CN117350408B - 一种基于机器学习的行程规划模型训练系统 - Google Patents
一种基于机器学习的行程规划模型训练系统 Download PDFInfo
- Publication number
- CN117350408B CN117350408B CN202311638872.6A CN202311638872A CN117350408B CN 117350408 B CN117350408 B CN 117350408B CN 202311638872 A CN202311638872 A CN 202311638872A CN 117350408 B CN117350408 B CN 117350408B
- Authority
- CN
- China
- Prior art keywords
- user
- unit
- processor
- factor
- time
- 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
- 238000012549 training Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 235000005911 diet Nutrition 0.000 claims description 6
- 230000000378 dietary effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于机器学习的行程规划模型训练系统，涉及电数字数据处理领域，包括数据采集模块、属性分析模块、用户映射模块和规划训练模块，所述数据采集模块用于采集实际的行程数据，所述属性分析模块用于对用户的属性以及行程因素的属性进行分析，所述用户映射模块根据用户的属性对用户进行分类并构建因素属性与分类的映射关系，所述规划训练模块用于对行程数据进行训练；本系统通过将训练的数据先进行分类，并使用不同的模型对分类后的数据进行训练，能够提高训练效果。
Description
技术领域
本发明涉及电数字数据处理领域，具体涉及一种基于机器学习的行程规划模型训练系统。
背景技术
随着人们生活水平的提高和旅游需求的增加，个性化、智能化的行程规划服务正逐渐成为旅行业的新趋势，传统的行程规划主要基于静态数据和规则，无法满足用户多样化、个性化的需求，为了解决这一问题，需要对行程规划的模型进行训练来提高规划效果。
背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
现在已经开发出了很多行程规划系统，经过我们大量的检索与参考，发现现有的行程规划系统有如公开号为CN107633317B所公开的系统，这些系统方法一般包括：获取已知出游需求的出游路线；将所述出游需求、利用该出游需求确定的候选景点集合以及该出游需求对应的出游路线作为训练样本，训练深度学习模型，以得到行程规划模型；所述行程规划模型用于利用出游需求得到对应的出游路线。其中规划出游行程的方法为：获取用户的出游需求；根据所述用户的出游需求，获取对应所述出游需求的候选景点集合；将所述用户的出游需求以及所述候选景点集合输入行程规划模型，获取由行程规划模型得到的出游路线。但该系统在训练时将所述案例作为整体进行训练，导致训练效果提升较缓。
发明内容
本发明的目的在于，针对所存在的不足，提出了一种基于机器学习的行程规划模型训练系统。
本发明采用如下技术方案：
一种基于机器学习的行程规划模型训练系统，包括数据采集模块、属性分析模块、用户映射模块和规划训练模块；
所述数据采集模块用于采集实际的行程数据，所述属性分析模块用于对用户的属性以及行程因素的属性进行分析，所述用户映射模块根据用户的属性对用户进行分类并构建因素属性与分类的映射关系，所述规划训练模块用于对行程数据进行训练；
所述属性分析模块包括案例数据缓存单元和因素属性解析单元，所述案例数据缓存单元用于获取并保存同一个用户的所有行程案例数据，所述因素属性解析单元用于对案例的因素信息进行属性解析处理；
所述用户映射模块包括用户分类单元和分类映射单元，所述用户分类单元根据属性的解析结果对用户进行分类，所述分类映射单元用于构建因素属性与用户分类之间的映射关系；
所述规划训练模块包括模型选择单元、行程规划单元和反馈优化单元，所述模型选择单元用于选择规划模型，所述行程规划单元用于执行规划模型并输出行程信息，所述反馈优化单元用于将输出的行程信息与实际的行程数据进行比较并基于比较结果对模型参数进行优化；
进一步的，所述因素属性解析单元包括时间因素处理器和属性解析处理器，所述时间因素处理器对行程案例中的游玩时间和驾驶时间进行计算处理得到时间因素的属性，所述属性解析处理器对每个用户的属性特征进行分析；
所述时间因素处理器根据下式计算出每个行程案例的时间向量T：
；
其中，n为行程案例中的行程节点数量，为第i个行程节点的游玩时间，/>为第i个驾驶时间，/>、/>为时间向量里的两个元素；
进一步的，所述属性解析处理器将因素信息转换成4个字符串、/>、/>和/>，其中，对应饮食因素，/>对应受众因素，/>对应游玩因素，/>对应时间因素，所述属性解析处理器根据下式对所有时间向量进行处理并转换成字符串/>：
；
其中，表示时间向量的数量，/>表示第j时间属性的阈值，/>表示元素/>小于/>的时间向量数量，/>为元素/>小于/>的时间向量的/>平均值；
进一步的，所述用户分类单元包括字符串比较处理器、分类规则处理器和分类编码处理器，所述字符串比较处理器用于将字符串信息进行对比，所述分类规则处理器根据对比结果设置分类规则，所述分类编码处理器用于对每一个分类进行编码记录；
所述字符串比较处理器根据下式计算出两个同类型字符串的差值指数P：
；
其中，L表示字符串的长度，和/>表示两个同类型的字符串；
所述字符比较处理器根据下式计算出两个用户的相似指数Q:
；
其中，P1、P2、P3和P4分别为字符串、/>、/>和/>的差值指数；
进一步的，所述分类规则处理器的处理流程包括如下步骤：
S21、将用户作为节点，用户之间的相似指数作为连接两个节点的边的权重值，由节点和边构成一个图；
S22、在构建的图中寻找一个最小生成树，最小生成树是连接所有节点并且边的权重值之和最小的树；
S23、将最小生成数中的边按照权重值从大到小排序，并删除预设数量的边获得多个子树；
S24每个子树对应一个用户分类，获取子树对应用户的字符串，并基于字符串中各个位置上字符的上下限值确定分类规则；
S25、将所有子树的分类规则发送给所述分类编码处理器。
本发明所取得的有益效果是：
本系统通过在实际训练前对训练用的数据进行分析处理，分成多个类别，使得模型的训练效果更具针对性，提高了模型的训练效果。
为使能更进一步了解本发明的特征及技术内容，请参阅以下有关本发明的详细说明与附图，然而所提供的附图仅用于提供参考与说明，并非用来对本发明加以限制。
附图说明
图1为本发明整体结构框架示意图；
图2为本发明数据采集模块构成示意图；
图3为本发明用户映射模块构成示意图；
图4为本发明规划训练模块构成示意图；
图5为本发明用户分类单元构成示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不悖离本发明的精神下进行各种修饰与变更。另外，本发明的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所公开的内容并非用以限制本发明的保护范围。
实施例一：本实施例提供了一种基于机器学习的行程规划模型训练系统，结合图1，包括数据采集模块、属性分析模块、用户映射模块和规划训练模块；
所述数据采集模块用于采集实际的行程数据，所述属性分析模块用于对用户的属性以及行程因素的属性进行分析，所述用户映射模块根据用户的属性对用户进行分类并构建因素属性与分类的映射关系，所述规划训练模块用于对行程数据进行训练；
所述属性分析模块包括案例数据缓存单元和因素属性解析单元，所述案例数据缓存单元用于获取并保存同一个用户的所有行程案例数据，所述因素属性解析单元用于对案例的因素信息进行属性解析处理；
所述用户映射模块包括用户分类单元和分类映射单元，所述用户分类单元根据属性的解析结果对用户进行分类，所述分类映射单元用于构建因素属性与用户分类之间的映射关系；
所述规划训练模块包括模型选择单元、行程规划单元和反馈优化单元，所述模型选择单元用于选择规划模型，所述行程规划单元用于执行规划模型并输出行程信息，所述反馈优化单元用于将输出的行程信息与实际的行程数据进行比较并基于比较结果对模型参数进行优化；
所述因素属性解析单元包括时间因素处理器和属性解析处理器，所述时间因素处理器对行程案例中的游玩时间和驾驶时间进行计算处理得到时间因素的属性，所述属性解析处理器对每个用户的属性特征进行分析；
所述时间因素处理器根据下式计算出每个行程案例的时间向量T：
；
其中，n为行程案例中的行程节点数量，为第i个行程节点的游玩时间，/>为第i个驾驶时间，/>、/>为时间向量里的两个元素；
所述属性解析处理器将因素信息转换成4个字符串、/>、/>和/>，其中，/>对应饮食因素，/>对应受众因素，/>对应游玩因素，/>对应时间因素，所述属性解析处理器根据下式对所有时间向量进行处理并转换成字符串/>：
；
其中，表示时间向量的数量，/>表示第j时间属性的阈值，/>表示元素/>小于/>的时间向量数量，/>为元素/>小于/>的时间向量的/>平均值；
所述用户分类单元包括字符串比较处理器、分类规则处理器和分类编码处理器，所述字符串比较处理器用于将字符串信息进行对比，所述分类规则处理器根据对比结果设置分类规则，所述分类编码处理器用于对每一个分类进行编码记录；
所述字符串比较处理器根据下式计算出两个同类型字符串的差值指数P：
；
其中，L表示字符串的长度，和/>表示两个同类型的字符串；
所述字符比较处理器根据下式计算出两个用户的相似指数Q:
；
其中，P1、P2、P3和P4分别为字符串、/>、/>和/>的差值指数；
所述分类规则处理器的处理流程包括如下步骤：
S21、将用户作为节点，用户之间的相似指数作为连接两个节点的边的权重值，由节点和边构成一个图；
S22、在构建的图中寻找一个最小生成树，最小生成树是连接所有节点并且边的权重值之和最小的树；
S23、将最小生成数中的边按照权重值从大到小排序，并删除预设数量的边获得多个子树；
S24、每个子树对应一个用户分类，获取子树对应用户的字符串，并基于字符串中各个位置上字符的上下限值确定分类规则；
S25、将所有子树的分类规则发送给所述分类编码处理器。
实施例二：本实施例包含了实施例一中的全部内容，提供了一种基于机器学习的行程规划模型训练系统，包括数据采集模块、属性分析模块、用户映射模块、规划训练模块；
所述数据采集模块用于采集实际的行程数据，所述属性分析模块用于对用户的属性以及行程因素的属性进行分析，所述用户映射模块根据用户的属性对用户进行分类并构建因素属性与分类的映射关系，所述规划训练模块用于对行程数据进行训练；
结合图2，所述数据采集模块包括行程采集单元、因素采集单元和数据存储单元，所述行程采集单元用于采集行程案例信息，所述因素采集单元用于采集行程案例中行程节点的具体因素信息，所述数据存储单元用于保存行程案例信息和因素信息；
所述行程案例的内容包括行程节点和连接信息，所述行程节点按序排列，每个行程节点表示一个游玩景点，所述连接信息表示相邻两个行程节点所需的驾驶时间，所述行程节点包含了景点名称和游玩时间；
所述因素采集单元根据景点名称获取该景点内的因素信息，所述因素信息包括饮食因素、受众因素和游玩因素；
所述属性分析模块包括案例数据缓存单元和因素属性解析单元，所述案例数据缓存单元用于获取并保存同一个用户的所有行程案例数据，所述因素属性解析单元用于对案例的因素信息进行属性解析处理；
结合图3，所述用户映射模块包括用户分类单元和分类映射单元，所述用户分类单元根据属性的解析结果对用户进行分类，所述分类映射单元用于构建因素属性与用户分类之间的映射关系；
结合图4，所述规划训练模块包括模型选择单元、行程规划单元和反馈优化单元，所述模型选择单元用于选择规划模型，所述行程规划单元用于执行规划模型并输出行程信息，所述反馈优化单元用于将输出的行程信息与实际的行程数据进行比较并基于比较结果对模型参数进行优化；
所述因素属性解析单元包括时间因素处理器和属性解析处理器，所述时间因素处理器对行程案例中的游玩时间和驾驶时间进行计算处理得到时间因素的属性，所述属性解析处理器对每个用户的属性特征进行分析；
所述时间因素处理器根据下式计算出每个行程案例的时间向量T：
；
其中，n为行程案例中的行程节点数量，为第i个行程节点的游玩时间，/>为第i个驾驶时间，/>、/>为时间向量里的两个元素；
时间因素通过时间向量表示，而饮食因素、受众因素和游玩因素均包含多个属性，例如，饮食因素包括辣味、甜食、油炸等不同属性，受众因素包括儿童、青年、中老年、全年龄等，游玩因素包括刺激类、自然环境类、人文类等；
所述属性解析处理器对属性进行解析的过程包括如下步骤：
S1、统计出所有行程案例中每个因素各个属性出现的次数，饮食因素的属性次数用表示，受众因素的属性次数用/>表示，游玩因素的属性次数用/>表示，其中，j表示属性序号；
S2、将属性次数转换成字符串/>，字符串上各字符对应的数值为/>：
；
其中，为饮食因素包含的属性种类数量；
S3、使用与S2相同的方法将转换成字符串/>，将/>转换成字符串/>；
S4、根据下式对所有时间向量进行处理并转换成字符串：
；
其中，表示时间向量的数量，/>表示第j时间属性的阈值，/>表示元素/>小于/>的时间向量数量，/>为元素/>小于/>的时间向量的/>平均值；
所述属性分析模块将同一个用户的案例数据保存至案例数据缓存单元中，所述属性解析处理器处理得到该用户的四个字符串并发送给用户分类单元，清空案例数据缓存单元并获取新用户的案例数据，不断重复该过程直至处理完所有用户的案例数据；
结合图5，所述用户分类单元包括字符串比较处理器、分类规则处理器和分类编码处理器，所述字符串比较处理器用于将字符串信息进行对比，所述分类规则处理器根据对比结果设置分类规则，所述分类编码处理器用于对每一个分类进行编码记录；
所述字符串比较处理器根据下式计算出两个同类型字符串的差值指数P：
；
其中，L表示字符串的长度，和/>表示两个同类型的字符串；
所述字符比较处理器根据下式计算出两个用户的相似指数Q:
；
其中，P1、P2、P3和P4分别为字符串、/>、/>和/>的差值指数；
所述分类规则处理器的处理流程包括如下步骤：
S21、将用户作为节点，用户之间的相似指数作为连接两个节点的边的权重值，由节点和边构成一个图；
S22、在构建的图中寻找一个最小生成树，最小生成树是连接所有节点并且边的权重值之和最小的树；
S23、将最小生成数中的边按照权重值从大到小排序，并删除预设数量的边获得多个子树；
S24、每个子树对应一个用户分类，获取子树对应用户的字符串，并基于字符串中各个位置上字符的上下限值确定分类规则；
S25、将所有子树的分类规则发送给所述分类编码处理器；
所述模型选择单元包括分类通道处理器和数据传输处理器，所述分类通道处理器用于识别分类编码并与对应的模型建立通道，所述数据传输处理器用于在建立的通道中传输数据给模型；
所述行程规划单元包括模型运行处理器和模型参数寄存器，所述模型运行处理器中含有与用户分类数量一致的模型，每个模型能够独立运行，所述模型参数寄存器中记录了每个模型的参数，模型的输入数据为区域信息，输出数据为规划的行程信息；
所述反馈优化单元包括行程校对处理器和参数优化处理器，所述行程校对处理器将行程规划单元输出的行程信息与实际案例中的对应行程信息进行比较，将比较结果发送给参数优化处理器，所述参数优化处理器基于比较结果对模型参数进行优化修改，将优化后的参数发送至模型参数寄存器中。
以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的保护范围，所以凡是运用本发明说明书及附图内容所做的等效技术变化，均包含于本发明的保护范围内，此外，随着技术发展其中的元素可以更新的。
Claims (5)
1.一种基于机器学习的行程规划模型训练系统，其特征在于，包括数据采集模块、属性分析模块、用户映射模块和规划训练模块；
所述数据采集模块用于采集实际的行程数据，所述属性分析模块用于对用户的属性以及行程因素的属性进行分析，所述用户映射模块根据用户的属性对用户进行分类并构建因素属性与分类的映射关系，所述规划训练模块用于对行程数据进行训练；
所述属性分析模块包括案例数据缓存单元和因素属性解析单元，所述案例数据缓存单元用于获取并保存同一个用户的所有行程案例数据，所述因素属性解析单元用于对案例的因素信息进行属性解析处理；
所述用户映射模块包括用户分类单元和分类映射单元，所述用户分类单元根据属性的解析结果对用户进行分类，所述分类映射单元用于构建因素属性与用户分类之间的映射关系；
所述规划训练模块包括模型选择单元、行程规划单元和反馈优化单元，所述模型选择单元用于选择规划模型，所述行程规划单元用于执行规划模型并输出行程信息，所述反馈优化单元用于将输出的行程信息与实际的行程数据进行比较并基于比较结果对模型参数进行优化。
2.如权利要求1所述的一种基于机器学习的行程规划模型训练系统，其特征在于，所述因素属性解析单元包括时间因素处理器和属性解析处理器，所述时间因素处理器对行程案例中的游玩时间和驾驶时间进行计算处理得到时间因素的属性，所述属性解析处理器对每个用户的属性特征进行分析；
所述时间因素处理器根据下式计算出每个行程案例的时间向量T：
；
其中，n为行程案例中的行程节点数量，为第i个行程节点的游玩时间，/>为第i个驾驶时间，/>、/>为时间向量里的两个元素。
3.如权利要求2所述的一种基于机器学习的行程规划模型训练系统，其特征在于，所述属性解析处理器将因素信息转换成4个字符串、/>、/>和/>，其中，/>对应饮食因素，/>对应受众因素，/>对应游玩因素，/>对应时间因素，所述属性解析处理器根据下式对所有时间向量进行处理并转换成字符串/>：
；
其中，表示时间向量的数量，/>表示第j时间属性的阈值，/>表示元素/>小于/>的时间向量数量，/>为元素/>小于/>的时间向量的/>平均值。
4.如权利要求3所述的一种基于机器学习的行程规划模型训练系统，其特征在于，所述用户分类单元包括字符串比较处理器、分类规则处理器和分类编码处理器，所述字符串比较处理器用于将字符串信息进行对比，所述分类规则处理器根据对比结果设置分类规则，所述分类编码处理器用于对每一个分类进行编码记录；
所述字符串比较处理器根据下式计算出两个同类型字符串的差值指数P：
；
其中，L表示字符串的长度，和/>表示两个同类型的字符串；
所述字符串比较处理器根据下式计算出两个用户的相似指数Q:
；
其中，P1、P2、P3和P4分别为字符串、/>、/>和/>的差值指数。
5.如权利要求4所述的一种基于机器学习的行程规划模型训练系统，其特征在于，所述分类规则处理器的处理流程包括如下步骤：
S21、将用户作为节点，用户之间的相似指数作为连接两个节点的边的权重值，由节点和边构成一个图；
S22、在构建的图中寻找一个最小生成树，最小生成树是连接所有节点并且边的权重值之和最小的树；
S23、将最小生成数中的边按照权重值从大到小排序，并删除预设数量的边获得多个子树；
S24每个子树对应一个用户分类，获取子树对应用户的字符串，并基于字符串中各个位置上字符的上下限值确定分类规则；
S25、将所有子树的分类规则发送给所述分类编码处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311638872.6A CN117350408B (zh) | 2023-12-04 | 2023-12-04 | 一种基于机器学习的行程规划模型训练系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311638872.6A CN117350408B (zh) | 2023-12-04 | 2023-12-04 | 一种基于机器学习的行程规划模型训练系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117350408A CN117350408A (zh) | 2024-01-05 |
| CN117350408B true CN117350408B (zh) | 2024-03-01 |
Family
ID=89355996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311638872.6A Active CN117350408B (zh) | 2023-12-04 | 2023-12-04 | 一种基于机器学习的行程规划模型训练系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117350408B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334976A (zh) * | 2017-12-26 | 2018-07-27 | 世界邦（北京）信息技术有限公司 | 基于机器学习的行程规划的调整方法及装置 |
| CN115456266A (zh) * | 2022-09-01 | 2022-12-09 | 深圳市人马互动科技有限公司 | 行程规划方法、装置、设备及存储介质 |
-
2023
- 2023-12-04 CN CN202311638872.6A patent/CN117350408B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334976A (zh) * | 2017-12-26 | 2018-07-27 | 世界邦（北京）信息技术有限公司 | 基于机器学习的行程规划的调整方法及装置 |
| CN115456266A (zh) * | 2022-09-01 | 2022-12-09 | 深圳市人马互动科技有限公司 | 行程规划方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117350408A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112417104B (zh) | 一种句法关系增强的机器阅读理解多跳推理模型及方法 | |
| CN110442684B (zh) | 一种基于文本内容的类案推荐方法 | |
| CN112487143B (zh) | 一种基于舆情大数据分析的多标签文本分类方法 | |
| CN110532379B (zh) | 一种基于lstm的用户评论情感分析的电子资讯推荐方法 | |
| CN107967261A (zh) | 智能客服中交互式问句语义理解方法 | |
| CN109189862A (zh) | 一种面向科技情报分析的知识库构建方法 | |
| CN106897371A (zh) | 中文文本分类系统及方法 | |
| CN114117075A (zh) | 基于语义对齐及对称结构编码的知识图谱补全方法及装置 | |
| CN107038154A (zh) | 一种文本情感识别方法和装置 | |
| CN110147552B (zh) | 基于自然语言处理的教育资源质量评价挖掘方法及系统 | |
| CN113254675B (zh) | 基于自适应少样本关系抽取的知识图谱构建方法 | |
| CN110704510A (zh) | 一种结合用户画像的题目推荐方法及系统 | |
| CN112541347A (zh) | 一种基于预训练模型的机器阅读理解方法 | |
| CN116796045A (zh) | 一种多维度图书分级方法、系统及可读介质 | |
| CN117350408B (zh) | 一种基于机器学习的行程规划模型训练系统 | |
| CN110866169A (zh) | 一种基于学习的物联网实体消息解析方法 | |
| CN114329181A (zh) | 一种题目推荐方法、装置及电子设备 | |
| CN112035629B (zh) | 基于符号化知识与神经网络的问答模型的实现方法 | |
| CN116227428B (zh) | 一种基于迁移模式感知的文本风格迁移方法 | |
| CN117952200A (zh) | 一种知识图谱和个性化学习路径的构建方法及系统 | |
| CN112699288A (zh) | 一种基于条件-生成式对抗网络的食谱生成方法及系统 | |
| CN112182439A (zh) | 一种基于自注意力网络的搜索结果多样化方法 | |
| CN114239605A (zh) | 辅助沟通内容生成方法、装置、设备及存储介质 | |
| CN114943216B (zh) | 基于图注意力网络的案件微博属性级观点挖掘方法 | |
| CN114357146B (zh) | 一种基于lstm和多样化集束搜索的多样化api推荐方法及装置 |
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 |