CN115795184A - 一种基于rpa的场景化上车点推荐方法和装置 - Google Patents
一种基于rpa的场景化上车点推荐方法和装置 Download PDFInfo
- Publication number
- CN115795184A CN115795184A CN202310066785.1A CN202310066785A CN115795184A CN 115795184 A CN115795184 A CN 115795184A CN 202310066785 A CN202310066785 A CN 202310066785A CN 115795184 A CN115795184 A CN 115795184A
- Authority
- CN
- China
- Prior art keywords
- information
- evaluation
- candidate
- historical
- boarding point
- 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
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于RPA的场景化上车点推荐方法和装置,其中,从RPA多源场景的历史上车信息中提取上车点,对算法储备库中的候选算法进行特征信息提取,推荐并得到上车点与特征信息的映射关系;选取历史上车信息对候选算法的特征信息进行验证,根据验证结果调整映射关系;当RPA多源场景接到实时上车信息时,根据实时上车信息的上车点,推荐具有映射关系的特征信息,并推荐出相应的候选算法以处理实时上车信息。本发明通过预先设置上车点和特征信息,使上车点和特征信息之间建立映射关系,预先得到了候选算法与各上车点的推荐程度,因此在实施上车信息被提出时,能够快速进行推荐,不在需要重新评估众多的候选算法。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种基于RPA的场景化上车点推荐方法和装置。
背景技术
机器人流程自动化(Robotic Process Automation)简称RPA,是通过特定的“机器人软件”,模拟人在计算机上的操作,按规则自动执行流程任务。
人工智能(ArtificialIntelligence,AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。
智能自动化(IntelligentAutomation,IA)是一系列从机器人流程自动化到人工智能的技术总称,将RPA与光学字符识别(Optical Character Recognition,OCR)、智能字符识别(Intelligent CharacterRecognition,ICR)、流程挖掘(ProcessMining)、深度学习(Deep Learning,DL)、机器学习(Machine Learning,ML)、自然语言处理(NaturalLanguageProcessing,NLP)、语音识别(Automatic Speech Recognition,ASR)、语音合成(Text ToSpeech,TTS)、计算机视觉(Computer Vision,CV)等多种AI技术相结合,以创建能够思考、学习及自适应的端到端的业务流程,涵盖从流程发现、流程自动化,到通过自动而持续的数据收集、理解数据的含义,使用数据来管理和优化业务流程的整个历程。
随着科学技术的发展,终端技术的日益成熟,提高了用户生产生活的便利性。终端应用场景中,终端可以依靠历史用户偏好信息或者商品以及用户商品之间的交互信息给用户推荐用户偏好的信息。然而,在上车应用场景中,仅依靠历史用户偏好信息或者交互信息,会由于缺乏对乘车交通背景知识的考虑,从而导致对象推荐的准确性不高的问题。
发明内容
本公开提供了一种跨推荐算法信息推荐、处理方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种基于RPA的场景化上车点推荐方法,包括:响应于检测到信息推荐请求,确定当前上车点信息的当前上车点表征和历史上车点信息的历史上车点表征,其中,上述当前上车点信息是位置坐标信息,上述历史上车点信息与上述当前上车点信息的推荐算法不同;根据上述当前上车点表征和上述历史上车点表征,确定上述当前上车点信息和上述历史上车点信息之间的第一关联度;确定与上述当前上车点信息的评价信息对应的评价表征,其中,上述评价信息表征上述当前上车点信息的语义级别的信息;根据上述评价表征和上述历史上车点表征,确定上述评价信息与上述历史上车点信息之间的第二关联度;以及,根据上述第一关联度和上述第二关联度,确定上述当前上车点信息和上述历史上车点信息之间的推荐价值。
根据本公开的另一方面,提供了一种跨推荐算法信息处理方法,包括:响应于检测到信息处理请求,获取待处理当前上车点信息和多个待推荐历史上车点信息;利用根据本公开上述的方法确定上述待处理当前上车点信息和上述多个待推荐历史上车点信息各自之间的推荐价值;以及,根据上述待处理当前上车点信息和上述多个待推荐历史上车点信息各自之间的推荐价值,从上述多个待推荐历史上车点信息中确定与上述待处理当前上车点信息对应的推荐历史上车点信息。
根据本公开的另一方面,提供了一种基于RPA的场景化上车点推荐装置,包括:第一确定模块,用于响应于检测到信息推荐请求,确定当前上车点信息的当前上车点表征和历史上车点信息的历史上车点表征,其中,上述当前上车点信息是位置坐标信息,上述历史上车点信息与上述当前上车点信息的推荐算法不同;第二确定模块,用于根据上述当前上车点表征和上述历史上车点表征,确定上述当前上车点信息和上述历史上车点信息之间的第一关联度;第三确定模块,用于确定与上述当前上车点信息的评价信息对应的评价表征,其中,上述评价信息表征上述当前上车点信息的语义级别的信息;第四确定模块,用于根据上述评价表征和上述历史上车点表征,确定上述评价信息与上述历史上车点信息之间的第二关联度;以及,第五确定模块,用于根据上述第一关联度和上述第二关联度,确定上述当前上车点信息和上述历史上车点信息之间的推荐价值。
根据本公开的另一方面,提供了一种跨推荐算法信息处理装置,包括:获取模块,用于响应于检测到信息处理请求,获取待处理当前上车点信息和多个待推荐历史上车点信息;第八确定模块,用于利用根据本公开上述的装置确定上述待处理当前上车点信息和上述多个待推荐历史上车点信息各自之间的推荐价值;以及,第九确定模块,用于根据上述待处理当前上车点信息和上述多个待推荐历史上车点信息各自之间的推荐价值,从上述多个待推荐历史上车点信息中确定与上述待处理当前上车点信息对应的推荐历史上车点信息。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,上述存储器存储有可被上述至少一个处理器执行的请求,上述请求被上述至少一个处理器执行,以使上述至少一个处理器能够执行如本公开所述的方法。
根据本公开的另一方面,提供了一种存储有计算机请求的非瞬时计算机可读存储介质,其中,上述计算机请求用于使上述计算机执行如本公开所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如本公开所述的方法。
应当理解,本部分所描述的内容并非旨在评价本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的基于RPA的场景化上车点推荐方法的流程图;
图2示意性示出了根据本公开实施例的跨推荐算法信息处理方法的流程图;
图3示意性示出了根据本公开实施例的基于RPA的场景化上车点推荐装置的框图;
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
跨推荐算法信息推荐可以指至少两种推荐算法信息之间的推荐。推荐算法信息可以包括以下至少之一:历史上车点交通量信息、历史上车点评价信息、位置坐标信息和历史上车点位置信息。位置坐标信息可以包括至少一个对象。对象可以具有至少一个语义。
本公开实施例提出一种跨推荐算法信息推荐方案。例如,响应于检测到信息推荐请求,确定当前上车点信息的当前上车点表征和历史上车点信息的历史上车点表征。当前上车点信息是位置坐标信息。历史上车点信息与当前上车点信息不同。根据当前上车点表征和历史上车点表征,确定当前上车点信息和历史上车点信息之间的第一关联度。确定与当前上车点信息的评价信息对应的评价表征,其中,评价信息表征当前上车点信息的语义级别的信息。根据评价表征和历史上车点表征,确定评价信息与历史上车点信息之间的第二关联度。根据第一关联度和第二关联度,确定当前上车点信息和历史上车点信息之间的推荐价值。
根据本公开的实施例,通过根据第一关联度和第二关联度,确定当前上车点信息和历史上车点信息之间的推荐价值,第二关联度是根据评价表征和历史上车点表征确定的,评价表征是与当前上车点信息的评价信息对应的评价表征,评价信息表征当前上车点信息的语义级别的信息,当前上车点信息和历史上车点信息的推荐算法不同,由此,实现了语义级别的跨推荐算法信息推荐,提高了跨推荐算法信息推荐的准确性。
根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型。例如,有线和无线通信链路等中的至少之一。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用。例如,知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和社交平台软件等中的至少之一。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备。例如,可以包括智能手机、平板电脑、膝上型便携计算机和台式计算机等中的至少之一。
服务器105可以是提供各种服务的各种类型的服务器。例如,服务器105可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,解决了传统物理主机与VPS服务(Virtual Private Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器105也可以为分布式系统的服务器,或者是结合了区块链的服务器。
需要说明的是,本公开实施例所提供的图像处理方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的图像处理装置也可以设置于终端设备101、102、或103中。
备选地,本公开实施例所提供的图像处理方法一般也可以由服务器105执行。相应地,本公开实施例所提供的图像处理装置一般可以设置于服务器105中。本公开实施例所提供的图像处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的图像处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
图1示意性示出了根据本公开实施例的基于RPA的场景化上车点推荐方法的流程图。
如图1所示,该方法200包括操作S210~S250。
在操作S210,响应于检测到信息推荐请求,确定当前上车点信息的当前上车点表征和历史上车点信息的历史上车点表征。
在操作S220,根据当前上车点表征和历史上车点表征,确定当前上车点信息和历史上车点信息之间的第一关联度。
在操作S230,确定与当前上车点信息的评价信息对应的评价表征。
在操作S240,根据评价表征和历史上车点表征,确定评价信息与历史上车点信息之间的第二关联度。
在操作S250,根据第一关联度和第二关联度,确定当前上车点信息和历史上车点信息之间的推荐价值。
根据本公开的实施例,当前上车点信息可以是位置坐标信息。历史上车点信息可以与当前上车点信息的推荐算法不同。评价信息可以表征当前上车点信息的语义级别的信息。
根据本公开的实施例,推荐算法信息可以指预定推荐算法的信息。预定推荐算法可以包括以下至少之一:图像、视频、位置坐标和音频。推荐算法信息可以包括以下至少之一:历史上车点交通量信息、历史上车点评价信息、位置坐标信息和历史上车点位置信息。历史上车点评价信息可以包括至少一个视频帧信息。可以称历史上车点交通量信息为静态历史上车点交通量信息。可以称视频帧信息为动态历史上车点交通量信息。动态历史上车点交通量信息可以指视频帧信息。静态历史上车点交通量信息可以包括以下至少之一:静态位置坐标历史上车点交通量信息和静态非位置坐标历史上车点交通量信息。静态位置坐标历史上车点交通量信息可以包括以下至少之一:静态文档位置坐标历史上车点交通量信息和静态场景位置坐标历史上车点交通量信息。动态位置坐标历史上车点交通量信息可以包括以下至少之一:动态位置坐标历史上车点交通量信息和动态非位置坐标历史上车点交通量信息。动态位置坐标历史上车点交通量信息可以包括以下至少之一:动态文档位置坐标历史上车点交通量信息和动态场景位置坐标历史上车点交通量信息。文档位置坐标图像可以指布局工整、光线受控和背景较为单一的位置坐标图像。场景位置坐标图像可以指背景较为复杂、文字形式多样和光线不受控的位置坐标图像。文字形式可以包括以下至少之一:文字的颜色、大小、字体、方向和布局不规律等。布局不规律可以包括弯曲、倾斜、褶皱、变形和残缺不全等中的至少之一。
根据本公开的实施例,当前上车点信息可以与历史上车点信息的预定推荐算法不同。例如,当前上车点信息可以是位置坐标信息。历史上车点信息可以包括以下之一:历史上车点交通量信息、历史上车点评价信息和历史上车点位置信息。备选地,当前上车点信息可以是历史上车点交通量信息。历史上车点信息可以包括以下之一:位置坐标信息、历史上车点评价信息和历史上车点位置信息。备选地,当前上车点信息可以是历史上车点评价信息。历史上车点信息可以包括以下之一:历史上车点交通量信息、位置坐标信息和历史上车点位置信息。备选地,当前上车点信息可以是历史上车点位置信息。历史上车点信息可以包括以下之一:历史上车点交通量信息、历史上车点评价信息和位置坐标信息。
根据本公开的实施例,推荐算法表征可以指推荐算法信息的特征信息。推荐算法表征可以是对推荐算法信息进行特征提取得到的。例如,可以利用特征提取方法处理推荐算法信息,得到推荐算法表征。特征提取方法可以包括传统特征提取方法和基于深度学习的特征提取方法中的至少之一。
根据本公开的实施例,信息推荐请求可以指用于确定当前上车点信息和历史上车点信息之间的推荐价值的请求。信息推荐请求可以是响应于检测到信息推荐操作生成的。备选地,信息推荐请求可以是响应于检测到信息推荐例程生成的。信息推荐请求可以包括当前上车点信息和历史上车点信息。备选地,信息推荐请求可以包括与当前上车点信息对应的第一索引信息和与历史上车点信息对应的第二索引信息。第一索引信息可以指用于获取当前上车点信息的信息。第二索引信息可以指用于获取历史上车点信息的信息。
根据本公开的实施例,评价信息可以用于表征语义级别的当前上车点信息。与当前上车点信息对应的评价信息可以包括至少一个。各个评价信息彼此不同。当前上车点信息可以包括至少一个对象。对象可以指本体。本体可以是位置坐标中承载信息的语言单位。位置坐标的语义可以表述为其包括的本体和本体彼此之间的关联。本体可以包括以下至少之一:人名、地名、机构名、日期和专有名词等。专有名词可以是各个应用领域的名词。例如,针对医学领域,本体可以包括以下至少之一:疾病、病症、药物、医院和医生等。本体可以是根据命名本体识别(Named Reality Recognition,NER)方法处理当前上车点信息确定的。备选地,本体可以是根据本体链指(Reality Linking,EL)方法处理当前上车点信息确定的。本体链指还可以被称为本体链接。
根据本公开的实施例,语义级别的当前上车点信息可以指对象的语义。对象可以具有一个或多个语义。对象的各个语义各自具有与该语义对应的评价信息。与各个语义对应的评价信息彼此不同。可以具有与对象对应的至少一个评价信息。评价信息的形式可以根据实际业务需求进行配置,在此不作限定。例如,评价信息可以是根据预定阿拉伯字符确定的。备选地,评价信息可以是根据预定阿拉伯字符和预定评价符确定的。预定评价符可以包括以下至少之一:数学符号和标点符号等。
例如,当前上车点信息包括的对象可以是“黄金”。“黄金”具有两个语义。一个语义是表征“重金属”的“黄金”。另一个语义是表征“道路上车点”的“黄金”。表征“重金属”语义的“黄金”的评价信息与表征“篮球队”语义的“黄金”的评价信息不同。表征“重金属”语义的“黄金”的评价信息可以是“优质”。表征“道路上车点”语义的“黄金”的评价。
根据本公开的实施例,评价表征可以指与评价信息对应的目标历史上车点表征。目标历史上车点表征可以是根据与评价信息的对应的至少一个候选历史上车点表征确定的。候选历史上车点表征可以是候选历史上车点信息的推荐算法表征。候选历史上车点信息可以是交通量信息中的历史上车点信息。交通量信息可以是来自数据源的信息。数据源可以包括以下至少之一:本地数据库、云数据库和网络资源。
根据本公开的实施例,关联度可以用于表征两个待推荐对象之间的相似程度。关联度的数值和相似程度的关系可以根据实际业务需求进行配置,在此不作限定。例如,关联度的数值越大,可以表征两个待推荐对象之间的相似程度越大。反之,两个待推荐对象之间的相似程度越小。备选地,关联度的数值越小,可以表征两个待推荐对象之间的相似程度越大。反之,两个待推荐对象之间的相似程度越小。推荐价值可以表征两个待推荐对象之间的推荐程度。推荐价值可以根据两个待推荐对象之间的关联度来确定。两个待推荐对象可以指当前上车点信息和历史上车点信息。备选地,两个待推荐对象可以指当前上车点信息的评价信息和历史上车点信息。第一关联度可以用于表征当前上车点信息和历史上车点信息之间的相似程度。第二关联度可以用于表征当前上车点信息的评价信息与历史上车点信息之间的相似程度。
根据本公开的实施例,可以确定是否检测到信息推荐请求。在检测到信息推荐请求的情况下,可以根据信息推荐请求,确定当前上车点信息和历史上车点信息。例如,可以对信息推荐请求进行解析,得到当前上车点信息和历史上车点信息。备选地,可以对信息推荐请求进行解析,得到第一索引信息和第二索引信息。根据第一索引信息,从数据源获取当前上车点信息。根据第二索引信息,从数据源获取历史上车点信息。例如,可以调用数据接口。利用数据接口从数据源中获取与第一索引信息对应的当前上车点信息和与第二索引信息对应的历史上车点信息。
根据本公开的实施例,可以对当前上车点信息进行特征提取,得到当前上车点信息的当前上车点表征。对历史上车点信息进行特征提取,得到历史上车点信息的历史上车点表征。例如,可以利用第一特征提取方法处理当前上车点信息,得到当前上车点信息的当前上车点表征。可以利用第二特征提取方法处理历史上车点信息,得到历史上车点信息的历史上车点表征。第一特征提取方法可以包括第一传统特征提取方法和基于深度学习的第一特征提取方法中的至少之一。第二特征提取方法可以包括第二传统特征提取方法和基于深度学习的第二特征方法中的至少之一。可以根据当前上车点信息,确定当前上车点信息的至少一个评价信息。根据当前上车点信息的至少一个评价信息,确定至少一个评价信息各自的评价表征。
根据本公开的实施例,可以利用第一关联度方法处理当前上车点表征和历史上车点表征,得到当前上车点信息和历史上车点信息之间的第一关联度。针对至少一个评价信息中的评价信息,可以利用第二关联度方法处理与评价信息对应的评价表征和历史上车点表征,得到评价信息和历史上车点信息之间的第二关联度。关联度方法可以包括以下至少之一:基于字面关联度的方法、基于位置坐标关联度的方法和基于本体关联度的方法等。基于字面关联度的方法可以包括以下至少之一:编辑距离、Dice系数和Jaccard关联度等。基于位置坐标关联度的方法可以包括以下至少之一:余弦关联度、相对熵、KL(Kullback-Leibler,KL)散度和概率模型关联度等。概率模型关联度可以包括以下至少之一:基于主题模型的概率模型关联度和基于语言模型的概率模型关联度。基于本体关联度的方法可以包括以下至少之一:基于图的连接度和基于M&W关联度等。M&W关联度可以根据M&W距离确定。M&W距离是Milne和Witte提出的一种基于语义距离度量方法。M&W距离可以是用两个本体在预定数据源中被同一页面引用次数和这两个本体各自被引用的次数来共同确定的语义距离。第一关联度方法和第二关联度方法可以是关联度方法中的之一。第一关联度方法和第二关联度方法可以相同,也可以不同。
根据本公开的实施例,在获得第一关联度和至少一个第二关联度之后,可以根据第一关联度和至少一个第二关联度来确定当前上车点信息和历史上车点信息之间的推荐价值。例如,可以对第一关联度和至少一个第二关联度进行融合,得到当前上车点信息和历史上车点信息之间的推荐价值。对第一关联度和至少一个第二关联度进行融合,得到当前上车点信息和历史上车点信息之间的推荐价值可以包括:可以确定第一关联度和至少一个第二关联度之间的加权和。各个第二关联度各自具有加权系数。可以根据加权和,确定当前上车点信息和历史上车点信息之间的推荐价值。备选地,可以确定第一关联度和目标和之间的比值。根据比值,确定当前上车点信息和历史上车点信息之间的推荐价值。目标和可以是根据至少一个第二关联度确定的。
根据本公开的实施例,可以由电子设备执行本公开实施例的基于RPA的场景化上车点推荐方法。例如,电子设备可以是服务器或终端设备。电子设备可以包括至少一个处理器。处理器可以用于执行本公开实施例提供的基于RPA的场景化上车点推荐方法。例如,可以利用单个处理器执行本公开实施例提供的基于RPA的场景化上车点推荐方法,也可以利用多个处理器并行执行本公开实施例提供的基于RPA的场景化上车点推荐方法。
根据当前上车点信息的当前上车点表征和历史上车点信息的历史上车点表征,确定当前上车点信息和历史上车点信息之间的第一关联度。根据第一关联度和两个第二关联度,确定当前上车点信息和历史上车点信息之间的推荐价值。
根据本公开的实施例,针对操作S210~S240的执行顺序进行说明。操作S210中确定当前上车点信息的当前上车点表征和历史上车点信息的历史上车点表征的操作以及操作S220~S240的执行顺序可以根据实际业务需求进行确定,在此不作限定。例如,可以按照本公开实施例所述的操作S210~S240的执行顺序执行。备选地,可以按照响应于检测到信息配置请求,确定与当前上车点信息对应的评价表征。确定当前上车点信息的当前上车点表征和历史上车点信息的历史上车点表征。根据当前上车点表征和历史上车点表征,确定当前上车点信息和历史上车点信息之间的第一关联度。根据评价表征和历史上车点表征,确定评价信息与历史上车点信息之间的第二关联度。
根据本公开的实施例,通过根据第一关联度和第二关联度,确定当前上车点信息和历史上车点信息之间的推荐价值,第二关联度是根据评价表征和历史上车点表征确定的,评价表征是与当前上车点信息的评价信息对应的评价表征,评价信息表征当前上车点信息的语义级别的信息,当前上车点信息和历史上车点信息的推荐算法不同,由此,实现了语义级别的跨推荐算法信息推荐,提高了跨推荐算法信息推荐的准确性。
根据本公开的实施例,操作S230可以包括如下操作。
根据当前上车点信息,得到当前上车点信息的本体信息。确定与本体信息对应的评价信息,得到当前上车点信息的评价信息。根据与当前上车点信息对应的评价信息,得到与当前上车点信息的评价信息对应的评价表征。
根据本公开的实施例,可以对当前上车点信息进行命名本体识别,得到当前上车点信息的本体信息。备选地,可以对当前上车点信息进行本体链指,得到当前上车点信息的本体信息。可以确定本体信息的评价信息。将本体信息的评价信息确定为当前上车点信息的评价信息。可以根据当前上车点信息的评价信息,从第一映射集合中确定与评价信息相推荐的第一推荐评价信息。将与第一推荐评价信息对应的评价表征确定为与当前上车点信息的评价信息对应的评价表征。
根据本公开的实施例,根据当前上车点信息,得到当前上车点信息的本体信息,可以包括如下操作。
对当前上车点信息进行本体链指,得到当前上车点信息的本体信息。
根据本公开的实施例,本体链指(Reality Linking,EL)可以指从知识库中确定与位置坐标信息中的本体指称(即本体提及(Reality Mention,EM))对应的本体。本体指称可以指同一本体的相同或不同的字符串表述。例如,针对本体“电话”,“有线电话”和“无线电话”是两个本体指称。知识库可以包括以下至少之一:结构化知识库和半结构化知识库等。
根据本公开的实施例,本体信息可以包括至少一个。对当前上车点信息进行本体链指,得到当前上车点信息的本体信息,可以包括:确定当前上车点信息的至少一个本体指称。根据至少一个本体指称,从知识库中确定与至少一个本体指称各自对应的第一候选本体信息,得到至少一个第一候选本体信息。针对至少一个本体指称中的本体指称,根据本体指称和至少一个第一候选本体信息,从与本体指称对应的至少一个第一候选本体信息中确定与本体指称对应的本体信息。根据至少一个本体指称各自对应的本体信息,得到当前上车点信息的本体信息。
根据本公开的实施例,可以利用本体识别模型处理当前上车点信息,得到当前上车点信息的至少一个本体指称。本体识别模型可以包括以下至少之一:序列标注模型和分类器。
根据本公开的实施例,根据本体指称和至少一个第一候选本体信息,从与本体指称对应的至少一个第一候选本体信息中确定与本体指称对应的本体信息,可以包括:确定本体指称与至少一个第一候选本体信息各自对应的关联度。根据本体指称与至少一个第一候选本体信息各自对应的关联度,从与本体指称对应的至少一个第一候选本体信息中确定与本体指称对应的本体信息。可以对本体指称进行特征提取,得到本体指称的本体指称表征。可以分别对至少一个第一候选本体信息进行特征提取,得到至少一个第一候选本体信息各自的候选本体表征。确定本体指称表征与至少一个候选本体表征各自对应的关联度。根据本体指称表征与至少一个候选本体表征各自对应的关联度,从与本体指称对应的至少一个第一候选本体信息中确定与本体指称对应的本体信息。
根据本公开的实施例,确定本体指称的描述信息。确定本体相关信息与至少一个第一候选本体信息各自对应的关联度。根据本体相关信息与至少一个第一候选本体信息各自对应的关联度,从与本体指称对应的至少一个第一候选本体信息中确定与本体指称对应的本体信息。本体相关信息可以包括本体指称和本体指称的描述信息。本体指称的描述信息可以指本体信息的上下文信息。可以对本体相关信息进行特征提取,得到本体相关表征。可以分别对至少一个第一候选本体信息进行特征提取,得到至少一个第一候选本体信息各自的候选本体表征。确定本体相关表征与至少一个候选本体表征各自对应的关联度。根据本体相关表征与至少一个候选本体表征各自对应的关联度,从与本体指称对应的至少一个第一候选本体信息中确定与本体指称对应的本体信息。
根据本公开的实施例,根据本体指称与至少一个第一候选本体信息各自对应的关联度,从与本体指称对应的至少一个第一候选本体信息中确定与本体指称对应的本体信息,可以包括:根据本体指称与至少一个第一候选本体信息各自对应的关联度,对至少一个第一候选本体信息进行排序,得到第一排序结果。根据第一排序结果,从与本体指称对应的至少一个第一候选本体信息中确定与本体指称对应的本体信息。排序可以可以按照以下方式之一进行排序:按照关联度由大到小的顺序进行排序和按照关联度由小到大的顺序进行排序。例如,关联度的数值越大,则表征本体指称和第一候选本体信息之间的相似程度越大。如果按照关联度由小到大的顺序进行排序,则可以将与排序最后的关联度对应的第一候选本体信息确定为本体信息。
根据本公开的实施例,根据本体相关信息与至少一个第一候选本体信息各自对应的关联度,从与本体指称对应的至少一个第一候选本体信息中确定与本体指称对应的本体信息,可以包括:根据本体相关信息与至少一个第一候选本体信息各自对应的关联度,对至少一个第一候选本体信息进行排序,得到第二排序结果。根据第二排序结果,从与本体指称对应的至少一个第一候选本体信息中确定与本体指称对应的本体信息。
根据本公开的实施例,根据与当前上车点信息对应的评价信息,得到与当前上车点信息的评价信息对应的评价表征,可以包括如下操作。
根据与当前上车点信息对应的评价信息,从第一映射集合中确定与评价信息相推荐的第一推荐评价信息。将与第一推荐评价信息对应的评价表征确定为与当前上车点信息的评价信息对应的评价表征。
根据本公开的实施例,第一映射集合可以包括至少一个第一映射关系。第一映射关系可以表征候选当前上车点信息的候选评价信息和候选评价信息的评价表征之间的关系。
根据本公开的实施例,第一推荐评价信息可以指第一映射集合中与当前上车点信息的评价信息相推荐的候选评价信息。相推荐可以指相一致。
根据本公开的实施例,针对与当前上车点信息对应的至少一个评价信息中的评价信息,从第一映射集合中确定与评价信息相推荐的第一推荐评价信息。
根据本公开的实施例,上述基于RPA的场景化上车点推荐方法还可以包括如下操作。
根据交通量信息集,确定第二映射集合。根据第二映射集合,确定第一映射集合。
根据本公开的实施例,交通量信息集可以包括至少一个交通量信息。交通量信息可以包括候选当前上车点信息和候选历史上车点信息。第二映射集合可以包括至少一个第二映射关系。第二映射关系可以表征候选当前上车点信息的候选评价信息与至少一个候选历史上车点信息之间的关系。
根据本公开的实施例,候选评价信息可以具有与该候选评价信息对应的至少一个候选历史上车点信息。候选当前上车点信息和候选历史上车点信息的预定推荐算法不同。候选当前上车点信息可以是位置坐标信息。候选历史上车点信息可以包括以下之一:历史上车点交通量信息、历史上车点评价信息和历史上车点位置信息。
根据本公开的实施例,根据交通量信息集,确定第二映射集合,可以包括如下操作。
针对交通量信息集中的交通量信息,根据交通量信息中的候选当前上车点信息,得到候选当前上车点信息的至少一个本体信息。确定与候选当前上车点信息的至少一个本体信息各自对应的候选评价信息,得到至少一个候选评价信息。根据候选当前上车点信息的至少一个候选评价信息和候选历史上车点信息,得到至少一个第三映射关系。确定具有相同候选评价信息的第三映射关系,得到与至少一个所述候选评价信息各自对应的第二映射关系。
根据本公开的实施例,根据交通量信息中的候选当前上车点信息,得到候选当前上车点信息的至少一个本体信息,可以包括:确定候选当前上车点信息的至少一个候选本体指称。根据至少一个候选本体指称,从知识库中确定与至少一个候选本体指称各自对应的第二候选本体信息,得到至少一个第二候选本体信息。针对至少一个候选本体指称中的候选本体指称,根据候选本体指称和至少一个第二候选本体信息,从与候选本体指称对应的至少一个第二候选本体信息中确定与候选本体指称对应的本体信息。根据至少一个候选本体指称各自对应的本体信息,得到候选当前上车点信息的至少一个本体信息。
根据本公开的实施例,针对候选当前上车点信息的至少一个本体信息中的本体信息,确定与本体信息对应的候选评价信息。根据候选评价信息和候选历史上车点信息,确定第三映射关系。第三映射关系可以表征候选评价信息和候选历史上车点信息之间的关系。
根据本公开的实施例,可以从与至少一个候选评价信息各自对应的至少一个第三映射关系中,确定具有相同候选评价信息的第三映射关系,得到与相同候选评价信息对应的至少一个第三映射关系。根据与相同候选评价信息对应的至少一个第三映射关系,得到候选评价信息和至少一个候选历史上车点信息之间第二映射关系。
根据本公开的实施例,根据第二映射集合,确定第一映射集合,可以包括如下操作。
针对第二映射集合中的第二映射关系,确定第二映射关系中的至少一个候选历史上车点信息各自的候选历史上车点表征,得到至少一个候选历史上车点表征。对至少一个候选历史上车点表征进行聚合,得到候选评价信息的评价表征。根据候选当前上车点信息的候选评价信息和候选评价信息的评价表征,得到第一映射关系。
根据本公开的实施例,针对第二映射关系中的至少一个候选历史上车点信息中的候选历史上车点信息,对候选历史上车点信息进行特征提取,得到候选历史上车点信息的候选历史上车点表征。可以利用聚合策略处理至少一个候选历史上车点信息,得到第二映射关系中的候选评价信息的评价表征。聚合策略可以包括以下至少之一:聚类策略和融合策略。聚类策略可以指将至少一个候选历史上车点信息进行聚类的策略。融合策略可以指将至少一个候选历史上车点信息进行融合的策略。根据候选当前上车点信息的候选评价信息和候选评价信息的评价表征,得到第一映射关系。
根据本公开的实施例,对至少一个候选历史上车点表征进行聚合,得到候选评价信息的评价表征,可以包括如下操作。
对至少一个候选历史上车点表征进行聚类,得到聚类结果。根据聚类结果,确定候选评价信息的评价表征。
根据本公开的实施例,可以利用聚类方法对至少一个候选历史上车点表征进行聚类,得到聚类结果。聚类方法可以包括将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程,通过聚类可以进行对象分类和数据挖掘。聚类方法可以包括以下至少之一:K-Means(K-means Clustering,K均值聚类)算法、基于链接的层次聚类算法、基于密度的聚类算法、基于模型的SOM(Self-organizingMaps,自组织映射)聚类算法和基于概率的GMM(GaussianMixture Model,高斯混合模型)聚类算法等。可以根据实际业务需求确定聚类方法,在此不作限定。
根据本公开的实施例,聚类结果可以包括至少一个聚类簇。聚类簇具有与该聚类簇对应的聚类中心。可以根据聚类簇中的候选历史上车点信息的数目,从至少一个聚类中心中确定目标聚类中心。根据目标聚类中心,确定候选评价信息的评价表征。例如,可以将目标聚类中心确定为候选评价信息的评价表征。
根据本公开的实施例,对至少一个候选历史上车点表征进行聚合,得到候选评价信息的评价表征,可以包括如下操作。
对至少一个候选历史上车点表征进行融合,得到融合表征。将融合表征确定为候选评价信息的评价表征。
根据本公开的实施例,可以将至少一个候选历史上车点表征进行相加,得到融合表征。备选地,可以将至少一个候选历史上车点表征进行拼接,得到融合表征。备选地,可以确定至少第一候选历史上车点表征的平均值,得到融合表征。
根据本公开的实施例,上述基于RPA的场景化上车点推荐方法还可以包括如下操作。
响应于接收到新增交通量信息,利用新增交通量信息对第一映射集合进行更新。
根据本公开的实施例,可以确定是否接收到新增交通量信息。在确定接收到新增交通量信息的情况下,可以根据新增交通量信息对第一映射集合进行更新。
根据本公开的实施例,在达到预定更新时刻的情况下,响应于接收到新增交通量信息,利用新增交通量信息对第一映射集合进行更新。预定更新时刻可以根据实际业务进行配置,在此不作限定。更新可以包括以下至少之一:修改和创建。
根据本公开的实施例,通过利用新增交通量信息对第一映射集合进行更新,使得针对新增资源媒体信息中出现的新概念,利用更新后的第一映射集合进行跨推荐算法信息推荐,能够获得较为准确的跨推荐算法推荐结果。
根据本公开的实施例,新增交通量信息可以包括新增当前上车点信息和新增历史上车点信息。
根据本公开的实施例,利用新增交通量信息对第一映射集合进行更新,可以包括如下操作。
根据新增当前上车点信息,得到新增当前上车点信息的新增本体信息。确定与新增本体信息对应的评价信息,得到与新增当前上车点信息对应的新增评价信息。在确定第一映射集合中存在与新增评价信息相推荐的第二推荐评价信息的情况下,利用新增历史上车点信息对与第二推荐评价信息对应的第一映射关系进行修改。在确定第一映射集合中不存在与新增评价信息相推荐的第二推荐评价信息的情况下,利用新增交通量信息创建与新增评价信息对应的第一映射关系。
根据本公开的实施例,新增当前上车点信息和新增历史上车点信息的预定推荐算法不同。新增当前上车点信息可以是位置坐标信息。新增历史上车点信息可以包括以下之一:历史上车点交通量信息和历史上车点位置信息。
根据本公开的实施例,可以对新增当前上车点信息进行命名本体识别,得到新增当前上车点信息的新增本体信息。备选地,可以对新增当前上车点信息进行本体链指,得到新增当前上车点信息的新增本体信息。可以确定新增本体信息的新增评价信息。将新增本体信息的新增评价信息确定为新增当前上车点信息的评价信息。
根据本公开的实施例,可以确定第一映射集合中是否存在与新增评价信息相推荐的第二推荐评价信息。在确定第一映射集合中存在与新增评价信息相推荐的第二推荐评价信息的情况下,可以确定新增历史上车点信息的新增历史上车点表征。根据新增历史上车点表征对与第二推荐评价信息对应的评价表征进行修改。例如,可以对新增历史上车点信息的新增历史上车点表征和与第二推荐评价信息对应的已有历史上车点表征进行聚合,得到修改后的与第二推荐评价信息对应的评价表征。
根据本公开的实施例,在确定第二映射集合中不存在与新增评价信息相推荐的第二推荐评价信息的情况下,可以根据新增交通量信息创建与新增评价信息对应的第一映射关系。例如,可以根据新增交通量信息中的新增当前上车点信息,得到新增当前上车点信息的至少一个本体信息。确定与新增当前上车点信息的至少一个本体信息各自对应的候选评价信息,得到至少一个新增评价信息。根据新增当前上车点信息的至少一个新增评价信息和新增历史上车点信息,得到至少一个第三映射关系。根据至少一个第三映射关系,得到与新增评价信息对应的第二映射关系。确定与新增评价信息对应的第二映射关系中的新增历史上车点信息的新增历史上车点表征。根据新增历史上车点表征,得到新增评价信息的评价表征。根据新增当前上车点信息的评价信息和新增评价信息的评价表征,得到第一映射关系。
根据本公开的实施例,通过利用新增交通量信息对第一映射集合中的第一映射关系进行修改或创建新的第一映射关系,使得针对新增资源媒体信息中出现的新概念,利用更新后的第一映射集合进行跨推荐算法信息推荐,能够获得较为准确的跨推荐算法推荐结果。
根据本公开的实施例,操作S240可以包括如下操作。
确定第一关联度和第二关联度之间的加权和。根据加权和,确定当前上车点信息和历史上车点信息之间的推荐价值。
根据本公开的实施例,第一关联度和第二关联度各自的加权系数可以根据实际业务需求进行配置,在此不作限定。可以将加权和确定为当前上车点信息和历史上车点信息之间的推荐价值。
根据本公开的实施例,可以根据如下公式(1)确定当前上车点信息和历史上车点信息之间的推荐价值。
根据本公开的实施例,match可以表征当前上车点信息和历史上车点信息之间的推荐价值。sim1(r(m1),r(m2))可以表征当前上车点信息和历史上车点信息之间的第一关联度。可以表征当前上车点信息的评价信息和历史上车点信息之间的第二关联度。m1可以表征当前上车点信息。m2可以表征历史上车点信息。可以表征当前上车点信息的评价信息。r1(m1)可以表征当前上车点表征。r2(m2)可以表征历史上车点表征。可以表征与当前上车点信息的评价信息对应的评价表征。α可以表征第一加权系数。β可以表征第二加权系数。α和β可以根据实际业务需求进行配置,在此不作限定。
结合具体实施例对根据本公开实施例所述的基于RPA的场景化上车点推荐方法做进一步说明。
响应于检测到信息推荐请求,确定当前上车点信息301的当前上车点表征302和历史上车点信息303的历史上车点表征304。根据与当前上车点信息301对应的评价信息306,从第一映射集合307中确定与评价信息306相推荐的第一推荐评价信息。将与第一推荐评价信息对应的评价表征确定为与当前上车点信息301的评价信息对应的评价表征308。
根据当前上车点表征302和历史上车点表征304,确定当前上车点信息301和历史上车点信息303之间的第一关联度305。根据评价表征308和历史上车点表征304,确定评价信息306与历史上车点信息303之间的第二关联度309。根据第一关联度305和第二关联度309,确定当前上车点信息301和历史上车点信息303之间的推荐价值310。
交通量信息311可以包括候选当前上车点信息311_1和候选历史上车点信息311_2。根据候选当前上车点信息311_1,得到候选当前上车点信息311_1的至少一个本体信息312。确定与候选当前上车点信息311_1的至少一个本体信息312各自对应的候选评价信息313,得到至少一个候选评价信息313。根据候选当前上车点信息311_1的至少一个候选评价信息313和候选历史上车点信息311_2,得到至少一个第三映射关系314。
与候选评价信息318对应的候选历史上车点信息集315可以包括M个候选历史上车点信息,例如,候选历史上车点信息315_1、……、候选历史上车点信息315_m、……、候选历史上车点信息315_M。候选历史上车点信息集315与候选历史上车点表征集316相对应。候选历史上车点表征集316可以包括M个候选历史上车点表征,例如,候选历史上车点表征316_1、……、候选历史上车点表征316_m、……、候选历史上车点表征316_M。M可以是大于或等于1的整数。m∈{1,2,……,M-1,M}。
可以对候选历史上车点表征316_1、……、候选历史上车点表征316_m、……、候选历史上车点表征316_M进行聚合,得到候选评价信息318的评价表征317。根据候选评价信息318和候选评价信息318的评价表征317,得到第一映射关系319。
图2示意性示出了根据本公开实施例的跨推荐算法信息处理方法的流程图。
如图2所示,该方法400包括操作S410~S430。
在操作S410,响应于检测到信息处理请求,获取待处理当前上车点信息和多个待推荐历史上车点信息。
在操作S420,确定待处理当前上车点信息和多个待推荐历史上车点信息各自之间的推荐价值。
在操S430,根据待处理当前上车点信息和多个待推荐历史上车点信息各自之间的推荐价值,从多个待推荐历史上车点信息中确定与待处理当前上车点信息对应的推荐历史上车点信息。
根据本公开的实施例,待处理当前上车点信息和多个待推荐历史上车点信息各自之间的推荐价值是根据本公开实施例所述的基于RPA的场景化上车点推荐方法确定的。
根据本公开的实施例,待处理当前上车点信息可以和待推荐历史上车点信息的预定推荐算法不同。待处理当前上车点信息可以是位置坐标信息。待推荐历史上车点信息可以包括以下之一:历史上车点交通量信息、历史上车点评价信息和历史上车点位置信息。推荐历史上车点信息可以包括至少一个。
根据本公开的实施例,信息处理请求可以指用于确定与待处理当前上车点信息对应的推荐历史上车点信息的请求。信息处理请求可以是响应于检测到信息处理操作生成的。备选地,信息处理请求可以是响应于检测到信息处理例程生成的。信息处理请求可以包括待处理当前上车点信息和多个待推荐历史上车点信息。备选地,信息处理请求可以包括与待处理当前上车点信息对应的第三索引信息和与多个待推荐历史上车点信息各自对应的第四索引信息。第三索引信息可以指用于获取待处理当前上车点信息的信息。第四索引信息可以指用于获取待推荐历史上车点信息的信息。
根据本公开的实施例,信息处理请求可以是应用于各个应用领域的请求。例如,应用领域可以包括以下至少之一:检索领域、推荐领域、问答领域、知识图谱和智能创作等。智能创作可以包括AIGC。
根据本公开的实施例,可以根据待处理当前上车点信息和多个待推荐历史上车点信息各自之间的推荐价值,对多个待推荐历史上车点信息进行排序,得到第三排序结果。根据第三排序结果,从多个待推荐历史上车点信息中确定与待处理当前上车点信息对应的推荐历史上车点信息。备选地,针对多个待推荐历史上车点信息中的待推荐历史上车点信息,在确定待处理当前上车点信息和待推荐历史上车点信息之间的推荐价值大于或等于预定推荐阈值的情况下,可以将待推荐历史上车点信息确定为推荐历史上车点信息。预定推荐阈值可以根据实际业务需求进行配置,在此不作限定。例如,预定推荐阈值可以是0.9。
根据本公开的实施例,由于待处理当前上车点信息和多个待推荐历史上车点信息各自之间的推荐价值是根据本公开实施例所述的基于RPA的场景化上车点推荐方法确定的,因此,实现了语义级别的跨推荐算法信息推荐,提高了跨推荐算法信息推荐的准确性。在此基础上,根据待处理当前上车点信息和多个待推荐历史上车点信息各自之间的推荐价值,从多个待推荐历史上车点信息中确定与待处理当前上车点信息对应的推荐历史上车点信息,提高了推荐历史上车点信息确定的准确性。
根据本公开的实施例,信息处理请求可以包括以下之一:信息检索请求和信息推荐请求。
根据本公开的实施例,本公开实施例所述的跨推荐算法信息处理方法可以应用于实现跨推荐算法信息检索和跨推荐算法信息推荐中的之一。跨推荐算法信息检索可以包括以下至少之一:图文信息检索、视文信息检索和图频信息检索等。跨推荐算法信息推荐可以包括以下至少之一:图文信息推荐、视文信息推荐和图频信息推荐等。
根据本公开的实施例,跨推荐算法信息检索可以指根据一种推荐算法信息来检索另一种推荐算法信息。例如,可以根据待处理当前上车点信息来检索推荐历史上车点信息。跨推荐算法信息推荐可以指根据一种推荐算法信息来推荐另一种推荐算法信息。例如,可以根据待处理当前上车点信息来推荐推荐历史上车点信息。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗
以上仅是示例性实施例,但不限于此,还可以包括本领域已知的其他基于RPA的场景化上车点推荐方法和跨推荐算法信息处理方法,只要能够提高跨推荐算法信息推荐的准确性即可。
图3示意性示出了根据本公开实施例的基于RPA的场景化上车点推荐装置的框图。
如图3所示,基于RPA的场景化上车点推荐装置500可以包括第一确定模块510、第二确定模块520、第三确定模块530、第四确定模块540和第五确定模块550。
第一确定模块510,用于响应于检测到信息推荐请求,确定当前上车点信息的当前上车点表征和历史上车点信息的历史上车点表征。当前上车点信息是位置坐标信息。历史上车点信息与当前上车点信息的推荐算法不同。
第二确定模块520,用于根据当前上车点表征和历史上车点表征,确定当前上车点信息和历史上车点信息之间的第一关联度;
第三确定模块530,用于确定与当前上车点信息的评价信息对应的评价表征。评价信息表征当前上车点信息的语义级别的信息。
第四确定模块540,用于根据评价表征和历史上车点表征,确定评价信息与历史上车点信息之间的第二关联度。
第五确定模块550,用于根据第一关联度和第二关联度,确定当前上车点信息和历史上车点信息之间的推荐价值。
根据本公开的实施例,第三确定模块530可以包括第一获得子模块、第二获得子模块和第三获得子模块。
第一获得子模块,用于根据当前上车点信息,得到当前上车点信息的本体信息。
第二获得子模块,用于确定与本体信息对应的评价信息,得到与当前上车点信息对应的评价信息。
第三获得子模块,用于根据与当前上车点信息对应的评价信息,得到与当前上车点信息的评价信息对应的评价表征。
根据本公开的实施例,第一获得子模块可以包括第一获得单元。
第一获得单元,用于对当前上车点信息进行本体链指,得到当前上车点信息的本体信息。
根据本公开的实施例,第三获得子模块可以包括第一确定单元和第二确定单元。
第一确定单元,用于根据与当前上车点信息对应的评价信息,从第一映射集合中确定与评价信息相推荐的第一推荐评价信息。第一映射集合包括至少一个第一映射关系。第一映射关系表征候选当前上车点信息的候选评价信息和候选评价信息的评价表征之间的关系。
第二确定单元,用于将与第一推荐评价信息对应的评价表征确定为与当前上车点信息的评价信息对应的评价表征。
根据本公开的实施例,上述基于RPA的场景化上车点推荐装置600还可以包括第六确定模块和第七确定模块。
第六确定模块,用于根据交通量信息集,确定第二映射集合。交通量信息集包括至少一个交通量信息。交通量信息包括候选当前上车点信息和候选历史上车点信息。第二映射集合包括至少一个第二映射关系。第二映射关系表征候选当前上车点信息的候选评价信息与至少一个候选历史上车点信息之间的关系。
第七确定模块,用于根据第二映射集合,确定第一映射集合。
根据本公开的实施例,针对第二映射集合中的第二映射关系,第七确定模块可以包括第四获得子模块、第五获得子模块和第六获得子模块。
第四获得子模块,用于确定第二映射关系中的至少一个候选历史上车点信息各自的候选历史上车点表征,得到至少一个候选历史上车点表征。
第五获得子模块,用于对至少一个候选历史上车点表征进行聚合,得到候选评价信息的评价表征。
第六获得子模块,用于根据候选当前上车点信息的候选评价信息和候选评价信息的评价表征,得到第一映射关系。
根据本公开的实施例,第五获得子模块可以包括第二获得单元和第三确定单元。
第二获得单元,用于对至少一个候选历史上车点表征进行聚类,得到聚类结果。
第三确定单元,用于根据聚类结果,确定候选评价信息的评价表征。
根据本公开的实施例,第五获得子模块可以包括第三获得单元和第四确定单元。
第三获得单元,用于对至少一个候选历史上车点表征进行融合,得到融合表征。
第四确定单元,用于将融合表征确定为候选评价信息的评价表征。
根据本公开的实施例,针对交通量信息集中的交通量信息,第六确定模块可以包括第七获得子模块、第八获得子模块、第九获得子模块和第十获得子模块。
第七获得子模块,用于根据交通量信息中的候选当前上车点信息,得到候选当前上车点信息的至少一个本体信息。
第八获得子模块,用于确定与候选当前上车点信息的至少一个本体信息各自对应的候选评价信息,得到至少一个候选评价信息。
第九获得子模块,用于根据候选当前上车点信息的至少一个候选评价信息和候选历史上车点信息,得到至少一个第三映射关系。
第十获得子模块,用于确定具有相同候选评价信息的第三映射关系,得到与至少一个候选评价信息各自对应的第二映射关系。
根据本公开的实施例,第五确定模块550可以包括第一确定子模块和第二确定子模块。
第一确定子模块,用于确定第一关联度和第二关联度之间的加权和、
第二确定子模块,用于根据加权和,确定当前上车点信息和历史上车点信息之间的推荐价值。
根据本公开的实施例,上述基于RPA的场景化上车点推荐装置500还可以包括更新模块。
更新模块,用于响应于接收到新增交通量信息,利用新增交通量信息对第一映射集合进行更新。
根据本公开的实施例,新增交通量信息包括新增当前上车点信息和新增历史上车点信息。
根据本公开的实施例,更新模块可以包括第十一获得子模块、第十二获得子模块、修改子模块和创建子模块。
第十一获得子模块,用于根据新增当前上车点信息,得到新增当前上车点信息的新增本体信息。
第十二获得子模块,用于确定与新增本体信息对应的评价信息,得到与新增当前上车点信息对应的新增评价信息。
修改子模块,用于在确定第一映射集合中存在与新增评价信息相推荐的第二推荐评价信息的情况下,利用新增历史上车点信息对与第二推荐评价信息对应的第一映射关系进行修改。
创建子模块,用于在确定第一映射集合中不存在与新增评价信息相推荐的第二推荐评价信息的情况下,利用新增交通量信息创建与新增评价信息对应的第一映射关系。
根据本公开的实施例,历史上车点信息包括以下至少之一:历史上车点交通量信息、历史上车点评价信息和历史上车点位置信息。
根据本公开的实施例,待处理当前上车点信息和多个待推荐历史上车点信息各自之间的推荐价值可以是根据实施例的基于RPA的场景化上车点推荐装置确定的。
根据本公开的实施例,信息处理请求包括以下之一:信息检索请求和信息推荐请求。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的请求,请求被至少一个处理器执行,以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例,一种存储有计算机请求的非瞬时计算机可读存储介质,其中,计算机请求用于使计算机执行如上所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
本领域技术人员能够理解,本公开所披露的内容可以出现多种变型和改进。例如,以上所描述的各种设备或组件可以通过硬件实现,也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是,前面或后面的步骤不一定按照顺序来精确的进行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来请求相关硬件完成,程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义,这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
以上是对本公开的说明,而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解,上面是对本公开的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于RPA的场景化上车点推荐方法,包括:
响应于检测到信息推荐请求,确定当前上车点信息的当前上车点表征和历史上车点信息的历史上车点表征,其中,所述当前上车点信息是位置坐标信息,所述历史上车点信息与所述当前上车点信息的推荐算法不同;
根据所述当前上车点表征和所述历史上车点表征,确定所述当前上车点信息和所述历史上车点信息之间的第一关联度;
确定与所述当前上车点信息的评价信息对应的评价表征,其中,所述评价信息表征所述当前上车点信息的语义级别的信息;
根据所述评价表征和所述历史上车点表征,确定所述评价信息与所述历史上车点信息之间的第二关联度;以及
根据所述第一关联度和所述第二关联度,确定所述当前上车点信息和所述历史上车点信息之间的推荐价值。
2.根据权利要求1所述的方法,其中,所述确定与所述当前上车点信息的评价信息对应的评价表征,包括:
根据所述当前上车点信息,得到所述当前上车点信息的本体信息;
确定与所述本体信息对应的评价信息,得到与所述当前上车点信息对应的评价信息;以及
根据与所述当前上车点信息对应的评价信息,得到与所述当前上车点信息的评价信息对应的评价表征;
所述根据所述当前上车点信息,得到所述当前上车点信息的本体信息,包括:
对所述当前上车点信息进行本体链指,得到所述当前上车点信息的本体信息;
所述根据与所述当前上车点信息对应的评价信息,得到与所述当前上车点信息的评价信息对应的评价表征,包括:
根据与所述当前上车点信息对应的评价信息,从第一映射集合中确定与所述评价信息相推荐的第一推荐评价信息,其中,所述第一映射集合包括至少一个第一映射关系,所述第一映射关系表征候选当前上车点信息的候选评价信息和所述候选评价信息的评价表征之间的关系;以及
将与所述第一推荐评价信息对应的评价表征确定为与所述当前上车点信息的评价信息对应的评价表征。
3.根据权利要求2所述的方法,还包括:
根据交通量信息集,确定第二映射集合,其中,所述交通量信息集包括至少一个交通量信息,所述交通量信息包括所述候选当前上车点信息和候选历史上车点信息,所述第二映射集合包括至少一个第二映射关系,所述第二映射关系表征所述候选当前上车点信息的候选评价信息与至少一个所述候选历史上车点信息之间的关系;以及
根据所述第二映射集合,确定所述第一映射集合;
所述根据所述第二映射集合,确定所述第一映射集合,包括:
针对所述第二映射集合中的第二映射关系,
确定所述第二映射关系中的至少一个候选历史上车点信息各自的候选历史上车点表征,得到至少一个候选历史上车点表征;
对所述至少一个候选历史上车点表征进行聚合,得到所述候选评价信息的评价表征;以及
根据所述候选当前上车点信息的候选评价信息和所述候选评价信息的评价表征,得到所述第一映射关系;
所述对所述至少一个候选历史上车点表征进行聚合,得到所述候选评价信息的评价表征,包括:
对所述至少一个候选历史上车点表征进行聚类,得到聚类结果;以及
根据所述聚类结果,确定所述候选评价信息的评价表征。
4.根据权利要求3所述的方法,其中,所述对所述至少一个候选历史上车点表征进行聚合,得到所述候选评价信息的评价表征,包括:
对所述至少一个候选历史上车点表征进行融合,得到融合表征;以及
将所述融合表征确定为所述候选评价信息的评价表征;
所述根据交通量信息集,确定第二映射集合,包括:
针对所述交通量信息集中的交通量信息,
根据所述交通量信息中的候选当前上车点信息,得到所述候选当前上车点信息的至少一个本体信息;
确定与所述候选当前上车点信息的至少一个本体信息各自对应的候选评价信息,得到至少一个候选评价信息;
根据所述候选当前上车点信息的至少一个候选评价信息和所述候选历史上车点信息,得到至少一个第三映射关系;以及
确定具有相同候选评价信息的第三映射关系,得到与至少一个所述候选评价信息各自对应的第二映射关系;
所述根据所述第一关联度和所述第二关联度,确定所述当前上车点信息和所述历史上车点信息之间的推荐价值,包括:
确定所述第一关联度和所述第二关联度之间的加权和;以及
根据所述加权和,确定所述当前上车点信息和所述历史上车点信息之间的推荐价值;
响应于接收到新增交通量信息,利用所述新增交通量信息对所述第一映射集合进行更新。
5.根据权利要求4所述的方法,其中,所述新增交通量信息包括新增当前上车点信息和新增历史上车点信息;
其中,所述利用所述新增交通量信息对所述第一映射集合进行更新,包括:
根据所述新增当前上车点信息,得到所述新增当前上车点信息的新增本体信息;
确定与所述新增本体信息对应的评价信息,得到与所述新增当前上车点信息对应的新增评价信息;
在确定所述第一映射集合中存在与所述新增评价信息相推荐的第二推荐评价信息的情况下,利用所述新增历史上车点信息对与所述第二推荐评价信息对应的第一映射关系进行修改;以及
在确定所述第一映射集合中不存在与所述新增评价信息相推荐的第二推荐评价信息的情况下,利用所述新增交通量信息创建与所述新增评价信息对应的第一映射关系;
所述历史上车点信息包括以下至少之一:历史上车点交通量信息、历史上车点评价信息和历史上车点位置信息。
6.一种基于RPA的场景化上车点推荐装置,包括:
第一确定模块,用于响应于检测到信息推荐请求,确定当前上车点信息的当前上车点表征和历史上车点信息的历史上车点表征,其中,所述当前上车点信息是位置坐标信息,所述历史上车点信息与所述当前上车点信息的推荐算法不同;
第二确定模块,用于根据所述当前上车点表征和所述历史上车点表征,确定所述当前上车点信息和所述历史上车点信息之间的第一关联度;
第三确定模块,用于确定与所述当前上车点信息的评价信息对应的评价表征,其中,所述评价信息表征所述当前上车点信息的语义级别的信息;
第四确定模块,用于根据所述评价表征和所述历史上车点表征,确定所述评价信息与所述历史上车点信息之间的第二关联度;以及
第五确定模块,用于根据所述第一关联度和所述第二关联度,确定所述当前上车点信息和所述历史上车点信息之间的推荐价值。
7.根据权利要求6所述的装置,其中,所述第三确定模块包括:
第一获得子模块,用于根据所述当前上车点信息,得到所述当前上车点信息的本体信息;
第二获得子模块,用于确定与所述本体信息对应的评价信息,得到与所述当前上车点信息对应的评价信息;以及
第三获得子模块,用于根据与所述当前上车点信息对应的评价信息,得到与所述当前上车点信息的评价信息对应的评价表征;
所述第一获得子模块,包括:
第一获得单元,用于对所述当前上车点信息进行本体链指,得到所述当前上车点信息的本体信息;
所述第三获得子模块,包括:
第一确定单元,用于根据与所述当前上车点信息对应的评价信息,从第一映射集合中确定与所述评价信息相推荐的第一推荐评价信息,其中,所述第一映射集合包括至少一个第一映射关系,所述第一映射关系表征候选当前上车点信息的候选评价信息和所述候选评价信息的评价表征之间的关系;以及
第二确定单元,用于将与所述第一推荐评价信息对应的评价表征确定为与所述当前上车点信息的评价信息对应的评价表征。
8.根据权利要求7所述的装置,还包括:
第六确定模块,用于根据交通量信息集,确定第二映射集合,其中,所述交通量信息集包括至少一个交通量信息,所述交通量信息包括所述候选当前上车点信息和候选历史上车点信息,所述第二映射集合包括至少一个第二映射关系,所述第二映射关系表征所述候选当前上车点信息的候选评价信息与至少一个所述候选历史上车点信息之间的关系;以及
第七确定模块,用于根据所述第二映射集合,确定所述第一映射集合;
针对所述第二映射集合中的第二映射关系,所述第七确定模块,包括:
第四获得子模块,用于确定所述第二映射关系中的至少一个候选历史上车点信息各自的候选历史上车点表征,得到至少一个候选历史上车点表征;
第五获得子模块,用于对所述至少一个候选历史上车点表征进行聚合,得到所述候选评价信息的评价表征;以及
第六获得子模块,用于根据所述候选当前上车点信息的候选评价信息和所述候选评价信息的评价表征,得到所述第一映射关系;
所述第五获得子模块,包括:
第二获得单元,用于对所述至少一个候选历史上车点表征进行聚类,得到聚类结果;以及
第三确定单元,用于根据所述聚类结果,确定所述候选评价信息的评价表征。
9.根据权利要求8所述的装置,其中,所述第五获得子模块,包括:
第三获得单元,用于对所述至少一个候选历史上车点表征进行融合,得到融合表征;以及
第四确定单元,用于将所述融合表征确定为所述候选评价信息的评价表征;
针对所述交通量信息集中的交通量信息,所述第六确定模块,包括:
第七获得子模块,用于根据所述交通量信息中的候选当前上车点信息,得到所述候选当前上车点信息的至少一个本体信息;
第八获得子模块,用于确定与所述候选当前上车点信息的至少一个本体信息各自对应的候选评价信息,得到至少一个候选评价信息;
第九获得子模块,用于根据所述候选当前上车点信息的至少一个候选评价信息和所述候选历史上车点信息,得到至少一个第三映射关系;以及
第十获得子模块,用于确定具有相同候选评价信息的第三映射关系,得到与至少一个所述候选评价信息各自对应的第二映射关系;
所述第五确定模块,包括:
第一确定子模块,用于确定所述第一关联度和所述第二关联度之间的加权和;以及
第二确定子模块,用于根据所述加权和,确定所述当前上车点信息和所述历史上车点信息之间的推荐价值;
更新模块,用于响应于接收到新增交通量信息,利用所述新增交通量信息对所述第一映射集合进行更新。
10.根据权利要求9所述的装置,其中,所述新增交通量信息包括新增当前上车点信息和新增历史上车点信息;
其中,所述更新模块,包括:
第十一获得子模块,用于根据所述新增当前上车点信息,得到所述新增当前上车点信息的新增本体信息;
第十二获得子模块,用于确定与所述新增本体信息对应的评价信息,得到与所述新增当前上车点信息对应的新增评价信息;
修改子模块,用于在确定所述第一映射集合中存在与所述新增评价信息相推荐的第二推荐评价信息的情况下,利用所述新增历史上车点信息对与所述第二推荐评价信息对应的第一映射关系进行修改;以及
创建子模块,用于在确定所述第一映射集合中不存在与所述新增评价信息相推荐的第二推荐评价信息的情况下,利用所述新增交通量信息创建与所述新增评价信息对应的第一映射关系;
所述历史上车点信息包括以下至少之一:历史上车点交通量信息、历史上车点评价信息和历史上车点位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310066785.1A CN115795184B (zh) | 2023-02-06 | 2023-02-06 | 一种基于rpa的场景化上车点推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310066785.1A CN115795184B (zh) | 2023-02-06 | 2023-02-06 | 一种基于rpa的场景化上车点推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115795184A true CN115795184A (zh) | 2023-03-14 |
CN115795184B CN115795184B (zh) | 2023-07-04 |
Family
ID=85430000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310066785.1A Active CN115795184B (zh) | 2023-02-06 | 2023-02-06 | 一种基于rpa的场景化上车点推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795184B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150219464A1 (en) * | 2014-02-04 | 2015-08-06 | Here Global B.V. | Method and apparatus for providing passenger embarkation points for points of interests |
CN111859183A (zh) * | 2020-06-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法、系统、装置及存储介质 |
CN111859173A (zh) * | 2019-10-23 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法和系统 |
CN113033978A (zh) * | 2021-03-10 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 停车风险确定方法、位置推荐方法、装置和电子设备 |
CN114610961A (zh) * | 2022-03-31 | 2022-06-10 | 深圳依时货拉拉科技有限公司 | 上车点推荐方法、装置、计算机设备和存储介质 |
-
2023
- 2023-02-06 CN CN202310066785.1A patent/CN115795184B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150219464A1 (en) * | 2014-02-04 | 2015-08-06 | Here Global B.V. | Method and apparatus for providing passenger embarkation points for points of interests |
CN111859173A (zh) * | 2019-10-23 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法和系统 |
CN111859183A (zh) * | 2020-06-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法、系统、装置及存储介质 |
CN113033978A (zh) * | 2021-03-10 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 停车风险确定方法、位置推荐方法、装置和电子设备 |
CN114610961A (zh) * | 2022-03-31 | 2022-06-10 | 深圳依时货拉拉科技有限公司 | 上车点推荐方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
M.PHANHONG等: "A Spot-recommendation System for Taxi Drivers Using Monte Carlo Optimization", 2020 1ST INTERNATIONAL CONFERENCE ON BIG DATA ANALYTICS AND PRACTICES(IBDAP) * |
李筱筠: "基于时空约束的出租车推荐系统", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑 * |
Also Published As
Publication number | Publication date |
---|---|
CN115795184B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170206416A1 (en) | Systems and Methods for Associating an Image with a Business Venue by using Visually-Relevant and Business-Aware Semantics | |
JP6451246B2 (ja) | 人のソーシャルタイプを決定する方法、システム及びプログラム | |
US11275948B2 (en) | Utilizing machine learning models to identify context of content for policy compliance determination | |
US8788503B1 (en) | Content identification | |
US20180225372A1 (en) | User classification based on multimodal information | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
WO2022222300A1 (zh) | 开放关系抽取方法、装置、电子设备及存储介质 | |
CN110515986B (zh) | 一种社交网络图的处理方法、装置及存储介质 | |
US20190311415A1 (en) | Adaptive Multi-Perceptual Similarity Detection and Resolution | |
CN111625715B (zh) | 信息提取方法、装置、电子设备及存储介质 | |
US11645095B2 (en) | Generating and utilizing a digital knowledge graph to provide contextual recommendations in digital content editing applications | |
CN111881283A (zh) | 一种业务关键词库创建方法、智能聊天引导方法及装置 | |
CN115659008A (zh) | 大数据信息反馈的信息推送系统、方法、电子设备及介质 | |
CN113806582A (zh) | 图像检索方法、装置、电子设备和存储介质 | |
JP5433396B2 (ja) | マンガ画像からテキストを抽出するマンガ画像解析装置、プログラム、検索装置及び方法 | |
CN113157871B (zh) | 应用人工智能的新闻舆情文本处理方法、服务器及介质 | |
CN111191127A (zh) | 一种基于关联分析算法的旅行推荐方法和系统 | |
US11989628B2 (en) | Machine teaching complex concepts assisted by computer vision and knowledge reasoning | |
CN114187486A (zh) | 模型训练方法及相关设备 | |
KR20170036422A (ko) | 지식 공유 서비스 제공 장치, 방법 및 컴퓨터 프로그램 | |
CN116741396A (zh) | 文章归类方法和装置、电子设备和存储介质 | |
CN115660695A (zh) | 客服人员标签画像构建方法、装置、电子设备及存储介质 | |
US11615618B2 (en) | Automatic image annotations | |
CN115795184B (zh) | 一种基于rpa的场景化上车点推荐方法和装置 | |
CN115186085A (zh) | 回复内容处理方法以及媒体内容互动内容的交互方法 |
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 |