CN113761381B - 兴趣点推荐的方法、装置、设备以及存储介质 - Google Patents

兴趣点推荐的方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN113761381B
CN113761381B CN202111112717.1A CN202111112717A CN113761381B CN 113761381 B CN113761381 B CN 113761381B CN 202111112717 A CN202111112717 A CN 202111112717A CN 113761381 B CN113761381 B CN 113761381B
Authority
CN
China
Prior art keywords
interest
determining
point
score
target user
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
Application number
CN202111112717.1A
Other languages
English (en)
Other versions
CN113761381A (zh
Inventor
韩雅娟
陈宪涛
徐濛
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111112717.1A priority Critical patent/CN113761381B/zh
Publication of CN113761381A publication Critical patent/CN113761381A/zh
Application granted granted Critical
Publication of CN113761381B publication Critical patent/CN113761381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9537Spatial or temporal dependent retrieval, e.g. spatiotemporal queries

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种兴趣点推荐的方法、装置、设备以及存储介质,涉及计算机技术领域,尤其涉及信息推荐领域。具体实现方案为:确定目标用户的高频生活圈;基于目标用户在高频生活圈内的行为数据,确定目标用户的兴趣点偏好数据;利用兴趣点偏好数据和兴趣点属性数据中的至少一种,确定候选兴趣点的分值;利用候选兴趣点的分值,为目标用户进行兴趣点推荐。通过以上过程,解决了现有兴趣点推荐技术中存在的信息推荐的效率和准确率较低的技术问题,提升用户体验。

Description

兴趣点推荐的方法、装置、设备以及存储介质
技术领域
本公开涉及计算机技术领域,尤其涉及信息推荐领域。
背景技术
随着互联网和智能终端技术的飞速发展,用户可以使用手机等智能终端进行兴趣点查询。兴趣点查询包括用户的主动查询和查看兴趣点推荐软件的兴趣点推荐。
相关的兴趣点推荐技术通常根据目标用户对某个兴趣点的熟悉度进行推荐。基于此进行兴趣点推荐往往导致信息推荐的效率和准确率较低。
发明内容
本公开提供了一种兴趣点推荐的方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种兴趣点推荐的方法,该方法可以包括以下步骤:
确定目标用户的高频生活圈;
基于目标用户在高频生活圈内的行为数据,确定目标用户的兴趣点偏好数据;
利用兴趣点偏好数据和兴趣点属性数据中的至少一种,确定候选兴趣点的分值;
利用候选兴趣点的分值,为目标用户进行兴趣点推荐。
根据本公开的另一方面,提供了一种兴趣点推荐的装置,该装置可以包括:
高频生活圈确定模块,用于确定目标用户的高频生活圈;
偏好数据确定模块,用于基于兴趣点偏好数据目标用户在兴趣点偏好数据高频生活圈内的行为数据,确定兴趣点偏好数据目标用户的兴趣点偏好数据;
分值确定模块,用于利用兴趣点偏好数据兴趣点偏好数据和兴趣点偏好数据兴趣点属性数据中的至少一种,确定候选兴趣点的分值;
推荐模块,用于利用兴趣点偏好数据候选兴趣点的分值,为兴趣点偏好数据目标用户进行兴趣点推荐。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术解决了现有兴趣点推荐技术中存在的信息推荐的效率和准确率较低的技术问题,提升了用户体验。
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是根据本公开推荐兴趣点的方法的流程图;
图2是根据本公开确定高频生活圈的流程图;
图3是根据本公开确定兴趣点偏好数据的流程图;
图4是根据本公开确定兴趣点的分值的流程图;
图5是根据本公开确定兴趣点的第一分值的流程图;
图6是根据本公开确定兴趣点的第二分值的流程图;
图7是根据本公开推荐兴趣点的装置的示意图;
图8是用来实现本公开实施例的兴趣点推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如图1所示,本公开涉及一种兴趣点推荐的方法,该方法可以包括以下步骤:
S101:确定目标用户的高频生活圈;
S102:基于目标用户在高频生活圈内的行为数据,确定目标用户的兴趣点偏好数据;
S103:利用兴趣点偏好数据和兴趣点属性数据中的至少一种,确定候选兴趣点的分值;
S104:利用候选兴趣点的分值,为目标用户进行兴趣点推荐。
本实施例可以应用于终端设备,终端设备上可以安装有多个客户端应用,例如地图类应用,推荐类应用,排名类应用等。终端设备可以是具备信息处理功能的电子设备,例如笔记本电脑、平板电脑、智能手机等。
其中,高频生活圈的形状可以是圆形、方形或者是不规则形。在确定高频生活圈对应的区域时,可以基于目标用户的定位数据、交通方式、个人偏好、高频兴趣点等确定高频生活圈的圆心、半径或者四至范围。例如,可以通过目标用户的定位数据、个人偏好数据等确定圆心及半径,并将对应的圆圈确定为目标用户的高频生活圈。还可以通过目标用户的高频兴趣点数据确定高频生活圈的四至范围,即确定高频生活圈东、西、南、北四个方向的边界。不规则形可以包括在已选定的区域中去除屏蔽区域。屏蔽区域可以包括行人或车辆的禁行区等。
高频生活圈还可以是目标用户基于地图数据主动设置的特定区域,例如,通过设置将北京市二环路内的区域作为目标用户的高频生活圈。
在确定目标用户的高频生活圈之后,基于高频生活圈内的行为数据,可以确定目标用户的兴趣点偏好数据。其中,行为数据可以是用户针对高频生活圈内的兴趣点执行特定动作产生的相应数据。例如,行为数据可以是针对兴趣点的定位数据、导航数据、收藏数据或者消费数据中的至少一种,此处不予限定。
执行特定行为的主体可以是目标用户,也可以是除目标用户以外的其他用户,例如,其他用户可以是目标用户的家人、同事等,也可以是与目标用户有相同或相似偏好的用户,此处不予限定。
基于目标用户及其他用户在高频生活圈内的行为数据,可以确定目标用户的兴趣点偏好数据。然后利用兴趣点偏好数据和兴趣点属性数据中的至少一种,可以确定兴趣点的分值。
具体来说,可以仅利用兴趣点偏好数据确定兴趣点分值,也可以仅利用兴趣点属性数据确定兴趣点分值,还可以将兴趣点偏好数据和兴趣点属性数据结合起来确定兴趣点分值,此处不予限定。
最后,在确定兴趣点分值之后利用兴趣点的分值为目标用户进行兴趣点推荐,具体可以是按照兴趣点分值对兴趣点进行降序排列,然后将排序后的结果推荐给目标用户。
通过上述过程,确定目标用户的高频生活圈以及高频生活圈内兴趣点的分值,并基于分值为目标用户进行兴趣点推荐。如此能够提高高频生活圈内兴趣点信息的曝光率,提升兴趣点推荐的精确度以及消费转化率。
如图2所示,在一种实施方式中,步骤S101可以包括以下子步骤:
S201:根据采集到的目标用户的定位数据识别高频生活圈的中心点;
S202:根据目标用户的行为数据确定高频生活圈的活动半径;
S203:利用中心点和活动半径确定目标用户的高频生活圈。
在一种实施方式中,目标用户的高频生活圈可以是圆形的,根据目标用户的定位数据可以确定高频生活圈的中心点。其中,中心点可以是与用户的生活习惯密切相关的地理位置坐标,例如,可以是目标用户的居住地点、工作地点等,此处不予限定。
其中,目标用户的定位数据包括目标用户的定位位置数据和定位时长数据。根据采集到的目标用户的定位数据识别高频生活圈的中心点,具体可以是根据采集到的目标用户在各个定位位置的定位时长来识别高频生活圈的中心点。在目标用户位于某一定位位置的定位时长超过预设的阈值的情况下,将该定位位置作为目标用户的高频生活圈的中心点。举例来说,在一个自然月中,目标用户在工作时段位于A点的定位时长超过300h,则将A点作为目标用户的工作点,即高频生活圈中心点。根据需要可以灵活设置定位时长的预设阈值,例如280h,320h等,此处不做限定。
在一种实施方式中,目标用户的定位数据还可以包括目标用户在某一定位位置的定位频次。在目标用户在某一定位位置的定位频次超过预设的阈值的情况下,将该定位位置作为目标用户的高频生活圈的中心点。例如,在一个自然月中,目标用户在常规睡眠时段位于A点的定位频次超过20次,则将A点作为目标用户的居住点,即目标用户高频生活圈的中心点。根据需要可以灵活设置定位频次的预设阈值,例如15次,25次等,此处不做穷举。
在确定高频生活圈的中心点之后,根据目标用户的行为数据确定高频生活圈的活动半径。目标用户的行为数据包括特定时间段内,目标用户定位、收藏或者前往某一兴趣点消费所产生的数据。
在一种实施方式中,目标用户的行为数据包括兴趣点与中心点之间的距离值数据。例如,最近一年内目标用户定位、收藏或者消费过的兴趣点共计N个,则计算N个兴趣点与高频生活圈的中心点之间的距离值。基于N个距离值确定高频生活圈的活动半径,具体可以是对N个距离值求平均,也可以是去掉N个距离值中的一个最大值及一个最小值后,再对剩余的N-2个距离值求平均。
优选地,目标用户的行为数据还包括每个兴趣点的行为频次数据。通过加权求平均值的方式确定高频生活圈的活动半径,其中,目标用户对某一兴趣点定位、收藏或者消费的频次作为上述计算权重。
在识别高频生活圈的中心点并确定其活动半径后,利用中心点和活动半径确定目标用户的高频生活圈。
通过上述过程,通过确定用户的高频生活圈,无需用户手动选择兴趣点的区域范围,提升了目标用户浏览和筛选兴趣点信息效率。
如图3所示,在一种实施方式中,步骤S102可以包括以下子步骤:
S301:基于目标用户在高频生活圈内的行为数据,确定目标用户的第一偏好数据;
S302:根据第一偏好数据确定目标用户的相似用户;其中,相似用户包括与目标用户有相似偏好的用户;
S303:根据第一偏好数据确定目标用户的相似用户;其中,相似用户包括与目标用户有相同或相似偏好的用户;
S304:利用第一偏好数据和第二偏好数据,确定目标用户的兴趣点偏好数据。
目标用户在高频生活圈内的行为数据包括目标用户基于高频生活圈内的兴趣点产生的导航数据、收藏数据以及消费数据等,此处不做穷举。
其中,导航数据可以是将目标兴趣点作为导航目的地所产生的数据,包括导航次数,前往时间等。收藏数据可以是目标用户在各类内容推荐应用中收藏内容所产生的数据,包括收藏时间,浏览次数等。消费数据可以是目标用户在兴趣点消费产生的数据,包括消费金额,消费时间,用户评价等。
第一偏好数据可以是与目标用户的行为数据直接相关的兴趣点集合数据。具体的,兴趣点集合数据可以包括目标用户导航、收藏或者消费过的兴趣点集合。
基于目标用户在高频生活圈内的行为数据,可以确定目标用户的兴趣点集合,即第一偏好数据。举例来说,目标用户对兴趣点的历史导航记录包括A点和B点,目标用户对兴趣点的收藏记录包括C,目标用户在兴趣点的消费记录包括D点,此时对应的兴趣点集合,即目标用户的第一偏好数据为{A,B,C,D}。
在确定出第一偏好数据之后,根据第一偏好数据确定目标用户的相似用户。具体来说,在高频生活圈中每个用户基于其兴趣点偏好都对应一个兴趣点集合。在相关用户对应的兴趣点集合与目标用户对应的第一偏好数据的重合度大于预设阈值的情况下,将相关用户作为目标用户的相似用户。
具体地,基于与上述确定目标用户对应的第一偏好数据类似的步骤,可以确定相关用户1、相关用户2、相关用户3等对应的兴趣点集合。由此,如表1所示,基于多个用户与多个兴趣点之间对应的偏好关系,可以构建一个关于用户-兴趣点二维矩阵模型。其中,Y表示对应用户与对应兴趣点之间具有偏好关系,N表示对应用户与对应兴趣点之间不具有偏好关系。根据用户-兴趣点二维矩阵模型以及预设的兴趣点重合度阈值,可以确定与目标用户具有相似偏好的相似用户。举例来说,根据表1中的示例,目标用户的偏好内容包括兴趣点A点,B点,C点以及D点,相关用户1对应的偏好内容包括A点,B点,C点和E点,相关用户1对应的偏好内容与目标用户A对应的偏好内容之间的重合度为3,同理,相关用户2对应的偏好内容与目标用户A对应的偏好内容之间的重合度为4,相关用户3对应的偏好内容与目标用户A对应的偏好内容之间的重合度为1。若将预设的兴趣点重合度阈值设定为2,则相关用户1和相关用户2可以作为目标用户的相似用户,相关用户3则不能作为目标用户的相似用户。兴趣点重合度阈值可以根据需要设定为1,3,4等,此处不予限定。在兴趣点重合度阈值取值较大时,目标用户与相似用户之间的兴趣点偏好的相似度越高,但得到的相似用户数量较少。相反,在兴趣点重合度阈值取值较小时,目标用户与相似用户之间的兴趣点偏好的相似度越低,但得到的相似用户数量较多。
表1
A点 B点 C点 D点 E点 F点
目标用户 Y Y Y Y N N
相关用户1 Y Y Y N N Y
相关用户2 Y Y Y Y Y N
相关用户3 N N Y N N Y
基于确定出的相似用户在高频生活圈内的行为数据,可以确定目标用户的第二偏好数据。其中,第二偏好数据可以是目标用户的间接偏好数据,具体的,可以是属于相似用户的偏好内容,但不属于目标用户的偏好内容时所对应的兴趣点集合。
举例来说,如表1所示,目标用户的第一偏好数据为{A,B,C,D},相似用户1(相似用户)的兴趣点集合为{A,B,C,F},相似用户2(相似用户)的兴趣点集合为{A,B,C,D,E},此时目标用户的第二偏好数据为{E,F}。
然后,合并第一偏好数据和第二偏好数据,并对得到的兴趣点数据集合进行解析得到目标用户的兴趣点偏好数据。例如,在上述示例中,合并第一偏好数据和第二偏好数据得到目标用户的兴趣点数据集合为{A,B,C,D,E,F},基于该兴趣点数据集合可以解析目标用户的兴趣点类型偏好、价格偏好、属性数据等,此处不做限定。
通过上述过程,可以基于目标用户以及相似用户的行为数据,准确地确定出目标用户的兴趣点偏好数据,由此提升兴趣点推荐的准确性。
如图4所示,在一种实施方式中,步骤S103可以包括以下子步骤:
S401:利用兴趣点偏好数据确定候选兴趣点的第一分值;
S402:利用兴趣点属性数据确定候选兴趣点的第二分值;
S403:根据第一分值和第二分值中的至少一种,确定候选兴趣点的分值。
其中,候选兴趣点可以是位于高频生活圈内的兴趣点中的一个或者多个。利用兴趣点偏好数据和兴趣点属性数据中的至少一种,确定候选兴趣点的分值,可以是分别利用兴趣点偏好数据和兴趣点属性数据确定候选兴趣点的第一分值和第二分值,然后根据第一分值和第二分值中的至少一种,确定候选兴趣点的分值。
其中,利用兴趣点偏好数据确定候选兴趣点的第一分值,可以是根据兴趣点偏好数据中的类型偏好、价格偏好、位置偏好等数据。基于候选兴趣点与目标用户的兴趣点偏好数据之间的相关度,可以确定候选兴趣点的第一分值。
兴趣点属性数据可以是兴趣点自身的动态更新数据,客户评价数据等。利用兴趣点属性数据确定候选兴趣点的第二分值与上述过程类似,此处不再赘述。
上述分值、第一分值以及第二分值,均可以通过统计学方法上的赋分得到,例如十分制法,百分位法等,此处不予限定。
通过以上过程,可以根据计算得到的分值对候选兴趣点按序排序,提升兴趣点推荐的效率。
如图5所示,在一种实施方式中,在兴趣点偏好数据包括类型偏好数据和价格偏好数据的情况下,利用兴趣点偏好数据确定候选兴趣点的第一分值,包括:
S501:利用类型偏好数据,确定候选兴趣点的第一子分值;
S502:利用价格偏好数据,确定候选兴趣点的第二子分值;
S503:根据第一子分值和第二子分值中的至少一种,确定候选兴趣点的第一分值。
其中,兴趣点偏好数据包括目标用户对应的兴趣点集合数据以及各个兴趣点的类型、价格、位置、属性、动态等信息,此处不做穷举。
基于兴趣点集合中各个兴趣点的类型信息,可以确定目标用户的类型偏好数据。举例来说,兴趣点的类型信息可以包括餐厅、超市、便利店、电影院、咖啡厅等,目标用户的类型偏好数据可以是上述兴趣点类型中的一种或者多种,此处不做限定。
利用类型偏好数据,确定候选兴趣点的第一子分值,可以是基于目标用户的类型偏好数据对某一类型的候选兴趣点赋值,再基于该类型的兴趣点赋值确定候选兴趣点的分值。例如,按照目标用户的行为频次对类型偏好进行排序,比如其类型偏好数据依次为餐厅、咖啡厅、超市,此时基于十分制进行赋值,候选兴趣点中餐厅、咖啡厅、超市的第一子分值分别为10分、9分、8分。此外,还可以通过其他方式确定候选兴趣点的第一子分值,此处不做穷举。
利用价格偏好数据,确定候选兴趣点的第二子分值,可以是将目标用户对应的兴趣点集合中各个兴趣点的平均价格作为基准进行打分,候选兴趣点价格与基准价格的差值越大,相应的得分值越低。例如,各个兴趣点的价格平均值为100元/人,那么价格相差绝对值在20元以内的候选兴趣点对应的第二子分值为10分,价格相差绝对值在21-30元的候选兴趣点对应的第二子分值为9分,价格相差绝对值在31-40元的候选兴趣点对应的第二子分值为8分,此处不再穷举。
根据第一子分值和第二子分值中的至少一种,确定候选兴趣点的第一分值。具体而言,目标用户可以选择设定类型推荐模式、价格推荐模式,或者选择类型优先模式、价格优先模式。
在类型推荐模式下,将第一子分值作为候选兴趣点的第一分值。
在价格推荐模式下,将第二子分值作为候选兴趣点的第一分值。
在类型优先模式下,用户可以自定义类型偏好数据和价格偏好数据所占的权重从而进行兴趣点推荐。例如,用户自定义类型偏好数据的权重为0.8,在第一子分值为9分,第二子分值为8分的情况下,候选兴趣点的第一分值的计算过程为:9*0.8+8*0.2=8.9分。其中,自定义权重可以根据需要设定为0.7,0.6等,此处不做穷举。
如图6所示,在一种实施方式中在兴趣点属性数据包括客观评价数据和动态更新数据的情况下,利用兴趣点属性数据确定候选兴趣点的第二分值,包括:
S601:利用客观评价数据,确定候选兴趣点的第三子分值;
S602:利用动态更新数据,确定候选兴趣点的第四子分值;
S603:根据第三子分值和第四子分值中的至少一种,确定候选兴趣点的第二分值。
其中,兴趣点属性数据中的客观评价数据是基于兴趣点的人气、好评率、评价数、导航人次、环境等客观评价指数确定的,利用客观评价数据确定第三子分值与上述第一子分值的确定方式类似,此处不再赘述。
兴趣点的动态更新数据包括影响用户出行和消费决策的状态变化信息,例如,新店开业、限时优惠、正在装修、暂定营业等,此处不做穷举。
利用动态更新数据,确定候选兴趣点的第四子分值,可以是按照候选兴趣点在最近一年内的更新时序进行打分,由此确定候选兴趣点的第四子分值。例如,候选兴趣点中最近更新的第四子分值取10分,其他候选兴趣点依次取9分,8分等,此处不再穷举。
在确定第三子分值和第四子分值之后,执行步骤S603的方式与上述S503的方式类似,不再赘述。
通过以上过程,可以根据类型偏好数据、价格偏好数据、客观评价数据以及动态更新数据,对候选兴趣点进行灵活打分,提升兴趣点推荐的准确性。
在一种实施方式中,利用目标用户在高频生活圈以外的行为数据,为目标用户进行兴趣点推荐。
终端设备默认为基于高频生活圈为目标用户进行兴趣点推荐,此外,目标用户可以手动选择高频生活圈以外的区域进行兴趣点推荐。其中,行为数据可以是针对兴趣点的收藏数据、导航数据、消费数据等,此处不再赘述。
通过以上过程,可以为高频生活圈之外的区域进行兴趣点推荐,提升用户体验。
根据本公开的实施例,如图7所示,本公开还提供了一种兴趣点推荐装置,包括:
高频生活圈确定模块701,用于确定目标用户的高频生活圈;
偏好数据确定模块702,用于基于目标用户在高频生活圈内的行为数据,确定目标用户的兴趣点偏好数据;
分值确定模块703,用于利用兴趣点偏好数据和兴趣点属性数据中的至少一种,确定候选兴趣点的分值;
推荐模块704,用于利用候选兴趣点的分值,为目标用户进行兴趣点推荐。
在一种实施方式中,高频生活圈确定模块,包括:
中心点确定子模块,用于根据采集到的目标用户的定位数据,确定中心点;
半径确定子模块,用于根据目标用户的行为数据,确定活动半径;
高频生活圈定子模块,利用中心点和活动半径,确定目标用户的高频生活圈。
在一种实施方式中,偏好数据确定模块,包括:
第一偏好数据确定子模块,用于基于目标用户在高频生活圈内的行为数据,确定目标用户的第一偏好数据;
相似用户确定子模块,用于根据第一偏好数据确定目标用户的相似用户;其中,相似用户包括与目标用户有相同或相似偏好的用户;
第二偏好数据确定子模块,用于基于相似用户在高频生活圈内的行为数据,确定目标用户的第二偏好数据;
偏好数据确定子模块,用于利用第一偏好数据和第二偏好数据,确定目标用户的兴趣点偏好数据。
在一种实施方式中,分值确定模块,包括:
第一分值确定子模块,用于利用兴趣点偏好数据确定候选兴趣点的第一分值;
第二分值确定子模块,用于利用兴趣点属性数据确定候选兴趣点的第二分值;
分值确定子模块,用于根据第一分值和第二分值中的至少一种,确定候选兴趣点的分值。
在一种实施方式中,第一分值确定子模块,包括:
第一子分值确定子模块,用于利用类型偏好数据,确定候选兴趣点的第一子分值;
第二子分值确定子模块,用于利用价格偏好数据,确定候选兴趣点的第二子分值;
第一分值确定执行子模块,用于根据第一子分值和第二子分值中的至少一种,确定候选兴趣点的第一分值。
在一种实施方式中,第二分值确定子模块,包括:
第三子分值确定子模块,用于利用客观评价数据,确定候选兴趣点的第三子分值;
第四子分值确定子模块,用于利用动态更新数据,确定候选兴趣点的第四子分值;
第二分值确定执行子模块,用于根据第三子分值和第四子分值中的至少一种,确定候选兴趣点的第二分值。
在一种实施方式中,兴趣点推荐装置还用于:
利用目标用户在高频生活圈以外的行为数据,为目标用户进行兴趣点推荐。
本公开的技术方案中,所涉及的用户个人信息的获取,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8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理,例如信息推荐的方法。例如,在一些实施例中,信息推荐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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的信息推荐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801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行信息推荐的方法。
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)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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。

Claims (14)

1.一种兴趣点推荐的方法,包括:
确定目标用户的高频生活圈;
基于所述目标用户在所述高频生活圈内的行为数据,确定所述目标用户的兴趣点偏好数据;
利用所述兴趣点偏好数据和兴趣点属性数据中的至少一种,确定候选兴趣点的分值;
利用所述候选兴趣点的分值,为所述目标用户进行兴趣点推荐;
其中,所述基于所述高频生活圈内的行为数据确定所述目标用户的兴趣点偏好数据,包括:
基于所述目标用户在所述高频生活圈内的行为数据,确定所述目标用户的第一偏好数据;
根据所述第一偏好数据确定所述目标用户的相似用户;其中,所述相似用户包括与所述目标用户有相同或相似偏好的用户;
基于所述相似用户在所述高频生活圈内的行为数据,确定所述目标用户的第二偏好数据;
利用所述第一偏好数据和所述第二偏好数据,确定所述目标用户的兴趣点偏好数据。
2.根据权利要求1所述的方法,其中,所述确定目标用户的高频生活圈,包括:
根据采集到的所述目标用户的定位数据,确定中心点;
根据所述目标用户的行为数据,确定活动半径;
利用所述中心点和所述活动半径,确定所述目标用户的高频生活圈。
3.根据权利要求1所述的方法,其中,所述利用所述兴趣点偏好数据和所述兴趣点属性数据中的至少一种,确定所述候选兴趣点的分值,包括:
利用所述兴趣点偏好数据确定所述候选兴趣点的第一分值;
利用所述兴趣点属性数据确定所述候选兴趣点的第二分值;
根据所述第一分值和所述第二分值中的至少一种,确定所述候选兴趣点的分值。
4.根据权利要求3所述的方法,其中,在所述兴趣点偏好数据包括类型偏好数据和价格偏好数据的情况下,所述利用所述兴趣点偏好数据确定所述候选兴趣点的第一分值,包括:
利用所述类型偏好数据,确定所述候选兴趣点的第一子分值;
利用所述价格偏好数据,确定所述候选兴趣点的第二子分值;
根据所述第一子分值和所述第二子分值中的至少一种,确定所述候选兴趣点的第一分值。
5.根据权利要求3所述的方法,其中,在所述兴趣点属性数据包括客观评价数据和动态更新数据的情况下,所述利用所述兴趣点属性数据确定所述候选兴趣点的第二分值,包括:
利用所述客观评价数据,确定所述候选兴趣点的第三子分值;
利用所述动态更新数据,确定所述候选兴趣点的第四子分值;
根据所述第三子分值和所述第四子分值中的至少一种,确定所述候选兴趣点的第二分值。
6.根据权利要求1所述的方法,还包括:
利用所述目标用户在高频生活圈以外的行为数据,为所述目标用户进行兴趣点推荐。
7.一种兴趣点推荐的装置,包括:
高频生活圈确定模块,用于确定目标用户的高频生活圈;
偏好数据确定模块,用于基于所述目标用户在所述高频生活圈内的行为数据,确定所述目标用户的兴趣点偏好数据;
分值确定模块,用于利用所述兴趣点偏好数据和兴趣点属性数据中的至少一种,确定候选兴趣点的分值;
推荐模块,用于利用所述候选兴趣点的分值,为所述目标用户进行兴趣点推荐;
其中,所述偏好数据确定模块,包括:
第一偏好数据确定子模块,用于基于所述目标用户在所述高频生活圈内的行为数据,确定所述目标用户的第一偏好数据;
相似用户确定子模块,用于根据所述第一偏好数据确定所述目标用户的相似用户;其中,所述相似用户包括与所述目标用户有相同或相似偏好的用户;
第二偏好数据确定子模块,用于基于所述相似用户在所述高频生活圈内的行为数据,确定所述目标用户的第二偏好数据;
偏好数据确定子模块,用于利用所述第一偏好数据和所述第二偏好数据,确定所述目标用户的兴趣点偏好数据。
8.根据权利要求7所述的装置,其中,所述高频生活圈确定模块,包括:
中心点确定子模块,用于根据采集到的所述目标用户的定位数据,确定中心点;
半径确定子模块,用于根据所述目标用户的行为数据,确定活动半径;
高频生活圈确定子模块,利用所述中心点和所述活动半径,确定所述目标用户的高频生活圈。
9.根据权利要求7所述的装置,其中,所述分值确定模块,包括:
第一分值确定子模块,用于利用所述兴趣点偏好数据确定所述候选兴趣点的第一分值;
第二分值确定子模块,用于利用所述兴趣点属性数据确定所述候选兴趣点的第二分值;
分值确定子模块,用于根据所述第一分值和所述第二分值中的至少一种,确定所述候选兴趣点的分值。
10.根据权利要求9所述的装置,其中,其中,在所述兴趣点偏好数据包括类型偏好数据和价格偏好数据的情况下,所述第一分值确定子模块,包括:
第一子分值确定子模块,用于利用所述类型偏好数据,确定所述候选兴趣点的第一子分值;
第二子分值确定子模块,用于利用所述价格偏好数据,确定所述候选兴趣点的第二子分值;
第一分值确定执行子模块,用于根据所述第一子分值和所述第二子分值中的至少一种,确定所述候选兴趣点的第一分值。
11.根据权利要求9所述的装置,其中,其中,在所述兴趣点属性数据包括客观评价数据和动态更新数据的情况下,所述第二分值确定子模块,包括:
第三子分值确定子模块,用于利用所述客观评价数据,确定所述候选兴趣点的第三子分值;
第四子分值确定子模块,用于利用所述动态更新数据,确定所述候选兴趣点的第四子分值;
第二分值确定执行子模块,用于根据所述第三子分值和所述第四子分值中的至少一种,确定所述候选兴趣点的第二分值。
12.根据权利要求7所述的装置,还用于:
利用所述目标用户在高频生活圈以外的行为数据,为所述目标用户进行兴趣点推荐。
13.一种电子设备,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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
CN202111112717.1A 2021-09-23 2021-09-23 兴趣点推荐的方法、装置、设备以及存储介质 Active CN113761381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111112717.1A CN113761381B (zh) 2021-09-23 2021-09-23 兴趣点推荐的方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111112717.1A CN113761381B (zh) 2021-09-23 2021-09-23 兴趣点推荐的方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN113761381A CN113761381A (zh) 2021-12-07
CN113761381B true CN113761381B (zh) 2023-08-08

Family

ID=78796810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111112717.1A Active CN113761381B (zh) 2021-09-23 2021-09-23 兴趣点推荐的方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN113761381B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817743A (zh) * 2022-05-17 2022-07-29 北京百度网讯科技有限公司 兴趣点搜索方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9282161B1 (en) * 2012-10-26 2016-03-08 Amazon Technologies, Inc. Points of interest recommendations
CN107633100A (zh) * 2017-10-23 2018-01-26 苏州大学 一种基于嵌入模型的兴趣点推荐方法及装置
CN111523031A (zh) * 2020-04-22 2020-08-11 北京百度网讯科技有限公司 用于推荐兴趣点的方法和装置
CN111538904A (zh) * 2020-04-27 2020-08-14 北京百度网讯科技有限公司 用于推荐兴趣点的方法和装置
CN112905905A (zh) * 2021-01-22 2021-06-04 杭州电子科技大学 一种位置社交网络中兴趣点-区域联合推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6565886B2 (ja) * 2016-12-07 2019-08-28 トヨタ自動車株式会社 情報提供装置及び情報提供プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9282161B1 (en) * 2012-10-26 2016-03-08 Amazon Technologies, Inc. Points of interest recommendations
CN107633100A (zh) * 2017-10-23 2018-01-26 苏州大学 一种基于嵌入模型的兴趣点推荐方法及装置
CN111523031A (zh) * 2020-04-22 2020-08-11 北京百度网讯科技有限公司 用于推荐兴趣点的方法和装置
CN111538904A (zh) * 2020-04-27 2020-08-14 北京百度网讯科技有限公司 用于推荐兴趣点的方法和装置
CN112905905A (zh) * 2021-01-22 2021-06-04 杭州电子科技大学 一种位置社交网络中兴趣点-区域联合推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马理博 ; 秦小麟 ; .话题-位置-类别感知的兴趣点推荐.计算机科学.2020,(第09期),全文. *

Also Published As

Publication number Publication date
CN113761381A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
TWI743428B (zh) 目標用戶群體的確定方法和裝置
US10332184B2 (en) Personalized application recommendations
CN110309405B (zh) 一种项目推荐方法、装置及存储介质
CN112100524B (zh) 一种信息推荐的方法、装置、设备以及存储介质
US11663282B2 (en) Taxonomy-based system for discovering and annotating geofences from geo-referenced data
CN113360792B (zh) 信息推荐方法、装置、电子设备以及存储介质
CN111274341A (zh) 一种网点选址方法和装置
CN111158828A (zh) 应用程序app的用户界面确定方法及装置、存储介质
CN113849531A (zh) 查询方法及装置
CN113761381B (zh) 兴趣点推荐的方法、装置、设备以及存储介质
JP2019500704A (ja) 人工知能ベースの関連度計算を用いたノート提供方法及び装置
CN113761379A (zh) 商品推荐方法及装置、电子设备和介质
CN113190766A (zh) 路径规划方法、装置、电子设备及存储介质
CN114881557A (zh) 基于地域的物料信息推送方法、装置和设备
CN114579645A (zh) 商业信息的地图查询方法和装置
CN114817743A (zh) 兴趣点搜索方法和装置
CN114138358A (zh) 应用程序的启动优化方法、装置、设备和存储介质
CN114328783A (zh) 地图数据输出方法、地图数据处理方法、装置和电子设备
CN114116924A (zh) 基于图谱数据的数据查询方法、图谱数据构建方法和装置
CN113722593A (zh) 事件数据处理方法、装置、电子设备和介质
CN112948517A (zh) 区域位置标定方法、装置及电子设备
CN111831130A (zh) 输入内容的推荐方法、终端设备以及存储介质
CN113051470B (zh) 位置精度评估方法及装置、电子设备、计算机可读介质
US20230316372A1 (en) Peer-based selection using machine learning
CN114064728A (zh) 一种数据查询方法、装置、电子设备、介质及产品

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