CN113342912B - 地理位置区域的编码方法、建立编码模型的方法及装置 - Google Patents
地理位置区域的编码方法、建立编码模型的方法及装置 Download PDFInfo
- Publication number
- CN113342912B CN113342912B CN202110565434.6A CN202110565434A CN113342912B CN 113342912 B CN113342912 B CN 113342912B CN 202110565434 A CN202110565434 A CN 202110565434A CN 113342912 B CN113342912 B CN 113342912B
- Authority
- CN
- China
- Prior art keywords
- geographic
- sample
- coding
- position area
- area
- 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 77
- 230000006870 function Effects 0.000 claims abstract description 67
- 238000009826 distribution Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 238000007499 fusion processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 235000013410 fast food Nutrition 0.000 description 5
- 238000004364 calculation method 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
- 238000012216 screening Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 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
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- 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
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了一种地理位置区域的编码方法、建立编码模型的方法及装置,涉及人工智能技术领域中的大数据和深度学习技术。具体实现方案为:确定待编码的地理位置区域;获取所述地理位置区域的至少一种地理功能信息和至少一种地物分布信息;将获取的地理功能信息和地物分布信息输入编码模型,所述编码模型对地理功能信息和地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到所述地理位置区域的编码结果。本公开实现了对地理位置区域的合理编码,使得地理功能和地物分布相似的地理位置区域的编码结果更加相似。
Description
技术领域
本公开涉及计算机应用技术领域,尤其涉及人工智能技术中的大数据和深度学习技术。
背景技术
随着移动互联网技术的迅速发展,移动互联网应用从方方面面影响着我们的生活。与PC(Personal Computer,个人计算机)时代不同,几乎所有的移动应用都增加了一个全新维度的信息:地理位置。
为了方便对地理位置进行记录和应用,需要对不同的地理位置区域进行合理的编码。
发明内容
有鉴于此,本公开提供了一种地理位置区域的编码方法、装置、设备和计算机存储介质,以便于实现对地理位置区域的合理编码。
根据本公开的第一方面,提供了一种建立编码模型的方法,包括:
获取训练数据,所述训练数据包括一个以上的三元组,所述三元组包括地理位置区域的锚样本、正样本和负样本;
利用所述训练数据训练编码模型;所述编码模型针对各样本分别执行:对样本的至少一种地理功能信息和至少一种地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到样本的编码结果;
所述编码模型的训练目标包括:最小化三元组中锚样本的编码结果和正样本的编码结果之间的距离,最大化三元组中锚样本的编码结果和负样本的编码结果之间的距离。
根据本公开的第二方面,提供了一种地理位置区域的编码方法,包括:
确定待编码的地理位置区域;
获取所述地理位置区域的至少一种地理功能信息和至少一种地物分布信息;
将获取的地理功能信息和地物分布信息输入编码模型,所述编码模型对地理功能信息和地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到所述地理位置区域的编码结果。
根据本公开的第三方面,提供了一种建立编码模型的装置,包括:
获取单元,用于获取训练数据,所述训练数据包括一个以上的三元组,所述三元组包括地理位置区域的锚样本、正样本和负样本;
训练单元,用于利用所述训练数据训练编码模型;所述编码模型针对各样本分别执行:对样本的至少一种地理功能信息和至少一种地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到样本的编码结果;
所述编码模型的训练目标包括:最小化三元组中锚样本的编码结果和正样本的编码结果之间的距离,最大化三元组中锚样本的编码结果和负样本的编码结果之间的距离。
根据本公开的第四方面,提供了一种地理位置区域的编码装置,包括:
确定单元,用于确定待编码的地理位置区域;
获取单元,用于获取所述地理位置区域的至少一种地理功能信息和至少一种地物分布信息;
编码单元,用于将获取的地理功能信息和地物分布信息输入编码模型,所述编码模型对地理功能信息和地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到所述地理位置区域的编码结果。
根据本公开的第五方面,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如上所述的方法。
根据本公开的第六方面,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,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第七方面,一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
由以上技术方案可以看出,本公开提供的编码模型基于地理位置区域的地理功能信息和地物分布信息进行编码,能够使得地理功能和地物分布相似的地理位置区域的编码结果更加相似,这种编码方式相比较传统编码方式更加合理。
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为本公开实施例提供的建立编码模型的方法流程图;
图2为本公开实施例提供的编码模型的结构示意图;
图3为本公开实施例提供的地理位置区域的编码方法流程图;
图4为本公开实施例提供的应用地理位置区域编码结果的实例图;
图5为本公开实施例提供的建立编码模型的装置结构图;
图6为本公开实施例提供的地理位置区域的编码装置结构图;
图7是用来实现本公开实施例的电子设备的框图。
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。
地理位置区域编码是使用一个代码对地理位置区域进行表示,用于在有限的地理位置区域集中将其与其他地理位置区域区分开。
其中地理位置区域可以按照行政区划进行划分,例如一个市、一个区、一个街区,等等。也可以按照预先设置的精度和形状进行划分,例如划分成1km×1km的区格,每个区格作为一个地理位置区域。等等。
目前所有传统的地理区域编码方式都遵照“在实际空间距离上相近的地理位置区域具有更加相似的编码”这一原则,也就是说,传统的地理位置区域的编码是基于位置信息进行的,例如常用的GeoHash编码。然而在实际应用中,这些编码方式并不合理。而本公开的核心思路是基于“在地理功能和地物分布相似的地理位置区域具有更加相似的编码”这一原则。下面结合实施例对本公开所提供的方法进行详细描述。
本公开中对地理位置区域的编码主要基于编码模型实现,因此主要包括两个阶段:建立编码模型的阶段和利用编码模型对地理位置区域进行编码的阶段。下面分别对这两个阶段进行描述。
图1为本公开实施例提供的建立编码模型的方法流程图,该方法的执行主体可以为建立编码模型的装置,该装置可以是位于服务器端的应用,或者还可以为位于服务器端的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,或者,还可以位于具有较强计算能力的计算机终端,本发明实施例对此不进行特别限定。如图1中所示,该方法可以包括以下步骤:
在101中,获取训练数据,训练数据包括一个以上的三元组,三元组包括地理位置区域的锚样本、正样本和负样本。
在102中,利用训练数据训练编码模型;编码模型针对各样本分别执行:对样本的至少一种地理功能信息和至少一种地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到样本的编码结果;编码模型的训练目标包括:最小化三元组中锚样本的编码结果和正样本的编码结果之间的距离,最大化三元组中锚样本的编码结果和负样本的编码结果之间的距离。
从上述实施例所示技术方案中可以看出,建立的编码模型基于地理位置区域的地理功能信息和地物分布信息进行编码,能够使得地理功能和地物分布相似的地理位置区域的编码结果更加相似。下面结合实施例对上述各步骤进行详细描述。
首先结合实施例对上述步骤101即“获取训练数据”进行详细描述。
在本公开中采用的训练数据均采用三元组,每个三元组包括锚样本、正样本和负样本。每个样本均为地理位置区域。其中正样本是在地理功能和地物分布上与锚样本非常相似的地理位置区域。负样本是在地理功能和地物分布上与锚样本不相似的地理位置区域。
训练数据中各三元组可以采用人工的方式选取。这种方式虽然准确性较高,但对于人力成本的消耗也较高,效率较低。因此,本公开实施例中提供了几种自动获取训练数据的方式,例如但不限于以下几种:
第一种方式:获取地理位置区域的锚样本,选取锚样本的邻居地理位置区域作为正样本,选取锚样本的非邻居地理位置区域作为负样本。
在本方式中,可以从预先划分得到的各地理位置区域中选择锚样本。在选择锚样本的正样本时,由于相邻两个地理位置区域在地理功能和地物分布上相似的可能性更大,因此,可以从锚样本邻居地理位置区域中选择一个作为正样本。选择方式可以是随机选择的方式,也可以是按照一定规则选择的方式。在选择锚样本的负样本时,可以从非邻居地理位置区域中选择一个作为负样本。选择方式同样可以是随机选择的方式,也可以是按照一定规则选择的方式。
第二种方式:从导航日志中,获取导航起始点所在的地理位置区域和导航终点所在的地理位置区域分别作为地理位置区域的锚样本和正样本,选取其他地理位置区域作为负样本。
基于用户所惯有的偏好,出发地和目的地在地理功能和地物分布上相似的可能性很大。因此可以从导航日志中获取大量用户的导航信息,对导航起始点和导航终点构成的所在地理位置区域对进行统计,将出现频率或出现次数满足一定条件的地理位置区域对作为锚样本和正样本。锚样本的负样本可以从除正样本和锚样本之外的其他地理位置区域中随机选取。
第三种方式:从检索日志中,获取检索的发起位置所在的地理位置区域和目标位置所在的地理位置区域分别作为地理位置区域的锚样本和正样本,随机选取其他地理位置区域作为负样本。
类似地,基于用户所惯有的偏好,用户发起检索的位置和检索的目标位置在地理功能和地物分布上相似的可能性很大。因此,可以从检索日志中获取大量用户的检索信息。对检索的发起位置和目标位置构成的所在地理位置区域对进行统计,将出现频率或出现次数满足一定条件的地理位置区域对作为锚样本和正样本。锚样本的负样本可以从除正样本和锚样本之外的其他地理位置区域中随机选取。
下面结合实施例对上述步骤102即“利用训练数据训练编码模型”的过程进行详细描述。
对于训练数据中的各三元组,对三元组中的样本均分别提取至少一种地理功能信息和至少一种地物分布信息。
地理功能信息可以包括POI(Point OfInterest,兴趣点)信息、用户信息和在该地理位置区域发起的地点查询词中的至少一种。
其中POI信息可以包括地理位置区域中包含的POI名称、POI类型、POI数量、地址等等。这些POI信息很大程度上能够反映出地理位置区域的地理功能。例如,迪士尼和游乐场所在的地理位置区域的地理功能类似。
用户信息可以包括地理位置区域中用户的年龄分布、性别比例、职业类型分布、受教育程度状况、薪水状况等等。例如,科技园类的地理位置区域中的用户呈现出:多为男性、25~35岁之间、程序员、大学以上学历、薪水较高的特点。
在该地理位置区域发起的地点查询词很大程度上反映了该地理位置区域的用户偏好,从一定程度上也反映了地理位置区域的地理功能。这部分数据也可以从检索日志中获取,将检索日志中在该地理位置区域发起的地点查询词进行统计,获取出现频率或出现次数满足一定条件的地点查询词。
地物分布信息可以包括地理位置区域的地图图像和实景图像中的至少一种。这些图像可以从地图类应用的服务端或数据库中获取。
地理位置区域的地图图像可以是在地图上显示的该地理位置区域的图像。该地图图像可以是卫星图像,也可以是底图图像。地图图像包含有诸如陆地、水系、绿地等多种区域类型的地图元素,还包含有诸如高速、城市主路、铁路等道路,还可以包含有诸如景点、酒店、学校、商场、店铺、写字楼、体育场等多种类型的POI。地图图像很好地反映了地理位置区域的地物分布。
实景图像指的是依据实际景象绘制或拍摄的图像,可以是诸如街景图像。实景图像也很好地反映了地理位置区域的地物分布。
为了方便下面实施例的描述和理解,后续实施例中以从地理位置区域(各样本)中提取POI信息、用户信息、在该地理位置区域发起的地点查询词、地图图像和实景图像这五类特征为例,这五类特征分别表示为:X1、X2、X3、X4和X5。
从地理位置区域中提取的上述五类特征X1、X2、X3、X4和X5输入编码模型,由编码模型对这五类特征分别进行嵌入处理,分别得到各类特征的向量表示,即POI信息的向量表示用户信息的向量表示在该地理位置区域发起的地点查询词的向量表示地图图像的向量表示以及实景图像的向量表示然后,将嵌入处理得到的各向量表示进行融合处理,得到该地理位置区域的编码结果v。
图2为本公开实施例提供的编码模型的结构示意图,如图2中所示,在编码模型中可以包括至少两个嵌入网络,嵌入网络的个数与从地理位置区域中提取的特征类型的数量一致。以上述X1、X2、X3、X4和X5五类特征为例,那么编码模型中包括5个嵌入网络,分别表示为M1、M2、M3、M4和M5。
对于嵌入网络M1、M3而言,由于其输入的POI信息和查询词通常为文本类的数据,因此,可以采用诸如RNN等类型的神经网络。嵌入网络M1、M3进行的嵌入处理可以分别表示为:M1(X1,θ1)和M3(X3,θ3),其中,θ1和θ3分别为嵌入网络M1、M3的模型参数。
对于嵌入网络M2而言,由于其输入的用户信息通常为属性分布类的数据,因此,可以采用诸如DNN等类型的神经网络。嵌入网络M2进行的嵌入处理可以分别表示为:M2(X2,θ2),其中,θ2为嵌入网络M2的模型参数。
对于嵌入网络M4和M5而言,由于其输入的是图像类的数据,因此可以采用诸如CNN等类型的神经网络。嵌入网络M4、M5进行的嵌入处理可以分别表示为:M4(X4,θ4)和M5(X5,θ5),其中,θ4和θ5分别为嵌入网络M4和M5的模型参数。
各嵌入网络输出的向量表示送入融合网络进行融合处理,得到对地理位置区域的编码结果v。其中,融合处理可以是对各向量表示进行拼接后,经过全连接的映射得到编码结果。或者,融合处理也可以是对各向量表示进行取外积的处理后得到编码结果。还可以是其他处理方式,此处不做一一列举。融合网络的模型参数表示为θ。
在训练过程中,对于三元组(va,v+,v-),va为锚样本,v+为正样本,v-为负样本。编码模型的训练目标包括:最小化三元组中锚样本的编码结果和正样本的编码结果之间的距离,最大化三元组中锚样本的编码结果和负样本的编码结果之间的距离。
假设上述编码模型对各样本的处理表示为f(),那么损失函数可以定义为诸如:
在训练过程中,每一轮迭代利用损失函数的值更新编码模型的模型参数,即上述的θ1、θ2、θ3、θ4、θ5和θ。直至满足训练结束条件,例如损失函数的取值收敛、达到预设的迭代次数,等等。
至此训练得到编码模型,基于训练得到的编码模型可以用以对地理位置区域进行编码。图3为本公开实施例提供的地理位置区域的编码方法流程图,该方法的执行主体可以为地理位置区域的编码装置,该装置可以是位于服务器端的应用,或者还可以为位于服务器端的应用中的插件或SDK等功能单元,或者,还可以位于具有较强计算能力的计算机终端,本发明实施例对此不进行特别限定。如图3中所示,该方法可以包括以下步骤:
在301中,确定待编码的地理位置区域。
在302中,获取地理位置区域的至少一种地理功能信息和至少一种地物分布信息。
在303中,将获取的地理功能信息和地物分布信息输入编码模型,编码模型对地理功能信息和地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到地理位置区域的编码结果。
下面结合实施例对上述各步骤进行详细描述。
首先对上述步骤301即“确定待编码的地理位置区域”进行详细描述。
可以将按照预设的精度预先划分得到的地理位置区域分别作为待编码的地理位置区域,逐一确定编码结果。也可以将其中一个地理位置区域作为待编码的地理位置区域确定编码结果。
实际使用场景中,会存在这样一种情况。即获取到用户的地理位置坐标,该地理位置坐标作为输入,确定该地理位置坐标所在的地理位置区域作为待编码的地理位置区域。
在该使用场景下,可以实时地利用编码模型确定输入的地理位置坐标所在地理位置区域的编码结果。也可以预先针对各地理位置区域获取编码结果后进行存储,获取到输入的地理位置坐标后,通过查询存储的各地理位置区域的编码结果的方式确定该地理位置坐标所在地理位置区域的编码结果。
对于步骤302中获取地理位置区域的至少一种地理功能信息和至少一种地物分布信息可以参见图1所示实施例中针对步骤102中的记载,在此不做赘述。另外,在训练编码模型过程中采用哪些特征,那么在本步骤中也同样提取哪些特征。
在训练得到图2中所示的编码模型后,在上述步骤303中,将提取的地理功能信息和地物分布信息等多种特征分别输入各嵌入网络。由各嵌入网络对各特征进行编码后得到各向量表示,然后由融合网络对各向量表示进行融合处理,得到对待编码的地理位置区域的编码结果。也就是说,将各种类型的特征进行多模信息的编码后,映射到统一的编码结果。例如映射到数字编码结果。
其中,各嵌入网络和融合网络的具体处理可以参见图1所示实施例的相关记载,在此不做赘述。
通过上述的编码方式能够使得在地理功能和地物分布上相似的地理位置区域具有更加相似的编码结果。
在利用上述实施例中的方式对地理位置区域进行编码后,可以应用于多种应用场景。下面仅列举以下几种:
第一种应用场景:利用地理位置区域的编码结果之间的距离,确定相似的地理位置区域。
例如,地图类应用中需要找到所有立交桥以便进行信息核验。那么可以找到一个立交桥的地块后,利用编码结果的相似性,找到与该地块的编码结果满足相似性要求的所有其他地块。找到的这些地块理论上应该也是地交桥所在的地块,对这些地块进行筛选和核验,例如如果在立交桥上出现店铺类POI,则显然是错误的。
再例如,需要对某快餐连锁店进行选址,则可以将营业状况很好的分店所在的地块确定出后,利用编码结果的相似性找到与这些地块满足一定相似性要求的地块,从这些地块中选址建立该快餐连锁店的新分店。因为地理功能和地物分布的相似性,新选址的地块上建立的该快餐连锁店的新分店应该也会具有较好的营业状况。
再例如,用户需要确定具有特定地理特色的区域时,可以首先选择一个具有该特色的区域,将该区域作为查询区域。将该查询区域的编码结果与其他地理位置区域的编码结果进行相似度计算,从而筛选出排在前N个的地理位置区域,N为预设的正整数。这些筛选出的地理位置区域同样具有该特定地理特色。举个实例:例如用户想要查找具有居民区和河流的区域,或者说,居民区临近河流的区域。如图4中所示,用户首先找出一个临近河流的小区A,想找到与此类似的其他小区。那么可以将该小区A所在的地理位置区域作为查询区域。将该查询区域的编码结果与其他地理位置区域的编码结果进行相似度计算,实际上进行的是地理语义上的相似度计算,筛选出排在前10个的地理位置区域,这10个地理位置区域中包含的小区可以认为是临近河流的小区,例如从中筛选出小区B。采用类似方式还可以查找诸如近河流的别墅区、近公路和河流的工作区、跨江隧道、近学校的小区群等等。
第二种应用场景:基于用户所在地理位置区域的编码结果,对用户进行搜索推荐。
例如,用户发起搜索时,获取用户搜索时所在地理位置区域,将该地理位置区域的编码结果作为输入特征之一进行搜索推荐。例如在输入框中输入“ba”时,随着用户输入会通过诸如下拉框的形式向用户进行搜索词的推荐。用户位于北京某酒店,则优先向其推荐诸如“八达岭长城”等景区。用户位于科技园,则优先向其推荐诸如“百度大厦”等科技类公司的办公楼。
第三种应用场景:基于用户所在地理位置区域的编码结果,对用户进行搜索结果排序。
例如,用户发起搜索时,获取用户搜索时所在地理位置区域,将该地理位置区域的编码结果作为输入特征之一进行搜索结果的排序。这种搜索结果的排序方式使得推荐能够基于地理位置区域的地理功能和地物分布。例如,对于在北京某软件园和成都某软件园所发起的餐馆类搜索,虽然两者在地理位置上相去甚远,但由于地理功能和地物分布的相似性使其编码结果高度相似,基于此进行的餐馆类搜索结果也存在一定相似性,例如都偏好快餐类。
再例如,北京某软件园和金融街距离很近,但两者的编码结果相去甚远。因此在进行餐馆类搜索结果的排序时,也会呈现很大不同。例如,针对软件园的用户优先返回快餐类餐馆,而对于金融街的用户优先西餐类餐馆。
以上是对本公开所提供方法进行的详细描述,下面结合实施例对本公开所提供的装置进行的详细描述。
图5为本公开实施例提供的建立编码模型的装置结构图,如图5中所示,该装置500可以包括:获取单元501和训练单元502,还可以包括划分单元503。其中各组成单元的主要功能如下:
获取单元501,用于获取训练数据,训练数据包括一个以上的三元组,三元组包括地理位置区域的锚样本、正样本和负样本。
训练单元502,用于利用训练数据训练编码模型;编码模型针对各样本分别执行:对样本的至少一种地理功能信息和至少一种地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到样本的编码结果。
编码模型的训练目标包括:最小化三元组中锚样本的编码结果和正样本的编码结果之间的距离,最大化三元组中锚样本的编码结果和负样本的编码结果之间的距离。
其中,地理功能信息可以包括兴趣点信息、用户信息和在该地理位置区域发起的地点查询词中的至少一种;
地物分布信息可以包括地图图像和实景图像中的至少一种。
其中,获取单元501可以采用但不限于以下几种方式获取训练数据:
第一种方式:获取地理位置区域的锚样本,选取锚样本的邻居地理位置区域作为正样本,选取锚样本的非邻居地理位置区域作为负样本。
第二种方式:从导航日志中,获取导航起始点所在的地理位置区域和导航终点所在的地理位置区域分别作为地理位置区域的锚样本和正样本,选取其他地理位置区域作为负样本。
第三种方式:从检索日志中,获取检索的发起位置所在的地理位置区域和目标位置所在的地理位置区域分别作为地理位置区域的锚样本和正样本,选取其他地理位置区域作为负样本。
划分单元503,用于按照预设的精度预先划分地理位置区域。
作为一种可实现的方式,编码模型可以包括:至少两个嵌入网络以及融合网络。
训练单元502可以将从样本中提取的至少一种地理功能信息和至少一种地物分布信息分别输入各嵌入网络。
嵌入网络,用于对输入的信息进行嵌入处理,得到对应的向量表示。
融合网络,用于对各嵌入网络输出的向量表示进行融合处理,得到样本的编码结果。
训练单元502在训练编码模型时,依据损失函数的取值迭代更新嵌入网络和融合网络的模型参数,其中,损失函数依据训练目标预先构建得到。
图6为本公开实施例提供的地理位置区域的编码装置结构图,如图6中所示,该装置600可以包括:确定单元601、获取单元602和编码单元603,还可以包括划分单元604和应用单元605。
确定单元601,用于确定待编码的地理位置区域。
获取单元602,用于获取地理位置区域的至少一种地理功能信息和至少一种地物分布信息。
编码单元603,用于将获取的地理功能信息和地物分布信息输入编码模型,编码模型对地理功能信息和地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到地理位置区域的编码结果。
其中,地理功能信息包括兴趣点信息、用户信息和在该地理位置区域发起的地点查询词中的至少一种;
地物分布信息包括底图图像和街景图像中的至少一种。
划分单元604,用于按照预设的精度预先划分地理位置区域。
作为一种可实现的方式,确定单元601获取输入的地理位置坐标;确定地理位置坐标所在的地理位置区域作为待编码的地理位置区域。
作为另一种可实现的方式,确定单元601可以将划分得到的各地理位置区域分别作为待编码的地理位置区域。
应用单元605,用于利用地理位置区域的编码结果之间的距离,确定相似的地理位置区域;或者,基于用户所在地理位置区域的编码结果,对用户进行搜索推荐或搜索结果排序。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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。
如图7所示,是根据本公开实施例的地理位置区域的编码方法、建立编码模型的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/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如地理位置区域的编码方法、建立编码模型的方法。例如,在一些实施例中,地理位置区域的编码方法、建立编码模型的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708。
在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的地理位置区域的编码方法、建立编码模型的方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行地理位置区域的编码方法、建立编码模型的方法。
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、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30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)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,以解决传统物理主机与虚拟专用服务器(VPs,Ⅵirtual Private Server)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。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本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 (21)
1.一种建立编码模型的方法,包括:
获取训练数据,所述训练数据包括一个以上的三元组,所述三元组包括地理位置区域的锚样本、正样本和负样本;
利用所述训练数据训练编码模型;所述编码模型针对各样本分别执行:对样本的至少一种地理功能信息和至少一种地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到样本的编码结果;其中,所述嵌入处理是指特征表达处理;
所述编码模型的训练目标包括:最小化三元组中锚样本的编码结果和正样本的编码结果之间的距离,最大化三元组中锚样本的编码结果和负样本的编码结果之间的距离。
2.根据权利要求1所述的方法,其中,所述地理功能信息包括兴趣点信息、用户信息和在该地理位置区域发起的地点查询词中的至少一种;
所述地物分布信息包括地图图像和实景图像中的至少一种。
3.根据权利要求1所述的方法,其中,所述获取训练数据包括:
获取地理位置区域的锚样本,选取锚样本的邻居地理位置区域作为正样本,选取锚样本的非邻居地理位置区域作为负样本;或者,
从导航日志中,获取导航起始点所在的地理位置区域和导航终点所在的地理位置区域分别作为地理位置区域的锚样本和正样本,选取其他地理位置区域作为负样本;或者,
从检索日志中,获取检索的发起位置所在的地理位置区域和目标位置所在的地理位置区域分别作为地理位置区域的锚样本和正样本,选取其他地理位置区域作为负样本。
4.根据权利要求1至3中任一项所述的方法,还包括:按照预设的精度预先划分地理位置区域。
5.根据权利要求1至3中任一项所述的方法,其中,所述编码模型包括:至少两个嵌入网络以及融合网络;
将从样本中提取的至少一种地理功能信息和至少一种地物分布信息分别输入各嵌入网络;其中,所述嵌入网络为用于执行所述嵌入处理的神经网络;
所述嵌入网络对输入的信息进行嵌入处理,得到对应的向量表示;
所述融合网络对各嵌入网络输出的向量表示进行融合处理,得到样本的编码结果;
在训练所述编码模型时,依据损失函数的取值迭代更新所述嵌入网络和融合网络的模型参数,其中,所述损失函数依据所述训练目标预先构建得到。
6.一种地理位置区域的编码方法,包括:
确定待编码的地理位置区域;
获取所述地理位置区域的至少一种地理功能信息和至少一种地物分布信息;
将获取的地理功能信息和地物分布信息输入编码模型,所述编码模型对地理功能信息和地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到所述地理位置区域的编码结果;其中,所述嵌入处理是指特征表达处理。
7.根据权利要求6所述的方法,其中,所述地理功能信息包括兴趣点信息、用户信息和在该地理位置区域发起的地点查询词中的至少一种;
所述地物分布信息包括底图图像和街景图像中的至少一种。
8.根据权利要求6所述的方法,还包括:按照预设的精度预先划分地理位置区域;
所述确定待编码的地理位置区域包括:获取输入的地理位置坐标;确定所述地理位置坐标所在的地理位置区域作为所述待编码的地理位置区域。
9.根据权利要求6至8中任一项所述的方法,还包括:
利用地理位置区域的编码结果之间的距离,确定相似的地理位置区域;或者,
基于用户所在地理位置区域的编码结果,对所述用户进行搜索推荐或搜索结果排序。
10.一种建立编码模型的装置,包括:
获取单元,用于获取训练数据,所述训练数据包括一个以上的三元组,所述三元组包括地理位置区域的锚样本、正样本和负样本;
训练单元,用于利用所述训练数据训练编码模型;所述编码模型针对各样本分别执行:对样本的至少一种地理功能信息和至少一种地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到样本的编码结果;其中,所述嵌入处理是指特征表达处理;
所述编码模型的训练目标包括:最小化三元组中锚样本的编码结果和正样本的编码结果之间的距离,最大化三元组中锚样本的编码结果和负样本的编码结果之间的距离。
11.根据权利要求10所述的装置,其中,所述地理功能信息包括兴趣点信息、用户信息和在该地理位置区域发起的地点查询词中的至少一种;
所述地物分布信息包括地图图像和实景图像中的至少一种。
12.根据权利要求10所述的装置,其中,所述获取单元具体用于:
获取地理位置区域的锚样本,选取锚样本的邻居地理位置区域作为正样本,选取锚样本的非邻居地理位置区域作为负样本;或者,
从导航日志中,获取导航起始点所在的地理位置区域和导航终点所在的地理位置区域分别作为地理位置区域的锚样本和正样本,选取其他地理位置区域作为负样本;或者,
从检索日志中,获取检索的发起位置所在的地理位置区域和目标位置所在的地理位置区域分别作为地理位置区域的锚样本和正样本,选取其他地理位置区域作为负样本。
13.根据权利要求10至12中任一项所述的装置,还包括:
划分单元,用于按照预设的精度预先划分地理位置区域。
14.根据权利要求10至12中任一项所述的装置,其中,所述编码模型包括:至少两个嵌入网络以及融合网络;其中,所述嵌入网络为用于执行所述嵌入处理的神经网络;
所述训练单元,具体用于将从样本中提取的至少一种地理功能信息和至少一种地物分布信息分别输入各嵌入网络;
所述嵌入网络,用于对输入的信息进行嵌入处理,得到对应的向量表示;
所述融合网络,用于对各嵌入网络输出的向量表示进行融合处理,得到样本的编码结果;
所述训练单元在训练所述编码模型时,依据损失函数的取值迭代更新所述嵌入网络和融合网络的模型参数,其中,所述损失函数依据所述训练目标预先构建得到。
15.一种地理位置区域的编码装置,包括:
确定单元,用于确定待编码的地理位置区域;
获取单元,用于获取所述地理位置区域的至少一种地理功能信息和至少一种地物分布信息;
编码单元,用于将获取的地理功能信息和地物分布信息输入编码模型,所述编码模型对地理功能信息和地物分布信息分别进行嵌入处理,将嵌入处理得到的各向量表示进行融合处理,得到所述地理位置区域的编码结果;其中,所述嵌入处理是指特征表达处理。
16.根据权利要求15所述的装置,其中,所述地理功能信息包括兴趣点信息、用户信息和在该地理位置区域发起的地点查询词中的至少一种;
所述地物分布信息包括底图图像和街景图像中的至少一种。
17.根据权利要求15所述的装置,还包括:
划分单元,用于按照预设的精度预先划分地理位置区域;
所述确定单元,具体用于获取输入的地理位置坐标;确定所述地理位置坐标所在的地理位置区域作为所述待编码的地理位置区域。
18.根据权利要求15至17中任一项所述的装置,还包括:
应用单元,用于利用地理位置区域的编码结果之间的距离,确定相似的地理位置区域;或者,基于用户所在地理位置区域的编码结果,对所述用户进行搜索推荐或搜索结果排序。
19.一种电子设备,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1-9中任一项所述的方法。
20.一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权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,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1-9中任一项所述的方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565434.6A CN113342912B (zh) | 2021-05-24 | 2021-05-24 | 地理位置区域的编码方法、建立编码模型的方法及装置 |
PCT/CN2021/131177 WO2022247165A1 (zh) | 2021-05-24 | 2021-11-17 | 地理位置区域的编码方法、建立编码模型的方法及装置 |
EP21918110.4A EP4174712A4 (en) | 2021-05-24 | 2021-11-17 | CODING METHOD AND DEVICE FOR A GEOGRAPHICAL LOCATION AREA AND METHOD AND DEVICE FOR PRODUCING A CODING MODEL |
US17/793,999 US20240177469A1 (en) | 2021-05-24 | 2021-11-17 | Method and apparatus for encoding geographic location region as well as method and apparatus for establishing encoding model |
KR1020227024676A KR20220160534A (ko) | 2021-05-24 | 2021-11-17 | 지리적 위치 구역의 인코딩 방법, 인코딩 모델을 구축하는 방법 및 장치 |
JP2022543043A JP2023530795A (ja) | 2021-05-24 | 2021-11-17 | 地理的位置区域の符号化方法、符号化モデルを確立する方法、及び装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565434.6A CN113342912B (zh) | 2021-05-24 | 2021-05-24 | 地理位置区域的编码方法、建立编码模型的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113342912A CN113342912A (zh) | 2021-09-03 |
CN113342912B true CN113342912B (zh) | 2022-03-18 |
Family
ID=77471102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110565434.6A Active CN113342912B (zh) | 2021-05-24 | 2021-05-24 | 地理位置区域的编码方法、建立编码模型的方法及装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240177469A1 (zh) |
EP (1) | EP4174712A4 (zh) |
JP (1) | JP2023530795A (zh) |
KR (1) | KR20220160534A (zh) |
CN (1) | CN113342912B (zh) |
WO (1) | WO2022247165A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342912B (zh) * | 2021-05-24 | 2022-03-18 | 北京百度网讯科技有限公司 | 地理位置区域的编码方法、建立编码模型的方法及装置 |
CN113837162B (zh) * | 2021-11-29 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 数据处理方法及相关装置 |
CN114926655B (zh) * | 2022-05-20 | 2023-09-26 | 北京百度网讯科技有限公司 | 地理与视觉跨模态预训练模型的训练方法、位置确定方法 |
CN114998684B (zh) * | 2022-05-20 | 2023-06-23 | 北京百度网讯科技有限公司 | 地理与视觉跨模态预训练模型的训练方法、定位调整方法 |
KR102664445B1 (ko) * | 2023-01-12 | 2024-05-10 | 이다경 | 건축토지를 매칭하고 실내 인테리어를 제공하는 서비스 제공 장치, 시스템, 방법 및 프로그램 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103609144A (zh) * | 2011-06-16 | 2014-02-26 | 诺基亚公司 | 用于解析地理标识的方法和装置 |
CN108628904B (zh) * | 2017-03-23 | 2021-03-02 | 北京嘀嘀无限科技发展有限公司 | 一种路径编码、相似路径检索方法及装置和电子设备 |
CN110727816A (zh) * | 2018-06-29 | 2020-01-24 | 百度在线网络技术(北京)有限公司 | 兴趣点类别确定方法和装置 |
CN110008293B (zh) * | 2019-02-02 | 2022-12-27 | 创新先进技术有限公司 | 地理位置查询方法及装置 |
AU2019200976A1 (en) * | 2019-02-12 | 2020-08-27 | Canon Kabushiki Kaisha | Method, system and apparatus for generating training samples for matching objects in a sequence of images |
WO2021020299A1 (ja) * | 2019-07-30 | 2021-02-04 | 株式会社Nttドコモ | 人気度推定システム及び地理的特徴生成モデル |
CN110866140B (zh) * | 2019-11-26 | 2024-02-02 | 腾讯科技(深圳)有限公司 | 图像特征提取模型训练方法、图像搜索方法及计算机设备 |
CN111274936B (zh) * | 2020-01-19 | 2023-04-18 | 中国科学院上海高等研究院 | 多光谱图像地物分类方法、系统、介质及终端 |
CN111666461B (zh) * | 2020-04-24 | 2023-05-26 | 百度在线网络技术(北京)有限公司 | 检索地理位置的方法、装置、设备和计算机存储介质 |
CN111666292B (zh) * | 2020-04-24 | 2023-05-26 | 百度在线网络技术(北京)有限公司 | 用于检索地理位置的相似度模型建立方法和装置 |
CN111666462B (zh) * | 2020-04-28 | 2021-09-21 | 百度在线网络技术(北京)有限公司 | 地理位置的推荐方法、装置、设备和计算机存储介质 |
CN112269925B (zh) * | 2020-10-19 | 2024-03-22 | 北京百度网讯科技有限公司 | 一种获取地理位置点信息的方法和装置 |
CN112559885B (zh) * | 2020-12-25 | 2024-01-12 | 北京百度网讯科技有限公司 | 地图兴趣点的训练模型确定方法、装置及电子设备 |
CN113342912B (zh) * | 2021-05-24 | 2022-03-18 | 北京百度网讯科技有限公司 | 地理位置区域的编码方法、建立编码模型的方法及装置 |
-
2021
- 2021-05-24 CN CN202110565434.6A patent/CN113342912B/zh active Active
- 2021-11-17 US US17/793,999 patent/US20240177469A1/en active Pending
- 2021-11-17 JP JP2022543043A patent/JP2023530795A/ja active Pending
- 2021-11-17 EP EP21918110.4A patent/EP4174712A4/en not_active Withdrawn
- 2021-11-17 KR KR1020227024676A patent/KR20220160534A/ko not_active Application Discontinuation
- 2021-11-17 WO PCT/CN2021/131177 patent/WO2022247165A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US20240177469A1 (en) | 2024-05-30 |
JP2023530795A (ja) | 2023-07-20 |
KR20220160534A (ko) | 2022-12-06 |
WO2022247165A1 (zh) | 2022-12-01 |
EP4174712A4 (en) | 2024-03-20 |
CN113342912A (zh) | 2021-09-03 |
EP4174712A1 (en) | 2023-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113342912B (zh) | 地理位置区域的编码方法、建立编码模型的方法及装置 | |
US11835352B2 (en) | Identifying, processing and displaying data point clusters | |
CN110726418B (zh) | 兴趣点区域确定方法、装置、设备及存储介质 | |
CN111858820A (zh) | 用地性质识别方法、装置、电子设备及存储介质 | |
CN110309433B (zh) | 一种数据处理方法、装置及服务器 | |
JP2022504597A (ja) | エリアの分割方法と装置、電子装置およびプログラム | |
US9811539B2 (en) | Hierarchical spatial clustering of photographs | |
CN114372133A (zh) | 查询信息问答方法、相关装置及计算机程序产品 | |
CN107391516B (zh) | 公交站点聚合方法及装置 | |
CN113160693B (zh) | 一种道路路口的处理方法、装置、设备和存储介质 | |
CN112988933A (zh) | 地址信息管理的方法和装置 | |
CN112539761B (zh) | 数据处理方法、装置、设备、存储介质及计算机程序产品 | |
CN114820960B (zh) | 构建图谱的方法、装置、设备和介质 | |
US10452733B2 (en) | Semantic location and proximity of maps | |
CN113360791B (zh) | 电子地图的兴趣点查询方法、装置、路侧设备及车辆 | |
CN112861023B (zh) | 地图信息处理方法、装置、设备、存储介质及程序产品 | |
CN113112058B (zh) | 一种基于知识图谱与蚁群算法的旅游路线推荐方法 | |
CN115527028A (zh) | 地图数据处理方法及装置 | |
CN114036414A (zh) | 兴趣点的处理方法、装置、电子设备、介质及程序产品 | |
CN113868532B (zh) | 一种地点推荐方法、装置、电子设备及存储介质 | |
CN118524087A (zh) | 基于ip地址的定位方法、装置、计算机设备和存储介质 | |
CN117824687A (zh) | 路径规划方法和装置、电子设备、计算机可读存储介质 | |
CN114282123A (zh) | 一种利用poi和小区边界数据分析建筑物用地属性的方法 | |
CN113962445A (zh) | 道路选取方法、装置、电子设备和可读存储介质 | |
CN114064953A (zh) | 图片搜索方法、装置、电子设备以及存储介质 |
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 |