CN115455129B - Poi处理方法、装置、电子设备及存储介质 - Google Patents
Poi处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115455129B CN115455129B CN202211261443.7A CN202211261443A CN115455129B CN 115455129 B CN115455129 B CN 115455129B CN 202211261443 A CN202211261443 A CN 202211261443A CN 115455129 B CN115455129 B CN 115455129B
- Authority
- CN
- China
- Prior art keywords
- poi
- data
- mode detection
- sequence
- probability
- 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
Links
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (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
本申请提供一种POI处理方法、装置、电子设备及存储介质。方法包括:获取POI关联的M种模态数据;将M种模态数据分别输入至N个单模态检测模型中与M种模态对应的M个单模态检测模型,得到所述M个单模态检测模型的输出结果,每个输出结果用于表征基于该种模态数据确定的所述POI的初始过期概率;所述N个单模态检测模型与N种模态一一对应,1≤M≤N;根据所述M个单模态检测模型的输出结果,获取所述POI的过期概率。本申请提高了过期POI挖掘的准确性。
Description
技术领域
本申请涉及地图数据处理技术,尤其涉及一种POI处理方法、装置、电子设备及存储介质。
背景技术
地图数据中的地理实体(例如餐厅、服装店、商场等)可以抽象为兴趣点(Point ofInterest,POI)。随着时间推移,上述POI可能会存在关闭、更名、拆迁等异常状态。存在上述异常状态的POI可以称为过期POI。若上述过期POI始终存在于地图数据中,将导致该地图数据的现势性以及基于该地图数据为用户提供基于位置的服务(Location Based Services,LBS)的准确性较差。因此,挖掘出过期POI是至关重要的。
目前,现有的基于多源数据的过期POI挖掘方法主要是:对POI关联的多种时序用户行为数据进行特征层融合,并将融合结果输入至一个过期POI挖掘模型,得到一个可以用于判断该POI是否过期的概率值。然而,现有的过期POI挖掘方法存在准确性较差的问题。
发明内容
本申请提供一种POI处理方法、装置、电子设备及存储介质,以提高过期POI挖掘的准确性。
第一方面,本申请提供一种POI处理方法,所述方法包括:
获取POI关联的M种模态数据;
将M种模态数据分别输入至N个单模态检测模型中与M种模态对应的M个单模态检测模型,得到所述M个单模态检测模型的输出结果,每个输出结果用于表征基于该种模态数据确定的所述POI的初始过期概率;所述N个单模态检测模型与N种模态一一对应,1≤M≤N;
根据所述M个单模态检测模型的输出结果,获取所述POI的过期概率。
第二方面,本申请提供一种POI处理装置,所述装置包括:
获取模块,用于获取POI关联的M种模态数据;
处理模块,用于将M种模态数据分别输入至N个单模态检测模型中与M种模态对应的M个单模态检测模型,得到所述M个单模态检测模型的输出结果,根据所述M个单模态检测模型的输出结果,获取所述POI的过期概率,其中,每个输出结果用于表征基于该种模态数据确定的所述POI的初始过期概率;所述N个单模态检测模型与N种模态一一对应,1≤M≤N。
第三方面,本申请提供一种电子设备,包括:处理器、以及存储器;所述处理器与所述存储器通信连接;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面任一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面任一项所述的POI处理方法。
第五方面,本申请提供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第一方面任一项所述的服务处理方法。
本申请提供的POI处理方法、装置、电子设备及存储介质,通过将POI关联的M种模态数据分别输入各模态对应的单模态检测模型,获取M个用于表征基于该种模态数据确定的POI的初始过期概率的输出结果。通过上述方法,本申请对每种模态的模态数据进行单独的处理,避免了不同模态数据之间相互干扰的问题。然后,电子设备可以根据上述M个单模态检测模型对应的M个输出结果,得到POI的过期概率,实现了对M个初始决策结果的决策层融合,以及基于决策层的融合结果得到POI的过期概率。通过上述方法,不需对M种模态数据进行特征层融合,避免了不同模态数据之间相互干扰的问题,进而提高了基于M种模态数据判断POI过期概率的准确性。此外,通过上述方法,可以基于M种模态数据确定POI的过期概率,相较于现有技术中仅基于一种时序模态数据进行POI过期检测的方法,本申请可以综合多源模态数据得到POI的过期概率,进一步提高了获取POI过期概率的准确性。此外,应理解,上述M可以为1,也就是说,本申请提供的POI处理方法还适用于通过单模态数据进行POI处理。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为现有的基于多源数据的过期POI挖掘方法的流程示意图;
图2为本申请提供的一种POI处理方法的流程示意图;
图3为本申请提供的一种根据M个单模态检测模型的输出结果获取POI的过期概率的方法流程示意图;
图4为本申请提供的一种用户终端界面示意图;
图5为本申请提供的又一种POI处理方法的流程示意图;
图6为本申请提供的一种POI处理装置的结构示意图;
图7为本申请提供的一种电子设备的10的硬件结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例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,本领域普通技术人员在没有做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。
下面首先对本申请涉及到的部分名词概念进行解释:
过期POI:过期POI可以是指地图数据中处于关闭、搬迁、拆迁、更名等异常状态的,可以抽象为兴趣点(Point of Interest,POI)的地理实体。示例性的,该地理实体例如可以为餐厅、服装店、商场等任一地理实体。
若地图数据中包括过期POI,将导致该地图数据的现势性以及基于该地图数据为用户提供基于位置的服务(Location Based Services,LBS)的准确性较差。例如,以餐厅A已经倒闭为例,则该餐厅A为过期POI。若地图数据中仍然保存该餐厅A的地理位置信息,在根据该地图数据为用户提供餐厅A导航服务时,用户到达该位置,会发现餐厅A事实上已经不存在,进而导致用户体验感较差。因此,过期POI挖掘是至关重要的。
图1为现有的基于多源数据的过期POI挖掘方法的流程示意图。如图1所示,目前,在使用现有的基于多源数据的过期POI挖掘方法进行过期POI挖掘时,先对POI关联的多种模态的时序(也就是随时间变化的)用户行为数据进行特征层融合,得到特征层融合结果。然后,将该特征层融合结果输入至一个过期POI挖掘模型,得到一个可以用于判断该POI是否过期的概率值。
上述多种模态的时序用户行为数据例如可以包括:该POI对应的用户支付的次数、用户连接该POI的Wi-Fi的次数,该POI的运单量等时序数据。其中,该运单量指的是向该POI发货的次数,和/或,从该POI发货的次数。通常,上述过期POI挖掘模型例如可以为Wide&Deep模型(一种混合了线性模型(Wide part)和Deep模型(Deep part)的模型名称)或者用户行为时空转移模型。
在使用现有的基于多源数据的过期POI挖掘方法,对POI关联的多种模态的时序用户行为数据进行特征层融合时,首先需要保障所有时序数据的时间采集粒度均相同。例如,假定POI对应的用户支付的次数是按照周级(每个时间步的长度为一周)进行统计的(也就是说统计该POI每周对应的用户支付的次数),那么用户连接该POI的Wi-Fi的次数,以及,该POI的运单量也需要按照周级进行统计。
然后,可以在每个时间步,对上述多种模态的时序用户行为数据进行特征融合编码(通常是将不同时序数据相加),得到多种模态的时序用户行为数据的特征层融合结果。然而,因为不同时序用户行为数据之间的数据大小通常存在较大差异,因此特征层融合结果通常仅偏向于较大的时序数据,导致该特征层融合结果的准确性较差,进而导致基于该特征层融合结果判断POI是否过期的准确性较差。
示例性的,以时间步为周级为例,假定POI关联的多种模态的时序用户行为数据如下表1所示:
表1
POI关联的多种模态的时序用户行为数据 | 时序数据序列 |
POI对应的用户支付的次数 | (1,3,2,1,……) |
用户连接该POI的Wi-Fi的次数 | (100,300,200,100,……) |
该POI的运单量 | (10,20,30,10,……) |
如表1所示,以第一个时间步为例,在第一个时间步中,POI对应的用户支付的次数是1,用户连接该POI的Wi-Fi的次数是100,该POI的运单量是10。在该时间步对该多种模态的时序用户行为数据进行特征融合编码,也就是对1、100、10进行特征融合编码。若通过将1、100、10相加得到特征融合编码,则特征融合结果为111。该特征融合结果仅偏向于用户连接该POI的Wi-Fi的次数,并没有明确体现出其他两个时序数据对该特征融合结果的影响,因此,该特征融合结果的准确性较低,进而导致基于该特征融合结果判断POI是否过期的准确性较差。
此外,POI关联的多种模态的时序用户行为数据之间变化不一致,也会导致上述特征融合结果的准确性较低。例如,餐厅A在营业期间,餐厅A对应的用户支付、用户连接该餐厅A的Wi-Fi的行为可能较频繁,该餐厅A的运单量可能较少。在该餐厅A倒闭后,也就是该POI过期后,餐厅A对应的用户支付会立即消失。然而,通常该餐厅A的Wi-Fi不会立即关闭,且该餐厅的运单变化滞后会更久(也就是说多种模态的时序用户行为数据之间变化存在信息冲突)。上述多种模态的用户行为数据之间变化的不一致性,也会导致特征融合结果的准确性较低。
考虑到现有的基于多源数据的过期POI挖掘方法存在准确性较低的问题的原因是对POI关联的多种模态的时序用户行为数据进行特征层融合,因此,本申请提出了一种不对用户行为数据进行特征层融合,而是基于不同模态数据分别进行POI是否过期的检测,然后根据各检测结果进行决策层融合,判断POI是否过期。通过上述方法,不需对不同模态的时序数据进行特征层融合,避免了不同模态数据之间相互干扰的问题,进而提高了判断POI是否过期的准确性。本申请提供的POI处理方法的执行主体可以为,终端或者服务器等任意一种具有处理功能的电子设备。
下面结合具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请提供的一种POI处理方法的流程示意图。如图2所示,该方法包括以下步骤:
S101、获取POI关联的M种模态数据。
可选的,该POI可以为地图数据中任一可以抽象为兴趣点的地理实体,例如餐厅、服装店、商场、住宅、写字楼等。
上述模态数据可以是指任意一种能够用于表示POI的变化状态的数据。例如该POI对应的用户支付的次数序列,以及,用户连接该POI的Wi-Fi的次数序列为两种不同的模态数据。可选的,上述M种模态数据中至少一种模态数据可以为POI关联的用户行为数据,也可以为非用户行为数据。
可选的,一个POI关联的M种模态数据例如可以包括:随时间变化的数据序列、图像数据和文本数据等至少一种类型的数据。其中,上述随时间变化的数据序列例如可以用于反映该POI随时间变化的趋势,例如前述POI对应的用户支付的次数对应的时序数据序列等。上述图像数据例如可以为包括该POI的图像数据。上述文本数据例如可以为用户对该POI的评论。以上述M大于2,且该M种模态数据中的至少两种模态数据均为随时间变化的数据序列为例,可选的,该至少两种模态数据对应的时间采集粒度相同,或至少部分种模态数据对应的时间采集粒度不同。
可选的,不同POI关联的模态数据的种类可以相同,也可以不同。不同POI关联的模态数据的种类的数量可以相同,也可以不同。
在一些实施例中,该电子设备例如可以通过应用程序接口(ApplicationProgramming Interface,API),或者,图像用户界面(Graphical User Interface,GUI)等,接收用户输入的该POI关联的M种模态数据。在一些实施例中,电子设备例如还可以响应POI处理请求(该POI处理请求例如可以为用户触发的,或者电子设备周期性生成的),从存储有多个POI关联的M种模态数据的数据库中,获取该POI关联的M种模态数据。
S102、将M种模态数据分别输入至“N个单模态检测模型中与M种模态对应的”M个单模态检测模型,得到M个单模态检测模型的输出结果。
其中,1≤M≤N。上述N个单模态检测模型与N种模态一一对应。上述每个输出结果可以用于表征:基于该种模态数据确定的POI的初始过期概率。也就是说,针对该N种模态中的任一种模态,该模态数据输入该模态对应的单模态检测模型,可以得到基于该模态数据确定的POI的初始过期概率。
示例性的,N种模态与N个单模态检测模型的对应关系例如可以如下表2所示:
表2
N种模态 | N个单模态检测模型 |
模态1 | 单模态检测模型1 |
模态2 | 单模态检测模型2 |
模态3 | 单模态检测模型3 |
模态4 | 单模态检测模型4 |
…… | …… |
假定上述M种模态分别为模态1、模态2和模态3,以表2为例,则该M种模态对应的单模态检测模型分别为单模态检测模型1、单模态检测模型2和单模态检测模型3。因此,电子设备可以将模态1的模态数据输入至单模态检测模型1,得到单模态检测模型1输出的初始过期概率1;将模态2的模态数据输入至单模态检测模型2,得到单模态检测模型2输出的初始过期概率2;将模态3的模态数据输入至单模态检测模型3,得到单模态检测模型3输出的初始过期概率3。
应理解,针对任一单模态检测模型,本申请对电子设备具体如何通过该单模态检测模型,得到单模态检测模型的输出结果并不进行限定。示例性的,该单模态检测模型例如可以为预先训练好的神经网络模型。在该示例下,可选的,不同模态对应的神经网络模型可以相同,也可以不同。在一些实施例中,该单模态检测模型也可以不为预先训练好的神经网络模型。例如,该单模态检测模型可以为,与该单模态检测模型对应的模态数据相关的能够用于基于该模态数据得到POI的初始过期概率的任意一种检测模型。
S103、根据M个单模态检测模型的输出结果,获取POI的过期概率。
示例性的,以M等于3为例,假定单模态检测模型的输出结果分别为上述初始过期概率1、初始过期概率2,以及,初始过期概率3,电子设备可以根据该初始过期概率1、初始过期概率2,以及,初始过期概率3,得到该POI的过期概率。上述各初始过期概率的取值范围,以及,该POI的过期概率的取值范围可以均为0到1。概率越接近于0,说明POI过期的可能性越小,概率越接近于1,说明POI过期的可能性越大。
上述M个单模态检测模型的输出结果可以对应M个初始过期概率,电子设备基于该M个初始过期概率,获取POI的过期概率,实现了对该M个初始过期概率的决策层融合。
在本实施例中,通过将POI关联的M种模态数据分别输入各模态对应的单模态检测模型,获取M个用于表征基于该种模态数据确定的POI的初始过期概率的输出结果。通过上述方法,本申请对每种模态的模态数据进行单独的处理,避免了不同模态数据之间相互干扰的问题。然后,电子设备可以根据上述M个单模态检测模型对应的M个输出结果,得到POI的过期概率,实现了对M个初始决策结果的决策层融合,以及基于决策层的融合结果得到POI的过期概率。通过上述方法,不需对M种模态数据进行特征层融合,避免了不同模态数据之间相互干扰的问题,进而提高了基于M种模态数据判断POI过期概率的准确性。此外,通过上述方法,可以基于M种模态数据确定POI的过期概率,相较于现有技术中仅基于一种时序模态数据进行POI过期检测的方法,本申请可以综合多源模态数据得到POI的过期概率,进一步提高了获取POI过期概率的准确性。此外,应理解,上述M可以为1,也就是说,本申请提供的POI处理方法还适用于通过单模态数据进行POI处理。
下面对上述M种模态数据进行详细说明:
作为一种可能的实现方式,该M种模态数据可以包括以下至少一种类型的数据:随时间变化的数据序列、图像数据和文本数据。
以该M种模态数据包括:随时间变化的数据序列为例,示例性的,该随时间变化的数据序列例如可以包括:该POI对应的用户支付的次数序列、用户连接该POI的Wi-Fi的次数序列,该POI的运单量序列、用户在该POI驻留的次数序列、用户导航去往该POI的次数序列、用户针对该POI发表的评论的数量序列等至少一种模态数据。
以上述M大于2为例,假定该M种模态数据中至少两种模态数据,均为随时间变化的数据序列,可选的,该至少两种模态数据对应的时间采集粒度可以相同。或者,至少部分种模态数据对应的时间采集粒度可以不同。也就是说,上述随时间变化的数据序列的至少两种模态数据之间的时间采集粒度可以相同,也可以不同,本申请对此并不进行限定。其中,时间采集粒度越小,说明该随时间变化的数据序列中的相邻两数据之间的时间间隔越短。时间采集粒度越大,说明该随时间变化的数据序列中的相邻两数据之间的时间间隔越长。
示例性的,针对任一随时间变化的数据序列,该随时间变化的数据序列的时间采集粒度例如可以是根据该模态数据的产生频率确定的。例如,模态数据的产生频率越高,该随时间变化的数据序列的时间采集粒度可以越小,以使该随时间变化的数据序列不会丢失该模态数据中能够反应该POI随时间变化的趋势的数据,进而提高该随时间变化的数据序列的准确性。模态数据的产生频率越低,该随时间变化的数据序列的时间采集粒度可以越大,以使该随时间变化的数据序列能够积累足够的数据来反映该POI随时间变化的趋势,进而提高基于该随时间变化的数据序列确定该POI的初始过期概率的准确性。
例如,假定上述随时间变化的数据序列为:该POI对应的用户支付的次数序列,以及,用户连接该POI的Wi-Fi的次数序列,则该POI对应的用户支付的次数序列的时间采集粒度与用户连接该POI的Wi-Fi的次数序列的时间采集粒度可以相同。例如,POI对应的用户支付的次数序列的时间采集粒度,和,用户连接该POI的Wi-Fi的次数序列的时间采集粒度可以均为天级(表示该次数序列中的数值表示每天对应的次数),或者均为周级(表示该次数序列中的数值表示每周对应的次数),或者均为月级(表示该次数序列中的数值表示每月对应的次数)等。
如前述所说,该POI对应的用户支付的次数序列的时间采集粒度与用户连接该POI的Wi-Fi的次数序列的时间采集粒度也可以不同。例如,POI对应的用户支付的次数序列的时间采集粒度为天级,用户连接该POI的Wi-Fi的次数序列的时间采集粒度为周级。
应理解,本申请对电子设备如何获取上述随时间变化的数据序列并不进行限定。可选的,可以参照现有的任意一种获取与POI关联的随时间变化的数据序列的实现方式,本申请在此不再赘述。
在该实现方式下,对于属于随时间变化的数据序列种类的模态数据,不同模态数据对应的时间采集粒度可以存在不同,也可以相同。相较于现有技术中需保持不同模态数据的时间采集粒度均相同的方法,本申请提高了随时间变化的数据序列的灵活性,且使得各随时间变化的数据序列均能够通过各自对应的时间采集粒度提高反映该POI随时间变化趋势的准确性,进而提高了基于该随时间变化的数据序列种类的模态数据获取POI过期概率的准确性。
以该M种模态数据包括:图像数据为例,示例性的,该图像数据中例如可以包括该POI。属于图像数据类型的模态对应的单模态检测模型例如可以用于识别该图像数据中的POI,并根据该POI输出基于该图像数据确定的POI的初始过期概率。
假定该POI为餐厅,且该图像数据中包括的该餐厅为关门,或者,招牌被摘取等情形(说明该餐厅可能倒闭或者拆迁等),电子设备可以将该图像数据输入至该图像数据对应的单模态检测模型,通过该单模态检测模型,可以得到基于该图像数据确定的POI的初始过期概率较高。
应理解,本申请对电子设备如何获取上述图像数据,以及,如何获取该图像数据关联的POI并不进行限定。示例性的,该图像数据例如可以为图像采集装置(示例性的,该图像采集装置例如可以为地图数据采集车上的图像采集装置或者道路监控摄像头等)上传的图像数据。或者,该图像数据还可以为用户通过用户终端自主上传的图像数据。示例性的,上述图像数据关联的POI可以为基于对该图像数据中的POI进行定位、匹配等方式确定的。
以该M种模态数据包括:文本数据为例,示例性的,该文本数据例如可以包括:POI关联的用户评论、POI关联的新闻舆情等模态的文本数据。属于文本数据类型的模态对应的单模态检测模型例如可以用于从该文本数据中进行语义分析,确定该文本数据中POI的当前状态。
假定该POI为服装店A,该POI关联的用户评论为“服装店A已搬迁至xx街xx号”,则电子设备将该用户评论输入至该文本数据对应的单模态检测模型,通过该单模态检测模型进行语义分析,可以得到基于该文本数据确定的POI的初始过期概率较高。
应理解,本申请对电子设备如何获取上述文本数据并不进行限定。示例性的,以文本数据包括POI关联的用户评论为例,本申请对该用户评论来源也不进行限定(例如,该用户评论例如可以为用户在地图导航类应用或者网络购物类应用等上发表的针对POI的评论)。示例性的,以文本数据包括POI关联的新闻舆情为例,电子设备例如可以通过网络信息抓取,获取POI关联的新闻舆情。
在一些实施例中,上述M种模态数据中的至少一种模态数据可以为POI关联的用户行为数据。例如,前述POI对应的用户支付的次数序列、用户连接该POI的Wi-Fi的次数序列,该POI的运单量序列、用户在该POI驻留的次数序列、用户导航去往该POI的次数序列、用户针对该POI发表的评论的数量序列,以及,POI关联的用户评论等均属于POI关联的用户行为数据。其中,上述示例中的任意一个序列均为单独的一种模态数据(例如POI对应的用户支付的次数序列,和,用户连接该POI的Wi-Fi的次数序列为两种不同模态的数据)。
在该实施例中,通过将POI关联的用户行为数据作为用于判断POI过期概率的模态数据,使得该POI过期概率是与用户针对该POI的行为相关的。因为用户针对该POI的行为可以体现该POI是否过期,因此,通过POI关联的用户行为数据确定POI过期概率,进一步提高了基于M种模态数据得到POI的过期概率的准确性。
在一些实施例中,上述M种模态数据中还可以存在至少一种模态数据为POI关联的非用户行为数据。例如,前述通过图像采集装置采集的包括POI的图像数据、POI关联的新闻舆情等模态数据。通过将POI关联的非用户行为数据作为M种模态数据中的一类,使得电子设备可以基于更多方面的模态数据得到POI的过期概率,进一步提高了该POI的过期概率的准确性。
在一些实施例中,上述M种模态数据中例如可以仅包括随时间变化的数据序列、图像数据和文本数据中的其中一种类型的数据。或者,上述M种模态数据中还可以是包括:“随时间变化的数据序列和图像数据两种模态数据”或“随时间变化的数据序列和文本数据两种模态数据”或“图像数据和文本数据两种模态数据”。
应理解,上述随时间变化的数据序列、图像数据和文本数据仅是对M种模态数据进行的示例性说明。具体实现时,电子设备还可以进一步结合该POI关联的其他类型的模态数据进行POI处理。可选的,该POI关联的M种模态数据的类型具体例如可以与该电子设备能够获取到的该POI关联的模态数据的类型有关。
下面对电子设备如何根据M个单模态检测模型的输出结果,获取POI的过期概率,进行详细说明:
图3为本申请提供的一种根据M个单模态检测模型的输出结果获取POI的过期概率的方法流程示意图。如图3所示,作为一种可能的实现方式,前述步骤S103可以包括以下步骤:
S201、根据M个单模态检测模型的输出结果,获取初始过期概率序列和初始过期概率置信度序列。
上述初始过期概率序列可以包括N个第一元素。其中,每个第一元素可以用于表征N个单模态检测模型中一个单模态检测模型的输出结果。示例性的,以上述N等于4为例,假定初始过期概率序列为{a1,a2,a3,a4},其中a1、a2、a3、a4均为第一元素。以a1为例,该a1可以用于表征单模态检测模型1的输出结果(初始过期概率1)。
上述初始过期概率置信度序列可以包括N个第二元素。其中,每个第二元素可以用于表征N个单模态检测模型中一个单模态检测模型的输出结果的置信度。该置信度可以用于表征对应第一元素的真实有效性。示例性的,仍然以上述N等于4为例,假定初始过期概率置信度序列为{z1,z2,z3,z4},其中z1、z2、z3、z4均为第二元素。以z1对应的第一元素为上述示例中的a1为例,该z1可以用于表征单模态检测模型1的输出结果的置信度,且该置信度可以用于表征a1的真实有效性。
作为一种可能的实现方式,电子设备可以先确定N个单模态检测模型中,除上述M个单模态检测模型之外的Q个单模态检测模型。
可选的,POI关联的M种模态数据分别为哪种模态数据,可以为用户预先设定的。可选的,电子设备中可以预先存储有上述N个单模态检测模型,以及,各单模态检测模型对应的模态数据的种类的映射关系。因此,电子设备可以根据该POI关联的M种模态数据,以及该映射关系,确定N个单模态检测模型中的M个单模态检测模型。则除了该M个单模态检测模型之外的单模态检测模型为Q个单模态检测模型。
对于上述初始过期概率序列,电子设备可以将上述M个单模态检测模型的输出结果,填充至第一初始序列中对应的第一元素处,并将该第一初始序列中“与上述Q个单模态检测模型对应的第一元素”置为第一值,从而得到初始过期概率序列。
可选的,上述第一值可以为预先存储在该电子设备中的。可选的,上述Q个单模态检测模型中,不同单模态检测模型对应的第一元素所需置为的第一值可以相同,也可以不同。
示例性的,各单模态检测模型在第一初始序列中所对应的第一元素的位置可以是用户预先在该电子设备中设定好的。示例性的,第一初始序列中各第一元素对应的单模态检测模型例如可以如下表3所示:
表3
其中,M1、M2和M3均属于上述M个单模态检测模型中的单模态检测模型。Q1和Q2均属于上述Q个单模态检测模型中的单模态检测模型。因此电子设备可以将M1、M2和M3的输出结果分别填充至第一初始序列中第一元素1、第一元素2,以及,第一元素5处;以及,将第一元素3和第一元素4置为第一值,以得到初始过期概率序列。示例性的,以上述M1、M2和M3的输出结果分别为0.1、0.2、和0.3,Q个单模态检测模型中不同单模态检测模型对应的第一元素所需置为的第一值均为0为例,则该初始过期概率序列可以为(0.1,0.2,0,0,0.3,…)。
对于上述初始过期概率置信度序列,电子设备可以将第二初始序列中“对应M个单模态检测模型”的第二元素置为第二值,“对应Q个单模态检测模型”的第二元素置为第三值,得到初始过期概率置信度序列。
可选的,上述第二值和第三值可以均为预先存储在该电子设备中的。可选的,上述M个单模态检测模型中,不同单模态检测模型对应的第二元素所需置为的第二值可以相同。上述Q个单模态检测模型中,不同单模态检测模型对应的第二元素所需置为的第三值可以相同。上述第二值和第三值可以不同。
示例性的,第二初始序列中各第二元素对应的单模态检测模型例如可以如下表4所示:
表4
其中,M1、M2和M3均属于上述M个单模态检测模型中的单模态检测模型。Q1和Q2均属于上述Q个单模态检测模型中的单模态检测模型。因此电子设备可以将第二初始序列中第二元素1、第二元素2,以及,第二元素5置为第二值;以及,将第二元素3和第二元素4置为第三值,以得到初始过期概率置信度序列。示例性的,以上述M1、M2和M3对应的第二值为1,Q个单模态检测模型中不同单模态检测模型对应的第二元素所需置为的第三值均为0为例,则该初始过期概率置信度序列可以为(1,1,0,0,1,…)。
在一些实施例中,若上述M等于N,则Q为0。可选的,电子设备可以将N个初始过期概率组成的序列,作为初始过期概率序列,以及,将N个初始过期概率置信度组成的序列,作为初始过期概率置信度序列。
在本实施例中,通过将M个单模态检测模型的输出结果填充至第一初始序列中对应的第一元素处,以及,将第一初始序列中与Q个单模态检测模型对应的第一元素置为第一值,使得该初始过期概率序列包括N个第一元素。通过将第二初始序列中对应M个单模态检测模型的第二元素置为第二值,对应Q个单模态检测模型的第二元素置为第三值,使得该初始过期概率置信度序列包括N个第二元素。通过上述方法,实现了不同POI对应的初始过期概率序列的维度相同,以及,不同POI对应的初始过期概率置信度序列的维度相同,考虑到了不同POI上关联的模态数据种类分布的差异性,提高了该POI处理方法的可扩展性和灵活性。
作为另一种可能的实现方式,电子设备例如还可以在获取上述M个单模态检测模型的输出结果之后,输出上述M个输出结果,以使用户可以根据该M个输出结果确定初始过期概率序列和初始过期概率置信度序列。然后,电子设备可以接收用户输入的该M个单模态检测模型的输出结果对应的初始过期概率序列和初始过期概率置信度序列。
作为又一种可能的实现方式,该POI对应的初始过期概率置信度序列还可以为预先存储在该电子设备中的。在该实现方式下,电子设备可以在获取M个单模态检测模型的输出结果之后,根据该M个单模态检测模型的输出结果,以及,上述预先存储的初始过期概率置信度序列,生成初始过期概率序列。可选的,电子设备例如可以根据初始过期概率置信度序列中第二值所在的第二元素,确定初始过期概率序列中需填充初始过期概率的第一元素,并根据初始过期概率置信度序列中第三值所在的第二元素,确定初始过期概率序列中需填充第一值的第一元素。
S202、将初始过期概率序列和初始过期概率置信度序列输入至融合检测模型,得到POI的过期概率。
示例性的,上述融合检测模型例如可以为预先训练好的神经网络模型,例如,预先训练好的多层感知机(Multilayer Perceptron,MLP,也就是全连接神经网络)。应理解,本申请对如何训练该神经网络模型并不进行限定,可以参照任意一种现有的神经网络模型的训练方法,在此不再赘述。或者,上述融合检测模型还可以为其他能够基于多个初始过期概率和初始过期概率置信度得到POI的过期概率的检测模型。
在本实施例中,通过M个单模态检测模型的输出结果,得到包括了N个第一元素的初始过期概率序列,以及,包括了N个第二元素的初始过期概率置信度序列。通过上述方法,针对不同的POI,即便不同POI关联的模态数据的种类数量(也就是M)不同,也都可以采用同一融合检测模型获取POI的过期概率,因此提高了该融合检测模型的适用性。通过上述方法,使得电子设备可以通过上述融合检测模型处理关联的模态数据的种类数量不同的多种POI,以获取多种不同POI的过期概率。因此,通过上述方法,考虑到了不同POI上关联的模态数据种类分布的差异性,提高了该POI处理方法的可扩展性和灵活性。
作为另一种可能的实现方式,该电子设备中例如可以预先存储有该POI关联的M种模态分别对应的决策权重。在该实现方式下,电子设备例如可以基于上述各模态分别对应的决策权重,以及,各模态分别对应的初始过期概率,计算加权和,并将该加权和作为POI的过期概率。
作为又一种可能的实现方式,针对M个单模态检测模型的输出结果中的任一输出结果,电子设备还可以先根据该输出结果所表征的初始过期概率,得到POI是否过期的结果。然后电子设备可以根据上述M个POI是否过期的结果中,表征POI过期的结果的数量,得到POI过期的概率。例如,该POI过期的概率,与,上述“M个POI是否过期的结果中,表征POI过期的结果的数量”正相关。也就是说,M个POI是否过期的结果中,表征POI过期的结果的数量越多,则该POI过期的概率越大。M个POI是否过期的结果中,表征POI过期的结果的数量越少,则该POI过期的概率越小。
前述描述的是如何确定POI的过期概率,作为一种可能的实现方式,在步骤S103之后,电子设备还可以根据上述POI的过期概率,确定POI是否过期。下面对电子设备如何根据上述POI的过期概率,确定POI是否过期进行示例性说明:
作为一种可能的实现方式,该电子设备中还可以预先存储有一个预设概率阈值。在该实现方式下,电子设备在获取上述POI的过期概率之后,可以直接比较该POI的过期概率与该预设概率阈值的大小。然后,电子设备例如可以在POI的过期概率大于或等于该预设概率阈值时,确定该POI过期;在POI的过期概率小于该预设概率阈值时,确定该POI未过期。
作为另一种可能的实现方式,电子设备例如可以根据该POI的过期概率,以及,该POI的类型对应的概率阈值,确定POI是否过期。
可选的,POI的类型划分结果例如可以为用户预先存储在该电子设备中。示例性的,POI的类型例如可以划分为:建筑(例如商务大厦、住宅等)、餐饮(例如餐厅、咖啡厅等)、购物娱乐(例如购物商场、便利超市、影剧院、步行街、酒店、游乐场等)、景区(例如公园、山等)、交通设施(例如公交站、港口、火车站等)等多种类型。
在一些实施例中,每个POI可以对应有该POI的类型标识。因此,电子设备可以基于该POI的类型标识确定该POI的类型对应的概率阈值。可选的,该电子设备中例如可以预先存储有POI的类型标识与概率阈值的映射关系。应理解,不同类型的POI对应的概率阈值可以相同,也可以不同。
以建筑类的POI,以及,餐饮类的POI为例,考虑到通常建筑物发生变动(例如拆迁)的可能性较小,而餐饮店发生变动(例如搬迁、倒闭等)的较为频繁,因此,通常建筑类的POI对应的概率阈值可以大于餐饮类的POI对应的概率阈值。
示例性的,上述POI的类型标识与概率阈值的映射关系例如可以如下表5所示:
表5
POI的类型标识 | 概率阈值 |
类型标识1 | 概率阈值1 |
类型标识2 | 概率阈值2 |
类型标识3 | 概率阈值3 |
… | … |
以表5为例,假定该POI的类型标识为类型标识1,则电子设备可以确定该POI的类型对应的概率阈值为概率阈值1。然后,电子设备可以根据该POI的过期概率,以及,该概率阈值1,确定POI是否过期。
示例性的,电子设备例如可以在该POI的过期概率大于或等于该POI的类型对应的概率阈值时,确定该POI过期。电子设备还可以在该POI的过期概率小于该POI的类型对应的概率阈值时,确定该POI未过期。
在该实现方式下,通过POI的类型对应的概率阈值和上述POI的过期概率,确定POI是否过期,使得不同类型的POI对应的用于判断POI是否过期的概率阈值可以不同。通过上述方法,使得对POI是否过期的判断是基于POI的类型确定的,进一步提高了判断POI是否过期的准确性。
在本实施例中,通过前述任一实施例所述的POI的过期概率,确定POI是否过期。因为,上述POI的过期概率是基于M种模态数据分别对应的初始过期概率确定的,提高了确定POI的过期概率的准确性,因此也提高了基于该POI的过期概率确定的POI是否过期的准确性。
进一步的,作为一种可能的实现方式,电子设备还可以在确定POI过期时,更新地图数据中POI的信息。示例性的,上述地图数据例如可以为预先存储在该电子设备中的。
可选的,电子设备例如可以通过将该地图数据中的该POI的标识下线,实现更新地图数据中的POI的信息。或者,电子设备还可以在该地图数据中的POI的信息中添加提示信息,实现更新地图数据中的POI的信息。通过上述方法,使得用户终端在响应用户触发的查询该POI(或者导航去该POI)的请求时,基于该更新后的地图数据输出上述提示信息。示例性的,以该POI为餐厅A为例,上述提示信息例如可以为“该餐厅A可能已经关闭”。示例性的,以该用户终端为手机或者平板电脑为例,图4为本申请提供的一种用户终端界面示意图。如图4所示,以该POI为上述餐厅A为例,若电子设备确定该餐厅A已经过期,并更新了包括该餐厅A的地图数据,则在用户通过用户终端上的地图导航类应用搜索该餐厅A时,该用户终端可以输出上述包括“该餐厅A可能已经关闭”的内容的提示信息。
在本实施例中,电子设备在确定POI过期时,对地图数据中POI的信息进行更新,保障了该地图数据的现势性,因此提高了基于该地图数据提供服务的准确性,进而提高了为用户提供基于位置的服务(Location Based Services,LBS)的用户体验。
在一些实施例中,上述更新地图数据中POI的信息也可以是由地图数据处理装置执行的。例如,电子设备在确定POI过期时,还可以向地图数据处理装置发送该POI过期的指示信息,以使该地图数据处理装置更新地图数据中该POI的信息。可选的,地图数据处理装置更新地图数据中POI的信息的具体实现方式,可以参照前述电子设备更新地图数据中POI的信息的方法,在此不再赘述。
可选的,电子设备在确定POI过期时,例如可以生成用于表示POI已过期的标识。上述POI过期的指示信息中可以包括该用于表示POI已过期的标识,以使该地图数据处理装置可以根据该用于表示POI已过期的标识,更新地图数据中该POI的信息。
应理解,本申请对上述地图数据处理装置并不进行限定。示例性的,该地图数据处理装置可以为一电子设备(例如终端或者服务器)。或者,该地图数据处理装置也可以部署在地图数据处理云平台。
虽然上述实施例是以电子设备确定POI过期为例进行的描述,应理解,上述实施例也能够用于判断之前已经过期的POI是否恢复。
以上述M种模态数据中的至少一种模态数据可以为POI关联的用户行为数据为例,图5为本申请提供的又一种POI处理方法的流程示意图。如图5所示,一个POI可以与多种模态的用户行为数据相关联(数据层)。例如图5中所示的运单(该POI的运单量序列)、Wi-Fi(用户连接该POI的Wi-Fi的次数序列)、支付(该POI对应的用户支付的次数序列)、导航(用户导航去往该POI的次数序列)、评论(用户针对该POI发表的评论的数量序列,以及,POI关联的用户评论)、驻留(用户在该POI驻留的次数序列)、图像(包括该POI的图像数据)等其他模态数据。
(1)单源数据组织:
基于上述多源用户行为(多种模态的用户行为数据),电子设备可以进行单源数据组织。其中,单源数据组织包括:根据POI关联的不同模态数据,提取不同模态数据的特征(特征层)。例如,
a.时间趋势数据(也就是前述随时间变化的数据序列),即POI上用户行为数据的时间序列,可以为天级、周级、月级等时间采集粒度进行组织。如前述POI对应的用户支付的次数序列、POI的运单量序列、用户连接该POI的Wi-Fi的次数序列、用户在该POI驻留的次数序列等。应理解,时间序列出现衰减及消失趋势可以指示POI过期。
b.图像数据,即从图像采集装置采集、用户自主上传等方式获取的海量影像中,通过定位、匹配获取拍摄到POI的最新照片。该特征可以用于使得电子设备根据图像状态自动识别POI是否正常。例如餐馆倒闭、拆迁时,影像中会呈现关门甚至招牌摘取的情形。
c.文本数据,主要为与POI相关的用户评论、新闻舆情等。电子设备通过该文本数据可以获取POI的状态的文本语义。例如用户发表“该店已搬迁至xx街”,则电子设备可以得知该POI已经过期。该文本数据可以是较强的状态信号。
(2)单源过期建模:
如图5所示,每一种模态的数据(如图5中所示的各数据源),通过一种单源评分模型(也可以称为单源决策模型,也就是前述单模态检测模型)都会输出一个过期分数(也就是初始过期概率,也可以称为评分)。该评分的取值范围为0到1,可以用于指示POI过期的可能性。0表示POI正常(POI过期的可能性越小),1表示POI异常(POI过期的可能性越大)。
例如,对于时间序列数据(随时间变化的数据序列),电子设备可以使用训练好的循环神经网络(Recurrent Neural Network,RNN,RNN是深度学习模型的一种,可用于处理序列数据)等学习趋势特征,从而表示POI的状态变化,进而得到基于该随时间变化的数据序列的模态数据确定的POI的初始过期概率。对于图像数据,电子设备可以使用卷积神经网络(Convolutional Neural Networks,CNN)等识别图像中POI的状态,进而得到基于该图像数据确定的POI的初始过期概率。对于文本数据,电子设备可以使用自然语言处理(Naturallanguage processing,NLP,用于处理文本数据进行语义分类等任务的方法)推断其表达的与POI状态相关的语义,进而得到基于该文本数据确定的POI的初始过期概率。在一些实施例中,也可以引入其他多种单模态检测模型,并使用该其他单模态检测模型对其他模态数据进行处理,得到基于该其他模态数据确定的POI的初始过期概率。
(3)融合决策:
每个单源决策模型基于相应的特征对POI过期与否进行评分后(也就是说通过各模态数据对应的单模态检测模型对该模态数据进行处理,得到各模态数据对应的POI的初始过期概率之后),将通过一个集成决策模型(也就是前述融合检测模型)融合多个评分,并输出一个综合评分(即前述POI的过期概率),以统一地判定POI是否过期。如图5中所示,其中Y表示POI过期,N表示POI未过期。例如,该集成决策模型可以为MLP的架构。电子设备可以将两类节点作为该MLP的输入:其中一类是评分节点(即前述初始过期概率序列),对应每个单源决策模型的评分(也就是POI的初始过期概率),以及,Q个单模态检测模型对应的第一元素的第一值;另一类为mask(掩码)节点(即前述初始过期概率置信度序列)。这是考虑到一个POI不一定具有所有模态的用户行为数据,因此通过标记POI具有哪些数据源,以及,上述mask节点,可以使得电子设备能够使用一个MLP对各POI进行处理。电子设备可以通过MLP的全连接的形式以及Sigmoid激活函数,输出0至1的评分值,该评分值表示POI的过期概率。
在本实施例中,根据与POI关联的多种模态数据,分别独立的判断POI的状态,并输出相应的异常评分。不同用户行为分别独立判断POI过期的可能性,避免了多源信号之间变化不一致、噪音干扰问题。通过引入不同的模型对异构数据(不同模态数据)分别建模,可以同时处理不同类型的特征,实现了多模态信息判定POI的状态。然后,通过集成多个评分,综合的判断POI是否过期,实现了单源挖掘模型(也就是单源决策模型)的集成。因此,通过上述方法,能够解决多模态数据之间相互干扰的问题,且能扩展、融合多模态用户行为数据、多种挖掘模型,提高了方案的可扩展性。通过上述方法,实现了对过期POI挖掘各单源模型进行统一,提升过期POI挖掘准确率,提升了自动化挖掘过期POI的水平,且可以实现进行过期POI自动化下线处理产出。此外,应理解,当上述M等于1时,也就是说,本申请提供的POI处理方法还适用于通过单模态数据进行POI过期判断。
图6为本申请提供的一种POI处理装置的结构示意图。如图6所示,该装置包括:获取模块31,以及,处理模块32。其中,
获取模块31,用于获取POI关联的M种模态数据。
处理模块32,用于将M种模态数据分别输入至N个单模态检测模型中与M种模态对应的M个单模态检测模型,得到所述M个单模态检测模型的输出结果,根据所述M个单模态检测模型的输出结果,获取所述POI的过期概率。其中,每个输出结果用于表征基于该种模态数据确定的所述POI的初始过期概率;所述N个单模态检测模型与N种模态一一对应,1≤M≤N。
可选的,处理模块32,具体用于根据所述M个单模态检测模型的输出结果,获取初始过期概率序列和初始过期概率置信度序列;将所述初始过期概率序列和所述初始过期概率置信度序列输入至融合检测模型,得到所述POI的过期概率。其中,所述初始过期概率序列包括N个第一元素,所述初始过期概率置信度序列包括N个第二元素,每个第一元素用于表征所述N个单模态检测模型中一个单模态检测模型的输出结果,每个所述第二元素用于表征所述N个单模态检测模型中一个单模态检测模型的输出结果的置信度。
可选的,处理模块32,具体用于确定N个单模态检测模型中除所述M个单模态检测模型之外的Q个单模态检测模型;将所述M个单模态检测模型的输出结果填充至第一初始序列中对应的第一元素处,并将所述第一初始序列中与所述Q个单模态检测模型对应的第一元素置为第一值,得到所述初始过期概率序列;将第二初始序列中对应所述M个单模态检测模型的第二元素置为第二值,对应所述Q个单模态检测模型的第二元素置为第三值,得到所述初始过期概率置信度序列。
可选的,所述M种模态数据包括下述至少一种类型的数据:随时间变化的数据序列、图像数据和文本数据。
以所述M大于2,且所述M种模态数据中至少两种模态数据均为随时间变化的数据序列为例,可选的,所述至少两种模态数据对应的时间采集粒度相同,或至少部分种模态数据对应的时间采集粒度不同。
可选的,所述M种模态数据中至少一种模态数据为所述POI关联的用户行为数据。
可选的,处理模块32,还用于根据所述POI的过期概率,确定所述POI是否过期。
可选的,处理模块32,具体用于根据所述POI的过期概率,以及,所述POI的类型对应的概率阈值,确定所述POI是否过期。
可选的,处理模块32,还用于在确定所述POI过期时,更新地图数据中所述POI的信息。
可选的,该装置还可以包括发送模块33,用于在确定所述POI过期时,向地图数据处理装置发送所述POI过期的指示信息,以使所述地图数据处理装置更新地图数据中所述POI的信息。
本申请提供的POI处理装置,用于执行前述POI处理方法实施例,其实现原理与技术效果类似,对此不再赘述。
图7为本申请提供的一种电子设备的10的硬件结构示意图。如图7所示的电子设备10包括存储器11、处理器12、通信接口13。
存储器11、处理器12、通信接口13之间彼此通信连接。例如,存储器11、处理器12、通信接口13之间可以采用网络连接的方式,实现通信连接。或者,上述电子设备10还可以包括总线14。存储器11、处理器12、通信接口13通过总线14实现彼此之间的通信连接。图4是以存储器11、处理器12、通信接口13通过总线14实现彼此之间的通信连接的电子设备10。
存储器11可以是只读存储器(Read Only Memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(Random Access Memory,RAM)。存储器11可以存储程序(计算机执行指令),当存储器11中存储的程序被处理器12执行时,处理器12和通信接口13用于执行本申请所提供的POI处理方法。
处理器12可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),图形处理器(graphics processing unit,GPU)或者一个或多个集成电路。
处理器12还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请的第一节点的功能可以通过处理器12中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器12还可以是通用处理器、数字信号处理器(digital signal processing,DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请下文实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请下文实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器11,处理器12读取存储器11中的信息,结合其硬件完成本申请的第一节点的功能。
通信接口13使用例如但不限于收发器一类的收发模块,来实现电子设备10与其他设备或通信网络之间的通信。例如,可以通过通信接口13获取数据集。
当上述电子设备10包括总线14时,总线14可包括在电子设备10各个部件(例如,存储器11、处理器12、通信接口13)之间传送信息的通路。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质,具体的,该计算机可读存储介质中存储有程序指令,程序指令用于上述实施例中的方法。
本申请还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的POI处理方法。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种POI处理方法,其特征在于,所述方法包括:
获取POI关联的M种模态数据;
将M种模态数据分别输入至N个单模态检测模型中与M种模态对应的M个单模态检测模型,得到所述M个单模态检测模型的输出结果,每个输出结果用于表征基于该种模态数据确定的所述POI的初始过期概率;所述N个单模态检测模型与N种模态一一对应,1≤M≤N;
根据所述M个单模态检测模型的输出结果,获取初始过期概率序列和初始过期概率置信度序列;所述初始过期概率序列包括N个第一元素,所述初始过期概率置信度序列包括N个第二元素;
将所述初始过期概率序列和所述初始过期概率置信度序列输入至融合检测模型,得到所述POI的过期概率。
2.根据权利要求1所述的方法,其特征在于,每个所述第一元素用于表征所述N个单模态检测模型中一个单模态检测模型的输出结果,每个所述第二元素用于表征所述N个单模态检测模型中一个单模态检测模型的输出结果的置信度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述M个单模态检测模型的输出结果,获取初始过期概率序列和初始过期概率置信度序列,包括:
确定N个单模态检测模型中除所述M个单模态检测模型之外的Q个单模态检测模型;
将所述M个单模态检测模型的输出结果填充至第一初始序列中对应的第一元素处,并将所述第一初始序列中与所述Q个单模态检测模型对应的第一元素置为第一值,得到所述初始过期概率序列;
将第二初始序列中对应所述M个单模态检测模型的第二元素置为第二值,对应所述Q个单模态检测模型的第二元素置为第三值,得到所述初始过期概率置信度序列。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述M种模态数据包括下述至少一种类型的数据:
随时间变化的数据序列、图像数据和文本数据。
5.根据权利要求4所述的方法,其特征在于,所述M大于2,所述M种模态数据中至少两种模态数据均为随时间变化的数据序列;
所述至少两种模态数据对应的时间采集粒度相同,或至少部分种模态数据对应的时间采集粒度不同。
6.根据权利要求4所述的方法,其特征在于,所述M种模态数据中至少一种模态数据为所述POI关联的用户行为数据。
7.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述POI的过期概率,确定所述POI是否过期,包括:
根据所述POI的过期概率,以及,所述POI的类型对应的概率阈值,确定所述POI是否过期。
8.一种POI处理装置,其特征在于,所述装置包括:
获取模块,用于获取POI关联的M种模态数据;
处理模块,用于将M种模态数据分别输入至N个单模态检测模型中与M种模态对应的M个单模态检测模型,得到所述M个单模态检测模型的输出结果,根据所述M个单模态检测模型的输出结果,获取初始过期概率序列和初始过期概率置信度序列;将所述初始过期概率序列和所述初始过期概率置信度序列输入至融合检测模型,得到所述POI的过期概率;其中,每个输出结果用于表征基于该种模态数据确定的所述POI的初始过期概率;所述N个单模态检测模型与N种模态一一对应,1≤M≤N;所述初始过期概率序列包括N个第一元素,所述初始过期概率置信度序列包括N个第二元素。
9.一种电子设备,其特征在于,包括:处理器、以及存储器;所述处理器与所述存储器通信连接;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的POI处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211261443.7A CN115455129B (zh) | 2022-10-14 | 2022-10-14 | Poi处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211261443.7A CN115455129B (zh) | 2022-10-14 | 2022-10-14 | Poi处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115455129A CN115455129A (zh) | 2022-12-09 |
CN115455129B true CN115455129B (zh) | 2023-08-25 |
Family
ID=84311515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211261443.7A Active CN115455129B (zh) | 2022-10-14 | 2022-10-14 | Poi处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115455129B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116154A (zh) * | 2020-09-18 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN112749300A (zh) * | 2021-01-22 | 2021-05-04 | 北京百度网讯科技有限公司 | 用于视频分类的方法、装置、设备、存储介质和程序产品 |
CN113032672A (zh) * | 2021-03-24 | 2021-06-25 | 北京百度网讯科技有限公司 | 多模态poi特征的提取方法和装置 |
CN113326868A (zh) * | 2021-05-06 | 2021-08-31 | 南京邮电大学 | 一种用于多模态情感分类的决策层融合方法 |
CN113343860A (zh) * | 2021-06-10 | 2021-09-03 | 南京工业大学 | 一种基于视频图像和语音的双模态融合情感识别方法 |
CN114663733A (zh) * | 2022-02-18 | 2022-06-24 | 北京百度网讯科技有限公司 | 多模态特征的融合方法、装置、设备、介质及产品 |
CN114863517A (zh) * | 2022-04-22 | 2022-08-05 | 支付宝(杭州)信息技术有限公司 | 一种面部识别中的风险控制方法、装置以及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11687621B2 (en) * | 2021-03-29 | 2023-06-27 | International Business Machines Corporation | Multi-modal fusion techniques considering inter-modality correlations and computer model uncertainty |
-
2022
- 2022-10-14 CN CN202211261443.7A patent/CN115455129B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116154A (zh) * | 2020-09-18 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN112749300A (zh) * | 2021-01-22 | 2021-05-04 | 北京百度网讯科技有限公司 | 用于视频分类的方法、装置、设备、存储介质和程序产品 |
CN113032672A (zh) * | 2021-03-24 | 2021-06-25 | 北京百度网讯科技有限公司 | 多模态poi特征的提取方法和装置 |
CN113326868A (zh) * | 2021-05-06 | 2021-08-31 | 南京邮电大学 | 一种用于多模态情感分类的决策层融合方法 |
CN113343860A (zh) * | 2021-06-10 | 2021-09-03 | 南京工业大学 | 一种基于视频图像和语音的双模态融合情感识别方法 |
CN114663733A (zh) * | 2022-02-18 | 2022-06-24 | 北京百度网讯科技有限公司 | 多模态特征的融合方法、装置、设备、介质及产品 |
CN114863517A (zh) * | 2022-04-22 | 2022-08-05 | 支付宝(杭州)信息技术有限公司 | 一种面部识别中的风险控制方法、装置以及设备 |
Non-Patent Citations (1)
Title |
---|
基于有向图模型的多模态新闻图像检索研究;相子喜;吕学强;张凯;;科学技术与工程(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115455129A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6812404B2 (ja) | 点群データを融合させるための方法、装置、コンピュータ読み取り可能な記憶媒体、及びコンピュータプログラム | |
US10244359B2 (en) | Venue data framework | |
CN110929162B (zh) | 基于兴趣点的推荐方法、装置、计算机设备和存储介质 | |
US20170140048A1 (en) | Information processing method, apparatus, terminal and server | |
CN106767835B (zh) | 定位方法和装置 | |
CN105677793A (zh) | 地点数据库的建立和候选乘车地点的推荐方法及装置 | |
US11698269B2 (en) | Systems and methods for resolving points of interest on maps | |
CN102272552A (zh) | 用于处理与地理区域相关的信息的系统及方法 | |
CN105205196A (zh) | 用于生成路网的方法和系统 | |
US20150348076A1 (en) | Venue Data Enrichment | |
US20100250366A1 (en) | Merge real-world and virtual markers | |
CN102822627A (zh) | 位置测量设备、用于产生位置信息的方法和存储介质 | |
US9167389B1 (en) | Clustering location data to determine locations of interest | |
CN110059849A (zh) | 路径确定方法和装置 | |
CN112328911A (zh) | 地点推荐方法、装置、设备及存储介质 | |
US10028092B2 (en) | Reducing client-side chatter for beacon-level events | |
JP2014190952A (ja) | ナビゲーションシステム、ナビゲーション方法、及びナビゲーションプログラム | |
KR20150037104A (ko) | 클라우드 소싱 기반 관심 지점 정보 업데이트 방법, 이를 위한 시스템 및 장치 | |
CN115455129B (zh) | Poi处理方法、装置、电子设备及存储介质 | |
JP6864465B2 (ja) | 情報処理装置 | |
JP5998182B2 (ja) | Poiデータ生成装置、端末装置、poiデータ生成方法およびプログラム | |
CN112257924A (zh) | 位置预测方法、装置、电子设备及存储介质 | |
WO2011013245A1 (ja) | 位置推定装置 | |
JP2011128725A (ja) | 滞在地推定装置、方法及びプログラム | |
CN110278524B (zh) | 用户位置确定方法、图模型生成方法、装置及服务器 |
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 |