CN113255398B - 兴趣点判重方法、装置、设备和存储介质 - Google Patents
兴趣点判重方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113255398B CN113255398B CN202010084328.1A CN202010084328A CN113255398B CN 113255398 B CN113255398 B CN 113255398B CN 202010084328 A CN202010084328 A CN 202010084328A CN 113255398 B CN113255398 B CN 113255398B
- Authority
- CN
- China
- Prior art keywords
- interest
- language
- interest points
- names
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 19
- 108091026890 Coding region Proteins 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 16
- 230000008901 benefit Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 239000004698 Polyethylene Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- -1 polyethylene Polymers 0.000 description 2
- 229920000573 polyethylene Polymers 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008569 process Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种兴趣点判重方法、装置、设备和存储介质，涉及地图数据处理技术领域。具体实现方案为：根据至少两个兴趣点的候选语种名称，从候选语种中确定目标语种以及所述至少两个兴趣点的目标语种名称；基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述至少两个兴趣点是否属于同一兴趣点。通过对待比较的多个兴趣点的名称进行所属语种的区分，综合确定兴趣点名称在不同语种下的相似度，提高相似度计算的准确率以及地图国际化数据中跨语种处理的泛化能力，为兴趣点判重提供了有效依据。
Description
技术领域
本申请实施例涉及数据处理技术领域，尤其涉及地图数据处理技术领域，具体涉及一种兴趣点判重方法、装置、设备和存储介质。
背景技术
在处理海量的地图兴趣点情报数据时，需要判别不同的情报数据是否描述为同一个兴趣点。目前对于地图国际化数据，现有技术对于跨语言兴趣点判重的适用性较差，相似度计算的准确率较低。
发明内容
本申请实施例提供了一种兴趣点判重方法、装置、设备和存储介质，能够提高跨语言地图兴趣点判重的准确性。
第一方面，本申请实施例提供了一种兴趣点判重方法，包括：
根据至少两个兴趣点的候选语种名称，从候选语种中确定目标语种以及所述至少两个兴趣点的目标语种名称；
基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述至少两个兴趣点是否属于同一兴趣点。
上述申请中的一个实施例具有如下优点或有益效果：通过对待比较的多个兴趣点的名称进行所属语种的区分，综合确定兴趣点名称在不同语种下的相似度，提高相似度计算的准确率以及地图国际化数据中跨语种处理的泛化能力，为兴趣点判重提供了有效依据。
可选的，所述根据至少两个兴趣点的候选语种名称，从候选语种中确定目标语种，包括：
对所述至少两个兴趣点的候选语种名称进行语种识别，确定所述候选语种名称所属的候选语种；
若所述至少两个兴趣点中包括相同候选语种的候选语种名称，则确定所述相同候选语种作为待比较的目标语种。
上述申请中的一个实施例具有如下优点或有益效果：通过对待比较的多个兴趣点的候选语种名称进行语种识别，有利于区分待比较的目标语种，为多语种下兴趣点名称的比较提供依据。
可选的，所述对所述至少两个兴趣点的候选语种名称进行语种识别，确定所述候选语种名称所属的候选语种，包括：
确定所述候选语种名称的统一码，以及所述统一码在统一码表中的编码区域；
根据所述统一码表中编码区域与语种之间的映射关系，将所述编码区域所属的语种，确定为所述候选语种名称所属的候选语种。
上述申请中的一个实施例具有如下优点或有益效果：通过对候选语种名称的统一码，借助于统一码表中编码区域与语种之间的映射关系，有利于快速对多个兴趣点的候选语种名称进行语种识别。
可选的，所述基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述至少两个兴趣点是否属于同一兴趣点，包括：
基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述目标语种下所述至少两个兴趣点之间的相似度；
根据不同目标语种下所述至少两个兴趣点之间的相似度，确定所述至少两个兴趣点之间的整体名称相似度；
根据所述至少两个兴趣点之间的整体名称相似度，确定所述至少两个兴趣点是否属于同一兴趣点。
上述申请中的一个实施例具有如下优点或有益效果：通过综合确定兴趣点名称在不同语言下的相似度，提高相似度计算的准确率以及地图国际化数据中跨语言处理的泛化能力，为兴趣点判重提供了有效依据。
可选的，所述基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述目标语种下所述至少两个兴趣点之间的相似度，包括：
确定所述目标语种名称的向量表示；
基于所述目标语种的相似度计算模型，根据所述目标语种名称的向量表示，确定所述目标语种下所述至少两个兴趣点之间的相似度。
上述申请中的一个实施例具有如下优点或有益效果：通过将目标语种名称的向量表示输入至相似度计算模型中进行计算，能够学习得到兴趣点名称内部字符之间的相关性，以及不同兴趣点之间字符的相关性，从而对兴趣点名称中各字符的权重进行很好的区分，提高相似度计算的准确率。
可选的，所述根据所述至少两个兴趣点之间的整体名称相似度，确定所述至少两个兴趣点是否属于同一兴趣点，包括：
根据所述至少两个兴趣点的地址、电话以及距离中的至少一项，确定所述至少两个兴趣点之间的辅助信息比较结果；
基于决策树模型，根据所述整体名称相似度和所述辅助信息比较结果，确定所述至少两个兴趣点之间的综合相似度；
根据所述至少两个兴趣点之间的综合相似度，确定所述至少两个兴趣点是否属于同一兴趣点。
上述申请中的一个实施例具有如下优点或有益效果：基于决策树模型，能够综合考虑兴趣点各维度信息之间的比较结果，进一步提高相似度计算的准确率。
第二方面，本申请实施例提供了一种兴趣点判重装置，包括：
语种确定模块，用于根据至少两个兴趣点的候选语种名称，从候选语种中确定目标语种以及所述至少两个兴趣点的目标语种名称；
兴趣点判重模块，用于基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述至少两个兴趣点是否属于同一兴趣点。
第三方面，本申请实施例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申请任意实施例所述的兴趣点判重方法。
第四方面，本申请实施例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，所述计算机指令用于使所述计算机执行本申请任意实施例所述的兴趣点判重方法。
上述申请中的一个实施例具有如下优点或有益效果：对于待比较的至少两个兴趣点，其可能包含多语种下的候选语种名称，进而从候选语种中确定待比较的目标语种，以及各兴趣点在目标语种下的目标语种名称，从而基于目标语种的相似度计算模型，根据各兴趣点的目标语种名称，判别该至少两个兴趣点是否属于同一兴趣点。本申请实施例通过对待比较的多个兴趣点的名称进行所属语种的区分，综合确定兴趣点名称在不同语种下的相似度，提高相似度计算的准确率以及地图国际化数据中跨语种处理的泛化能力，为兴趣点判重提供了有效依据。
上述可选方式所具有的其他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是根据本申请第一实施例的一种兴趣点判重方法的流程图；
图2是根据本申请第二实施例的一种兴趣点判重方法的流程图；
图3是根据本申请第二实施例的相似度计算模型的结构示例图；
图4是根据本申请第二实施例的基于多语种确定整体名称相似度的示例图；
图5是根据本申请第三实施例的一种兴趣点判重装置的结构示意图；
图6是用来实现本申请实施例的兴趣点判重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。
第一实施例
图1是根据本申请第一实施例的一种兴趣点判重方法的流程图，本实施例可适用于对国际化地图的兴趣点情报数据，进行兴趣点判重的情况，该方法可由一种兴趣点判重装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如集成地图服务的终端或服务器。如图1所示，该方法具体包括如下：
S110、根据至少两个兴趣点的候选语种名称，从候选语种中确定目标语种以及至少两个兴趣点的目标语种名称。
在本申请具体实施例中，兴趣点(Point of Information，POI)是指地理信息中代表地理物理实体的点，例如房子、店铺、邮筒或公交站等。本实施例中待比较的兴趣点可以源自官方正式的地图数据，还可以源自非正式的地图情报数据等。
随着市场的国际化发展，地图也逐渐趋于国际化。相应的，同一兴趣点可能包括在多个候选语种下的候选语种名称。例如，兴趣点长城可以包括中文名称“长城”以及英文名称“The Great Wall”。因此，现有技术中基于关键字匹配或基于TF-IDF的比较等方式，不能采用中文的比较方式套用在其他语种的名称比较当中，无法实现跨语种的兴趣点判重。
本实施例中，候选语种名称是从兴趣点信息中提取出来的，以文本的形式存在。候选语种是指候选语种名称所唯一归属的语种。目标语种是指待比较的至少两个兴趣点所具有的相同候选语种，相应的，目标语种名称是兴趣点在目标语种下的名称。
具体的，在得到兴趣点信息时，根据兴趣点文本形式只能明确不同文本形式属于不同语种，但是无从获知具体属于哪个语种。因此，为了对兴趣点名称进行语种区分，以对各语种下的名称进行有针对性的比较，首先需要对兴趣点的候选语种进行语种识别，确定兴趣点名称具有所属的候选语种。其次根据待比较的多个兴趣点的候选语种，将多个兴趣点都具有的候选语种作为待比较的目标语种。最后将归属于目标语种的候选语种名称作为目标语种名称，供目标语种下的兴趣点名称比较。
其中，可以根据地图的使用需求，确定语种使用倾向，从而着重对所倾向的语种进行兴趣点名称比对，而对于其他语种采用常规方式进行比对。例如，对于向中国用户服务的地图，目标语种下的兴趣点名称比较，可以包括中文-中文类别、英文-英文类别以及第三方-第三方类别。其中，对于中文-中文类别和英文-英文类别可以采用本实施例中专有的比较方式，对于第三方-第三方类别可以最长公共子序列方法，即利用待比较名称中相同部分长度与待比较名称的最大长度之比，确定待比较名称的相似度。
示例性的，假设两个待比较的兴趣点为A大厦和A大厦停车场，其中，A大厦的候选语种名称包括“A大厦”和“A Building”，A大厦停车场的候选语种名称包括“A大厦停车场”和“A Building Parking Lot”。通过对候选语种名称所属候选语种的识别，可以确定兴趣点A大厦的候选语种至少包括中文和英文，兴趣点A大厦停车场的候选语种至少包括中文和英文，且这两个待比较的兴趣点的候选语种均包括中文和英文。因此，可以确定目标名称包括中文-中文类别和英文-英文类别。相应的，“A大厦”和“A大厦停车场”可以作为中文-中文类别的名称对，“A Building”和“A Building Parking Lot”可以作为英文-英文类别的名称对。
S120、基于目标语种的相似度计算模型，根据至少两个兴趣点的目标语种名称，确定至少两个兴趣点是否属于同一兴趣点。
在本申请具体实施例中，目标语种的相似度计算模型是基于目标语种的训练样本预先训练得到的，用于计算目标语种下不同目标语种名称之间的相似度，为兴趣点的判重提供有效依据。
具体的，目标语种可以包括多种。相应的，每个目标语种下都可以计算出该语种下的相似度。进而可以根据不同目标语种下待比较兴趣点之间的相似度，确定待比较兴趣点之间的整体名称相似度，避免单一语种下相似度计算的不准缺性，为兴趣点的判重提供有效依据。
其中，在利用相似度计算模型之前，可以确定目标语种名称的向量表示。若相似度计算模型为神经网络模型，则可以基于模型中的表示层和交叉注意力比较层，根据目标语种名称的向量表示，学习得到兴趣点名称内部字符之间的相关性，以及不同兴趣点之间字符的相关性，从而对兴趣点名称中各字符的权重进行很好的区分，提高相似度计算的准确率。
本实施例中，在对多个兴趣点进行判重时，还可以根据兴趣点的地址、电话以及距离等基础属性信息中的至少一项，确定多个兴趣点之间的辅助信息比较结果。基于决策树模型，根据整体名称相似度和辅助信息比较结果，确定至少两个兴趣点之间的综合相似度。根据至少两个兴趣点之间的综合相似度，确定至少两个兴趣点是否属于同一兴趣点。其中，示例性的，根据经验可以确定当综合相似度大于0.75时则认为多个待比较兴趣点属于同一兴趣点，当综合相似度小于0.15时则认为多个待比较兴趣点不属于同一兴趣点，当综合相似度介于0.15-0.75之间时则认为无法判断两者关系。
本实施例的技术方案，对于待比较的至少两个兴趣点，其可能包含多语种下的候选语种名称，进而从候选语种中确定待比较的目标语种，以及各兴趣点在目标语种下的目标语种名称，从而基于目标语种的相似度计算模型，根据各兴趣点的目标语种名称，判别该至少两个兴趣点是否属于同一兴趣点。本申请实施例通过对待比较的多个兴趣点的名称进行所属语种的区分，综合确定兴趣点名称在不同语种下的相似度，提高相似度计算的准确率以及地图国际化数据中跨语种处理的泛化能力，为兴趣点判重提供了有效依据。
第二实施例
图2是根据本申请第二实施例的一种兴趣点判重方法的流程图，本实施例在上述第一实施例的基础上，进一步对兴趣点所属语种的区分以及相似度的计算进行解释说明，能够通过对候选语种名称所属语种的识别来确定待比较的目标语种，并能够根据兴趣点下多维度信息的比较来确定综合相似度。如图2所示，该方法具体包括如下：
S210、对至少两个兴趣点的候选语种名称进行语种识别，确定候选语种名称所属的候选语种。
在本申请具体实施例中，在得到待比较的至少两个兴趣点的候选语种名称之后，首先对候选语种名称进行语种识别，确定候选语种名称所属的候选语种。本实施例不对语种识别方式进行限定，任何能够识别语种的方式都可以应用于本实施例中。
可选的，确定候选语种名称的统一码，以及统一码在统一码表中的编码区域；根据统一码表中编码区域与语种之间的映射关系，将编码区域所属的语种，确定为候选语种名称所属的候选语种。
本实施例中，可以通过统一码(Unicode)进行语种识别。具体的，对候选语种名称进行编码，确定候选语种名称的统一码及其在统一码表中的编码区域。由于统一码表中对各语种进行了编码区域划分，因此可以根据统一码表中编码区域与语种之间的映射关系，将编码区域所属的语种确定为候选语种名称所属的候选语种。
S220、若至少两个兴趣点中包括相同候选语种的候选语种名称，则确定相同候选语种作为待比较的目标语种，并确定至少两个兴趣点的目标语种名称。
在本申请具体实施例中，将相同语种的名称进行比较，分别确定不同语种下名称的比较结果。因此只有在待比较的兴趣点都具有相同候选语种的候选语种名称时，才能够确定待比较的目标语种以进行比较。
S230、基于目标语种的相似度计算模型，根据至少两个兴趣点的目标语种名称，确定目标语种下至少两个兴趣点之间的相似度。
在本申请具体实施例中，将待比较的多个兴趣点的目标语种名称，输入至目标语种的相似度计算模型中，以计算得到多个兴趣点在目标语种下的相似度。
可选的，确定目标语种名称的向量表示；基于目标语种的相似度计算模型，根据目标语种名称的向量表示，确定目标语种下至少两个兴趣点之间的相似度。
本实施例中，通过训练样本的获取、字典的构建以及模型的训练，来得到相似度计算模型的训练。具体的，可以获取海量地图兴趣点情报数据，根据国际化地图中的历史兴趣点数据，将情报中与地图中，经过历史比较确定的代表同一兴趣点的兴趣点名称对作为正样本。通过主兴趣点名称进行搜索，由于搜索结果中推荐的相关兴趣点与主兴趣点并不代表同一兴趣点，因此将主兴趣点名称与推荐兴趣点名称构成的兴趣点对作为负样本。其中，一个兴趣点对中的两个兴趣点名称的语种相同。利用训练样本中出现的全部字建立字典，并为字典中的每个字设置唯一关联的编号。从而据词典，将训练样本中各样本内的字映射到对应的编号，作为该样本的向量表示，并将训练样本的向量表示输入至模型中进行训练。
示例性的，假设规定名称最大字符长度为40，且假设字典中汉子“公”的编号为3、“交”的编号为15，“站”的编号为201。则兴趣点名称“公交站”的向量表示为[3,15,201,0,…,0]，共40维，作为模型的训练依据。
其中，若相似度计算模型为神经网络模型，则相似度计算模型的结构可以如图3所示。如图3所示，相似度计算模型主要包括表示层和交叉注意力比较层，表示层中包括self-attention层、全连接层和残差连接网络结构。
具体的，在上述示例中，表示层中，通过全连接层将每个字映射成更高维如256维的向量；通过self-attention层，基于公式对每个字的向量表示进行修正，可以根据修正后的向量表示，以确定样本序列内部字之间的关系；通过残差连接网络结构，将self-attention层的输出映射到更高层特征空间，以进一步确定样本序列内部字之间的关系。
其中，self-attention层所采用的公式为：PE(pos,i为奇数)＝sin(pos/100002i/dmodel)以及PE(pos,i为偶数)＝cos(pos/100002i/dmodel)，其中，pos代表字符在名称中的位置，i代表编码在整个字符向量中的位置，dmodel代表字符向量的维度。例如，在上述示例中，兴趣点名称“公交站”的向量表示为[3,15,201,0,…,0]，假设字符“公”的通过全连接层映射的256维向量为[0.75,0.65,1.1,…,0.3]。由于字符“公”在兴趣点名称“公交站”中的第一个，因此pos＝0。对于编码0.75，PE(0,1)＝sin(0/100002/256)＝0；对于0.65，PE(0,2)＝cos(0/100004/256)＝1；以此类推。相应的，字符“公”修正后的向量为[0.75,1.65,…]。
其次，通过交叉注意力比较层可以确定不同样本序列的字之间的关系。通过Concat层将两个交叉注意力比较层的输出进行拼接，得到例如80*256维度向量。通过Softmax层将高维度向量映射为二维向量[x,y]，其中，x表示不相似，y表示相似；并对二维向量进行归一化处理，得到相似度得分。例如假设二维向量为[3，1]，经过Softmax层处理后转变为[0.88,0.12]，即不相似的概率为0.88，相似的概率为0.12。
相应的，在利用相似度模型进行在线预测时，根据字典确定目标语种名称的向量表示，通过将目标语种名称的向量表示输入至相似度计算模型中进行计算，能够学习得到兴趣点名称内部字符之间的相关性，以及不同兴趣点之间字符的相关性，从而对兴趣点名称中各字符的权重进行很好的区分，提高相似度计算的准确率。
S240、根据不同目标语种下至少两个兴趣点之间的相似度，确定至少两个兴趣点之间的整体名称相似度。
在本申请具体实施例中，可以根据地图的使用需求，确定语种使用倾向，从而着重对所倾向的语种进行兴趣点名称比对，而对于其他语种采用常规方式进行比对。从而基于不同语种下的相似度，得到待比较兴趣点之间的整体名称相似度。例如，可以采用加权平均或去最大值的方式，根据不同语种下的相似度确定整体名称相似度。
示例性的，图4为基于多语种确定整体名称相似度的示例图。如图4所示，假设对于向中国用户服务的地图，目标语种下的兴趣点名称比较，可以包括中文-中文类别、英文-英文类别以及第三方-第三方类别。其中，对于中文-中文类别和英文-英文类别可以采用本实施例中专有的比较方式，对于第三方-第三方类别可以最长公共子序列方法。
S250、根据至少两个兴趣点之间的整体名称相似度，确定至少两个兴趣点是否属于同一兴趣点。
在本申请具体实施例中，可以根据整体名称相似度来对兴趣点进行判重，还可以结合兴趣点的其他辅助信息，基于决策来进一步确定综合相似度，从而根据综合相似度对兴趣点进行判重。
可选的，根据至少两个兴趣点的地址、电话以及距离中的至少一项，确定至少两个兴趣点之间的辅助信息比较结果；基于决策树模型，根据整体名称相似度和辅助信息比较结果，确定至少两个兴趣点之间的综合相似度；根据至少两个兴趣点之间的综合相似度，确定至少两个兴趣点是否属于同一兴趣点。
本实施例中，兴趣点的辅助信息包括但不局限与地址、电话和距离等。在对兴趣点名称进行多语种的比较之外，还可以对兴趣点的辅助信息进行相似度比较。由于兴趣点的辅助信息是绝对的固定不变的内容，因此通过辅助信息的比较，可以进一步提高兴趣点之间综合相似度的确定准确率，进而提高兴趣点判重的准确率。其中，本实施例不对决策树模型进行限定，任何决策树模型都可以应用于本实施例中，例如GBDT(Gradient BoostDecision Tree，梯度提升决策树)模型等。
本实施例的技术方案，对于待比较的至少两个兴趣点，其可能包含多语种下的候选语种名称，通过对候选语种名称进行语种识别，从候选语种中确定待比较的目标语种，以及各兴趣点在目标语种下的目标语种名称，从而基于目标语种的相似度计算模型，根据目标语种名称计算兴趣点在目标语种下的相似度，并综合各目标语种下的相似度得到整体名称相似度，判别该至少两个兴趣点是否属于同一兴趣点。本申请实施例通过对待比较的多个兴趣点的名称进行所属语种的区分，综合确定兴趣点名称在不同语种下的相似度，提高相似度计算的准确率以及地图国际化数据中跨语种处理的泛化能力，为兴趣点判重提供了有效依据。
第三实施例
图5是根据本申请第三实施例的一种兴趣点判重装置的结构示意图，本实施例可适用于国际化地图的兴趣点情报数据，进行兴趣点判重的情况，该装置可实现本申请任意实施例所述的兴趣点判重方法。该装置500具体包括如下：
语种确定模块510，用于根据至少两个兴趣点的候选语种名称，从候选语种中确定目标语种以及所述至少两个兴趣点的目标语种名称；
兴趣点判重模块520，用于基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述至少两个兴趣点是否属于同一兴趣点。
可选的，所述语种确定模块510具体用于：
对所述至少两个兴趣点的候选语种名称进行语种识别，确定所述候选语种名称所属的候选语种；
若所述至少两个兴趣点中包括相同候选语种的候选语种名称，则确定所述相同候选语种作为待比较的目标语种。
可选的，所述语种确定模块510具体用于：
确定所述候选语种名称的统一码，以及所述统一码在统一码表中的编码区域；
根据所述统一码表中编码区域与语种之间的映射关系，将所述编码区域所属的语种，确定为所述候选语种名称所属的候选语种。
可选的，所述兴趣点判重模块520具体用于：
基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述目标语种下所述至少两个兴趣点之间的相似度；
根据不同目标语种下所述至少两个兴趣点之间的相似度，确定所述至少两个兴趣点之间的整体名称相似度；
根据所述至少两个兴趣点之间的整体名称相似度，确定所述至少两个兴趣点是否属于同一兴趣点。
可选的，所述兴趣点判重模块520具体用于：
确定所述目标语种名称的向量表示；
基于所述目标语种的相似度计算模型，根据所述目标语种名称的向量表示，确定所述目标语种下所述至少两个兴趣点之间的相似度。
可选的，所述兴趣点判重模块520具体用于：
根据所述至少两个兴趣点的地址、电话以及距离中的至少一项，确定所述至少两个兴趣点之间的辅助信息比较结果；
基于决策树模型，根据所述整体名称相似度和所述辅助信息比较结果，确定所述至少两个兴趣点之间的综合相似度；
根据所述至少两个兴趣点之间的综合相似度，确定所述至少两个兴趣点是否属于同一兴趣点。
本实施例的技术方案，通过各个功能模块之间的相互配合，实现了候选语种名称的获取、语种的识别、待比较的目标语种的确定、目标语种名称相似度的确定、相似度计算模型的训练、兴趣点整体名称相似度的确定、辅助信息比较结果的确定、兴趣点综合相似度的确定以及兴趣点的判重等功能。本申请实施例通过对待比较的多个兴趣点的名称进行所属语种的区分，综合确定兴趣点名称在不同语种下的相似度，提高相似度计算的准确率以及地图国际化数据中跨语种处理的泛化能力，为兴趣点判重提供了有效依据。
第四实施例
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6所示，是根据本申请实施例的兴趣点判重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6所示，该电子设备包括：一个或多个处理器601、存储器602，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，其上显示图形用户界面(Graphical User Interface，GUI)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6中以一个处理器601为例。
存储器602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兴趣点判重方法。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兴趣点判重方法。
存储器602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兴趣点判重方法对应的程序指令/模块，例如，附图5所示的语种确定模块510和兴趣点判重模块520。处理器601通过运行存储在存储器602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兴趣点判重方法。
存储器602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兴趣点判重方法的电子设备的使用所创建的数据等。此外，存储器602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602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至兴趣点判重方法的电子设备。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。
兴趣点判重方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与兴趣点判重方法的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604可以包括显示设备、辅助照明装置和触觉反馈装置等，其中，辅助照明装置例如发光二极管(LightEmitting Diode，LED)；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(Liquid Crystal Display，LCD)、LED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(Application Specific Integrated Circuit，ASIC)、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(Programmable Logic Device，PLD)，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(Cathode Ray Tube，CRT)或者LCD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，数据服务器，或者实施在包括中间件部件的计算系统，例如，应用服务器、或者实施在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，或者实施在包括这种后台部件、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(Local Area Network，LAN)、广域网(Wide Area Network，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。
根据本申请实施例的技术方案，通过对待比较的多个兴趣点的名称进行所属语种的区分，综合确定兴趣点名称在不同语种下的相似度，提高相似度计算的准确率以及地图国际化数据中跨语种处理的泛化能力，为兴趣点判重提供了有效依据。
另外，通过对待比较的多个兴趣点的候选语种名称进行语种识别，有利于区分待比较的目标语种，为多语种下兴趣点名称的比较提供依据。
另外，通过对候选语种名称的统一码，借助于统一码表中编码区域与语种之间的映射关系，有利于快速对多个兴趣点的候选语种名称进行语种识别。
另外，通过综合确定兴趣点名称在不同语言下的相似度，提高相似度计算的准确率以及地图国际化数据中跨语言处理的泛化能力，为兴趣点判重提供了有效依据。
另外，通过将目标语种名称的向量表示输入至相似度计算模型中进行计算，能够学习得到兴趣点名称内部字符之间的相关性，以及不同兴趣点之间字符的相关性，从而对兴趣点名称中各字符的权重进行很好的区分，提高相似度计算的准确率。
另外，基于决策树模型，能够综合考虑兴趣点各维度信息之间的比较结果，进一步提高相似度计算的准确率。
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 (9)
1.一种兴趣点判重方法，其特征在于，包括：
根据至少两个兴趣点的候选语种名称，从候选语种中确定目标语种以及所述至少两个兴趣点的目标语种名称；
基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述目标语种下所述至少两个兴趣点之间的相似度；
根据不同目标语种下所述至少两个兴趣点之间的相似度，确定所述至少两个兴趣点之间的整体名称相似度；
根据所述至少两个兴趣点之间的整体名称相似度，确定所述至少两个兴趣点是否属于同一兴趣点。
2.根据权利要求1所述的方法，其特征在于，所述根据至少两个兴趣点的候选语种名称，从候选语种中确定目标语种，包括：
对所述至少两个兴趣点的候选语种名称进行语种识别，确定所述候选语种名称所属的候选语种；
若所述至少两个兴趣点中包括相同候选语种的候选语种名称，则确定所述相同候选语种作为待比较的目标语种。
3.根据权利要求2所述的方法，其特征在于，所述对所述至少两个兴趣点的候选语种名称进行语种识别，确定所述候选语种名称所属的候选语种，包括：
确定所述候选语种名称的统一码，以及所述统一码在统一码表中的编码区域；
根据所述统一码表中编码区域与语种之间的映射关系，将所述编码区域所属的语种，确定为所述候选语种名称所属的候选语种。
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述目标语种下所述至少两个兴趣点之间的相似度，包括：
确定所述目标语种名称的向量表示；
基于所述目标语种的相似度计算模型，根据所述目标语种名称的向量表示，确定所述目标语种下所述至少两个兴趣点之间的相似度。
5.根据权利要求1所述的方法，其特征在于，所述根据所述至少两个兴趣点之间的整体名称相似度，确定所述至少两个兴趣点是否属于同一兴趣点，包括：
根据所述至少两个兴趣点的地址、电话以及距离中的至少一项，确定所述至少两个兴趣点之间的辅助信息比较结果；
基于决策树模型，根据所述整体名称相似度和所述辅助信息比较结果，确定所述至少两个兴趣点之间的综合相似度；
根据所述至少两个兴趣点之间的综合相似度，确定所述至少两个兴趣点是否属于同一兴趣点。
6.一种兴趣点判重装置，其特征在于，包括：
语种确定模块，用于根据至少两个兴趣点的候选语种名称，从候选语种中确定目标语种以及所述至少两个兴趣点的目标语种名称；
兴趣点判重模块，用于基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述至少两个兴趣点是否属于同一兴趣点；
所述兴趣点判重模块具体用于：
基于所述目标语种的相似度计算模型，根据所述至少两个兴趣点的目标语种名称，确定所述目标语种下所述至少两个兴趣点之间的相似度；
根据不同目标语种下所述至少两个兴趣点之间的相似度，确定所述至少两个兴趣点之间的整体名称相似度；
根据所述至少两个兴趣点之间的整体名称相似度，确定所述至少两个兴趣点是否属于同一兴趣点。
7.根据权利要求6所述的装置，其特征在于，所述语种确定模块具体用于：
对所述至少两个兴趣点的候选语种名称进行语种识别，确定所述候选语种名称所属的候选语种；
若所述至少两个兴趣点中包括相同候选语种的候选语种名称，则确定所述相同候选语种作为待比较的目标语种。
8. 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1-5中任一项所述的兴趣点判重方法。
9.一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1-5中任一项所述的兴趣点判重方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010084328.1A CN113255398B (zh) | 2020-02-10 | 2020-02-10 | 兴趣点判重方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010084328.1A CN113255398B (zh) | 2020-02-10 | 2020-02-10 | 兴趣点判重方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113255398A CN113255398A (zh) | 2021-08-13 |
| CN113255398B true CN113255398B (zh) | 2023-08-18 |
Family
ID=77219380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010084328.1A Active CN113255398B (zh) | 2020-02-10 | 2020-02-10 | 兴趣点判重方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255398B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861062B (zh) * | 2022-05-26 | 2023-05-16 | 北京百度网讯科技有限公司 | 信息过滤方法和装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477570A (zh) * | 2009-01-12 | 2009-07-08 | 浙江大学 | 一种自学习的中文地址判重方法 |
| CN101685021A (zh) * | 2008-09-24 | 2010-03-31 | 高德软件有限公司 | 一种兴趣点信息获取方法及装置 |
| CN101963961A (zh) * | 2009-07-23 | 2011-02-02 | 高德软件有限公司 | 兴趣点数据关联方法及装置 |
| CN102567397A (zh) * | 2010-12-30 | 2012-07-11 | 高德软件有限公司 | 兴趣点、连锁店分店兴趣点关联标记的方法与装置 |
| CN104166659A (zh) * | 2013-05-20 | 2014-11-26 | 百度在线网络技术（北京）有限公司 | 一种地图数据判重的方法及系统 |
| CN104750666A (zh) * | 2015-03-12 | 2015-07-01 | 明博教育科技有限公司 | 一种文本字符编码方式的识别方法及系统 |
| CN105159921A (zh) * | 2015-07-29 | 2015-12-16 | 北京奇虎科技有限公司 | 地图中兴趣点poi数据去重的方法及装置 |
| CN106598937A (zh) * | 2015-10-16 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 用于文本的语种识别方法、装置和电子设备 |
| CN107609185A (zh) * | 2017-09-30 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 用于poi的相似度计算的方法、装置、设备和计算机可读存储介质 |
| CN107609186A (zh) * | 2017-09-30 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 信息处理方法及装置、终端设备及计算机可读存储介质 |
| CN107908627A (zh) * | 2017-04-26 | 2018-04-13 | 国家计算机网络与信息安全管理中心 | 一种多语言的地图poi 搜索系统 |
| CN108491387A (zh) * | 2018-03-20 | 2018-09-04 | 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 |
| CN109710709A (zh) * | 2018-12-13 | 2019-05-03 | 北京百度网讯科技有限公司 | 兴趣点数据处理方法、装置、电子设备及存储介质 |
| CN110309432A (zh) * | 2018-06-11 | 2019-10-08 | 腾讯科技（北京）有限公司 | 基于兴趣点的同义词确定方法、地图兴趣点处理方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8204675B2 (en) * | 2009-03-24 | 2012-06-19 | International Business Machines Corporation | Portable navigation device point of interest selection based on store open probability |
| US9483495B1 (en) * | 2013-03-15 | 2016-11-01 | Google Inc. | Selecting photographs for a destination or point of interest |
| US20140280091A1 (en) * | 2013-03-15 | 2014-09-18 | Denis Nasarov | Location specific translation and search service system |
| CN107957848B (zh) * | 2016-10-14 | 2020-01-10 | 上海交通大学 | 重删处理方法及存储设备 |
-
2020
- 2020-02-10 CN CN202010084328.1A patent/CN113255398B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101685021A (zh) * | 2008-09-24 | 2010-03-31 | 高德软件有限公司 | 一种兴趣点信息获取方法及装置 |
| CN101477570A (zh) * | 2009-01-12 | 2009-07-08 | 浙江大学 | 一种自学习的中文地址判重方法 |
| CN101963961A (zh) * | 2009-07-23 | 2011-02-02 | 高德软件有限公司 | 兴趣点数据关联方法及装置 |
| CN102567397A (zh) * | 2010-12-30 | 2012-07-11 | 高德软件有限公司 | 兴趣点、连锁店分店兴趣点关联标记的方法与装置 |
| CN104166659A (zh) * | 2013-05-20 | 2014-11-26 | 百度在线网络技术（北京）有限公司 | 一种地图数据判重的方法及系统 |
| CN104750666A (zh) * | 2015-03-12 | 2015-07-01 | 明博教育科技有限公司 | 一种文本字符编码方式的识别方法及系统 |
| CN105159921A (zh) * | 2015-07-29 | 2015-12-16 | 北京奇虎科技有限公司 | 地图中兴趣点poi数据去重的方法及装置 |
| CN106598937A (zh) * | 2015-10-16 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 用于文本的语种识别方法、装置和电子设备 |
| CN107908627A (zh) * | 2017-04-26 | 2018-04-13 | 国家计算机网络与信息安全管理中心 | 一种多语言的地图poi 搜索系统 |
| CN107609185A (zh) * | 2017-09-30 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 用于poi的相似度计算的方法、装置、设备和计算机可读存储介质 |
| CN107609186A (zh) * | 2017-09-30 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 信息处理方法及装置、终端设备及计算机可读存储介质 |
| CN108491387A (zh) * | 2018-03-20 | 2018-09-04 | 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 |
| CN110309432A (zh) * | 2018-06-11 | 2019-10-08 | 腾讯科技（北京）有限公司 | 基于兴趣点的同义词确定方法、地图兴趣点处理方法 |
| CN109710709A (zh) * | 2018-12-13 | 2019-05-03 | 北京百度网讯科技有限公司 | 兴趣点数据处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 语义因子支持的多源POI分类信息一致化处理;王勇 等;《中国测绘科学研究院》;第44卷(第6期);286-290 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113255398A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102532396B1 (ko) | 데이터 세트 처리 방법, 장치, 전자 기기 및 저장 매체 | |
| CN111259671B (zh) | 文本实体的语义描述处理方法、装置及设备 | |
| CN113094550B (zh) | 视频检索方法、装置、设备和介质 | |
| CN111767359B (zh) | 兴趣点分类方法、装置、设备以及存储介质 | |
| CN111737954B (zh) | 文本相似度确定方法、装置、设备和介质 | |
| CN111488740B (zh) | 一种因果关系的判别方法、装置、电子设备及存储介质 | |
| CN111931067B (zh) | 兴趣点推荐方法、装置、设备和介质 | |
| US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
| US11907671B2 (en) | Role labeling method, electronic device and storage medium | |
| CN113553414B (zh) | 智能对话方法、装置、电子设备和存储介质 | |
| US20220067439A1 (en) | Entity linking method, electronic device and storage medium | |
| CN111274407B (zh) | 知识图谱中三元组置信度计算方法和装置 | |
| JP7133002B2 (ja) | 句読点予測方法および装置 | |
| CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
| CN111797216B (zh) | 检索项改写方法、装置、设备以及存储介质 | |
| CN112466280B (zh) | 语音交互方法、装置、电子设备和可读存储介质 | |
| CN111523007B (zh) | 用户感兴趣信息确定方法、装置、设备以及存储介质 | |
| CN113255398B (zh) | 兴趣点判重方法、装置、设备和存储介质 | |
| CN112328896B (zh) | 用于输出信息的方法、装置、电子设备和介质 | |
| EP3822818A1 (en) | Method, apparatus, device and storage medium for intelligent response | |
| CN110674262B (zh) | 词语识别方法、装置、电子设备和介质 | |
| CN111339314B (zh) | 一种三元组数据的生成方法、装置和电子设备 | |
| CN113449754B (zh) | 标签的匹配模型训练和展示方法、装置、设备及介质 | |
| CN111339241B (zh) | 一种问题查重方法、装置以及电子设备 | |
| CN111382562B (zh) | 文本相似度的确定方法、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 |