CN114679680A - 基于ip地址的定位方法、装置、可读介质和电子设备 - Google Patents
基于ip地址的定位方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN114679680A CN114679680A CN202210234469.6A CN202210234469A CN114679680A CN 114679680 A CN114679680 A CN 114679680A CN 202210234469 A CN202210234469 A CN 202210234469A CN 114679680 A CN114679680 A CN 114679680A
- Authority
- CN
- China
- Prior art keywords
- address
- historical
- candidate
- positioning
- current
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/26—Network addressing or numbering for mobility support
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Navigation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及一种基于IP地址的定位方法、装置、可读介质和电子设备,涉及定位技术领域,该方法包括:接收用户的定位请求,定位请求包括当前IP地址和标识信息,根据标识信息确定用户的至少一个历史IP地址,根据当前IP地址和至少一个历史IP地址,确定多个候选位置,确定每个候选位置对应的定位特征,定位特征用于表征定位至该候选位置的置信度,对每个候选位置对应的定位特征进行排序,以根据排序结果在多个候选位置中确定目标位置。本公开在当前IP地址的基础上,结合历史IP地址确定多个候选位置以及对应的定位特征,从而实现定位,能够提高定位准确度。
Description
技术领域
本公开涉及定位技术领域,具体地,涉及一种基于IP地址的定位方法、装置、可读介质和电子设备。
背景技术
随着无线通信技术的发展,移动定位技术得到了广泛的应用。移动终端可以利用GNSS(Global Navigation Satellite System,全球导航卫星系统)进行定位,但由于移动终端所处环境比较多变,GNSS信号会受到信号衰减、多径干扰和障碍物等多种因素的影响,导致无法实现定位。此时可以通过移动终端上传的IP地址来进行定位。通常情况下可以预先建立IP地址库,然后在IP地址库中查找IP地址对应的位置来实现定位,但IP地址库的准确度较低,无法满足实际需求。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种基于IP地址的定位方法,所述方法包括:
接收用户的定位请求,所述定位请求包括当前IP地址和标识信息;
根据所述标识信息确定所述用户的至少一个历史IP地址;
根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置;
确定每个所述候选位置对应的定位特征,所述定位特征用于表征定位至该候选位置的置信度;
对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置。
第二方面,本公开提供一种基于IP地址的定位装置,所述装置包括:
接收模块,用于接收用户的定位请求,所述定位请求包括当前IP地址和标识信息;
IP确定模块,用于根据所述标识信息确定所述用户的至少一个历史IP地址;
位置确定模块,用于根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置;
特征确定模块,用于确定每个所述候选位置对应的定位特征,所述定位特征用于表征定位至该候选位置的置信度;
定位模块,用于对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,本公开首先接收包括当前IP地址和标识信息的定位请求,之后根据标识信息确定用户的至少一个历史IP地址,再根据当前IP地址和至少一个历史IP地址,确定多个候选位置,并确定每个候选位置对应的,能够表征定位至该候选位置的置信度的定位特征。最后,对每个候选位置对应的定位特征进行排序,以根据排序结果在多个候选位置中确定目标位置。本公开在当前IP地址的基础上,结合历史IP地址确定多个候选位置以及对应的定位特征,从而实现定位,能够提高定位准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种基于IP地址的定位方法的流程图;
图2是根据一示例性实施例示出的另一种基于IP地址的定位方法的流程图;
图3是根据一示例性实施例示出的另一种基于IP地址的定位方法的流程图;
图4是根据一示例性实施例示出的另一种基于IP地址的定位方法的流程图;
图5是根据一示例性实施例示出的一种循环神经网络的结构示意图;
图6是根据一示例性实施例示出的一种训练深度学习模型的流程图;
图7是根据一示例性实施例示出的一种基于IP地址的定位装置的框图;
图8是根据一示例性实施例示出的另一种基于IP地址的定位装置的框图;
图9是根据一示例性实施例示出的另一种基于IP地址的定位装置的框图;
图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
图1是根据一示例性实施例示出的一种基于IP地址的定位方法的流程图,如图1所示,该方法包括以下步骤:
步骤101,接收用户的定位请求,定位请求包括当前IP地址和标识信息。
步骤102,根据标识信息确定用户的至少一个历史IP地址。
举例来说,当用户需要使用定位服务时,例如用户想要查看附近的美食、电影院或者停车场等,可以通过终端设备发起定位请求,服务器接收终端设备发送的定位请求。定位请求中可以包括终端设备发起定位请求时使用的当前IP地址,以及标识信息。标识信息可以是用于标识终端设备的标识码,例如IMEI(英文:International Mobile EquipmentIdentity)码,也可以是用于标识用户的标识码,例如可以是用户名或者用户ID,本公开对此不作具体限定。之后,可以根据标识信息,确定终端设备在发起定位请求之前,使用过的至少一个历史IP地址。历史IP地址可以理解为,用户在当前时刻之前曾经发起过的定位请求中包括的IP地址,也就是说,历史IP地址是用户在当前时刻之前通过终端设备提交过的IP地址。可以预先建立一个离线的历史IP地址信息表,其中记录有多个标识信息中每个标识信息对应的至少一个历史IP地址。可以在历史IP地址信息表中,查找定位请求中包括的标识信息对应的至少一个历史IP地址。
需要说明的时,定位请求中包括的当前IP地址以及标识信息,均是在得到用户授权的情况下获得的,或者在用户阅读相关说明后主动提交的,或者是用户在使用终端设备时终端设备必然会发送至服务器的。例如,当用户通过终端设备发起定位请求时,终端设备的显示界面上可以展示提示信息以及“确定”按键和“取消”按键。提示信息用于提示用户需要获取当前IP地址以及标识信息,若用户点击“确定”按键,那么终端设备向服务器发送包含当前IP地址和标识信息的定位请求,若用户点击“取消”按键,那么终端设备则不发送定位请求。
步骤103,根据当前IP地址和至少一个历史IP地址,确定多个候选位置。
步骤104,确定每个候选位置对应的定位特征,定位特征用于表征定位至该候选位置的置信度。
示例的,可以根据当前IP地址和至少一个历史IP地址,确定多个候选位置,并分别确定每个候选位置对应的定位特征。具体的,可以根据当前IP地址,确定一个候选位置(即后文提及的当前候选位置),并根据至少一个历史IP地址,确定至少一个候选位置(即后文提及的历史候选位置),从而得到多个候选位置。然后,针对每个候选位置,分别确定对应的定位特征。其中,定位特征中并不直接包括当前IP地址和历史IP地址,而是从对应的候选位置中抽象出的,能够表征将终端设备定位至对应的候选位置的置信度的特征。一个候选位置的定位特征,可以包括对应的IP地址与该候选位置的匹配度,也可以包括标识信息与该候选位置的匹配度,还可以包括至少一个历史IP地址与该候选位置的匹配度。其中,对应的IP地址与该候选位置的匹配度,可以理解为根据对应的IP地址,将任一终端设备定位至该候选位置的置信度。标识信息与该候选位置的匹配度,可以理解为将标识信息指示的终端设备定位至该候选位置的置信度。至少一个历史IP地址与该候选位置的匹配度,可以理解为,根据历史IP地址,将任一终端设备定位至该候选位置的置信度。
步骤105,对每个候选位置对应的定位特征进行排序,以根据排序结果在多个候选位置中确定目标位置。
示例的,在得到每个候选位置对应的定位特征之后,可以对每个候选位置对应的定位特征进行排序,从而根据排序结果在多个候选位置中确定目标位置,目标位置即为定位请求对应的结果。定位特征能够表征定位到对应的候选位置的置信度,因此,可以将对应的定位特征表征的置信度进行排序,以将满足预设条件的候选位置,作为目标位置。预设条件例如可以是排序结果中对应的定位特征表征的置信度最大,也可以是排序结果中对应的定位特征表征的置信度大于或等于预设置信度阈值。进一步的,在确定目标位置之后,可以将目标位置作为定位结果发送至终端设备,也可以将目标位置附近的美食、电影院或者停车场等用户需求的地点作为定位结果发送至终端设备,还可以将目标位置附近的优惠券、促销活动等信息作为定位结果发送至终端设备,本公开对此不作具体限定。这样,在需要根据IP地址进行定位时,先根据当前IP地址以及历史IP地址,确定多个候选位置,然后分别确定每个候选位置的定位特征,再根据对应的定位特征,从多个候选位置中筛选出目标位置,能够结合前IP地址和历史IP地址进行定位,提高了定位准确度。
综上所述,本公开首先接收包括当前IP地址和标识信息的定位请求,之后根据标识信息确定用户的至少一个历史IP地址,再根据当前IP地址和至少一个历史IP地址,确定多个候选位置,并确定每个候选位置对应的,能够表征定位至该候选位置的置信度的定位特征。最后,对每个候选位置对应的定位特征进行排序,以根据排序结果在多个候选位置中确定目标位置。本公开在当前IP地址的基础上,结合历史IP地址确定多个候选位置以及对应的定位特征,从而实现定位,能够提高定位准确度。
在一种实现方式中,步骤102中确定至少一个历史IP地址的方式至少包括以下几种:
方式一,将标识信息标识的终端设备在当前时刻之前使用过的全部IP地址作为历史IP地址。方式二,将标识信息标识的终端设备在当前时刻之前预设时间范围(例如:1个月)内使用过的全部IP地址作为历史IP地址。方式三,将标识信息标识的终端设备在当前时刻之前使用过的全部IP地址中,使用频率最高的预设数量(例如:10)个的IP地址作为历史IP地址。方式四,将标识信息标识的终端设备在当前时刻之前使用过的全部IP地址中,根据该IP地址将终端设备定位至对应的候选位置的置信度最高的预设数量(例如:15)个的IP地址作为历史IP地址。
在另一种实现方式中,步骤103的实现方式可以包括:
根据当前IP地址与预设的IP地址库,确定当前候选位置,根据至少一个历史IP地址,确定每个历史IP地址对应的历史候选位置。
相应的,步骤104的实现方式可以包括:
确定当前候选位置对应的当前定位特征,以及每个历史候选位置对应的历史定位特征。
示例的,可以在预先建立的IP地址库中,查找与当前IP地址匹配的当前候选位置,进一步的,可以确定当前候选位置对应的当前定位特征。当前定位特征可以理解为,当前时刻之前预设时长内,根据当前IP地址,将任一终端设备定位至当前候选位置的置信度。IP地址库中,除了存储有每个IP地址对应的位置之外,还可以存储有当前时刻之前预设时长内,根据该IP地址,将任一终端设备定位至对应的位置的置信度。在IP地址库查找当前IP地址对应的当前候选位置时,可以同时获取当前候选位置对应的当前定位特征。同样的,可以在IP地址库中,查找与每个历史IP地址匹配的历史候选位置,同时可以获取每个历史候选位置对应的历史定位特征。
在另一种应用场景种,当前定位特征可以包括:将当前IP地址定位至当前候选位置的当前置信度。历史定位特征可以包括:将历史IP地址定位至对应的历史候选位置的历史置信度。
示例的,IP地址库中,除了存储有每个IP地址对应的位置之外,还可以存储有当前时刻之前预设时长内,根据每个IP地址,将任一终端设备定位至对应的位置的置信度。置信度(包括:当前置信度和历史置信度)可以理解为威尔逊得分(英文:Wilson score)。例如置信度的确定方式可以为:服务器统计当前时刻之前24小时内,根据某个IP地址,将任一终端设备定位至对应的位置的次数N,然后确定其中定位准确的次数U,以及以定位不准确的次数V,然后根据N、U、V来计算威尔逊得分,以作为置信度。其中,判断定位是否准确,可以将通过终端设备的GNSS信号定位得到的位置作为准确位置来判断。例如,针对某个IP地址,IP地址库中对应的位置为a地,在当前时刻之前24小时内,服务器接收到多次包括该IP地址的定位请求(可以是不同的终端设备发送的),对应的定位结果为a地。若多次定位请求中,发送某次定位请求时,某个终端设备的GNSS信号确定的位置也是a地,那么表示此次定位准确,若发送定位请求时,该终端设备的GNSS信号确定的位置是b地,那么表示此次定位不准确。
图2是根据一示例性实施例示出的另一种基于IP地址的定位方法的流程图,如图2所示,步骤105的实现方式可以包括:
步骤1051,若当前置信度大于或等于的历史置信度,将当前候选位置作为目标位置。
步骤1052,若当前置信度小于历史置信度,将历史候选位置作为目标位置。
示例的,在得到当前候选位置对应的当前置信度和每个历史候选位置对应的历史置信度之后,可以通过比较当前置信度和历史置信度来确定目标位置。例如,若当前置信度大于或等于的历史置信度,表示当前时刻之前预设时长内,利用当前IP地址进行定位,定位至当前候选位置,相比于利用历史IP地址进行定位,定位至历史候选位置的可靠程度更高,因此可以将当前候选位置作为目标位置。若当前置信度小于历史置信度,表示当前时刻之前预设时长内,利用历史IP地址进行定位,定位至历史候选位置,相比于利用当前IP地址进行定位,定位至当前候选位置的可靠程度更高,因此可以将历史候选位置作为目标位置。进一步的,当历史IP地址为多个,对应的历史候选位置、历史置信度均为多个的情况下,若当前置信度小于任一历史置信度,可以将对应的历史置信度最高的历史候选位置,作为目标位置。若当前置信度大于或等于每个历史置信度,可以将当前候选位置作为目标位置。
图3是根据一示例性实施例示出的另一种基于IP地址的定位方法的流程图,如图3所示,步骤105可以通过以下步骤来实现:
步骤1053,利用预先训练的深度学习模型,根据每个候选位置对应的定位特征,确定该候选位置对应的匹配概率。
步骤1054,对每个候选位置对应的匹配概率进行排序,以将对应的匹配概率满足预设条件的候选位置,作为目标位置。
举例来说,可以将每个候选位置对应的定位特征,作为预先训练的深度学习模型的输入,以利用深度学习模型确定该候选位置对应的匹配概率,并对每个候选位置对应的匹配概率进行排序,从而根据排序结果将对应的匹配概率满足预设条件的候选位置,作为目标位置。其中,深度学习模型是通过预先获取的多个训练样本训练得到的,训练样本可以包括多个样本候选位置对应的样本定位特征,以及对应的真实位置。其中,匹配概率可以理解为将终端设备定位至对应的候选位置的置信度,也可以理解为将终端设备与候选位置的匹配概率。深度学习模型可以将排序结果中对应匹配概率最高的候选位置作为目标位置,也可以将排序结果中对应匹配概率大于预设阈值的候选位置作为目标位置,还可以将匹配概率按照降序排列,将排在最前面的预设数量个匹配概率对应的候选位置作为目标位置。目标位置可以是一个或多个,若目标位置为多个,可以将多个目标位置一起发送至终端设备,由用户在多个目标位置中选择符合需求的目标位置。其中,深度学习模型的结构可以是任一种DNN(英文:Deep Neural Networks,中文:深度神经网路),本公开对此不作具体限定。
图4是根据一示例性实施例示出的另一种基于IP地址的定位方法的流程图,如图4所示,多个候选位置包括当前候选位置和至少一个历史候选位置。步骤103可以通过以下步骤来实现:
根据当前IP地址与预设的IP地址库,确定当前候选位置,并根据至少一个历史IP地址,确定每个历史IP地址对应的历史候选位置。确定当前候选位置以及历史候选位置的方式已在之前的实施例中进行了说明,此处不再赘述。
步骤104可以包括:
步骤1041,针对每个候选位置,根据确定该候选位置的IP地址,确定该候选位置对应的IP地址特征,IP地址特征用于表征该候选位置与对应的IP地址的匹配度。
步骤1042,根据该候选位置和标识信息,确定该候选位置对应的对象特征,对象特征用于表征该候选位置与标识信息指示的目标对象的匹配度。
步骤1043,根据该候选位置和至少一个历史IP地址,确定该候选位置与每个历史IP地址的匹配度,并根据该候选位置与每个历史IP地址的匹配度,确定该候选位置对应的上下文特征,上下文特征用于表征该候选位置与至少一个历史IP地址的匹配度。
举例来说,每个候选位置的定位特征,可以包括三种特征:IP地址特征、对象特征以及上下文特征。下面针对如何确定三种特征进行具体说明。
针对每个候选位置,可以根据确定该候选位置的IP地址,确定该候选位置对应的IP地址特征。也就是说,若该候选位置为当前候选位置,那么确定该候选位置的IP地址为当前IP地址,若该候选位置为历史候选位置,那么确定该候选位置的IP地址为历史IP地址。IP地址特征用于表征该候选位置与对应的IP地址的匹配度。IP地址特征可以包括:IP地址的类型,例如可以是ISP(英文:Internet Service Provider,中文:互联网服务提供商)类型、IDC(英文:Internet Data Center,中文:互联网数据中心)类型,也可以是Wi-Fi连接类型、基站连接类型,还可以是移动类型、固定类型等。IP地址特征还可以包括:历史记录中对应的IP地址与该候选位置关联的比例,例如,一个IP地址对应的候选位置为a地,历史记录中,根据该IP地址定位到a地500次,根据该IP地址定位到b地30次,根据该IP地址定位到c地70次,那么该IP地址与该候选位置关联的比例为500/(500+30+70)=83.3%。IP地址特征还可以包括:历史记录中根据对应的IP地址,将任一终端设备定位至该候选位置的置信度(或者召回率)。置信度例如可以是威尔逊得分,例如,一个IP地址对应的候选位置为a地,可以统计当前时刻之前48小时内,根据该IP地址,将任一终端设备定位至a地的次数N,然后确定其中定位准确的次数U,以及以定位不准确的次数V,然后根据N、U、V来计算威尔逊得分,以作为置信度。
针对每个候选位置,可以根据该候选位置和标识信息,确定该候选位置对应的对象特征,其中,对象特征用于表征该候选位置与标识信息指示的目标对象的匹配度。目标对象可以理解为标识信息指示的终端设备,也可以理解为标识信息指示的用户,本公开对此不作具体限定。对象特征例如可以包括以下至少一种:历史记录中目标对象出现在该候选位置的比例、历史记录中将目标对象定位至该候选位置的置信度、上一次将目标对象定位至该候选位置的时间、历史记录中将目标对象定位至该候选位置的置信度与将目标对象定位至该候选位置的时间的交叉特征等。
针对每个候选位置,可以先根据该候选位置和至少一个历史IP地址,确定该候选位置与每个历史IP地址的匹配度,该候选位置与每个历史IP地址的匹配度,可以理解为,根据每个历史IP地址,将任一终端设备定位至该候选位置的置信度。再根据该候选位置与每个历史IP地址的匹配度,确定该候选位置对应的上下文特征。其中,上下文特征用于表征该候选位置与至少一个历史IP地址的匹配度。
需要说明的是,上述确定IP地址特征、对象特征以及上下文特征的信息,均是在得到用户授权的情况下获得的,或者在用户阅读相关说明后主动提交的,或者是用户在使用终端设备时终端设备必然会发送至服务器的。
在一种实现方式中,步骤1043可以包括:
将该候选位置与每个历史IP地址的匹配度,和每个历史IP地址的属性信息输入预先训练的循环神经网络(英文:Recurrent Neural Network,缩写:RNN),以得到循环神经网络输出的上下文特征,属性信息包括历史IP地址的时间戳和IP类型。
示例的,可以将该候选位置与每个历史IP地址的匹配度,和每个历史IP地址的属性信息填入一个信息矩阵,其中,每个历史IP地址的属性信息可以包括:标识信息指示的终端设备使用该历史IP地址的时间(即该历史IP地址的时间戳)、该历史IP地址的IP类型等。信息矩阵可以如表1所示:
表1
历史IP地址 | 时间 | IP类型 | 匹配度 |
IP1 | t1 | 固定 | 0.8 |
IP2 | t2 | 固定 | 1.0 |
IP3 | t3 | 移动 | 0.1 |
IP4 | t4 | 移动 | 0.3 |
其中包括IP1、IP2、IP3、IP4共4个历史IP地址,标识信息指示的终端设备使用IP1的时间为t1,使用IP2的时间为t2,使用IP3的时间为t3,使用IP4的时间为t4,IP1和IP2为固定IP地址,IP3和IP4为移动IP地址。该候选位置与IP1的匹配度为0.8,与IP2的匹配度为1.0,与IP3的匹配度为0.1,与IP4的匹配度为0.3。
可以将上述信息矩阵输入预先训练的循环神经网络,以得到循环神经网络输出的上下文特征。循环神经网络的结构可以如图5所示,包括隐藏层和输出层。假设步数超过2即为遗忘,针对IP类型为固定,匹配度大于或等于0.8的历史IP地址,写入隐藏状态。针对t1,IP类型为固定匹配度为0.8,那么写入隐藏层,RNN对应输出的label为1。针对t2,IP类型为固定且匹配度为1.0,那么写入隐藏层,RNN对应输出的label为1。针对t3,IP类型为移动且匹配度很低,但是隐藏层有IP类型为固定且匹配度为1.0的数据,那么RNN对应输出的label也为1。针对t4,隐藏层中的数据已被遗忘,因此可以直接将IP类型为移动且匹配度为0.3写入隐藏层进行判断,那么RNN对应输出的label为0。那么,RNN输出的上下文特征即为:1110。
图6是根据一示例性实施例示出的一种训练深度学习模型的流程图,如图6所示,深度学习模型是通过以下方式训练得到的:
步骤A,获取样本IP地址和样本标识信息。根据样本标识信息确定至少一个样本历史IP地址。根据样本IP地址和至少一个样本历史IP地址,确定多个样本候选位置以及每个样本候选位置对应的样本定位特征。
步骤B,将每个样本候选位置对应的样本定位特征作为深度学习模型的输入,将样本标识信息指示的样本对象的真实位置作为深度学习模型的输出,以训练深度学习模型。
示例的,在对深度学习模型进行训练之前,需要先获取样本输入集。样本输入集中包括了多个样本输入,每个样本输入对应一个样本定位请求,该样本定位请求中包括样本IP地址和样本标识信息,可以根据样本标识信息确定至少一个样本历史IP地址。根据样本IP地址和至少一个样本历史IP地址确定多个样本候选位置以及每个样本候选位置对应的样本定位特征。这样,可以得到一个样本输入,包括多个样本候选位置以及每个样本候选位置对应的样本定位特征。
在获得样本输入集后,可以进一步获取样本输出集。样本输出集中包括了与每个样本输入对应的样本输出,每个样本输出包括对应的样本标识信息指示的样本对象的真实位置。其中,样本对象可以理解为样本标识信息指示的终端设备,也可以理解为样本标识信息指示的用户。
在对深度学习模型训练时,可以将任一个样本输入作为深度学习模型的输入,将对应的样本输出作为深度学习模型的输出,来训练深度学习模型,使得在输入样本输入时,深度学习模型的输出,能够和对应的样本输出匹配。可以根据深度学习模型的输出,与样本输出确定交叉熵损失,以降低交叉熵损失为目标,利用反向传播算法来修正深度学习模型中的神经元参数,神经元参数例如可以是神经元的权重(英文:Weight)和偏置量(英文:Bias)。重复上述步骤,直至交叉熵损失满足预设条件,例如交叉熵损失小于预设的损失阈值,以达到训练深度学习模型的目的。
综上所述,本公开首先接收包括当前IP地址和标识信息的定位请求,之后根据标识信息确定用户的至少一个历史IP地址,再根据当前IP地址和至少一个历史IP地址,确定多个候选位置,并确定每个候选位置对应的,能够表征定位至该候选位置的置信度的定位特征。最后,对每个候选位置对应的定位特征进行排序,以根据排序结果在多个候选位置中确定目标位置。本公开在当前IP地址的基础上,结合历史IP地址确定多个候选位置以及对应的定位特征,从而实现定位,能够提高定位准确度。
图7是根据一示例性实施例示出的一种基于IP地址的定位装置的框图,如图7所示,该装置200可以包括:
接收模块201,用于接收用户的定位请求,定位请求包括当前IP地址和标识信息。
IP确定模块202,用于根据标识信息确定至少一个历史IP地址。
位置确定模块203,用于根据当前IP地址和至少一个历史IP地址,确定多个候选位置。
特征确定模块204,用于确定每个候选位置对应的定位特征,定位特征用于表征定位至该候选位置的置信度。
定位模块205,用于对每个候选位置对应的定位特征进行排序,以根据排序结果在多个候选位置中确定目标位置。
在一种应用场景中,位置确定模块203可以用于:
根据当前IP地址与预设的IP地址库,确定当前候选位置,根据至少一个历史IP地址,确定每个历史IP地址对应的历史候选位置。
相应的,特征确定模块204可以用于:
确定当前候选位置对应的当前定位特征,以及每个历史候选位置对应的历史定位特征。
在另一种实现方式中,当前定位特征包括:将当前IP地址定位至当前候选位置的当前置信度。历史定位特征包括:将历史IP地址定位至对应的历史候选位置的历史置信度。
相应的,定位模块205可以用于:
若当前置信度大于或等于的历史置信度,将当前候选位置作为目标位置。若当前置信度小于历史置信度,将历史候选位置作为目标位置。
图8是根据一示例性实施例示出的另一种基于IP地址的定位装置的框图,如图8所示,定位模块205可以包括:
定位子模块2051,用于利用预先训练的深度学习模型,根据每个候选位置对应的定位特征,确定该候选位置对应的匹配概率。
处理子模块2052,用于对每个候选位置对应的匹配概率进行排序,以将对应的匹配概率满足预设条件的候选位置,作为目标位置。
图9是根据一示例性实施例示出的另一种基于IP地址的定位装置的框图,如图9所示,多个候选位置包括当前候选位置和至少一个历史候选位置,位置确定模块203可以用于:
根据当前IP地址与预设的IP地址库,确定当前候选位置,并根据至少一个历史IP地址,确定每个历史IP地址对应的历史候选位置。
特征确定模块204可以包括:
第一特征确定子模块2041,用于针对每个候选位置,根据确定该候选位置的IP地址,确定该候选位置对应的IP地址特征,IP地址特征用于表征该候选位置与对应的IP地址的匹配度。
第二特征确定子模块2042,用于根据该候选位置和标识信息,确定该候选位置对应的对象特征,对象特征用于表征该候选位置与标识信息指示的目标对象的匹配度。
第三特征确定子模块2043,用于根据该候选位置和至少一个历史IP地址,确定该候选位置与每个历史IP地址的匹配度,并根据该候选位置与每个历史IP地址的匹配度,确定该候选位置对应的上下文特征,上下文特征用于表征该候选位置与至少一个历史IP地址的匹配度。
在一种实现方式中,第三特征确定子模块2043可以用于:
将该候选位置与每个历史IP地址的匹配度,和每个历史IP地址的属性信息输入预先训练的循环神经网络,以得到循环神经网络输出的上下文特征,属性信息包括历史IP地址的时间戳和IP类型。
在一种实现方式中,深度学习模型是通过以下方式训练得到的:
步骤A,获取样本IP地址和样本标识信息。根据样本标识信息确定至少一个样本历史IP地址。根据样本IP地址和至少一个样本历史IP地址,确定多个样本候选位置以及每个样本候选位置对应的样本定位特征。
步骤B,将每个样本候选位置对应的样本定位特征作为深度学习模型的输入,将样本标识信息指示的样本对象的真实位置作为深度学习模型的输出,以训练深度学习模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
综上所述,本公开首先接收包括当前IP地址和标识信息的定位请求,之后根据标识信息确定用户的至少一个历史IP地址,再根据当前IP地址和至少一个历史IP地址,确定多个候选位置,并确定每个候选位置对应的,能够表征定位至该候选位置的置信度的定位特征。最后,对每个候选位置对应的定位特征进行排序,以根据排序结果在多个候选位置中确定目标位置。本公开在当前IP地址的基础上,结合历史IP地址确定多个候选位置以及对应的定位特征,从而实现定位,能够提高定位准确度。
下面参考图10,其示出了适于用来实现本公开实施例的电子设备(例如本公开实施例中的终端设备或服务器)300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收用户的定位请求,所述定位请求包括当前IP地址和标识信息;根据所述标识信息确定所述用户的至少一个历史IP地址;根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置;确定每个所述候选位置对应的定位特征,所述定位特征用于表征定位至该候选位置的置信度;对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,接收模块还可以被描述为“接收定位请求的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,示例1提供了一种基于IP地址的定位方法,包括:接收用户的定位请求,所述定位请求包括当前IP地址和标识信息;根据所述标识信息确定所述用户的至少一个历史IP地址;根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置;确定每个所述候选位置对应的定位特征,所述定位特征用于表征定位至该候选位置的置信度;对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置,包括:根据所述当前IP地址与预设的IP地址库,确定当前候选位置,根据至少一个所述历史IP地址,确定每个所述历史IP地址对应的历史候选位置;所述确定每个所述候选位置对应的定位特征,包括:确定所述当前候选位置对应的当前定位特征,以及每个所述历史候选位置对应的历史定位特征。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述当前定位特征包括:将所述当前IP地址定位至所述当前候选位置的当前置信度;所述历史定位特征包括:将所述历史IP地址定位至对应的所述历史候选位置的历史置信度;对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置,包括:若所述当前置信度大于或等于所述的历史置信度,将所述当前候选位置作为所述目标位置;若所述当前置信度小于所述历史置信度,将所述历史候选位置作为所述目标位置。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,所述对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置,包括:利用预先训练的深度学习模型,根据每个所述候选位置对应的定位特征,确定该候选位置对应的匹配概率;对每个所述候选位置对应的匹配概率进行排序,以将对应的所述匹配概率满足预设条件的所述候选位置,作为所述目标位置。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,多个所述候选位置包括当前候选位置和至少一个历史候选位置;所述根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置,包括:根据所述当前IP地址与预设的IP地址库,确定所述当前候选位置,并根据至少一个所述历史IP地址,确定每个所述历史IP地址对应的所述历史候选位置;所述确定每个所述候选位置对应的定位特征,包括:针对每个所述候选位置,根据确定该候选位置的IP地址,确定该候选位置对应的IP地址特征,所述IP地址特征用于表征该候选位置与对应的IP地址的匹配度;根据该候选位置和所述标识信息,确定该候选位置对应的对象特征,所述对象特征用于表征该候选位置与所述标识信息指示的目标对象的匹配度;根据该候选位置和至少一个所述历史IP地址,确定该候选位置与每个所述历史IP地址的匹配度,并根据该候选位置与每个所述历史IP地址的匹配度,确定该候选位置对应的上下文特征,所述上下文特征用于表征该候选位置与至少一个所述历史IP地址的匹配度。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,所述根据该候选位置与每个所述历史IP地址的匹配度,确定该候选位置对应的上下文特征,包括:将该候选位置与每个所述历史IP地址的匹配度,和每个所述历史IP地址的属性信息输入预先训练的循环神经网络,以得到所述循环神经网络输出的所述上下文特征,所述属性信息包括所述历史IP地址的时间戳和IP类型。
根据本公开的一个或多个实施例,示例7提供了示例4的方法,所述深度学习模型是通过以下方式训练得到的:获取样本IP地址和样本标识信息;根据所述样本标识信息确定至少一个样本历史IP地址;根据所述样本IP地址和至少一个所述样本历史IP地址,确定多个样本候选位置以及每个所述样本候选位置对应的样本定位特征;将每个所述样本候选位置对应的样本定位特征作为所述深度学习模型的输入,将所述样本标识信息指示的样本对象的真实位置作为所述深度学习模型的输出,以训练所述深度学习模型。
根据本公开的一个或多个实施例,示例8提供了一种基于IP地址的定位装置,包括:接收模块,用于接收用户的定位请求,所述定位请求包括当前IP地址和标识信息;IP确定模块,用于根据所述标识信息确定所述用户的至少一个历史IP地址;位置确定模块,用于根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置;特征确定模块,用于确定每个所述候选位置对应的定位特征,所述定位特征用于表征定位至该候选位置的置信度;定位模块,用于对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置。
根据本公开的一个或多个实施例,示例9提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1至示例7中所述方法的步骤。
根据本公开的一个或多个实施例,示例10提供了一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1至示例7中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种基于IP地址的定位方法,其特征在于,所述方法包括:
接收用户的定位请求,所述定位请求包括当前IP地址和标识信息;
根据所述标识信息确定所述用户的至少一个历史IP地址;
根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置;
确定每个所述候选位置对应的定位特征,所述定位特征用于表征定位至该候选位置的置信度;
对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置,包括:
根据所述当前IP地址与预设的IP地址库,确定当前候选位置,根据至少一个所述历史IP地址,确定每个所述历史IP地址对应的历史候选位置;
所述确定每个所述候选位置对应的定位特征,包括:
确定所述当前候选位置对应的当前定位特征,以及每个所述历史候选位置对应的历史定位特征。
3.根据权利要求2所述的方法,其特征在于,所述当前定位特征包括:将所述当前IP地址定位至所述当前候选位置的当前置信度;所述历史定位特征包括:将所述历史IP地址定位至对应的所述历史候选位置的历史置信度;
对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置,包括:
若所述当前置信度大于或等于所述的历史置信度,将所述当前候选位置作为所述目标位置;
若所述当前置信度小于所述历史置信度,将所述历史候选位置作为所述目标位置。
4.根据权利要求1所述的方法,其特征在于,所述对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置,包括:
利用预先训练的深度学习模型,根据每个所述候选位置对应的定位特征,确定该候选位置对应的匹配概率;
对每个所述候选位置对应的匹配概率进行排序,以将对应的所述匹配概率满足预设条件的所述候选位置,作为所述目标位置。
5.根据权利要求4所述的方法,其特征在于,多个所述候选位置包括当前候选位置和至少一个历史候选位置;所述根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置,包括:
根据所述当前IP地址与预设的IP地址库,确定所述当前候选位置,并根据至少一个所述历史IP地址,确定每个所述历史IP地址对应的所述历史候选位置;
所述确定每个所述候选位置对应的定位特征,包括:
针对每个所述候选位置,根据确定该候选位置的IP地址,确定该候选位置对应的IP地址特征,所述IP地址特征用于表征该候选位置与对应的IP地址的匹配度;
根据该候选位置和所述标识信息,确定该候选位置对应的对象特征,所述对象特征用于表征该候选位置与所述标识信息指示的目标对象的匹配度;
根据该候选位置和至少一个所述历史IP地址,确定该候选位置与每个所述历史IP地址的匹配度,并根据该候选位置与每个所述历史IP地址的匹配度,确定该候选位置对应的上下文特征,所述上下文特征用于表征该候选位置与至少一个所述历史IP地址的匹配度。
6.根据权利要求5所述的方法,其特征在于,所述根据该候选位置与每个所述历史IP地址的匹配度,确定该候选位置对应的上下文特征,包括:
将该候选位置与每个所述历史IP地址的匹配度,和每个所述历史IP地址的属性信息输入预先训练的循环神经网络,以得到所述循环神经网络输出的所述上下文特征,所述属性信息包括所述历史IP地址的时间戳和IP类型。
7.根据权利要求4所述的方法,其特征在于,所述深度学习模型是通过以下方式训练得到的:
获取样本IP地址和样本标识信息;根据所述样本标识信息确定至少一个样本历史IP地址;根据所述样本IP地址和至少一个所述样本历史IP地址,确定多个样本候选位置以及每个所述样本候选位置对应的样本定位特征;
将每个所述样本候选位置对应的样本定位特征作为所述深度学习模型的输入,将所述样本标识信息指示的样本对象的真实位置作为所述深度学习模型的输出,以训练所述深度学习模型。
8.一种基于IP地址的定位装置,其特征在于,所述装置包括:
接收模块,用于接收用户的定位请求,所述定位请求包括当前IP地址和标识信息;
IP确定模块,用于根据所述标识信息确定所述用户的至少一个历史IP地址;
位置确定模块,用于根据所述当前IP地址和至少一个所述历史IP地址,确定多个候选位置;
特征确定模块,用于确定每个所述候选位置对应的定位特征,所述定位特征用于表征定位至该候选位置的置信度;
定位模块,用于对每个所述候选位置对应的定位特征进行排序,以根据排序结果在多个所述候选位置中确定目标位置。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210234469.6A CN114679680A (zh) | 2022-03-10 | 2022-03-10 | 基于ip地址的定位方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210234469.6A CN114679680A (zh) | 2022-03-10 | 2022-03-10 | 基于ip地址的定位方法、装置、可读介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114679680A true CN114679680A (zh) | 2022-06-28 |
Family
ID=82072181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210234469.6A Pending CN114679680A (zh) | 2022-03-10 | 2022-03-10 | 基于ip地址的定位方法、装置、可读介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114679680A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277823A (zh) * | 2022-07-08 | 2022-11-01 | 北京达佳互联信息技术有限公司 | 定位方法、装置、电子设备及存储介质 |
-
2022
- 2022-03-10 CN CN202210234469.6A patent/CN114679680A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277823A (zh) * | 2022-07-08 | 2022-11-01 | 北京达佳互联信息技术有限公司 | 定位方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872242B (zh) | 信息推送方法和装置 | |
CN111414543B (zh) | 用于生成评论信息序列的方法、装置、电子设备和介质 | |
US9749796B2 (en) | Location uncertainty in search | |
CN112883966B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN110083677B (zh) | 联系人的搜索方法、装置、设备及存储介质 | |
CN114500428B (zh) | 导航分享方法及装置、电子设备、存储介质 | |
CN109829117B (zh) | 用于推送信息的方法和装置 | |
CN114679680A (zh) | 基于ip地址的定位方法、装置、可读介质和电子设备 | |
CN114153959A (zh) | 键值匹配方法、装置、可读介质及电子设备 | |
CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
WO2023226819A1 (zh) | 数据匹配方法、装置、可读介质及电子设备 | |
CN111311358B (zh) | 信息处理方法、装置和电子设备 | |
WO2014139059A1 (en) | Method and system for retrieving user-specific information | |
CN116881560A (zh) | 互动操作的推荐方法、装置、电子设备及可读存储介质 | |
CN111027495A (zh) | 用于检测人体关键点的方法和装置 | |
CN115201769A (zh) | 雷达信号脉冲重复间隔生成方法、装置、设备和介质 | |
CN115662517A (zh) | 序列预测方法、装置、介质及电子设备 | |
CN113034580B (zh) | 图像信息检测方法、装置和电子设备 | |
CN112235723B (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
CN110189000B (zh) | 一种评分统一方法、装置及存储介质 | |
CN113837808A (zh) | 一种推广信息的推送方法、装置、设备、介质及产品 | |
CN113191257A (zh) | 笔顺检测方法、装置和电子设备 | |
CN113592557A (zh) | 广告投放结果的归因方法、装置、存储介质及电子设备 |
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 |