CN115203348A - 信息处理方法、装置、存储介质及服务器 - Google Patents

信息处理方法、装置、存储介质及服务器 Download PDF

Info

Publication number
CN115203348A
CN115203348A CN202210712103.5A CN202210712103A CN115203348A CN 115203348 A CN115203348 A CN 115203348A CN 202210712103 A CN202210712103 A CN 202210712103A CN 115203348 A CN115203348 A CN 115203348A
Authority
CN
China
Prior art keywords
target
information
interest points
geographic
recall result
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
CN202210712103.5A
Other languages
English (en)
Inventor
沈奇
赵骥
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 CN202210712103.5A priority Critical patent/CN115203348A/zh
Publication of CN115203348A publication Critical patent/CN115203348A/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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location

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)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例公开了一种信息处理方法、装置、存储介质及服务器。该方法包括：基于目标数据库对目标问题查询进行深度语义召回，其中，目标数据库包括多个地理兴趣点的向量表示，向量表示基于对目标图网络进行多跳近邻图计算得到，目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建；至少根据深度语义召回结果，确定目标问题查询的目标召回结果。本方案通过对距离进行相关性约束，同时结合门址属性信息构建目标图网络，生成每一地理兴趣点的向量表示，提高了问题查询召回结果的准确性。

Description

信息处理方法、装置、存储介质及服务器
技术领域
本申请涉电子计算机技术领域，尤其涉及一种信息处理方法、装置、存储介质及服务器。
背景技术
地理embedding(嵌入)表示在LBS(Location Based Services，基于定位服务)检索场景中主要采用传统的特征计算方式，例如对经纬度进行GeoHash特征表示，对统计型和分类型特征进行稠密特征表示，将多类特征进行拼接表示成最终的embedding。比较先进的采用图模型，将距离相近的POI(Point of Interest，兴趣点)连接在一起，采用GNN(GraphNeural Network，图神经网络)获取地理embedding。
在货运地址检索场景下，很多模块都会用到embedding这个基础模块，如query(查询)改写、向量召回、深度排序等。然而，在货运场景下embedding表示还存在以下问题：基于距离的embedding方法表达不全面；图模型过于重视地理位置信息，无法很好的表达POI之间的地理相关性。
发明内容
本申请实施例提供一种信息处理方法、装置、存储介质及服务器，可提高问题查询召回结果的准确性。
第一方面，本申请实施例提供一种信息处理方法，包括：
获取目标问题查询；
基于目标数据库对所述目标问题查询进行深度语义召回，其中，所述目标数据库包括多个地理兴趣点的向量表示，所述向量表示基于对目标图网络进行多跳近邻图计算得到，所述目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建；
至少根据深度语义召回结果，确定所述目标问题查询的目标召回结果。
第二方面，本申请实施例提供了一种信息处理装置，包括：
第一获取单元，用于获取目标问题查询；
召回单元，用于基于目标数据库对所述目标问题查询进行深度语义召回，其中，所述目标数据库包括多个地理兴趣点的向量表示，所述向量表示基于对目标图网络进行多跳近邻图计算得到，所述目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建；
确定单元，用于至少根据深度语义召回结果，确定所述目标问题查询的目标召回结果。
在一实施方式中，所述信息处理装置还包括：
第二获取单元，用于获取多个地理兴趣点；
第一构建单元，用于根据所述地理兴趣点的类别属性信息和门址属性信息，构建目标图网络；
表示单元，用于对所述目标图网络进行多跳近邻图计算，生成所述地理兴趣点的向量表示；
第二构建单元，用于基于所述地理兴趣点的向量表示构建目标数据库。
在一实施方式中，所述第一构建单元具体用于：
针对限定距离范围内的地理兴趣点，根据所述类别属性信息建立地理兴趣点之间的第一关联关系；
根据所述门址属性信息生成多个虚拟节点，基于虚拟节点之间的行政区隶属关系，建立虚拟节点之间的第二关联关系、及地理兴趣点与与虚拟节点之间的第三关联关系；
根据所述第一关联关系、所述第二关联关系及所述第三关联关系，构建目标图网络。
在一实施方式中，在根据所述门址属性信息生成虚拟节点时，所述第一构建单元进一步用于：
识别所述门址属性信息中的省份信息、城市信息、区县信息、街道信息；
基于所述省份信息、所述城市信息、所述区县信息、所述街道信息，生成多个虚拟节点。
在一实施方式中，所述表示单元具体用于：
对所述目标图网络进行多跳近邻图计算，得到每一地理兴趣点的近邻关系；
基于所述近邻关系，构建每一地理兴趣点的向量表示。
在一实施方式中，第二获取单元具体用于：
至少获取多个地理兴趣点的名称、地址、经纬度、标识信息、类别信息。
在一实施方式中，所述确定单元具体用于：
对所述目标查询问题进行文本召回；
基于所述文本召回结果和所述深度语义召回结果，确定所述目标问题查询的目标召回结果。
在一实施方式中，在基于所述文本召回结果和所述深度语义召回结果，确定所述目标问题查询的目标召回结果时，所述确定单元具体用于：
融合所述文本召回结果和所述深度语义召回结果，得到融合召回结果，所述融合召回结果包括一个或多个目标地理兴趣点；
获取针对地理兴趣点的历史点击信息；
根据所述历史点击信息对所述一个或多个目标地理兴趣点进行排序，并基于排序后的目标地理兴趣点确定目标召回结果。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述的信息处理方法。
第四方面，本申请实施例还提供了一种电子设备，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，处理器用于执行上述的信息处理方法。
本申请实施例，基于目标数据库对目标问题查询进行深度语义召回，其中，目标数据库包括多个地理兴趣点的向量表示，向量表示基于对目标图网络进行多跳近邻图计算得到，目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建；至少根据深度语义召回结果，确定目标问题查询的目标召回结果。本方案通过对距离进行相关性约束，同时结合门址属性信息构建目标图网络，生成每一地理兴趣点的向量表示，提高了问题查询召回结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的信息处理方法的流程示意图。
图2是本申请实施例提供的信息处理系统的架构示意图。
图3是本申请实施例提供的信息处理系统的流程示意图。
图4是本申请实施例提供的地理表达模型的示意图。
图5是本申请实施例提供的信息处理装置的一结构示意图。
图6是本申请实施例提供的电子设备的一结构示意图。
图7是本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
现有技术中表示LBS场景的地理知识存在以下问题：embedding表示能力不足：常用的特征拼接的表示能力较弱；图模型过于重视地理位置信息，缺少相关性约束；货运场景门址需求较多，不适用于货运场景的知识表达。
基于此，本申请实施例提供一种信息处理方法、装置、存储介质及服务器，基于输入的地理POI(Point of Interest，兴趣点)的详情信息，对地理兴趣点进行地理图连接，生成基于门址和距离得到的异构图经。过对异构图进行多跳近邻图计算，获取地理兴趣点的近邻关系，基于此得到每一地理兴趣点的embedding向量表示。基于embedding向量表示进行不同应用场景下的问题查询结果召回，提升了问题查询召回结果的准确性。
在一实施例中，提供一种信息处理方法，应用服务器中。参考图1，该信息处理方法的具体流程可以如下：
101、获取目标问题查询。
本实施例中，该目标问题查询可以由电子设备向服务器发送。具体的，该电子设备可为用户提供问题输入接口，该问题输入接口可以为应用程序、小程序或网页等中的一个功能模块的形式呈现。例如，应用程序为货运打车软件，则该问题输入接口可以为集成在该货运打车软件中为用户提供问题查询渠道的功能模块。具体的，电子设备与服务器之间建立有无线通信链路，电子设备可通过建立的无线通信链路向服务器上传用户输入的问题查询，服务器可接收来自多个不同电子设备的问题查询。
在本实施例中，目标问题查询可为用户通过上述输入接口针对相关地理兴趣点推荐服务(如附近的便利店、餐厅等)发起的问题查询。
在一实施方式中，当获取的问题查询的数据类型为非文本类型(如图像类、音频类、视频类等)时，需要将问题查询的数据类型转换为文本类型的数据。当反馈数据的数据类型为文本类型时，无需转换数据类型。
102、基于目标数据库对目标问题查询进行深度语义召回，其中，目标数据库包括多个地理兴趣点的向量表示，向量表示基于对目标图网络进行多跳近邻图计算得到，目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建。
在一实施方式中，在构建目标数据库时可以包括以下流程：
获取多个地理兴趣点；
根据地理兴趣点的类别属性信息和门址属性信息，构建目标图网络；
对目标图网络进行多跳近邻图计算，生成地理兴趣点的向量表示；
基于地理兴趣点的向量表示构建目标数据库。
其中，在获取多个地理兴趣点时，包括获取多个地理兴趣点的名称、地址、经纬度、标识信息、类别信息。
在一实施方式中，在根据地理兴趣点的类别属性信息和门址属性信息，构建目标图网络时，具体可以包括以下流程：
针对限定距离范围内的地理兴趣点，根据类别属性信息建立地理兴趣点之间的第一关联关系；
根据门址属性信息生成多个虚拟节点，基于虚拟节点之间的行政区隶属关系，建立虚拟节点之间的第二关联关系、及地理兴趣点与与虚拟节点之间的第三关联关系；
根据所述第一关联关系、所述第二关联关系及所述第三关联关系，构建目标图网络。
具体的，本方案采用无权异构图方式，可对多维信息进行融合学习并表示。网络的构建考虑对距离进行相关性约束，同时利用了行政区和货运门址的隶属关系。
在一实施方式中，在根据门址属性信息生成虚拟节点时，具体可以识别门址属性信息中的省份信息、城市信息、区县信息、街道信息，然后基于省份信息、城市信息、区县信息、街道信息，生成多个虚拟节点。
具体实施时，可对设定距离内且相同类别的POI进行连接。具体的，设定距离等于1km，通过类别限制的方式对距离内的POI进行连接约束。这里POI的类别包括门址、道路、小区、商场、商店等。具体连接方式是，对每个POI连边时，搜索全城1km内的所有POI，同时当类别相同时(或附属类别，例如小区和小区门)，两两POI进行连边。例如，古北壹号和古北壹号(西北门)属于附属类别，同时两个POI距离在1km内，则将这两个POI连边。
在上述基础上，同时还可通过货运门址信息连边。货运场景中POI的名称地址都可能存在门址信息对名称地址进行门址识别，存放在门址属性中，对相同道路的POI进行连边，并将省份、城市、区县、道路生成一个虚拟节点，同时基于虚拟节点之间的隶属关系连边，比如“A市B区C路”，“C路”和“B区”连接，“B区”和“A市”连接，同时C路上的POI都会和虚拟节点“C路”连接。
在一实施方式中，在生成地理兴趣点的向量表示时，具体可以对目标图网络进行多跳近邻图计算，得到每一地理兴趣点的近邻关系，然后基于所述近邻关系，构建每一地理兴趣点的向量表示。
103、至少根据深度语义召回结果，确定目标问题查询的目标召回结果。
在一实施方式中，还可以对目标查询问题进行文本召回。具体的，通过对目标查询问题进行分析，基于分析结果进行倒排字段召回(可采用elasticsearch倒排检索服务)，实现对目标查询问题的文本召回。实际应用中，可以把对POI的地理表达能力赋予给查询分析，基于POI的属性和语义等信息对目标查询问题进行分析，并基于分析结果去POI信息库里进行文本召回。
本方案中，可以融合文本召回结果和所述深度语义召回结果，得到融合召回结果，融合召回结果包括一个或多个目标地理兴趣点。然后，获取针对地理兴趣点的历史点击信息，并根据历史点击信息(如点击日志)对一个或多个目标地理兴趣点进行排序，并基于排序后的目标地理兴趣点确定目标召回结果。
在本方案中，服务器会将得到的目标召回结果返回给对应的电子设备。电子设备在接收到服务器返回的目标召回结果后，将会在相应界面上展示该目标召回结果，以供用户通过返回的目标召回结果快速寻找到满足需求的地理兴趣点。
由上可知，本实施例提供的信息处理方法，基于目标数据库对目标问题查询进行深度语义召回，其中，目标数据库包括多个地理兴趣点的向量表示，向量表示基于对目标图网络进行多跳近邻图计算得到，目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建；至少根据文本召回结果和深度语义召回结果，确定目标问题查询的目标召回结果。本方案通过对距离进行相关性约束，同时结合门址属性信息构建目标图网络，生成每一地理兴趣点的向量表示，提高了问题查询召回结果的准确性。
在本申请又一实施例中，还提供一种用于构建多级标签预测模型的系统架构。参考图2，该系统架构可以包括：电子设备、通信设备、以及服务器设备。通信设备服务用于联通服务器与终端设备，提供数据交互链路；该通信设备可以通过但不限于以下设备实现：无线网络(WiFi/4G/5G)、有线网络、卫星通讯等。
具体的，用户可使用电子设备通过通信设备与服务器完成数据发送与接收的交互操作。服务器和电子设备中可运行软件程序实现数据发送、数据接收、数据处理、数据展示、模型构建、模型预测等任务。
电子设备包括但不限于电脑、手机、平板等智能终端设备，可以通过通信设备接收来自服务器设备的数据。该电子设备可为用户提供问题输入接口，该问题输入接口可以为应用程序、小程序或网页等中的一个功能模块的形式呈现。例如，应用程序为货运打车软件，则该问题输入接口可以为集成在该货运打车软件中为用户提供问题查询渠道的功能模块。本实施例中，服务器泛指服务器设施，可以是单个独立服务器或服务器集群，可通过在服务器中运行相应程序实现模型构建和部署。
服务器通过系统软件与应用软件提供基础服务能力，在此基础上，服务器提供了问题查询的结果召回能力。在本方案中，服务器可实现如下功能：图网络的构建和图embedding的计算。参考图3，图3为本方案中提供的地理表达模块，其具体应用如下：
(一)获取样本：货运POI集合，包含id、名称、地址、经纬度信息、门址信息、类别信息。
(二)图网络构建：
本方案采用无权异构图方式，可对多维信息进行融合学习并表示。网络的构建考虑对距离进行相关性约束，同时利用了行政区和货运门址的隶属关系。
第一种连边方式为：对设定距离内且相同类别的POI进行连接。具体的，设定距离等于1km，通过类别限制的方式对距离内的POI进行连接约束。这里POI的类别包括门址、道路、小区、商场、商店等。具体连接方式是，对每个POI连边时，搜索全城1km内的所有POI，同时当类别相同时(或附属类别，例如小区和小区门)，两两POI进行连边。例如，古北壹号和古北壹号(西北门)属于附属类别，同时两个POI距离在1km内，则将这两个POI连边。
第二种连边方式为：通过货运门址信息连边。货运场景中POI的名称地址都可能存在门址信息对名称地址进行门址识别，存放在门址属性中，对相同道路的POI进行连边，并将省份、城市、区县、道路生成一个虚拟节点，同时基于虚拟节点之间的隶属关系连边，比如“A市B区C路”，“C路”和“B区”连接，“B区”和“A市”连接，同时C路上的POI都会和虚拟节点“C路”连接。
(三)图embedding计算
构建完了图网络后，我们采用最先进的图embedding计算模型MHNF，即多跳异构近邻融合图表示学习模型。该embedding计算方式非常契合本方案中的门址地理图，可以更好的融合多跳邻居的信息，即可以学到更多的行政区门址隶属关系，同时面向异构图进行了融合优化。
MHNF计算模型融合多种策略。首先，模型可以根据任务自主学习有价值的混合路径来实现不同关系的多跳邻居的高效提取；单路径内的跳级异构信息聚合模型可以注意到聚合同一混合元路径内不同跳邻居的信息；然后模型可以分别融合单个路径中不同跳数的邻域信息和不同路径的语义信息；最后，将最终嵌入反馈到MLP(Multilayer Perceptron，多层感知机)网络中，进行节点分类任务。
参考图4，图4为本申请实施例提供的信息处理系统的流程示意图。
首先，需要基于POI数据构建每个POI的embedding结果，然后需要利用BERT孪生网络对query和POI构建匹配任务，将POI的embedding结果存到向量数据库中(即深度语义召回部分的工作)。在检索应用场景中，当query为“X园西门便利店”，将对query进行编码，在POI embedding库中召回近邻向量的POI结果，即“Y(古北新区店)”。
首先，输入POI集合(包含名称、地址、经纬度、ID信息、类别信息)。本方案基于输入的POI详情信息，对POI进行地理图连接，经过Graph计算(即对POI图通过门址行政区附属关系进行连接，同时对近距离且符合类别限制的POI进行连接构，以造成异构图；然后对异构图进行多跳近邻图计算，获取POI的近邻关系)，得到POI的embedding信息，并产出的embedding应用到了深度语义召回中，用于query的结果召回。
本申请实施例提供的信息处理系统，基于输入的POI详情信息，对POI进行地理图连接，经过Graph计算，自主学习有价值的混合路径来实现不同关系的多跳邻居的高效提取，并融合单个路径中不同跳数的邻域信息和不同路径的语义信，获取POI的近邻关系，得到POI的embedding向量表示，可对多维信息进行融合学习并表示。再将embedding向量表示用于货运场景下的兴趣点查找方案中，提高了问题查询召回结果的准确性。
在本申请又一实施例中，还提供一种信息处理装置。该信息处理装置可以软件或硬件的形式集成在服务器中。如图5所示，该信息处理装置300可以包括：第一获取单元301、召回单元302和确定单元304，其中：
第一获取单元301，用于获取目标问题查询；
召回单元302，用于基于目标数据库对所述目标问题查询进行深度语义召回，其中，所述目标数据库包括多个地理兴趣点的向量表示，所述向量表示基于对目标图网络进行多跳近邻图计算得到，所述目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建；
确定单元303，用于至少根据文本召回结果和深度语义召回结果，确定所述目标问题查询的目标召回结果。
在一实施方式中，所述信息处理装置300还包括：
第二获取单元，用于获取多个地理兴趣点；
第一构建单元，用于根据所述地理兴趣点的类别属性信息和门址属性信息，构建目标图网络；
表示单元，用于对所述目标图网络进行多跳近邻图计算，生成所述地理兴趣点的向量表示；
第二构建单元，用于基于所述地理兴趣点的向量表示构建目标数据库。
在一实施方式中，所述第一构建单元具体用于：
针对限定距离范围内的地理兴趣点，根据所述类别属性信息建立地理兴趣点之间的第一关联关系；
根据所述门址属性信息生成多个虚拟节点，基于虚拟节点之间的行政区隶属关系，建立虚拟节点之间的第二关联关系、及地理兴趣点与与虚拟节点之间的第三关联关系；
根据所述第一关联关系、所述第二关联关系及所述第三关联关系，构建目标图网络。
在一实施方式中在根据所述门址属性信息生成虚拟节点时，所述第一构建单元进一步用于：
识别所述门址属性信息中的省份信息、城市信息、区县信息、街道信息；
基于所述省份信息、所述城市信息、所述区县信息、所述街道信息，生成多个虚拟节点。
在一实施方式中，在一实施方式中，所述表示单元具体用于：
对所述目标图网络进行多跳近邻图计算，得到每一地理兴趣点的近邻关系；
基于所述近邻关系，构建每一地理兴趣点的向量表示。
在一实施方式中，第二获取单元具体用于：
至少获取多个地理兴趣点的名称、地址、经纬度、标识信息、类别信息。
在一实施方式中，所述确定单元303具体用于：
融合所述文本召回结果和所述深度语义召回结果，得到融合召回结果，所述融合召回结果包括一个或多个目标地理兴趣点；
获取针对地理兴趣点的历史点击信息；
根据所述历史点击信息对所述一个或多个目标地理兴趣点进行排序，并基于排序后的目标地理兴趣点确定目标召回结果。
由上可知，本申请实施例提供的信息处理装置，基于目标数据库对目标问题查询进行深度语义召回，其中，目标数据库包括多个地理兴趣点的向量表示，向量表示基于对目标图网络进行多跳近邻图计算得到，目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建；至少根据文本召回结果和深度语义召回结果，确定目标问题查询的目标召回结果。本方案通过对距离进行相关性约束，同时结合门址属性信息构建目标图网络，生成每一地理兴趣点的向量表示，提高了问题查询召回结果的准确性。
在本申请又一实施例中还提供一种服务器。如图6所示，服务器400包括处理器401和存储器402。其中，处理器401与存储器402电性连接。
处理器401是服务器400的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或加载存储在存储器402内的应用，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。
在本实施例中，服务器400中的处理器401会按照如下的步骤，将一个或一个以上的应用的进程对应的指令加载到存储器402中，并由处理器401来运行存储在存储器402中的应用，从而实现各种功能：
获取目标问题查询；
基于目标数据库对所述目标问题查询进行深度语义召回，其中，所述目标数据库包括多个地理兴趣点的向量表示，所述向量表示基于对目标图网络进行多跳近邻图计算得到，所述目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建；
至少根据文本召回结果和深度语义召回结果，确定所述目标问题查询的目标召回结果。
在一实施方式中，在构建所述目标数据库时，处理器401可以执行以下操作：
获取多个地理兴趣点；
根据所述地理兴趣点的类别属性信息和门址属性信息，构建目标图网络；
对所述目标图网络进行多跳近邻图计算，生成所述地理兴趣点的向量表示；
基于所述地理兴趣点的向量表示构建目标数据库。
在一实施方式中，在根据所述地理兴趣点的类别属性信息和门址属性信息，构建目标图网络时，处理器401可以执行以下操作：
针对限定距离范围内的地理兴趣点，根据所述类别属性信息建立地理兴趣点之间的第一关联关系；
根据所述门址属性信息生成多个虚拟节点，基于虚拟节点之间的行政区隶属关系，建立虚拟节点之间的第二关联关系、及地理兴趣点与与虚拟节点之间的第三关联关系；
根据所述第一关联关系、所述第二关联关系及所述第三关联关系，构建目标图网络。
在一实施方式中，在根据所述门址属性信息生成虚拟节点时，处理器401可以执行以下操作：
识别所述门址属性信息中的省份信息、城市信息、区县信息、街道信息；
基于所述省份信息、所述城市信息、所述区县信息、所述街道信息，生成多个虚拟节点。
在一实施方式中，在对所述目标图网络进行多跳近邻图计算，生成所述地理兴趣点的向量表示时，处理器401可以执行以下操作：
对所述目标图网络进行多跳近邻图计算，得到每一地理兴趣点的近邻关系；
基于所述近邻关系，构建每一地理兴趣点的向量表示。
在一实施方式中，在获取多个地理兴趣点时，处理器401可以执行以下操作：
至少获取多个地理兴趣点的名称、地址、经纬度、标识信息、类别信息。
在一实施方式中，在至少根据文本召回结果和深度语义召回结果，确定所述目标问题查询的目标召回结果时，处理器401具体可以执行以下操作：
融合所述文本召回结果和所述深度语义召回结果，得到融合召回结果，所述融合召回结果包括一个或多个目标地理兴趣点；
获取针对地理兴趣点的历史点击信息；
根据所述历史点击信息对所述一个或多个目标地理兴趣点进行排序，并基于排序后的目标地理兴趣点确定目标召回结果。
存储器402可用于存储应用和数据。存储器402存储的应用中包含有可在处理器中执行的指令。应用可以组成各种功能模块。处理器401通过运行存储在存储器402的应用，从而执行各种功能应用以及信息处理。
在一些实施例中，如图7所示，服务器400还包括：显示屏403、控制电路404、射频电路405、输入单元406以及电源407。其中，处理器401分别与显示屏403、控制电路404、射频电路405、输入单元406以及电源407电性连接。
显示屏403可用于显示由用户输入的信息或提供给用户的信息以服务器的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路404与显示屏403电性连接，用于控制显示屏403显示信息。
射频电路405用于收发射频信号，以通过无线通信与电子设备或其他服务器构建无线通讯，与电子设备或其他服务器之间收发信号。
输入单元406可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元406可以包括指纹识别模组。
电源407用于给服务器400的各个部件供电。在一些实施例中，电源407可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图7中未示出，服务器400还可以包括扬声器、蓝牙模块、摄像头等，在此不再赘述。
由上可知，本申请实施例提供的服务器，基于目标数据库对目标问题查询进行深度语义召回，其中，目标数据库包括多个地理兴趣点的向量表示，向量表示基于对目标图网络进行多跳近邻图计算得到，目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建；至少根据深度语义召回结果，确定目标问题查询的目标召回结果。本方案通过对距离进行相关性约束，同时结合门址属性信息构建目标图网络，生成每一地理兴趣点的向量表示，提高了问题查询召回结果的准确性。
在一些实施例中，还提供了一种计算机可读存储介质，该存储介质中存储有多条指令，该指令适于由处理器加载以执行上述任一信息处理方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)、磁盘或光盘等。
以上对本申请实施例所提供的信息处理方法、装置、存储介质及服务器进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种信息处理方法，其特征在于，
获取目标问题查询；
基于目标数据库对所述目标问题查询进行深度语义召回，其中，所述目标数据库包括多个地理兴趣点的向量表示，所述向量表示基于对目标图网络进行多跳近邻图计算得到，所述目标图网络基于多个地理兴趣点的类别属性信息和门址属性信息构建；
至少根据深度语义召回结果，确定所述目标问题查询的目标召回结果。
2.根据权利要求1所述的信息处理方法，其特征在于，构建所述目标数据库，包括：
获取多个地理兴趣点；
根据所述地理兴趣点的类别属性信息和门址属性信息，构建目标图网络；
对所述目标图网络进行多跳近邻图计算，生成所述地理兴趣点的向量表示；
基于所述地理兴趣点的向量表示构建目标数据库。
3.根据权利要求2所述的信息处理方法，其特征在于，所述根据所述地理兴趣点的类别属性信息和门址属性信息，构建目标图网络，包括：
针对限定距离范围内的地理兴趣点，根据所述类别属性信息建立地理兴趣点之间的第一关联关系；
根据所述门址属性信息生成多个虚拟节点，基于虚拟节点之间的行政区隶属关系，建立虚拟节点之间的第二关联关系、及地理兴趣点与与虚拟节点之间的第三关联关系；
根据所述第一关联关系、所述第二关联关系及所述第三关联关系，构建目标图网络。
4.根据权利要求3所述的信息处理方法，其特征在于，所述根据所述门址属性信息生成虚拟节点，包括：
识别所述门址属性信息中的省份信息、城市信息、区县信息、街道信息；
基于所述省份信息、所述城市信息、所述区县信息、所述街道信息，生成多个虚拟节点。
5.根据权利要求2所述的信息处理方法，其特征在于，所述对所述目标图网络进行多跳近邻图计算，生成所述地理兴趣点的向量表示，包括：
对所述目标图网络进行多跳近邻图计算，得到每一地理兴趣点的近邻关系；
基于所述近邻关系，构建每一地理兴趣点的向量表示。
6.根据权利要求2所述的信息处理方法，其特征在于，所述获取多个地理兴趣点，包括：
至少获取多个地理兴趣点的名称、地址、经纬度、标识信息、类别信息。
7.根据权利要求1-6任一项所述的信息处理方法，其特征在于，所述至少根据深度语义召回结果，确定所述目标问题查询的目标召回结果，包括：
对所述目标查询问题进行文本召回；
基于所述文本召回结果和所述深度语义召回结果，确定所述目标问题查询的目标召回结果。
8.根据权利要求7所述的信息处理方法，其特征在于，所述基于所述文本召回结果和所述深度语义召回结果，确定所述目标问题查询的目标召回结果，包括：
融合所述文本召回结果和所述深度语义召回结果，得到融合召回结果，所述融合召回结果包括一个或多个目标地理兴趣点；
获取针对地理兴趣点的历史点击信息；
根据所述历史点击信息对所述一个或多个目标地理兴趣点进行排序，并基于排序后的目标地理兴趣点确定目标召回结果。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1-8任一项所述的信息处理方法。
10.一种服务器，其特征在于，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据；所述处理器用于执行权利要求1-8任一项所述的信息处理方法。
CN202210712103.5A 2022-06-22 2022-06-22 信息处理方法、装置、存储介质及服务器 Pending CN115203348A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210712103.5A CN115203348A (zh) 2022-06-22 2022-06-22 信息处理方法、装置、存储介质及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210712103.5A CN115203348A (zh) 2022-06-22 2022-06-22 信息处理方法、装置、存储介质及服务器

Publications (1)

Publication Number Publication Date
CN115203348A true CN115203348A (zh) 2022-10-18

Family

ID=83575446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210712103.5A Pending CN115203348A (zh) 2022-06-22 2022-06-22 信息处理方法、装置、存储介质及服务器

Country Status (1)

Country Link
CN (1) CN115203348A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290560A (zh) * 2023-11-23 2023-12-26 支付宝(杭州)信息技术有限公司 图计算任务中获取图数据的方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290560A (zh) * 2023-11-23 2023-12-26 支付宝(杭州)信息技术有限公司 图计算任务中获取图数据的方法和装置
CN117290560B (zh) * 2023-11-23 2024-02-23 支付宝(杭州)信息技术有限公司 图计算任务中获取图数据的方法和装置

Similar Documents

Publication Publication Date Title
Perera et al. Context-aware sensor search, selection and ranking model for internet of things middleware
CN107679189A (zh) 一种兴趣点更新方法、装置、服务器和介质
Wu et al. Building a spatially-embedded network of tourism hotspots from geotagged social media data
US11966424B2 (en) Method and apparatus for dividing region, storage medium, and electronic device
US20230049839A1 (en) Question Answering Method for Query Information, and Related Apparatus
CN108712712A (zh) 无线保真WiFi网络关联信息显示方法及装置
CN115203348A (zh) 信息处理方法、装置、存储介质及服务器
CN112381078B (zh) 基于高架的道路识别方法、装置、计算机设备和存储介质
CN112699201B (zh) 导航数据处理方法、装置、计算机设备和存储介质
CN117079148B (zh) 城市功能区的识别方法、装置、设备和介质
CN116528282B (zh) 覆盖场景识别方法、装置、电子设备和可读存储介质
CN111782980B (zh) 地图兴趣点的挖掘方法、装置、设备及存储介质
CN114820960B (zh) 构建图谱的方法、装置、设备和介质
CN113220814B (zh) 一种将地摊信息与地理空间相连接形成地摊地图的方法
CN112235714B (zh) 基于人工智能的poi定位方法、装置、计算机设备及介质
CN106940189B (zh) 导航系统中的经典线路获取方法、装置
CN107656967A (zh) 一种场景信息处理方法及装置
CN112232572B (zh) 一种空间搜索方法、装置及存储介质
Desima et al. Design of smart mobility application to realize Sukabumi smart cities
CN116668576B (zh) 获取数据的方法、设备、云端管理平台、系统及存储介质
CN116304384B (zh) 兴趣点搜索方法、装置、计算机设备及存储介质
CN117112587A (zh) 地图数据处理方法、装置、介质及设备
Kuchhal et al. Malicious Use of Machine Learning in Green ICT
CN115391648A (zh) 兴趣点地理信息搜索方法、装置及电子设备
CN117580153A (zh) 无线设备的匹配方法、装置、设备、介质及程序产品

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