CN106101222A - 信息的推送方法和装置 - Google Patents
信息的推送方法和装置 Download PDFInfo
- Publication number
- CN106101222A CN106101222A CN201610409217.7A CN201610409217A CN106101222A CN 106101222 A CN106101222 A CN 106101222A CN 201610409217 A CN201610409217 A CN 201610409217A CN 106101222 A CN106101222 A CN 106101222A
- Authority
- CN
- China
- Prior art keywords
- information
- geographical position
- objective
- account
- dimension
- 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
Classifications
-
- 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
-
- 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
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种信息的推送方法和装置。其中,该方法包括:获取第一账号的地理位置数据序列,其中,地理位置数据序列包括第一账号在不同时间所处的地理位置;将地理位置数据序列中的地理位置聚类得到目标地点;获取至少与目标地点匹配的信息;将信息推送给第一账号。本发明解决了现有的信息推送方法无法准确匹配用户的信息需求的技术问题。
Description
技术领域
本发明涉及互联网领域,具体而言,涉及一种信息的推送方法和装置。
背景技术
移动互联网时代,各种应用层出不穷。设置在终端上的应用程序通常会向用户推送信息,例如新闻、广告、商品资讯等等。目前这些应用程序的信息推送通常是对用户的浏览历史进行分析,根据浏览历史分析出用户感兴趣的信息,并进行推送。
然而,浏览历史仅仅是用户喜好的一种表现形式,并不能准确体现用户需要获知的信息,也就无法准确匹配用户的信息需求。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种信息的推送方法和装置,以至少解决现有的信息推送方法无法准确匹配用户的信息需求的技术问题。
根据本发明实施例的一个方面,提供了一种信息的推送方法,包括:获取第一账号的地理位置数据序列,其中,所述地理位置数据序列包括所述第一账号在不同时间所处的地理位置;将所述地理位置数据序列中的地理位置聚类得到目标地点;获取至少与所述目标地点匹配的信息;将所述信息推送给所述第一账号。
根据本发明实施例的另一方面,还提供了一种信息的推送装置,包括:第一获取单元,用于获取第一账号的地理位置数据序列,其中,所述地理位置数据序列包括所述第一账号在不同时间所处的地理位置;聚类单元,用于将所述地理位置数据序列中的地理位置聚类得到目标地点;第二获取单元,用于获取至少与所述目标地点匹配的信息;推送单元,用于将所述信息推送给所述第一账号。
在本发明实施例中,采用获取第一账号的地理位置数据序列,其中,地理位置数据序列包括第一账号在不同时间所处的地理位置;将地理位置数据序列中的地理位置聚类得到目标地点;获取至少与目标地点匹配的信息;将信息推送给第一账号的方式,根据聚类出的目标地点获取匹配的信息,匹配的信息更加符合第一账号的信息需求,从而解决了现有的信息推送方法无法准确匹配用户的信息需求的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的硬件***的架构图;
图2是根据本发明实施例的信息推送方法的流程图;
图3是根据本发明实施例的异构序特征拆解分组融合模块的示意图;
图4是根据本发明实施例的同构向量空间时序密度叠加融合模块的示意图;
图5是根据本发明实施例的异构向量空间矩阵弹性分区融合模块的示意图;
图6是根据本发明实施例的插补对齐填充序列的示意图;
图7是根据本发明实施例的交替拼接序列的示意图;
图8是根据本发明实施例的提取静态地理属性的流程示意图;
图9是根据本发明实施例的提取动态地理属性的流程示意图;
图10是根据本发明实施例的信息推送装置的示意图;
图11是根据本发明实施例的服务器的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
对本发明进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
1)地理位置,用户在使用基于位置服务时所处的位置,可以采用经纬度等任意可以标定位置的方式表征。
2)目标地点,对地理位置聚类后得到,地点可以是一个地理位置,也可以是一个区域。
3)地理位置数据序列,以“时间‐地理位置”为基本元素构成的序列,地理位置是指用户使用基于位置服务时所处的位置,时间是指用户处于该位置的时间(可以为某一时刻,也可以为一个是时间段)。示例性地,采用“地理位置标记‐时间”这样的形式记录地理位置以及时间。
4)地理属性,包括:
静态地理属性:用户经常出没的若干个地点所对应的类别属性。
动态地理属性:用户在多个地点之间的移动轨迹模式(如地点A‐地点B‐地点C),或时空迁移模式(例如,“每天早上6点坚持户外运动”、“每晚8点左右下班开车回家”等);在预先建立的不同模式的类别体系中,对同一个模式(移动轨迹模式和时空迁移模式)进行多个维度的划分(描述)并赋予相应标签,得到移动轨迹模式或时空迁移模式的多维描述。
5)账号属性:用于表示用于处于某个地理位置所表达的语义在某个领域显示的特征,比如,地理位置在郊区所表示的拥堵状态,地区财富等。
6)应用(App):狭义上通常指设备(例如智能手机)上的应用软件,也泛指一切计算机设备(含PC、移动终端、云计算sever平台等)上除操作***之外的一切应用软件及其子软件(例如插件)。
根据本发明实施例,提供了一种可以通过本申请装置实施例执行的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例,提供了一种信息的推送方法。
可选地,在本实施例中,上述信息的推送方法可以应用于如图1所示的终端102和服务器104所构成的硬件环境中。如图1所示,终端102通过网络与服务器104进行连接,上述网络包括但不限于:移动通信网络、广域网、城域网或局域网,终端102可以是手机终端,也可以是PC终端、笔记本终端或平板电脑终端。
图1中示出的硬件环境***的主要工作原理是:
终端102可以采集用户的地理位置数据,或者接收智能设备采集的地理位置数据。终端102将获得的地理位置数据发送给服务器104,形成地理位置数据序列。服务器104对这些地理位置数据序列进行处理,分析出地理位置和地理位置数据序列所表达的语义,从而为用户推送符合语义的信息。接收推送信息的终端可以与采集用户的地理位置数据的终端相同或者不同。例如,采集的地理位置数据显示用户当前处于工作地点,则为用户推荐职位信息;若当前用户处于午餐地点,则为用户推荐餐厅;若用户处于从工作地点向居住地点迁移,则向用户推荐不拥堵的交通路径等等。
采集地理位置数据的设备可以是:手机、平板电脑、穿戴式设备(智能手表、智能眼镜)以及车载终端等,上述设备具有定位模块,并提供有对终端定位的权限从而可以收集相应用户的地理位置以及时间。或者,在终端运行基于位置服务(如社交应用的查找附近好友功能、地图应用中的导航功能等)。
图2是根据本发明实施例的信息的推送方法的流程图,以下结合图2对本发明实施例所提供的信息的推送方法做具体介绍,如图2所示,该信息的推送方法主要包括如下步骤:
步骤S202,获取第一账号的地理位置数据序列,其中,地理位置数据序列包括第一账号在不同时间所处的地理位置。
步骤S204,将地理位置数据序列中的地理位置聚类得到目标地点。
步骤S206,获取至少与目标地点匹配的信息。
步骤S208,将信息推送给第一账号。
获取一个或者多个数据采集终端采集的地理位置数据序列,并对地理位置数据序列进行聚类分析,得到目标地点。目标地点的确定可以根据待分析的维度进行确定。在确定目标地点后,向第一账号推送相应的信息。
在一些实施例中,为了分析用户的经济状况而推送相应的理财信息时,获取用户经常出入的休闲娱乐地点和工作地点,从而判断出用户的经济状况,并根据经济状况推送相应的理财信息。
在一些实施例中,为了向用户推送交通状况信息,分析用户的工作地点和居住地点之间的路径,并结合用户通常的上下班时间为用户提供在上下班时间段的最优路径。
根据第一账号的地理位置数据序列确定第一账号的行为特征,并根据目标地点确定与其匹配的信息,并将信息推送给第一账号,使得推送的信息更加准确,解决了现有技术在推送信息时仅根据浏览习惯进行推送所导致的不准确的技术问题。
以上的示例都以获得目标地点为基础,以下就获得目标地点的方法进行说明。
第一种:对来自不同数据源的地理位置数据序列进行处理得到目标地点。地理位置数据序列如表1所示。
表1
如表1所示,对于同一个地点1可以在三个维度上进行描述,这三个维度分别为分类维度A、分类维度B和分类维度C,即每个地点对应一个或者多个维度,每个维度具有一个或者多个维度特征。在表1中,“居住地”“工作地”和“娱乐休闲地”为分类维度A的维度特征。可见,一个地理位置可以通过多个维度进行表达,每个维度包括多个维度特征信息进行描述。
在获取目标地点时,可以对一个维度中的多个地理位置进行聚类,或者,对多个维度进行聚类。
1)对某一个维度进行聚类时,将具有相同的维度特征信息的地理位置归为一类或者一组。例如,将地理位置数据序列中表示居住地的地理位置归为一组,将地理位置数据序列中表示工作地点的地理位置归为一组。
2)对多个维度进行聚类时,根据每个维度的聚类结果进行跨维度聚类。例如,可以将分类维度A、分类维度B和分类维度C等重新组合得到一个多维的静态地理属性特征(例如,地点1为居住地,处于近郊),或者映射到高级别的抽象语义类别(例如,地点3的娱乐休闲地为高级娱乐场所),或者基于分类维度A、分类维度B和分类维度C等之间的关联性计算联合概率密度函数并对每个维度的结果进行修正、优化,以提高结果的准确率。
上述处理流程如图3所示。
数据源1至数据源n分别输入到分治模型,得到中间结果(地理属性序列),包括多维静态地理属性序列和多维动态地理属性序列。
将地理属性序列输入到异构特征拆解模块中,用来提取某个地理位置在某个维度下的维度特征信息。例如,表1中地点1在维度A下为居住地,维度B下为近郊。
通过特征分类分组模块进行分组,将具有相同的维度特征信息的地理位置分为一组。并通过同类特征融合模块对同一类的维度特征信息进行融合。每一类维度特征信息采用一种融合器进行融合。
每一类维度特征信息然和后输入到跨类特征融合模块,进行跨类融合,获得多维的静态地理属性特征、映射到高级别的抽象语义类别和概率密度等,并输入结果。
图3所示的各个模块和融合器可以采用不同的算法执行,提高了融合的灵活性,采用更适合某个维度特征信息的算法使得结果更加准确。
第二种:同构向量空间时序密度叠加融合。对来自不同数据源的地理位置数据序列映射到同构向量空间中表达,使得不同源的数据具有可比你的含义和数量尺度。
对于不同数据源的数据可以采用不同的同构向量空间变换模型进行映射。例如,将表1所示的数据都映射到维度A。例如,来自一个数据源的地理位置数据序列是按照小时为单位排列的,另外一个数据源的地理位置数据序列是按分钟为单位进行排列的,可以将这两组地理位置数据序列的单位统一到以小时为单位进行排列或者以分钟为单位进行排列。
在完成同构向量的映射后,将来自不同数据源的数据叠加到时间轴上。不同的数据源按照各自的权重叠加到时间轴上,权重可以根据每个数据源各自的精确度和可靠度等赋予。为了避免来自不可靠数据源(或精确度不高的数据源)的地理位置序列对确定用户信用的准确度的负面影响,对多个地理位置序列进行叠加时,在地理位置综合数据序列中为对应不同数据源的地理位置分配权重,权重为根据各数据源数据的可靠度、精确度和采样密度至少之一确定,使得基于较为可靠的数据源输出的地理位置序列对获取的推送信息影响更大,保证推送信息的准确性。
例如,在晚上20点至21点收集到用户智能鞋采集的稠密的运动轨迹数据和用户手机采集的离散的地理位置数据。将智能鞋和手机采集的数据叠加到时间轴之前,会将稠密的运动轨迹数据和离散的地理位置数据所对应的时间映射到相同的时间空间表达。然后将相同时间的数据进行累加,这样就会出现时间轴上的某个时间点既有智能鞋采集的数据,又有手机采集的数据,使得时间轴上同一时间的地理位置的数据密度增大。
对完成映射后的时间轴提取有区分力的特征,并采用线性和复杂非线性分类及回归算法,得到一个或者多个地点的语义类别(账号属性),从而推送与账号属性和目标地点向匹配的第二信息。其中,有区分力的特征可以针对想要获得的结果进行选择。
在一些实施例中,为了判断用户的经济状况,从时间轴上提取用户是否有房,是否出入高消费场所、出行方式是什么等特征。并将这些特征输入到分类或者回归模型中,以输出用户的经济状况。从而根据状况获取将要推送的信息。
以图4为例进行说明。
数据源1至数据源n分别采用一个同构向量空间变换模型进行空间变换,针对不同的数据源可以采用不同的同构向量空间变换模型,将多个数据源的数据变换到相同的同构向量空间中。
完成向量空间变换的数据通过时序密度叠加模块进行叠加,并将叠加后的结果输入到同构空间特征提取模块,以提取出有区分力的特征,供分类或者回归模型分析使用。
图4所示的各个模块和融合器可以采用不同的算法执行,提高了融合的灵活性,采用更适合某个维度特征信息的算法使得结果更加准确。
第三种:异构向量空间矩阵弹性分区融合。
对至少两个数据源采集到的数据序列(通常具有不同物理意义、采样密度和数量尺度等)在统一的时间轴上进行伸缩、插补和对齐,形成多维时序向量矩阵(简称HDLM)。
从多维数据矩阵提取定位数据块(LDB,Location Data Block)和多维定位数据块(MDB,Multiple Dimensional Location Data Block),对定位数据块和多维定位数据块中的地理位置序列进行解析处理得到地理属性序列(如多维静态地理属性序列、多维动态地理属性序列等形式)作为用于获取账号属性的中间结果。
结合图5说明。数据源1至数据源n输入到时序齐性变换模块,对其处理,然后输入到异构向量矩阵重组模块,进行矩阵重组,再输入到矩阵弹性分区模块,得到长度不一、数据稀疏程度不同的矩阵区块,在区块特征提取模块中对各个矩阵区块提取相应的特征,并经区块特征融合模块计算得到最后输出的融合特征。
一个示例如图6所示,将多个数据源输出的地理位置序列,按照各地理位置(以实线方框标识)的时序(也就是各地理位置对应时间的先后顺序)对齐,如果一个数据源输出的地理位置序列中对应某一时间的地理位置缺失(这是因为数据源在该时间没有采集到用户的地理位置),则利用默认的值(如零,以虚线方框标识)或者插值算法计算得到的值填充为缺失的地理位置,将对齐和填充处理后的各地理位置序列作为行向量构建多维数据矩阵。
图7中示出的多维数据矩阵的每一行对应来自一个数据源的地理位置数据序列(经过时序的对齐、缺失地理位置的填充以及插值处理),首先对多个数据源的地理位置序列进行矩阵弹性分区融合处理,得到构建多维数据矩阵的行向量(也称为初级特征序列),然后基于多维数据矩阵提取出各地点(对地理位置聚类得到)的地理属性(包括静态地理属性和动态地理属性)以构建地理属性序列(也可视为次级特征序列),中间结果。中间结果可以用来获得目标地点和账号属性,为推送信息提供依据。
再对上述的对多个地理位置序列进行矩阵弹性分区融合得到初级特征序列的处理进行说明。
一般地,在多个数据源中只有一个数据源可以采集到某一时间的地理位置,相应地,多维数据矩阵中每一列(向量)通常只有某一维的地理位置存在有效数值,该列向量的其他维度的地理位置的数据是缺失的(可以填充默认值),多维数据矩阵中存在大量只有一个维度有值的列向量,而且这样的列向量存在连续分布的特点,从而形成若干个大区块也就是定位数据块(LDB)。
另外,在多维数据矩阵中除了存在大区块外,还存在小区块也就是多维定位数据块(MDB),小区块由在多个维度上都存在地理位置的有效数值的连续的列向量构成。例如,设存在10个数据源在连续三个时刻同时采集到用户的位置,该时刻的10个维度(每个维度对应一个数据源)的地理位置构成多维数据矩阵中的一个列向量,每个列向量包括10个维度的地理位置,多维数据矩阵中连续三个时间对应的列向量形成一个多维定位数据块。
在一些实施例中,如图7所示,通过如下的方式识别出多维数据矩阵中的定位数据块和多维定位数据块:逐列扫描识别多维数据矩阵的列向量,识别出多维数据块中仅具有一个维度的有效地理位置数据的连续列向量为定位数据块;识别出多维数据块中具有至少两个维度的有效地理位置数据的连续列向量为多维定位数据块。将整个多维数据矩阵划分为交错拼接的定位数据块和多维定位数据块交替拼接的序列(初级特征序列),其中定位数据块、多维定位数据块所包括的列向量的数量不一致(每个列向量对应数据源的一个采集时间),因此定位数据块和多维定位数据块所覆盖的时间的长度不一致。
为了提高推送信息的准确性,对于不同的定位数据块可以分配权重,权重与定位数据块对应数据源的可靠度和精确度至少之一确定,示例性地,定位数据块的权重与对应数据源的可靠度和精确度正相关,数据源的可靠度与精确度越高,则相应定位数据块的权重越高,从而使得基于较为可靠的数据源输出的地理位置序列对目标地点和账号属性的确定结果影响粳稻,保证账号属性的准确性。
在一些实施例中,对于从多维数据矩阵识别出的多维定位数据块,由于多维定位数据块是由于多个数据源在同一时间同时采集到用户的地理位置形成,不仅该时间对应的地理位置的数据密度高于定位数据块中地理位置的数据密度,而且还说明用户此时处于某些特定场景或实施某些特定行为。
例如,用户的车载导航App采集到地理位置,同时用户的手机在大众点评App也采集到地理位置,说明用户有可能正在驾车并搜寻去哪里吃饭。如果此时该用户的某个好友的手机也采集到地理位置数据,并且好友的地理位置与此用户的位置非常同步,则很可能是用户驾车载着好友一起打算去某个地方吃饭。
以下分别对本实施例中构造静态地理属性和动态地理属性进行说明。
静态地理属性:
在一个实施例中,将地理位置序列中的地理位置进行聚类(如基于分布密度的聚类或基于欧式距离的聚类)为地点,地点可以是一个地理位置,也可以是由多个地理位置构成的区域(例如由多个地理位置形成的区域)。
使用聚类后的地点的标记替换地理位置序列中相应地理位置的标记,得到地点时间序列(地点和时间的二元组合构成的序列),如对于地理位置序列:地理位置1-时间1、地理位置2-时间2、地理位置3-时间3、地理位置4-时间4,若地理位置1和地理位置2聚类为地点1,地理位置3和地理位置4聚类为地点2,则用地点1替换地理位置1和地理位置2,利用地点2替换地理位置3和地理位置4,形成的地点序列为:地点1-时间1、地点1-时间2、地点2-时间3、地点2-时间4。
在形成地点时间序列后,对地点时间序列中的各地点、以及对应的时间从至少一个维度进行语义类别分类,得到地点时间序列中各地点对应至少一个维度的静态地理属性(多个维度时则形成多维静态地理属性),基于各地点的静态地理属性、地点对应的时间形成静态地理属性序列,如静态地理属性1-时间1、静态地理属性2-时间2这样的形式。
形成静态地理属性序列的一个示例如图7所示,对于任意长度(记为n)的地理位置序列,通过基于密度的聚类算法(例如DBSCAN等)或基于欧氏距离的聚类算法(例如K-means等),得到若干个(记为m个,通常m远小于n)地点(或区域)的列表。基于m维地点对n维地理位置序列中地理位置的标记进行替换,得到n维地点时间序列。
采用语义类别分类的方式对n维地点时间序列中的地点进行语义识别,获得静态地理属性序列:m维“地点-类别”列表。m维“地点-类别”列表中的每一行有2个数据项,第一个数据项是地点ID,第二个数据项是地点经过语义识别所得到的类别,例如居住地、工作地、娱乐休闲地等类别。
需要指出的是,对地点时间序列中的各地点进行语义识别分类时,可以使用一个语义类别分类器或多个语义识别分类器(语义识别分类器是用于对地点时间序列中各地点进行语义识别分类的数学模型)。利用多个语义类别分类器(也就是从多个维度)对各个地点进行语义识别分类时,相应地,m维“地点-类别”列表也就扩展成了多列向量也即矩阵的形式,每一个列向量对应各个地点在某个分类体系下的所具有的类别,一个示例如表1所示。
从表1可以看出,同一地点在不同的分类体系下具有不同的类别的标签,并且某些维度下的类别的标签可以缺失(如表1中/NA表示缺失。比如,因为数据源没有采集到相应的地理位置或者因为类型过于模糊而无法确切分类)。
根据静态地理属性可以直接获取相关的推送信息,如居住地的房价信息推送,休闲娱乐地的就餐信息推送等等。对这些基本地理属性进行分析后,还可以获得例如:收入水平、消费水平(消费场所高级饭店、普通小店)、职业类型(如高科技公司、高校和机关单位等)和生活质量等信息,从而推荐符合用户身份的信息。例如,对收入水平较高的群体推送消费水平和品质较高的休闲地点,对收入水平较低的群体提送性价比高但消费水平地的休闲地点。
也就是说,本实施例可以给予某一个维度的静态地理属性特征进行信息推送,也可以给予多个维度的静态地理属性特征进行信息推送。
动态地理属性:
动态地理属性使用用户的时空迁移模式和移动轨迹模式的类型来描述,对两种模式的提取以及确定模式的类别进行说明。
将图8示出的输入数据和中间结果用于形成动态地理属性,输入数据和中间结果包括前述的n维地理位置序列、n维地点时间序列和m维“地点-类别”列表(或矩阵)。
移动轨迹模式
参见图9,确定移动轨迹模式依赖于n维地理位置序列,在一个实施例中,可以通过这样的方式确定移动轨迹模式,将地理位置序列中的地理位置基于至少一种尺度划分(例如在时间尺度和空间尺度上)为多个分段,每个分段中的地理位置对应用户的一个移动轨迹,不同尺度上的移动轨迹对应了用户在不同尺度上的移动轨迹模式。例如在住宅小区的尺度上,用户可能在小区内散步,或往返于小区内的超市购物,或在小区内进行各种文娱活动等,根据不同的应用需求,预先制定一系列不同尺度上的移动轨迹模式类型表,通过构建分类器给不同尺度上的移动轨迹模式打上移动轨迹模式类型表中至少一个维度的类别标签。如下表2所示:
表2
地理属性序列中各地点对应的地理属性以及时间进行映射处理,示例性地,基于各地点的静态地理属性和用户处于各类地点的时间,通过预先构建的非线性分类器及回归模型,确定至少一个维度的、直接或间接反映用户还款能力及还款意愿的信用特征,示例性地,包括:用户的收入水平、消费水平、工作性质(例如白班、夜班或者轮班)、职业类型(例如高科技企业、学校、机关单位等)、生活质量及生活健康程度(例如是否经常长时间熬夜加班、生活或工作压力大等)。
基于映射得到的特征,再通过综合分类及回归模型对信用特征进行映射得到最终的信用评分结果。
上述基于静态地理属性的映射用户信用的处理如果提供为信用映射模块,除了可以单独使用并输出信用评分结果外,还可以将反映用户还款能力及还款意愿的多个维度特征作为中间结果输出,供后续确定各地点的动态地理属性中间结果,以供结合各地点的静态地理属性以及动态地理属性映射用户的信用评分,得到更加全面、准确、可靠的信用评估。
时空迁移模式
将n维地点区域时间序列和m维“地点-类别”列表结合起来,提取出用户在不同的地点之间迁移的不同的子序列(例如地点A-地点B-地点C),对提取出的子序列提取出频繁模式的子序列,也就是出现频率满足预设条件(如出现频率高于频率阈值,或者出现频率最高的预定数量的)的子序列,作为用户在地点级别的时空迁移模式。
另外,在不同类型的地点之间的时空迁移模式(例如居住地-医院-居住地,或CBD区域-高科技园区-近郊-CBD区域等)中,还存在某些同时在多个类别划分体系下均为频繁模式的子序列,将这些时空迁移模式与各个地点的停留时间、地点之间的迁移历时、迁移的起始与迁移完成时刻等结合起来,就构成了“多维时空迁移序列”。通过构造分类器,将这些多维时空迁移序列映射到预先制定的“时空迁移语义类别”中,形成对用户生活习惯或生活模式的量化表达,例如,“经常工作到晚上9点然后去酒吧街娱乐到凌晨2点然后回家睡觉”,或者“早上上班经常迟到且沿途都是交通顺畅区”等,上述的量化表达可以表示用户的喜好、生活习惯特征,并根据用户的这些特征挖掘用户需要的信息进行推送。
在获取到匹配的信息之后,可以在获取到匹配的信息后进行推送,可以在用户到达目标地点后推送信息,也可以在到达目标地点所在的区域内进行信息推送,还可以在特定时间到达目标地点后推送信息等等。
基于以上得到移动轨迹模式和时空迁移模式,通过预先构建的非线性分类器及回归模型,基于移动轨迹模式和时空迁移模式进行映射处理,可以得到多个维度的、直接或间接反映用户还款能力及还款意愿的相关信用特征。
示例性地,包括:用户的生活***与生活品质(例如“工作日居住在CBD区域而周末回近郊的别墅居住和休闲”,或者“工作期间经常国内外飞机出差周末经常去海边和海上”等)、消费水平等。
基于映射得到的用户的信用特征,再通过综合分类及回归模型对用户的信用特征进行映射处理得到用户的最终的信用评分结果。信用评分可以用于诸多金融借贷领域,例如一个人可以获得的贷款额度高低,或者入住酒店时对于信用等级高的用户可以免收押金等。
上述基于动态地理属性的信用映射模型如果提供为信用映射模块,除了可以单独使用并输出信用评分结果外,还可以将反映用户还款能力及还款意愿的多个维度特征作为中间结果输出,供后续确定各地点的动态地理属性中间结果,以供结合各地点的静态地理属性以及动态地理属性映射用户的信用评分,得到更加全面、准确、可靠的信用评估。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例,还提供了一种用于实施上述信息的推送方法的信息的推送装置,该信息的推送装置主要用于执行本发明实施例上述内容所提供的信息的推送方法,以下对本发明实施例所提供的信息的推送装置做具体介绍:
图10是根据本发明实施例的信息的推送装置的示意图,如图10所示,该信息的推送装置主要包括:第一获取单元10、聚类单元20、第二获取单元30和推送单元40。
第一获取单元10用于获取第一账号的地理位置数据序列,其中,地理位置数据序列包括第一账号在不同时间所处的地理位置。
聚类单元20用于将地理位置数据序列中的地理位置聚类得到目标地点。
第二获取单元30用于获取至少与目标地点匹配的信息。
推送单元40用于将信息推送给第一账号。
获取一个或者多个数据采集终端采集的地理位置数据序列,并对地理位置数据序列进行聚类分析,得到目标地点。目标地点的确定可以根据待分析的维度进行确定。在确定目标地点后,向第一账号推送相应的信息。
在一些实施例中,为了分析用户的经济状况而推送相应的理财信息时,获取用户经常出入的休闲娱乐地点和工作地点,从而判断出用户的经济状况,并根据经济状况推送相应的理财信息。
在一些实施例中,为了向用户推送交通状况信息,分析用户的工作地点和居住地点之间的路径,并结合用户通常的上下班时间为用户提供在上下班时间段的最优路径。
可选地,第二获取单元用于获取至少与目标地点匹配的信息包括以下之一:获取与目标地点和与目标地点对应的时间信息匹配的第二信息;获取与目标地点所指示的目标资源特征信息匹配的第三信息。
可选地,推送单元包括:第一推送模块,用于在获取与目标地点和与目标地点对应的时间信息匹配的第二信息的情况下,在时间信息所指示的时间到达、和/或检测到第一账号位于目标地点时,将第二信息推送给第一账号。
可选地,第二获取单元包括:第一获取模块,用于获取目标地点所在的目标区域以及与目标区域对应的目标资源特征信息,其中,包括目标区域在内的不同区域对应不同的资源特征信息,资源特征信息用于指示在与资源特征信息对应的区域内的账号所具有的资源等级;第二获取模块,用于获取与目标资源特征信息匹配的第三信息。资源特征信息比如,经济状况,资源等级包括高收入群体、普通收入群体。
在获取到匹配的信息之后,可以在获取到匹配的信息后进行推送,可以在用户到达目标地点后推送信息,也可以在到达目标地点所在的区域内进行信息推送,还可以在特定时间到达目标地点后推送信息等等。
以上的示例都以获得目标地点为基础,以下就获得目标地点的方法进行说明。
第一种:异构序特征拆解分组融合。对来自不同数据源的地理位置数据序列进行处理得到目标地点。地理位置数据序列如表1所示。
可选地,聚类单元包括:第一获取模块,用于获取地理位置的维度特征信息,其中,每个地理位置对应一个或多个维度,每个维度具有一个或多个维度特征信息;聚类模块,用于根据一个或多个维度中的至少一个目标维度下的维度特征信息,将地理位置数据序列中的地理位置聚类得到目标地点以及第一账号在至少一个目标维度下的账号属性;第二获取单元还用于获取与目标地点和账号属性匹配的第一信息。
在获取目标地点时,可以对一个维度中的多个地理位置进行聚类,或者,对多个维度进行聚类。
1)对某一个维度进行聚类时,将具有相同的维度特征信息的地理位置归为一类或者一组。例如,将地理位置数据序列中表示居住地的地理位置归为一组,将地理位置数据序列中表示工作地点的地理位置归为一组。
2)对多个维度进行聚类时,根据每个维度的聚类结果进行跨维度聚类。例如,可以将分类维度A、分类维度B和分类维度C等重新组合得到一个多维的静态地理属性特征(例如,地点1为居住地,处于近郊),或者映射到高级别的抽象语义类别(例如,地点3的娱乐休闲地为高级娱乐场所),或者基于分类维度A、分类维度B和分类维度C等之间的关联性计算联合概率密度函数并对每个维度的结果进行修正、优化,以提高结果的准确率。
第二种:同构向量空间时序密度叠加融合。对来自不同数据源的地理位置数据序列映射到同构向量空间中表达,使得不同源的数据具有可比你的含义和数量尺度。
可选地,聚类单元包括:第一映射模块,用于将地理位置数据序列映射到同构向量空间中;第二映射模块,用于按照至少两个数据源的地理位置数据序列中每个数据源的权重将地理位置数据序列映射到同构向量空间的时间轴上;提取模块,用于提取符合目标属性的地理位置作为目标地点,以及第一账号目标地点的账号属性;第二获取单元还用于获取与目标地点和账号属性匹配的第二信息。
可选地,第二映射模块包括:累加子模块,用于对每个数据源在时间轴上进行相同地理位置的数据累加。
对于不同数据源的数据可以采用不同的同构向量空间变换模型进行映射。例如,将表1所示的数据都映射到维度A。例如,来自一个数据源的地理位置数据序列是按照小时为单位排列的,另外一个数据源的地理位置数据序列是按分钟为单位进行排列的,可以将这两组地理位置数据序列的单位统一到以小时为单位进行排列或者以分钟为单位进行排列。
在完成同构向量的映射后,将来自不同数据源的数据叠加到时间轴上。不同的数据源按照各自的权重叠加到时间轴上,权重可以根据每个数据源各自的精确度和可靠度等赋予。为了避免来自不可靠数据源(或精确度不高的数据源)的地理位置序列对确定用户信用的准确度的负面影响,对多个地理位置序列进行叠加时,在地理位置综合数据序列中为对应不同数据源的地理位置分配权重,权重为根据各数据源数据的可靠度、精确度和采样密度至少之一确定,使得基于较为可靠的数据源输出的地理位置序列对获取的推送信息影响更大,保证推送信息的准确性。
第三种:异构向量空间矩阵弹性分区融合。
对至少两个数据源采集到的数据序列(通常具有不同物理意义、采样密度和数量尺度等)在统一的时间轴上进行伸缩、插补和对齐,形成多维时序向量矩阵(简称HDLM)。
可选地,聚类单元包括识别模块,用于识别多维数据矩阵中的各列向量;拆分模块,用于根据各列向量包括有效地理位置的维度,将多维数据矩阵拆分为交替拼接的定位数据块和多维定位数据块,其中,多维数据矩阵包括至少两个地理位置数据序列,定位数据块包括具有一个维度的有效地理位置的连续列向量,多维定位数据块包括具有至少两个维度的有效地理位置的连续列向量。
从多维数据矩阵提取定位数据块(LDB,Location Data Block)和多维定位数据块(MDB,Multiple Dimensional Location Data Block),对定位数据块和多维定位数据块中的地理位置序列进行解析处理得到地理属性序列(如多维静态地理属性序列、多维动态地理属性序列等形式)作为用于获取账号属性的中间结果。
一个示例如图5所示,将多个数据源输出的地理位置序列,按照各地理位置(以实线方框标识)的时序(也就是各地理位置对应时间的先后顺序)对齐,如果一个数据源输出的地理位置序列中对应某一时间的地理位置缺失(这是因为数据源在该时间没有采集到用户的地理位置),则利用默认的值(如零,以虚线方框标识)或者插值算法计算得到的值填充为缺失的地理位置,将对齐和填充处理后的各地理位置序列作为行向量构建多维数据矩阵。
以下分别对本实施例中构造静态地理属性和动态地理属性进行说明。
静态地理属性:
在一个实施例中,将地理位置序列中的地理位置进行聚类(如基于分布密度的聚类或基于欧式距离的聚类)为地点,地点可以是一个地理位置,也可以是由多个地理位置构成的区域(例如由多个地理位置形成的区域)。
可选地,装置还包括:时间属性单元,用于在将地理位置数据序列中的地理位置聚类之后,对聚类后的地理位置数据序列添加时间属性,得到地理位置时间序列;分类单元,用于对地理位置时间序列中的地理位置、以及地理位置对应的时间从至少一个维度进行语义类别分类,得到地理位置时间序列中各个地理位置对应至少一个维度的静态地理属性。
根据静态地理属性可以直接获取相关的推送信息,如居住地的房价信息推送,休闲娱乐地的就餐信息推送等等。对这些基本地理属性进行分析后,还可以获得例如:收入水平、消费水平(消费场所高级饭店、普通小店)、职业类型(如高科技公司、高校和机关单位等)和生活质量等信息,从而推荐符合用户身份的信息。例如,对收入水平较高的群体推送消费水平和品质较高的休闲地点,对收入水平较低的群体提送性价比高但消费水平地的休闲地点。
也就是说,本实施例可以给予某一个维度的静态地理属性特征进行信息推送,也可以给予多个维度的静态地理属性特征进行信息推送。
动态地理属性:
可选地,装置还包括:迁移序列单元,用于在将地理位置数据序列中的地理位置聚类之后,从地理位置时间序列中提取第一账号在不同地理位置之间移动的迁移子序列;绘制单元,用于根据迁移子序列绘制第一账号的移动地理轨迹。
可选地,装置还包括:构建单元,用于在将地理位置数据序列中的地理位置聚类之后,通过出现频率满足预设条件迁移子序列构建时空迁移序列,并将时空迁移序列作为第一账号的动态地理属性。
将n维地点区域时间序列和m维“地点-类别”列表结合起来,提取出用户在不同的地点之间迁移的不同的子序列(例如地点A-地点B-地点C),对提取出的子序列提取出频繁模式的子序列,也就是出现频率满足预设条件(如出现频率高于频率阈值,或者出现频率最高的预定数量的)的子序列,作为用户在地点级别的时空迁移模式。
另外,在不同类型的地点之间的时空迁移模式(例如居住地-医院-居住地,或CBD区域-高科技园区-近郊-CBD区域等)中,还存在某些同时在多个类别划分体系下均为频繁模式的子序列,将这些时空迁移模式与各个地点的停留时间、地点之间的迁移历时、迁移的起始与迁移完成时刻等结合起来,就构成了“多维时空迁移序列”。通过构造分类器,将这些多维时空迁移序列映射到预先制定的“时空迁移语义类别”中,形成对用户生活习惯或生活模式的量化表达,例如,“经常工作到晚上9点然后去酒吧街娱乐到凌晨2点然后回家睡觉”,或者“早上上班经常迟到且沿途都是交通顺畅区”等,上述的量化表达可以表示用户的喜好、生活习惯特征,并根据用户的这些特征挖掘用户需要的信息进行推送。
在获取到匹配的信息之后,可以在获取到匹配的信息后进行推送,可以在用户到达目标地点后推送信息,也可以在到达目标地点所在的区域内进行信息推送,还可以在特定时间到达目标地点后推送信息等等。
根据本发明实施例,还提供了一种用于实施上述信息的推送方法的服务器,如图11所示,该服务器主要包括处理器401、数据接口403、存储器405和网络接口407,其中:
数据接口403则主要通过数据传输的方式将第三方工具采集到的地理位置数据序列传输给处理器401。
存储器405主要用于存储采集的地理位置数据序列。
网络接口407主要用于与终端设备进行网络通信,为终端设备推送信息。
处理器401主要用于执行如下操作:
获取第一账号的地理位置数据序列,其中,所述地理位置数据序列包括所述第一账号在不同时间所处的地理位置;将所述地理位置数据序列中的地理位置聚类得到目标地点;获取至少与所述目标地点匹配的信息;将所述信息推送给所述第一账号。
处理器401还用于执行如下操作:将地理位置数据序列中的地理位置聚类得到目标地点包括:获取地理位置的维度特征信息,其中,每个地理位置对应一个或多个维度,每个维度具有一个或多个维度特征信息;根据一个或多个维度中的至少一个目标维度下的维度特征信息,将地理位置数据序列中的地理位置聚类得到目标地点以及第一账号在至少一个目标维度下的账号属性;获取至少与目标地点匹配的信息包括:获取与目标地点和账号属性匹配的第一信息。
处理器401还用于执行如下操作:将地理位置数据序列中的地理位置聚类得到目标地点包括:将地理位置数据序列映射到同构向量空间中;按照至少两个数据源的地理位置数据序列中每个数据源的权重将地理位置数据序列映射到同构向量空间的时间轴上;提取符合目标属性的地理位置作为目标地点,以及第一账号目标地点的账号属性;获取至少与目标地点匹配的信息包括:获取与目标地点和账号属性匹配的第二信息。
处理器401还用于执行如下操作:按照至少两个数据源的地理位置数据序列中每个数据源的权重将地理位置数据序列映射到同构向量空间的时间轴上包括:对每个数据源在时间轴上进行相同地理位置的数据累加。
处理器401还用于执行如下操作:将地理位置数据序列中的地理位置聚类得到目标地点包括:识别多维数据矩阵中的各列向量;根据各列向量包括有效地理位置的维度,将多维数据矩阵拆分为交替拼接的定位数据块和多维定位数据块,其中,多维数据矩阵包括至少两个地理位置数据序列,定位数据块包括具有一个维度的有效地理位置的连续列向量,多维定位数据块包括具有至少两个维度的有效地理位置的连续列向量。
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于存储本发明实施例的信息的推送方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于移动通信网络、广域网、城域网或局域网的网络中的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
S1,获取第一账号的地理位置数据序列,其中,地理位置数据序列包括第一账号在不同时间所处的地理位置;
S2,将地理位置数据序列中的地理位置聚类得到目标地点。
S3,获取至少与目标地点匹配的信息。
S4,将信息推送给第一账号。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:将地理位置数据序列中的地理位置聚类得到目标地点包括:获取地理位置的维度特征信息,其中,每个地理位置对应一个或多个维度,每个维度具有一个或多个维度特征信息;根据一个或多个维度中的至少一个目标维度下的维度特征信息,将地理位置数据序列中的地理位置聚类得到目标地点以及第一账号在至少一个目标维度下的账号属性;获取至少与目标地点匹配的信息包括:获取与目标地点和账号属性匹配的第一信息。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:将地理位置数据序列中的地理位置聚类得到目标地点包括:将地理位置数据序列映射到同构向量空间中;按照至少两个数据源的地理位置数据序列中每个数据源的权重将地理位置数据序列映射到同构向量空间的时间轴上;提取符合目标属性的地理位置作为目标地点,以及第一账号目标地点的账号属性;获取至少与目标地点匹配的信息包括:获取与目标地点和账号属性匹配的第二信息。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:按照至少两个数据源的地理位置数据序列中每个数据源的权重将地理位置数据序列映射到同构向量空间的时间轴上包括:对每个数据源在时间轴上进行相同地理位置的数据累加。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:将地理位置数据序列中的地理位置聚类得到目标地点包括:识别多维数据矩阵中的各列向量;根据各列向量包括有效地理位置的维度,将多维数据矩阵拆分为交替拼接的定位数据块和多维定位数据块,其中,多维数据矩阵包括至少两个地理位置数据序列,定位数据块包括具有一个维度的有效地理位置的连续列向量,多维定位数据块包括具有至少两个维度的有效地理位置的连续列向量。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在将地理位置数据序列中的地理位置聚类之后,方法还包括:对聚类后的地理位置数据序列添加时间属性,得到地理位置时间序列;对地理位置时间序列中的地理位置、以及地理位置对应的时间从至少一个维度进行语义类别分类,得到地理位置时间序列中各个地理位置对应至少一个维度的静态地理属性。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在将地理位置数据序列中的地理位置聚类之后,方法还包括:从地理位置时间序列中提取第一账号在不同地理位置之间移动的迁移子序列;根据迁移子序列绘制第一账号的移动地理轨迹。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在将地理位置数据序列中的地理位置聚类之后,方法还包括:通过出现频率满足预设条件迁移子序列构建时空迁移序列,并将时空迁移序列作为第一账号的动态地理属性。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取至少与目标地点匹配的信息包括以下之一:获取与目标地点和与目标地点对应的时间信息匹配的第二信息;获取与目标地点所指示的目标资源特征信息匹配的第三信息。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在获取与目标地点和与目标地点对应的时间信息匹配的第二信息的情况下,将信息推送给第一账号包括:在时间信息所指示的时间到达、和/或检测到第一账号位于目标地点时,将第二信息推送给第一账号。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述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,作为单元显示的部件可以是或者也可以不是物理单元,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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (23)
1.一种信息的推送方法,其特征在于,包括:
获取第一账号的地理位置数据序列,其中,所述地理位置数据序列包括所述第一账号在不同时间所处的地理位置;
将所述地理位置数据序列中的地理位置聚类得到目标地点;
获取至少与所述目标地点匹配的信息;
将所述信息推送给所述第一账号。
2.根据权利要求1所述的方法,其特征在于,
所述将所述地理位置数据序列中的地理位置聚类得到目标地点包括:获取所述地理位置的维度特征信息,其中,每个所述地理位置对应一个或多个维度,每个维度具有一个或多个维度特征信息;根据所述一个或多个维度中的至少一个目标维度下的维度特征信息,将所述地理位置数据序列中的地理位置聚类得到所述目标地点以及所述第一账号在所述至少一个目标维度下的账号属性;
获取至少与所述目标地点匹配的信息包括:获取与所述目标地点和所述账号属性匹配的第一信息。
3.根据权利要求1所述的方法,其特征在于,
所述将所述地理位置数据序列中的地理位置聚类得到目标地点包括:将所述地理位置数据序列映射到同构向量空间中;按照至少两个数据源的所述地理位置数据序列中每个数据源的权重将所述地理位置数据序列映射到所述同构向量空间的时间轴上;提取符合目标属性的地理位置作为所述目标地点,以及所述第一账号所述目标地点的账号属性;
获取至少与所述目标地点匹配的信息包括:获取与所述目标地点和所述账号属性匹配的第二信息。
4.根据权利要求3所述的方法,其特征在于,按照至少两个数据源的所述地理位置数据序列中每个数据源的权重将所述地理位置数据序列映射到所述同构向量空间的时间轴上包括:
对每个数据源在所述时间轴上进行相同地理位置的数据累加。
5.根据权利要求1所述的方法,其特征在于,所述将所述地理位置数据序列中的地理位置聚类得到目标地点包括:
识别多维数据矩阵中的各列向量;
根据各所述列向量包括有效地理位置的维度,将所述多维数据矩阵拆分为交替拼接的定位数据块和多维定位数据块,其中,所述多维数据矩阵包括至少两个所述地理位置数据序列,所述定位数据块包括具有一个维度的有效地理位置的连续列向量,所述多维定位数据块包括具有至少两个维度的有效地理位置的连续列向量。
6.根据权利要求1所述的方法,其特征在于,在将所述地理位置数据序列中的地理位置聚类之后,所述方法还包括:
对聚类后的地理位置数据序列添加时间属性,得到地理位置时间序列;
对所述地理位置时间序列中的地理位置、以及地理位置对应的时间从至少一个维度进行语义类别分类,得到所述地理位置时间序列中各个地理位置对应至少一个维度的静态地理属性。
7.根据权利要求6所述的方法,其特征在于,在将所述地理位置数据序列中的地理位置聚类之后,所述方法还包括:
从所述地理位置时间序列中提取所述第一账号在不同地理位置之间移动的迁移子序列;
根据所述迁移子序列绘制所述第一账号的移动地理轨迹。
8.根据权利要求7所述的方法,其特征在于,在将所述地理位置数据序列中的地理位置聚类之后,所述方法还包括:
通过出现频率满足预设条件所述迁移子序列构建时空迁移序列,并将所述时空迁移序列作为所述第一账号的动态地理属性。
9.根据权利要求1所述的方法,其特征在于,获取至少与所述目标地点匹配的信息包括以下之一:
获取与所述目标地点和与所述目标地点对应的时间信息匹配的第二信息;
获取与所述目标地点所指示的目标资源特征信息匹配的第三信息。
10.根据权利要求9所述的方法,其特征在于,在获取与所述目标地点和与所述目标地点对应的时间信息匹配的第二信息的情况下,所述将所述信息推送给所述第一账号包括:
在所述时间信息所指示的时间到达、和/或检测到所述第一账号位于所述目标地点时,将所述第二信息推送给所述第一账号。
11.根据权利要求9所述的方法,其特征在于,获取与所述目标地点所指示的目标资源特征信息匹配的第三信息包括:
获取所述目标地点所在的目标区域以及与所述目标区域对应的目标资源特征信息,其中,包括所述目标区域在内的不同区域对应不同的资源特征信息,所述资源特征信息用于指示在与所述资源特征信息对应的区域内的账号所具有的资源等级;
获取与所述目标资源特征信息匹配的所述第三信息。
12.根据权利要求11所述的方法,其特征在于,在获取与所述目标地点所指示的目标资源特征信息匹配的第二信息的情况下,所述将所述信息推送给所述第一账号包括以下之一:
在获取到所述第三信息之后,将所述第三信息推送给所述第一账号;
在检测到所述第一账号位于所述目标地点所在的目标区域时,将所述第三信息推送给所述第一账号。
13.一种信息的推送装置,其特征在于,包括:
第一获取单元,用于获取第一账号的地理位置数据序列,其中,所述地理位置数据序列包括所述第一账号在不同时间所处的地理位置;
聚类单元,用于将所述地理位置数据序列中的地理位置聚类得到目标地点;
第二获取单元,用于获取至少与所述目标地点匹配的信息;
推送单元,用于将所述信息推送给所述第一账号。
14.根据权利要求13所述的装置,其特征在于,
所述聚类单元包括:第一获取模块,用于获取所述地理位置的维度特征信息,其中,每个所述地理位置对应一个或多个维度,每个维度具有一个或多个维度特征信息;聚类模块,用于根据所述一个或多个维度中的至少一个目标维度下的维度特征信息,将所述地理位置数据序列中的地理位置聚类得到所述目标地点以及所述第一账号在所述至少一个目标维度下的账号属性;
所述第二获取单元还用于获取与所述目标地点和所述账号属性匹配的第一信息。
15.根据权利要求13所述的装置,其特征在于,
所述聚类单元包括:第一映射模块,用于将所述地理位置数据序列映射到同构向量空间中;第二映射模块,用于按照至少两个数据源的所述地理位置数据序列中每个数据源的权重将所述地理位置数据序列映射到所述同构向量空间的时间轴上;提取模块,用于提取符合目标属性的地理位置作为所述目标地点,以及所述第一账号所述目标地点的账号属性;
所述第二获取单元还用于获取与所述目标地点和所述账号属性匹配的第二信息。
16.根据权利要求15所述的装置,其特征在于,所述第二映射模块包括:
累加子模块,用于对每个数据源在所述时间轴上进行相同地理位置的数据累加。
17.根据权利要求13所述的装置,其特征在于,所述聚类单元包括
识别模块,用于识别多维数据矩阵中的各列向量;
拆分模块,用于根据各所述列向量包括有效地理位置的维度,将所述多维数据矩阵拆分为交替拼接的定位数据块和多维定位数据块,其中,所述多维数据矩阵包括至少两个所述地理位置数据序列,所述定位数据块包括具有一个维度的有效地理位置的连续列向量,所述多维定位数据块包括具有至少两个维度的有效地理位置的连续列向量。
18.根据权利要求13所述的装置,其特征在于,所述装置还包括:
时间属性单元,用于在将所述地理位置数据序列中的地理位置聚类之后,对聚类后的地理位置数据序列添加时间属性,得到地理位置时间序列;
分类单元,用于对所述地理位置时间序列中的地理位置、以及地理位置对应的时间从至少一个维度进行语义类别分类,得到所述地理位置时间序列中各个地理位置对应至少一个维度的静态地理属性。
19.根据权利要求18所述的装置,其特征在于,所述装置还包括:
迁移序列单元,用于在将所述地理位置数据序列中的地理位置聚类之后,从所述地理位置时间序列中提取所述第一账号在不同地理位置之间移动的迁移子序列;
绘制单元,用于根据所述迁移子序列绘制所述第一账号的移动地理轨迹。
20.根据权利要求19所述的装置,其特征在于,所述装置还包括:
构建单元,用于在将所述地理位置数据序列中的地理位置聚类之后,通过出现频率满足预设条件所述迁移子序列构建时空迁移序列,并将所述时空迁移序列作为所述第一账号的动态地理属性。
21.根据权利要求13所述的装置,其特征在于,所述第二获取单元用于获取至少与所述目标地点匹配的信息包括以下之一:
获取与所述目标地点和与所述目标地点对应的时间信息匹配的第二信息;
获取与所述目标地点所指示的目标资源特征信息匹配的第三信息。
22.根据权利要求21所述的装置,其特征在于,所述推送单元包括:
第一推送模块,用于在获取与所述目标地点和与所述目标地点对应的时间信息匹配的第二信息的情况下,在所述时间信息所指示的时间到达、和/或检测到所述第一账号位于所述目标地点时,将所述第二信息推送给所述第一账号。
23.根据权利要求21所述的装置,其特征在于,所述第二获取单元包括:
第一获取模块,用于获取所述目标地点所在的目标区域以及与所述目标区域对应的目标资源特征信息,其中,包括所述目标区域在内的不同区域对应不同的资源特征信息,所述资源特征信息用于指示在与所述资源特征信息对应的区域内的账号所具有的资源等级;
第二获取模块,用于获取与所述目标资源特征信息匹配的所述第三信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610409217.7A CN106101222A (zh) | 2016-06-08 | 2016-06-08 | 信息的推送方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610409217.7A CN106101222A (zh) | 2016-06-08 | 2016-06-08 | 信息的推送方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106101222A true CN106101222A (zh) | 2016-11-09 |
Family
ID=57229178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610409217.7A Pending CN106101222A (zh) | 2016-06-08 | 2016-06-08 | 信息的推送方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106101222A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090100A (zh) * | 2016-11-23 | 2018-05-29 | 百度在线网络技术(北京)有限公司 | 一种数据识别方法和装置 |
CN108376155A (zh) * | 2018-02-07 | 2018-08-07 | 链家网(北京)科技有限公司 | 一种地理位置信息确定方法及装置 |
CN109685595A (zh) * | 2018-08-21 | 2019-04-26 | 平安普惠企业管理有限公司 | 基于数据分析的推送方法、装置、移动终端及存储介质 |
CN110020714A (zh) * | 2018-01-10 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 模型训练及数据分析方法、装置、设备以及存储介质 |
CN110689421A (zh) * | 2018-07-05 | 2020-01-14 | 北京三快在线科技有限公司 | 风控信用风险评分方法、装置、介质及电子设备 |
CN110796300A (zh) * | 2019-10-23 | 2020-02-14 | 海南火吧时代科技有限公司 | 一种基于用户消费水平的出行服务推荐***、方法和终端 |
CN110798717A (zh) * | 2018-08-01 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 媒体资源的推送方法、装置、存储介质及电子装置 |
CN111104420A (zh) * | 2019-12-25 | 2020-05-05 | 青梧桐有限责任公司 | 数据处理方法、***、电子设备及可读存储介质 |
CN111291772A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 信息的推送方法、装置、电子设备和计算机可读存储介质 |
CN111325267A (zh) * | 2020-02-18 | 2020-06-23 | 京东城市(北京)数字科技有限公司 | 数据融合方法、装置和计算机可读存储介质 |
CN111400618A (zh) * | 2020-02-14 | 2020-07-10 | 口口相传(北京)网络技术有限公司 | 一种数据搜索方法以及装置 |
CN112560910A (zh) * | 2020-12-02 | 2021-03-26 | 中国联合网络通信集团有限公司 | 用户分类方法和装置 |
CN112989185A (zh) * | 2021-02-24 | 2021-06-18 | 平安健康保险股份有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN113032665A (zh) * | 2019-12-25 | 2021-06-25 | 上海博泰悦臻电子设备制造有限公司 | 一种信息推送方法及装置 |
WO2021135104A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技(深圳)有限公司 | 基于多源数据的对象推送方法、装置、设备及存储介质 |
CN113783952A (zh) * | 2021-08-31 | 2021-12-10 | 北京达佳互联信息技术有限公司 | 信息推送方法、装置、存储介质及处理器 |
CN111368221B (zh) * | 2020-03-13 | 2023-09-29 | 腾讯科技(深圳)有限公司 | 信息提供方法、信息获取方法、装置、服务器及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176997A (zh) * | 2011-12-21 | 2013-06-26 | 上海博路信息技术有限公司 | 一种多维信息发布和接收*** |
CN104580394A (zh) * | 2014-12-17 | 2015-04-29 | 惠州Tcl移动通信有限公司 | 移动终端及其生活服务信息推送方法 |
CN105354196A (zh) * | 2014-08-19 | 2016-02-24 | 北京羽扇智信息科技有限公司 | 信息推送方法和信息推送装置 |
CN105430032A (zh) * | 2014-09-17 | 2016-03-23 | 阿里巴巴集团控股有限公司 | 结合终端地理位置推送信息的方法及服务器 |
-
2016
- 2016-06-08 CN CN201610409217.7A patent/CN106101222A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176997A (zh) * | 2011-12-21 | 2013-06-26 | 上海博路信息技术有限公司 | 一种多维信息发布和接收*** |
CN105354196A (zh) * | 2014-08-19 | 2016-02-24 | 北京羽扇智信息科技有限公司 | 信息推送方法和信息推送装置 |
CN105430032A (zh) * | 2014-09-17 | 2016-03-23 | 阿里巴巴集团控股有限公司 | 结合终端地理位置推送信息的方法及服务器 |
CN104580394A (zh) * | 2014-12-17 | 2015-04-29 | 惠州Tcl移动通信有限公司 | 移动终端及其生活服务信息推送方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090100A (zh) * | 2016-11-23 | 2018-05-29 | 百度在线网络技术(北京)有限公司 | 一种数据识别方法和装置 |
CN108090100B (zh) * | 2016-11-23 | 2022-02-18 | 百度在线网络技术(北京)有限公司 | 一种数据识别方法和装置 |
CN110020714B (zh) * | 2018-01-10 | 2023-05-30 | 斑马智行网络(香港)有限公司 | 模型训练及数据分析方法、装置、设备以及存储介质 |
CN110020714A (zh) * | 2018-01-10 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 模型训练及数据分析方法、装置、设备以及存储介质 |
CN108376155A (zh) * | 2018-02-07 | 2018-08-07 | 链家网(北京)科技有限公司 | 一种地理位置信息确定方法及装置 |
CN110689421A (zh) * | 2018-07-05 | 2020-01-14 | 北京三快在线科技有限公司 | 风控信用风险评分方法、装置、介质及电子设备 |
CN110798717A (zh) * | 2018-08-01 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 媒体资源的推送方法、装置、存储介质及电子装置 |
CN110798717B (zh) * | 2018-08-01 | 2021-08-20 | 腾讯科技(深圳)有限公司 | 媒体资源的推送方法、装置、存储介质及电子装置 |
CN109685595A (zh) * | 2018-08-21 | 2019-04-26 | 平安普惠企业管理有限公司 | 基于数据分析的推送方法、装置、移动终端及存储介质 |
CN111291772A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 信息的推送方法、装置、电子设备和计算机可读存储介质 |
CN111291772B (zh) * | 2018-12-06 | 2024-04-16 | 北京嘀嘀无限科技发展有限公司 | 信息的推送方法、装置、电子设备和计算机可读存储介质 |
CN110796300A (zh) * | 2019-10-23 | 2020-02-14 | 海南火吧时代科技有限公司 | 一种基于用户消费水平的出行服务推荐***、方法和终端 |
CN111104420A (zh) * | 2019-12-25 | 2020-05-05 | 青梧桐有限责任公司 | 数据处理方法、***、电子设备及可读存储介质 |
CN113032665A (zh) * | 2019-12-25 | 2021-06-25 | 上海博泰悦臻电子设备制造有限公司 | 一种信息推送方法及装置 |
WO2021135104A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技(深圳)有限公司 | 基于多源数据的对象推送方法、装置、设备及存储介质 |
CN111400618A (zh) * | 2020-02-14 | 2020-07-10 | 口口相传(北京)网络技术有限公司 | 一种数据搜索方法以及装置 |
CN111325267A (zh) * | 2020-02-18 | 2020-06-23 | 京东城市(北京)数字科技有限公司 | 数据融合方法、装置和计算机可读存储介质 |
CN111325267B (zh) * | 2020-02-18 | 2024-02-13 | 京东城市(北京)数字科技有限公司 | 数据融合方法、装置和计算机可读存储介质 |
CN111368221B (zh) * | 2020-03-13 | 2023-09-29 | 腾讯科技(深圳)有限公司 | 信息提供方法、信息获取方法、装置、服务器及存储介质 |
CN112560910A (zh) * | 2020-12-02 | 2021-03-26 | 中国联合网络通信集团有限公司 | 用户分类方法和装置 |
CN112560910B (zh) * | 2020-12-02 | 2024-03-01 | 中国联合网络通信集团有限公司 | 用户分类方法和装置 |
CN112989185B (zh) * | 2021-02-24 | 2023-07-28 | 平安健康保险股份有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN112989185A (zh) * | 2021-02-24 | 2021-06-18 | 平安健康保险股份有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN113783952B (zh) * | 2021-08-31 | 2023-06-02 | 北京达佳互联信息技术有限公司 | 信息推送方法、装置、存储介质及处理器 |
CN113783952A (zh) * | 2021-08-31 | 2021-12-10 | 北京达佳互联信息技术有限公司 | 信息推送方法、装置、存储介质及处理器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106101222A (zh) | 信息的推送方法和装置 | |
Liu et al. | Visualizing and exploring POI configurations of urban regions on POI-type semantic space | |
EP3779841B1 (en) | Method, apparatus and system for sending information, and computer-readable storage medium | |
EP3241370B1 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
Yuan et al. | Discovering urban functional zones using latent activity trajectories | |
CN107679558B (zh) | 一种基于度量学习的用户轨迹相似性度量方法 | |
CN106097095A (zh) | 确定信用的方法及装置 | |
Lv et al. | Mining user similarity based on routine activities | |
US10713672B1 (en) | Discovering neighborhood clusters and uses therefor | |
CN106407519B (zh) | 一种人群移动规律的建模方法 | |
CN110334293A (zh) | 一种面向位置社交网络基于模糊聚类的具有时间感知位置推荐方法 | |
Chen et al. | Next POI recommendation based on location interest mining with recurrent neural networks | |
CN102054166A (zh) | 一种新的用于户外增强现实***的场景识别技术 | |
Liu et al. | Modeling the interaction coupling of multi-view spatiotemporal contexts for destination prediction | |
McKenzie et al. | Measuring urban regional similarity through mobility signatures | |
CN109977979A (zh) | 定位种子用户的方法、装置、电子设备和存储介质 | |
Park et al. | Analyzing travel mobility patterns in city destinations: Implications for destination design | |
CN109543922A (zh) | 用于有桩共享单车站点群的分时段借还量预测方法 | |
Nawshin et al. | Modeling weather-aware prediction of user activities and future visits | |
Wang et al. | A graph-based visual query method for massive human trajectory data | |
CN107066572A (zh) | 基于众源地理数据空间聚类的地表覆盖分类方法及*** | |
CN103365900A (zh) | 线上素材投放方法及装置 | |
CN109657950A (zh) | 层次分析方法、装置、设备及计算机可读存储介质 | |
Yu et al. | RePiDeM: A refined POI demand modeling based on multi-source data | |
Tang et al. | Discovering urban functional zones from biased and sparse points of interests and sparse human activities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
RJ01 | Rejection of invention patent application after publication |