CN112818262B - 基于用户数据的地图poi搜索方法、系统、设备及介质 - Google Patents
基于用户数据的地图poi搜索方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN112818262B CN112818262B CN202110115610.6A CN202110115610A CN112818262B CN 112818262 B CN112818262 B CN 112818262B CN 202110115610 A CN202110115610 A CN 202110115610A CN 112818262 B CN112818262 B CN 112818262B
- Authority
- CN
- China
- Prior art keywords
- target
- poi
- pois
- user
- target user
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
Abstract
本发明提供一种基于用户数据的地图POI搜索方法、系统、设备及介质,该方法包括:获取目标用户通过终端输入的目标关键词;搜索与所述目标关键词对应的若干目标POI;按照预设规则,对各所述目标POI进行排序;根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分;根据各所述目标POI的相关性打分结果,对经过排序的POI进行顺序调整;将顺序调整后的各所述目标POI返回至所述终端,以使所述终端按序呈现给所述目标用户。本发明能够解决兴趣点POI的推荐与目标用户检索意图匹配度不高的问题。
Description
技术领域
本发明涉及POI搜索领域,尤其涉及一种基于用户数据的地图POI搜索方法、系统、设备及介质。
背景技术
兴趣点POI也称为Point of Information(信息点)。电子地图上一般用特定图标来表示POI,例如电子地图上的景点、政府机构、公司、商场、饭店等,都是POI。POI是基于位置服务的核心数据,在电子地图上运用场景广泛,如导航前选择的目的地、查看周边的饭店等。
通过关键词检索兴趣点POI时,一般根据兴趣点POI与当前位置之间的距离、兴趣点POI与关键词的匹配度、兴趣点POI的点击率、兴趣点POI的知名度等客观重要度来推荐兴趣点POI。然而,由于不同用户想要的结果并不相同,因而根据距离、关键词匹配度、点击率、知名度来推荐兴趣点POI,难以将用户最想要的兴趣点POI推荐在前,即现有技术中存在兴趣点POI的推荐与用户检索意图匹配度不高的技术问题。
发明内容
为了解决地图POI的推荐与用户检索意图匹配度不高的问题,本发明提供一种基于用户数据的地图POI搜索方法、系统、设备及介质。
为了实现上述目的,本发明提供一种基于用户数据的地图POI搜索方法,包括:
获取目标用户通过终端输入的目标关键词;
搜索与所述目标关键词对应的若干目标POI;
按照预设规则,对各所述目标POI进行排序;
根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分;
根据各所述目标POI的相关性打分结果,对经过排序的目标POI进行顺序调整;
将顺序调整后的目标POI返回至所述终端,以使所述终端按照调整后的顺序将所述目标POI呈现给所述目标用户。
在本发明一个优选实施例中,所述根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分,包括:
根据所述目标用户的个性化数据,获取所述目标用户的用户特征和历史行为特征;
基于所述目标用户的用户特征和历史行为特征、以及各所述目标POI的属性特征,通过预设的POI预测模型预测所述目标用户偏好各所述目标POI的概率;
根据所述目标用户偏好各所述目标POI的概率,对各所述目标POI进行相关性打分。
在本发明一个优选实施例中,所述根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分,包括:
从所述目标用户的个性化数据中,获取与各所述目标POI相关的目标行为数据;
根据各所述目标行为数据、以及各所述目标行为数据对应的预设权重分数,对各所述目标POI进行相关性打分。
在本发明一个优选实施例中,所述根据各所述目标POI的相关性打分结果,对各所述目标POI进行顺序调整,包括:
判断各所述目标POI的相关性打分结果是否达到预设阈值;
将相关性打分结果达到预设阈值的目标POI调整到相关性打分结果未达到预设阈值的目标POI之前。
在本发明一个优选实施例中,所述按照预设规则,对各所述目标POI进行排序,包括:
获取各所述目标POI的客观重要度;
将各所述目标POI,按照客观重要度从高到低的顺序进行排序。
在本发明一个优选实施例中,所述获取各所述目标POI的客观重要度,包括:
根据各所述目标POI与当前位置之间的距离、各所述目标POI与所述目标关键词的匹配度、各所述目标POI的点击率、和/或各所述目标POI的知名度,获取各所述目标POI的客观重要度。
在本发明一个优选实施例中,所述将顺序调整后的目标POI返回至所述终端,以使所述终端按序将所述POI呈现给所述目标用户,包括:
将顺序调整后的全部目标POI或排在前面的部分目标POI,按照调整后的顺序返回至所述终端。
为了实现上述目的,本发明提供一种基于用户数据的地图POI搜索系统,包括:
关键词获取模块,用于获取目标用户通过终端输入的目标关键词;
搜索模块,用于搜索与所述目标关键词对应的若干目标POI;
排序模块,用于按照预设规则,对各所述目标POI进行排序;
打分模块,用于根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分;
调整模块,用于根据各所述目标POI的相关性打分结果,对经过排序的目标POI进行顺序调整;
返回模块,用于将顺序调整后的目标POI返回至所述终端,以使所述终端按照调整后的顺序将所述目标POI呈现给所述目标用户。
在本发明一个优选实施例中,所述打分模块具体用于:
根据所述目标用户的个性化数据,获取所述目标用户的用户特征和历史行为特征;
基于所述目标用户的用户特征和历史行为特征、以及各所述目标POI的属性特征,通过预设的POI预测模型预测所述目标用户偏好各所述目标POI的概率;
根据所述目标用户偏好各所述目标POI的概率,对各所述目标POI进行相关性打分。
在本发明一个优选实施例中,所述打分模块具体用于:
从所述目标用户的个性化数据中,获取与各所述目标POI相关的目标行为数据;
根据各所述目标行为数据、以及各所述目标行为数据对应的预设权重分数,对各所述目标POI进行相关性打分。
在本发明一个优选实施例中,所述调整模块具体用于:
判断各所述目标POI的相关性打分结果是否达到预设阈值;
将相关性打分结果达到预设阈值的目标POI调整到相关性打分结果未达到预设阈值的目标POI之前。
在本发明一个优选实施例中,所述排序模块具体用于:
获取各所述目标POI的客观重要度;
将各所述目标POI,按照客观重要度从高到低的顺序进行排序。
在本发明一个优选实施例中,所述排序模块根据各所述目标POI与当前位置之间的距离、各所述目标POI与所述目标关键词的匹配度、各所述目标POI的点击率、和/或各所述目标POI的知名度,获取各所述目标POI的客观重要度。
在本发明一个优选实施例中,所述返回模块将顺序调整后的全部目标POI或排在前面的部分目标POI,按照调整后的顺序返回至所述终端。
为了实现上述目的,本发明还提供一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述方法的步骤。
为了实现上述目的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述方法的步骤。
通过采用上述技术方案,本发明相对现有技术具有如下益效果:
本发明在搜索到与用户输入的目标关键词对应的目标POI后,首先按照预设规则,对各所述目标POI进行排序;而后,根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分,并根据各所述目标POI的相关性打分结果,对经过排序的POI进行顺序调整;最后将顺序调整后的各所述目标POI返回至终端,以使终端按照调整后的顺序呈现给所述目标用户。本发明结合用户的个性化数据对目标POI进行排序,因而排序结果更能满足用户的个性化需求,从而解决兴趣点目标POI的推荐与用户检索意图匹配度不高的问题。
附图说明
图1为本发明实施例1中基于用户数据的地图POI搜索方法的流程图;
图2为本发明实施例2中基于用户数据的地图POI搜索系统的结构框图;
图3为本发明实施例3中电子设备的硬件架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
实施例1
本实施例提供一种基于用户数据的地图POI搜索方法,如图1所示,该方法具体包括以下步骤:
S1,获取目标用户通过终端输入的目标关键词。
在本实施例中,可以通过检索接口接收目标用户输入的目标关键词。检索接口例如可以是浏览器、地图APP(应用程序)中与检索框对应的检索接口,也可以是在选中一些信息时,电子设备的系统或者应用程序给出的检索接口。
例如,通过某地图APP的检索接口接收目标用户输入的目标关键词“人民广场”。在本实施例中,关键词可以是地址、建筑物名称等等字段。
S2,搜索与所述目标关键词对应的若干目标POI。
在本实施例中,可以在网络上进行搜索得到与目标关键词对应的目标POI,也可以在预先建立的POI数据库中进行搜索得到与目标关键词对应的目标POI。
S3,按照预设规则,对各所述目标POI进行排序。
在本实施例中,优选按客观重要度进行排序,当按照客观重要度排序时,具体流程如下:
S31,获取各所述目标POI的客观重要度。
在本实施例中,可以根据以下任意一个或多个与所述目标POI对应的客观因子计算各所述目标POI的客观重要度:所述目标POI与当前位置之间的距离、所述目标POI与所述目标关键词的匹配度、所述目标POI的点击率、和/或所述目标POI的知名度。当然,本发明并不客观因子的类型做任何具体限制,可以根据需要增加或减少。
当目标POI的客观重要度是根据多个客观因子计算得到时,通过如下步骤计算目标POI的客观重要度的流程如下:
S311,获取每个客观因子分别对应的数值,并对数据范围不在0~1范围内的数值进行归一化处理,得到该客观因子对应的标准值,对数据范围在0~1范围内的数值,将其本身作为对应的标准值。
S312,计算每个客观因子对应的标准值与该客观因子对应的预置权重值的乘积,作为所述客观因子对应的修正后的标准值。
需要说明的是,不同的客观因子对客观重要度的影响力不同,可以通过离线机器学习的方法挖掘出不同客观因子对应的预置权重值。例如,假设客观因子的预置权重值为Wi,该客观因子归一化后得到的标准值为Vi,则修正后的标准值等于Wi×Vi。
S313,计算各客观因子对应的修正后的标准值之和,作为所述目标POI对应的客观重要度。
为便于本领域技术人员快速的理解本方案,下面对计算POI的各个客户观因子对应的数值、以及归一化处理的具体实现方式进行详细介绍。例如:
当所述客观因子包括POI与当前位置之间的距离时,将所述POI的位置距当前位置的距离确定为所述POI与当前位置之间的距离对应的数值;通过将所述POI与当前位置之间的距离对应的数值除以距离最大值实现归一化,得到所述POI与当前位置之间的距离对应的标准值,其中,所述距离最大值为所述搜索出的POI对应的POI离当前位置距离中的最大值。需要说明的是,将POI离当前位置距离作为衡量POI的客观重要度的一个客观因子的原因是:一般来说,距离当前位置越近的POI,在当前位置被关注的程度越高。因此,可以将POI离当前位置距离作为客观重要度的一个客观因子。
当所述客观因子包括所述POI与所述目标关键词的匹配度时,将获取所述POI与所述目标关键词的匹配度对应的数值;由于POI与目标关键词的匹配度对应的数值一般在0~1范围内,因而无需对其进行归一化处理,其本身对应的数值即为所述POI与所述目标关键词的匹配度对应的标准值。需要说明的是,将所述POI与所述目标关键词的匹配度作为衡量客观重要度的一个客观因子的原因是:与所述目标关键词越匹配的POI,重要程度越高。因此,可以将POI与目标关键词的匹配度作为客观重要度的一个客观因子。
当所述客观因子包括POI点击率时,将在预设时间段内目标用户点击所述POI的次数确定为所述POI点度击率对应的数值;通过将所述POI点击率对应的数值除以在所述预设时间段内目标用户点击搜索出的POI的次数总和实现归一化,得到所述POI点击率对应的标准值。需要说明的是,将POI点击率作为衡量客观重要度的一个客观因子的原因是:如果一个POI被目标用户点击的次数越多,则说明目标用户对其的关注度就越高,就越重要。因此,将POI点击率作为客观因子可以计算出较为准确的客观重要度。
当所述客观因子包括POI知名度时,可以搜索与所述POI相关的结果,将搜索出的结果的数量确定为所述POI知名度对应的数值,并通过将所述POI知名度对应的数值除以知名度最大值实现归一化,得到所述POI知名度对应的标准值,其中,所述知名度最大值为搜索出的各POI中相关的结果数量最大的POI对应的结果数量。需要说明的是,将POI知名度作为衡量客观重要度的一个客观因子的原因是:一个POI越知名,说明它的重要度就越高。
本实施例进行归一化的原因是,各个客观因子的物理意义以及量级均是不同的,如POI知名度对应的数值一般都是几十万个,度量单位是数量,POI离当前位置距离对应的数值一般都是几公里,度量单位是公里。因此,通过该实现方式,对各因子数值进行归一化处理得到标准值,使各个客观因子对应的数值按照比例缩放,映射到某个数值区间,如映射到[0,1]区间,从而可以将具有不同物理意义和量级的各个客观因子平等使用,得到所述POI对应的客观重要度。
S32,将各所述目标POI,按照客观重要度从高到低的顺序进行排序。
具体地,将客观重要度最高的目标POI排列在最前,将客观重要度次高的目标POI排列在第二,以此类推。
S4,根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分,具体打分流程如下:
S41,从所述目标用户的个性化数据中,获取与各所述目标POI相关的目标行为数据。
例如,在车联网系统内,云端存储有每个目标用户对应的个性化数据,包括但不限于:导航目的地、点火地址、熄火地址、途经地址、浏览过的POI、和/或开启导航时的地址。
假设POI X为搜索到的其中一个目标POI,当目标用户的个性化数据中记录有两次停车地址为POI X时,认为该行为数据与POI X相关,则将2次停车地址为POI X作为目标行为数据。
S42,根据各目标行为数据、以及各目标行为数据对应的预设权重分数,对各所述目标POI进行相关性打分。
本实施例为不同行为数据预先配置了相应的权重分数。例如,导航目的地、点火地址、熄火地址分别配置为5分,途经地址配置为3分,浏览过的POI、开启导航时的地址分别配置为1分。
假设与某目标POI相关的第i个目标行为数据对应的预设权重分数为Pi,该第i个目标行为数据发生的次数为Ni,则根据公式即可得到该目标POI的打分结果,其中,n表示与该目标POI相关的目标行为数据的总数。
例如,搜索到的其中一个目标POI为“人民广场站-长途汽车站”,在目标用户的个性化数据中,若目标用户导航目的地设置为“人民广场站-长途汽车站”2次,浏览“人民广场站-长途汽车站”1次,则该目标POI即获得5*2+3*1=13分。
S5,根据各所述目标POI的相关性打分结果,对经过排序的POI进行顺序调整,具体调整过程如下:
S51,判断各所述目标POI的相关性打分结果是否达到预设阈值。
S52,将相关性打分结果达到预设阈值的目标POI调整到相关性打分结果未达到预设阈值的目标POI之前。
具体地,在本实施例中,仅当目标POI的相关性打分结果达到预设阈值时,才会影响按照客观重要度从高到低排列的顺序。当某目标POI的相关性打分结果达到预设值时,则将该目标POI向前移动到所有相关性打分结果未达到预设阈值的目标POI之前。当有多个相关性打分结果达到预设阈值的目标POI时,则将所述多个目标POI均移动到前面,移动到前的所述多个目标POI可以按相关性打分结果从高到低的顺序进行排序,也可以仍然按客观重要度从高到低的顺序进行排序,本实施例对此不做任何具体限制。对于相关性打分结果未达到预设阈值的目标POI,不受相关性打分结果影响,仍按照客观重要度从高到低的顺序进行排序。
例如,假设搜索到的其中一个目标POI为“人民广场站-长途汽车站”,该目标POI的相关性打分结果达到预设阈值,而其它目标POI的相关性打分结果均未达到预设阈值时,则将该目标POI向前移动到首位,其余目标POI仍按客观重要度从高到低的顺序进行排序。
S6,将顺序调整后的各所述目标POI返回至所述终端,以使终端按序呈现给所述目标用户。
在本实施例中,可以将顺序调整后的全部目标POI按照调整后的顺序呈现给所述目标用户;也可以将排在前面的部分目标POI,按照调整后的顺序呈现给所述目标用户。
可见,本实施例结合目标用户的个性化数据对目标POI进行排序,因而排序结果更满足目标用户的个性化需求,从而解决兴趣点目标POI的推荐与目标用户检索意图匹配度不高的问题。
实施例2
本实施例是对实施例1的进一步改进,在本实施例中,步骤S4根据目标用户的个性化数据,对各所述目标POI进行相关性打分的流程如下:
S41',根据所述目标用户的个性化数据,获取所述目标用户的用户特征和历史行为特征。
在本实施例中,用户的个性化数据可来源于车联网。用户特征包括但不限于:性别、年龄、职业类别、所属行业、收入水平、和/或消费水平等。历史行为特征包括但不限于:导航目的地、点火地址、熄火地址、途经地址、浏览过的POI、和/或开启导航时的地址等。
S42',基于所述目标用户的用户特征和历史行为特征,通过预设的POI预测模型预测所述目标用户偏好各所述目标POI的概率。
具体地,POI预测模型经过预先训练得到,用于根据目标用户的用户特征和历史行为特征,预测所述目标用户偏好各所述目标POI的概率。在训练时,首先获取样本集,该样本集包括预设时间范围内(如一个月内)若干训练用户的用户特征和历史行为特征,以及训练用户偏好各POI的概率;而后根据样本集对POI预测模型进行训练,直至满足预设的训练终止条件。此处的训练终止条件可以是POI预测模型的损失函数收敛或达到预定迭代次数。
在本实施例中,POI预测模型具体可以采用机器学习模型或深度学习模型实现,例如可以采用神经网络实现。在采用神经网络结构的POI预测模型进行预测时,首先将输入的特征连接(concat)成一层作为输入层,然后输入的数据经过由若干个全连接(fullyconnected)激活层构成的隐藏层,最后经过输出层通过Softmax函数得到预测结果,即目标用户偏好各所述目标POI的概率。当POI预测模型为神经网络时,POI预测模型的损失函数为交叉熵代价损失(cross entropy loss)函数,训练过程中的优化目标就是最小化该函数,通过梯度下降法不断调整网络参数使代价函数收敛,最终得到较优的POI预测模型。
S43',根据所述目标用户偏好各所述目标POI的概率,对各所述目标POI进行相关性打分。
应该理解,目标用户偏好某POI的概率越大,则对该POI的打分越高。在本实施例中,目标POI的相关性打分结果可以等于目标用户偏好该目标POI的概率*10。例如,当目标用户偏好POI X的概率为45%时,则POI X的相关性打分结果为45%*10=4.5。
本实施例基于POI预测模型输出的所述目标用户偏好各目标POI的概率,对各所述目标POI进行相关性打分,相比于按照统计策略实现的方案,机器学习可以学习到人类难以发现的规律,从而提升预测的准确性,进而使得到的打分结果更能体现用户的偏好。
实施例3
本实施例提供一种基于用户数据的地图POI搜索系统,如图2所示,该系统具体包括:关键词获取模块11、搜索模块12、排序模块13、打分模块14、调整模块15、返回模块16。
下面分别对上述各个模块进行详细描述:
关键词获取模块11用于获取目标用户通过终端输入的目标关键词。
在本实施例中,可以通过检索接口接收目标用户输入的目标关键词。检索接口例如可以是浏览器、地图APP(应用程序)中与检索框对应的检索接口,也可以是在选中一些信息时,电子设备的系统或者应用程序给出的检索接口。
例如,通过某地图APP的检索接口接收目标用户输入的目标关键词“人民广场”。在本实施例中,关键词可以是地址、建筑物名称等等字段。
搜索模块12用于搜索与所述目标关键词对应的若干目标POI。
在本实施例中,可以在网络上进行搜索得到与目标关键词对应的目标POI,也可以在预先建立的POI数据库中进行搜索得到与目标关键词对应的目标POI。
排序模块13用于按照预设规则,对各所述目标POI进行排序。
在本实施例中,优选按客观重要度进行排序,当按照客观重要度排序时,具体流程参见实施例1的步骤S31~S32。
打分模块14用于根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分,具体打分流程如下:
首先,从所述目标用户的个性化数据中,获取与各所述目标POI相关的目标行为数据。
例如,在车联网系统内,云端存储有每个目标用户对应的个性化数据,包括但不限于:导航目的地、点火地址、熄火地址、途经地址、浏览过的POI、和/或开启导航时的地址。
假设POI X为搜索到的其中一个目标POI,当目标用户的个性化数据中记录有两次停车地址为POI X时,认为该行为数据与POI X相关,则将2次停车地址为POI X作为目标行为数据。
而后,根据各目标行为数据、以及各目标行为数据对应的预设权重分数,对各所述目标POI进行相关性打分。
本实施例为不同行为数据预先配置了相应的权重分数。例如,导航目的地、点火地址、熄火地址分别配置为5分,途经地址配置为3分,浏览过的POI、开启导航时的地址分别配置为1分。
假设与某目标POI相关的第i个目标行为数据对应的预设权重分数为Pi,该第i个目标行为数据发生的次数为Ni,则根据公式即可得到该目标POI的打分结果,其中,n表示与该目标POI相关的目标行为数据的总数。
例如,搜索到的其中一个目标POI为“人民广场站-长途汽车站”,在目标用户的个性化数据中,若目标用户导航目的地设置为“人民广场站-长途汽车站”2次,浏览“人民广场站-长途汽车站”1次,则该目标POI即获得5*2+3*1=13分。
调整模块15用于根据各所述目标POI的相关性打分结果,对经过排序的POI进行顺序调整,具体调整过程如下:
首先,判断各所述目标POI的相关性打分结果是否达到预设阈值。
而后,将相关性打分结果达到预设阈值的目标POI调整到相关性打分结果未达到预设阈值的目标POI之前。
具体地,在本实施例中,仅当目标POI的相关性打分结果达到预设阈值时,才会影响按照客观重要度从高到低排列的顺序。当某目标POI的相关性打分结果达到预设值时,则将该目标POI向前移动到所有相关性打分结果未达到预设阈值的目标POI之前。当有多个相关性打分结果达到预设阈值的目标POI时,则将所述多个目标POI均移动到前面,移动到前的所述多个目标POI可以按相关性打分结果从高到低的顺序进行排序,也可以仍然按客观重要度从高到低的顺序进行排序,本实施例对此不做任何具体限制。对于相关性打分结果未达到预设阈值的目标POI,不受相关性打分结果影响,仍按照客观重要度从高到低的顺序进行排序。
例如,假设搜索到的其中一个目标POI为“人民广场站-长途汽车站”,该目标POI的相关性打分结果达到预设阈值,而其它目标POI的相关性打分结果均未达到预设阈值时,则将该目标POI向前移动到首位,其余目标POI仍按客观重要度从高到低的顺序进行排序。
返回模块16用于将顺序调整后的各所述目标POI返回至所述终端,以使终端按序呈现给所述目标用户。
在本实施例中,可以将顺序调整后的全部目标POI按照调整后的顺序呈现给所述目标用户;也可以将排在前面的部分目标POI,按照调整后的顺序呈现给所述目标用户。
可见,本实施例结合目标用户的个性化数据对目标POI进行排序,因而排序结果更满足目标用户的个性化需求,从而解决兴趣点目标POI的呈现与目标用户检索意图匹配度不高的问题。
实施例4
本实施例是对实施例3的进一步改进,在本实施例中,打分模块14的打分流程如下:
首先,根据所述目标用户的个性化数据,获取所述目标用户的用户特征和历史行为特征。
在本实施例中,用户特征包括但不限于:性别、年龄、职业类别、所属行业、收入水平、和/或消费水平等。历史行为特征包括但不限于:导航目的地、点火地址、熄火地址、途经地址、浏览过的POI、和/或开启导航时的地址等。
而后,基于所述目标用户的用户特征和历史行为特征、以及各所述目标POI的属性特征,通过预设的POI预测模型预测所述目标用户偏好各所述目标POI的概率。在本实施例中,目标POI的属性特征包括但不限于:目标POI的位置坐标和/或POI类型等。其中,POI类型可以包括:生活服务、美食、购物、酒店、休闲娱乐、教育培训、汽车服务、交通设施、政府结构等。
在本实施例中,POI预测模型可以采用机器学习模型和深度学习模型实现,例如可以采用神经网络实现。在采用神经网络结构的POI预测模型进行预测时,首先将输入的特征连接(concat)成一层作为输入层,然后输入的数据经过由若干个全连接(fullyconnected)激活层构成的隐藏层,最后经过输出层通过Softmax函数得到预测结果,即目标用户偏好各所述目标POI的概率。
在采用POI预测模型进行预测之前,预先对POI预测模型进行训练。训练时,首先获取样本集,而后将从样本集中获取的一个正样本数据或者负样本数据作为当前样本数据;若POI预测模型的损失函数不满足预先设置的收敛条件,将当前样本数据输入至预测模型中,使用当前样本数据对POI预测模型进行训练;然后将当前样本数据的下一个样本数据作为当前样本数据,重复执行上述操作,直到POI预测模型的损失函数满足收敛条件。此处使用的损失函数为交叉熵代价损失(cross entropy loss)函数,训练过程中的优化目标就是最小化该函数,通过梯度下降法不断调整网络参数使代价函数收敛,最终得到较优的POI预测模型。
最后,根据所述目标用户偏好各所述目标POI的概率,对各所述目标POI进行相关性打分。
应该理解,目标用户偏好某POI的概率越大,则对该POI的打分越高。在本实施例中,目标POI的相关性打分结果可以等于目标用户偏好该目标POI的概率*10。例如,当目标用户偏好POI X的概率为45%时,则POI X的相关性打分结果为45%*10=4.5。
本实施例基于POI预测模型输出的所述目标用户偏好各目标POI的概率,对各所述目标POI进行相关性打分,相比于按照统计策略实现的方案,机器学习可以学习到人类难以发现的规律,从而提升预测的准确性,进而使得到的打分结果更能体现用户的偏好。
实施例5
本实施例提供一种电子设备,电子设备可以通过计算设备的形式表现(例如可以为服务器设备),包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中处理器执行计算机程序时可以实现实施例1或2提供的基于用户数据的地图POI搜索方法。
图3示出了本实施例的硬件结构示意图,如图3所示,电子设备9具体包括:
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93,其中:
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器,例如随机存取存储器(RAM)921和/或高速缓存存储器922,还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925,这样的程序模块924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。
处理器91通过运行存储在存储器92中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1或2提供的基于用户数据的地图POI搜索方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且,电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备9使用其它硬件和/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(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1或2的基于用户数据的地图POI搜索方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1或2的基于用户数据的地图POI搜索方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明。
Claims (10)
1.一种基于用户数据的地图POI搜索方法,其特征在于,包括:
获取目标用户通过终端输入的目标关键词;
搜索与所述目标关键词对应的若干目标POI;
按照预设规则,对各所述目标POI进行排序;
根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分;
根据各所述目标POI的相关性打分结果,对经过排序的目标POI进行顺序调整;
将顺序调整后的目标POI返回至所述终端,以使所述终端按照调整后的顺序将所述目标POI呈现给所述目标用户;其中,
所述根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分,包括:
从所述目标用户的个性化数据中,获取与各所述目标POI相关的目标行为数据,所述目标行为数据包括导航目的地、点火地址、熄火地址、途经地址、浏览过的POI、和/或开启导航时的地址;
根据各所述目标行为数据、以及各所述目标行为数据对应的预设权重分数,对各所述目标POI进行相关性打分;
所述根据各所述目标POI的相关性打分结果,对各所述目标POI进行顺序调整,包括:
判断各所述目标POI的相关性打分结果是否达到预设阈值;
将相关性打分结果达到预设阈值的目标POI调整到相关性打分结果未达到预设阈值的目标POI之前;其中,对于所述相关性打分结果未达到预设阈值的目标POI,不受相关性打分结果影响,仍按照客观重要度从高到低的顺序进行排序;
其中所述按照预设规则,对各所述目标POI进行排序,包括:
获取各所述目标POI的客观重要度;
将各所述目标POI,按照客观重要度从高到低的顺序进行排序。
2.根据权利要求1所述的地图POI搜索方法,所述根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分,包括:
根据所述目标用户的个性化数据,获取所述目标用户的用户特征和历史行为特征;
基于所述目标用户的用户特征和历史行为特征、以及各所述目标POI的属性特征,通过预设的POI预测模型预测所述目标用户偏好各所述目标POI的概率;
根据所述目标用户偏好各所述目标POI的概率,对各所述目标POI进行相关性打分。
3.根据权利要求2所述的地图POI搜索方法,所述获取各所述目标POI的客观重要度,包括:
根据各所述目标POI与当前位置之间的距离、各所述目标POI与所述目标关键词的匹配度、各所述目标POI的点击率、和/或各所述目标POI的知名度,获取各所述目标POI的客观重要度。
4.根据权利要求1所述的地图POI搜索方法,所述将顺序调整后的目标POI返回至所述终端,以使所述终端按序将所述POI呈现给所述目标用户,包括:
将顺序调整后的全部目标POI或排在前面的部分目标POI,按照调整后的顺序返回至所述终端。
5.一种基于用户数据的地图POI搜索系统,其特征在于,包括:
关键词获取模块,用于获取目标用户通过终端输入的目标关键词;
搜索模块,用于搜索与所述目标关键词对应的若干目标POI;
排序模块,用于按照预设规则,对各所述目标POI进行排序;
打分模块,用于根据所述目标用户的个性化数据,对各所述目标POI进行相关性打分;其中,所述打分模块具体用于:
从所述目标用户的个性化数据中,获取与各所述目标POI相关的目标行为数据,所述目标行为数据包括导航目的地、点火地址、熄火地址、途经地址、浏览过的POI、和/或开启导航时的地址;
根据各所述目标行为数据、以及各所述目标行为数据对应的预设权重分数,对各所述目标POI进行相关性打分;
调整模块,用于根据各所述目标POI的相关性打分结果,对经过排序的目标POI进行顺序调整;
返回模块,用于将顺序调整后的目标POI返回至所述终端,以使所述终端按照调整后的顺序将所述目标POI呈现给所述目标用户;
其中所述调整模块具体还用于:
判断各所述目标POI的相关性打分结果是否达到预设阈值;
将相关性打分结果达到预设阈值的目标POI调整到相关性打分结果未达到预设阈值的目标POI之前;其中,对于所述相关性打分结果未达到预设阈值的目标POI,不受相关性打分结果影响,按照客观重要度从高到低的顺序进行排序;
其中所述排序模块具体用于:
获取各所述目标POI的客观重要度;
将各所述目标POI,按照客观重要度从高到低的顺序进行排序。
6.根据权利要求5所述的地图POI搜索系统,所述打分模块具体用于:
根据所述目标用户的个性化数据,获取所述目标用户的用户特征和历史行为特征;
基于所述目标用户的用户特征和历史行为特征、以及各所述目标POI的属性特征,通过预设的POI预测模型预测所述目标用户偏好各所述目标POI的概率;
根据所述目标用户偏好各所述目标POI的概率,对各所述目标POI进行相关性打分。
7.根据权利要求5所述的地图POI搜索系统,所述排序模块根据各所述目标POI与当前位置之间的距离、各所述目标POI与所述目标关键词的匹配度、各所述目标POI的点击率、和/或各所述目标POI的知名度,获取各所述目标POI的客观重要度。
8.根据权利要求5所述的地图POI搜索系统,所述返回模块将顺序调整后的全部目标POI或排在前面的部分目标POI,按照调整后的顺序返回至所述终端。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110115610.6A CN112818262B (zh) | 2021-01-28 | 2021-01-28 | 基于用户数据的地图poi搜索方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110115610.6A CN112818262B (zh) | 2021-01-28 | 2021-01-28 | 基于用户数据的地图poi搜索方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818262A CN112818262A (zh) | 2021-05-18 |
CN112818262B true CN112818262B (zh) | 2023-07-21 |
Family
ID=75859781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110115610.6A Active CN112818262B (zh) | 2021-01-28 | 2021-01-28 | 基于用户数据的地图poi搜索方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818262B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536120B (zh) * | 2021-07-14 | 2023-08-01 | 北京百度网讯科技有限公司 | 基于用户行为的兴趣点召回方法和装置 |
CN113849741A (zh) * | 2021-09-29 | 2021-12-28 | 北京百度网讯科技有限公司 | 一种内容推荐方法、装置、设备以及存储介质 |
CN116595271B (zh) * | 2023-07-17 | 2023-09-12 | 湖南谛图科技有限公司 | 基于深度学习的空间地图信息推荐方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799662A (zh) * | 2012-07-10 | 2012-11-28 | 北京奇虎科技有限公司 | 推荐网址的方法、装置及系统 |
CN104462293A (zh) * | 2014-11-27 | 2015-03-25 | 百度在线网络技术(北京)有限公司 | 搜索处理方法、生成搜索结果排序模型的方法和装置 |
CN104899200A (zh) * | 2014-03-04 | 2015-09-09 | 高德软件有限公司 | 一种poi搜索反馈方法及装置 |
CN107346316A (zh) * | 2016-05-06 | 2017-11-14 | 北京搜狗科技发展有限公司 | 一种搜索方法、装置及电子设备 |
CN108256957A (zh) * | 2017-12-22 | 2018-07-06 | 金瓜子科技发展(北京)有限公司 | 基于用户历史行为的车源搜索结果的展现方法及装置 |
CN108595642A (zh) * | 2018-04-26 | 2018-09-28 | 上海掌门科技有限公司 | 一种搜索应用程序内信息的方法及设备 |
CN109933708A (zh) * | 2019-01-25 | 2019-06-25 | 平安科技(深圳)有限公司 | 信息检索方法、装置、存储介质及计算机设备 |
CN110020128A (zh) * | 2017-10-26 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 一种搜索结果排序方法及装置 |
CN110321474A (zh) * | 2019-05-21 | 2019-10-11 | 北京奇艺世纪科技有限公司 | 基于搜索词的推荐方法、装置、终端设备及存储介质 |
CN110503264A (zh) * | 2019-08-26 | 2019-11-26 | 江苏满运软件科技有限公司 | 一种货源排序方法、装置、设备和存储介质 |
CN111259272A (zh) * | 2020-01-14 | 2020-06-09 | 口口相传(北京)网络技术有限公司 | 搜索结果排序方法及装置 |
CN111310962A (zh) * | 2018-12-12 | 2020-06-19 | 上海博泰悦臻电子设备制造有限公司 | 车辆、车机设备及其车机设备导航规划方法 |
CN112000871A (zh) * | 2020-08-21 | 2020-11-27 | 北京三快在线科技有限公司 | 确定搜索结果列表的方法、装置、设备及存储介质 |
CN112150227A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 商品推荐方法、系统、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103201737B (zh) * | 2010-11-10 | 2016-06-29 | 乐天株式会社 | 关联词登记装置、信息处理装置、关联词登记方法、关联词登记装置用程序以及记录介质 |
CA2997715A1 (en) * | 2017-03-10 | 2018-09-10 | Richard M. Balan | Web address agnostic transaction consolidating multi-merchant purchases |
-
2021
- 2021-01-28 CN CN202110115610.6A patent/CN112818262B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799662A (zh) * | 2012-07-10 | 2012-11-28 | 北京奇虎科技有限公司 | 推荐网址的方法、装置及系统 |
CN104899200A (zh) * | 2014-03-04 | 2015-09-09 | 高德软件有限公司 | 一种poi搜索反馈方法及装置 |
CN104462293A (zh) * | 2014-11-27 | 2015-03-25 | 百度在线网络技术(北京)有限公司 | 搜索处理方法、生成搜索结果排序模型的方法和装置 |
CN107346316A (zh) * | 2016-05-06 | 2017-11-14 | 北京搜狗科技发展有限公司 | 一种搜索方法、装置及电子设备 |
CN110020128A (zh) * | 2017-10-26 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 一种搜索结果排序方法及装置 |
CN108256957A (zh) * | 2017-12-22 | 2018-07-06 | 金瓜子科技发展(北京)有限公司 | 基于用户历史行为的车源搜索结果的展现方法及装置 |
CN108595642A (zh) * | 2018-04-26 | 2018-09-28 | 上海掌门科技有限公司 | 一种搜索应用程序内信息的方法及设备 |
CN111310962A (zh) * | 2018-12-12 | 2020-06-19 | 上海博泰悦臻电子设备制造有限公司 | 车辆、车机设备及其车机设备导航规划方法 |
CN109933708A (zh) * | 2019-01-25 | 2019-06-25 | 平安科技(深圳)有限公司 | 信息检索方法、装置、存储介质及计算机设备 |
CN110321474A (zh) * | 2019-05-21 | 2019-10-11 | 北京奇艺世纪科技有限公司 | 基于搜索词的推荐方法、装置、终端设备及存储介质 |
CN112150227A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 商品推荐方法、系统、设备及介质 |
CN110503264A (zh) * | 2019-08-26 | 2019-11-26 | 江苏满运软件科技有限公司 | 一种货源排序方法、装置、设备和存储介质 |
CN111259272A (zh) * | 2020-01-14 | 2020-06-09 | 口口相传(北京)网络技术有限公司 | 搜索结果排序方法及装置 |
CN112000871A (zh) * | 2020-08-21 | 2020-11-27 | 北京三快在线科技有限公司 | 确定搜索结果列表的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112818262A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818262B (zh) | 基于用户数据的地图poi搜索方法、系统、设备及介质 | |
CN109033140B (zh) | 一种确定搜索结果的方法、装置、设备和计算机存储介质 | |
JP6892389B2 (ja) | ビデオのための代表ビデオフレームの選択 | |
US20130110829A1 (en) | Method and Apparatus of Ranking Search Results, and Search Method and Apparatus | |
US10872299B2 (en) | Memory augmented generative temporal models | |
KR101330273B1 (ko) | 콘텍스트 기반 리소스 관련성 | |
US20140214711A1 (en) | Intelligent job recruitment system and method | |
US20100324970A1 (en) | System and Method For Intelligent Job Hunt | |
CN112214670A (zh) | 一种在线课程推荐方法、装置、电子设备及存储介质 | |
US11537664B2 (en) | Learning to select vocabularies for categorical features | |
CN108897750B (zh) | 融合多元上下文信息的个性化地点推荐方法及设备 | |
US20210125108A1 (en) | Training a ranking model | |
EP2960849A1 (en) | Method and system for recommending an item to a user | |
US11720796B2 (en) | Neural episodic control | |
US20120158710A1 (en) | Multi-tiered information retrieval training | |
CN112823345A (zh) | 使用机器学习模型对图像搜索结果进行排名 | |
CN110532351A (zh) | 推荐词展示方法、装置、设备及计算机可读存储介质 | |
CN113360777B (zh) | 内容推荐模型训练方法、内容推荐方法及相关设备 | |
CN116244513B (zh) | 随机群组poi推荐方法、系统、设备及存储介质 | |
CN112487283A (zh) | 训练模型的方法、装置、电子设备及可读存储介质 | |
CN112380421A (zh) | 简历的搜索方法、装置、电子设备及计算机存储介质 | |
CN109684561B (zh) | 基于用户签到行为变化的深层语义分析的兴趣点推荐方法 | |
US8676812B1 (en) | Dynamic weighting of indicator values for item scoring | |
CN111814050A (zh) | 旅游场景强化学习模拟环境构建方法、系统、设备和介质 | |
CN111445280A (zh) | 模型生成方法、餐馆排序方法、系统、设备和介质 |
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 |