CN116049335A - Poi分类及模型训练方法、装置、设备和存储介质 - Google Patents
Poi分类及模型训练方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116049335A CN116049335A CN202310101299.9A CN202310101299A CN116049335A CN 116049335 A CN116049335 A CN 116049335A CN 202310101299 A CN202310101299 A CN 202310101299A CN 116049335 A CN116049335 A CN 116049335A
- Authority
- CN
- China
- Prior art keywords
- poi
- category
- data
- target
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 title claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 97
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/243—Natural language query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种POI分类及模型训练方法、装置、设备和存储介质，涉及数据处理技术领域，具体涉及电子地图、大数据等技术领域。POI分类方法包括：若第一POI不满足预设规则，且目标数据中不存在与所述第一POI关联的第二POI，获取所述第一POI的属性数据；其中，所述第一POI是地图数据中的待分类POI，所述目标数据与所述地图数据不同；获取POI分类模型，所述POI分类模型是基于所述目标数据中的样本POI训练的；采用所述POI分类模型，对所述第一POI的属性数据进行处理，以确定所述第一POI的目标类别。本公开可以提高POI分类的精准度。
Description
技术领域
本公开涉及数据处理技术领域，具体涉及电子地图、大数据等技术领域，尤其涉及一种POI分类及模型训练方法、装置、设备和存储介质。
背景技术
在地理信息系统中，兴趣点(PointofInterest，POI)是地图上有意义的点，例如，可以是房子、商铺、公交站等。每个POI包含名称、坐标、类别等信息。POI的信息能够让用户在出行前获得更多的信息以更好的进行出行决策。
相关技术中，通常是根据地图产品的需求对POI进行分类的。
发明内容
本公开提供了一种POI分类及模型训练方法、装置、设备和存储介质。
根据本公开的一方面，提供了一种POI分类方法，包括：若第一POI不满足预设规则，且目标数据中不存在与所述第一POI关联的第二POI，获取所述第一POI的属性数据；其中，所述第一POI是地图数据中的待分类POI，所述目标数据与所述地图数据不同；获取POI分类模型，所述POI分类模型是基于所述目标数据中的样本POI训练的；采用所述POI分类模型，对所述第一POI的属性数据进行处理，以确定所述第一POI的目标类别。
根据本公开的另一方面，提供了一种POI分类模型的训练方法，包括：获取训练数据，所述训练数据包括：样本POI的属性数据和所述样本POI的真实类别，所述样本POI是与地图数据中的POI存在关联关系的目标数据中的POI，所述真实类别是所述样本POI在所述目标数据中的类别，所述目标数据与所述地图数据不同；采用POI分类模型，对所述样本POI的属性数据进行处理，以确定所述样本POI的预测类别；基于所述预测类别和所述真实类别，构建损失函数；基于所述损失函数调整所述POI分类模型的模型参数，直至满足预设条件，以获得最终的POI分类模型，所述最终的POI分类模型用于确定所述地图数据中的待分类POI的目标类别。
根据本公开的另一方面，提供了一种POI分类装置，包括：第一获取模块，用于若第一POI不满足预设规则，且目标数据中不存在与所述第一POI关联的第二POI，获取所述第一POI的属性数据；其中，所述第一POI是地图数据中的待分类POI，所述目标数据与所述地图数据不同；第二获取模块，用于获取POI分类模型，所述POI分类模型是基于所述目标数据中的样本POI训练的；第一确定模块，用于采用所述POI分类模型，对所述第一POI的属性数据进行处理，以确定所述第一POI的目标类别。
根据本公开的另一方面，提供了一种POI分类模型的训练装置，包括：获取模块，用于获取训练数据，所述训练数据包括：样本POI的属性数据和所述样本POI的真实类别，所述样本POI是与地图数据中的POI存在关联关系的目标数据中的POI，所述真实类别是所述样本POI在所述目标数据中的类别，所述目标数据与所述地图数据不同；预测模块，用于采用POI分类模型，对所述样本POI的属性数据进行处理，以确定所述样本POI的预测类别；构建模块，用于基于所述预测类别和所述真实类别，构建损失函数；调整模块，用于基于所述损失函数调整所述POI分类模型的模型参数，直至满足预设条件，以获得最终的POI分类模型，所述最终的POI分类模型用于确定所述地图数据中的待分类POI的目标类别。
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；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
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，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案，可以提高POI分类的精准度。
应当理解，本部分所描述的内容并非旨在标识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是根据本公开第一实施例的示意图；
图2是根据本公开实施例提供的应用场景的示意图；
图3是根据本公开实施例的POI分类方法的整体架构的示意图；
图4是根据本公开第二实施例的示意图；
图5是根据本公开第三实施例的示意图；
图6是根据本公开第四实施例的示意图；
图7是根据本公开第五实施例的示意图；
图8是用来实现本公开实施例的POI分类方法或POI分类模型的训练方法的电子设备的示意图。
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。
相关技术中，通常是根据地图产品的需求对POI进行分类的，例如，一级分类主要分成了：美食、酒店、购物、生活服务等。
但是，目前的地图分类体系的精准度不足，例如，针对某个婚纱摄影馆A，目前的地图分类体系会将A分类为“照相馆”，如果用户在地图中搜索“婚纱摄影”时，由于A被分类到“照相馆”，搜索结果可能不包括A，导致搜索结果的准确度和召回率等方面都存在问题。
为了提高POI分类的精准度，本公开提供如下实施例。
图1是根据本公开第一实施例的示意图，本实施例提供一种POI分类方法，该方法包括：
101、若第一POI不满足预设规则，且目标数据中不存在与所述第一POI关联的第二POI，获取所述第一POI的属性数据；其中，所述第一POI是地图数据中的待分类POI，所述目标数据与所述地图数据不同。
102、获取POI分类模型，所述POI分类模型是基于所述目标数据中的样本POI训练的。
103、采用所述POI分类模型，对所述第一POI的属性数据进行处理，以确定所述第一POI的目标类别。
其中，目标数据是与地图数据不同的数据，还可以称为第三方数据。
目标数据具体可以是垂直行业的数据，例如，房产类平台数据、婚纱摄影类平台数据、电子产品类平台数据等。
与内容广泛而全面的行业不同，垂直行业专注于某一领域，如IT、娱乐、体育、房产等。由于其专注于某一领域，针对该领域的数据将精确、全面、丰富。
以目标数据是某个或某些垂直行业的数据为例，该垂直行业的数据中可以包括POI及其类别。例如，在婚纱摄影类平台数据中，某个摄影馆A的分类为“婚纱摄影”，而不是通常地图数据中的“照相馆”；再例如，在房产类平台数据中，某个小区X的分类为“房产”，而不是通常地图数据中的“小区”。
为了区分，地图数据中的待分类POI可以称为第一POI，目标数据中与第一POI关联的POI可以称为第二POI。
存在关联关系的第一POI和第二POI指示同一个对象，例如，第一POI和第二POI均指示某个摄影馆A，或者某个小区X等。
第一POI的属性数据，可以包括该POI的基础数据和/或深层数据，基础数据例如包括：名称、坐标等，深层数据例如包括：详情数据、评论数据等。
POI分类模型的输入是第一POI的属性数据，输出是该第一POI的目标类别。
POI分类模型是预先训练的，用于训练该模型的样本包括目标数据中的POI，该POI可以称为样本POI。
本实施例中，由于样本POI属于目标数据，采用该样本POI可以训练出符合目标数据分类体系的POI分类模型，进而采用该POI分类模型对第一POI进行分类时，可以获得符合目标数据分类体系的目标类别，提高POI分类的精准度。
为了更好地理解本公开，对本公开实施例的应用场景进行说明。
图2是根据本公开实施例提供的应用场景的示意图。如图2所示，地图数据采集人员可以利用用户终端采集地图数据，用户终端可以为一个或多个，图2中的用户终端分别用201a、201b～201n表示。地图数据包括POI的采集数据，采集数据例如包括名称、坐标等，用户终端将POI的采集数据发送至服务器202，服务器202可以基于POI的采集数据获取POI的相关数据，相关数据可以包括采集数据，还可以包括从其他途径获取的其他数据。服务器可以基于POI的相关数据对POI进行分类，确定POI的类别。用户终端201a、201b～201n例如包括：个人电脑(PersonalComputer，PC)、移动设备(如手机、平板电脑)、笔记本电脑、可穿戴式设备(如智能手表)等。服务器202可以是本地服务器或云端服务器，可以为一台或多台。用户终端与服务器之间可以采用有线网络和/或无线网络进行通信。
对地图数据中的POI进行分类时，可以先根据地图产品的分类体系进行分类，相应获得的类别可以称为原始类别。例如，针对某个小区X，其原始类别是“小区”，针对某个摄影馆A，其原始类别是“照相馆”。
相对应地，经过处理后获得的更为精准的类别可以称为目标类别。
上述的原始类别不够精准，为了获得更为精准的目标类别，本实施例将引入与地图数据不同的目标数据。目标数据也可以称为第三方数据。
目标数据具体可以为垂直行业的数据。如图3所示，垂直行业的数据包括：房产类平台数据、婚纱摄影类平台数据等。
地图数据中的待分类POI可以称为第一POI。针对第一POI，如图3所示，可以采用三种途径获得第一POI的目标类别。
第一，可以基于预设规则。其中，可以预先设置规则，规则中可以记录原始类别与目标类别的映射关系，基于该映射关系，将原始类别映射为目标类别。例如，规则中记录“小区”与“房产”的映射关系，则如果某个POI的原始类别是“小区”，则基于该映射关系，将该POI的目标类别设置为“房产”。
第二，可以基于目标数据中的类别确定。
该方式中，可以先确定目标数据中与第一POI关联的第二POI，存在关联关系的第一POI和第二POI是指，第一POI与第二POI指示同一个POI，例如，均指示同一个小区X，或均指示同一个摄影馆A，图3中用“POI挂接”表示。
确定目标数据中的第二POI后，可以在目标数据中获取第二POI的类别，将第二POI的类别作为第一POI的目标类别。由于目标数据也可以称为第三方数据，图3中用“第三方分类打平”表示。
例如，针对某个摄影馆A，婚纱摄影类平台数据中，对该摄影馆A的分类是“婚纱摄影”，则在地图数据中，将该摄影馆A的目标类别也确定为“婚纱摄影”，而不再是原始类别“照相馆”。
第三，可以基于POI分类模型确定。
针对可以挂接的POI，即地图数据和垂直行业的数据中均存在的POI，可以采用上述的第二种方式确定目标类别。
但是，由于地图数据中的POI的数量较多，而垂直行业的数据内的POI数量较少，在地图数据中会存在较多的无法挂接的POI，无法挂接的POI是指地图数据中存在但垂直行业的数据内不存在的POI。
针对无法挂接的POI，可以采用POI分类模型确定该POI的目标类别。
如图3所示，POI分类模型(可简称为分类模型)的输入是POI的属性数据，分类模型对POI的属性数据进行处理，输出是该POI的目标类别。
属性数据可以包括基础POI数据(如名称、坐标等)，还可以包括：POI详情数据、评论数据等。
分类模型是基于样本训练的，样本可以来自于目标数据，还可以来自于用户的点击数据和/或人工标注数据。
来自目标数据中的样本可以称为样本POI，样本POI是指与地图数据中的POI存在关联关系的目标数据中的POI。
针对样本POI，目标数据中可以记录该样本POI的属性数据及其类别，则可以将该类别作为真实类别，将样本POI的<属性数据，真实类别>组成一组训练数据。
用户的点击数据可以来自于点击日志，例如，在展示基于搜索词获得的搜索结果后，点击日志中记录用户点击的搜索结果，从而泛化搜索词。例如，搜索词是“4S”，用户点击了针对“汽车销售门店”、“4S店”的搜索结果，则“汽车销售门店”、“4S店”作为泛化后的搜索词。基于泛化后的搜索词，可以生成新的类别标签，如将“汽车销售门店”、“4S店”作为新的类别标签。
人工标注数据是指可以人工收集一些POI，并人工标注该POI的类别标签。
结合上述应用场景，本公开实施例还提供了一种POI分类模型的训练方法。
图4是根据本公开第二实施例的示意图，本实施例提供一种POI分类模型的训练方法，该方法包括：
401、获取训练数据，所述训练数据包括：样本POI的属性数据和所述样本POI的真实类别，所述样本POI是与地图数据中的POI存在关联关系的目标数据中的POI，所述真实类别是所述样本POI在所述目标数据中的类别，所述目标数据与所述地图数据不同。
402、采用POI分类模型，对所述样本POI的属性数据进行处理，以确定所述样本POI的预测类别。
403、基于所述预测类别和所述真实类别，构建损失函数。
404、基于所述损失函数调整所述POI分类模型的模型参数，直至满足预设条件。
其中，以目标数据为垂直行业的数据为例，由于地图数据中的POI的数量较多，而垂直行业的数据内的POI数量较少，在地图数据中会存在较多的无法挂接的POI，无法挂接的POI是指地图数据中存在但垂直行业的数据内不存在的POI。
针对无法挂接的POI，可以采用POI分类模型确定这些无法挂接的POI(即待分类POI)的目标类别。
垂直行业的数据中还存在能挂接的POI，即与地图数据中的POI存在关联关系的POI，可以将这些能挂接的POI作为样本POI，利用样本POI训练POI分类模型。
可以理解的是，样本还可以包括点击数据和标注数据。
利用样本POI训练POI分类模型时，可以将样本POI的属性数据作为模型输入，模型输出为预测类别。
目标数据中该样本POI的类别作为真实类别，基于预测类别和真实类别构建损失函数，损失函数的具体函数形式可以设置，如交叉熵函数。
构建损失函数后，可以采用损失函数调整模型参数，直至满足预设条件，得到最终的POI分类模型，最终的POI分类模型可以用于推理阶段的确定地图数据中的待分类POI的目标类别。
调整参数可以是：调整后的参数＝调整前的参数-学习率*梯度值，其中梯度值可以是损失函数针对模型参数进行求导后获得，学习率是预设的超参数。各个参数的初始值可以是设置的，例如，可以针对各个参数进行随机化处理，随机获得各个参数的初始值。
预设条件例如是迭代次数达到预设值或者满足收敛条件(如前一轮的损失函数与当前轮的损失函数的差值的绝对值小于预设值)，可以将满足预设条件的模型作为最终的POI分类模型。
本实施例中，基于样本POI训练POI分类模型，由于样本POI是目标数据中的POI，目标数据与地图数据不同，从而可以获得符合目标数据的分类体系的模型，进而采用该模型对地图数据中的待分类POI进行分类时，可以引入与地图数据不同的目标数据中的信息，提高针对地图数据中的POI分类的精准度。
进一步地，POI分类模型可以包括特征提取网络和分类网络，所述采用POI分类模型，对所述样本POI的属性数据进行处理，以确定所述样本POI的预测类别，可以包括：
采用所述特征提取网络，对所述样本POI的属性数据进行处理，以获得所述样本POI的特征向量；
采用所述分类网络，对所述样本POI的特征向量进行处理，以确定所述样本POI的预测类别。
其中，特征提取网络可以是深度神经网络的骨干网络，深度神经网络例如为卷积神经网络(ConvolutionalNeuralNetwork，CNN)，或者，循环神经网络(RecurrentNeuralNetwork，RNN)等。
分类网络例如为全连接(FullConnection，FC)网络。
通过特征提取网络可以将属性数据转换为特征向量，通过分类网络可以基于特征向量获得预测类别。
基于损失函数调整模型参数时，可以具体是调整特征提取网络的模型参数和分类网络的模型参数。
本实施例中，通过设置分类模型包括特征提取网络和分类网络，可以训练合适的特征提取网络和分类网络，从而可以提取合适的特征向量，提高目标类别的准确度。
结合上述应用场景，本公开实施例还提供了一种POI分类方法。
图5是根据本公开第三实施例的示意图，本实施例提供一种POI分类方法，该方法包括：
501、遍历第一POI，所述第一POI是地图数据中的待分类POI。
其中，第一POI可以为一个或多个，可以依次遍历每个第一POI，以确定每个POI的目标类别。
502、判断所述第一POI是否满足预设规则，若是，执行503，否则执行504。
其中，可以获取第一POI的原始类别，原始类别是指根据地图产品的分类体系确定的类别。
预设规则中可以记录原始类别与目标类别的映射关系，若预设规则中记录的映射关系中不包含第一POI的原始类别，则确定所述第一POI不满足预设规则，反之，若预设规则中记录的映射关系中包含第一POI的原始类别，则确定所述第一POI满足预设规则。
503、基于所述预设规则，确定所述第一POI的目标类别。
其中，可以基于预设规则中记录的映射关系，将第一POI的原始类别映射为对应的目标类别。
例如，映射关系中记录“小区”对应“房产”，则若第一POI的原始类别是“小区”，则确定该第一POI的目标类别是“房产”。
本实施例中，通过规则中记录原始类别与目标类别之间的映射关系，基于该映射关系可以高效地获得第一POI的目标类别。
504、判断目标数据中是否存在与所述第一POI关联的第二POI，若是，执行505，否则执行506。
其中，可以计算第一POI的标识信息与目标数据中的每个POI的标识信息之间的相似度，若目标数据中存在相似度大于预设值的POI，则确定目标数据中存在上述的第二POI，且将该相似度大于预设值的POI作为上述的第二POI。
例如，目标数据中包括POI-1和POI-2，若POI-1的标识信息与第一POI的标识信息的相似度大于预设值，则将POI-1作为第二POI。
进一步地，若目标数据中存在多个相似度大于预设值的POI，则可以将最大相似度的POI作为第二POI。
上述的标识信息可以包括：名称和/或坐标。
以名称为例，可以将名称转换为向量(如采用word2vec算法)，计算两个向量之间的相似度(如余弦相似度)，作为上述的两个标识信息之间的相似度。
505、基于所述第二POI在所述目标数据中的类别确定所述第一POI的目标类别。
其中，可以将第二POI在所述目标数据中的类别，作为所述第一POI的目标类别。
例如，针对某个摄影馆A，婚纱摄影类平台数据中对该摄影馆A的分类是“婚纱摄影”，那么针对地图数据中的该摄影馆A，则在地图数据中将该摄影馆A的目标类别也确定为“婚纱摄影”。
可以理解的是，还可以对第二POI在所述目标数据中的类别进行一定的处理，例如，统一类别名称等处理，将统一类别名称后的类别作为第一POI的目标类别。
本实施例中，由于第二POI是与第一POI存在关联关系的POI，并且目标数据中的类别更为精准，通过将第二POI在所述目标数据中的类别作为所述第一POI的目标类别，可以提高第一POI的类别的精准度。
506、获取所述第一POI的属性数据，以及预先训练的POI分类模型。
其中，属性数据可以包括基础POI数据(如名称、坐标等)，还可以包括：POI详情数据、评论数据等。
所述POI分类模型是基于所述目标数据中的样本POI训练的，关于POI分类模型的训练过程可以参见上述相关实施例，在此不再赘述。
507、采用所述POI分类模型，对所述第一POI的属性数据进行处理，以确定所述第一POI的目标类别。
POI分类模型的输入是属性数据，输出是目标类别。
进一步地，POI分类模型可以包括：特征提取网络和分类网络；
所述采用预先训练的POI分类模型，对所述第一POI的属性数据进行处理，以确定所述第一POI的目标类别，包括：
采用所述特征提取网络，对所述第一POI的属性数据进行处理，以获得所述第一POI的特征向量；
采用所述分类网络，对所述第一POI的特征向量进行处理，以确定所述第一POI的目标类别
本实施例中，通过设置分类模型包括特征提取网络和分类网络，可以训练合适的特征提取网络和分类网络，从而可以提取合适的特征向量，提高目标类别的准确度。
本实施例中，在第一POI满足预设规则时，基于预设规则确定第一POI的目标类别，在第一POI不满足预设规则但目标数据中存在与第一POI关联的第二POI时，基于第二POI在目标数据中的类别确定第一POI的目标类别，在第一POI不满足预设规则且目标数据中不存在与第一POI关联的第二POI时，采用POI分类模型确定第一POI的目标类别，可以在不同的情况下选择合适的目标类别的确定方式，从而获得更为准确的目标类别。另外，通过引入目标数据，可以利用目标数据的精确、全面、丰富的信息，提高针对地图数据中的待分类POI的分类效果。
图6是根据本公开第四实施例的示意图，本实施例提供一种POI分类装置，该装置600包括：第一获取模块601、第二获取模块602和第一确定模块603。
第一获取模块601用于若第一POI不满足预设规则，且目标数据中不存在与所述第一POI关联的第二POI，获取所述第一POI的属性数据；其中，所述第一POI是地图数据中的待分类POI，所述目标数据与所述地图数据不同；第二获取模块602用于获取POI分类模型，所述POI分类模型是基于所述目标数据中的样本POI训练的；第一确定模块603用于采用所述POI分类模型，对所述第一POI的属性数据进行处理，以确定所述第一POI的目标类别。
本实施例中，由于样本POI属于目标数据，采用该样本POI可以训练出符合目标数据分类体系的POI分类模型，进而采用该POI分类模型对第一POI进行分类时，可以获得符合目标数据分类体系的目标类别，提高POI分类的精准度。
一些实施例中，所述POI分类模型包括：特征提取网络和分类网络；
所述第一确定模块603进一步用于：采用所述特征提取网络，对所述第一POI的属性数据进行处理，以获得所述第一POI的特征向量；采用所述分类网络，对所述第一POI的特征向量进行处理，以确定所述第一POI的目标类别。
本实施例中，通过设置分类模型包括特征提取网络和分类网络，可以训练合适的特征提取网络和分类网络，从而可以提取合适的特征向量，提高目标类别的准确度。
一些实施例中，所述装置600还包括：第二确定模块，用于若所述第一POI不满足预设规则，且所述目标数据中存在与所述第一POI关联的第二POI，基于所述第二POI在所述目标数据中的类别确定所述第一POI的类别。
本实施例中，在第一POI不满足预设规则但目标数据中存在与第一POI关联的第二POI时，基于第二POI在目标数据中的类别确定第一POI的目标类别，可以在不同的情况下选择合适的目标类别的确定方式，从而获得更为准确的目标类别。
一些实施例中，所述第二确定模块进一步用于：
将所述第二POI在所述目标数据中的类别，作为所述第一POI的类别。
本实施例中，由于第二POI是与第一POI存在关联关系的POI，并且目标数据中的类别更为精准，通过将第二POI在所述目标数据中的类别作为所述第一POI的目标类别，可以提高第一POI的类别的精准度。
一些实施例中，所述装置600还包括：第三确定模块，用于若所述第一POI满足预设规则，基于所述预设规则，确定所述第一POI的目标类别。
本实施例中，在第一POI满足预设规则时，基于预设规则确定第一POI的目标类别，可以在不同的情况下选择合适的目标类别的确定方式，从而获得更为准确的目标类别。
一些实施例中，所述预设规则中记录原始类别与目标类别的映射关系；所述第三确定模块进一步用于：若所述映射关系中包括第一POI的原始类别，确定所述第一POI满足预设规则，并基于所述映射关系将所述第一POI的原始类别映射为对应的目标类别。
本实施例中，通过规则中记录原始类别与目标类别之间的映射关系，基于该映射关系可以高效地获得第一POI的目标类别。
图7是根据本公开第五实施例的示意图，本实施例提供一种POI分类模型的训练装置，该装置700包括：获取模块701、预测模块702、构建模块703和调整模块704。
获取模块701用于获取训练数据，所述训练数据包括：样本POI的属性数据和所述样本POI的真实类别，所述样本POI是与地图数据中的POI存在关联关系的目标数据中的POI，所述真实类别是所述样本POI在所述目标数据中的类别，所述目标数据与所述地图数据不同；预测模块702用于采用POI分类模型，对所述样本POI的属性数据进行处理，以确定所述样本POI的预测类别；构建模块703用于基于所述预测类别和所述真实类别，构建损失函数；调整模块704用于基于所述损失函数调整所述POI分类模型的模型参数，直至满足预设条件，以获得最终的POI分类模型，所述最终的POI分类模型用于确定所述地图数据中的待分类POI的目标类别。
本实施例中，基于样本POI训练POI分类模型，由于样本POI是目标数据中的POI，目标数据与地图数据不同，从而可以获得符合目标数据的分类体系的模型，进而采用该模型对地图数据中的待分类POI进行分类时，可以引入与地图数据不同的目标数据中的信息，提高针对地图数据中的POI分类的精准度。
一些实施例中，所述POI分类模型包括：特征提取网络和分类网络；
所述预测模块703进一步用于：
采用所述特征提取网络，对所述样本POI的属性数据进行处理，以获得所述样本POI的特征向量；
采用所述分类网络，对所述样本POI的特征向量进行处理，以确定所述样本POI的预测类别。
本实施例中，通过设置分类模型包括特征提取网络和分类网络，可以训练合适的特征提取网络和分类网络，从而可以提取合适的特征向量，提高目标类别的准确度。
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
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。
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。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备800旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备800还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如POI分类方法或POI分类模型的训练方法。例如，在一些实施例中，POI分类方法或POI分类模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM803并由计算单元801执行时，可以执行上文描述的POI分类方法或POI分类模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行POI分类方法或POI分类模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程负载均衡装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
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，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，以解决了传统物理主机与VPS服务("VirtualPrivate Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器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。
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。
Claims (19)
1.一种兴趣点POI分类方法，包括：
若第一POI不满足预设规则，且目标数据中不存在与所述第一POI关联的第二POI，获取所述第一POI的属性数据；其中，所述第一POI是地图数据中的待分类POI，所述目标数据与所述地图数据不同；
获取POI分类模型，所述POI分类模型是基于所述目标数据中的样本POI训练的；
采用所述POI分类模型，对所述第一POI的属性数据进行处理，以确定所述第一POI的目标类别。
2.根据权利要求1所述的方法，其中，
所述POI分类模型包括：特征提取网络和分类网络；
所述采用预先训练的POI分类模型，对所述第一POI的属性数据进行处理，以确定所述第一POI的目标类别，包括：
采用所述特征提取网络，对所述第一POI的属性数据进行处理，以获得所述第一POI的特征向量；
采用所述分类网络，对所述第一POI的特征向量进行处理，以确定所述第一POI的目标类别。
3.根据权利要求1所述的方法，还包括：
若所述第一POI不满足预设规则，且所述目标数据中存在与所述第一POI关联的第二POI，基于所述第二POI在所述目标数据中的类别确定所述第一POI的类别。
4.根据权利要求3所述的方法，其中，所述基于所述第二POI在所述目标数据中的类别确定所述第一POI的类别，包括：
将所述第二POI在所述目标数据中的类别，作为所述第一POI的类别。
5.根据权利要求1所述的方法，还包括：
若所述第一POI满足预设规则，基于所述预设规则，确定所述第一POI的目标类别。
6.根据权利要求5所述的方法，其中，
所述预设规则中记录原始类别与目标类别的映射关系；
所述若所述第一POI满足预设规则，基于所述预设规则，确定所述第一POI的目标类别，包括：
若所述映射关系中包括第一POI的原始类别，确定所述第一POI满足预设规则，并基于所述映射关系将所述第一POI的原始类别映射为对应的目标类别。
7.一种POI分类模型的训练方法，包括：
获取训练数据，所述训练数据包括：样本POI的属性数据和所述样本POI的真实类别，所述样本POI是与地图数据中的POI存在关联关系的目标数据中的POI，所述真实类别是所述样本POI在所述目标数据中的类别，所述目标数据与所述地图数据不同；
采用POI分类模型，对所述样本POI的属性数据进行处理，以确定所述样本POI的预测类别；
基于所述预测类别和所述真实类别，构建损失函数；
基于所述损失函数调整所述POI分类模型的模型参数，直至满足预设条件，以获得最终的POI分类模型，所述最终的POI分类模型用于确定所述地图数据中的待分类POI的目标类别。
8.根据权利要求7所述的方法，其中，
所述POI分类模型包括：特征提取网络和分类网络；
所述采用POI分类模型，对所述样本POI的属性数据进行处理，以确定所述样本POI的预测类别，包括：
采用所述特征提取网络，对所述样本POI的属性数据进行处理，以获得所述样本POI的特征向量；
采用所述分类网络，对所述样本POI的特征向量进行处理，以确定所述样本POI的预测类别。
9.一种POI分类装置，包括：
第一获取模块，用于若第一POI不满足预设规则，且目标数据中不存在与所述第一POI关联的第二POI，获取所述第一POI的属性数据；其中，所述第一POI是地图数据中的待分类POI，所述目标数据与所述地图数据不同；
第二获取模块，用于获取POI分类模型，所述POI分类模型是基于所述目标数据中的样本POI训练的；
第一确定模块，用于采用所述POI分类模型，对所述第一POI的属性数据进行处理，以确定所述第一POI的目标类别。
10.根据权利要求9所述的装置，其中，
所述POI分类模型包括：特征提取网络和分类网络；
所述第一确定模块进一步用于：
采用所述特征提取网络，对所述第一POI的属性数据进行处理，以获得所述第一POI的特征向量；
采用所述分类网络，对所述第一POI的特征向量进行处理，以确定所述第一POI的目标类别。
11.根据权利要求9所述的装置，还包括：
第二确定模块，用于若所述第一POI不满足预设规则，且所述目标数据中存在与所述第一POI关联的第二POI，基于所述第二POI在所述目标数据中的类别确定所述第一POI的类别。
12.根据权利要求11所述的装置，其中，所述第二确定模块进一步用于：
将所述第二POI在所述目标数据中的类别，作为所述第一POI的类别。
13.根据权利要求9所述的装置，还包括：
第三确定模块，用于若所述第一POI满足预设规则，基于所述预设规则，确定所述第一POI的目标类别。
14.根据权利要求13所述的装置，其中，
所述预设规则中记录原始类别与目标类别的映射关系；
所述第三确定模块进一步用于：
若所述映射关系中包括第一POI的原始类别，确定所述第一POI满足预设规则，并基于所述映射关系将所述第一POI的原始类别映射为对应的目标类别。
15.一种POI分类模型的训练装置，包括：
获取模块，用于获取训练数据，所述训练数据包括：样本POI的属性数据和所述样本POI的真实类别，所述样本POI是与地图数据中的POI存在关联关系的目标数据中的POI，所述真实类别是所述样本POI在所述目标数据中的类别，所述目标数据与所述地图数据不同；
预测模块，用于采用POI分类模型，对所述样本POI的属性数据进行处理，以确定所述样本POI的预测类别；
构建模块，用于基于所述预测类别和所述真实类别，构建损失函数；
调整模块，用于基于所述损失函数调整所述POI分类模型的模型参数，直至满足预设条件，以获得最终的POI分类模型，所述最终的POI分类模型用于确定所述地图数据中的待分类POI的目标类别。
16.根据权利要求15所述的装置，其中，
所述POI分类模型包括：特征提取网络和分类网络；
所述预测模块进一步用于：
采用所述特征提取网络，对所述样本POI的属性数据进行处理，以获得所述样本POI的特征向量；
采用所述分类网络，对所述样本POI的特征向量进行处理，以确定所述样本POI的预测类别。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310101299.9A CN116049335A (zh) | 2023-01-18 | 2023-01-18 | Poi分类及模型训练方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310101299.9A CN116049335A (zh) | 2023-01-18 | 2023-01-18 | Poi分类及模型训练方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116049335A true CN116049335A (zh) | 2023-05-02 |
Family
ID=86116371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310101299.9A Pending CN116049335A (zh) | 2023-01-18 | 2023-01-18 | Poi分类及模型训练方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116049335A (zh) |
-
2023
- 2023-01-18 CN CN202310101299.9A patent/CN116049335A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
| CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| CN112860993B (zh) | 兴趣点的分类方法、装置、设备、存储介质及程序产品 | |
| CN113205041B (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
| CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
| CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
| CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
| CN113239295A (zh) | 搜索方法、装置、电子设备以及存储介质 | |
| CN113656698A (zh) | 兴趣特征提取模型的训练方法、装置和电子设备 | |
| CN114692778B (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
| CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
| CN112784102B (zh) | 视频检索方法、装置和电子设备 | |
| CN116824609B (zh) | 文档版式检测方法、装置和电子设备 | |
| CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
| CN116229175B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN116229211A (zh) | 样本生成方法、模型训练方法、对象检测方法及装置 | |
| CN114691918B (zh) | 基于人工智能的雷达图像检索方法、装置以及电子设备 | |
| CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
| CN113420104B (zh) | 兴趣点采全率确定方法、装置、电子设备及存储介质 | |
| CN114912541A (zh) | 分类方法、装置、电子设备和存储介质 | |
| CN116049335A (zh) | Poi分类及模型训练方法、装置、设备和存储介质 | |
| CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
| CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
| CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 | |
| CN116383491B (zh) | 信息推荐方法、装置、设备、存储介质和程序产品 |
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 |