CN112989219B - 兴趣点推荐方法、装置、电子设备及存储介质 - Google Patents

兴趣点推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112989219B
CN112989219B CN201911274730.XA CN201911274730A CN112989219B CN 112989219 B CN112989219 B CN 112989219B CN 201911274730 A CN201911274730 A CN 201911274730A CN 112989219 B CN112989219 B CN 112989219B
Authority
CN
China
Prior art keywords
user
interest
vector
candidate
point
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
CN201911274730.XA
Other languages
English (en)
Other versions
CN112989219A (zh
Inventor
刘巍
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 CN201911274730.XA priority Critical patent/CN112989219B/zh
Publication of CN112989219A publication Critical patent/CN112989219A/zh
Application granted granted Critical
Publication of CN112989219B publication Critical patent/CN112989219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/045—Combinations of 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本申请公开了兴趣点推荐方法、装置、电子设备及存储介质，涉及人工智能领域，其中方法可包括：根据用户所在位置确定出作为推荐候选的候选兴趣点；获取用户的用户向量，所述用户向量为用户的预定信息对应的向量表示；分别获取各候选兴趣点的兴趣点向量，所述兴趣点向量为各候选兴趣点的预定信息对应的向量表示；结合用户向量和兴趣点向量确定出推荐给用户的兴趣点。应用本申请所述方案，可实现个性化推荐，并可提升推荐结果的准确性等。

Description

兴趣点推荐方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机应用领域，特别涉及人工智能领域的兴趣点推荐方法、装置、电子设备及存储介质。
背景技术
不同用户打开地图时，看到的兴趣点(POI，Point of Interest)通常都是一样的，不能针对不同的用户进行个性化推荐，并重点展示所推荐的兴趣点等。
发明内容
有鉴于此，本申请提供了兴趣点推荐方法、装置、电子设备及存储介质。
一种兴趣点推荐方法，包括：
根据用户所在位置确定出作为推荐候选的候选兴趣点；
获取所述用户的用户向量，所述用户向量为所述用户的预定信息对应的向量表示；
分别获取各候选兴趣点的兴趣点向量，所述兴趣点向量为各候选兴趣点的预定信息对应的向量表示；
结合所述用户向量和所述兴趣点向量确定出推荐给所述用户的兴趣点。
根据本申请一优选实施例，所述根据用户所在位置确定出作为推荐候选的候选兴趣点包括：将位于所述用户所在位置周围预定范围内的兴趣点作为所述候选兴趣点。
根据本申请一优选实施例，所述获取所述用户的用户向量包括：将所述用户的预定信息输入预先训练得到的深度学习模型，得到输出的所述用户的用户向量；
所述分别获取各候选兴趣点的兴趣点向量包括：针对每个候选兴趣点，分别将所述候选兴趣点的预定信息输入所述深度学习模型，得到输出的所述候选兴趣点的兴趣点向量。
根据本申请一优选实施例，所述结合所述用户向量和所述兴趣点向量确定出推荐给所述用户的兴趣点包括：
针对每个候选兴趣点，分别计算所述候选兴趣点的兴趣点向量与所述用户向量的cos值；
按照取值从大到小的顺序对各cos值进行排序；
将排序后处于前N位的候选兴趣点作为推荐给所述用户的兴趣点，N为正整数。
根据本申请一优选实施例，该方法进一步包括：
针对预定时长内同一用户针对同一兴趣点的操作行为，构建一条训练数据；每条训练数据中包括：所述用户的预定信息、所述兴趣点的预定信息以及根据所述操作行为生成的评分；
根据所构建的训练数据训练得到所述深度学习模型。
根据本申请一优选实施例，该方法进一步包括：在所述预定时长内，所述用户每针对所述兴趣点执行一次第一操作，则将所述评分加A，所述用户每针对所述兴趣点执行一次第二操作，则将所述评分加B，A和B的取值均大于0。
根据本申请一优选实施例，所述深度学习模型包括：深度因子分解机模型。
一种兴趣点推荐装置，包括：候选获取单元、向量获取单元以及推荐单元；
所述候选获取单元，用于根据用户所在位置确定出作为推荐候选的候选兴趣点；
所述向量获取单元，用于获取所述用户的用户向量，所述用户向量为所述用户的预定信息对应的向量表示，并分别获取各候选兴趣点的兴趣点向量，所述兴趣点向量为各候选兴趣点的预定信息对应的向量表示；
所述推荐单元，用于结合所述用户向量和所述兴趣点向量确定出推荐给所述用户的兴趣点。
根据本申请一优选实施例，所述候选获取单元将位于所述用户所在位置周围预定范围内的兴趣点作为所述候选兴趣点。
根据本申请一优选实施例，所述向量获取单元将所述用户的预定信息输入预先训练得到的深度学习模型，得到输出的所述用户的用户向量；
所述向量获取单元针对每个候选兴趣点，分别将所述候选兴趣点的预定信息输入所述深度学习模型，得到输出的所述候选兴趣点的兴趣点向量。
根据本申请一优选实施例，所述推荐单元针对每个候选兴趣点，分别计算所述候选兴趣点的兴趣点向量与所述用户向量的cos值，按照取值从大到小的顺序对各cos值进行排序，将排序后处于前N位的候选兴趣点作为推荐给所述用户的兴趣点，N为正整数。
根据本申请一优选实施例，所述装置中进一步包括：模型获取单元；
所述模型获取单元，用于针对预定时长内同一用户针对同一兴趣点的操作行为，构建一条训练数据；每条训练数据中包括：所述用户的预定信息、所述兴趣点的预定信息以及根据所述操作行为生成的评分；根据所构建的训练数据训练得到所述深度学习模型。
根据本申请一优选实施例，所述模型获取单元进一步用于，在所述预定时长内，所述用户每针对所述兴趣点执行一次第一操作，则将所述评分加A，所述用户每针对所述兴趣点执行一次第二操作，则将所述评分加B，A和B的取值均大于0。
根据本申请一优选实施例，所述深度学习模型包括：深度因子分解机模型。
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如以上所述的方法。
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所述计算机执行如以上所述的方法。
一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：可根据用户所在位置确定出候选兴趣点，并可根据各候选兴趣点的兴趣点向量以及用户的用户向量确定出推荐给用户的兴趣点，从而可实现针对不同用户的个性化推荐，如可将推荐给用户的兴趣点在地图上重点展示等，从而减少了用户的读图成本，帮助用户进行决策，提升用户图区活跃度等；候选兴趣点可为用户所在位置周围预定范围内的兴趣点，从而可使得推荐给用户的兴趣点更为符合用户的实际需求；另外，可基于预先训练得到的深度学习模型来获取用户的用户向量以及各候选兴趣点的兴趣点向量，从而提升了获取到的用户向量以及兴趣点向量的准确性，进而提升了后续的推荐结果的准确性等；上述可选方式所具有的其它效果将在下文中结合具体实施例加以说明。
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为本申请所述兴趣点推荐方法第一实施例的流程图；
图2为本申请所述获取用户向量以及兴趣点向量的方式示意图；
图3为本申请所述兴趣点推荐方法第二实施例的流程图；
图4为本申请所述兴趣点推荐装置400实施例的组成结构示意图；
图5为根据本申请实施例所述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。
另外，应理解，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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请所述兴趣点推荐方法第一实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，根据用户所在位置确定出作为推荐候选的候选兴趣点。
在102中，获取用户的用户向量，所述用户向量为用户的预定信息对应的向量表示。
在103中，分别获取各候选兴趣点的兴趣点向量，所述兴趣点向量为各候选兴趣点的预定信息对应的向量表示。
在104中，结合用户向量和兴趣点向量确定出推荐给用户的兴趣点。
如何获取用户所在位置为现有技术。优选地，可将位于用户所在位置周围预定范围内的兴趣点作为候选兴趣点。比如，可以用户所在位置为中心，将其周围3公里范围内的兴趣点作为候选兴趣点。
之后，可分别获取用户的用户向量以及各候选兴趣点的兴趣点向量。优选地，可将用户的预定信息输入深度学习模型，得到输出的用户的用户向量，针对每个候选兴趣点，可分别将该候选兴趣点的预定信息输入深度学习模型，得到输出的该候选兴趣点的兴趣点向量。
深度学习模型可为预先训练得到的。优选地，深度学习模型可为深度因子分解机(DeepFM，Deep Factorization Machines)模型。通过引入FM，模型能够学习到特征组合的信息，效果会更好。
为得到DeepFM模型，可首先构建训练数据，之后可根据所构建的训练数据训练得到DeepFM模型。优选地，可针对预定时长内同一用户针对同一兴趣点的操作行为，构建一条训练数据，每条训练数据中可包括：用户的预定信息、兴趣点的预定信息以及根据所述操作行为生成的评分。
所述预定时长的具体取值可根据实际需要而定，如可为6个月。为便于表述，将某一条训练数据对应的用户和兴趣点分别称为用户a和兴趣点b，在所述预定时长内，用户a每针对兴趣点b执行一次第一操作，则可将评分加A，用户a每针对兴趣点b执行一次第二操作，则可将评分加B，A和B的取值均大于0，具体取值也可根据实际需要而定，如A可取值为1，B可取值为2，所述评分的初始取值可为0。
用户的预定信息可包括但不限于：用户的性别、职业、收入等，兴趣点的预定信息可包括但不限于：兴趣点的类别、品牌、热度等。其中，类别可为美食、酒店等，品牌可为海底捞、肯德基等。用户的预定信息以及兴趣点的预定信息中分别包括哪些内容可根据实际需要而定。另外，如何获取用户的预定信息以及兴趣点的预定信息为现有技术。
按照上述方式，可构建出多条训练数据，如可得到上亿条训练数据，针对构建出的训练数据，可先经过特征工程处理，特征工程是一个将原始数据转变成特征的过程，这些特征可以很好的描述原始数据，并且利用它们建立的模型在未知数据上的表现性能可以达到最优或接近最优。之后，可根据处理后的训练数据训练得到DeepFM模型。
利用训练得到的DeepFM模型，在进行实际的兴趣点推荐时，可分别获取到用户的用户向量以及各候选兴趣点的兴趣点向量。图2为本申请所述获取用户向量以及兴趣点向量的方式示意图。如图2所示，其中的FC表示全连接(Fully Connected)，S表示激活函数tanh。DeepFM模型的具体结构为现有技术。按照上述方式，可分别将用户的预定信息(即图中的用户信息)以及各候选兴趣点的预定信息(即图中的兴趣点信息)抽象为固定维度的向量。
之后，可结合用户向量和各兴趣点向量确定出推荐给用户的兴趣点。优选地，可针对每个候选兴趣点，分别计算该候选兴趣点的兴趣点向量与用户向量的cos值，之后可按照取值从大到小的顺序对计算得到的各cos值进行排序，进而可将排序后处于前N位的候选兴趣点作为推荐给用户的兴趣点，N为正整数，具体取值可根据实际需要而定，如10。
以下以地图上的兴趣点为例，对本申请所述方案进行进一步说明。
图3为本申请所述兴趣点推荐方法第二实施例的流程图。如图3所示，包括以下具体实现方式。
在301中，当用户打开地图时，获取用户所在位置。
即可获取用户的定位位置。
在302中，将位于用户所在位置周围预定范围内的兴趣点作为候选兴趣点。
比如，可以用户所在位置为中心，将其周围3公里范围内的兴趣点作为候选兴趣点。
在303中，将用户的预定信息输入预先训练得到的深度学习模型，得到输出的用户的用户向量。
优选地，深度学习模型可为DeepFM模型。
为得到DeepFM模型，可首先构建训练数据，之后可根据所构建的训练数据训练得到DeepFM模型。优选地，可针对预定时长内同一用户针对同一兴趣点的操作行为，构建一条训练数据，每条训练数据中可包括：用户的预定信息、兴趣点的预定信息以及根据所述操作行为生成的评分。
所述预定时长的具体取值可根据实际需要而定，比如可为6个月。为便于表述，将某一条训练数据对应的用户和兴趣点分别称为用户a和兴趣点b，在所述预定时长内，用户a每针对兴趣点b执行一次检索操作，则可将评分加一，用户a每针对兴趣点b执行一次点击操作，则可将评分加二。
用户的预定信息可包括但不限于：用户的性别、职业、收入等，兴趣点的预定信息可包括但不限于：兴趣点的类别、品牌、热度等。
按照上述方式，可构建出多条训练数据，如可得到上亿条训练数据，可根据所构建的训练数据训练得到DeepFM模型。
在304中，针对每个候选兴趣点，分别将该候选兴趣点的预定信息输入深度学习模型，得到输出的该候选兴趣点的兴趣点向量。
假设共存在30个候选兴趣点，那么可分别得到每个候选兴趣点的兴趣点向量，共30个兴趣点向量。
在305中，针对每个候选兴趣点，分别计算该候选兴趣点的兴趣点向量与用户向量的cos值。
如何计算cos值为现有技术。
在306中，按照取值从大到小的顺序对各cos值进行排序。
如前所述，假设共存在30个候选兴趣点，那么则可得到30个cos值，可按照取值从大到小的顺序，对30个cos值进行排序。
在307中，将排序后处于前N位的候选兴趣点作为推荐给用户的兴趣点，在地图上重点展示，N为正整数。
比如，可将排序后处于前10位的候选兴趣点作为推荐给用户的兴趣点。如何对所推荐的兴趣点进行重点展示为现有技术。
需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
总之，采用本申请方法实施例所述方案，可根据用户所在位置确定出候选兴趣点，并可根据各候选兴趣点的兴趣点向量以及用户的用户向量确定出推荐给用户的兴趣点，从而可实现针对不同用户的个性化推荐，如可将推荐给用户的兴趣点在地图上重点展示等，从而减少了用户的读图成本，帮助用户进行决策，提升用户图区活跃度等；候选兴趣点可为用户所在位置周围预定范围内的兴趣点，从而可使得推荐给用户的兴趣点更为符合用户的实际需求；另外，可基于预先训练得到的深度学习模型来获取用户的用户向量以及各候选兴趣点的兴趣点向量，从而提升了获取到的用户向量以及兴趣点向量的准确性，进而提升了后续的推荐结果的准确性等；在实际应用中，还可预先获取各兴趣点的兴趣点向量及不同用户的用户向量并存入到数据库中，从而可在需要时直接使用，从而提升了处理效率等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图4为本申请所述兴趣点推荐装置400实施例的组成结构示意图。如图4所示，包括：候选获取单元401、向量获取单元402以及推荐单元403。
候选获取单元401，用于根据用户所在位置确定出作为推荐候选的候选兴趣点。
向量获取单元402，用于获取用户的用户向量，所述用户向量为用户的预定信息对应的向量表示，并分别获取各候选兴趣点的兴趣点向量，所述兴趣点向量为各候选兴趣点的预定信息对应的向量表示。
推荐单元403，用于结合用户向量和兴趣点向量确定出推荐给用户的兴趣点。
优选地，候选获取单元401可将位于用户所在位置周围预定范围内的兴趣点作为候选兴趣点。比如，可以用户所在位置为中心，将其周围3公里范围内的兴趣点作为候选兴趣点。
向量获取单元402可将用户的预定信息输入预先训练得到的深度学习模型，得到输出的用户的用户向量，另外，向量获取单元402还可针对每个候选兴趣点，分别将该候选兴趣点的预定信息输入深度学习模型，得到输出的该候选兴趣点的兴趣点向量。
优选地，深度学习模型可为DeepFM模型，为预先训练得到的。
相应地，图4所示装置中可进一步包括：模型获取单元404，用于针对预定时长内同一用户针对同一兴趣点的操作行为，构建一条训练数据，每条训练数据中可包括：用户的预定信息、兴趣点的预定信息以及根据所述操作行为生成的评分；根据所构建的训练数据训练得到深度学习模型。
所述预定时长的具体取值可根据实际需要而定。为便于表述，将某一条训练数据对应的用户和兴趣点分别称为用户a和兴趣点b，在所述预定时长内，用户a每针对兴趣点b执行一次第一操作，则可将评分加A，用户a每针对兴趣点b执行一次第二操作，则可将评分加B，A和B的取值均大于0，具体取值也可根据实际需要而定，如A可取值为1，B可取值为2，所述评分的初始取值可为0。
用户的预定信息可包括但不限于：用户的性别、职业、收入等，兴趣点的预定信息可包括但不限于：兴趣点的类别、品牌、热度等。
按照上述方式，可构建出多条训练数据，如可得到上亿条训练数据，模型获取单元404可根据构建出的训练数据训练得到深度学习模型。
这样，在进行实际的兴趣点推荐时，向量获取单元402可利用深度学习模型分别获取到用户的用户向量以及各候选兴趣点的兴趣点向量。进而可由推荐单元403结合用户向量和兴趣点向量确定出推荐给用户的兴趣点。
优选地，推荐单元403可针对每个候选兴趣点，分别计算该候选兴趣点的兴趣点向量与用户向量的cos值，并可按照取值从大到小的顺序对各cos值进行排序，进而可将排序后处于前N位的候选兴趣点作为推荐给用户的兴趣点，N为正整数。
图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，可根据用户所在位置确定出候选兴趣点，并可根据各候选兴趣点的兴趣点向量以及用户的用户向量确定出推荐给用户的兴趣点，从而可实现针对不同用户的个性化推荐，如可将推荐给用户的兴趣点在地图上重点展示等，从而减少了用户的读图成本，帮助用户进行决策，提升用户图区活跃度等；候选兴趣点可为用户所在位置周围预定范围内的兴趣点，从而可使得推荐给用户的兴趣点更为符合用户的实际需求；另外，可基于预先训练得到的深度学习模型来获取用户的用户向量以及各候选兴趣点的兴趣点向量，从而提升了获取到的用户向量以及兴趣点向量的准确性，进而提升了后续的推荐结果的准确性等；在实际应用中，还可预先获取各兴趣点的兴趣点向量及不同用户的用户向量并存入到数据库中，从而可在需要时直接使用，从而提升了处理效率等。
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。
如图5所示，是根据本申请实施例所述方法的电子设备的框图。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/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器Y02可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处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、专用集成电路、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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，阴极射线管或者液晶显示器监视器)；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、广域网和互联网。
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，本发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 (8)

1.一种兴趣点推荐方法，其特征在于，包括：
根据用户所在位置确定出作为推荐候选的候选兴趣点；
将所述用户的预定信息输入预先训练得到的深度学习模型，得到输出的所述用户的用户向量；其中，所述深度学习模型为根据所构建的训练数据训练得到的，所述训练数据为针对预定时长内同一用户针对同一兴趣点的操作行为构建的训练数据，每条训练数据中包括：所述用户的预定信息、所述兴趣点的预定信息以及根据所述操作行为生成的评分；在所述预定时长内，响应于所述用户每针对所述兴趣点执行一次第一操作，则所述评分加A，响应于所述用户每针对所述兴趣点执行一次第二操作，则所述评分加B，A和B的取值均大于0；所述深度学习模型包括：深度因子分解机模型；
针对每个候选兴趣点，分别将所述候选兴趣点的预定信息输入所述深度学习模型，得到输出的所述候选兴趣点的兴趣点向量；
结合所述用户向量和所述兴趣点向量确定出推荐给所述用户的兴趣点。
2.根据权利要求1所述的方法，其特征在于，
所述根据用户所在位置确定出作为推荐候选的候选兴趣点包括：将位于所述用户所在位置周围预定范围内的兴趣点作为所述候选兴趣点。
3.根据权利要求1所述的方法，其特征在于，
所述结合所述用户向量和所述兴趣点向量确定出推荐给所述用户的兴趣点包括：
针对每个候选兴趣点，分别计算所述候选兴趣点的兴趣点向量与所述用户向量的cos值；
按照取值从大到小的顺序对各cos值进行排序；
将排序后处于前N位的候选兴趣点作为推荐给所述用户的兴趣点，N为正整数。
4.一种兴趣点推荐装置，其特征在于，包括：候选获取单元、向量获取单元以及推荐单元；
所述候选获取单元，用于根据用户所在位置确定出作为推荐候选的候选兴趣点；
所述向量获取单元，用于将所述用户的预定信息输入预先训练得到的深度学习模型，得到输出的所述用户的用户向量；其中，所述深度学习模型为根据所构建的训练数据训练得到的，所述训练数据为针对预定时长内同一用户针对同一兴趣点的操作行为构建的训练数据，每条训练数据中包括：所述用户的预定信息、所述兴趣点的预定信息以及根据所述操作行为生成的评分；在所述预定时长内，响应于所述用户每针对所述兴趣点执行一次第一操作，则所述评分加A，响应于所述用户每针对所述兴趣点执行一次第二操作，则所述评分加B，A和B的取值均大于0；所述深度学习模型包括：深度因子分解机模型；针对每个候选兴趣点，分别将所述候选兴趣点的预定信息输入所述深度学习模型，得到输出的所述候选兴趣点的兴趣点向量；
所述推荐单元，用于结合所述用户向量和所述兴趣点向量确定出推荐给所述用户的兴趣点。
5.根据权利要求4所述的装置，其特征在于，
所述候选获取单元将位于所述用户所在位置周围预定范围内的兴趣点作为所述候选兴趣点。
6.根据权利要求4所述的装置，其特征在于，
所述推荐单元针对每个候选兴趣点，分别计算所述候选兴趣点的兴趣点向量与所述用户向量的cos值，按照取值从大到小的顺序对各cos值进行排序，将排序后处于前N位的候选兴趣点作为推荐给所述用户的兴趣点，N为正整数。
7.一种电子设备，其特征在于，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1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
CN201911274730.XA 2019-12-12 2019-12-12 兴趣点推荐方法、装置、电子设备及存储介质 Active CN112989219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911274730.XA CN112989219B (zh) 2019-12-12 2019-12-12 兴趣点推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911274730.XA CN112989219B (zh) 2019-12-12 2019-12-12 兴趣点推荐方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112989219A CN112989219A (zh) 2021-06-18
CN112989219B true CN112989219B (zh) 2023-11-24

Family

ID=76331928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911274730.XA Active CN112989219B (zh) 2019-12-12 2019-12-12 兴趣点推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112989219B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114625984B (zh) * 2022-03-31 2023-07-25 北京百度网讯科技有限公司 兴趣点验证方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844376A (zh) * 2015-12-03 2017-06-13 高德软件有限公司 推荐兴趣点的方法及装置
CN108489503A (zh) * 2018-03-30 2018-09-04 斑马网络技术有限公司 兴趣点推荐系统及其推荐方法
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质
CN110020144A (zh) * 2017-11-21 2019-07-16 腾讯科技（深圳）有限公司 一种推荐模型建立方法及其设备、存储介质、服务器
CN110347919A (zh) * 2019-06-18 2019-10-18 深圳壹账通智能科技有限公司 基于用户需求的兴趣点推荐方法、装置、电子设备及介质
CN110457589A (zh) * 2019-08-19 2019-11-15 上海新共赢信息科技有限公司 一种车辆推荐方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8204886B2 (en) * 2009-11-06 2012-06-19 Nokia Corporation Method and apparatus for preparation of indexing structures for determining similar points-of-interests

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844376A (zh) * 2015-12-03 2017-06-13 高德软件有限公司 推荐兴趣点的方法及装置
CN110020144A (zh) * 2017-11-21 2019-07-16 腾讯科技（深圳）有限公司 一种推荐模型建立方法及其设备、存储介质、服务器
CN108489503A (zh) * 2018-03-30 2018-09-04 斑马网络技术有限公司 兴趣点推荐系统及其推荐方法
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质
CN110347919A (zh) * 2019-06-18 2019-10-18 深圳壹账通智能科技有限公司 基于用户需求的兴趣点推荐方法、装置、电子设备及介质
CN110457589A (zh) * 2019-08-19 2019-11-15 上海新共赢信息科技有限公司 一种车辆推荐方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度学习的推荐系统研究综述;黄立威;江碧涛;吕守业;刘艳博;李德毅;;计算机学报(07);全文 *
实时路况制约下基于内容的兴趣点推荐;雷凯;刘树波;李丹;李永凯;;计算机工程(10);全文 *

Also Published As

Publication number Publication date
CN112989219A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN111125335B (zh) 问答处理方法、装置、电子设备和存储介质
CN111639710A (zh) 图像识别模型训练方法、装置、设备以及存储介质
CN111259222B (zh) 物品推荐方法、系统、电子设备及存储介质
CN111488740B (zh) 一种因果关系的判别方法、装置、电子设备及存储介质
CN111949814A (zh) 搜索方法、装置、电子设备和存储介质
CN111506803B (zh) 内容推荐方法、装置、电子设备及存储介质
CN110543558B (zh) 问题匹配方法、装置、设备和介质
CN112000700A (zh) 地图信息展示方法、装置、电子设备及存储介质
CN111177339B (zh) 对话生成方法、装置、电子设备及存储介质
CN112270168B (zh) 对白情感风格预测方法、装置、电子设备及存储介质
CN111241838B (zh) 文本实体的语义关系处理方法、装置及设备
CN111090991A (zh) 场景纠错方法、装置、电子设备和存储介质
CN111079945A (zh) 端到端模型的训练方法及装置
CN111858880B (zh) 获取查询结果的方法、装置、电子设备和可读存储介质
CN111324715A (zh) 问答机器人的生成方法和装置
CN112380104A (zh) 用户属性识别方法、装置、电子设备及存储介质
CN111931520A (zh) 自然语言处理模型的训练方法和装置
CN114036398A (zh) 内容推荐和排序模型训练方法、装置、设备以及存储介质
CN111666771A (zh) 文书的语义标签抽取、装置、电子设备及可读存储介质
CN111860580B (zh) 识别模型获取及类别识别方法、装置及存储介质
CN112270169B (zh) 对白角色预测方法、装置、电子设备及存储介质
CN112989219B (zh) 兴趣点推荐方法、装置、电子设备及存储介质
CN112528146B (zh) 内容资源推荐方法、装置、电子设备及存储介质
CN112328896B (zh) 用于输出信息的方法、装置、电子设备和介质
CN112100530B (zh) 网页分类方法、装置、电子设备及存储介质

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