CN113158030A - 异地兴趣点的推荐方法、装置、电子设备及存储介质 - Google Patents
异地兴趣点的推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113158030A CN113158030A CN202110272482.6A CN202110272482A CN113158030A CN 113158030 A CN113158030 A CN 113158030A CN 202110272482 A CN202110272482 A CN 202110272482A CN 113158030 A CN113158030 A CN 113158030A
- Authority
- CN
- China
- Prior art keywords
- interest
- target object
- feature
- preference
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000004891 communication Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000012512 characterization method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Navigation (AREA)
Abstract
本申请公开了异地兴趣点的推荐方法、装置、电子设备和存储介质，涉及计算机技术领域，具体涉及自然语言处理、大数据和深度学习等人工智能技术领域。具体实现方案为：获取目标对象的本地兴趣点偏好特征；获取目标对象的异地兴趣点偏好特征；获取目标对象的出行意图特征，并根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征；以及根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐。本申请实施例的推荐方法，能够显著提升对目标对象异地兴趣点推荐的准确度。
Description
技术领域
本申请涉及计算机技术领域，具体涉及自然语言处理、大数据和深度学习等人工智能技术领域，尤其涉及一种异地兴趣点的推荐方法、装置、电子设备及存储介质。
背景技术
随着信息技术的发展，电子地图的出现为人们的生活提供了便利。其中，兴趣点(Point Of Interest，简称“POI”)是电子地图中不可或缺的组成部分，目前图像已成为POI生产的主要来源。
异地兴趣点推荐，是指用户在出行到他不熟悉的目的地时(比如跨城旅游、出差等)，对用户推荐其可能感兴趣的地点。
发明内容
本申请提供一种异地兴趣点的推荐方法、装置、电子设备和存储介质。
根据本申请的一方面，提供了一种异地兴趣点的推荐方法，包括：
获取目标对象的本地兴趣点偏好特征；
获取所述目标对象的异地兴趣点偏好特征；
获取所述目标对象的出行意图特征，并根据所述本地兴趣点偏好特征和所述出行意图特征生成特定出行意图特征；以及
根据所述异地兴趣点偏好特征和所述特定出行意图特征对所述目标对象进行异地兴趣点推荐。
根据本申请的另一方面，提供了一种异地兴趣点的推荐装置，包括：
第一获取模块，用于获取目标对象的本地兴趣点偏好特征；
第二获取模块，用于获取所述目标对象的异地兴趣点偏好特征；
第三获取模块，用于获取所述目标对象的出行意图特征，并根据所述本地兴趣点偏好特征和所述出行意图特征生成特定出行意图特征；以及
推荐模块，用于根据所述异地兴趣点偏好特征和所述特定出行意图特征对所述目标对象进行异地兴趣点推荐。
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上述一方面实施例所述的异地兴趣点的推荐方法。
根据本申请另一方面，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，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的异地兴趣点的推荐方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述一方面实施例所述的异地兴趣点的推荐方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：
图1为本申请实施例提供的一种异地兴趣点的推荐方法的流程示意图；
图2为本申请实施例提供的另一种异地兴趣点的推荐方法的流程示意图；
图3为本申请实施例提供的签到关系图
及其相关邻接矩阵的示意图。
图4为本申请实施例提供的另一种异地兴趣点的推荐方法的流程示意图；
图5为本申请实施例提供的另一种异地兴趣点的推荐方法的流程示意图；
图6为本申请实施例提供的另一种异地兴趣点的推荐方法的流程示意图；
图7为本申请实施例提供的另一种异地兴趣点的推荐方法的流程示意图；
图8为本申请实施例提供的一种异地兴趣点的推荐装置的结构示意图；以及
图9为根据本申请实施例的异地兴趣点的推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
下面参考附图描述本申请实施例的异地兴趣点的推荐方法、装置、电子设备和存储介质。
人工智能是研究使用计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术领域也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术包括计算机视觉技术、语音识别技术、自然语言处理技术以及深度学习、大数据处理技术、知识图谱技术等几大方向。
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。
大数据(big data)，IT行业术语，是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。其中，在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》[1]中大数据指不用随机分析法(抽样调查)这样捷径，而采用所有数据进行分析处理。大数据的5V特点(IBM提出)：Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)、Veracity(真实性)。
深度学习是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
本申请实施例提供的异地兴趣点的推荐方法，可以由电子设备来执行，该电子设备可为PC(Personal Computer，个人计算机)电脑、平板电脑、掌上电脑或服务器等，此处不做任何限定。
在本申请实施例中，电子设备中可以设置有处理组件、存储组件和驱动组件。可选的，该驱动组件和处理组件可以集成设置，该存储组件可以存储操作系统、应用程序或其他程序模块，该处理组件通过执行存储组件中存储的应用程序来实现本申请实施例提供的异地兴趣点的推荐方法。
图1为本申请实施例提供的一种异地兴趣点的推荐方法的流程示意图。
本申请实施例的异地兴趣点的推荐方法，还可由本申请实施例提供的异地兴趣点的推荐装置执行，该装置可配置于电子设备中，以实现获取目标对象的本地兴趣点偏好特征、目标对象的异地兴趣点偏好特征和目标对象的出行意图特征，并根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征，以及根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐，从而能够显著提升对目标对象异地兴趣点推荐的准确度。
作为一种可能的情况，本申请实施例的异地兴趣点的推荐方法还可以在服务器端执行，服务器可以为云服务器，可以在云端执行该异地兴趣点的推荐方法。
如图1所示，该异地兴趣点的推荐方法，可包括：
步骤101，获取目标对象的本地兴趣点偏好特征。应说明的是，该实施例中所描述的本地兴趣点偏好特征可为嵌入向量，即目标对象本地偏好嵌入向量。
在本申请实施例中，目标对象可为用户，即需要进行异地兴趣点推荐的目标用户。
在本申请实施例中，上述的本地兴趣点偏好特征可由目标对象的本地签到数据根据第一预设生成算法生成，其中，第一预设生成算法可根据实际情况进行标定。
步骤102，获取目标对象的异地兴趣点偏好特征。应说明的是，该实施例中所描述的异地兴趣点偏好特征也可为嵌入向量，即目标对象异地偏好嵌入向量。
在本申请实施例中，上述的异地兴趣点偏好特征可以依据目标对象的出行目的地进行获取，例如，根据目标对象的出行目的地获取目标对象的异地签到数据，而后根据第二预设生成算法和目标对象的异地签到数据生成该异地兴趣点偏好特征，其中，第二预设生成算法可根据实际情况进行标定。
需要说明的是，该实施例中所描述的异地签到数据可为异地(即，目标对象的出行目的地)目标对象实际去过的地点的数据，也可以是电子设备通过已安装的地图APP(Application，应用程序)，依据目标对象的出行目的地预测(推荐)的地点的数据，即依据大数据(所有去过出行目的地的其他目标对象的签到数据)预测(推荐)的地点的数据，此处不做任何限定。
步骤103，获取目标对象的出行意图特征，并根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征。
在本申请实施例中，上述的出行意图特征可由目标对象的异地签到数据根据第三预设生成算法生成，其中，第三预设生成算法可根据实际情况进行标定。
步骤104，根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐。
具体地，电子设备可获取目标对象的本地签到数据，并根据该本地签到数据和第一预设生成算法生成该目标对象的本地兴趣点偏好特征。然后获取目标对象的出行目的地，并根据目标对象的出行目的地获取目标对象的异地签到数据，以及根据第二预设生成算法和目标对象的异地签到数据生成该目标对象的异地兴趣点偏好特征。再然后可根据目标对象的异地签到数据和第三预设生成算法生成该目标对象的出行意图特征。最后电子设备可根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征，并根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐。
在本申请实施例中，首先获取目标对象的本地兴趣点偏好特征，并获取目标对象的异地兴趣点偏好特征，以及获取目标对象的出行意图特征，然后根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征，最后根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐。由此，能够显著提升对目标对象异地兴趣点推荐的准确度。
为了清楚说明上一实施例，在本申请的一个实施例中，如图2所示，获取目标对象的本地兴趣点偏好特征，可包括：
步骤201，获取目标对象的本地签到数据。应说明的是，该实施例中所描述的本地签到数据可为目标对象在本地感兴趣的、常去的地点的签到数据，即，目标对象在本地的兴趣点数据。
在本申请实施例中，获取目标对象的本地签到数据的途径有多条，其中，可通过收集目标对象的地点打卡数据，来获取目标对象的本地签到数据，例如，通过收集目标对象在本地某个房屋建筑(餐厅、服装店、写字楼等)、景点等拍照或自拍发朋友圈的数据，来获取本地签到数据；还可以由电子设备通过已安装的地图APP(Application，应用程序)来实时获取目标对象在本地的移动轨迹，轨迹通过对该移动轨迹进行分析来获取目标对象的本地签到数据，例如，分析该移动轨迹中目标对象常去的地点，在某个地点的停留时间等来确定目标对象的本地签到数据。
步骤202，根据本地签到数据生成本地兴趣点偏好特征。
具体地，电子设备在获取到目标对象的本地签到数据之后，可根据本地签到数据和第一预设生成算法生成本地兴趣点偏好特征。
进一步而言，假设已知目标对象u及其本地签到记录
可先构建一个有向图
其中，
可表示本地签到的兴趣点集合，
可表示有向图的边，每两个相邻的签到可被记为
其中，i可为正整数。由于目标对象的签到序列中，可能出现重复的兴趣点，即一个目标对象会重复对一个兴趣点签到多次，因而可对有向图
中边的权重进行归一化处理，并基于此可构建邻接矩阵
如图3所示。
参见图3，邻接矩阵
分别编码了出边和入边两种关系，其中，D1表示有向图
的节点个数，即
接下来，对
中的每个节点
都用一个d维的嵌入向量(embedding vector)
进行初始化，其中，d可表示向量的数目(也可表示本地兴趣点的数目)。并将相应的嵌入向量拼成的矩阵：
输入到G-GNN(GatedGraphNeuralNetwork，门控图神经网络)中。
前述门控神经网络(G-GNN)的更新迭代过程可如下：
其中，Av：可表示邻接矩阵
中与节点v相关的两列，即，分别从
的两个分块矩阵A(out)和A(in)中抽取节点v所对应的列，并进行拼接得到Av：。ζ(·)是Sigmoid函数，T可为(表示)矩阵转置，t可为第t次迭代，其中，t可为大于1的正整数。
原理上而言，公式(1)编码了不同兴趣点之间基于有向图
的信息传递。公式(2)-(5)是更新步骤，与GRU(GatedRecurrentUnit，门控循环单元)的实现方式类似。最终，通过前述G-GNN，我们可以得到更新后的嵌入表征，记为
进而，使用AN(AttentionNetwork，注意力网络)网络对目标对象的本地偏好进行聚合：
其中，
和
分别为权重参数，uh表示输出的目标对象本地偏好嵌入向量，即上述的本地兴趣点偏好特征。由此，计算得到的本地兴趣点偏好特征更加符合目标对象的喜好与习惯。
在本申请的另一个实施例中，如图4所示，获取目标对象的异地兴趣点偏好特征，可包括：
步骤401，获取目标对象的出行目的地。
在本申请实施例中，目标对象的出行目的地可由目标对象主动输入，也可以由电子设备中的地图APP主动获取，例如，目标对象的家庭住址为北京，此刻目标对象在上海则该地图APP可将上海当作本次出行目的地。
步骤402，根据异地兴趣点偏好特征获取模型对出行目的地进行处理，以得到异地兴趣点偏好特征。其中，异地兴趣点偏好特征获取模型可为多层感知机模型，且该多层感知机模型可由利用偏好迁移进行训练。
需要说明的是，该实施例中所描述的异地兴趣点偏好特征获取模型可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用，该存储空间不仅限于基于实体的存储空间，例如，硬盘，上述存储空间还可以是连接电子设备的网络硬盘的存储空间(云存储空间)。
其中，异地兴趣点偏好特征获取模型的训练与生成可由相关的服务器进行，该服务器可以是云端服务器，也可以是一台电脑的主机，该服务器与可执行申请实施例提供的异地兴趣点的推荐方法的电子设备之间，建立有通信连接，该通信连接可以是无线网络连接和有线网络连接的至少一种。服务器可将训练完成的异地兴趣点偏好特征获取模型发送给电子设备，以便电子设备在需要时调用，从而大大减少电子设备的计算压力。
具体地，电子设备在得到目标对象的本地兴趣点偏好特征之后，可通过地图APP获取目标对象的出行目的地，并将该出行目的地输入至异地兴趣点偏好特征获取模型，从而通过该异地兴趣点偏好特征获取模型对该出行目的地进行处理，以得到该出行目的地的兴趣点偏好特征，即上述的异地兴趣点偏好特征。由此，可以综合考虑异地出行场景中影响目标对象异地签到结果的多样性复杂因素，使最后的推荐的异地兴趣点更加适合目标对象。
在本申请的另一个实施例中，如图5所示，获取目标对象的出行意图特征，可包括：
步骤501，获取目标对象的异地签到数据。应说明的是，该实施例中所描述的异地签到数据可为目标对象在异地感兴趣的、常去的地点的签到数据，即，目标对象在异地的兴趣点数据。
在本申请实施例中，获取目标对象的异地签到数据的途径有多条，其中，若目标对象去过该异地(例如，目标对象本次出行的目的地)，电子设备可通过地图APP直接获取目标对象在该异地的地图轨迹记录，并对该地图轨迹记录进行分析以得到该目标对象的异地签到数据，或者获取目标对象在该异地的打开数据，以得到该目标对象的异地签到数据。若目标对象没有去过该异地，则电子设备可依据异地(即，目标对象的出行目的地)预测(推荐)的地点的数据，即依据大数据(所有去过出行目的地的其他目标对象的签到数据)预测(推荐)的地点的数据，此处不做任何限定。
步骤502，根据异地签到数据生成异地签到特征向量。
具体地，电子设备在获取到目标对象的异地签到数据之后，可将该异地签到数据转化为兴趣点。而后电子设备可将该兴趣点看做单词，目标对象的签到记录看做由这些单词组成的文档，那么可以将目标对象的签到行为用一种词(bag-of-words)的方式进行表示。
其中，目标对象在异地的签到记录可以用bag-of-words进行形式化，特别地，将出行目的地的全体兴趣点集合记为
一个目标对象u在异地的签到序列
可以表示为一个n维向量(n表示出行目的地的全体兴趣点数目，即
)：用
表示目标对象的异地签到行为表征向量，即上述的异地签到特征向量，该向量中的每个元素表示了每个兴趣点在目标对象u的签到记录中出现的频次(可能为零，零表示相应的兴趣点不在目标对象的签到记录中)。
步骤503，根据主题模型对异地签到特征向量进行处理，以得到异地签到特征向量的主题分布特征。其中，主题模型可为神经网络主题模型(NeuralTopic Model，简称NTM)。
需要说明的是，该实施例中所描述的主题模型也可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用。
步骤504，根据出行意图特征生成模型对主题分布特征进行处理，以得到出行意图特征。
需要说明的是，该实施例中所描述的出行意图特征生成模型也可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用。
具体地，电子设备在得到异地签到特征向量之后，可从自身的存储空间中调出主题模型和出行意图特征生成模型。然后电子设备可先将该异地签到特征向量输入至该主题模型，从而通过该主题模型对该异地签到特征向量输进行处理，以得到该异地签到特征向量的主题分布特征。再然后电子设备可将得到的主题分布特征输入至出行意图特征生成模型，从而通过该出行意图特征生成模型对该主题分布特征进行处理，以得到出行意图特征。由此，进一步地综合考虑了异地出行场景中影响目标对象异地签到结果的多样性复杂因素，使最后的推荐的异地兴趣点更加适合目标对象。
需要说明的是，广义上，人们的异地出行意图可以被认为是一个主题分布：
(K表示主题数量)，目标对象的出行意图可以由该主题分布生成,通过观察目标对象的异地签到序列，利用NTM和变分推断原理，便可以对目标对象的出行意图进行估计，以得到上述的出行意图特征。
在本申请的另一个实施例中，根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征，可包括将本地兴趣点偏好特征和出行意图特征输入至特定出行意图特征生成模型，并通过特定出行意图特征生成模型对本地兴趣点偏好特征和出行意图特征进行处理，以得到特定出行意图特征。其中，特定出行意图特征生成模型可由AN(AttentionNetwork，注意力网络)网络训练生成。
需要说明的是，该实施例中所描述的特定出行意图特征生成模型也可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用。
具体地，电子设备在得到目标对象的出行意图特征之后，可先从自身的存储空间中调出特定出行意图特征生成模型，然后可将该出行意图特征和本地兴趣点偏好特征输入至该特定出行意图特征生成模型，从而通过该特定出行意图特征生成模型对该对本地兴趣点偏好特征和出行意图特征进行处理，以得到特定出行意图特征，即目标对象的特定出行意图特征。由此，得到的目标对象的特定出行意图特征，可以不涉及目标对象对签到地点的评论信息等敏感隐私内容，不会有侵犯目标对象隐私的风险。
需要说明的是，经过上述过程所估计的出行意图(即，出行意图特征)可以认为是依据群体行为推断出的通用意图表征。我们进一步依据目标对象的本地偏好，将其与通用意图表征通过Attention网络进行融合，便可以得到针对特定目标对象的个性化出行意图表征(即，特定出行意图特征)，可记为u(int)。
在本申请的另一个实施例中，如图6所示，根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐，可包括：
步骤601，根据异地兴趣点偏好特征和特定出行意图特征生成混合特征。
需要说明的是，兴趣点的地理信息可以作为分析异地兴趣点之间相互作用的一种维度。另外，通过观测异地到访记录，兴趣点和目标对象之间的交互行为也对丰富异地兴趣点的表征有帮助。
具体地，电子设备在得到目标对象的特定出行意图特征之后，可从目标对象的角度，利用矩阵分解(MatrixFactorization，简称MF)来发掘目标对象与异地兴趣点之间的交互关系。其中，可将目标对象的异地兴趣点偏好特征转化为一个d维的嵌入表征向量，其中，d可表示向量的数目，而后电子设备可通过下述公式(7)对目标对象的异地偏好进行聚合，以得到混合特征。
uo′＝ReLU(Wfconcat(uo,u(int))+bf) (7)
其中，
和
分别是训练参数，concat(·,·)可为拼接操作，uo可为目标对象的异地兴趣点偏好特征，u(int)可为特定出行意图特征，uo′可为混合特征。
步骤602，根据混合特征对目标对象进行异地兴趣点推荐。
为了清楚说明上一实施例，在本申请的一个实施例中，如图7所示，根据混合特征对目标对象进行异地兴趣点推荐，可包括：
步骤701，获取目标对象的出行目的地的多个兴趣点。
在本申请实施例中，电子设备可通过地图APP获取出行目的地的所有的兴趣点。
步骤702，获取每个兴趣点对应的地理约束特征。
具体地，电子设备在得到上述的混合特征之后，可先通过地图APP获取目标对象的出行目的地的多个兴趣点，然后目标对象d维的随机embedding(嵌入)向量分别对多个兴趣点的表征进行初始化，并记为
再然后电子设备可以得到该多个兴趣点的embedding向量集合：
接着，电子设备可定义无向图
边的定义为：
其中，dist(i,j)表示了兴趣点i和j之间的距离。相应的邻接矩阵Ageo可以按照边的权重进行构建。利用图神经网络，把图
的更新步骤定义为：
其中，
和
分别是需要训练的参数。
表示了更新后的兴趣点表征矩阵，该表征矩阵实现了对兴趣点之间的距离关系的编码，即，Vo′可为多个兴趣点的地理约束特征。由此，基于上述的公式(8)可计算出每个兴趣点对应的地理约束特征。
步骤703，根据混合特征和每个兴趣点对应的地理约束特征，分别计算多个兴趣点的优先级。
在本申请实施例中，可根据混合特征和每个兴趣点对应的地理约束特征对每个兴趣点进行打分，并根据分数确定多个兴趣点的优先级，即分数越高的优先级越高。
步骤704，根据多个兴趣点的优先级从多个兴趣点中确定M个目标兴趣点，并将M个目标兴趣点推荐给目标对象，其中，M为正整数。
具体地，电子设备在得到每个兴趣点对应的地理约束特征之后，可基于预设的打分算法，以及根据混合特征和每个兴趣点对应的地理约束特征，分别计算多个兴趣点的分数，其中，预设的打分算法可根据实际情况进行标定。然后电子设备可根据每个兴趣点的分数确定每个兴趣点的优先级。在然后，电子设备还可根据每个兴趣点的优先级对多个兴趣点进行倒序排序，即优先级高的排在前面，并取前M个兴趣点作为目标兴趣点，将该目标兴趣点通过电子设备推荐给目标对象。由此，能够缓解签到数据稀疏性的影响，同时有助于挖掘目标对象具有潜在偏好的兴趣点，从而使异地兴趣点推荐的精确度得到提升。
进一步的，在本申请实施例中，相关人员还可基于本申请实施例的异地兴趣点的推荐方法训练一个异地兴趣点推荐模型，对于训练好的异地兴趣点推荐模型而言，目标对象可仅需输入目的地，异地兴趣点推荐模型则会输出相关的推荐兴趣点。由此，提升了异地兴趣点推荐的便利性和智能性。
图8为本申请实施例提供的一种异地兴趣点的推荐装置的结构示意图。
本申请实施例的异地兴趣点的推荐装置，可配置于电子设备中，以实现获取目标对象的本地兴趣点偏好特征、目标对象的异地兴趣点偏好特征和目标对象的出行意图特征，并根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征，以及根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐，从而能够显著提升对目标对象异地兴趣点推荐的准确度。
如图8所示，该异地兴趣点的推荐装置800，可包括：第一获取模块810、第二获取模块820、第三获取模块830和推荐模块84。
其中，第一获取模块810用于获取目标对象的本地兴趣点偏好特征。应说明的是，该实施例中所描述的本地兴趣点偏好特征可为嵌入向量，即目标对象本地偏好嵌入向量。
在本申请实施例中，上述的本地兴趣点偏好特征可由目标对象的本地签到数据根据第一预设生成算法生成，其中，第一预设生成算法可根据实际情况进行标定。
第二获取模块820用于获取目标对象的异地兴趣点偏好特征。应说明的是，该实施例中所描述的异地兴趣点偏好特征也可为嵌入向量，即目标对象异地偏好嵌入向量。
在本申请实施例中，上述的异地兴趣点偏好特征可以依据目标对象的出行目的地进行获取，例如，根据目标对象的出行目的地获取目标对象的异地签到数据，而后根据第二预设生成算法和目标对象的异地签到数据生成该异地兴趣点偏好特征，其中，第二预设生成算法可根据实际情况进行标定。
需要说明的是，该实施例中所描述的异地签到数据可为异地(即，目标对象的出行目的地)目标对象实际去过的地点的数据，也可以是电子设备通过已安装的地图APP(Application，应用程序)，依据目标对象的出行目的地预测(推荐)的地点的数据，即依据大数据(所有去过出行目的地的其他目标对象的签到数据)预测(推荐)的地点的数据，此处不做任何限定。
第三获取模块830用于获取目标对象的出行意图特征，并根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征。
在本申请实施例中，上述的出行意图特征可由目标对象的异地签到数据根据第三预设生成算法生成，其中，第三预设生成算法可根据实际情况进行标定。
推荐模块840用于根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐。
具体地，第一获取模块810可获取目标对象的本地签到数据，并根据该本地签到数据和第一预设生成算法生成该目标对象的本地兴趣点偏好特征。然后第二获取模块820获取目标对象的出行目的地，并根据目标对象的出行目的地获取目标对象的异地签到数据，以及根据第二预设生成算法和目标对象的异地签到数据生成该目标对象的异地兴趣点偏好特征。再然后第三获取模块830可根据目标对象的异地签到数据和第三预设生成算法生成该目标对象的出行意图特征，并根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征，最后推荐模块840可根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐。
在本申请实施例中，通过第一获取模块获取目标对象的本地兴趣点偏好特征，并通过第二获取模块获取目标对象的异地兴趣点偏好特征，然后通过第三获取模块获取目标对象的出行意图特征，并根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征，最后通过推荐模块根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐。由此，能够显著提升对目标对象异地兴趣点推荐的准确度。
在本申请的一个实施例中，如图8所示，推荐模块840可包括：生成单元841和推荐单元842。
生成单元，用于根据异地兴趣点偏好特征和特定出行意图特征生成混合特征。
推荐单元，用于根据混合特征对目标对象进行异地兴趣点推荐。
在本申请的一个实施例中，推荐单元842具体用于：获取目标对象的出行目的地的多个兴趣点；获取每个兴趣点对应的地理约束特征；根据混合特征和每个兴趣点对应的地理约束特征，分别计算多个兴趣点的优先级；根据多个兴趣点的优先级从多个兴趣点中确定M个目标兴趣点，并将M个目标兴趣点推荐给目标对象，其中，M为正整数。
在本申请的一个实施例中，第一获取模块810具体用于：获取目标对象的本地签到数据；根据本地签到数据生成本地兴趣点偏好特征。
在本申请的一个实施例中，第二获取模块820具体用于：获取目标对象的出行目的地；根据异地兴趣点偏好特征获取模型对出行目的地进行处理，以得到异地兴趣点偏好特征。
在本申请的一个实施例中，第三获取模块830具体用于：获取目标对象的异地签到数据；根据异地签到数据生成异地签到特征向量；根据主题模型对异地签到特征向量进行处理，以得到异地签到特征向量的主题分布特征；根据出行意图特征生成模型对主题分布特征进行处理，以得到出行意图特征。
在本申请的一个实施例中，第三获取模块830具体用于：将本地兴趣点偏好特征和出行意图特征输入至特定出行意图特征生成模型；通过特定出行意图特征生成模型对本地兴趣点偏好特征和出行意图特征进行处理，以得到特定出行意图特征。
需要说明的是，前述对异地兴趣点的推荐方法实施例的解释说明也适用于该实施例的异地兴趣点的推荐装置，此处不再赘述。
本申请实施例的异地兴趣点的推荐装置，通过第一获取模块获取目标对象的本地兴趣点偏好特征，并通过第二获取模块获取目标对象的异地兴趣点偏好特征，然后通过第三获取模块获取目标对象的出行意图特征，并根据本地兴趣点偏好特征和出行意图特征生成特定出行意图特征，最后通过推荐模块根据异地兴趣点偏好特征和特定出行意图特征对目标对象进行异地兴趣点推荐。由此，能够显著提升对目标对象异地兴趣点推荐的准确度。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。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/或者要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如异地兴趣点的推荐方法。例如，在一些实施例中，异地兴趣点的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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的异地兴趣点的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901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行异地兴趣点的推荐方法。
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。
用于实施本公开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。
在本公开的上下文中，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)、互联网和区块链网络。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (17)
1.一种异地兴趣点的推荐方法，包括：
获取目标对象的本地兴趣点偏好特征；
获取所述目标对象的异地兴趣点偏好特征；
获取所述目标对象的出行意图特征，并根据所述本地兴趣点偏好特征和所述出行意图特征生成特定出行意图特征；以及
根据所述异地兴趣点偏好特征和所述特定出行意图特征对所述目标对象进行异地兴趣点推荐。
2.根据权利要求1所述的方法，其中，所述根据所述异地兴趣点偏好特征和所述特定出行意图特征对所述目标对象进行异地兴趣点推荐，包括：
根据所述异地兴趣点偏好特征和所述特定出行意图特征生成混合特征；
根据所述混合特征对所述目标对象进行异地兴趣点推荐。
3.根据权利要求2所述的方法，其中，所述根据所述混合特征对所述目标对象进行异地兴趣点推荐，包括：
获取所述目标对象的出行目的地的多个兴趣点；
获取每个所述兴趣点对应的地理约束特征；
根据所述混合特征和所述每个兴趣点对应的地理约束特征，分别计算所述多个兴趣点的优先级；
根据所述多个兴趣点的优先级从所述多个兴趣点中确定M个目标兴趣点，并将所述M个目标兴趣点推荐给所述目标对象，其中，M为正整数。
4.根据权利要求1所述的方法，其中，所述获取目标对象的本地兴趣点偏好特征，包括：
获取所述目标对象的本地签到数据；
根据所述本地签到数据生成所述本地兴趣点偏好特征。
5.根据权利要求1所述的方法，其中，所述获取所述目标对象的异地兴趣点偏好特征，包括：
获取所述目标对象的出行目的地；
根据异地兴趣点偏好特征获取模型对所述出行目的地进行处理，以得到所述异地兴趣点偏好特征。
6.根据权利要求1所述的方法，其中，所述获取所述目标对象的出行意图特征，包括：
获取所述目标对象的异地签到数据；
根据所述异地签到数据生成异地签到特征向量；
根据主题模型对所述异地签到特征向量进行处理，以得到所述异地签到特征向量的主题分布特征；
根据出行意图特征生成模型对所述主题分布特征进行处理，以得到所述出行意图特征。
7.根据权利要求1所述的方法，其中，所述根据所述本地兴趣点偏好特征和所述出行意图特征生成特定出行意图特征，包括：
将所述本地兴趣点偏好特征和所述出行意图特征输入至特定出行意图特征生成模型；
通过所述特定出行意图特征生成模型对所述本地兴趣点偏好特征和所述出行意图特征进行处理，以得到所述特定出行意图特征。
8.一种异地兴趣点的推荐装置，包括：
第一获取模块，用于获取目标对象的本地兴趣点偏好特征；
第二获取模块，用于获取所述目标对象的异地兴趣点偏好特征；
第三获取模块，用于获取所述目标对象的出行意图特征，并根据所述本地兴趣点偏好特征和所述出行意图特征生成特定出行意图特征；以及
推荐模块，用于根据所述异地兴趣点偏好特征和所述特定出行意图特征对所述目标对象进行异地兴趣点推荐。
9.根据权利要求8所述的装置，其中，所述推荐模块，包括：
生成单元，用于根据所述异地兴趣点偏好特征和所述特定出行意图特征生成混合特征；
推荐单元，用于根据所述混合特征对所述目标对象进行异地兴趣点推荐。
10.根据权利要求9所述的装置，其中，所述推荐单元，具体用于：
获取所述目标对象的出行目的地的多个兴趣点；
获取每个所述兴趣点对应的地理约束特征；
根据所述混合特征和所述每个兴趣点对应的地理约束特征，分别计算所述多个兴趣点的优先级；
根据所述多个兴趣点的优先级从所述多个兴趣点中确定M个目标兴趣点，并将所述M个目标兴趣点推荐给所述目标对象，其中，M为正整数。
11.根据权利要求8所述的装置，其中，所述第一获取模块，具体用于：
获取所述目标对象的本地签到数据；
根据所述本地签到数据生成所述本地兴趣点偏好特征。
12.根据权利要求8所述的装置，其中，所述第二获取模块，具体用于：
获取所述目标对象的出行目的地；
根据异地兴趣点偏好特征获取模型对所述出行目的地进行处理，以得到所述异地兴趣点偏好特征。
13.根据权利要求8所述的装置，其中，所述第三获取模块，具体用于：
获取所述目标对象的异地签到数据；
根据所述异地签到数据生成异地签到特征向量；
根据主题模型对所述异地签到特征向量进行处理，以得到所述异地签到特征向量的主题分布特征；
根据出行意图特征生成模型对所述主题分布特征进行处理，以得到所述出行意图特征。
14.根据权利要求8所述的装置，其中，所述第三获取模块，具体用于：
将所述本地兴趣点偏好特征和所述出行意图特征输入至特定出行意图特征生成模型；
通过所述特定出行意图特征生成模型对所述本地兴趣点偏好特征和所述出行意图特征进行处理，以得到所述特定出行意图特征。
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中任一项所述的异地兴趣点的推荐方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的异地兴趣点的推荐方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的异地兴趣点的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110272482.6A CN113158030B (zh) | 2021-03-12 | 2021-03-12 | 异地兴趣点的推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110272482.6A CN113158030B (zh) | 2021-03-12 | 2021-03-12 | 异地兴趣点的推荐方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113158030A true CN113158030A (zh) | 2021-07-23 |
| CN113158030B CN113158030B (zh) | 2023-08-01 |
Family
ID=76886959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110272482.6A Active CN113158030B (zh) | 2021-03-12 | 2021-03-12 | 异地兴趣点的推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113158030B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114969577A (zh) * | 2022-07-18 | 2022-08-30 | 百度在线网络技术（北京）有限公司 | 兴趣点推荐方法和兴趣点推荐模型的训练方法、装置 |
| CN116484953A (zh) * | 2023-06-21 | 2023-07-25 | 南方科技大学 | 一种出行目的推断方法及终端 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024203A1 (en) * | 2011-07-20 | 2013-01-24 | Nternational Business Machines Corporation | Providing dynamic recommendations for points of interest utilizing automatically obtained collective telemetry to enhance user experience |
| CN110874437A (zh) * | 2019-11-14 | 2020-03-10 | 重庆邮电大学 | 一种基于多重兴趣点对排序的个性化兴趣点推荐方法 |
| CN111538904A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于推荐兴趣点的方法和装置 |
-
2021
- 2021-03-12 CN CN202110272482.6A patent/CN113158030B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024203A1 (en) * | 2011-07-20 | 2013-01-24 | Nternational Business Machines Corporation | Providing dynamic recommendations for points of interest utilizing automatically obtained collective telemetry to enhance user experience |
| CN110874437A (zh) * | 2019-11-14 | 2020-03-10 | 重庆邮电大学 | 一种基于多重兴趣点对排序的个性化兴趣点推荐方法 |
| CN111538904A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于推荐兴趣点的方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| RONG GAO等: "Exploiting geo-social correlations to improve pairwise ranking for point-of-interest recommendation", 《 CHINA COMMUNICATIONS》 * |
| 陶永才;丁鑫;石磊;卫琳;: "基于用户签到行为的群组兴趣点推荐模型", 小型微型计算机系统, no. 10 * |
| 马理博;秦小麟;: "话题-位置-类别感知的兴趣点推荐", 计算机科学, no. 09 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114969577A (zh) * | 2022-07-18 | 2022-08-30 | 百度在线网络技术（北京）有限公司 | 兴趣点推荐方法和兴趣点推荐模型的训练方法、装置 |
| CN116484953A (zh) * | 2023-06-21 | 2023-07-25 | 南方科技大学 | 一种出行目的推断方法及终端 |
| CN116484953B (zh) * | 2023-06-21 | 2023-09-12 | 南方科技大学 | 一种出行目的推断方法及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113158030B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11537719B2 (en) | Deep neural network system for similarity-based graph representations | |
| US10878002B2 (en) | Activity based analytics | |
| US10877947B2 (en) | Deduplication of metadata for places | |
| CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
| CN111931067B (zh) | 兴趣点推荐方法、装置、设备和介质 | |
| CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
| CN110399035A (zh) | 计算系统中与时间相关的虚拟现实环境的交付 | |
| Lu et al. | GLR: A graph-based latent representation model for successive POI recommendation | |
| CN112632351B (zh) | 分类模型的训练方法、分类方法、装置及设备 | |
| CN111708876A (zh) | 生成信息的方法和装置 | |
| CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| CN112905801A (zh) | 基于事件图谱的行程预测方法、系统、设备及存储介质 | |
| CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
| CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
| CN113158030B (zh) | 异地兴趣点的推荐方法、装置、电子设备及存储介质 | |
| CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
| CN113360580A (zh) | 基于知识图谱的异常事件检测方法、装置、设备及介质 | |
| CN116310318B (zh) | 交互式的图像分割方法、装置、计算机设备和存储介质 | |
| WO2016037346A1 (en) | Measuring and diagnosing noise in urban environment | |
| CN112966193B (zh) | 出行意图推断方法、模型训练方法、相关装置及电子设备 | |
| CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
| CN112394982A (zh) | 生成语音识别系统的方法、装置、介质及电子设备 | |
| CN114969577A (zh) | 兴趣点推荐方法和兴趣点推荐模型的训练方法、装置 | |
| US20160042277A1 (en) | Social action and social tie prediction | |
| CN111968030B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 |
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 |