CN113722605A - 实时兴趣信息的计算方法及系统 - Google Patents

实时兴趣信息的计算方法及系统 Download PDF

Info

Publication number
CN113722605A
CN113722605A CN202111291295.9A CN202111291295A CN113722605A CN 113722605 A CN113722605 A CN 113722605A CN 202111291295 A CN202111291295 A CN 202111291295A CN 113722605 A CN113722605 A CN 113722605A
Authority
CN
China
Prior art keywords
target user
real
time
user
interest information
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.)
Pending
Application number
CN202111291295.9A
Other languages
English (en)
Inventor
刘少杰
赵征
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Qidaisong Technology Co ltd
Original Assignee
Beijing Qidaisong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Qidaisong Technology Co ltd filed Critical Beijing Qidaisong Technology Co ltd
Priority to CN202111291295.9A priority Critical patent/CN113722605A/zh
Publication of CN113722605A publication Critical patent/CN113722605A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种实时兴趣信息的计算方法及系统，方法包括：获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重；生成目标用户的实时兴趣信息。上述方式根据用户在物理空间内的轨迹和停留时间，推算用户对当前物理空间的各个子空间的感兴趣程度，进而生成针对与用户的个性化信息，使得为用户生成的个性化信息具有更高的价值。

Description

实时兴趣信息的计算方法及系统
技术领域
本发明涉及计算机技术领域，具体涉及一种实时兴趣信息的计算方法及系统。
背景技术
目前，越来越多的平台都具有个性化推荐的需求，通常会通过feed流、视频流、消息推送等方式进行个性化推荐，从而达到吸引用户参与、提升用户停留的效果。
但是，发明人在实现本发明的过程中发现：现有技术中通常是基于用户画像标签和用户对线上内容的反馈生成用户可能感兴趣的信息，也即针对于用户的个性化信息，而没有考虑用户在当前所处的物理空间内的兴趣需求，导致为用户生成的个性化信息价值不高。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的实时兴趣信息的计算方法及系统。
根据本发明的一个方面，提供了一种实时兴趣信息的计算方法，包括：
获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；
根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重；
生成目标用户的实时兴趣信息。
可选地，根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重进一步包括：
将目标用户的当前空间轨迹以及停留时间作为循环神经网络模型的输入，通过循环神经网络模型，计算目标用户对应的各个子空间的标签权重。
可选地，方法进一步包括：
以前N-1个历史活动地点和停留时长为输入，以第N个历史活动地点和停留时长为结果，作为时序数列训练得到循环神经网络模型。
可选地，生成目标用户的实时兴趣信息进一步包括：
若存在至少一个第一用户其对应的各个子空间的标签权重与目标用户对应的各个子空间的标签权重相似，根据至少一个第一用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
可选地，生成目标用户的实时兴趣信息进一步包括：
根据目标用户对应的各个子空间的标签权重及其社交用户的空间轨迹，生成目标用户的实时兴趣信息。
可选地，方法进一步包括：
根据目标用户的历史步行距离数据确定步行距离阈值；
若实时兴趣信息对应的空间位置与目标用户的实时空间位置之间的步行距离超过步行距离阈值，过滤实时兴趣信息。
可选地，方法进一步包括：
确定实时兴趣信息对应的第二用户的数量；
其中，第二用户的实时空间位置和实时兴趣信息对应的空间位置之间的距离小于预设距离阈值；
若第二用户的数量高于预设数量阈值，则过滤实时兴趣信息。
可选地，方法进一步包括：
根据其他用户的当前空间轨迹，判断其他用户中是否存在目标用户对应的同行用户；
生成目标用户的实时兴趣信息进一步包括：
根据同行用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
可选地，实时兴趣信息包括以下中的一种或多种：
传感器所采集的实时空间状态信息、基于视觉设备采集到的空间人员位置分布信息、基于视觉设备采集到的空间物体位置分布信息、标记用户上传的知识信息。
可选地，方法进一步包括：
响应于目标用户发起的信息拉取请求，向目标用户下发实时兴趣信息。
可选地，方法进一步包括：
将目标用户的实时兴趣信息加入推送消息队列。
根据本发明的另一方面，提供了一种实时兴趣信息的计算系统，包括：
轨迹获取模块，适于获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；
兴趣计算模块，适于根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
可选地，兴趣计算模块进一步适于：
将目标用户的当前空间轨迹以及停留时间作为循环神经网络模型的输入，通过循环神经网络模型，计算目标用户对应的各个子空间的标签权重。
可选地，装置进一步包括：模型训练模块，适于以前N-1个历史活动地点和停留时长为输入，以第N个历史活动地点和停留时长为结果，作为时序数列训练得到循环神经网络模型。
可选地，兴趣计算模块进一步适于：若存在至少一个第一用户其对应的各个子空间的标签权重与目标用户对应的各个子空间的标签权重相似，根据至少一个第一用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
可选地，兴趣计算模块进一步适于：根据目标用户对应的各个子空间的标签权重及其社交用户的空间轨迹，生成目标用户的实时兴趣信息。
可选地，装置进一步包括：过滤模块，适于根据目标用户的历史步行距离数据确定步行距离阈值；若实时兴趣信息对应的空间位置与目标用户的实时空间位置之间的步行距离超过步行距离阈值，过滤实时兴趣信息。
可选地，过滤模块进一步适于：确定实时兴趣信息对应的第二用户的数量；
其中，第二用户的实时空间位置和实时兴趣信息对应的空间位置之间的距离小于预设距离阈值；若第二用户的数量高于预设数量阈值，则过滤实时兴趣信息。
可选地，装置进一步包括：用户检测模块，适于根据其他用户的当前空间轨迹，判断其他用户中是否存在目标用户对应的同行用户；
兴趣计算模块进一步适于：根据同行用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
可选地，实时兴趣信息包括以下中的一种或多种：
传感器所采集的实时空间状态信息、基于视觉设备采集到的空间人员位置分布信息、基于视觉设备采集到的空间物体位置分布信息、标记用户上传的知识信息。
可选地，装置进一步包括：发送模块，适于响应于目标用户发起的信息拉取请求，向目标用户下发实时兴趣信息。
可选地，装置进一步包括：处理模块，适于将目标用户的实时兴趣信息加入推送消息队列。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述实时兴趣信息的计算方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述实时兴趣信息的计算方法对应的操作。
根据本发明的一种实时兴趣信息的计算方法及系统，方法包括：获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，所述物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；根据目标用户的当前空间轨迹以及停留时间，计算所述目标用户对应的各个子空间的标签权重；生成目标用户的实时兴趣信息。上述方式根据用户在物理空间内的轨迹和停留时间，推算用户对当前物理空间的各个子空间的感兴趣程度，进而生成针对与用户的个性化信息，使得为用户生成的个性化信息具有更高的价值。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的实时兴趣信息的计算方法的流程图；
图2示出了本发明另一实施例提供的实时兴趣信息的计算方法的流程图；
图3示出了本发明又一实施例提供的实时兴趣信息的计算系统的结构示意图；
图4示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的实时兴趣信息的计算方法的流程图，该方法可由任意具有数据处理能力的设备来执行。如图1所示，该方法包括以下步骤：
步骤S110，获取目标用户在物理空间内的当前空间轨迹以及停留时间。
其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签。
同一个物理空间在举办不同的活动时，具有不同领域属性，相应地该物理空间的各个子空间所具备的标签也有所不同，子空间的标签也用于表示子空间的领域属性等等信息。例如对于一个活动场馆来说，在活动场馆内举办摄影展，则其领域属性为“摄影展览馆”，活动场馆内有包含人文摄影区、风景摄影区、纪实摄影区等多个子空间；再如，在活动场馆内举办商品展销会，则其领域属性为“展销馆”，活动场馆内包含生活用品区、家电区、食品区等等多个子空间。
检测目标用户进入到物理空间后，记录目标用户在物理空间内的行动轨迹和相应的时间信息，并将行动轨迹、时间信息与用户标识相关联存储于后台服务器中，则可以从后台服务器中获取目标用户的当前空间轨迹以及停留时间。
步骤S120，根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重。
一个人的性别、职业这类信息都是固定的，但在不同的物理场所中，其角色是不一样的，举例来说，对于一个医生来说，其进入到商场则是一名顾客，其进入到学校则是学生家长，其进入到医院则是医生。也即，同一个用户在不同的物理空间内角色不一样，相应地，其需求和兴趣也会不一样。并且，用户在进入物理空间之后，可能会经过多个场所或者实体，通常情况下，用户对某事物越感兴趣，在该事物处停留的时间越长，基于此，结合用户经过的场所或者实体的属性信息、业务领域信息、用户停留在场所或者实体处发生行为、用户在场所或者实体处停留的时间，能够推测出用户的兴趣。
例如，通过对用户的空间轨迹信息进行分析，用户进入商场之后在服装店、美食店以及儿童乐园都有停留，且停留时间不一样，则表示用户对上述各个场所感兴趣且感兴趣的程度不一样。因此，可以根据用户在各个店铺的停留时间，推测用户对哪些领域的店铺感兴趣以及感兴趣的程度。目标用户对应的各个子空间的标签权重，也就是目标用户对各个子空间所属的领域的感兴趣程度。
步骤S130，生成目标用户的实时兴趣信息。
例如，通过匹配算法，根据目标用户对应的各个子空间的权重标签，生成针对于目标用户的实时兴趣信息，实时兴趣信息也就是针对于目标用户的个性化信息。
由此可见，本实施例方法在考虑用户在当前所处的物理空间内的各个子空间所属的领域的感兴趣的程度，生成针对于该用户的个性化信息，既考虑了用户的实时的个性化需求，还考虑了用户所处的物理空间是否具有满足用户个性化需求的功能，从而使得为用户生成的实时兴趣信息具备更高的价值。
根据本实施例所提供的实时兴趣信息的计算方法，获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重；生成目标用户的实时兴趣信息。上述方式根据用户在物理空间内的轨迹和停留时间，推算用户对当前物理空间的各个子空间的感兴趣程度，进而生成针对与用户的个性化信息，使得为用户生成的个性化信息具有更高的价值。
图2示出了本发明另一实施例提供的实时兴趣信息的计算方法的流程图，该方法可由任意具有数据处理能力的设备来执行，如图2所示，该方法包括以下步骤：
步骤S210，获取目标用户在物理空间内的当前空间轨迹以及停留时间。
其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签。本步骤的具体实施方式可参照上述实施例中的描述，在此不进行赘述。
步骤S220，将目标用户的当前空间轨迹以及停留时间作为循环神经网络模型的输入，通过循环神经网络模型，计算目标用户对应的各个子空间的标签权重。
本实施例的方法中，通过构建循环神经网络模型，来计算目标用户对应的各个子空间的标签权重，也即目标用户对各个子空间的领域的感兴趣程度。循环神经网络模型根据用户的历史活动数据训练得到，其中，在授权允许的情况下获取到目标用户的历史活动数据。
在一种可选的方式中，构建循环神经网络模型的具体实施方式如下：以前N-1个历史活动地点和停留时长为输入，以第N个历史活动地点和停留时长为结果，作为时序数列训练得到循环神经网络模型。通过历史数据训练得到循环神经网络模型，并通过循环神经网络模型计算用户对各个子空间所属的领域的感兴趣程度，能够提升计算准确性。
在当前的人群生活的社会中，不同的领域之间是有关联的，也就意味着用户在某领域中的数据可以经过加工后被其他领域使用，通过连接用户在不同领域的物理空间内的空间轨迹和历史活动，形成知识图谱，基于该知识图谱构建得到通用的兴趣计算模型。则将目标用户的当前空间轨迹作为兴趣计算模型的输入，用以计算目标用户对应的各个子空间的标签权重。
步骤S230，生成目标用户的实时兴趣信息。
根据目标用户对应的各个子空间的标签权重，通过匹配算法得到针对于目标用户的实时兴趣信息。其中，实时兴趣信息可以是来自于物理空间对应的知识信息库的，本发明对此不作限定。
可选的，实时兴趣信息具体包括以下信息中的一种或多种：传感器所采集的实时空间状态信息（例如空气指数、温湿度指数、空气更新频率等等）、基于视觉采集到的空间人员位置分布信息、基于视觉采集到的空间物体位置分布信息、标记用户上传的知识信息（标记用户通过客户端或者浏览器所上传的与物理空间相关的知识信息）、物理空间的3D扫描建模过程中产生的知识信息。
在另一种可选的方式中，结合目标用户的身份属性信息以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。该方式中，结合目标用户的身份属性及其各个子空间所属领域的感兴趣程度，生成针对于目标用户的个性化信息，能够提升个性化信息的价值。
其中，身份属性信息可以包括：职业信息、偏好信息、年龄信息等等。身份属性信息可以是预先存储于后台数据库的，是在用户授权允许的情况下获取的；或者，根据目标用户在物理空间内的当前空间轨迹以及停留时间，确定其身份属性信息，例如，某用户进入了商场并在某服装店内停留时间很长，则是服装店工作人员，而另一用户先后经过了多个服装店，则是顾客；再如，某用户进入了医院，先后经过挂号处、诊室、缴费处、检查室，则该用户是患者，而另一用户在进入某诊室之后停留时间较长，则该用户是医生。
在一种可选的方式中，若存在至少一个第一用户对应的各个子空间的标签权重与目标用户对应的各个子空间的标签权重相似，根据至少一个第一用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
其中，标签权重之间是否相似可用标签权重之间的差值来衡量，例如，针对于每一个子空间，第一用户对应该子空间的标签权重与目标用户对应该子空间的标签权重之间的差值处于预设差值范围内，则判定两个标签权重相似；进一步地，针对于两个用户，每一个子空间所对应的标签权重之间的差值均处于预设差值范围内，则这两个用户对应的各个子空间的标签权重相似。当然，这里仅仅是举例说明，评价两个用户对应的各个子空间的标签权重是否相似的方式并不限制于此。
例如，用户A对应各个子空间的标签权重与用户B对应各个子空间的标签权重相似，说明用户B和用户A的兴趣很相似，用户B感兴趣的内容用户A也有可能感兴趣，则结合用户A对应各个子空间的标签权重以及用户B对应各个子空间的标签权重，生成针对于用户A的实时兴趣信息，通过这种方式，能够提升为用户生成的个性化信息的价值。
在另一种可选的方式中，根据目标用户对应的各个子空间的标签权重及其社交用户的空间轨迹，生成目标用户的实时兴趣信息。其中，目标用户的社交用户可以根据数据库中所存储的社交对应关系确定，以物理场所为商场为例，则可以根据目标用户的社交用户的购买经历结合目标用户的实时兴趣来推荐个性化内容。
在另一种可选的方式中，根据其他用户的空间轨迹，判断其他用户中是否存在目标用户对应的同行用户；若是，根据同行用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。该方式中，首先需要确定是否存在与目标用户同行的人，同行指空间轨迹的相似度达到一定的阈值。举例来说，分析出用户A和用户B的轨迹相似度达到90%，则确认用户A和用户B属于同行用户，则也可以将为用户B生成的个性化内容作为针对于用户A的个性化内容。该方式中，在多人同行的情况下，同行中的每一个用户的兴趣和需求会影响针对于其他人的个性化内容。
在另一种可选的方式中，根据目标用户的历史步行距离数据确定步行距离阈值；若实时兴趣信息对应的空间位置与目标用户的实时空间位置之间的步行距离超过步行距离阈值，过滤实时兴趣信息。该方式中，根据用户的历史步行距离，统计出该用户的平均步行距离，确定出步行距离阈值，如果为该用户生成的实时兴趣信息对应的空间位置与该用户的实时空间位置之间的步行距离超过该步行距离阈值，则过滤该实时兴趣信息，避免用户觉得距离太远而忽略该推荐内容，从而提升个性化内容的价值性。
在一种可选的方式中，确定实时兴趣信息对应的第二用户的数量；其中，第二用户的实时空间位置和实时兴趣信息对应的空间位置之间的距离小于预设距离阈值；若第二用户的数量高于预设数量阈值，则过滤实时兴趣信息。该方式中，首先确定第二用户，第二用户是指与目标用户的实时兴趣信息对应的空间位置之间的实时距离小于预设距离阈值的用户，如果第二用户的数量超过预设数量阈值，则说明该实时兴趣信息所在的位置周围人比较多，不适于将其作为目标用户的个性化内容，将其过滤掉从而提升个性化内容的合理性。
在后续过程中，可以将针对于目标用户的实时兴趣信息呈现给该目标用户。一种可选的方式中，响应于目标用户发起的信息拉取请求，向目标用户下发实时兴趣信息，即目标用户主动请求时，下发针对于该目标用户所计算的实时兴趣信息；在另一种可选的方式中，将目标用户的实时兴趣信息加入推送消息队列，当具有推送需求时，向目标用户推送实时兴趣信息。通过上述方式，使为用户计算的个性化内容能够触达到用户。
根据本实施例所提供的实时兴趣信息的计算方法，一方面，该方式根据用户在物理空间内的轨迹和停留时间，推算用户对物理空间内各个子空间所属领域的感兴趣程度，在此基础上计算针对于用户的个性化信息，使得计算出的个性化信息能够避免大量的无关信息的干扰，进而具有更高的价值；另一方面，综合用户的个性化需求、同行用户的个性化需求确定推荐内容，使得个性化信息中囊括了针对同行用户的个性化信息；再一方面，过滤步行距离不符合用户步行习惯的个性化信息，提高推送内容的合理性，避免用户因为距离太远而忽略推荐内容；再一方面，过滤所处位置较为拥堵的个性化信息，进一步提高针对于用户的个性化信息的合理性。
图3示出了本发明另一实施例提供的实时兴趣信息的计算系统的结构示意图，如图3所示，该系统包括：
轨迹获取模块31，适于获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；
兴趣计算模块32，适于根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
可选地，兴趣计算模块32进一步适于：
将目标用户的当前空间轨迹以及停留时间作为循环神经网络模型的输入，通过循环神经网络模型，计算目标用户对应的各个子空间的标签权重。
可选地，装置进一步包括：模型训练模块，适于以前N-1个历史活动地点和停留时长为输入，以第N个历史活动地点和停留时长为结果，作为时序数列训练得到循环神经网络模型。
可选地，兴趣计算模块32进一步适于：若存在至少一个第一用户其对应的各个子空间的标签权重与目标用户对应的各个子空间的标签权重相似，根据至少一个第一用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
可选地，兴趣计算模块32进一步适于：根据目标用户对应的各个子空间的标签权重及其社交用户的空间轨迹，生成目标用户的实时兴趣信息。
可选地，装置进一步包括：过滤模块，适于根据目标用户的历史步行距离数据确定步行距离阈值；若实时兴趣信息对应的空间位置与目标用户的实时空间位置之间的步行距离超过步行距离阈值，过滤实时兴趣信息。
可选地，过滤模块进一步适于：确定实时兴趣信息对应的第二用户的数量；
其中，第二用户的实时空间位置和实时兴趣信息对应的空间位置之间的距离小于预设距离阈值；若第二用户的数量高于预设数量阈值，则过滤实时兴趣信息。
可选地，装置进一步包括：用户检测模块，适于根据其他用户的当前空间轨迹，判断其他用户中是否存在目标用户对应的同行用户；
兴趣计算模块32进一步适于：根据同行用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
可选地，实时兴趣信息包括以下中的一种或多种：
传感器所采集的实时空间状态信息、基于视觉设备采集到的空间人员位置分布信息、基于视觉设备采集到的空间物体位置分布信息、标记用户上传的知识信息。
可选地，装置进一步包括：发送模块，适于响应于目标用户发起的信息拉取请求，向目标用户下发实时兴趣信息。
可选地，装置进一步包括：处理模块，适于将目标用户的实时兴趣信息加入推送消息队列。
通过上述方式，根据用户在物理空间内的轨迹和停留时间，推算用户对当前物理空间的各个子空间的感兴趣程度，进而生成针对与用户的个性化信息，使得为用户生成的个性化信息具有更高的价值。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的实时兴趣信息的计算方法。
图4示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于计算设备的实时兴趣信息的计算方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (14)

1.一种实时兴趣信息的计算方法，包括：
获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，所述物理空间具有预设领域属性，且所述物理空间包含多个子空间，每个子空间具备至少一个标签；
根据所述目标用户的当前空间轨迹以及停留时间，计算所述目标用户对应的各个子空间的标签权重；
生成所述目标用户的实时兴趣信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户的当前空间轨迹以及停留时间，计算所述目标用户对应的各个子空间的标签权重进一步包括：
将所述目标用户的当前空间轨迹以及停留时间作为循环神经网络模型的输入，通过所述循环神经网络模型，计算所述目标用户对应的各个子空间的标签权重。
3.根据权利要求2所述的方法，其特征在于，所述方法进一步包括：
以前N-1个历史活动地点和停留时长为输入，以第N个历史活动地点和停留时长为结果，作为时序数列训练得到所述循环神经网络模型。
4.根据权利要求1所述的方法，其特征在于，所述生成所述目标用户的实时兴趣信息进一步包括：
若存在至少一个第一用户其对应的各个子空间的标签权重与所述目标用户对应的各个子空间的标签权重相似，根据所述至少一个第一用户对应的各个子空间的标签权重以及所述目标用户对应的各个子空间的标签权重，生成所述目标用户的实时兴趣信息。
5.根据权利要求1所述的方法，其特征在于，所述生成所述目标用户的实时兴趣信息进一步包括：
根据所述目标用户对应的各个子空间的标签权重及其社交用户的空间轨迹，生成所述目标用户的实时兴趣信息。
6.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
根据所述目标用户的历史步行距离数据确定步行距离阈值；
若所述实时兴趣信息对应的空间位置与所述目标用户的实时空间位置之间的步行距离超过所述步行距离阈值，过滤所述实时兴趣信息。
7.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
确定所述实时兴趣信息对应的第二用户的数量；
其中，所述第二用户的实时空间位置和所述实时兴趣信息对应的空间位置之间的距离小于预设距离阈值；
若所述第二用户的数量高于预设数量阈值，则过滤所述实时兴趣信息。
8.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
根据其他用户的当前空间轨迹，判断所述其他用户中是否存在所述目标用户对应的同行用户；
所述生成所述目标用户的实时兴趣信息进一步包括：
根据所述同行用户对应的各个子空间的标签权重以及所述目标用户对应的各个子空间的标签权重，生成所述目标用户的实时兴趣信息。
9.根据权利要求1所述的方法，其特征在于，所述实时兴趣信息包括以下中的一种或多种：
传感器所采集的实时空间状态信息、基于视觉设备采集到的空间人员位置分布信息、基于视觉设备采集到的空间物体位置分布信息、标记用户上传的知识信息。
10.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
响应于目标用户发起的信息拉取请求，向所述目标用户下发所述实时兴趣信息。
11.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
将所述目标用户的实时兴趣信息加入推送消息队列。
12.一种实时兴趣信息的计算系统，包括：
轨迹获取模块，适于获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，所述物理空间具有预设领域属性，且所述物理空间包含多个子空间，每个子空间具备至少一个标签；
兴趣计算模块，适于根据所述目标用户的当前空间轨迹以及停留时间，计算所述目标用户对应的各个子空间的标签权重，生成所述目标用户的实时兴趣信息。
13.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-11中任一项所述的实时兴趣信息的计算方法对应的操作。
14.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-11中任一项所述的实时兴趣信息的计算方法对应的操作。
CN202111291295.9A 2021-11-03 2021-11-03 实时兴趣信息的计算方法及系统 Pending CN113722605A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111291295.9A CN113722605A (zh) 2021-11-03 2021-11-03 实时兴趣信息的计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111291295.9A CN113722605A (zh) 2021-11-03 2021-11-03 实时兴趣信息的计算方法及系统

Publications (1)

Publication Number Publication Date
CN113722605A true CN113722605A (zh) 2021-11-30

Family

ID=78686533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111291295.9A Pending CN113722605A (zh) 2021-11-03 2021-11-03 实时兴趣信息的计算方法及系统

Country Status (1)

Country Link
CN (1) CN113722605A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107615733A (zh) * 2015-04-14 2018-01-19 蔡宏铭 实现同行人即时通讯、同行信息共享及内容推荐的方法和系统
CN109389252A (zh) * 2018-11-06 2019-02-26 大国创新智能科技(东莞)有限公司 基于大数据和深度学习的旅游景点诱导方法和系统
CN110928993A (zh) * 2019-11-26 2020-03-27 重庆邮电大学 基于深度循环神经网络的用户位置预测方法及系统
CN111274501A (zh) * 2020-02-25 2020-06-12 支付宝(杭州)信息技术有限公司 推送信息的方法、系统和非暂时性存储介质
US20200250732A1 (en) * 2017-10-12 2020-08-06 Beijing Jingdong Shangke Information Technology Co., Ltd. Method and apparatus for use in determining tags of interest to user
CN111782955A (zh) * 2020-07-01 2020-10-16 支付宝(杭州)信息技术有限公司 兴趣点表示和推送方法、装置、电子设备及存储介质
CN113505310A (zh) * 2021-07-07 2021-10-15 辽宁工程技术大学 一种基于时空注意网络的校园用户下一个位置推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107615733A (zh) * 2015-04-14 2018-01-19 蔡宏铭 实现同行人即时通讯、同行信息共享及内容推荐的方法和系统
US20200250732A1 (en) * 2017-10-12 2020-08-06 Beijing Jingdong Shangke Information Technology Co., Ltd. Method and apparatus for use in determining tags of interest to user
CN109389252A (zh) * 2018-11-06 2019-02-26 大国创新智能科技(东莞)有限公司 基于大数据和深度学习的旅游景点诱导方法和系统
CN110928993A (zh) * 2019-11-26 2020-03-27 重庆邮电大学 基于深度循环神经网络的用户位置预测方法及系统
CN111274501A (zh) * 2020-02-25 2020-06-12 支付宝(杭州)信息技术有限公司 推送信息的方法、系统和非暂时性存储介质
CN111782955A (zh) * 2020-07-01 2020-10-16 支付宝(杭州)信息技术有限公司 兴趣点表示和推送方法、装置、电子设备及存储介质
CN113505310A (zh) * 2021-07-07 2021-10-15 辽宁工程技术大学 一种基于时空注意网络的校园用户下一个位置推荐方法

Similar Documents

Publication Publication Date Title
US10706446B2 (en) Method, system, and computer-readable medium for using facial recognition to analyze in-store activity of a user
US8954433B2 (en) Generating a recommendation to add a member to a receptivity cohort
CN112000819A (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
US20120136959A1 (en) Determining demographics based on user interaction
JP6418260B2 (ja) 要因推定装置、要因推定システム、および要因推定方法
US20220346683A1 (en) Information processing system and information processing method
US20160055418A1 (en) Information processing apparatus, information processing method, and program
US20170031914A1 (en) Automated Database Record Activation Using Predictive Modeling of Database Access
JP2018045649A (ja) 判定装置、判定方法および判定プログラム
KR20150142610A (ko) 관계 유형을 고려한 코칭 방법 및 시스템
Ahn et al. A digital twin city model for age-friendly communities: Capturing environmental distress from multimodal sensory data
KR102421615B1 (ko) 알림정보를 제공하는 유통기한 관리시스템
JP2024097895A (ja) 画像処理システム、画像処理方法及びプログラム
CN109829593B (zh) 目标对象的信用度确定方法、装置、存储介质及电子装置
CN112053245B (zh) 信息评估方法及系统
KR20160044858A (ko) 얼굴 정보를 이용한 실종 가족 찾기 시스템 및 방법 그리고 이를 구현하는 프로그램을 기록한 기록 매체
CN113722605A (zh) 实时兴趣信息的计算方法及系统
JP2020030461A (ja) 情報処理装置、情報処理方法および情報処理プログラム
JP7424939B2 (ja) 人物検出装置、人物追跡装置、人物追跡システム、人物検出方法、人物追跡方法、人物検出プログラム及び人物追跡プログラム
JP7249316B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
JP2009157487A (ja) 評価者選定装置及び評価者選定方法
KR20210112258A (ko) 오프라인 구매를 위한 개인화된 추천 서비스 제공 방법 및 장치
EP3675001A1 (en) A computer implemented method, a system and computer program for determining optimal behavior path for a user
JP2006350983A (ja) 端末装置で用いられる情報を配信する個人診断システム、プログラムおよび情報記憶媒体。
CN115375414B (zh) 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211130