CN113175940B - 数据处理方法、装置、设备和存储介质 - Google Patents
数据处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113175940B CN113175940B CN202110452875.5A CN202110452875A CN113175940B CN 113175940 B CN113175940 B CN 113175940B CN 202110452875 A CN202110452875 A CN 202110452875A CN 113175940 B CN113175940 B CN 113175940B
- Authority
- CN
- China
- Prior art keywords
- poi
- data
- target
- occurrence
- determining
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 29
- 230000009471 action Effects 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 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
- 238000005457 optimization Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000009877 rendering 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
- G01C21/3682—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities output of POI information on a road map
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
- G01C21/3685—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities the POI's being parking facilities
Abstract
本公开公开了一种数据处理方法、装置、设备和存储介质,涉及数据处理技术领域,尤其涉及大数据、智能搜索和导航技术。具体实现方案为:获取包括目标POI的搜索数据和住行数据;根据所述搜索数据和所述住行数据,确定所述目标POI的附件数据;其中,所述附件数据包括所述目标POI的关联推荐POI、引导线数据和人流量数据中的至少一种;输出所述附件数据。本公开通过在搜索目标POI时输出附件数据,从而提高了搜索结果的丰富性,能够较大限度的满足用户的多样化需求,为用户提供便利。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及大数据、智能搜索和导航技术。
背景技术
随着基于位置的服务(Location Based Service,LBS)技术的提升,基于LBS技术的导航技术也得到了发展,基于LBS技术为用户提供导航和兴趣点(Point of Interest,POI)搜索服务的地图类软件也应运而生。
现有技术中用户使用地图类软件进行POI搜索时,仅在所显示地图中进行POI区域或关键点(如出入口等)标注,难以满足用户的多样化需求。
发明内容
本公开提供了一种数据处理方法、装置、设备和存储介质。
根据本公开的一方面,提供了一种数据处理方法,包括:
获取包括目标POI的搜索数据和住行数据;
根据所述搜索数据和所述住行数据,确定所述目标POI的附件数据;其中,所述附件数据包括所述目标POI的关联推荐POI、引导线数据和人流量数据中的至少一种;
输出所述附件数据。
根据本公开的另一方面,还提供了一种数据处理装置,包括:
数据获取模块,用于获取包括目标POI的搜索数据和住行数据;
附件数据确定模块,用于根据所述搜索数据和所述住行数据,确定所述目标POI的附件数据;其中,所述附件数据包括所述目标POI的关联推荐POI、引导线数据和人流量数据中的至少一种;
附件数据输出模块,用于输出所述附件数据。
根据本公开的另一方面,还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本公开实施例所提供的任一项所述的一种数据处理方法。
根据本公开的另一方面,还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,其中,所述计算机指令用于使所述计算机执行本公开实施例所提供的任一项所述的一种数据处理方法。
根据本公开的另一方面,还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开实施例所提供的任一项所述的一种数据处理方法。
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是本公开实施例提供的一种数据处理方法的流程图;
图2A是本公开实施例提供的另一种数据处理方法的流程图;
图2B是本公开实施例提供的一种有向POI对构建过程示意图;
图3是本公开实施例提供的另一种数据处理方法的流程图;
图4是本公开实施例提供的另一种数据处理方法的流程图;
图5是本公开实施例提供的一种数据处理装置的结构图;
图6是用来实现本公开实施例的数据处理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。
本公开实施例所提供的各数据处理方法和数据处理装置,适用于在采用地图软件进行POI搜索过程中,输出搜索结果的应用场景。本公开所提供的数据处理方法,可采用数据处理装置执行,该装置通常采用软件和/或硬件实现,并具体配置于电子设备中。该电子设备可以是服务器或终端设备。其中,终端设备可以是车载终端、智能手机或平板电脑等。
参见图1所示的一种数据处理方法,包括:
S101、获取包括目标POI的搜索数据和住行数据。
目标POI即为待搜索的POI,例如可以是景区、公交站点、商场、医院或学校等。
搜索数据可以理解为至少包括目标POI的名称属性信息。示例性的,为了便于对目标POI进行详细定位,搜索数据还可以包括目标POI的其他属性信息,例如地址、类别或经纬度坐标等。
住行数据用于表征搜索用户的居住习惯和出行习惯。示例性的,住行数据可以包括搜索用户的居住区域、出行习惯、出行起始点和目标点等数据中的至少一种。
示例性的,搜索数据和住行数据可以通过用户输入和/或预置数据读取的方式进行数据获取。
在一个具体实现方式中,搜索数据中的名称属性信息可以由用户在进行POI搜索时人为输入。其他属性信息可以从电子设备本地或与电子设备关联的其他存储设备中进行查找获取。其中,其他存储信息可以由搜索用户使用地图软件过程中进行人为设置或调整,并作为预置数据存储在电子设备本地或与电子设备关联的其他存储设备中。
在一个具体实现方式中,住行数据可以由搜索用户在进行POI搜索时人为输入或从电子设备本地或与电子设备关联的其他存储设备中进行查找获取。其中,住行数据可以由搜索用户使用地图软件过程中进行人为设置或调整,并作为预置数据存储在电子设备本地或与电子设备关联的其他存储设备中。
S102、根据搜索数据和住行数据,确定目标POI的附件数据;其中,附件数据包括目标POI的关联推荐POI、引导线数据和人流量数据中的至少一种。
关联推荐POI用于表征与目标POI具备一定关联关系的其他POI,例如可以包括目标POI的邻近POI、同类型POI、用户关联交互的POI等其他POI中的至少一种。其中,关联交互可以包括关联搜索、关联分享、和关联到访等行为中的至少一种。
引导线数据用于表征目标POI的出入口与区域中的地图元素之间的引导路线。其中,地图元素可以包括其他POI、周边道路和到达位置点等中的至少一种。其中,到达位置点可以包括停车场、地铁站、公交站、共享单车停靠位等位置点中的至少一种。
人流量数据用于表征目标POI自身、目标POI所属区域、和关联推荐POI等至少一个区域内的人流量。其中,人流量数据可以包括历史人流量数据、实时人流量数据和预测人流量数据等中的至少一种。
在一个可选实施例中,根据搜索数据和住行数据,确定目标POI的关联推荐POI,可以是:根据搜索数据和住行数据,从历史POI对中选取候选POI对;将候选POI对中与目标POI对应的关联POI作为关联推荐POI。
在另一可选实施例中,根据搜索数据和住行数据,确定目标POI的关联推荐POI,可以是:确定与该搜索数据和该住行数据相似度大于设定相似度阈值的历史搜索数据和历史住行数据;将所确定的历史搜索数据和历史住行数据所对应的POI作为关联POI;将与目标POI不同的至少一个关联POI,作为关联推荐POI。
在又一可选实施例中,根据搜索数据和住行数据,确定目标POI的关联推荐POI,可以是:采用训练好的排序模型,根据搜索数据和住行数据,从关联POI中选取关联推荐POI。其中,排序模型根据样本搜索数据和样本住行数据对初始排序模型进行训练得到。其中,排序模型可以采用机器学习模型,例如GBrank模型。其中,关联POI可以由技术人员人为设定,或根据POI与目标POI之间的空间距离或用户交互行为等进行确定。
在一个可选实施例中,根据搜索数据和住行数据,确定目标POI的引导线数据,可以是:根据各POI与引导线之间的关联关系,确定与目标POI相对应的候选引导线;选取与住行数据相匹配的候选引导线作为目标POI的引导线数据。
在另一可选实施例中,根据搜索数据和住行数据,确定目标POI的引导线数据,可以是:确定与住行数据相匹配的引导线类型;其中,引导线类型包括公共交通类和私有交通类;根据各POI与引导线之间的关联关系,确定与目标POI相对应的候选引导线;将所确定的引导线类型对应的候选引导线作为目标POI的引导线数据。其中,各POI与引导线之间的关联关系可以由技术人员人为设定,或根据路网数据关联确定。
示例性的,根据路网数据关联确定各POI与引导线之间的关联关系,可以是:根据路网数据确定与当前POI相交的道路作为候选引导线;构建当前POI与候选引导线之间的关联关系。
在一个可选实施例中,根据搜索数据和住行数据,确定目标POI的人流量数据,可以是:根据住行数据,确定人流量数据的人流量输出标识;其中,人流量输出标识为允许输出或禁止输出;若人流量输出标识为允许输出,则根据目标POI的人流量情况,确定人流量数据。
在另一可选实施例中,根据搜索数据和住行数据,确定目标POI的人流量数据,可以是:确定搜索数据中目标POI的人流量数据;按照搜索用户的居住习惯和/或出行习惯,对人流量数据进行类别划分,从而确定不同类别的人流量数据。其中,类别划分方式可以包括本地、异地、公共交通和私有交通等中的至少一种。
S103、输出附件数据。
示例性的,通过语音输出和/或界面展示附件数据。
在一个具体实现方式中,可以通过添加POI标记符的方式,在界面展示的地图中标记关联推荐POI。
在一个具体实现方式中,可以通过添加路线标记的方式,在界面展示的地图中标记引导线数据。
在一个具体实现方式中,可以通过添加文字的方式,在界面展示的地图中显示人流量数据。
示例性的,可以接收搜索用户的输出设置信息,根据输出设置信息,确定附件数据中各数据的输出类别;根据输出类别,对附件数据进行输出控制。其中,输出类别包括允许输出和禁止输出。
具体的,若搜索用户对关联推荐POI的输出设置信息为开启,对引导线数据和人流量数据的输出设置信息为关闭,则确定关联推荐POI的输出类别为允许输出、引导线数据和人流量数据的输出类别为禁止输出;相应的,输出目标POI的关联推荐POI,禁止输出目标POI的引导线数据和人流量数据。
本公开通过获取包括目标POI的搜索数据和住行数据;根据搜索数据和住行数据,确定目标POI的附件数据;其中,附件数据包括目标POI的关联推荐POI、引导线数据和人流量数据中的至少一种;输出附件数据。上述技术方案通过在搜索目标POI时输出附件数据,从而提高了搜索结果的丰富性,能够较大限度的满足用户的多样化需求,为用户提供便利。
在上述各技术方案的基础上,本公开还提供了一个可选实施例。在该实施例中,对关联推荐POI的确定方式进行了优化改进。
参见图2A所示的一种数据处理方法,包括:
S201、获取包括目标POI的搜索数据和住行数据。
S202、根据搜索数据、住行数据和目标POI的关联POI与目标POI之间的共现数据,确定关联推荐POI。
其中,关联POI可以理解为与目标POI具备设定关联关系的其他POI。示例性的,关联POI可以包括目标POI的邻近POI、同类型POI、用户关联交互的POI等其他POI中的至少一种。其中,关联交互可以包括关联搜索、关联分享、关联点击和关联到访等行为中的至少一种。
其中,共现数据用于量化表征关联POI与目标POI之间的关联关系。可以理解的是,通过在确定关联推荐POI的过程中,引入关联POI与目标POI之间的共现数据,能够使所确定的关联推荐POI与目标POI之间的相关性更强,避免了无关POI的推荐给搜索用户带来较差的使用体验。
在一个可选实施例中,将与目标POI距离小于设定阈值的其他POI作为关联POI。相应的,根据关联POI与目标POI之间的距离,生成共现数据。其中,该距离可以是欧式距离或马氏距离等。
在另一可选实施例中,将用户关联交互的其他POI作为关联POI。相应的,根据关联POI与目标POI之间的关联交互频次,生成共现数据。其中,关联交互频次包括关联搜索频次、关联分享频次、关联点击频次和关联到访频次等数据中的至少一种。
然而,仅通过距离或交互频次进行关联POI以及共现数据的确定,确定结果无法很好地表征目标POI与其他POI之间的关联性,进而降低了后续所确定关联推荐POI与目标POI的契合度。为了避免上述情况的发生,在又一可选实施例中,还可以根据地图用户对各候选POI的历史行为数据,生成POI序列;根据POI序列中各候选POI的行为发生时刻,构建主点POI到关联POI的有向POI对;根据POI序列中有向POI对的共现情况,生成共现数据。
其中,地图用户为使用地图软件的历史用户。为了保证后续确定的共现数据的准确度,通常地图用户的数量为多个。候选POI可以理解为地图用户在使用地图软件时产生交互行为的POI,如搜索、分享、点击或到访等。关联POI可以理解为与主点POI的行为发生时刻具备联系的候选POI。
示例性的,针对每个地图用户,将各地图用户产生历史行为数据的各候选POI组合,生成POI序列;将POI序列中各候选POI的行为发生时刻相邻的两个候选POI,分别作为主点POI和关联POI,构建主点POI指向关联POI的有向POI对;统计各POI序列中各有向POI对的共现情况,并根据统计结果,生成共现数据。
可选的,将POI序列中各候选POI的行为发生时刻相邻的两个候选POI,分别作为主点POI和关联POI,构建主点POI指向关联POI的有向POI对,可以是:将行为发生时刻相邻的两个候选POI中的其中一个作为主点POI,另一个作为关联POI,构建主点POI指向关联POI的有向POI对。或者,将行为发生时刻相邻的两个候选POI中的其中一个作为主点POI,另一个作为关联POI,构建主点POI指向关联POI的有向POI对;将所构建的有向POI对中的主点POI和关联POI依次对换,生成另一有向POI对。又或者,在相邻的两个候选POI中,将行为发生时刻靠前的候选POI作为主点POI,将行为发生时刻靠后的候选POI作为关联POI,构建主点POI指向关联POI的有向POI对。再或者,在相邻的两个候选POI中,将行为发生时刻靠后的候选POI作为主点POI,将行为发生时刻靠前的候选POI作为关联POI,构建主点POI指向关联POI的有向POI对。
可以理解的是,上述可选实施例在生成共现数据的过程中,引入候选POI的行为发生时刻,从而将行为发生时刻相关联的候选POI构建有向POI对,使得有向POI对中的主点POI与关联POI之间的关联关系,与行为发生时刻和地图用户的历史交互行为强相关,提高了主点POI和关联POI之间的契合度。通过有向POI对的共享情况进行共现数据的生成,提高了所生成共现数据的有效性和准确度。
在一个可选实施例中,为了便于处理,在生成POI序列时,会将POI序列中各候选POI按照行为发生时刻顺序排列;相应的,在构建有向POI对时,根据POI序列中相邻POI的行为发生时刻,构建主点POI到关联POI的有向POI对。
可以理解的是,在构建有向POI对时,通过将行为发生时刻的查找操作,转化为序列中相邻位置的候选POI获取操作,使操作过程更加便捷,进而提高了有向POI对的构建效率,进而缩短了共现数据的生成时间,提高了共现数据的生成效率。
参见图2B所示的一种有向POI对构建过程示意图,其中,将地图用户A搜索或点击的各候选POI,按照行为发生时刻依次排列,得到POI序列为[p1,p2,p3,p4],所构建的有向POI对包括p1→p2,p2→p3,以及p3→p4。将地图用户B搜索或点击的各候选POI,按照行为发生时刻依次排列,得到POI序列为[p1,p2,p4],所构建的有向POI对包括p1→p2以及p2→p4。
示例性的,上述共现数据可以包括共现次数数据和/或共现比例数据。通过不同类型的共现数据的确定,提高了共现数据的丰富性和多样性,为所确定的关联推荐POI准确度的提高奠定了基础。
在一个可选实施例中,若共现数据包括共现次数数据,则根据POI序列中有向POI对的共现情况,生成共现数据,可以是:统计各有向POI对在POI序列中的共现次数;根据各有向POI对的共现次数,生成主点POI的各关联POI对应的共现次数数据。
继续参见图2B,其中,地图用户A和地图用户B中p1→p2的共现次数即为2。
具体的,将主点POI对应的各有向POI进行共现次数统计,分别将共现次数作为矩阵元素构建共现次数矩阵,将所构建的共现次数矩阵,作为共现次数数据。
可以理解的是,通过统计共现次数的方式进行共现次数数据的生成,从而将主点POI与对应关联POI的共现次数数据作为共现数据,能够反映主点POI与关联POI之间的关联关系的强弱,从而为后续进行关联推荐POI确定结果准确度的提升,提供了数据支撑。
在又一可选实施例中,若共现数据包括共现比例数据,则根据POI序列中有向POI对的共现情况,生成共现数据,可以是:统计各有向POI对在POI序列中的共现次数;将有向POI对的共现次数与主点POI的历史行为累计次数的比值,作为共现比例;根据各有向POI对的共现比例,生成主点POI的各关联POI对应的共现比例数据。
需要说明的是,部分有向POI对存在由于人流量比较大,导致POI对共现次数较多的情况,例如主点POI为火车站时,所确定的各关联POI的共现次数普遍较高。因此,通过引入主点POI的历史行为累计次数确定关联POI的共现比例,从而能够凸显主点POI的各关联POI的重要程度,从而为后续进行关联推荐POI的确定结果准确度的提升,提供了另一维度的数据支撑。
由于关联POI的数据量通常较大,从而导致共现数据的数据量同样较大,因此,关联推荐POI的确定过程将会投入大量的计算资源和时间成本。为了减少关联推荐POI的确定过程的计算量和时间长度,在一个可选实施例中,还可以预先设定共现数据的阈值,并提出共现数据小于所设定阈值的关联POI,从而一定程度上减少了共现数据的数据量,进而提高了计算效率。其中,共现数据的阈值可以由技术人员根据需要或经验值进行设定,或通过大量试验进行确定或调整。示例性的,共现数据的阈值还可以根据共现数据类型分别设置共现次数阈值和共现比例阈值。
为了减少数据运算量,还可以将预先确定的共享数据,存储在电子设备本地、或与电子设备关联的其他存储设备中,并在需要时进行共享数据的查找获取。
上述内容对共享数据的生成过程进行了详细解释,以下将对关键推荐POI的确定过程进行示例性说明。
在一个可选实施例中,根据搜索数据、住行数据和目标POI的关联POI与目标POI之间的共现数据,确定关联推荐POI,可以是:选取共现数据满足设定共现条件的关联POI作为候选推荐POI;确定搜索用户的搜索数据和住行数据,与候选推荐POI对应的历史搜索数据和历史住行数据的相似度;选取相似度满足设定相似度条件的候选推荐POI作为关联推荐POI。其中,满足设定共现条件可以是共现次数数据大于设定次数阈值,和/或共现比例数据大于设定比例阈值。设定次数阈值和/或设定比例阈值可以由技术人员根据需要或经验值进行设定,或通过大量试验确定或调整。其中,满足设定相似度条件,可以是相似度大于设定相似度阈值。设定相似度阈值可以由技术人员根据需要或经验值进行设定,或通过大量试验确定或调整。
采用上述可选实施例的方式进行关联推荐POI时,每次均需要大量历史搜索数据和历史住行数据的使用,将会耗费大量的计算资源和时间成本。为了提高关联推荐POI的确定效率,减少确定数据运算量,在另一可选实施例中,根据搜索数据、住行数据和目标POI的关联POI与目标POI之间的共现数据,确定关联推荐POI,可以是:采用训练好的排序模型,根据搜索数据、住行数据和目标POI的关联POI与目标POI之间的共现数据,从各关联POI中选取关联推荐POI;其中,排序模型根据样本搜索数据、样本住行数据和样本POI的关联POI与样本POI之间的样本共现数据,对初始排序模型训练得到。
示例性的,初始排序模型可以采用机器学习模型,例如GBrank模型。
为了便于描述,将样本搜索数据、样本住行数据和样本共现数据统称为样本数据。为了提高所训练的排序模型的准确度和泛化能力,在一个可选实施例中,样本数据包括正样本数据和负样本数据。
示例性的,正样本数据可以采用以下方式得到:将地图用户的历史搜索数据作为样本搜索数据,以及将该地图用户的历史住行数据作为样本住行数据;采用前述技术方案确定主点POI和关联POI的共现数据。
相应的,负样本数据可以采用以下方式得到:在上述正样本数据的基础上,从主点POI所属区域内选取随机点POI;根据随机点POI与主点POI之间的共现情况,确定主点POI和随机点POI的共现数据。
具体的,将搜索数据、住行数据和目标POI的关联POI与目标POI之间的共现数据,输入至训练好的排序模型中,得到各关联POI的排序结果;选取排序结果满足设定排序条件的关联POI作为关联推荐POI。其中,设定排序条件包括关联POI的类型与目标POI类型相同、排序名次小于设定名次、与目标POI的距离小于设定距离等中的至少一种。其中,POI类型可以由技术人员根据需要或经验值进行设定,或按照既定标准标注确定。
S203、输出包括关联推荐POI的附件数据。
本公开根据搜索数据、住行数据和目标POI的关联POI与目标POI之间的共现数据,确定关联推荐POI,完善了关联推荐POI的确定机制。同时,在关联推荐POI确定过程中,引入表征POI之间关联程度和/或重要程度的共现数据,使得所确定关联推荐POI与目标POI的契合度更高,从而提高了关联推荐POI的确定结果准确度,能够满足用户的使用需求。
在上述各技术方案的基础上,本公开还提供了一个可选实施例。在该实施例中,对引导线数据的确定方式,进行了优化改进。
参见图3所示的一种数据处理方法,包括:
S301、获取包括目标POI的搜索数据和住行数据。
S302、根据住行数据,确定引导线类型;其中,引导线类型包括公共交通类和私有交通类。
示例性的,可以根据住行数据,确定搜索用户的出行需求,并将于出行需求相匹配的引导线类型,作为此次搜索结果所反馈引导线数据的引导线类型。
在一个可选实施例中,根据住行数据,确定引导线类型,可以是:根据住行数据中的出行方式和/或车辆拥有属性,确定引导线类型。
具体的,若出行方式为驾驶车辆,则引导线类型为私有交通类;若出行方式为:公交车、地铁、或共享车辆,则引导线类型为公共交通类。
具体的,若车辆拥有属性为有车,则引导线类型为私有交通类;若车辆拥有属性为无车,则引导线类型为公共交通类。
可以理解的是,通过出行方式和/或车辆拥有属性,进行引导线类型确定,丰富了引导线类型的确定方式,进而为引导线数据确定结果与搜索用户的匹配度的提高,提供了保证。
需要说明的是,当通过出行方式和车辆拥有属性所确定引导线类型不一致时,可以选择其中一种确定结果以供后续使用,或者将两种确定结果均作为引导线类型,以供后续使用。
S303、从目标POI的候选引导线中,选取与引导线类型对应的候选引导线生成引导线数据。
可以理解的是,将引导线数据划分为不同类型的数据,从而根据住行数据对应的引导线类型,进行引导线数据的选取并后续输出,能够满足不同搜索用户的住行需求。
在一个可选实施例中,私有交通类对应的引导线数据可以采用以下方式进行确定:确定目标POI的出入口所属区域的各第一初始道路;根据目标POI的出入口与第一初始道路之间的距离,从各第一初始道路中选取第一目标道路;根据第一目标道路,生成私有交通类对应的目标POI的候选引导线。其中,出入口与第一初始道路之间的距离可以是欧式距离或马氏距离等。
可以理解的是,当搜索用户驾驶车辆前往目标POI时,必然会在目标POI的出入口所属区域的道路上行驶。为了便于搜索用户掌握便利前往的道路,可以在搜索结果中将该道路作为引导线数据添加至附件数据中加以展示。
示例性的,根据路网数据,确定以目标POI的出入口为中心设定半径区域内所包含的道路作为第一初始道路;确定目标POI的出入口与各第一初始道路之间的距离;选取所确定距离小于设定距离阈值的第一初始道路作为第一目标道路;将第一目标道路与目标POI的出入口进行绑定,并将该第一目标道路作为目标POI的私有交通类的引导线数据。其中,设定距离阈值可以由技术人员根据需要或经验值进行设定,或通过大量试验确定或调整。
可以理解的是,通过引入目标POI的出入口所属区域的第一初始道路,进行第一目标道路的确定,作为候选引导线生成过程的参考数据,使得所生成的候选引导线,能够作为乘车用户前往目标POI时的道路参照,为搜索用户乘车或驾车场景下的使用需求提供了保障。
在一个可选实施例中,由于用户从POI的出入口距离第一初始道路通常存在一定距离,而采用不同类型距离所选取的第一目标道路,其数据运算量和确定结果存在一定差距。例如,通过空间距离所选取的第一目标道路与通过步导距离所选取的第一目标道路可能不同。其中,步导距离为步行导航路线长度。而步导距离确定时采用的数据运算量明显高于空间距离确定过程,步导距离的计算效率也明显低于空间距离的计算效率。
为了兼顾第一目标道路确定过程的计算效率和数据运算量,在一个可选实施例中,根据目标POI的出入口与第一初始道路之间的距离,从各第一初始道路中选取第一目标道路,可以是:根据目标POI的出入口与第一初始道路之间的空间距离,从各第一初始道路中选取至少一条第一参考道路;根据目标POI的出入口与第一参考道路之间的步导距离,从各第一参考道路中选取第一目标道路。
具体的,确定目标POI的出入口与各第一初始道路之间的空间距离;将空间距离小于设定空间距离阈值的至少一条第一初始道路作为第一参考道路;确定目标POI的出入口与各第一参考道路之间步导距离;将步导距离小于设定步导距离阈值的至少一条第一参考道路,作为第一目标道路。其中,设定空间距离阈值和设定步导距离阈值的数值大小可以由技术人员根据需要或经验值进行设定,或通过大量试验确定或调整。
可以理解的是,通过空间距离对第一初始道路进行初筛,得到少量的第一参考道路,从而只针对少量第一参考道路进行步导距离的确定,兼顾了第一目标道路的确定效率和数据运算量。同时,通过步导距离进行第一目标道路的确定,使得所确定的目标道路,便于用户步行前往目标POI的出入口。
在另一可选实施例中,目标POI的候选引导线,还可以采用以下方式确定:确定到达位置点与各目标POI的出入口之间的第二初始道路;根据到达位置点与目标POI的出入口之间的步导距离,从各第二初始道路中选取第二目标道路;根据第二目标道路,生成目标POI的候选引导线。其中,到达位置点包括公共交通类对应的第一到达位置点,和/或私有交通类对应的第二到达位置点。
示例性的,根据路网数据,确定目标POI的各出入口以及到达位置点;构建出入口与到达位置点之间的第二初始道路;确定到达位置点与目标POI的各出入口之间的步导距离;选取步导距离满足设定步导距离阈值的第二初始道路作为第二目标道路;将第二目标道路对应的到达位置点与出入口进行绑定,并将绑定后的第二目标道路作为目标POI的候选引导线。其中,设定步导距离阈值可以由技术人员根据需要或经验值进行设定,或通过大量试验确定或调整。
需要说明的是,当到达位置点为公共交通类对应的第一到达位置点时,所确定的候选引导线能够为采用公共交通方式前往目标POI的用户提供便利;当到达位置点为私有交通类对应的第二到达位置点时,所确定的候选引导线能够为采用私有交通方式前往目标POI的用户提供便利。可以理解的是,通过采用不同类型的候选引导线,将不同类型的到达位置点与目标POI的出入口绑定,为采用不同交通方式出行的用户提供了便利。
示例性的,第一到达位置点可以包括公交站、地铁站和共享车辆停靠站等中的至少一种。第二到达位置点可以包括停车场等。
需要说明的是,采用上述各方式所确定的候选引导线,可以预先存储在电子设备本地或与电子设备关联的其他存储设备中,以便在需要时进行查找获取,避免了数据的重复计算。
示例性的,若引导线类型为公共交通类,则从目标POI的候选引导线中,选取公共交通类对应的第二目标道路作为引导线数据;若引导线类型为私有交通类,则从目标POI的候选引导线中,选取私有交通类对应的第二目标道路和第一目标道路,作为引导线数据。
S304、输出包括引导线数据的附件数据。
示例性的,将各引导线数据在显示地图中标记显示。其中,标记显示可以是:在显示地图中对引导线数据采用设定颜色进行渲染。其中,设定颜色可以由技术人员或搜索用户根据需要或经验值进行设定或调整。
本公开通过根据住行数据,确定引导线类型,并从目标POI的候选引导线中,选取与引导线类型相对应的候选引导线生成引导线数据。上述技术方案完善了引导线数据确定机制,从而能够满足不同出行方式的搜索用户的使用需求。
在上述各技术方案的基础上,本公开还提供了一个可选实施例。在该实施例中,对人流量数据的确定方式,进行了优化改进。
参见图4所示的一种数据处理方法,包括:
S401、获取包括目标POI的搜索数据和住行数据。
S402、根据住行数据,确定人流量输出标识;其中,人流量输出标识为允许输出或禁止输出。
由于并不是所有搜索用户都具备人流量数据获取需求。例如,本地搜索用户在搜索目标POI之后,前往目标POI的概率较大;而异地搜索用户在搜索目标POI之后,前往目标POI的概率较小。又如,搜索数据中的起始点属于目标POI所属行政区划时,搜索用户前往目标POI的概率较大;而搜索数据中的起始点不属于目标POI所属行政区划时,搜索用户前往目标POI的概率较小。因此,可以通过搜索用户前往目标POI的概率大小,控制人流量数据的输出情况,避免了所输出附件数据过多给搜索用户带来干扰。
在一个可选实施例中,可以根据住行数据中的居住地数据和/或出行起始点数据,确定人流量输出标识。其中,人流量输出标识为允许输出或禁止数据。
具体的,若搜索用户的居住地数据为本地用户,则确定人流量输出标识为允许输出;若搜索用户的居住地数据为异地用户,则确定人流量输出标识为禁止输出。若搜索用户的出行起始点数据属于目标POI所属行政区划,则确定人流量输出标识为允许输出;若搜索用户的出行起始点数据不属于目标POI所属行政区划,则确定人流量输出标识为禁止输出。
需要说明的是,当居住地数据和出行起始点数据所确定的人流量输出标识不同时,则选择默认人流量输出标识,或随机确定一个人流量输出标识。其中,默认人流量输出标识可以是允许输出,还可以由技术人员或搜索用户根据需要或经验值自行确定或调整,或通过统计搜索用户的历史使用情况,选取使用较高的人流量输出标识作为默认人流量输出标识。
可以理解的是,通过住行数据中的居住地数据和/或出行起始点数据进行人流量输出标识的确定,丰富了人流量输出标识的确定方式。同时,采用人流量输出标识对人流量输出的输出情况进行控制,从而避免了过量数据输出给搜索用户带来的不适。
S403、若人流量输出标识为允许输出,则根据目标POI的人流量情况,确定人流量数据。
示例性的,在人流量输出标识为允许输出时,获取目标POI的人流量情况,并根据人流量情况,确定人流量数据;在人流量输出标识为禁止输出时,禁止进行人流量情况的获取,从而无需进行人流量数据的确定。
可选的,根据目标POI的人流量情况,确定人流量数据,可以是:确定目标POI在相同时段的历史人流量数据,并生成包括历史人流量数据的人流量数据。
或者可选的,根据目标POI的人流量情况,确定人流量数据,可以是:根据目标POI的历史人流量数据,对目标POI的当前人流量数据进行预测,得到预测人流量数据,并生成包括预测人流量数据的人流量数据。
或者可选的,根据目标POI的人流量情况,确定人流量数据,可以是:获取目标POI的实时人流量数据,并生成包括实时人流量数据的人流量数据。
S404、输出包括人流量数据的附件数据。
语音输出或在显示地图中显示人流量数据。当人流量数据包括历史人流量数据、预测人流量数据和实时人流量数据中的至少一种时,区分展示不同类型的人流量数据。其中,区分展示可以通过设置对应字段和/或设置文字属性的方式加以实现。文字属性可以包括字体大小、字体种类、字体颜色、和背景颜色等中的至少一种。
本公开通过根据住行数据,确定人流量输出标识;若人流量输出标识为允许输出,则根据目标POI的人流量情况,确定人流量数据。上述技术方案通过引入人流量输出标识对人流量数据进行控制输出,避免了附件数据中所包含数据过多给搜索用户带来干扰。
在上述各技术方案的基础上,本公开还提供了一个实现前述数据处理方法的虚拟装置的可选实施例。参见图5所示的一种数据处理装置500,包括:数据获取模块501、附件数据确定模块502和附件数据输出模块503。其中,
数据获取模块501,用于获取包括目标兴趣点POI的搜索数据和住行数据;
附件数据确定模块502,用于根据所述搜索数据和所述住行数据,确定所述目标POI的附件数据;其中,所述附件数据包括所述目标POI的关联推荐POI、引导线数据和人流量数据中的至少一种;
附件数据输出模块503,用于输出所述附件数据。
本公开通过数据获取模块获取包括目标POI的搜索数据和住行数据;通过附件数据确定模块根据搜索数据和住行数据,确定目标POI的附件数据;其中,附件数据包括目标POI的关联推荐POI、引导线数据和人流量数据中的至少一种;通过附件数据输出模块输出附件数据。上述技术方案通过在搜索目标POI时输出附件数据,从而提高了搜索结果的丰富性,能够较大限度的满足用户的多样化需求,为用户提供便利。
在一个可选实施例中,若所述附件数据包括所述关联推荐POI,则所述附件数据确定模块502,包括:
关联推荐POI确定单元,用于根据所述搜索数据、所述住行数据和所述目标POI的关联POI与所述目标POI之间的共现数据,确定所述关联推荐POI。
在一个可选实施例中,所述装置还包括共现数据确定模块,用于确定所述共现数据;
其中,所述共现数据确定模块,包括:
POI序列生成单元,用于根据地图用户对各候选POI的历史行为数据,生成POI序列;
有向POI对构建单元,用于根据所述POI序列中各候选POI的行为发生时刻,构建主点POI到关联POI的有向POI对;
共现数据生成单元,用于根据所述POI序列中所述有向POI对的共现情况,生成所述共现数据。
在一个可选实施例中,所述POI序列中各所述候选POI按照行为发生时刻顺序排列;
所述有向POI对构建单元,包括:
有向POI对构建子单元,用于根据所述POI序列中相邻POI的行为发生时刻,构建主点POI到关联POI的有向POI对。
在一个可选实施例中,所述共现数据包括共现次数数据和/或共现比例数据。
在一个可选实施例中,若所述共现数据包括所述共现次数数据,则所述共现数据生成单元,包括:
共现次数统计子单元,用于统计各所述有向POI对在所述POI序列中的共现次数;
共现次数数据生成子单元,用于根据各所述有向POI对的共现次数,生成所述主点POI的各关联POI对应的共现次数数据。
在一个可选实施例中若所述共现数据包括所述共现比例数据,则所述共现数据生成单元,包括:
共现次数统计子单元,用于统计各所述有向POI对在所述POI序列中的共现次数;
共现比例确定子单元,用于将所述有向POI对的共现次数与所述主点POI的历史行为累计次数的比值,作为共现比例;
共现比例数据生成子单元,用于根据各所述有向POI对的共现比例,生成所述主点POI的各关联POI对应的共现比例数据。
在一个可选实施例中,所述关联推荐POI确定单元,包括:
关联推荐POI确定子单元,用于采用训练好的排序模型,根据所述搜索数据、所述住行数据和所述目标POI的关联POI与所述目标POI之间的共现数据,从各所述关联POI中选取所述关联推荐POI;
其中,所述排序模型根据样本搜索数据、样本住行数据和样本POI的关联POI与所述样本POI之间的样本共现数据,对初始排序模型训练得到。
在一个可选实施例中,若所述附件数据包括所述引导线数据,则所述附件数据确定模块502,包括:
引导线类型确定单元,用于根据所述住行数据,确定引导线类型;其中,所述引导线类型包括公共交通类和私有交通类;
引导线数据选取单元,用于从所述目标POI的候选引导线中,选取与所述引导线类型对应的候选引导线生成引导线数据。
在一个可选实施例中,所述引导线类型确定单元,包括:
引导线类型确定子单元,用于根据所述住行数据中的出行方式和/或车辆拥有属性,确定所述引导线类型。
在一个可选实施例中,所述装置还包括第一候选引导线确定模块,用于确定所述私有交通类对应的所述目标POI的候选引导线;
其中,所述第一候选引导线确定模块,包括:
第一初始道路确定单元,用于确定所述目标POI的出入口所属区域的各第一初始道路;
第一目标道路选取单元,用于根据所述目标POI的出入口与所述第一初始道路之间的距离,从各所述第一初始道路中选取第一目标道路;
第一候选引导线确定单元,用于根据所述第一目标道路,生成私有交通类对应的所述目标POI的候选引导线。
在一个可选实施例中,所述第一目标道路选取单元,包括:
第一参考道路选取子单元,用于根据所述目标POI的出入口与所述第一初始道路之间的空间距离,从各所述第一初始道路中选取至少一条第一参考道路;
根据所述目标POI的出入口与所述第一参考道路之间的步导距离,从各所述第一参考道路中选取所述第一目标道路。
在一个可选实施例中,所述装置还包括第二候选引导线确定模块,用于确定所述目标POI的候选引导线;
其中,所述第二候选引导线确定模块,包括:
第二初始道路确定单元,用于确定到达位置点与各所述目标POI的出入口之间的第二初始道路;其中,所述到达位置点包括公共交通类对应的第一到达位置点和/或,私有交通类对应的第二到达位置点;
第二目标道路选取单元,用于根据所述到达位置点与所述目标POI的出入口之间的步导距离,从各所述第二初始道路中选取第二目标道路;
第二候选引导线生成单元,用于根据所述第二目标道路,生成所述目标POI的候选引导线。
在一个可选实施例中,若所述附件数据包括所述人流量数据,则所述附件数据确定模块502,包括:
人流量输出标识确定单元,用于根据所述住行数据,确定人流量输出标识;其中,所述人流量输出标识为允许输出或禁止输出;
人流量数据确定单元,用于若所述人流量输出标识为允许输出,则根据所述目标POI的人流量情况,确定人流量数据。
在一个可选实施例中,所述人流量输出标识确定单元,包括:
人流量输出标识确定子单元,用于根据所述住行数据中的居住地数据和/或出行起始点数据,确定所述人流量输出标识。
上述数据处理装置可执行本公开任意实施例所提供的数据处理方法,具备执行数据处理方法相应的功能模块和有益效果。
需要说明的是,本公开的技术方案中,所涉及的搜索数据、住行数据、历史行为数据等的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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6示出了可以用来实施本公开的实施例的示例电子设备600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、车载终端、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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如数据处理方法。例如,在一些实施例中,数据处理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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
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)、区块链网络和互联网。
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。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。
人工智能是研究使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;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
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 (33)
1.一种数据处理方法,其特征在于,包括:
获取包括目标POI的搜索数据和住行数据;其中,所述住行数据用于表征搜索用户的居住习惯和出行习惯;
根据所述搜索数据和所述住行数据,确定所述目标POI的附件数据;其中,所述附件数据包括所述目标POI的关联推荐POI、引导线数据和人流量数据中的至少一种;所述关联推荐POI包括目标POI的邻近POI、同类型POI以及用户关联交互的POI中的至少一种;所述引导线数据用于表征目标POI的出入口与区域中的地图元素之间的引导路线;所述人流量数据用于表征目标POI自身、目标POI所属区域和关联推荐POI中至少一个区域内的人流量;
输出所述附件数据。
2.根据权利要求1所述的方法,其特征在于,若所述附件数据包括所述关联推荐POI,则所述根据所述搜索数据和所述住行数据,确定所述目标POI的附件数据,包括:
根据所述搜索数据、所述住行数据和所述目标POI的关联POI与所述目标POI之间的共现数据,确定所述关联推荐POI。
3.根据权利要求2所述的方法,其特征在于,所述共现数据采用以下方式确定:
根据地图用户对各候选POI的历史行为数据,生成POI序列;
根据所述POI序列中各候选POI的行为发生时刻,构建主点POI到关联POI的有向POI对;
根据所述POI序列中所述有向POI对的共现情况,生成所述共现数据。
4.根据权利要求3所述的方法,其特征在于,所述POI序列中各所述候选POI按照行为发生时刻顺序排列;
所述根据所述POI序列中各候选POI的行为发生时刻,构建主点POI到关联POI的有向POI对,包括:
根据所述POI序列中相邻POI的行为发生时刻,构建主点POI到关联POI的有向POI对。
5.根据权利要求3所述的方法,其特征在于,所述共现数据包括共现次数数据和/或共现比例数据。
6.根据权利要求5所述的方法,其特征在于,若所述共现数据包括所述共现次数数据,则所述根据所述POI序列中所述有向POI对的共现情况,生成所述共现数据,包括:
统计各所述有向POI对在所述POI序列中的共现次数;
根据各所述有向POI对的共现次数,生成所述主点POI的各关联POI对应的共现次数数据。
7.根据权利要求5所述的方法,其特征在于,若所述共现数据包括所述共现比例数据,则所述根据所述POI序列中所述有向POI对的共现情况,生成所述共现数据,包括:
统计各所述有向POI对在所述POI序列中的共现次数;
将所述有向POI对的共现次数与所述主点POI的历史行为累计次数的比值,作为共现比例;
根据各所述有向POI对的共现比例,生成所述主点POI的各关联POI对应的共现比例数据。
8.根据权利要求2-7任一项所述的方法,其特征在于,所述根据所述搜索数据、所述住行数据和所述目标POI的关联POI与所述目标POI之间的共现数据,确定所述关联推荐POI,包括:
采用训练好的排序模型,根据所述搜索数据、所述住行数据和所述目标POI的关联POI与所述目标POI之间的共现数据,从各所述关联POI中选取所述关联推荐POI;
其中,所述排序模型根据样本搜索数据、样本住行数据和样本POI的关联POI与所述样本POI之间的样本共现数据,对初始排序模型训练得到。
9.根据权利要求1所述的方法,其特征在于,若所述附件数据包括所述引导线数据,则所述根据所述搜索数据和所述住行数据,确定所述目标POI的附件数据,包括:
根据所述住行数据,确定引导线类型;其中,所述引导线类型包括公共交通类和私有交通类;
从所述目标POI的候选引导线中,选取与所述引导线类型对应的候选引导线生成引导线数据。
10.根据权利要求9所述的方法,其特征在于,所述根据所述住行数据,确定引导线类型,包括:
根据所述住行数据中的出行方式和/或车辆拥有属性,确定所述引导线类型。
11.根据权利要求9所述的方法,其特征在于,所述私有交通类对应的所述目标POI的候选引导线,采用以下方式确定:
确定所述目标POI的出入口所属区域的各第一初始道路;
根据所述目标POI的出入口与所述第一初始道路之间的距离,从各所述第一初始道路中选取第一目标道路;
根据所述第一目标道路,生成私有交通类对应的所述目标POI的候选引导线。
12.根据权利要求11所述的方法,其特征在于,所述根据所述目标POI的出入口与所述第一初始道路之间的距离,从各所述第一初始道路中选取第一目标道路,包括:
根据所述目标POI的出入口与所述第一初始道路之间的空间距离,从各所述第一初始道路中选取至少一条第一参考道路;
根据所述目标POI的出入口与所述第一参考道路之间的步导距离,从各所述第一参考道路中选取所述第一目标道路。
13.根据权利要求9-12任一项所述的方法,其特征在于,所述目标POI的候选引导线,采用以下方式确定:
确定到达位置点与各所述目标POI的出入口之间的第二初始道路;其中,所述到达位置点包括公共交通类对应的第一到达位置点和/或,私有交通类对应的第二到达位置点;
根据所述到达位置点与所述目标POI的出入口之间的步导距离,从各所述第二初始道路中选取第二目标道路;
根据所述第二目标道路,生成所述目标POI的候选引导线。
14.根据权利要求1所述的方法,其特征在于,若所述附件数据包括所述人流量数据,则所述根据所述搜索数据和所述住行数据,确定所述目标POI的附件数据,包括:
根据所述住行数据,确定人流量输出标识;其中,所述人流量输出标识为允许输出或禁止输出;
若所述人流量输出标识为允许输出,则根据所述目标POI的人流量情况,确定人流量数据。
15.根据权利要求14所述的方法,其特征在于,所述根据所述住行数据,确定人流量输出标识,包括:
根据所述住行数据中的居住地数据和/或出行起始点数据,确定所述人流量输出标识。
16.一种数据处理装置,其特征在于,包括:
数据获取模块,用于获取包括目标POI的搜索数据和住行数据;所述住行数据用于表征搜索用户的居住习惯和出行习惯;
附件数据确定模块,用于根据所述搜索数据和所述住行数据,确定所述目标POI的附件数据;其中,所述附件数据包括所述目标POI的关联推荐POI、引导线数据和人流量数据中的至少一种;所述关联推荐POI包括目标POI的邻近POI、同类型POI以及用户关联交互的POI中的至少一种;所述引导线数据用于表征目标POI的出入口与区域中的地图元素之间的引导路线;所述人流量数据用于表征目标POI自身、目标POI所属区域和关联推荐POI中至少一个区域内的人流量;
附件数据输出模块,用于输出所述附件数据。
17.根据权利要求16所述的装置,其特征在于,若所述附件数据包括所述关联推荐POI,则所述附件数据确定模块,包括:
关联推荐POI确定单元,用于根据所述搜索数据、所述住行数据和所述目标POI的关联POI与所述目标POI之间的共现数据,确定所述关联推荐POI。
18.根据权利要求17所述的装置,其特征在于,所述装置还包括共现数据确定模块,用于确定所述共现数据;
其中,所述共现数据确定模块,包括:
POI序列生成单元,用于根据地图用户对各候选POI的历史行为数据,生成POI序列;
有向POI对构建单元,用于根据所述POI序列中各候选POI的行为发生时刻,构建主点POI到关联POI的有向POI对;
共现数据生成单元,用于根据所述POI序列中所述有向POI对的共现情况,生成所述共现数据。
19.根据权利要求18所述的装置,其特征在于,所述POI序列中各所述候选POI按照行为发生时刻顺序排列;
所述有向POI对构建单元,包括:
有向POI对构建子单元,用于根据所述POI序列中相邻POI的行为发生时刻,构建主点POI到关联POI的有向POI对。
20.根据权利要求18所述的装置,其特征在于,所述共现数据包括共现次数数据和/或共现比例数据。
21.根据权利要求20所述的装置,其特征在于,若所述共现数据包括所述共现次数数据,则所述共现数据生成单元,包括:
共现次数统计子单元,用于统计各所述有向POI对在所述POI序列中的共现次数;
共现次数数据生成子单元,用于根据各所述有向POI对的共现次数,生成所述主点POI的各关联POI对应的共现次数数据。
22.根据权利要求20所述的装置,其特征在于,若所述共现数据包括所述共现比例数据,则所述共现数据生成单元,包括:
共现次数统计子单元,用于统计各所述有向POI对在所述POI序列中的共现次数;
共现比例确定子单元,用于将所述有向POI对的共现次数与所述主点POI的历史行为累计次数的比值,作为共现比例;
共现比例数据生成子单元,用于根据各所述有向POI对的共现比例,生成所述主点POI的各关联POI对应的共现比例数据。
23.根据权利要求17-22任一项所述的装置,其特征在于,所述关联推荐POI确定单元,包括:
关联推荐POI确定子单元,用于采用训练好的排序模型,根据所述搜索数据、所述住行数据和所述目标POI的关联POI与所述目标POI之间的共现数据,从各所述关联POI中选取所述关联推荐POI;
其中,所述排序模型根据样本搜索数据、样本住行数据和样本POI的关联POI与所述样本POI之间的样本共现数据,对初始排序模型训练得到。
24.根据权利要求16所述的装置,其特征在于,若所述附件数据包括所述引导线数据,则所述附件数据确定模块,包括:
引导线类型确定单元,用于根据所述住行数据,确定引导线类型;其中,所述引导线类型包括公共交通类和私有交通类;
引导线数据选取单元,用于从所述目标POI的候选引导线中,选取与所述引导线类型对应的候选引导线生成引导线数据。
25.根据权利要求24所述的装置,其特征在于,所述引导线类型确定单元,包括:
引导线类型确定子单元,用于根据所述住行数据中的出行方式和/或车辆拥有属性,确定所述引导线类型。
26.根据权利要求24所述的装置,其特征在于,所述装置还包括第一候选引导线确定模块,用于确定所述私有交通类对应的所述目标POI的候选引导线;
其中,所述第一候选引导线确定模块,包括:
第一初始道路确定单元,用于确定所述目标POI的出入口所属区域的各第一初始道路;
第一目标道路选取单元,用于根据所述目标POI的出入口与所述第一初始道路之间的距离,从各所述第一初始道路中选取第一目标道路;
第一候选引导线确定单元,用于根据所述第一目标道路,生成私有交通类对应的所述目标POI的候选引导线。
27.根据权利要求26所述的装置,其特征在于,所述第一目标道路选取单元,包括:
第一参考道路选取子单元,用于根据所述目标POI的出入口与所述第一初始道路之间的空间距离,从各所述第一初始道路中选取至少一条第一参考道路;
根据所述目标POI的出入口与所述第一参考道路之间的步导距离,从各所述第一参考道路中选取所述第一目标道路。
28.根据权利要求24-27任一项所述的装置,其特征在于,所述装置还包括第二候选引导线确定模块,用于确定所述目标POI的候选引导线;
其中,所述第二候选引导线确定模块,包括:
第二初始道路确定单元,用于确定到达位置点与各所述目标POI的出入口之间的第二初始道路;其中,所述到达位置点包括公共交通类对应的第一到达位置点和/或,私有交通类对应的第二到达位置点;
第二目标道路选取单元,用于根据所述到达位置点与所述目标POI的出入口之间的步导距离,从各所述第二初始道路中选取第二目标道路;
第二候选引导线生成单元,用于根据所述第二目标道路,生成所述目标POI的候选引导线。
29.根据权利要求16所述的装置,其特征在于,若所述附件数据包括所述人流量数据,则所述附件数据确定模块,包括:
人流量输出标识确定单元,用于根据所述住行数据,确定人流量输出标识;其中,所述人流量输出标识为允许输出或禁止输出;
人流量数据确定单元,用于若所述人流量输出标识为允许输出,则根据所述目标POI的人流量情况,确定人流量数据。
30.根据权利要求29所述的装置,其特征在于,所述人流量输出标识确定单元,包括:
人流量输出标识确定子单元,用于根据所述住行数据中的居住地数据和/或出行起始点数据,确定所述人流量输出标识。
31. 一种电子设备,其特征在于,所述电子设备包括:
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1-15中任一项所述的一种数据处理方法。
32.一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根据权利要求1-15中任一项所述的一种数据处理方法。
33.一种计算机程序产品,其特征在于,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1-15中任一项所述的一种数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452875.5A CN113175940B (zh) | 2021-04-26 | 2021-04-26 | 数据处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452875.5A CN113175940B (zh) | 2021-04-26 | 2021-04-26 | 数据处理方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113175940A CN113175940A (zh) | 2021-07-27 |
CN113175940B true CN113175940B (zh) | 2024-04-30 |
Family
ID=76926129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110452875.5A Active CN113175940B (zh) | 2021-04-26 | 2021-04-26 | 数据处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113175940B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113626734B (zh) * | 2021-08-11 | 2023-09-19 | 百度在线网络技术(北京)有限公司 | 用户行为引导方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007231862A1 (en) * | 2006-11-07 | 2008-05-22 | Sun, Ronald Mr | Process and methods of improved navigation and advertising systems |
WO2009149704A1 (de) * | 2008-06-12 | 2009-12-17 | Navigon Ag | Verfahren und vorrichtung zur berechnung einer navigationsroute zu zusammenhängenden zielpunkten |
CN106017488A (zh) * | 2016-03-02 | 2016-10-12 | 电子科技大学 | 一种基于兴趣点的群体出行路径导引方法 |
CN109726336A (zh) * | 2018-12-21 | 2019-05-07 | 长安大学 | 一种结合出行兴趣与社交偏好的poi推荐方法 |
CN110781415A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、设备及介质 |
CN111141301A (zh) * | 2019-12-25 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 导航终点确定方法、装置、存储介质和计算机设备 |
CN111460068A (zh) * | 2020-03-30 | 2020-07-28 | 滴图(北京)科技有限公司 | 兴趣点搜索方法、可读存储介质和电子设备 |
CN111737597A (zh) * | 2019-03-25 | 2020-10-02 | 北京奇虎科技有限公司 | 地图搜索中以线路为中心的周边搜索方法及装置 |
CN111984876A (zh) * | 2020-06-29 | 2020-11-24 | 北京百度网讯科技有限公司 | 兴趣点处理方法、装置、设备及计算机可读存储介质 |
CN112464006A (zh) * | 2020-06-14 | 2021-03-09 | 黄雨勤 | 基于人工智能和互联网的数据分析方法及系统 |
CN112528144A (zh) * | 2020-12-08 | 2021-03-19 | 北京百度网讯科技有限公司 | 搜索推荐方法、装置、智能设备、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101612789B1 (ko) * | 2009-12-01 | 2016-04-18 | 엘지전자 주식회사 | 이동 단말기의 내비게이션 방법 및 그 장치 |
-
2021
- 2021-04-26 CN CN202110452875.5A patent/CN113175940B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007231862A1 (en) * | 2006-11-07 | 2008-05-22 | Sun, Ronald Mr | Process and methods of improved navigation and advertising systems |
WO2009149704A1 (de) * | 2008-06-12 | 2009-12-17 | Navigon Ag | Verfahren und vorrichtung zur berechnung einer navigationsroute zu zusammenhängenden zielpunkten |
CN106017488A (zh) * | 2016-03-02 | 2016-10-12 | 电子科技大学 | 一种基于兴趣点的群体出行路径导引方法 |
CN109726336A (zh) * | 2018-12-21 | 2019-05-07 | 长安大学 | 一种结合出行兴趣与社交偏好的poi推荐方法 |
CN111737597A (zh) * | 2019-03-25 | 2020-10-02 | 北京奇虎科技有限公司 | 地图搜索中以线路为中心的周边搜索方法及装置 |
CN110781415A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、设备及介质 |
CN111141301A (zh) * | 2019-12-25 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 导航终点确定方法、装置、存储介质和计算机设备 |
CN111460068A (zh) * | 2020-03-30 | 2020-07-28 | 滴图(北京)科技有限公司 | 兴趣点搜索方法、可读存储介质和电子设备 |
CN112464006A (zh) * | 2020-06-14 | 2021-03-09 | 黄雨勤 | 基于人工智能和互联网的数据分析方法及系统 |
CN111984876A (zh) * | 2020-06-29 | 2020-11-24 | 北京百度网讯科技有限公司 | 兴趣点处理方法、装置、设备及计算机可读存储介质 |
CN112528144A (zh) * | 2020-12-08 | 2021-03-19 | 北京百度网讯科技有限公司 | 搜索推荐方法、装置、智能设备、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113175940A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766607B (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
CN106643774B (zh) | 一种导航路线生成方法及终端 | |
CN106803197A (zh) | 拼单方法和设备 | |
CN105447185B (zh) | 基于知识与位置的个性化旅游景点推荐方法 | |
EP4174442A1 (en) | Navigation path planning method and apparatus, device, and storage medium | |
CN112884235B (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
Ye et al. | A method of vehicle route prediction based on social network analysis | |
CN112632379A (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
CN109214674A (zh) | 客服系统管理方法、客服系统及电子设备 | |
CN113175940B (zh) | 数据处理方法、装置、设备和存储介质 | |
CN114254784A (zh) | 信息推送方法、信息推送装置和存储介质 | |
Ni et al. | An agent-based simulation model for parking variable message sign location problem | |
CN113420692A (zh) | 生成方向识别模型的方法、装置、设备、介质及程序产品 | |
CN113901341A (zh) | 导航信息提示方法、装置、介质及程序产品 | |
US20220390249A1 (en) | Method and apparatus for generating direction identifying model, device, medium, and program product | |
CN113761398B (zh) | 信息推荐方法、装置、电子设备以及存储介质 | |
US20220164723A1 (en) | Method for determining boarding information, electronic device, and storage medium | |
CN111006653B (zh) | 智能路线规划方法及设备 | |
CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
CN112699202B (zh) | 禁行道路的识别方法、装置、电子设备及存储介质 | |
CN114428917A (zh) | 基于地图的信息共享方法、装置、电子设备和介质 | |
CN113449687A (zh) | 兴趣点出入口的识别方法、装置及电子设备 | |
CN113139139A (zh) | 用于确定上车点的方法、装置、电子设备和介质 | |
CN107490383B (zh) | 导航中路径健康信息的服务提供方法、服务器及可读介质 | |
CN110542428B (zh) | 驾驶路线质量评估方法及装置 |
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 |