CN113052642B - 用于线下作业的方法及装置 - Google Patents
用于线下作业的方法及装置 Download PDFInfo
- Publication number
- CN113052642B CN113052642B CN202110435541.7A CN202110435541A CN113052642B CN 113052642 B CN113052642 B CN 113052642B CN 202110435541 A CN202110435541 A CN 202110435541A CN 113052642 B CN113052642 B CN 113052642B
- Authority
- CN
- China
- Prior art keywords
- spatial
- thread
- clue
- job
- gathering
- 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
Images
Classifications
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- 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
- G06F16/906—Clustering; Classification
-
- 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
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供了一种用于线下作业的方法及装置,该方法包括:使用作业转化率预估模型来预估各个作业对象所对应的作业线索的作业转化率,根据作业转化率对各个作业线索进行线索分层,基于各个作业线索的空间位置分布来对各个作业线索进行多层级空间聚类,得到层级空间聚类集合,以及使用层级空间聚类集合中的各个空间聚类所具有的各个线索分层的作业线索数以及各个线索分层的作业转化率,计算各个空间聚类的线索聚集点的成功作业线索数。
Description
技术领域
本说明书实施例涉及计算机技术领域,具体地,涉及用于线下作业的方法及装置。
背景技术
随着数字化生活服务的推进,越来越多的APP等数字化产品来为用户提供服务。一款数字化产品的出现以及正常运营除了设计和运营工作以外,还需要大量的线下营销推广工作,以增加使用数字化产品的用户数量。在线下营销推广环节,数以百计的线下销售人员以直营、众包等方式加入,并承担着数字化产品的签约推广、商家门店的运营等工作。在线下营销推广工作中,各个线下销售人员通常以扫街方式拜访各个商户,即,线下销售人员以一条街道为单位进行作业,在每完成一条街道后再进入下一街道继续作业。针对每条街道,线下销售人员对街道两侧的所有门店依次进行地毯式的作业。这种扫街的作业方式导致线下销售人员的作业效率低,因此,如何提高线下销售人员的作业效率成为亟待解决的问题。
发明内容
鉴于上述,本说明书实施例提供了一种用于线下作业的方法及装置。在用于线下作业的方法中,多层级空间聚类得到的层级空间聚类集合包括各个线索聚集点以及各个线索聚集点之间的空间关联关系,并能得到各个线索聚集点上的成功作业线索数,从而通过层级空间聚类集合以及成功作业线索数,能够引导作业人员找到作业线索多且作业成功率高的区域进行线下作业,从而提高作业人员的线下作业效率。
根据本说明书实施例的一个方面,提供了一种用于线下作业的方法,包括:使用作业转化率预估模型来预估各个作业对象所对应的作业线索的作业转化率,所述作业线索包括对应的作业对象的兴趣点位置信息,所述作业转化率用于指示作业线索的作业成功率;根据作业转化率对各个作业线索进行线索分层,每个线索分层的作业转化率根据该线索分层的各个作业线索的作业转化率得到;基于各个作业线索的空间位置分布来对各个作业线索进行多层级空间聚类,得到层级空间聚类集合,其中,每个层级空间聚类利用一个线索聚集点表征;以及使用所述层级空间聚类集合中的各个空间聚类所具有的各个线索分层的作业线索数以及各个线索分层的作业转化率,计算各个空间聚类的线索聚集点的成功作业线索数。
可选地,在上述方面的一个示例中,上层空间聚类通过对相邻的下层空间聚类的线索聚集点进行空间聚类得到。
可选地,在上述方面的一个示例中,每个线索分层的作业转化率是该线索分层的作业线索的平均作业转化率。
可选地,在上述方面的一个示例中,还包括:根据各个空间聚类的线索聚集点之间的空间关联关系以及各个线索聚集点的成功作业线索数,构建线下作业索引图。
可选地,在上述方面的一个示例中,还包括:响应于作业人员在地图上的线下作业操作,确定该线下作业操作所对应的各个空间聚类;以及在所述地图上呈现所确定的各个空间聚类的线索聚集点分布以及各个线索聚集点的成功作业线索数,以引导所述作业人员进行下一步线下作业操作。
可选地,在上述方面的一个示例中,所述作业转化率预估模型通过使用各个作业线索的历史作业信息以及所对应的作业对象的对象属性信息作为训练样本进行训练得到。
可选地,在上述方面的一个示例中,基于各个作业线索的空间位置分布来对各个作业线索进行多层级空间聚类,得到层级空间聚类集合包括:基于最低层级中的各个作业线索的空间位置分布,对所述各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点,其中,每个层级对应地图上的一个比例尺范围区间;针对其他层级中的各个层级,对相邻的下层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点;以及基于各个层级的空间聚类的线索聚集点,得到所述层级空间聚类集合。
可选地,在上述方面的一个示例中,基于最低层级中的各个作业线索的空间位置分布,对所述各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点包括:基于最低层级中的各个作业线索的空间位置分布,使用基于密度的聚类算法对所述各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点。
可选地,在上述方面的一个示例中,针对在所述相邻上一层级上层的每个层级,对相邻的下层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点包括:针对在所述相邻上一层级上层的每个层级,根据相邻的下层空间聚类的线索聚集点的空间位置分布以及成功作业线索数,对相邻的下层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点。
可选地,在上述方面的一个示例中,使用所述层级空间聚类集合中的各个空间聚类所具有的各个线索分层的作业线索数以及各个线索分层的作业转化率,计算各个空间聚类的线索聚集点的成功作业线索数包括:针对最低层级的相邻上一层级中的各个线索聚集点,确定所述最低层级中与该线索聚集点具有空间关联关系的作业线索;从所确定的作业线索中确定属于各个线索分层的作业线索数;以及基于所确定出的属于各个线索分层的作业线索数以及各个线索分层的作业转化率,计算该线索聚集点的成功作业线索数;以及针对其他层级中的各个线索聚集点,基于下一层级中与该线索聚集点具有空间关联关系的各个线索聚集点的成功作业线索数来确定为该线索聚集点的成功作业线索数。
根据本说明书实施例的另一方面,还提供一种用于线下作业的装置,包括:至少一个处理器,与所述至少一个处理器耦合的存储器,以及存储在所述存储器上的计算机程序,所述至少一个处理器执行所述计算机程序来实现:使用作业转化率预估模型来预估各个作业对象所对应的作业线索的作业转化率,所述作业线索包括对应的作业对象的兴趣点位置信息,所述作业转化率用于指示作业线索的作业成功率;根据作业转化率对各个作业线索进行线索分层,每个线索分层的作业转化率根据该线索分层的各个作业线索的作业转化率得到;基于各个作业线索的空间位置分布来对各个作业线索进行多层级空间聚类,得到层级空间聚类集合,其中,每个层级空间聚类利用一个线索聚集点表征;以及使用所述层级空间聚类集合中的各个空间聚类所具有的各个线索分层的作业线索数以及各个线索分层的作业转化率,计算各个空间聚类的线索聚集点的成功作业线索数。
根据本说明书实施例的另一方面,还提供一种电子设备,包括:至少一个处理器;以及存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如上所述的用于线下作业的方法。
根据本说明书实施例的另一方面,还提供一种机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如上所述的用于线下作业的方法。
附图说明
通过参照下面的附图,可以实现对于本说明书实施例内容的本质和优点的进一步理解。在附图中,类似组件或特征可以具有相同的附图标记。
图1示出了根据本说明书实施例的用于线下作业的方法的一个示例的流程图。
图2示出了Wide&Deep模型的一个示例200的示意图。
图3示出了根据本说明书实施例的多层级空间聚类方法的一个示例的示意图。
图4示出了根据本公开实施例的构建线下作业索引图的一个示例的示意图。
图5示出了根据本说明实施例的地图在执行线下作业操作时所呈现的界面的一个示例的示意图。
图6示出了根据本说明书实施例的用于线下作业的装置的一个示例的方框图。
图7示出了根据本说明书实施例的实施例的用于实现线下作业方法的电子设备700的方框图。
具体实施方式
以下将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本说明书实施例内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
在本文中,线下作业是线下销售人员进行的营销推广工作,如平台商家运营、业务推广、合作签约等。
图1示出了根据本说明书实施例的用于线下作业的方法的一个示例100的流程图。
如图1所示,在110,可以使用作业转化率预估模型来预估各个作业对象所对应的作业线索的作业转化率。
在本说明书中,作业对象是作业人员进行线下作业的对象,可以包括商户等。每个作业对象对应有线下的实体门店,在地理信息系统中可以表示成一个兴趣点(poi)。
在本说明书中,作业线索与作业对象一一对应,作业线索可以包括对应的作业对象的兴趣点位置信息。此外,作业线索还可以包括对应作业对象的属性信息,比如,作业对象名称、作业对象类型、作业对象的文本地址等。在一个示例中,每个作业线索中的兴趣点位置信息与属性信息对应关联。
在本说明书中,作业转化率用于指示作业线索的作业成功率,作业转化率可以用0到1之间的数值来表示,数值越大表示作业成功率越高。
在一个示例中,在执行上述110的操作前,各个作业对象的作业线索已存在,则在执行110的操作时可以直接获取各个作业对象的作业线索,以用于预估作业转化率。在另一个示例中,在执行上述110的操作前,各个作业对象的作业线索不存在,此时,需要先创建各个作业对象的作业线索。具体地,将每个作业对象的兴趣点位置信息与作业对象属性信息对应关联,作为该作业对象的作业线索。
在一个示例中,作业转化率预估模型可以使用各个作业线索的历史作业信息以及所对应的作业对象的对象属性信息进行训练得到。
在该示例中,作业线索的历史作业信息可以包括针对该作业线索的历史曝光次数、历史作业频次和作业结果。历史曝光次数是作业人员在进行历史作业时作业线索在地图上的曝光次数,历史作业频次用于表示作业线索对应的作业对象被作业人员拜访并进行线下作业的次数。作业结果包括每次线下作业的作业结果,每次线下作业的作业结果分为成功或者失败。作业线索的历史曝光次数、历史作业频次和作业结果与作业对象的作业成功率存在相关性,比如,历史曝光次数越高,历史作业频次越低,作业结果的成功次数少,则可以推测作业成功率较低。因此,可以将历史曝光次数和历史作业频次作为作业成功率的影响因子特征,将作业结果作为训练的样本标签值。
在该示例中,作业对象的对象属性信息可以包括基本属性信息,比如,作业对象名称、作业对象类型等。在一个示例中,作业对象的兴趣点位置信息可以通过数据挖掘的方式得到,由此所得到的兴趣点位置信息对应有关联准确率,关联准确率用于指示作业对象的兴趣点位置信息的准确程度。兴趣点位置信息的关联准确率可以利用机器模型预测得到,还可以通过作业人员经过实地考察后得到。在该示例中,作业对象的基本属性信息还可以包括兴趣点位置信息的关联准确率。作业对象类型和关联准确率与作业对象的作业成功率存在相关性,比如,一种作业对象类型(比如,餐饮)的历史作业成功率较高,则针对该作业对象类型的作业成功率推测较高,此外,关联准确率越高,作业人员越易于在线下找到,从而作业成功率也会升高。因此,作业对象类型和关联准确率可以作为作业成功率的影响因子特征。作业对象名称可以作为作业对象的标识,以用来与其他作业对象进行区分。
此外,作业对象的对象属性信息还可以包括动态属性信息,动态属性信息是根据作业对象的活动和行为会相应变化的属性信息,比如,作业对象的活跃度、作业对象对作业平台的认可度等。作业对象的动态属性信息与该作业对象的作业成功率存在相关性,例如,商户活跃度越高、商户对作业平台的认可度越高,则针对该商户的作业成功率越高。因此,作业对象的动态属性信息可以作为作业成功率的影响因子特征。
在训练过程中,将各个作业线索对应的历史作业信息中的历史作业频次和历史曝光次数、以及所对应的作业对象的对象属性信息作为影响因子特征输入至作业转化率预估模型,作业转化率预估模型输出各个作业线索的预测值,基于各个作业线索的预测值和作为样本标签值的历史作业结果来调整作业转化率预估模型的参数。在参数调整过程中,可以采用梯度下降法、最小二乘法等。
在一个示例中,作业转化率预估模型可以是Wide&Deep模型。图2示出了Wide&Deep模型的一个示例200的示意图。如图2所示,Wide&Deep模型由Wide部分210和Deep部分220组成。Wide部分210可以是线性模型,通过对输入的特征进行叉乘以对输入的特征做非线性变换,具体的公式如下:
Deep部分220可以是神经网络模型,Deep部分220可以包括Embedding处理和多层感知器(Muti-Layer Perception,MLP)。特征输入Deep部分220后,通过Embedding将输入的特征转化成低维密集型特征,即特征向量,然后将转化后的特征向量进行拼接后输入给多层感知器,多层感知器的输出层输出预测结果。
在对Wide&Deep模型进行训练时,Wide部分210和Deep部分220可以协同训练。具体地,Wide部分210输出的结果与Deep部分220输出的结果进行加权求和,所得到的和结果作为Wide&Deep模型的预测结果,然后将该预测结果输入给逻辑损失函数以对Wide&Deep模型的参数进行调整。
在作业转化率预估模型训练完成后,在使用作业转化率预估模型进行预测时,首先,可以通过各个作业对象的作业线索来获取作业线索的历史作业频次和历史曝光次数以及作业对象的对象属性信息。在一个示例中,每个作业线索对应的历史作业信息以及作业对象的对象属性信息可以作为作业成功率的影响因子特征相关联地存储在数据库中,当进行预测时,依据作业线索中的作业对象信息(比如,作业对象名称),来与数据库中作业对象的基本属性信息(比如,作业对象名称)进行匹配,获取作业线索对应的历史作业信息以及作业对象的对象属性信息,再从历史作业信息中可以获取历史作业频次和历史曝光次数。
然后,将待预测的作业线索的历史作业频次和历史曝光次数以及作业对象的对象属性信息作为一组数据输入作业转化率预估模型,作业转化率预估模型输出该作业线索的作业转化率。
回到图1,在各个作业线索对应有作业转化率后,在120,根据作业转化率对各个作业线索进行线索分层。
在本说明书中,可以将作业转化率划分为多个不同的数值区间,每个数值区间对应一个线索分层,线索分层的层数与数值区间的区间数量相同。在一个示例中,可以自定义线索分层的层数,然后根据层数将作业转化率分成对应数量的数值区间。
例如,作业转化率为0到1之间的数值,可以将作业转化率划分为三个数值区间,分别为:[0,0.3),[0.3,0.6)和[0.6,1],其中,[0,0.3)表示大于等于0、小于0.3的数值区间。每一个数值区间对应一个线索分层,则作业线索被分为3层,其中,作业转化率在[0,0.3)范围内的作业线索属于同一个线索分层,作业转化率在[0.3,0.6)范围内的作业线索属于另一个线索分层,作业转化率在[0.6,1]范围内的作业线索属于第三个线索分层。
每个线索分层可以包括多个具有不同作业成功率的作业线索。每个线索分层的作业转化率根据该线索分层的各个作业线索的作业转化率得到。在一个示例中,每个线索分层的作业转化率是该线索分层的作业线索的平均作业转化率。具体地,针对每个线索分层,可以确定该线索分层中各个作业线索的历史作业次数以及该历史作业次数中的作业成功次数,然后将作业成功次数除以历史作业次数可以得到百分比值,可以将该百分比值确定为该线索分层的平均作业转化率,进一步地,可以将该线索分层的平均作业转化率确定为该线索分层中各个作业线索对应的作业转化率。
例如,一个线索分层包括有100个作业线索,该100个作业线索中的每个作业线索都对应有两次历史作业,则该线索分层的历史作业次数是200次,在该200次历史作业中,成功的作业有40次,失败的作业有160次,则该线索分层的平均作业转化率是0.2,相应地,该线索分层中的该100个作业线索对应的作业转化率均为0.2。
接着,在130,基于各个作业线索的空间位置分布来对各个作业线索进行多层级空间聚类,得到层级空间聚类集合。
在本说明书中,各个作业线索具有空间位置,各个作业线索的空间位置可以是由作业线索包括的兴趣点位置信息来确定。在一个示例中,可以在地图上确定出各个兴趣点位置信息对应的兴趣点位置,然后在各个兴趣点位置处呈现对应的作业线索,从而在地图上可以呈现出各个作业线索以及各个作业线索的空间位置分布。
在本说明书中,多层级空间聚类包括多个层级中每个层级的空间聚类,该多个层级相互之间呈上下层级关系。每个层级空间聚类可以利用一个线索聚集点来表征。
在一个示例中,多层级可以根据地图上的比例尺来划分。具体地,每个层级对应地图上的一个比例尺范围区间,当地图以一个比例尺呈现时,地图所呈现的界面对应的是该比例尺对应的层级。例如,地图上的一个比例尺范围是(1:10000,1:5000),所对应的层级是第二层级,则当地图以(1:10000,1:5000)范围内的比例尺呈现时,所呈现的界面对应的是第二层级,相应地,可以在该地图所呈现的界面上显示第二层级的空间聚类的线索聚集点。在该例子中,比例尺1:10000表示地图上1厘米对应实际距离100米。
在本说明书中,所得到的层级空间聚类集合包括各个层级空间聚类的线索聚集点以及各个层级空间聚类的线索聚集点之间的空间关联关系,该空间关联关系根据空间聚类形成。多个线索聚集点或多个作业线索被聚类成一个线索聚集点时,该多个线索聚集点或该多个作业线索与该一个线索聚集点之间存在空间关联关系。
在一个示例中,上层空间聚类可以由相邻的下一层级空间聚类的线索聚集点进行空间聚类得到。在进行多层级空间聚类时,可以按照从下往上的顺序依次对每个层级进行空间聚类。
图3示出了根据本说明书实施例的多层级空间聚类方法的一个示例300的示意图。
在131,基于最低层级中的各个作业线索的空间位置分布,对各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点。
在该示例中,最低层级是呈现各个作业线索的层级,最低层级对应的比例尺范围区间是地图能够呈现的最大比例尺范围区间。在最低层级对应的地图界面上,可以在兴趣点位置信息表征的位置点呈现各个作业线索,各个作业线索的呈现位置即对应的作业对象所在的位置。
在一个示例中,可以使用基于密度的聚类算法来对各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点。基于密度的聚类算法可以包括DBSCAN(density-based spatial clustering of applications with noise)聚类算法。下面以DBSCAN聚类算法为例进行说明。
使用DBSCAN聚类算法进行空间聚类,首先,确定参数R和MinPts,R表示以各个线索聚集点为圆点所画的圆的半径,MinPts表示针对圆所圈住的线索聚集点的数量的密度阈值。然后,以每个线索聚集点为圆心、以R为半径画圆,再确定每个圆内的线索聚集点的数量,若圆内的线索聚集点数量小于MinPts时,表示该圆心点为低密度点,若圆内的线索聚集点数量大于或等于MinPts时,表示该圆心点为高密度点。当一个高密度点在另一个高密度点的圆内,则可以将该两个高密度点连接起来。以此方法,可以将多个作为高密度点的线索聚集点连接起来。此外,低密度点在高密度点的圆内,也可以将该低密度点作为边界点与高密度点连接起来。这样,所有连接起来的线索聚集点形成一个聚类,即得到一个空间聚类的线索聚集点。
通过上述DBSCAN聚类算法的聚类过程,将高密度相连接的点形成聚类的方式对噪声不敏感,因此所形成的聚类可以是任意形状,比如,线状聚类、团状聚类等。这样可以适用作业线索分布的各种场景,比如,街道两侧的线状分布,商场内的团状分布等,从而提高了针对作业线索的聚类精确度。
在得到相邻上一层级的空间聚类的线索聚集点后,针对在该相邻上一层级上层的其他层级,可以按照从下至上的顺序依次对每个层级进行空间聚类。在133,针对其他层级中的各个层级,对相邻的下层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点。
针对其他层级中的各个层级,可以根据相邻的下一层空间聚类的线索聚集点的空间位置分布来对该相邻的下一层空间聚类的线索聚集点进行空间聚类。空间聚类所采用的聚类算法可以包括基于密度的聚类算法(比如,DBSCAN)、基于划分的聚类算法(比如,k-means)、基于层次的聚类算法(比如,BIRCH)、基于网格的聚类算法(比如,STING)等中的任一种。
以k-means聚类算法为例,针对一个层级中的各个线索聚集点的空间位置分布,首先,确定聚类的数目,并确定该数目个中心点。然后,各个线索聚集点找到距离其最近的一个中心点,距离同一个中心点最近的线索聚集点成为一个聚类。判断当前聚类的情况与前一次聚类的情况是否一致,若一致,则算法终止,输出所得到的聚类。若不一致,则在当前的每个聚类中重新计算各个聚类的中心点,并将所计算的中心点作为新的中心点,继续执行各个线索聚集点找距离最近的中心点的操作,直至算法终止。
在一个示例中,可以根据相邻的下一层空间聚类的线索聚集点的空间位置分布以及成功作业线索数,对该相邻的下一层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点。
在该示例中,每个线索聚集点具有成功作业线索数,成功作业线索数可以是根据线索分层的作业转化率得到,每个线索聚集点的成功作业线索数用于表征该线索聚集点包括的作业线索中能够作业成功的作业线索数量。
在该示例中,可以将各个线索聚集点的成功作业线索数作为该线索聚集点的权重,在使用k-means聚类算法执行重新计算聚类的中心点时,根据聚类中各个线索聚集点的空间位置分布和成功作业线索数来计算聚类的中心点,这样所得到的中心点的位置会考虑成功作业线索数的因素,使得中心点的位置更靠近成功作业线索数较大的线索聚集点。这样,在最后得到上层空间聚类后,上层空间聚类的线索聚集点的空间位置也更靠近下一层级中成功作业线索数较大的线索聚集点,便于引导作业人员找到成功作业线索多的线索聚集点,从而便于作业人员确定出成功作业线索多的线下作业区域。
在得到各个层级的空间聚类的线索聚集点后,在135,基于各个层级的空间聚类的线索聚集点可以得到层级空间聚类集合。具体地,根据各个线索聚集点的空间聚类,确定各个线索聚集点之间的空间关联关系,然后将各个线索聚集点和所确定的空间关联关系结合,得到层级空间聚类集合。
回到图1,在140,使用层级空间聚类集合中的各个空间聚类所具有的各个线索分层的作业线索数以及各个线索分层的作业转化率,计算各个空间聚类的线索聚集点的成功作业线索数。
在一个示例中,针对最低层级的相邻上一层级中的各个线索聚集点,可以确定最低层级中与该线索聚集点具有空间关联关系的作业线索,与线索聚集点具有空间关联关系的各个作业线索是被聚类成该线索聚集点的作业线索。
然后,从所确定的作业线索中确定属于各个线索分层的作业线索数,基于所确定出的属于各个线索分层的作业线索数以及各个线索分层的作业转化率,计算该线索聚集点的成功作业线索数。具体地,计算每个线索分层的作业线索数与作业转化率的乘积,再将所计算出的乘积求和,得到成功作业线索数。
例如,在与上一层级中的一个线索聚集点具有空间关联关系的作业线索有180个,该180个作业线索属于三个线索分层的数量分别为50、100和30,对应的三个线索分层的作业转化率分别为0.2、0.5和0.8,则计算该线索聚集点的成功作业线索数为:50×0.2+100×0.5+20×0.8=76。
在一个示例中,针对其他层级中的各个空间聚类的线索聚集点,基于下一层级中与该线索聚集点具有空间关联关系的各个线索聚集点的成功作业线索数来确定为该线索聚集点的成功作业线索数。
具体地,可以将下一层级中与该线索聚集点具有空间关联关系的各个线索聚集点的成功作业线索数之和确定为该线索聚集点的成功作业线索数。例如,针对一个层级中的一个线索聚集点T1,下一层级中与该线索聚集点T1具有空间关联关系的线索聚集点包括线索聚集点t1、t2、t3和t4,该四个线索聚集点的成功作业线索数分别为:50、23、52和34,则可以计算出该线索聚集点T1的成功作业线索数是:50+23+52+34=159。
通过本说明书实施例提供的线下作业方法,所得到的层级空间聚类集合中包括空间聚类的线索聚集点以及各个线索聚集点之间的空间关联关系,此外还能得到各个线索聚集点的成功作业线索数,从而通过层级空间聚类集合以及各个线索聚集点上的成功作业线索数,能够引导作业人员找到作业线索多且作业成功率高的区域进行线下作业,从而提高作业人员的线下作业效率。
在本说明书的一个示例中,在得到层级空间聚类集合和各个线索聚集点上的成功作业线索数后,可以根据各个空间聚类的线索聚集点之间的空间关联关系以及各个线索聚集点的成功作业线索数,构建线下作业索引图。
图4示出了根据本公开实施例的构建线下作业索引图的一个示例400的示意图。
在一个示例中,在构建线下作业索引图之前,可以先确定空间聚类的层级数,然后按照从下至上的顺序依次构建每个层级。如图4所示,多层级空间聚类所涉及到的层级总共有4层,其中最低层级中显示的是各个作业线索。在最低层级,将各个作业线索用对应标识分别表示出来,各个作业线索的标识各不相同,比如,图4中所示的作业线索的标识分别为i1、n1、m1、j1等。
然后,构建与最低层级相邻的第二层级,由多层级空间聚类可知,作业线索i1、i2、…、ii经过聚类得到线索聚集点21,则线索聚集点21分别与各个作业线索i1、i2、…、ii均具有空间关联关系。相应地,作业线索n1、n2、…、nn经过聚类得到线索聚集点22,则线索聚集点22分别与各个作业线索n1、n2、…、nn均具有空间关联关系。作业线索m1、m2、…、mm经过聚类得到线索聚集点23,则线索聚集点23分别与各个作业线索m1、m2、…、mm均具有空间关联关系。作业线索j1、j2、…、jj经过聚类得到线索聚集点24,则线索聚集点24分别与各个作业线索j1、j2、…、jj均具有空间关联关系。然后将具有空间关联关系的线索聚集点和作业线索连接起来,如图4中的连接线表示空间关联关系。并在各个线索聚集点上分别标注对应的成功作业线索数,如图4所示,线索聚集点21的成功作业线索数是58,线索聚集点22的成功作业线索数是50,线索聚集点23的成功作业线索数是48,线索聚集点24的成功作业线索数是72。
接着,继续构建第三层级。线索聚集点21和线索聚集点22聚合成为线索聚集点31,则将线索聚集点31分别与线索聚集点21和线索聚集点22连接起来,并计算线索聚集点21和线索聚集点22的成功作业线索之和为108,将其标注在线索聚集点31中。线索聚集点23和线索聚集点24聚合成为线索聚集点32,计算线索聚集点23和线索聚集点24的成功作业线索之和为120,将其标注在线索聚集点32中。最后,构建第四层级。第四层级的线索聚集点41由线索聚集点31和线索聚集点32聚合得到,相应地,线索聚集点41的成功作业线索数是线索聚集点31和线索聚集点32的成功作业线索之和228。则将线索聚集点41分别与线索聚集点31和线索聚集点32连接,并将成功作业线索数228标注在线索聚集点41中。完成第四层级的构建后,即得到线下作业索引图,如图4所示。
在一个示例中,在构建出线下作业索引图后,可以将线下作业索引图与地图相结合,结合的方式可以是地图的比例尺与线下作业索引图的层级相关联,比如,每个层级对应一个比例尺范围区间。当用于线下作业的地图被打开时,确定地图当前显示界面对应的比例尺,然后确定出该比例尺对应的层级,再从线下作业索引图中找到所确定的层级包括的各个线索聚集点,然后将所找到的各个线索聚集点按照空间位置分布显示在地图的当前界面上。
在本说明书的一个示例中,作业人员在进行线下作业时,响应于作业人员在地图上的线下作业操作,确定该线下作业操作所对应的各个层级空间聚类。
在该示例中,作业人员的线下作业操作可以是作业人员输入的位置信息,所输入的位置信息可以是作业人员想要查看周围作业线索分布的位置信息,该位置信息可以是区域信息,还可以是位置点信息。线下作业操作还可以是作业人员启动线下作业的操作,在启动线下作业后,地图定位作业人员当前所在的位置,并显示作业人员的当前位置所在的区域界面。
通过线下作业操作所确定的位置信息,地图上显示该位置信息对应的区域,然后确定地图当前显示对应的比例尺,根据比例尺确定空间聚类的层级,再从层级空间聚类集合中可以获取所确定的层级中的层级空间聚类,所获取的层级空间聚类即为线下作业操作所对应的层级空间聚类。然后,在地图上呈现所获取的各个空间聚类的线索聚集点分布以及各个线索聚集点的成功作业线索数,以引导作业人员进行下一步线下作业操作。
在一个示例中,在构建线下作业索引图后,可以根据线下作业索引图来确定空间聚类的层级,还可以从线下作业索引图中获取所确定的层级中的层级空间聚类。
图5示出了根据本说明实施例的地图在执行线下作业操作时所呈现的界面的一个示例的示意图。
如图5所示,在响应于作业人员在地图上的线下作业操作后,在地图上呈现的各个空间聚类的线索聚集点分布以及各个线索聚集点的成功作业线索数。如图5所示,地图所示界面对应的层级包括有8个空间聚类的线索聚集点,分别为:良渚文化村、两个小商品市场、两个西溪银泰城、花鸟市场、华南大市场和临平汽车站,每个线索聚集点对应显示有成功作业线索数,比如,花鸟市场的成功作业线索数是205个。通过左图所示的地图上呈现的线索聚集点分布以及各个线索聚集点的成功作业线索数,来引导作业人员进行下一步线下作业操作。
例如,基于作业人员当前所在的位置,作业人员可以选择距离较近且成功作业线索数最多的华南大市场。作业人员在点击华南大市场的线索聚集点后,即进入下一层级,并在地图上呈现下一层级中与华南大市场的线索聚集点具有空间关联关系的各个线索聚集点的分布。
图6示出了根据本说明书实施例的用于线下作业的装置(以下称为线下作业装置600)的一个示例的方框图。
如图6所示,线下作业装置600可以包括作业转化率预估单元610、线索分层单元620、多层级空间聚类单元630和成功作业线索数计算单元640。
作业转化率预估单元610,被配置为使用作业转化率预估模型来预估各个作业对象所对应的作业线索的作业转化率,作业线索包括对应的作业对象的兴趣点位置信息,作业转化率用于指示作业线索的作业成功率。
线索分层单元620,被配置为根据作业转化率对各个作业线索进行线索分层,每个线索分层的作业转化率是该线索分层的作业线索的平均作业转化率。
多层级空间聚类单元630,被配置为基于各个作业线索的空间位置分布来对各个作业线索进行多层级空间聚类,得到层级空间聚类集合,其中,每个层级空间聚类利用一个线索聚集点表征,以及上层空间聚类通过对相邻的下层空间聚类的线索聚集点进行空间聚类得到。
成功作业线索数计算单元640,被配置为使用层级空间聚类集合中的各个空间聚类所具有的各个线索分层的作业线索数以及各个线索分层的作业转化率,计算各个空间聚类的线索聚集点的成功作业线索数。
在一个示例中,线下作业装置600还可以包括作业索引图构建单元,该作业索引图构建单元被配置为根据各个空间聚类的线索聚集点之间的空间关联关系以及各个线索聚集点的成功作业线索数,构建线下作业索引图。
在一个示例中,线下作业装置600还可以包括空间聚类确定单元和成功作业线索数呈现单元。空间聚类确定单元被配置为响应于作业人员在地图上的线下作业操作,确定该线下作业操作所对应的各个空间聚类。成功作业线索数呈现单元被配置为在地图上呈现所确定的各个空间聚类的线索聚集点分布以及各个线索聚集点的成功作业线索数,以引导作业人员进行下一步线下作业操作。
在一个示例中,多层级空间聚类单元630包括第一空间聚类模块、第二空间聚类模块和层级空间聚类集合获得模块。第一空间聚类模块被配置为基于最低层级中的各个作业线索的空间位置分布,对各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点,其中,每个层级对应地图上的一个比例尺范围区间。第二空间聚类模块被配置为针对其他层级中的各个层级,对相邻的下层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点。层级空间聚类集合获得模块被配置为基于各个层级的空间聚类的线索聚集点,得到层级空间聚类集合。需要说明的是,第一空间聚类模块和第二空间聚类模块可以被集成为一个模块,还可以是不同的两个模块。
在一个示例中,第一空间聚类模块被配置为基于最低层级中的各个作业线索的空间位置分布,使用基于密度的聚类算法对各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点。
在一个示例中,针对在相邻上一层级上层的每个层级,根据相邻的下层空间聚类的线索聚集点的空间位置分布以及成功作业线索数,对相邻的下层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点。
在一个示例中,成功作业线索数计算单元640还可以被配置为针对最低层级的相邻上一层级中的各个线索聚集点,确定最低层级中与该线索聚集点具有空间关联关系的作业线索;从所确定的作业线索中确定属于各个线索分层的作业线索数;以及基于所确定出的属于各个线索分层的作业线索数以及各个线索分层的作业转化率,计算该线索聚集点的成功作业线索数;以及针对其他层级中的各个线索聚集点,基于下一层级中与该线索聚集点具有空间关联关系的各个线索聚集点的成功作业线索数来确定为该线索聚集点的成功作业线索数。
以上参照图1到图6,对根据本说明书实施例的用于线下作业的方法及装置的实施例进行了描述。
本说明书实施例的用于线下作业的装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。在本说明书实施例中,用于线下作业的装置例如可以利用电子设备实现。
图7示出了根据本说明书实施例的实施例的用于实现线下作业方法的电子设备700的方框图。
如图7所示,电子设备700可以包括至少一个处理器710、存储器(例如,非易失性存储器)720、内存730和通信接口740,并且至少一个处理器710、存储器720、内存730和通信接口740经由总线750连接在一起。至少一个处理器710执行在存储器中存储或编码的至少一个计算机可读指令(即,上述以软件形式实现的元素)。
在一个实施例中,在存储器中存储计算机可执行指令,其当执行时使得至少一个处理器710:使用作业转化率预估模型来预估各个作业对象所对应的作业线索的作业转化率,作业线索包括对应的作业对象的兴趣点位置信息,作业转化率用于指示作业线索的作业成功率;根据作业转化率对各个作业线索进行线索分层,每个线索分层的作业转化率是该线索分层的作业线索的平均作业转化率;基于各个作业线索的空间位置分布来对各个作业线索进行多层级空间聚类,得到层级空间聚类集合,其中,每个层级空间聚类利用一个线索聚集点表征,以及上层空间聚类通过对相邻的下层空间聚类的线索聚集点进行空间聚类得到;以及使用层级空间聚类集合中的各个空间聚类所具有的各个线索分层的作业线索数以及各个线索分层的作业转化率,计算各个空间聚类的线索聚集点的成功作业线索数。
应该理解,在存储器中存储的计算机可执行指令当执行时使得至少一个处理器710进行本说明书的各个实施例中以上结合图1-6描述的各种操作和功能。
根据一个实施例,提供了一种例如机器可读介质的程序产品。机器可读介质可以具有指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本说明书的各个实施例中以上结合图1-6描述的各种操作和功能。
具体地,可以提供配有可读存储介质的系统或者装置,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
本说明书各部分操作所需的计算机程序代码可以用任意一种或多种程序语言编写,包括面向对象编程语言,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB、NET以及Python等,常规程序化编程语言如C语言、Visual Basic 2003、Perl、COBOL 2002、PHP以及ABAP,动态编程语言如Python、Ruby和Groovy,或者其他编程语言等。该程序编码可以在用户计算机上运行,或者作为独立的软件包在用户计算机上运行,或者部分在用户计算机上运行另一部分在远程计算机运行,或者全部在远程计算机或服务器上运行。在后一种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或者在云计算环境中,或者作为服务使用,比如软件即服务(SaaS)。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上或云上下载程序代码。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述各流程和各系统结构图中不是所有的步骤和单元都是必须的,可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的,可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构,也可以是逻辑结构,即,有些单元可能由同一物理实体实现,或者,有些单元可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
以上结合附图详细描述了本说明书的实施例的可选实施方式,但是,本说明书的实施例并不限于上述实施方式中的具体细节,在本说明书的实施例的技术构思范围内,可以对本说明书的实施例的技术方案进行多种简单变型,这些简单变型均属于本说明书的实施例的保护范围。
本说明书内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本说明书内容。对于本领域普通技术人员来说,对本说明书内容进行的各种修改是显而易见的,并且,也可以在不脱离本说明书内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本说明书内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (10)
1.一种用于确定线下作业区域的方法,包括:
使用作业转化率预估模型来预估各个作业对象所对应的作业线索的作业转化率,所述作业线索包括对应的作业对象的兴趣点位置信息,所述作业转化率用于指示作业线索的作业成功率,所述作业转化率预估模型是经过模型训练得到的;
根据作业转化率对各个作业线索进行线索分层,每个线索分层的作业转化率根据该线索分层的各个作业线索的作业转化率得到;
基于最低层级中的各个作业线索的空间位置分布,对所述各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点,其中,每个层级对应地图上的一个比例尺范围区间;
针对其他层级中的各个层级,对相邻的下层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点,其中,每个层级空间聚类利用一个线索聚集点表征;
根据各个线索聚集点的空间聚类,确定各个线索聚集点之间的空间关联关系;
将所述各个线索聚集点以及所确定的空间关联关系结合,得到所述层级空间聚类集合;
使用所述层级空间聚类集合中的各个空间聚类所具有的各个线索分层的作业线索数以及各个线索分层的作业转化率,计算各个空间聚类的线索聚集点的成功作业线索数;
根据各个空间聚类的线索聚集点之间的空间关联关系以及各个线索聚集点的成功作业线索数,构建线下作业索引图;
将所述线下作业索引图的层级与地图的比例尺关联,以将所述线下作业索引图与所述地图结合;
响应于作业人员在地图上的输入的位置信息,在所述地图上显示该位置信息对应的区域;
根据所述地图当前显示对应的比例尺确定空间聚类的层级;
从所述地图关联的所述线下作业索引图对应的层级空间聚类集合中,获取所确定的层级对应的层级空间聚类;
在所述地图上呈现所获取的层级空间聚类的线索聚集点分布以及各个线索聚集点的成功作业线索数;以及
根据所述地图所呈现的线索聚集点分布以及各个线索聚集点的成功作业线索数,确定所述作业人员进行线下作业的区域。
2.如权利要求1所述的方法,其中,上层空间聚类通过对相邻的下层空间聚类的线索聚集点进行空间聚类得到。
3.如权利要求1所述的方法,其中,每个线索分层的作业转化率是该线索分层的作业线索的平均作业转化率。
4.如权利要求1所述的方法,其中,所述作业转化率预估模型使用各个作业线索的历史作业信息以及所对应的作业对象的对象属性信息进行训练得到。
5.如权利要求1所述的方法,其中,基于最低层级中的各个作业线索的空间位置分布,对所述各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点包括:
基于最低层级中的各个作业线索的空间位置分布,使用基于密度的聚类算法对所述各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点。
6.如权利要求1所述的方法,其中,针对在所述相邻上一层级上层的每个层级,对相邻的下层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点包括:
针对在所述相邻上一层级上层的每个层级,根据相邻的下层空间聚类的线索聚集点的空间位置分布以及成功作业线索数,对相邻的下层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点。
7.如权利要求1所述的方法,其中,使用所述层级空间聚类集合中的各个空间聚类所具有的各个线索分层的作业线索数以及各个线索分层的作业转化率,计算各个空间聚类的线索聚集点的成功作业线索数包括:
针对最低层级的相邻上一层级中的各个线索聚集点,确定所述最低层级中与该线索聚集点具有空间关联关系的作业线索;从所确定的作业线索中确定属于各个线索分层的作业线索数;以及基于所确定出的属于各个线索分层的作业线索数以及各个线索分层的作业转化率,计算该线索聚集点的成功作业线索数;以及
针对其他层级中的各个线索聚集点,基于下一层级中与该线索聚集点具有空间关联关系的各个线索聚集点的成功作业线索数来确定为该线索聚集点的成功作业线索数。
8.一种用于确定线下作业区域的装置,包括:
至少一个处理器,
与所述至少一个处理器耦合的存储器,以及
存储在所述存储器上的计算机程序,所述至少一个处理器执行所述计算机程序来实现:
使用作业转化率预估模型来预估各个作业对象所对应的作业线索的作业转化率,所述作业线索包括对应的作业对象的兴趣点位置信息,所述作业转化率用于指示作业线索的作业成功率,所述作业转化率预估模型是经过模型训练得到的;
根据作业转化率对各个作业线索进行线索分层,每个线索分层的作业转化率根据该线索分层的各个作业线索的作业转化率得到;
基于最低层级中的各个作业线索的空间位置分布,对所述各个作业线索进行空间聚类,以得到相邻上一层级的空间聚类的线索聚集点,其中,每个层级对应地图上的一个比例尺范围区间;
针对其他层级中的各个层级,对相邻的下层空间聚类的线索聚集点进行空间聚类,以得到该层级的空间聚类的线索聚集点,其中,每个层级空间聚类利用一个线索聚集点表征;
根据各个线索聚集点的空间聚类,确定各个线索聚集点之间的空间关联关系;
将所述各个线索聚集点以及所确定的空间关联关系结合,得到所述层级空间聚类集合;
使用所述层级空间聚类集合中的各个空间聚类所具有的各个线索分层的作业线索数以及各个线索分层的作业转化率,计算各个空间聚类的线索聚集点的成功作业线索数;
根据各个空间聚类的线索聚集点之间的空间关联关系以及各个线索聚集点的成功作业线索数,构建线下作业索引图;
将所述线下作业索引图的层级与地图的比例尺关联,以将所述线下作业索引图与所述地图结合;
响应于作业人员在地图上的输入的位置信息,在所述地图上显示该位置信息对应的区域;
根据所述地图当前显示对应的比例尺确定空间聚类的层级;
从所述地图关联的所述线下作业索引图对应的层级空间聚类集合中,获取所确定的层级对应的层级空间聚类;
在所述地图上呈现所获取的层级空间聚类的线索聚集点分布以及各个线索聚集点的成功作业线索数;以及
根据所述地图所呈现的线索聚集点分布以及各个线索聚集点的成功作业线索数,确定所述作业人员进行线下作业的区域。
9.一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
10.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110435541.7A CN113052642B (zh) | 2021-04-22 | 2021-04-22 | 用于线下作业的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110435541.7A CN113052642B (zh) | 2021-04-22 | 2021-04-22 | 用于线下作业的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052642A CN113052642A (zh) | 2021-06-29 |
CN113052642B true CN113052642B (zh) | 2022-08-19 |
Family
ID=76519919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110435541.7A Active CN113052642B (zh) | 2021-04-22 | 2021-04-22 | 用于线下作业的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052642B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335393A (zh) * | 2014-07-11 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 一种地图显示方法及装置 |
CN107729389A (zh) * | 2017-09-19 | 2018-02-23 | 小草数语(北京)科技有限公司 | 地图显示方法及其装置 |
CN109460444A (zh) * | 2018-11-12 | 2019-03-12 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109977179A (zh) * | 2019-02-19 | 2019-07-05 | 中电海康集团有限公司 | 一种分层的网格划分实现海量地物标记点聚散可视化方法 |
CN110647608A (zh) * | 2019-08-30 | 2020-01-03 | 深圳震有科技股份有限公司 | 基于地图的海量数据聚合显示方法及系统、设备、介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920462B (zh) * | 2018-06-29 | 2022-07-01 | 北京奇虎科技有限公司 | 基于地图的兴趣点poi检索方法和装置 |
CN110399441B (zh) * | 2019-07-04 | 2021-04-20 | 佳都新太科技股份有限公司 | 一种海量点数据聚合渲染方法、装置、设备及存储介质 |
CN111859289B (zh) * | 2020-06-17 | 2024-04-19 | 北京嘀嘀无限科技发展有限公司 | 交通工具的交易转化率预估方法、装置、电子设备及介质 |
-
2021
- 2021-04-22 CN CN202110435541.7A patent/CN113052642B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335393A (zh) * | 2014-07-11 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 一种地图显示方法及装置 |
CN107729389A (zh) * | 2017-09-19 | 2018-02-23 | 小草数语(北京)科技有限公司 | 地图显示方法及其装置 |
CN109460444A (zh) * | 2018-11-12 | 2019-03-12 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109977179A (zh) * | 2019-02-19 | 2019-07-05 | 中电海康集团有限公司 | 一种分层的网格划分实现海量地物标记点聚散可视化方法 |
CN110647608A (zh) * | 2019-08-30 | 2020-01-03 | 深圳震有科技股份有限公司 | 基于地图的海量数据聚合显示方法及系统、设备、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113052642A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI746814B (zh) | 電腦可讀介質、車險風險預測裝置及伺服器 | |
US20180225391A1 (en) | System and method for automatic data modelling | |
US5179643A (en) | Method of multi-dimensional analysis and display for a large volume of record information items and a system therefor | |
US9530081B2 (en) | Similarity detecting apparatus and directional nearest neighbor detecting method | |
CN104951446A (zh) | 大数据处理方法及平台 | |
WO2012045496A2 (en) | Probabilistic data mining model comparison engine | |
CN110084627A (zh) | 预测目标变量的方法和装置 | |
CN108255706A (zh) | 自动化测试脚本的编辑方法、装置、终端设备及存储介质 | |
CN107292666A (zh) | 销售潜力判断方法及装置 | |
van der Hagen et al. | Machine learning–based feasibility checks for dynamic time slot management | |
CN111680382A (zh) | 等级预测模型训练方法、等级预测方法、装置及电子设备 | |
CN111612491B (zh) | 状态分析模型构建方法、分析方法及装置 | |
US20030187875A1 (en) | Spatial data analysis apparatus and sparial data analysis method | |
CN113052642B (zh) | 用于线下作业的方法及装置 | |
US10296928B1 (en) | System and methods for measuring and influencing customer trajectory within a product space | |
US20220129792A1 (en) | Method and apparatus for presenting determination result | |
Trianasari et al. | Analysis Of Product Recommendation Models at Each Fixed Broadband Sales Location Using K-Means, DBSCAN, Hierarchical Clustering, SVM, RF, and ANN | |
KR20190117857A (ko) | 신뢰 지수의 시간 의존 특징을 이용한 신뢰지수 예측 방법 및 시스템 | |
CN110472680B (zh) | 目标分类方法、装置和计算机可读存储介质 | |
CN114219084A (zh) | 基于多源异构特征的无监督表示学习方法及装置 | |
CN113191819B (zh) | 用于线下作业的方法及装置 | |
CN113297472A (zh) | 发布视频内容、商品对象信息的方法、装置及电子设备 | |
CN113822301A (zh) | 分拣中心的分类方法及装置、存储介质、电子设备 | |
CN114201533B (zh) | 车辆涉水深度检测方法、装置、电子设备及存储介质 | |
CN117993956B (zh) | 一种基于目标客户及市场数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |