CN116610859A - 兴趣场所推送方法、电子设备、计算机可读存储介质 - Google Patents
兴趣场所推送方法、电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN116610859A CN116610859A CN202310571974.4A CN202310571974A CN116610859A CN 116610859 A CN116610859 A CN 116610859A CN 202310571974 A CN202310571974 A CN 202310571974A CN 116610859 A CN116610859 A CN 116610859A
- Authority
- CN
- China
- Prior art keywords
- information
- place
- data
- candidate
- interest
- 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 82
- 239000013598 vector Substances 0.000 claims description 109
- 230000006399 behavior Effects 0.000 claims description 107
- 238000012216 screening Methods 0.000 claims description 57
- 238000003062 neural network model Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 235000011888 snacks Nutrition 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及人工智能技术领域,尤其是涉及一种兴趣场所推送方法、电子设备、计算机可读存储介质。本申请提供的兴趣场所推送方法,需要先获取目标用户的用户信息,再基于用户信息,获取目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息,基于每一候选场所信息与当前场所信息,得到多个场所关联数据,再基于用户信息与多个场所关联数据,对多个候选场所信息进行筛选,得到兴趣场所信息,最终将兴趣场所信息推送给目标用户。由于本申请兴趣场所推送方法基于用户信息对多个场所关联数据进行筛选,从而得到兴趣场所信息,因此能够在兴趣场所推送的过程中,使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其是涉及一种兴趣场所推送方法、电子设备、计算机可读存储介质。
背景技术
随着人们生活水平的发展,手机、平板电脑等智能终端的普及程度也越来越高,兴趣场所推送也随着各种手机应用软件(Application Program,APP)应运而生。所谓兴趣场所推送,指的是在用户授权许可的情况下,基于时间因素、场所因素或者用户历史数据进行分析,可以智能地为用户推送一些接下来用户会感兴趣的场所,例如,在检测到用户在餐馆吃过晚餐后,应用软件会智能地推送餐馆周边的酒吧、电影院等休闲场所以供用户选择。
相关技术中,推送方法通常是根据用户在应用软件上的搜索记录实现的,用户会被推送和搜索内容相关的场所,然而应用软件的搜索记录却并不一定能够准确反映用户的当前实际需要,因此基于搜索记录进行分析而推送的内容往往较为重复和冗余。故而,如何在兴趣场所推送的过程中,使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性,成为业内亟待解决的一大难题。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种兴趣场所推送方法、电子设备、存储介质,能够在兴趣场所推送的过程中,使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性。
根据本申请的第一方面实施例的一种兴趣场所推送方法,包括:
获取目标用户的用户信息;
基于所述用户信息,获取所述目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息;
基于每一所述候选场所信息与所述当前场所信息,得到多个场所关联数据,所述场所关联数据与所述候选场所信息一一对应;
基于所述用户信息与多个所述场所关联数据,对多个所述候选场所信息进行筛选,得到兴趣场所信息;
将所述兴趣场所信息推送给所述目标用户。
根据本申请的一些实施例,所述基于所述用户信息与多个所述场所关联数据,对多个所述候选场所信息进行筛选,得到兴趣场所信息,包括:
根据所述用户信息、多个所述场所关联数据,确定所述目标用户的筛选条件数据;
基于所述筛选条件数据,对多个所述候选场所信息进行筛选,得到兴趣场所信息。
根据本申请的一些实施例,所述当前场所信息包括所述当前场所的第一地理信息和第一标签信息,每一所述候选场所信息包括一个所述候选场所的第二地理信息和第二标签信息,所述基于每一所述候选场所信息与所述当前场所信息,得到多个场所关联数据,包括:
基于所述第一地理信息和每一所述候选场所的所述第二地理信息,比对每个所述候选场所与所述当前场所之间的地理位置,得到多个方位关联数据,所述方位关联数据与所述候选场所一一对应;
基于所述第一标签信息和每一所述候选场所的第二标签信息,比对每个所述候选场所与所述当前场所之间的类别标签,得到多个标签关联数据,所述标签关联数据与所述候选场所一一对应;
根据所述方位关联数据与所述标签关联数据,得到所述场所关联数据。
根据本申请的一些实施例,所述用户信息包括所述目标用户的历史行为数据,所述根据所述用户信息、多个所述场所关联数据,确定所述目标用户的筛选条件数据,包括:
基于每一所述场所关联数据与所述历史行为数据,得到各个所述候选场所与所述历史行为数据之间的行为关联数据;
对每一所述场所关联数据进行解析,得到多个方位关联数据和多个标签关联数据;
基于所述方位关联数据、所述标签关联数据或者所述行为关联数据,确定所述筛选条件数据。
根据本申请的一些实施例,所述基于所述方位关联数据、所述标签关联数据或者所述行为关联数据,确定所述筛选条件数据,包括:
将所述方位关联数据、所述标签关联数据与所述行为关联数据输入预设的神经网络模型;
经由所述神经网络模型对所述方位关联数据、所述标签关联数据与所述行为关联数据进行权重配置,确定所述筛选条件数据。
根据本申请的一些实施例,所述经由所述神经网络模型对所述方位关联数据、所述标签关联数据与所述行为关联数据进行权重配置,确定所述筛选条件数据,包括:
分别对所述方位关联数据、所述标签关联数据与所述行为关联数据进行降维处理,得到所述方位关联数据对应的方位特征向量、所述标签关联数据对应的标签特征向量、所述行为关联数据对应的行为特征向量;
将所述方位特征向量、所述标签特征向量与所述行为特征向量进行耦合处理,得到兴趣特征向量;
基于权重配置规则对所述兴趣特征向量的所述方位特征向量、所述标签特征向量与所述行为特征向量进行权重调整,得到更新后的所述兴趣特征向量,其中,所述权重配置规则根据所述历史行为数据得到;
将更新后的所述兴趣特征向量作为所述筛选条件数据。
根据本申请的一些实施例,所述基于所述筛选条件数据,对多个所述候选场所信息进行筛选,得到兴趣场所信息,包括:
基于更新后的所述兴趣特征向量进行场所概率计算,得到每一所述候选场所的兴趣概率特征;
基于所述兴趣概率特征,从多个所述候选场所信息中筛选出所述兴趣场所信息。
根据本申请的一些实施例,所述用户信息包括第一地理信息、历史行为数据,所述基于所述用户信息,获取所述目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息,包括:
基于所述第一地理信息,获取所述当前场所信息;
基于所述当前场所信息和所述历史行为数据,在预设场所信息库中进行信息筛选,得到多个所述候选场所的所述候选场所信息。
第二方面,本申请实施例提供了一种电子设备,包括:存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如本申请第一方面实施例中任意一项所述的兴趣场所推送方法。
第三方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行实现如本申请第一方面实施例中任意一项所述的兴趣场所推送方法。
根据本申请实施例的兴趣场所推送方法、电子设备、存储介质,至少具有如下有益效果:
本申请提供的兴趣场所推送方法,需要先获取目标用户的用户信息,再基于用户信息,获取目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息,进一步,基于每一候选场所信息与当前场所信息,得到多个场所关联数据,场所关联数据与候选场所信息一一对应,再进一步,基于用户信息与多个场所关联数据,对多个候选场所信息进行筛选,得到兴趣场所信息,最终将兴趣场所信息推送给目标用户。由于本申请兴趣场所推送方法先基于用户信息,获取目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息,再以当前场所信息、多个候选场所信息为线索得到多个场所关联数据,再进一步以用户信息进行筛选,从而得到兴趣场所信息,因此能够在兴趣场所推送的过程中,使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的兴趣场所推送方法的流程图;
图2为图1中步骤S102的流程图;
图3为图1中步骤S103的流程图;
图4为图1中步骤S104的流程图;
图5为图4中步骤S401的流程图;
图6为图5中步骤S503的流程图;
图7为图6中步骤S602的流程图;
图8为图4中步骤S402的流程图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本申请的描述中,需要理解的是,涉及到方位描述,例如上、下、左、右、前、后等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
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申请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。
本申请的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。另外,下文中对于具体步骤的标识并不代表对于步骤顺序与执行逻辑的限定,各个步骤之间的执行顺序与执行逻辑应参照实施例所表述的内容进行理解与推定。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,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新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
信息抽取(Information Extraction):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
本申请实施例提供的兴趣场所推送方法,涉及人工智能技术领域。本申请实施例提供的兴趣场所推送方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现兴趣场所推送方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
随着人们生活水平的发展,手机、平板电脑等智能终端的普及程度也越来越高,兴趣场所推送也随着各种手机应用软件(Application Program,APP)应运而生。所谓兴趣场所推送,指的是在用户授权许可的情况下,基于时间因素、场所因素或者用户历史数据进行分析,可以智能地为用户推送一些接下来用户会感兴趣的场所,例如,在检测到用户在餐馆吃过晚餐后,应用软件会智能地推送餐馆周边的酒吧、电影院等休闲场所以供用户选择。
相关技术中,推送方法通常是根据用户在应用软件上的搜索记录实现的,用户会被推送和搜索内容相关的场所,然而应用软件的搜索记录却并不一定能够准确反映用户的当前实际需要,因此基于搜索记录进行分析而推送的内容往往较为重复和冗余。故而,如何在兴趣场所推送的过程中,使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性,成为业内亟待解决的一大难题。
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种兴趣场所推送方法、电子设备、存储介质,能够在兴趣场所推送的过程中,使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性。
下面参照附图作出进一步说明。
参照图1,根据本申请的第一方面实施例的一种兴趣场所推送方法,包括:
步骤S101,获取目标用户的用户信息;
步骤S102,基于用户信息,获取目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息;
步骤S103,基于每一候选场所信息与当前场所信息,得到多个场所关联数据,场所关联数据与候选场所信息一一对应;
步骤S104,基于用户信息与多个场所关联数据,对多个候选场所信息进行筛选,得到兴趣场所信息;
步骤S105,将兴趣场所信息推送给目标用户。
应理解,经由本申请上述步骤S101至步骤S105示出的兴趣场所推送方法,需要先获取目标用户的用户信息,再基于用户信息,获取目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息,进一步,基于每一候选场所信息与当前场所信息,得到多个场所关联数据,场所关联数据与候选场所信息一一对应,再进一步,基于用户信息与多个场所关联数据,对多个候选场所信息进行筛选,得到兴趣场所信息,最终将兴趣场所信息推送给目标用户。由于本申请兴趣场所推送方法先基于用户信息,获取目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息,再以当前场所信息、多个候选场所信息为线索得到多个场所关联数据,再进一步以用户信息进行筛选,从而得到兴趣场所信息,因此能够在兴趣场所推送的过程中,使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性。
在一些实施例的步骤S101中,用户信息指的是目标用户的相关信息,其中用户信息可以包括,但不限于:目标用户当前所处的位置、目标用户的历史行为数据、目标用户在应用程序上的搜索记录、目标用户的扫码记录等一系列与目标用户有关的信息。应理解,本申请一些实施例中可以通过多种方式获取目标用户的用户信息,例如,若用户信息指的是目标用户当前所处的位置,则可以通过目标用户智能终端的定位功能来获取用户信息,或者,通过扫描店家专属的场所二维码来获取用户信息;又例如,若用户信息指的是目标用户的历史行为数据,则可以从目标用户智能终端的历史数据中获取用户信息。应理解,获取用户信息的方式可以包括,但不限于上述举出的具体实施例。
本申请一些实施例的步骤S102中,需要先基于用户信息,获取目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息。需要明确的是,当前场所信息即目标用户当前所处场所的相关信息,例如目标用户当前所处场所的地址、经纬度、与地标建筑的相对方位等一系列信息,候选场所指的是用户可能感兴趣的场所,而候选场所信息即候选场所的相关信息,例如候选场所的地址、经纬度、与地标建筑的相对方位等一系列信息。应理解,基于用户信息,获取目标用户当前所处场所的当前场所信息可以通过多种方式实现,例如:当目标用户扫描A餐厅的场所二维码,即可基于目标用户的扫描记录来确定目标用户当前所处场所(即A餐厅)的当前场所信息;又例如,基于目标用户智能终端上的定位功能,获取目标用户当前所处场所的当前场所信息,基于用户信息获取目标用户当前场所信息的方式可以包括,但不限于上述举出的具体实施例。需要指出,通常在明确目标用户当前所处的场所之后,进一步得到多个候选场所对应的候选场所信息,举例而言,当明确了目标用户当前所处的场所是餐厅,那么候选场所则可以是在餐厅周围的休闲娱乐场所(如商场、公园),候选场所也可以是目标用户之前用餐完毕之后常去的场所,再明确了候选场所之后,进一步得到各个候选场所对应的候选场所信息(如相对位置、是否正在营业、大众评价)。应理解,基于用户信息,获取目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息的方式可以包括,但不限于上述举出的具体实施例。
需要强调,当涉及到需要根据用户信息、用户行为数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关国家和地区的相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
参照图2,在一些实施例中,用户信息包括第一地理信息、历史行为数据,步骤S102可以包括但不限于步骤S201至步骤S202。
步骤S201,基于第一地理信息,获取当前场所信息;
步骤S202,基于当前场所信息和历史行为数据,在预设场所信息库中进行信息筛选,得到多个候选场所的候选场所信息。
本申请一些实施例的步骤S201中,需要先基于第一地理信息,获取当前场所信息。需要说明的是,第一地理信息指的是目标用户当前所处场所的定位信息,应理解,用户信息中的第一地理信息可以基于目标用户的扫描记录来获取,也可以是基于目标用户智能终端上的定位功能来获取,还可以是通过其他方式来获取。需要指出,在获取第一地理信息之后,即可明确目标用户当前所处的场所,需要强调,当前场所信息即目标用户当前所处场所的相关信息,在明确目标用户当前所处的场所之后,可以通过网络、预设的数据库或者其他方式获取当前场所信息,例如可以将目标用户当前所处的场所设为关键词,通过网络搜索引擎获取目标用户当前所处场所的地址、经纬度、与地标建筑的相对方位等一系列当前场所信息;同理,也可以通过预设的数据库或者其他方式来对目标用户当前所处场所的地址、经纬度、与地标建筑的相对方位等一系列当前场所信息进行获取。
本申请一些实施例的步骤S202中,在获取当前场所信息之后,进一步,基于当前场所信息和历史行为数据,在预设场所信息库中进行信息筛选,得到多个候选场所的候选场所信息。需要说明的是,历史行为数据指的是反映目标用户历史行为的数据,历史行为数据的类型多种多样,可以包括但不限于:目标用户的扫码记录、目标用户在应用程序上的搜索记录、目标用户的习惯行动轨迹记录等一系列数据。而预设场所信息库,则指的是预先设置的、存储有各种预设场所信息的信息库,需要指出,预设场所信息指的是预设场所的相关信息,例如预设场所对应的地址、经纬度、与地标建筑的相对方位等一系列信息。本申请一些实施例中,可以将目标用户所处区域的全部或者部分场所确定为预设场所,并从网络中查询各个预设场所对应的预设场所信息,进一步将预设场所信息录入预设场所信息库。
本申请一些较为具体的实施例中,若目标用户当前所处的场所为A餐厅,实施例中需要先基于A餐厅的地理位置(第一地理信息),获取A餐厅对应的场所名称、场所地址(即当前场所信息),再进一步,基于场所名称和历史行为数据,在预设场所信息库中进行信息筛选,找到目标用户曾经在A餐厅用餐完毕之后去过的m个候选场所,并分别获得上述m个候选场所对应的营业时间段、剩余停车位(即候选场所信息),或者基于场所地址,在预设场所信息库中进行信息筛选,找到距离目标用户最近的n个候选场所,并分别获得上述n个候选场所对应的大众好评度、优惠活动(即候选场所信息)。应理解,基于用户信息,获取目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息的方式多种多样,可以包括,但不限于上述举出的具体实施例。
经由上述步骤S201至步骤S202,基于当前场所信息和历史行为数据,可以从预设场所信息库囊括的众多预设场所信息中挑选出与目标用户的兴趣取向较为匹配的多个候选场所信息,提升了后续步骤中从多个候选场所信息中确定兴趣场所信息的效率。
在本申请一些实施例的步骤S103中,获取目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息之后,进一步,基于每一候选场所信息与当前场所信息,得到多个场所关联数据,场所关联数据与候选场所信息一一对应。需要说明的是,由于当前场所信息即目标用户当前所处场所的相关信息,例如目标用户当前所处场所的地址、经纬度、与地标建筑的相对方位等一系列信息,候选场所信息即候选场所的相关信息,例如候选场所的地址、经纬度、与地标建筑的相对方位等一系列信息,因此,在获取当前场所信息与多个候选场所的候选场所信息之后,能够以当前场所信息为基准,分别与每个候选场所的候选场所信息进行比对,从而得到一些场所关联数据,需要明确,场所关联数据与候选场所信息一一对应,具体指的是,每将当前场所信息与一个候选场所的候选场所信息进行比对,随即生成一个场所关联数据,其中场所关联数据指的是反映当前场所与候选场所之间的关联信息的数据。应理解,场所关联数据的类型多种多样,可以包括但不限于:当前场所与目标场所之间的地理距离、当前场所与目标场所之间公交线路、目标用户处于当前场所时是否常去目标场所、大众处于当前场所时是否常去目标场所等一系列反映当前场所与候选场所之间的关联信息的数据。
本申请一些较为具体的实施例中,若目标用户当前所处的场所为A餐厅,那么在获取A餐厅的当前场所信息之后,即可分别与候选场所B、候选场所C、候选场所D对应的候选场所信息进行比对,其中当前场所信息与候选场所B的候选场所数据进行比对后,形成第一场所关联数据、当前场所信息与候选场所C的候选场所数据进行比对后,形成第二场所关联数据、当前场所信息与候选场所D的候选场所数据进行比对后,形成第三场所关联数据。而第一场所关联数据、第二场所关联数据、第三场所关联数据反映A餐厅分别与候选场所B、候选场所C、候选场所D之间的联系,例如第一场所关联数据反映A餐厅与候选场所B之间的距离为三百米,第二场所关联数据反映目标用户曾经在A餐厅用餐完毕后多次去到候选场所C,第三场所关联数据反映大众在A餐厅用餐完毕后多次以候选场所D为下一目的地。
参照图3,在一些实施例中,当前场所信息包括当前场所的第一地理信息和第一标签信息,每一候选场所信息包括一个候选场所的第二地理信息和第二标签信息,步骤S103可以包括但不限于步骤S301至步骤S303。
步骤S301,基于第一地理信息和每一候选场所的第二地理信息,比对每个候选场所与当前场所之间的地理位置,得到多个方位关联数据,方位关联数据与候选场所一一对应;
步骤S302,基于第一标签信息和每一候选场所的第二标签信息,比对每个候选场所与当前场所之间的类别标签,得到多个标签关联数据,标签关联数据与候选场所一一对应;
步骤S303,根据方位关联数据与标签关联数据,得到场所关联数据。
根据本申请一些实施例中的步骤S301,基于第一地理信息和每一候选场所的第二地理信息,比对每个候选场所与当前场所之间的地理位置,得到多个方位关联数据,方位关联数据与候选场所一一对应。需要说明的是,第二地理信息指的是候选场所的定位信息。由于第一地理信息指的是目标用户当前所处场所的定位信息,因此基于第一地理信息和每一候选场所的第二地理信息,即可比对每个候选场所与当前场所之间的地理位置,得到多个方位关联数据。需要明确,方位关联数据与候选场所一一对应,具体指的是,每将第一地理信息与一个第二地理信息进行比对,随即生成一个方位关联数据,其中方位关联数据指的是反映当前场所与候选场所之间地理位置与方向的数据。
根据本申请一些实施例中的步骤S302,基于第一标签信息和每一候选场所的第二标签信息,比对每个候选场所与当前场所之间的类别标签,得到多个标签关联数据,标签关联数据与候选场所一一对应。需要说明的是,第一标签信息指的是目标用户当前所处场所的标签信息,第一标签信息指的是目标用户当前所处场所的标签信息,第二标签信息指的是候选场所的标签信息。应理解,标签信息可以是预先针对目标用户所处区域各个场所作出的分类,例如针对餐厅、饭馆、小吃街等可以附上标签信息“餐饮”,又例如针对民宿、酒店、旅馆等可以附上标签信息“住宿”,再例如针对公园、湖边步道等可以附上标签信息“休闲”,需要指出,本申请一些实施例中目标用户所处区域中全部或部分场所均配置有对应的标签。因此基于第一标签信息和每一候选场所的第二标签信息,即可比对每个候选场所与当前场所之间的类别标签,从而得到多个标签关联数据。需要明确,标签关联数据与候选场所一一对应,具体指的是,每将第一标签信息与一个第二标签信息进行比对,随即生成一个标签关联数据,其中标签关联数据指的是反映当前场所与候选场所之间类别标签关联信息的数据。
本申请一些实施例中的步骤S303中,根据方位关联数据与标签关联数据,得到场所关联数据。需要说明的是,本申请一些实施例中场所关联数据有若干组成部分,其中若干组成部分可以包括但不限于方位关联数据与标签关联数据。
经由上述步骤S301指步骤S303,应理解,由于场所关联数据包括方位关联数据与标签关联数据,因此,场所关联数据至少可以基于“地理距离”、“类别标签”两个维度来在后续步骤中对多个候选场所信息进行筛选,得到兴趣场所信息,因此能够在兴趣场所推送的过程中,进一步使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性。
步骤S104,基于用户信息与多个场所关联数据,对多个候选场所信息进行筛选,得到兴趣场所信息;
根据本申请一些实施例中的步骤S104,在得到多个场所关联数据之后,基于用户信息与多个场所关联数据,对多个候选场所信息进行筛选,得到兴趣场所信息。需要强调,用户信息指的是目标用户的相关信息,其中用户信息可以包括,但不限于:目标用户当前所处的位置、目标用户的历史行为数据、目标用户在应用程序上的搜索记录、目标用户的扫码记录等一系列与目标用户有关的信息。而场所关联数据指的是反映当前场所与候选场所之间的关联信息的数据,其中场所关联数据的类型多种多样,可以包括但不限于:当前场所与目标场所之间的地理距离、当前场所与目标场所之间公交线路、目标用户处于当前场所时是否常去目标场所、大众处于当前场所时是否常去目标场所等一系列反映当前场所与候选场所之间的关联信息的数据。因此,基于用户信息与多个场所关联数据,即可将目标用户作为基准,结合目标用户当前所处的场所与多个候选场所之间的场所关联数据,进一步对个候选场所信息进行筛选,最终的得到与目标用户的兴趣取向较为匹配的兴趣场所信息,提高场所推荐的准确性。
参照图4,在一些实施例中,步骤S104可以包括但不限于步骤S401至步骤S402。
步骤S401,根据用户信息、多个场所关联数据,确定目标用户的筛选条件数据;
步骤S402,基于筛选条件数据,对多个候选场所信息进行筛选,得到兴趣场所信息。
根据本申请一些实施例中的步骤S401至步骤S402,先根据用户信息、多个场所关联数据,确定目标用户的筛选条件数据,再基于筛选条件数据,对多个候选场所信息进行筛选,得到兴趣场所信息。需要说明的是,筛选条件数据指的是对多个候选场所信息进行筛选的依据,其中筛选条件数据需要在用户信息、多个场所关联数据的基础上进一步得到,其原因在于,用户信息可以反映目标用户的需求,而场所关联数据可以反映用户当前所处的场所与多个候选场所之间的关联,因此基于用户信息,从多个候选场所信息中筛选出更贴近目标用户需求的候选场所信息,即可得到较为符合用户兴趣取向的兴趣场所信息,也因此能够在兴趣场所推送的过程中,进一步使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性。
参照图5,在一些实施例中,用户信息包括目标用户的历史行为数据,步骤S401可以包括但不限于步骤S501至步骤S503。
步骤S501,基于每一场所关联数据与历史行为数据,得到各个候选场所与历史行为数据之间的行为关联数据;
步骤S502,对每一场所关联数据进行解析,得到多个方位关联数据和多个标签关联数据;
步骤S503,基于方位关联数据、标签关联数据或者行为关联数据,确定筛选条件数据。
根据本申请一些实施例中的步骤S501,基于每一场所关联数据与历史行为数据,得到各个候选场所与历史行为数据之间的行为关联数据。需要强调,场所关联数据指的是反映当前场所与候选场所之间的关联信息的数据,其中场所关联数据的类型多种多样,可以包括但不限于:当前场所与目标场所之间的地理距离、当前场所与目标场所之间公交线路、目标用户处于当前场所时是否常去目标场所、大众处于当前场所时是否常去目标场所等一系列反映当前场所与候选场所之间的关联信息的数据。另外,历史行为数据指的是反映目标用户历史行为的数据,历史行为数据的类型多种多样,可以包括但不限于:目标用户的扫码记录、目标用户在应用程序上的搜索记录、目标用户的习惯行动轨迹记录等一系列数据。可以明确,目标用户的历史行为数据可以反映目标用户的兴趣取向,因此基于历史行为数据,即可从“用户偏好”的维度,来进一步在后续步骤中为筛选条件数据的确定提供参照,便于对多个候选场所信息进行筛选,从而得到兴趣场所信息。需要指出,行为关联数据指的是以历史行为数据为基准,从各个候选场所中比对得到的数据,应理解,行为关联数据反映目标用户对各个候选场所的偏好程度。根据本申请提供的一些实施例,行为关联数据的形成可以取决于多种因素,举例而言,目标用户常去的场所、目标用户即使绕远也要去的场所以及天气较差时目标用户也会去的场所往往具备较高的偏好程度,目标用户从不去的一类场所、目标用户去过一次就再也不去的场所往往具备较低的偏好程度,而针对不同候选场所的偏好程度均体现在行为关联数据之中。需要明确,基于每一场所关联数据与历史行为数据,得到各个候选场所与历史行为数据之间的行为关联数据的方式多种多样,可以包括,但不限于上述举出的具体实施例。
根据本申请一些实施例中的步骤S502,对每一场所关联数据进行解析,得到多个方位关联数据和多个标签关联数据。需要说明的是,需要说明的是,若第一地理信息指的是目标用户当前所处场所的定位信息、第二地理信息指的是候选场所的定位信息,则基于第一地理信息和每一候选场所的第二地理信息,即可通过比对每个候选场所与当前场所之间的地理位置,得到多个方位关联数据。需要明确,方位关联数据与候选场所一一对应,具体指的是,每将第一地理信息与一个第二地理信息进行比对,随即生成一个方位关联数据,其中方位关联数据指的是反映当前场所与候选场所之间地理位置与方向的数据。另外,第一标签信息指的是目标用户当前所处场所的标签信息,第一标签信息指的是目标用户当前所处场所的标签信息,第二标签信息指的是候选场所的标签信息。应理解,标签信息可以是预先针对目标用户所处区域各个场所作出的分类,例如针对餐厅、饭馆、小吃街等可以附上标签信息“餐饮”,又例如针对民宿、酒店、旅馆等可以附上标签信息“住宿”,再例如针对公园、湖边步道等可以附上标签信息“休闲”,需要指出,本申请一些实施例中目标用户所处区域中全部或部分场所均配置有对应的标签。因此基于第一标签信息和每一候选场所的第二标签信息,即可比对每个候选场所与当前场所之间的类别标签,从而得到多个标签关联数据。需要明确,标签关联数据与候选场所一一对应,具体指的是,每将第一标签信息与一个第二标签信息进行比对,随即生成一个标签关联数据,其中标签关联数据指的是反映当前场所与候选场所之间类别标签关联信息的数据。
根据本申请一些实施例中的步骤S503,基于方位关联数据、标签关联数据或者行为关联数据,确定筛选条件数据。需要说明的是,方位关联数据、标签关联数据或者行为关联数据均用于为筛选条件数据的确定提供参照。
应理解,经由上述步骤S501至步骤S503,由于场所关联数据包括方位关联数据与标签关联数据,因此,场所关联数据至少可以基于“地理距离”、“类别标签”两个维度来在后续步骤中为筛选条件数据的确定提供参照,而目标用户的历史行为数据可以反映目标用户的兴趣取向,因此基于历史行为数据,即可从“用户偏好”的维度,来进一步在后续步骤中为筛选条件数据的确定提供参照,便于对多个候选场所信息进行筛选,从而得到兴趣场所信息,因此能够在兴趣场所推送的过程中,进一步使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性。
参照图6,在一些实施例中,步骤S503可以包括但不限于步骤S601至步骤S602。
步骤S601,将方位关联数据、标签关联数据与行为关联数据输入预设的神经网络模型;
步骤S602,经由神经网络模型对方位关联数据、标签关联数据与行为关联数据进行权重配置,确定筛选条件数据。
根据本申请提供的一些实施例中的步骤S601至步骤S602,在获取方位关联数据、标签关联数据与行为关联数据之后,即可进一步将方位关联数据、标签关联数据与行为关联数据输入预设的神经网络模型,再经由神经网络模型对方位关联数据、标签关联数据与行为关联数据进行权重配置,确定筛选条件数据。需要说明的是,由于兴趣场所推送,指的是在用户授权许可的情况下,基于时间因素、场所因素或者用户历史数据进行分析,可以智能地为用户推送一些接下来用户会感兴趣的场所,因此为了使得兴趣场所推送具备更高的效率与更准确的识别度,本申请一些较为优选的实施例中,通过预设的神经网络模型来对方位关联数据、标签关联数据与行为关联数据进行权重配置,并确定筛选条件数据。本申请一些实施例中预设的神经网络模型可以包括但不限于:基于卷积神经网络(ConvolutionalNeural Networks,CNN)的深度学习模型、基于长短期记忆神经网络(Long Short-TermMemory,LSTM)结合注意力机制的模型以及BERT(Bidirectional Encoder Representationfrom Transformers)语言模型。需要说明的是,预设的神经网络模型可以参照目标用户的历史行为数据来配置。
参照图7,在一些实施例中,步骤S602可以包括但不限于步骤S701至步骤S704。
步骤S701,分别对方位关联数据、标签关联数据与行为关联数据进行降维处理,得到方位关联数据对应的方位特征向量、标签关联数据对应的标签特征向量、行为关联数据对应的行为特征向量;
步骤S702,将方位特征向量、标签特征向量与行为特征向量进行耦合处理,得到兴趣特征向量;
步骤S703,基于权重配置规则对兴趣特征向量的方位特征向量、标签特征向量与行为特征向量进行权重调整,得到更新后的兴趣特征向量,其中,权重配置规则根据历史行为数据得到;
步骤S704,将更新后的兴趣特征向量作为筛选条件数据。
根据本申请一些实施例中的步骤S701,分别对方位关联数据、标签关联数据与行为关联数据进行降维处理,得到方位关联数据对应的方位特征向量、标签关联数据对应的标签特征向量、行为关联数据对应的行为特征向量。需要说明的是,分别对方位关联数据、标签关联数据与行为关联数据进行降维处理,得到方位关联数据对应的方位特征向量、标签关联数据对应的标签特征向量、行为关联数据对应的行为特征向量,其目的在于特征向量的形式便于神经网络模型进行数据处理,以提升神经网络模型权重配置的效率。
根据本申请一些实施例中的步骤S702至步骤S704,将方位特征向量、标签特征向量与行为特征向量进行耦合处理,得到兴趣特征向量,再基于权重配置规则对兴趣特征向量的方位特征向量、标签特征向量与行为特征向量进行权重调整,得到更新后的兴趣特征向量,其中,权重配置规则根据历史行为数据得到,最终将更新后的兴趣特征向量作为筛选条件数据。需要说明的是,在得到方位特征向量、标签特征向量与行为特征向量之后,需要对方位特征向量、标签特征向量与行为特征向量进行权重配置,而在权重配置之前,需要将方位特征向量、标签特征向量与行为特征向量进行耦合处理,并入同一特征向量,即兴趣特征向量,再进一步基于权重配置规则对兴趣特征向量的方位特征向量、标签特征向量与行为特征向量进行权重调整,得到更新后的兴趣特征向量,以便于进一步将更新后的兴趣特征向量作为筛选条件数据。需要明确,兴趣特征向量指的是用于预测目标用户兴趣取向的特征向量,其中方位特征向量、标签特征向量与行为特征向量的权重占比,即为对目标用户兴趣取向的预测权重占比。
本申请一些示例性的实施例中,权重配置规则根据历史行为数据得到指的是:每完成一次兴趣场所信息推送,本实施例会进一步检测目标用户接下来的目标动作,若目标用户接下来的目标动作与之前推送的兴趣场所信息对应,则得到正向反馈信息,反之若目标用户接下来的目标动作无法与之前推送的兴趣场所信息对应,则得到负向反馈信息,将数次推送后对应的正向反馈信息与负向反馈信息记录并发送至神经网络模型,以使得神经网络模型将记录下来的正向反馈信息与负向反馈信息作为权重配置规则的调整依据,从而使得随着推送次数的不断增加,神经网络模型的权重配置规则也能够得到不断的优化,因此本实施例中兴趣场所信息的推送将会越来越符合用户的兴趣取向。需要指出,一些较为优选的实施例中,若尚未获得足量的历史行为数据,则神经网络模型的权重配置规则将会给方位特征向量、标签特征向量配置更高的权重,重视目标用户所处场所与候选场所之间的关联,以使得本方法推荐的兴趣地点信息更具备参照意义,而随着历史行为数据的不断累积,行为特征向量在兴趣特征向量中的权重占比会得到提升,以使得筛选条件数据更加贴近目标用户的兴趣取向。应理解,权重配置规则的配置思路多种多样,可以包括,但不限于上述举出的具体实施例。
参照图8,在一些实施例中,步骤S402可以包括但不限于步骤S801至步骤S802。
步骤S801,基于更新后的兴趣特征向量进行场所概率计算,得到每一候选场所的兴趣概率特征;
步骤S802,基于兴趣概率特征,从多个候选场所信息中筛选出兴趣场所信息。
根据本申请一些实施例中的步骤S801至步骤S802,将更新后的兴趣特征向量作为筛选条件数据之后,即可进一步基于更新后的兴趣特征向量进行场所概率计算,得到每一候选场所的兴趣概率特征,应理解,由于兴趣特征向量指的是用于预测目标用户兴趣取向的特征向量,其中方位特征向量、标签特征向量与行为特征向量的权重占比,即为对目标用户兴趣取向的预测权重占比,因此基于更新后的兴趣特征向量进行场所概率计算,即可得到每一候选场所的兴趣概率特征。本申请一些实施例中,场所概率计算可以是经由Softmax函数将兴趣特征向量中的预测权重占比映射到作为输出结果的兴趣概率特征上,应理解,针对不同的候选场所,会得到不同的兴趣概率特征。需要指出,在获取兴趣概率特征之后,可以依照多种方法从多个候选场所信息中筛选出兴趣场所信息,例如依照兴趣概率特征对每一候选场所进行排列,然后将其中最符合预测目标用户兴趣取向的若干个候选场所信息确定为兴趣场所信息。应理解,由于兴趣特征向量指的是用于预测目标用户兴趣取向的特征向量,因此以兴趣特征向量从多个候选场所信息中筛选出兴趣场所信息,能够在兴趣场所推送的过程中,进一步使得推送的兴趣场所与用户实际需要更加匹配,提高场所推荐的准确性。
本申请一些较为具体的实施例中,将基于长短期记忆神经网络(Long Short-TermMemory,LSTM)结合注意力机制的模型作为本申请实施例中的神经网络模型。需要说明的是,基于长短期记忆神经网络(Long Short-Term Memory,LSTM)结合注意力机制的模型包括嵌入层(Embedding)、注意力层(Attention)、长短期注意力层(LSTM)以及分类输出层,其中嵌入层,用于分别对方位关联数据、标签关联数据与行为关联数据进行降维处理,得到方位关联数据对应的方位特征向量、标签关联数据对应的标签特征向量、行为关联数据对应的行为特征向量,并将方位特征向量、标签特征向量与行为特征向量进行耦合处理,得到兴趣特征向量;注意力层,用以基于权重配置规则对兴趣特征向量的方位特征向量、标签特征向量与行为特征向量进行权重调整,得到更新后的兴趣特征向量;长短期注意力层,则用于获取与兴趣场所信息对应的正向反馈信息与负向反馈信息,以更新权重配置规则;分类输出层,则用于基于更新后的兴趣特征向量进行场所概率计算,得到每一候选场所的兴趣概率特征,再基于兴趣概率特征,从多个候选场所信息中筛选出兴趣场所信息。
在一些实施例的步骤S105中,将兴趣场所信息推送给目标用户,可以通过多种方式来实现,例如以弹窗形式将兴趣场所信息推送给用户、在消息通知栏将兴趣场所信息推送给用户等多种多样的推送方式。需要强调,兴趣场所信息指的是符合预测目标用户兴趣取向的候选场所信息,应理解,兴趣场所信息可以是最符合预测目标用户兴趣取向的候选场所信息,也可以是较为符合预测目标用户兴趣取向的多个候选场所信息。需要明确,将兴趣场所信息推送给目标用户的方式可以包括,但不限于上述举出的具体实施例。
图9示出了本申请实施例提供的电子设备900。电子设备900包括:处理器901、存储器902及存储在存储器902上并可在处理器901上运行的计算机程序,计算机程序运行时用于执行上述的兴趣场所推送方法。
处理器901和存储器902可以通过总线或者其他方式连接。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,如本申请实施例描述的兴趣场所推送方法。处理器901通过运行存储在存储器902中的非暂态软件程序以及指令,从而实现上述的兴趣场所推送方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序。存储数据区可存储执行上述的兴趣场所推送方法。此外,存储器902可以包括高速随机存取存储器902,还可以包括非暂态存储器902,例如至少一个储存设备存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中,存储器902可选包括相对于处理器901远程设置的存储器902,这些远程存储器902可以通过网络连接至该电子设备900。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述的兴趣场所推送方法所需的非暂态软件程序以及指令存储在存储器902中,当被一个或者多个处理器901执行时,执行上述的兴趣场所推送方法,例如,执行图1中的方法步骤S101至步骤S105、图2中的方法步骤S201至步骤S202、图3中的方法步骤S301至步骤S303、图4中的方法步骤S401至步骤S402、图5中的方法步骤S501至步骤S503、图6中的方法步骤S601至步骤S602、图7中的方法步骤S701至步骤S704、图8中的方法步骤S801至步骤S802。
本申请实施例还提供了计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行上述的兴趣场所推送方法。
在一实施例中,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,执行图1中的方法步骤S101至步骤S105、图2中的方法步骤S201至步骤S202、图3中的方法步骤S301至步骤S303、图4中的方法步骤S401至步骤S402、图5中的方法步骤S501至步骤S503、图6中的方法步骤S601至步骤S602、图7中的方法步骤S701至步骤S704、图8中的方法步骤S801至步骤S802。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、储存设备存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。还应了解,本申请实施例提供的各种实施方式可以任意进行组合,以实现不同的技术效果。
以上是对本申请的较佳实施进行了具体说明,但本申请并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请精神的共享条件下还可作出种种等同的变形或替换,这些等同的变形或替换均包括在本申请权利要求所限定的范围内。
Claims (10)
1.一种兴趣场所推送方法,其特征在于,包括:
获取目标用户的用户信息;
基于所述用户信息,获取所述目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息;
基于每一所述候选场所信息与所述当前场所信息,得到多个场所关联数据,所述场所关联数据与所述候选场所信息一一对应;
基于所述用户信息与多个所述场所关联数据,对多个所述候选场所信息进行筛选,得到兴趣场所信息;
将所述兴趣场所信息推送给所述目标用户。
2.根据权利要求1所述的方法,其特征在于,所述基于所述用户信息与多个所述场所关联数据,对多个所述候选场所信息进行筛选,得到兴趣场所信息,包括:
根据所述用户信息、多个所述场所关联数据,确定所述目标用户的筛选条件数据;
基于所述筛选条件数据,对多个所述候选场所信息进行筛选,得到兴趣场所信息。
3.根据权利要求2所述的方法,其特征在于,所述当前场所信息包括所述当前场所的第一地理信息和第一标签信息,每一所述候选场所信息包括一个所述候选场所的第二地理信息和第二标签信息,所述基于每一所述候选场所信息与所述当前场所信息,得到多个场所关联数据,包括:
基于所述第一地理信息和每一所述候选场所的所述第二地理信息,比对每个所述候选场所与所述当前场所之间的地理位置,得到多个方位关联数据,所述方位关联数据与所述候选场所一一对应;
基于所述第一标签信息和每一所述候选场所的第二标签信息,比对每个所述候选场所与所述当前场所之间的类别标签,得到多个标签关联数据,所述标签关联数据与所述候选场所一一对应;
根据所述方位关联数据与所述标签关联数据,得到所述场所关联数据。
4.根据权利要求2所述的方法,其特征在于,所述用户信息包括所述目标用户的历史行为数据,所述根据所述用户信息、多个所述场所关联数据,确定所述目标用户的筛选条件数据,包括:
基于每一所述场所关联数据与所述历史行为数据,得到各个所述候选场所与所述历史行为数据之间的行为关联数据;
对每一所述场所关联数据进行解析,得到多个方位关联数据和多个标签关联数据;
基于所述方位关联数据、所述标签关联数据或者所述行为关联数据,确定所述筛选条件数据。
5.根据权利要求4所述的方法,其特征在于,所述基于所述方位关联数据、所述标签关联数据或者所述行为关联数据,确定所述筛选条件数据,包括:
将所述方位关联数据、所述标签关联数据与所述行为关联数据输入预设的神经网络模型;
经由所述神经网络模型对所述方位关联数据、所述标签关联数据与所述行为关联数据进行权重配置,确定所述筛选条件数据。
6.根据权利要求5所述的方法,其特征在于,所述经由所述神经网络模型对所述方位关联数据、所述标签关联数据与所述行为关联数据进行权重配置,确定所述筛选条件数据,包括:
分别对所述方位关联数据、所述标签关联数据与所述行为关联数据进行降维处理,得到所述方位关联数据对应的方位特征向量、所述标签关联数据对应的标签特征向量、所述行为关联数据对应的行为特征向量;
将所述方位特征向量、所述标签特征向量与所述行为特征向量进行耦合处理,得到兴趣特征向量;
基于权重配置规则对所述兴趣特征向量的所述方位特征向量、所述标签特征向量与所述行为特征向量进行权重调整,得到更新后的所述兴趣特征向量,其中,所述权重配置规则根据所述历史行为数据得到;
将更新后的所述兴趣特征向量作为所述筛选条件数据。
7.根据权利要求6所述的方法,其特征在于,所述基于所述筛选条件数据,对多个所述候选场所信息进行筛选,得到兴趣场所信息,包括:
基于更新后的所述兴趣特征向量进行场所概率计算,得到每一所述候选场所的兴趣概率特征;
基于所述兴趣概率特征,从多个所述候选场所信息中筛选出所述兴趣场所信息。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述用户信息包括第一地理信息、历史行为数据,所述基于所述用户信息,获取所述目标用户当前所处场所的当前场所信息、多个候选场所的候选场所信息,包括:
基于所述第一地理信息,获取所述当前场所信息;
基于所述当前场所信息和所述历史行为数据,在预设场所信息库中进行信息筛选,得到多个所述候选场所的所述候选场所信息。
9.一种电子设备,其特征在于,包括:存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的兴趣场所推送方法。
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存储有计算机程序,所述计算机程序被处理器执行实现如权利要求1至8中任意一项所述的兴趣场所推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310571974.4A CN116610859A (zh) | 2023-05-19 | 2023-05-19 | 兴趣场所推送方法、电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310571974.4A CN116610859A (zh) | 2023-05-19 | 2023-05-19 | 兴趣场所推送方法、电子设备、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116610859A true CN116610859A (zh) | 2023-08-18 |
Family
ID=87677627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310571974.4A Pending CN116610859A (zh) | 2023-05-19 | 2023-05-19 | 兴趣场所推送方法、电子设备、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610859A (zh) |
-
2023
- 2023-05-19 CN CN202310571974.4A patent/CN116610859A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6569313B2 (ja) | 施設特性を更新する方法、施設をプロファイリングする方法、及びコンピュータ・システム | |
US8612134B2 (en) | Mining correlation between locations using location history | |
CN1766880B (zh) | 用于提供地理搜索功能的系统和方法 | |
US20170161393A1 (en) | Terminal, server and event suggesting methods thereof | |
CN118171657A (zh) | 基于关注点信息提供服务的方法和装置 | |
US9171011B1 (en) | Building search by contents | |
EP2351987A2 (en) | Method of operating a navigation system to provide geographic location information | |
CN104123398A (zh) | 一种信息推送方法及装置 | |
US11468136B2 (en) | Item inventory locating from search queries | |
JP2017510104A (ja) | ワイヤレスネットワークのアクセスポイントに関連したエンティティの識別 | |
CN102047249A (zh) | 用于聚合和呈现与地理位置相关联的数据的方法和设备 | |
Yamaguchi et al. | Landmark-based user location inference in social media | |
KR20170030379A (ko) | 사용자 선호에 맞춘 여행 큐레이션 서비스 방법 및 시스템 | |
CN104160440A (zh) | 使用基于位置的语言建模的自动输入信号识别 | |
CN110019645A (zh) | 索引库构建方法、搜索方法及装置 | |
CN104115147A (zh) | 位置感知应用搜索 | |
CN113836435A (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
Lin et al. | Inferring the home locations of Twitter users based on the spatiotemporal clustering of Twitter data | |
Kashian et al. | Automatic analysis of positional plausibility for points of interest in OpenStreetMap using coexistence patterns | |
KR20210065773A (ko) | 빅데이터 기반의 감성정보 분석평가 시스템 및 그 구동방법 | |
Mahmud et al. | State of mobile crowdsourcing applications: A review | |
CN110096609A (zh) | 房源搜索方法、装置、设备及计算机可读存储介质 | |
KR20170035694A (ko) | 여행성 질의에 대응하는 검색 결과로 코스를 추천하는 방법 및 시스템 | |
KR102109612B1 (ko) | 위치 기반의 지리 관계 서비스를 위한 장치 | |
CN116610859A (zh) | 兴趣场所推送方法、电子设备、计算机可读存储介质 |
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 |