CN114118631A - 基于图神经网络的装卸货点推荐方法和装置 - Google Patents

基于图神经网络的装卸货点推荐方法和装置 Download PDF

Info

Publication number
CN114118631A
CN114118631A CN202210076501.2A CN202210076501A CN114118631A CN 114118631 A CN114118631 A CN 114118631A CN 202210076501 A CN202210076501 A CN 202210076501A CN 114118631 A CN114118631 A CN 114118631A
Authority
CN
China
Prior art keywords
loading
point
unloading
interest
position 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.)
Granted
Application number
CN202210076501.2A
Other languages
English (en)
Other versions
CN114118631B (zh
Inventor
赵斌伟
廖泽平
沈永新
杨晨
强成仓
石立臣
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.)
Shenzhen Yishi Huolala Technology Co Ltd
Original Assignee
Shenzhen Yishi Huolala 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 Shenzhen Yishi Huolala Technology Co Ltd filed Critical Shenzhen Yishi Huolala Technology Co Ltd
Priority to CN202210076501.2A priority Critical patent/CN114118631B/zh
Publication of CN114118631A publication Critical patent/CN114118631A/zh
Application granted granted Critical
Publication of CN114118631B publication Critical patent/CN114118631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种基于图神经网络的装卸货点推荐方法、装置、计算机设备和存储介质。方法包括：构造基于地理位置信息的兴趣点图、基于地理位置信息的装卸货点图和兴趣点装卸货点交互图；将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量；将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量；将融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行推荐，能大幅提升装卸货点的推荐的准确性、可靠性，且更加智能高效、合理、适用面广。

Description

基于图神经网络的装卸货点推荐方法和装置
技术领域
本申请涉及装卸货点推荐领域，特别是涉及一种基于图神经网络的装卸货点推荐方法、装置、计算机设备和存储介质。
背景技术
如今用户在APP平台下单，部分订单用户下单兴趣点（point of interesting，POI）与用户实际装卸货点距离较远，司机来了找不到用户货物，司机与用户货物碰面沟通成本大，司机用户体验差，为了提高司机货物碰面效率，降低碰面成本，提升平台司机与用户体验，让更多的司机与用户选择并留存于平台，需要一种更加智能的基于用户下单兴趣点来进行装卸货点推荐的方案。
协同过滤是推荐系统中广泛使用的方法，其基本思想是，通过分析兴趣点有行为的装卸货点，找到与某个兴趣点相似的其它兴趣点，然后综合这些相似兴趣点对装卸货点的行为，预测该兴趣点可能的装卸货点。随着词嵌入技术的发展，很多方法将描述兴趣点和装卸货点的特征信息进行嵌入作为兴趣点和装卸货点的表征向量，捕获了兴趣点以及装卸货点的特征，然而，这种方法的卸货点推荐效果不佳，影响司机与用户体验。
发明内容
本申请针对上述不足或缺点，提供了一种基于图神经网络的装卸货点推荐方法、装置、计算机设备和存储介质。本申请将嵌入更全面信息的兴趣点和装卸货点的表征向量输入到神经网络中进行推荐，从而大幅提升了装卸货点的推荐的准确性、可靠性，而且更加智能高效、合理、适用面广。
本申请根据第一方面提供了一种基于图神经网络的装卸货点推荐方法，在一个实施例中，该方法包括：
构造基于地理位置信息的兴趣点图、基于地理位置信息的装卸货点图和兴趣点装卸货点交互图；
根据所述兴趣点图的邻接矩阵得到基于地理位置信息的兴趣点表征向量，根据所述装卸货点图的邻接矩阵得到基于地理位置信息的装卸货点表征向量，根据所述兴趣点装卸货点交互图得到基于交互信息的兴趣点表征向量和基于交互信息的装卸货点表征向量；
将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量；
将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量；
将融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行推荐。
在一个实施例中，构造基于地理位置信息的兴趣点图，包括：
获取所有兴趣点以及每个兴趣点的地理位置信息；
根据每两个兴趣点的地理位置信息分别计算每两个兴趣点之间的距离，根据每两个兴趣点之间的距离确定每两个兴趣点之间的边的权重，得到所述基于地理位置信息的兴趣点图；
构造基于地理位置信息的装卸货点图，包括：
获取所有装卸货点以及每个装卸货点的地理位置信息；
根据每两个装卸货点的地理位置信息分别计算每两个装卸货点之间的距离，根据每两个装卸货点之间的距离确定每两个装卸货点之间的边的权重，得到基于地理位置信息的装卸货点图。
在一个实施例中，根据每两个兴趣点之间的距离确定每两个兴趣点之间的边的权重，包括：
当任意两个兴趣点之间的距离小于第一预设阈值时，确定该任意两个兴趣点之间形成边关系，将该任意两个兴趣点之间的边的权重设置为1；
当任意两个兴趣点之间的距离大于等于第一预设阈值时，确定该任意两个兴趣点之间不形成边关系，将该任意两个兴趣点之间的边的权重设置为0;
根据每两个装卸货点之间的距离确定每两个装卸货点之间的边的权重，包括：
当任意两个装卸货点之间的距离小于第二预设阈值时，两个装卸货点形成边关系，边的权重为1；
当两个装卸货点的距离大于等于第二预设阈值时，两个装卸货点不形成边关系，边的权重为0。
在一个实施例中，构建所述兴趣点装卸货点交互图，包括：
获取兴趣点与装卸货点的配对数据；
根据所述配对数据确定将配对数据中的兴趣点和装卸货点，分别作为兴趣点节点和装卸货点节点；在配对次数大于等于预设值的兴趣点节点和装卸货点节点之间建立边连接，得到兴趣点装卸货点交互图。
在一个实施例中，根据所述兴趣点装卸货点交互图得到基于交互信息的兴趣点表征向量和基于交互信息的装卸货点表征向量，包括：
基于兴趣点装卸货点交互图中的装卸货点表征向量和兴趣点节点的邻接矩阵，更新兴趣点表征向量，得到基于交互信息的兴趣点的表征向量；
基于兴趣点装卸货点交互图中的装卸货点表征向量和装卸货点节点的邻接矩阵，更新装卸货点表征向量，得到基于交互信息的装卸货点的表征向量。
在一个实施例中，将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量，包括：
将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量进行合并，经过多层感知机进行表征，融合交互信息和地理位置信息的兴趣点表征向量;
将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量，包括：
将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量进行合并，经过多层感知机进行表征，融合交互信息和地理位置信息的装卸货点表征向量。
在一个实施例中，将融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行推荐，包括：
将融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行学习；
通过反向传播最小化损失函数的方式来对图神经网络模型进行训练，得到相应的图神经网络模型参数，并输出经过学习的融合交互信息和地理位置信息的的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量；其中，经过学习的融合交互信息和地理位置信息的的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量用于预测与目标兴趣点相关联的装卸货点序列。
本申请根据第二方面提供了一种基于图神经网络的装卸货点推荐装置，在一个实施例中，该装置包括：
图构造模块，用于构造基于地理位置信息的兴趣点图、基于地理位置信息的装卸货点图和兴趣点装卸货点交互图；
表征向量生成模块，用于根据所述兴趣点图的邻接矩阵得到基于地理位置信息的兴趣点表征向量，根据所述装卸货点图的邻接矩阵得到基于地理位置信息的装卸货点表征向量，根据所述兴趣点装卸货点交互图得到基于交互信息的兴趣点表征向量和基于交互信息的装卸货点表征向量；
融合模块，用于将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量；
以及将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量；
推荐模块，用于将所述融合交互信息和地理位置信息的兴趣点表征向量和所述融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行推荐。
本申请根据第三方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的实施例的步骤。
本申请根据第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一方法的实施例的步骤。
在本申请实施例中，通过构造基于地理位置信息的兴趣点图、基于地理位置信息的装卸货点图和兴趣点装卸货点交互图；根据兴趣点图的邻接矩阵得到基于地理位置信息的兴趣点表征向量，根据装卸货点图的邻接矩阵得到基于地理位置信息的装卸货点表征向量，根据兴趣点装卸货点交互图得到基于交互信息的兴趣点表征向量和基于交互信息的装卸货点表征向量；将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量；将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量；将融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行推荐，综合考虑了兴趣点装卸货点交互图、基于地理位置信息的兴趣点图和装卸货点图，在兴趣点的表征向量中嵌入了交互信息和兴趣点的位置信息，同时在装卸货点的表征向量中嵌入了交互信息以及装卸货点的位置信息，进而将更全面信息的兴趣点和装卸货点的表征向量输入到神经网络中进行推荐，从而大幅提升了装卸货点的推荐的准确性、可靠性，进一步提升司机和用户的体验。
附图说明
图1为一个实施例中一种基于图神经网络的装卸货点推荐方法的流程示意图；
图2为基于地理位置信息的兴趣点图示意图；
图3为基于地理位置信息的装卸货点图示意图；
图4为兴趣点装卸货点交互图的示意图；
图5为一个实施例中的模型训练过程示意图；
图6为一个实施例中的模型预测过程示意图；
图7为一个实施例中一种基于图神经网络的装卸货点推荐装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
发明人考虑到目前采用的推荐装卸货点的方法没有捕获兴趣点装卸货点交互图中的协作信息，产生的表征向量不足以捕获协同过滤影响；同时，该方法的兴趣点和装卸货点表征没有考虑物理位置信息，没有捕获到位置信息的影响。为了能够提高推荐准确度，本申请采用了图神经网络技术来进行装卸货点推荐。图神经网络被提出学习图数据中的表征向量，可以整合图中的节点信息、边信息以及拓扑结构，它的主要思想是使用神经网络从邻居节点中迭代的转换和聚合特征信息，与此同时，在转换和聚合之后节点信息也可以在图上传播。图神经网络由于能够整合节点信息和拓扑结构，所以在学习表征向量上取得了成功。例如，使用图神经网络在用户-项目交互图中学习用户和项目的表征向量。
本申请提供了一种基于图神经网络的装卸货点推荐方法，在一个实施例中提供的基于图神经网络的装卸货点推荐方法包括如图1所示的步骤，下面结合图1对该方法进行详细说明。
S110：构造基于地理位置信息的兴趣点图、基于地理位置信息的装卸货点图和兴趣点装卸货点交互图；
本实施例中，构造基于地理位置信息的兴趣点图可以根据以下方式得到：首先获取所有兴趣点点，作为兴趣点图的节点，然后根据两个节点之间距离小于预设距离时连接边关系，以此所有节点之间就形成了拓扑结构，就构成了基于地理位置信息的兴趣点图，具体构建过程包括：获取所有兴趣点以及每个兴趣点的地理位置信息；根据每两个兴趣点的地理位置信息分别计算每两个兴趣点之间的距离，根据每两个兴趣点之间的距离确定每两个兴趣点之间的边的权重，得到所述基于地理位置信息的兴趣点图。
进一步的，根据每两个兴趣点之间的距离确定每两个兴趣点之间的边的权重，包括：
当任意两个兴趣点之间的距离小于第一预设阈值时，确定该任意两个兴趣点之间形成边关系，将该任意两个兴趣点之间的边的权重设置为1；
当任意两个兴趣点之间的距离大于等于第一预设阈值时，确定该任意两个兴趣点之间不形成边关系，将该任意两个兴趣点之间的边的权重设置为0。
举例而言，第一预设阈值为50米，可以将50米以内的兴趣点确定为有边关系的兴趣点。具体而言，取出所有兴趣点，两两计算兴趣点之间距离，当距离小于50米时，就认为这两个兴趣点形成边关系，并且边的权重为1，否则将边的权重设置为0，两个兴趣点不形成边关系；遍历完所有兴趣点后，得到所有边的权重，根据图结构的定义就得到了该图的邻接矩阵。邻接矩阵的表示为：
Figure 6176DEST_PATH_IMAGE001
由上述步骤得到的基于地理位置信息的兴趣点图，如图2所示。
构造基于地理位置信息的装卸货点图可以根据以下方式得到：首先获取离线挖掘的实际装卸货点（例如，司机在实际装卸货的位置触发按钮上报位置，在此不做限制），作为装卸货点图的节点，然后根据两个节点之间距离小于预设距离时连接边关系，以此所有节点之间就形成了拓扑结构，就构成了基于地理位置信息的装卸货点图，具体构建过程包括：获取所有装卸货点以及每个装卸货点的地理位置信息；根据每两个装卸货点的地理位置信息分别计算每两个装卸货点之间的距离，根据每两个装卸货点之间的距离确定每两个装卸货点之间的边的权重，得到所述基于地理位置信息的装卸货点图。
进一步的，根据每两个装卸货点之间的距离确定每两个装卸货点之间的边的权重，包括：
当任意两个装卸货点之间的距离小于第二预设阈值时，两个装卸货点形成边关系，边的权重为1；
当两个装卸货点的距离大于等于第二预设阈值时，两个装卸货点不形成边关系，边的权重为0。
举例而言，第二预设阈值为50米，可以将50米以内的装卸货点确定为有边关系的装卸货点。具体而言，取出所有装卸货点，两两计算装卸货点之间距离，当距离小于50米时，就认为这两个装卸货点形成边关系，并且边的权重为1，否则将边的权重设置为0，两个装卸货点不形成边关系；遍历完所有装卸货点后，得到所有边的权重，根据图结构的定义就得到了该图的邻接矩阵。邻接矩阵的表示为：
Figure 460291DEST_PATH_IMAGE002
由上述步骤得到的基于地理位置信息的装卸货点图，如图3所示。
构造兴趣点装卸货点交互图可以包括基于配对数据构造边关系以及确定兴趣点节点和装卸货点的邻接矩阵两个主要步骤，具体如下：
（1）基于配对数据构造边关系
构造兴趣点装卸货点交互图可以基于以下步骤确定：基于历史所有订单的兴趣点及装卸货点数据，确定兴趣点与装卸货点的配对数据。将配对数据中的兴趣点和装卸货点，分别作为兴趣点节点和装卸货点节点，在配对次数大于等于预设值的兴趣点节点和装卸货点节点之间建立边连接，得到兴趣点装卸货点交互图。由于任意一条边都是由一个兴趣点节点和装卸货点节点连接而成的，并且由于两者同时匹配的频率往往能体现其相关性，因此对于大于或等于预设值的任意一组兴趣点节点与装卸货点节点建立边连接，也即连一条边。以下以预设值为3为例，基于配对数据，得到公式:
Figure 583099DEST_PATH_IMAGE003
其中，
Figure 247298DEST_PATH_IMAGE004
表示顶点i，
Figure 346710DEST_PATH_IMAGE005
表示顶点j，Q表示配对数据中的兴趣点节点集合，P表示配对数据中装卸货点节点集合，
Figure 655332DEST_PATH_IMAGE006
表示顶点i，j之间的共同出现频率，也即共现频率。
（2）确定兴趣点节点的邻接矩阵
由于不同邻居装卸货点对中心的兴趣点节点的影响不同，需要采用注意力机制来确定兴趣点节点的邻接矩阵。此时的注意力机制，可以对当前节点的邻接节点和边连接的数据进行加权变化，以对注意力焦点投入更多注意力资源，获取更多所需要关注目标的细节信息，而抑制其他无用信息。可以基于兴趣点表征向量、装卸货点表征向量、兴趣点与装卸货点的边连接来确定兴趣点装卸货点交互图的各条边的注意力系数，根据注意力系数确定各条边的权重，以此构成邻接权重矩阵。
Figure 729467DEST_PATH_IMAGE007
以兴趣点节点q为例，其与装卸货点节点p之间边权重为：
Figure 756329DEST_PATH_IMAGE008
Figure 160896DEST_PATH_IMAGE009
其中，
Figure 448658DEST_PATH_IMAGE010
为兴趣点节点q与装卸货点节点p之间边权重，由所有兴趣点节点和边权重即可得到兴趣点节点的邻接矩阵
Figure 569061DEST_PATH_IMAGE011
。其中exp是以自然常数e为底的指数函数，
Figure 457120DEST_PATH_IMAGE012
是基于兴趣点节点的表征向量
Figure 321171DEST_PATH_IMAGE013
、装卸货点节点的表征向量
Figure 729019DEST_PATH_IMAGE014
、兴趣点节点与装卸货点节点的边连接
Figure 364530DEST_PATH_IMAGE015
所确定，
Figure 100405DEST_PATH_IMAGE016
表示与兴趣点顶点
Figure 892781DEST_PATH_IMAGE017
有边相连的邻居装卸货点，表示与兴趣点顶点
Figure 607665DEST_PATH_IMAGE018
有边相连的邻居装卸货点集合，a，b，c分别指
Figure 335449DEST_PATH_IMAGE013
，
Figure 683254DEST_PATH_IMAGE019
，
Figure 233315DEST_PATH_IMAGE020
。LeakyRelu为激活函数，
Figure 225542DEST_PATH_IMAGE021
、
Figure 983282DEST_PATH_IMAGE022
、
Figure 536492DEST_PATH_IMAGE023
分别为图神经网络需要学习的参数。
（3）确定装卸货点节点的邻接矩阵
根据上述同样的方法可以确定装卸货点节点p与兴趣点节点之间边的权重
Figure 546037DEST_PATH_IMAGE024
。由所有装卸货点节点和兴趣点节点的边权重即可得到装卸货点节点的邻接矩阵
Figure 782983DEST_PATH_IMAGE025
。
由上述步骤得到的兴趣点装卸货点交互图，如图4所示。
S120：根据所述兴趣点图的邻接矩阵得到基于地理位置信息的兴趣点表征向量，根据所述装卸货点图的邻接矩阵得到基于地理位置信息的装卸货点表征向量，根据所述兴趣点装卸货点交互图得到基于交互信息的兴趣点表征向量和基于交互信息的装卸货点表征向量；
S130：将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量；
S140：将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量；
进一步的，基于兴趣点装卸货点交互图中的装卸货点表征向量和兴趣点节点的邻接矩阵，更新兴趣点表征向量，得到基于交互信息的兴趣点的表征向量；
基于兴趣点装卸货点交互图中的装卸货点表征向量和装卸货点节点的邻接矩阵，更新装卸货点表征向量，得到基于交互信息的装卸货点的表征向量。
具体而言，基于交互信息的兴趣点表征向量和装卸货点的表征向量以如下方式得到：
（1）基于交互信息的兴趣点表征向量
Figure 931199DEST_PATH_IMAGE026
基于兴趣点装卸货点交互图中的装卸货点表征向量
Figure 863383DEST_PATH_IMAGE027
和兴趣点节点的邻接矩阵
Figure 66831DEST_PATH_IMAGE011
，确定更新后的兴趣点表征向量，即带有交互信息的兴趣点的表征向量为
Figure 610814DEST_PATH_IMAGE028
：
其中，
Figure 585723DEST_PATH_IMAGE029
表示激活函数，
Figure 395416DEST_PATH_IMAGE011
为兴趣点节点的邻接矩阵，
Figure 90971DEST_PATH_IMAGE030
为图神经网络模型GCN中需要学习的与兴趣点节点具有关联关系的装卸货点的参数矩阵，
Figure 912296DEST_PATH_IMAGE014
为装卸货点的表征向量，
Figure 182740DEST_PATH_IMAGE031
为图神经网络模型GCN中需要学习的与兴趣点具有关联关系的装卸货点的参数。
（2）基于交互信息的装卸货点表征向量
Figure 89516DEST_PATH_IMAGE032
基于兴趣点装卸货点交互图中的兴趣点表征向量XQ和装卸货点节点的邻接矩阵
Figure 618456DEST_PATH_IMAGE025
，确定更新后的装卸货点的表征向量，即带有交互信息的装卸货节点的表征向量为
Figure 559867DEST_PATH_IMAGE033
：
其中，
Figure 735633DEST_PATH_IMAGE034
表示激活函数，
Figure 5072DEST_PATH_IMAGE025
为装卸货节点的邻接矩阵，
Figure 291697DEST_PATH_IMAGE035
为图神经网络模型GCN中需要学习的与装卸货节点具有关联关系的兴趣点节点的参数矩阵，
Figure 87614DEST_PATH_IMAGE036
为兴趣点节点的表征向量，
Figure 214708DEST_PATH_IMAGE037
为图神经网络模型GCN中需要学习的与装卸货点节点具有关联关系的兴趣点节点的参数。
进一步的，基于兴趣点图的邻接矩阵，更新兴趣点表征向量，得到基于地理位置信息的兴趣点表征向量；
基于装卸货点图的邻接矩阵，更新兴趣点表征向量，得到基于地理位置信息的装卸货点表征向量。
具体而言，基于地理位置信息的兴趣点表征向量和装卸货点的表征向量以如下方式得到：
（1）基于地理位置信息的兴趣点表征向量
基于兴趣点图的邻接矩阵
Figure 423972DEST_PATH_IMAGE038
，更新兴趣点表征向量，得到基于地理位置信息的兴趣点表征向量为
Figure 999441DEST_PATH_IMAGE039
：
Figure 649866DEST_PATH_IMAGE040
其中，
Figure 698593DEST_PATH_IMAGE041
表示激活函数，
Figure 67257DEST_PATH_IMAGE038
为兴趣点图的邻接矩阵，
Figure 898947DEST_PATH_IMAGE042
为图神经网络模型GCN中需要学习的参数矩阵，
Figure 270058DEST_PATH_IMAGE043
为兴趣点节点随机初始化的表征向量，
Figure 489687DEST_PATH_IMAGE044
为图神经网络模型GCN中需要学习的参数。
（2）基于地理位置信息的装卸货点表征向量
基于装卸货点图的邻接矩阵
Figure 80068DEST_PATH_IMAGE045
，更新兴趣点表征向量，得到基于地理位置信息的装卸货点表征向量为
Figure 262919DEST_PATH_IMAGE046
：
Figure 12569DEST_PATH_IMAGE047
其中，
Figure 278466DEST_PATH_IMAGE048
表示激活函数，
Figure 526782DEST_PATH_IMAGE045
为装卸货点图的邻接矩阵，
Figure 903537DEST_PATH_IMAGE049
为图神经网络模型GCN中需要学习的参数矩阵，
Figure 258426DEST_PATH_IMAGE050
为装卸货点节点随机初始化的表征向量，
Figure 695223DEST_PATH_IMAGE051
为图神经网络模型GCN中需要学习的参数。
进一步的，将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量，包括：
将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量进行合并，经过多层感知机进行表征，融合交互信息和地理位置信息的兴趣点表征向量;
将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量，包括：
将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量进行合并，经过多层感知机进行表征，融合交互信息和地理位置信息的装卸货点表征向量。
具体而言，表征向量融合过程包括兴趣点表征向量融合以及装卸货点表征向量融合两个部分：
（1）兴趣点表征向量融合
将基于交互信息的兴趣点表征向量和基于地理位置信息的兴趣点表征向量进行融合，具体融合方式是将两个向量
Figure 384831DEST_PATH_IMAGE053
和
Figure 565276DEST_PATH_IMAGE055
进行合并，再经过多层感知机进行表征，得到融合后的兴趣点表征向量
Figure DEST_PATH_IMAGE057
：
Figure 601103DEST_PATH_IMAGE058
Figure 208802DEST_PATH_IMAGE059
其中，
Figure 339700DEST_PATH_IMAGE060
为向量合并运算，
Figure 448471DEST_PATH_IMAGE062
表示对应兴趣点的第m层的神经网络，
Figure DEST_PATH_IMAGE064
为基于交互信息的兴趣点表征向量，
Figure 214170DEST_PATH_IMAGE066
为基于地理位置信息的兴趣点表征向量。
Figure 117404DEST_PATH_IMAGE067
表示激活函数，m取值范围为[1,M]，
Figure 391391DEST_PATH_IMAGE068
为第m层的神经网络需要学习的参数。
Figure 257847DEST_PATH_IMAGE069
为第m层的神经网络的权重矩阵。
（2）装卸货点表征向量进行融合
Figure 691102DEST_PATH_IMAGE070
将基于交互信息的装卸货点表征向量和基于地理位置信息的装卸货点表征向量进行融合，具体融合方式是将两个向量
Figure 640603DEST_PATH_IMAGE072
和
Figure DEST_PATH_IMAGE074
进行合并，再经过多层感知机进行表征，得到融合后的装卸货点表征向量
Figure DEST_PATH_IMAGE076
：
Figure 572525DEST_PATH_IMAGE077
其中，
Figure 773830DEST_PATH_IMAGE060
为向量合并运算，
Figure 530434DEST_PATH_IMAGE079
表示对应装卸货点的第n层的神经网络，
Figure 650837DEST_PATH_IMAGE081
为基于交互信息的装卸货点表征向量，
Figure 538896DEST_PATH_IMAGE083
为基于地理位置信息的装卸货点表征向量。
Figure 730843DEST_PATH_IMAGE034
表示激活函数，n取值范围为[1,N]，
Figure 279636DEST_PATH_IMAGE084
为第n层的神经网络需要学习的参数。
Figure 446306DEST_PATH_IMAGE085
为第n层的神经网络的权重矩阵。
得到融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量，则进入以下步骤：
S150：将融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行推荐。
具体而言，上述步骤包括模型训练和模型预测两个步骤。示例性地，模型训练过程请见图5，模型预测过程请见图6。
在模型训练这一步骤中，则包括以下三个部分：
（1）匹配得分
计算融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量的余弦相似度来作为两者的匹配得分，具体为：
Figure 510077DEST_PATH_IMAGE086
其中
Figure DEST_PATH_IMAGE088A
表示融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量的余弦相似度，
Figure DEST_PATH_IMAGE090A
表示融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量的点积，
Figure DEST_PATH_IMAGE092A
表示融合交互信息和地理位置信息的兴趣点表征向量的长度，
Figure DEST_PATH_IMAGE094A
表示融合交互信息和地理位置信息的装卸货点表征向量的长度。
（2）损失函数
Figure 4250DEST_PATH_IMAGE095
Figure 266604DEST_PATH_IMAGE096
通过上述的匹配得分可以计算出基于兴趣点确定的装卸货点概率值，损失函数可以采用基于交叉熵的损失，使其正样本的概率接近于1，负样本的概率接近于0，负样本通过采样获得，具体损失函数为，
其中：
Figure 807438DEST_PATH_IMAGE097
表示样本i的label，正样本为1，负样本为0，
Figure 296188DEST_PATH_IMAGE098
表示正样本，
Figure 892255DEST_PATH_IMAGE099
表示负样本，
Figure 884481DEST_PATH_IMAGE100
是正负样本集合里的装卸货点，
Figure 360331DEST_PATH_IMAGE101
表示兴趣点为Q对应的装卸货点P的概率，
Figure 195432DEST_PATH_IMAGE102
表示样本i预测为正例时概率，
Figure 204976DEST_PATH_IMAGE103
表示样本i预测为负例的概率，
Figure 395917DEST_PATH_IMAGE104
为上述求得的匹配得分。通过反向传播最小化损失函数的方式来对模型进行训练，经过若干轮训练，最终模型可以学习到相应的模型参数。
（3）模型输出
模型经过训练后，最终输出的是经过学习的融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量，用于模型的预测。
在模型预测步骤中，则将经过学习的融合交互信息和地理位置信息的的兴趣点表征向量存入Redis（缓存数据库）中，将经过学习的融合交互信息和地理位置信息的装卸货点表征向量存入Faiss中（用于embedding嵌入检索），当用户输入目标兴趣点时，在Redis中查找到对应的兴趣点表征向量，将其输入到Faiss中检索相应的匹配得分大于等于预设阈值的装卸货点序列，作为所预测的与目标兴趣点相关联的装卸货点序列，将所预测的与目标兴趣点相关联的装卸货点序列推送给用户，用于实际装卸货。
本实施例相对之前单一的将兴趣点和装卸货点的特征信息进行嵌入作为兴趣点和装卸货点的表征向量，设计了多种图关系，包括兴趣点装卸货点交互图、基于地理位置信息的兴趣点图和装卸货点图，在兴趣点的表征向量中嵌入了协作交互信息和兴趣点的位置信息，同时在装卸货点的表征向量中嵌入了协作交互信息以及装卸货点的位置信息，即在兴趣点和装卸货点的表征向量中嵌入更全面的信息，以捕获协同过滤影响以及位置信息的影响，进而大幅提升装卸货点推荐的准确度。
基于相同的发明构思，本申请还提供了一种基于图神经网络的装卸货点推荐装置。在本实施例中，如图7所示，该基于图神经网络的装卸货点推荐装置包括以下模块：
图构造模块110，用于构造基于地理位置信息的兴趣点图、基于地理位置信息的装卸货点图和兴趣点装卸货点交互图；
表征向量生成模块120，用于根据所述兴趣点图的邻接矩阵得到基于地理位置信息的兴趣点表征向量，根据所述装卸货点图的邻接矩阵得到基于地理位置信息的装卸货点表征向量，根据所述兴趣点装卸货点交互图得到基于交互信息的兴趣点表征向量和基于交互信息的装卸货点表征向量；
融合模块130，用于将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量；以及将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量；
推荐模块140，用于将所述融合交互信息和地理位置信息的兴趣点表征向量和所述融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行推荐。
关于基于图神经网络的装卸货点推荐装置的具体限定可以参见上文中对于基于图神经网络的装卸货点推荐方法的限定，在此不再赘述。上述基于图神经网络的装卸货点推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备。
该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储路段数据等数据，具体存储的数据还可以参见上述方法实施例中的限定。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种道路转向角度计算方法。
本领域技术人员可以理解，上述结构仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法实施例提供的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一方法实施例提供的步骤。
本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于图神经网络的装卸货点推荐方法，方法包括：
构造基于地理位置信息的兴趣点图、基于地理位置信息的装卸货点图和兴趣点装卸货点交互图；
根据所述兴趣点图的邻接矩阵得到基于地理位置信息的兴趣点表征向量，根据所述装卸货点图的邻接矩阵得到基于地理位置信息的装卸货点表征向量，根据所述兴趣点装卸货点交互图得到基于交互信息的兴趣点表征向量和基于交互信息的装卸货点表征向量；
将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量；
将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量；
将所述融合交互信息和地理位置信息的兴趣点表征向量和所述融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行推荐。
2.如权利要求1的方法，其特征在于，
构造所述基于地理位置信息的兴趣点图，包括：
获取所有兴趣点以及每个兴趣点的地理位置信息；
根据每两个兴趣点的地理位置信息分别计算每两个兴趣点之间的距离，根据每两个兴趣点之间的距离确定每两个兴趣点之间的边的权重，得到所述基于地理位置信息的兴趣点图；
构造所述基于地理位置信息的装卸货点图，包括：
获取所有装卸货点以及每个装卸货点的地理位置信息；
根据每两个装卸货点的地理位置信息分别计算每两个装卸货点之间的距离，根据每两个装卸货点之间的距离确定每两个装卸货点之间的边的权重，得到所述基于地理位置信息的装卸货点图。
3.如权利要求2的方法，其特征在于，根据每两个兴趣点之间的距离确定每两个兴趣点之间的边的权重，包括：
当任意两个兴趣点之间的距离小于第一预设阈值时，确定该任意两个兴趣点之间形成边关系，将该任意两个兴趣点之间的边的权重设置为1；
当任意两个兴趣点之间的距离大于等于第一预设阈值时，确定该任意两个兴趣点之间不形成边关系，将该任意两个兴趣点之间的边的权重设置为0;
根据每两个装卸货点之间的距离确定每两个装卸货点之间的边的权重，包括：
当任意两个装卸货点之间的距离小于第二预设阈值时，两个装卸货点形成边关系，边的权重为1；
当两个装卸货点的距离大于等于第二预设阈值时，两个装卸货点不形成边关系，边的权重为0。
4.如权利要求1-3任一项的方法，其特征在于，构建所述兴趣点装卸货点交互图，包括：
获取兴趣点与装卸货点的配对数据；
根据所述配对数据确定将配对数据中的兴趣点和装卸货点，分别作为兴趣点节点和装卸货点节点；在配对次数大于等于预设值的兴趣点节点和装卸货点节点之间建立边连接，得到兴趣点装卸货点交互图。
5.如权利要求1的方法，其特征在于，
根据所述兴趣点装卸货点交互图得到基于交互信息的兴趣点表征向量和基于交互信息的装卸货点表征向量，包括：
基于所述兴趣点装卸货点交互图中的装卸货点表征向量和兴趣点节点的邻接矩阵，更新兴趣点表征向量，得到基于交互信息的兴趣点的表征向量；
基于所述兴趣点装卸货点交互图中的装卸货点表征向量和装卸货点节点的邻接矩阵，更新装卸货点表征向量，得到基于交互信息的装卸货点的表征向量。
6.如权利要求1的方法，其特征在于，
将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量，包括：
将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量进行合并，经过多层感知机进行表征，得到融合交互信息和地理位置信息的兴趣点表征向量;
将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量，包括：
将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量进行合并，经过多层感知机进行表征，融合交互信息和地理位置信息的装卸货点表征向量。
7.如权利要求6的方法，其特征在于，将融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行推荐，包括：
将融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行学习；
通过反向传播最小化损失函数的方式来对图神经网络模型进行训练，得到相应的图神经网络模型参数，并输出经过学习的融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量；其中，经过学习的融合交互信息和地理位置信息的兴趣点表征向量和融合交互信息和地理位置信息的装卸货点表征向量用于预测与目标兴趣点相关联的装卸货点序列。
8.一种基于图神经网络的装卸货点推荐装置，其特征在于，装置包括：
图构造模块，用于构造基于地理位置信息的兴趣点图、基于地理位置信息的装卸货点图和兴趣点装卸货点交互图；
表征向量生成模块，用于根据所述兴趣点图的邻接矩阵得到基于地理位置信息的兴趣点表征向量，根据所述装卸货点图的邻接矩阵得到基于地理位置信息的装卸货点表征向量，根据所述兴趣点装卸货点交互图得到基于交互信息的兴趣点表征向量和基于交互信息的装卸货点表征向量；
融合模块，用于将基于交互信息的兴趣点表征向量与基于地理位置信息的兴趣点表征向量融合得到融合交互信息和地理位置信息的兴趣点表征向量；以及将基于交互信息的装卸货点表征向量与基于地理位置信息的装卸货点表征向量融合得到融合交互信息和地理位置信息的装卸货点表征向量；
推荐模块，用于将所述融合交互信息和地理位置信息的兴趣点表征向量和所述融合交互信息和地理位置信息的装卸货点表征向量输入到图神经网络中进行推荐。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现权利要求1至7中任一项方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现权利要求1至7中任一项的方法的步骤。
CN202210076501.2A 2022-01-24 2022-01-24 基于图神经网络的装卸货点推荐方法和装置 Active CN114118631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210076501.2A CN114118631B (zh) 2022-01-24 2022-01-24 基于图神经网络的装卸货点推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210076501.2A CN114118631B (zh) 2022-01-24 2022-01-24 基于图神经网络的装卸货点推荐方法和装置

Publications (2)

Publication Number Publication Date
CN114118631A true CN114118631A (zh) 2022-03-01
CN114118631B CN114118631B (zh) 2022-05-17

Family

ID=80361204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210076501.2A Active CN114118631B (zh) 2022-01-24 2022-01-24 基于图神经网络的装卸货点推荐方法和装置

Country Status (1)

Country Link
CN (1) CN114118631B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062928A (zh) * 2018-06-11 2018-12-21 北京嘀嘀无限科技发展有限公司 一种提示推荐上车点的方法及系统
CN111814069A (zh) * 2019-09-17 2020-10-23 北京嘀嘀无限科技发展有限公司 信息处理方法、装置、存储介质以及电子设备
CN113360788A (zh) * 2021-05-07 2021-09-07 深圳依时货拉拉科技有限公司 一种地址推荐方法、装置、设备及存储介质
WO2021221563A1 (en) * 2020-04-30 2021-11-04 Grabtaxi Holdings Pte. Ltd. Method for predicting the destination location of a vehicle
CN113779410A (zh) * 2021-09-18 2021-12-10 中国银行股份有限公司 银行网点的推荐方法、装置、电子设备及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062928A (zh) * 2018-06-11 2018-12-21 北京嘀嘀无限科技发展有限公司 一种提示推荐上车点的方法及系统
CN111814069A (zh) * 2019-09-17 2020-10-23 北京嘀嘀无限科技发展有限公司 信息处理方法、装置、存储介质以及电子设备
WO2021221563A1 (en) * 2020-04-30 2021-11-04 Grabtaxi Holdings Pte. Ltd. Method for predicting the destination location of a vehicle
CN113360788A (zh) * 2021-05-07 2021-09-07 深圳依时货拉拉科技有限公司 一种地址推荐方法、装置、设备及存储介质
CN113779410A (zh) * 2021-09-18 2021-12-10 中国银行股份有限公司 银行网点的推荐方法、装置、电子设备及计算机存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张舒 等: "空间位置的关联分析及其向量化表示方法", 《计算机系统应用》 *

Also Published As

Publication number Publication date
CN114118631B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN110473083B (zh) 树状风险账户识别方法、装置、服务器及存储介质
CN110929047A (zh) 关注邻居实体的知识图谱推理方法和装置
CN109886330B (zh) 文本检测方法、装置、计算机可读存储介质和计算机设备
CN111815169B (zh) 业务审批参数配置方法及装置
CN111651671A (zh) 用户对象推荐方法、装置、计算机设备和存储介质
CN112070216A (zh) 一种基于图计算系统训练图神经网络模型的方法及系统
CN112182384B (zh) 基于对抗学习的内容推荐方法、装置和计算机设备
CN112287965A (zh) 图像质量检测模型训练方法、装置和计算机设备
WO2021137910A2 (en) Computer architecture for resource allocation for course of action activities
CN114372581A (zh) 基于区块链的联邦学习方法、装置和计算机设备
CN115062779A (zh) 基于动态知识图谱的事件预测方法及装置
CN114118631B (zh) 基于图神经网络的装卸货点推荐方法和装置
CN111079175B (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
CN117036060A (zh) 车险欺诈识别方法、装置和存储介质
CN112541556A (zh) 模型构建优化方法、设备、介质及计算机程序产品
CN112396477B (zh) 业务预测模型的构建方法及装置
CN114064912A (zh) 数据处理方法、装置、计算机设备和存储介质
WO2020189241A1 (ja) 情報処理装置、情報処理方法及びプログラム
CN111641518A (zh) 基于异质网络的社群划分方法、装置、计算机设备及介质
CN110599377A (zh) 在线学习的知识点排序方法和装置
CN116205376B (zh) 行为预测方法、行为预测模型的训练方法和装置
CN111626098A (zh) 模型的参数值更新方法、装置、设备及介质
CN111767934A (zh) 一种图像识别方法、装置及电子设备
KR102574458B1 (ko) 수정 정보를 반영 가능한 인공지능 기반의 전자문서 관리 장치 및 방법
KR102574459B1 (ko) 자동 알림 기능을 포함하는 인공지능 기반의 전자문서 관리 장치 및 방법

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