域维度的损失函数；根据该时间维度的损失函数及该空间区域维度的损失函数，得到该时空损失函数；其中，该第一样本训练集包括：用于表征不同类别用户不同出行时刻的样本训练数据、和用于表征不同类别用户不同出行区域的样本训练数据。
一实施方式中，该训练模块53，用于：根据目标时刻在出行方式上的预测推荐量、及目标时刻在出行方式上的实际需求量，得到该时间维度的损失函数。
一实施方式中，该训练模块53，用于：根据目标区域在出行方式上的预测推荐量、及目标区域在出行方式上的实际需求量，得到该空间区域维度的损失函数。
一实施方式中，图4是根据本申请实施例的出行推荐装置的组成结构示意图，如图4所示，还包括第二模型推荐模块54，用于：获取该约束网络的输出数据，并将该输出数据作为预测网络的输入数据，结合该约束网络和该预测网络构成该出行推荐模型；对该预测网络进行网络训练的过程中，得到该双层焦点损失函数。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质和一种计算机程序产品。
如图5所示，是用来实现本申请实施例的出行推荐方法的电子设备的框图。该电子设备可以为前述部署设备或代理设备。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本申请的实现。
如图5所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元80执行上文所描述的各个方法和处理，例如出行推荐方法。例如，在一些实施例中，出行推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的出行推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行出行推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (17)

1.一种出行推荐方法，包括：
根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，及用于表征不同类别用户所选择的至少两种出行方式的预测条件，得到出行推荐模型；
根据出行目标及所述出行推荐模型，得到出行推荐信息。
2.根据权利要求1所述的方法，其中，所述用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，与出行时间及出行区域相关联；
所述用于表征不同类别用户所选择的至少两种出行方式的预测条件，与至少两种出行方式的分类相关联。
3.根据权利要求1或2所述的方法，其中，所述根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，及用于表征不同类别用户所选择的至少两种出行方式的预测条件，得到出行推荐模型，包括：
将所述用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，采用时空损失函数进行描述；
将所述用于表征不同类别用户所选择至少两种出行方式的预测条件，采用双层焦点损失函数进行描述；
根据所述时空损失函数及所述双层焦点损失函数得到总损失函数，根据所述总损失函数的反向传播进行模型训练，得到所述出行推荐模型。
4.根据权利要求3所述的方法，还包括：
根据输入所述出行推荐模型中约束网络的第一样本训练集，对所述约束网络进行网络训练的过程中，得到时间维度的损失函数，及空间区域维度的损失函数；
根据所述时间维度的损失函数及所述空间区域维度的损失函数，得到所述时空损失函数；
其中，所述第一样本训练集包括：用于表征不同类别用户不同出行时刻的样本训练数据、和用于表征不同类别用户不同出行区域的样本训练数据。
5.根据权利要求4所述的方法，还包括：
根据目标时刻在出行方式上的预测推荐量、及目标时刻在出行方式上的实际需求量，得到所述时间维度的损失函数。
6.根据权利要求4所述的方法，还包括：
根据目标区域在出行方式上的预测推荐量、及目标区域在出行方式上的实际需求量，得到所述空间区域维度的损失函数。
7.根据权利要求4所述的方法，还包括：
获取所述约束网络的输出数据，并将所述输出数据作为预测网络的输入数据，结合所述约束网络和所述预测网络构成所述出行推荐模型；
对所述预测网络进行网络训练的过程中，得到所述双层焦点损失函数。
8.一种出行推荐装置，所述装置包括：
第一模型推荐模块，用于根据用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，及用于表征不同类别用户所选择的至少两种出行方式的预测条件，得到出行推荐模型；
出行推荐模块，用于根据出行目标及所述出行推荐模型，得到出行推荐信息。
9.根据权利要求8所述的装置，其中，所述第一模型推荐模块，用于：
将所述用于表征不同类别用户在不同的时间及区域出行公平性的约束条件与出行时间及出行区域相关联；
将所述用于表征不同类别用户所选择的至少两种出行方式的预测条件，与至少两种出行方式的分类相关联。
10.根据权利要求8或9所述的装置，其中，所述第一模型推荐模块，用于：
将所述用于表征不同类别用户在不同的时间及区域出行公平性的约束条件，采用时空损失函数进行描述；
将所述用于表征不同类别用户所选择至少两种出行方式的预测条件，采用双层焦点损失函数进行描述；
根据所述时空损失函数及所述双层焦点损失函数得到总损失函数，根据所述总损失函数的反向传播进行模型训练，得到所述出行推荐模型。
11.根据权利要求10所述的装置，其中，还包括训练模块，用于：
根据输入所述出行推荐模型中约束网络的第一样本训练集，对所述约束网络进行网络训练的过程中，得到时间维度的损失函数，及空间区域维度的损失函数；
根据所述时间维度的损失函数及所述空间区域维度的损失函数，得到所述时空损失函数；
其中，所述第一样本训练集包括：用于表征不同类别用户不同出行时刻的样本训练数据、和用于表征不同类别用户不同出行区域的样本训练数据。
12.根据权利要求11所述的装置，其中，所述训练模块，用于：
根据目标时刻在出行方式上的预测推荐量、及目标时刻在出行方式上的实际需求量，得到所述时间维度的损失函数。
13.根据权利要求11所述的装置，其中，所述训练模块，还用于：
根据目标区域在出行方式上的预测推荐量、及目标区域在出行方式上的实际需求量，得到所述空间区域维度的损失函数。
14.根据权利要求11所述的装置，其中，还包括第二模型推荐模块，用于：
获取所述约束网络的输出数据，并将所述输出数据作为预测网络的输入数据，结合所述约束网络和所述预测网络构成所述出行推荐模型；
对所述预测网络进行网络训练的过程中，得到所述双层焦点损失函数。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现权利要求1-7中任一项所述的方法。
CN202011496090.XA 2020-12-17 2020-12-17 出行推荐方法、装置、电子设备及存储介质 Active CN112561167B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011496090.XA CN112561167B (zh) 2020-12-17 2020-12-17 出行推荐方法、装置、电子设备及存储介质
US17/533,441 US20220082393A1 (en) 2020-12-17 2021-11-23 Travel recommendation method, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011496090.XA CN112561167B (zh) 2020-12-17 2020-12-17 出行推荐方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112561167A true CN112561167A (zh) 2021-03-26
CN112561167B CN112561167B (zh) 2023-10-24

Family

ID=75063047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011496090.XA Active CN112561167B (zh) 2020-12-17 2020-12-17 出行推荐方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US20220082393A1 (zh)
CN (1) CN112561167B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836446A (zh) * 2021-09-23 2021-12-24 北京百度网讯科技有限公司 出行信息的向量化表示方法及装置
CN117010554A (zh) * 2023-07-03 2023-11-07 同济大学 应用于电商推荐系统的动态多目标优化方法以及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190102631A1 (en) * 2017-09-30 2019-04-04 TuSimple System and method for instance-level lane detection for autonomous vehicle control
US20190228264A1 (en) * 2017-03-08 2019-07-25 Tencent Technology (Shenzhen) Company Limited Method and apparatus for training neural network model used for image processing, and storage medium
CN111858526A (zh) * 2020-06-19 2020-10-30 国网福建省电力有限公司信息通信分公司 基于信息系统日志的故障时间空间预测方法及系统
CN111898406A (zh) * 2020-06-05 2020-11-06 东南大学 基于焦点损失和多任务级联的人脸检测方法
CN112069401A (zh) * 2020-08-26 2020-12-11 北京百度网讯科技有限公司 一种出行方式的推荐方法、装置、电子设备及存储介质
CN112069418A (zh) * 2020-08-26 2020-12-11 北京百度网讯科技有限公司 一种功能推荐方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190228264A1 (en) * 2017-03-08 2019-07-25 Tencent Technology (Shenzhen) Company Limited Method and apparatus for training neural network model used for image processing, and storage medium
US20190102631A1 (en) * 2017-09-30 2019-04-04 TuSimple System and method for instance-level lane detection for autonomous vehicle control
CN111898406A (zh) * 2020-06-05 2020-11-06 东南大学 基于焦点损失和多任务级联的人脸检测方法
CN111858526A (zh) * 2020-06-19 2020-10-30 国网福建省电力有限公司信息通信分公司 基于信息系统日志的故障时间空间预测方法及系统
CN112069401A (zh) * 2020-08-26 2020-12-11 北京百度网讯科技有限公司 一种出行方式的推荐方法、装置、电子设备及存储介质
CN112069418A (zh) * 2020-08-26 2020-12-11 北京百度网讯科技有限公司 一种功能推荐方法、装置、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836446A (zh) * 2021-09-23 2021-12-24 北京百度网讯科技有限公司 出行信息的向量化表示方法及装置
CN113836446B (zh) * 2021-09-23 2024-04-30 北京百度网讯科技有限公司 出行信息的向量化表示方法及装置
CN117010554A (zh) * 2023-07-03 2023-11-07 同济大学 应用于电商推荐系统的动态多目标优化方法以及装置

Also Published As

Publication number Publication date
US20220082393A1 (en) 2022-03-17
CN112561167B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN114596553B (zh) 模型训练方法、轨迹预测方法、装置及自动驾驶车辆
EP3133537A1 (en) Method and device for forecasting changes of feature information
US11334758B2 (en) Method and apparatus of data processing using multiple types of non-linear combination processing
CN111460384B (zh) 策略的评估方法、装置和设备
CN113627846A (zh) 一种库存调整方法、装置、电子设备及计算机可读介质
CN112561167A (zh) 出行推荐方法、装置、电子设备及存储介质
CN113408797A (zh) 流转量预测多时序模型生成方法、信息发送方法和装置
CN113065882A (zh) 一种商品处理方法、装置及电子设备
CN112950267A (zh) 一种信息生成方法、装置、终端设备及存储介质
CN111044062B (zh) 路径规划、推荐方法和装置
CN114860411B (zh) 多任务学习方法、装置、电子设备和存储介质
CN115795146A (zh) 待推荐资源的确定方法、装置、设备及存储介质
CN114051057B (zh) 云设备排队时长的确定方法、装置、电子设备和介质
CN115168732A (zh) 资源推荐方法、装置、设备以及存储介质
CN114756774A (zh) 出行方案推荐、模型训练方法、装置、设备以及存储介质
CN114741618A (zh) 线下服务点推荐方法、推荐装置、设备及介质
CN114139052A (zh) 用于智能推荐的排序模型训练方法、智能推荐方法及装置
CN115344359A (zh) 算力资源分配方法、装置、计算机可读存储介质及设备
CN113538080A (zh) 一种任务单拆分方法和装置
CN113139669A (zh) 多目标路线规划的方法、装置、电子设备和存储介质
CN115018009B (zh) 对象描述方法、网络模型的训练方法及装置
CN118057420A (zh) 一种数据分析策略的训练方法、数据分析方法和装置
CN114186133A (zh) 资源处理方法、装置、设备以及存储介质
CN113360770B (zh) 内容推荐的方法、装置、设备以及存储介质
CN115391657A (zh) 资源推荐方法、装置、设备及存储介质

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