CN107180073B - Poi推荐方法、装置、设备及计算机可读存储介质 - Google Patents
Poi推荐方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107180073B CN107180073B CN201710209237.4A CN201710209237A CN107180073B CN 107180073 B CN107180073 B CN 107180073B CN 201710209237 A CN201710209237 A CN 201710209237A CN 107180073 B CN107180073 B CN 107180073B
- Authority
- CN
- China
- Prior art keywords
- poi
- cluster
- association
- pois
- user
- 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
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
- G06F16/90—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
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)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种POI推荐方法、装置、设备及计算机可读存储介质。本发明实施例通过根据所获取的用户感兴趣的目标POI,获得所述目标POI所属的目标POI团簇,进而根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇,使得能够向所述用户推荐所述全局同质POI团簇,由于采用全局同质关联关系的挖掘,使得所划分的每个POI团簇能够满足用户的特定需求,因此,适合作为推荐的基础处理单元,精确地向用户推荐该用户可能感兴趣的POI或者需要了解的POI,从而提高了POI推荐的成功率。
Description
【技术领域】
本发明涉及推荐技术,尤其涉及一种POI推荐方法、装置、设备及计算机可读存储介质。
【背景技术】
随着通信技术的发展,终端集成了越来越多的功能,从而使得终端的***功能列表中包含了越来越多相应的应用(Application,APP)。有些应用中会涉及一些兴趣点(Point of Interest,POI)推荐服务,POI信息是地理信息中的一个信息元,是基于地理信息的商铺、公共服务站点以及公交站等建筑或能够提供服务的服务站点的信息。
如何精确地向用户推荐该用户可能感兴趣的POI或者需要了解的POI,以提高POI推荐的成功率,是一个亟需解决的技术问题。
【发明内容】
本发明的多个方面提供一种POI推荐方法、装置、设备及计算机可读存储介质,用以提高POI推荐的成功率。
本发明的一方面,提供一种POI推荐方法,包括:
获取用户感兴趣的目标POI;
根据所述目标POI,获得所述目标POI所属的目标POI团簇;
根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇;
向所述用户推荐所述全局同质POI团簇。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述获取用户感兴趣的目标POI,包括:
根据所述用户的属性数据,获得所述目标POI;或者
根据所述用户最近的查询操作,获得所述目标POI;或者
根据所述用户当前的查询操作,获得所述目标POI;或者
根据所述用户当前所在的位置,获得所述目标POI。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述目标POI,获得所述目标POI所属的目标POI团簇之前,还包括:
获取全网用户的用户行为数据;
根据所述用户行为数据,获得两两POI之间的关联关系;
根据所述两两POI之间的关联关系和所述两两POI之间的关联关系的关联参数,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇,以供根据所述目标POI,获得所述目标POI所属的目标POI团簇。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述两两POI之间的关联关系的关联参数,包括:
所述两两POI之间的关联关系的支持度;或者
所述两两POI之间的关联关系的支持度和所述两两POI之间的关联关系的余弦相似度。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述两两POI之间的关联关系和所述两两POI之间的关联关系的关联参数,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇,包括:
根据所述两两POI之间的关联关系的关联参数,对所述两两POI之间的关联关系进行过滤处理;
根据所述过滤处理之后的两两POI之间的关联关系,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述两两POI之间的关联关系和所述两两POI之间的关联关系的关联参数,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇,以供根据所述目标POI,获得所述目标POI所属的目标POI团簇之后,所述根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇之前,还包括:
获取所述至少一个POI团簇中每个POI团簇的描述数据;所述描述数据包括评论数据和品牌数据中的至少一项;
根据所述描述数据,获得所述每个POI团簇的描述特征;
根据所述每个POI团簇的描述特征,进行POI团簇全局关联处理,以获得两两POI团簇之间的全局同质关联关系,以供根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇。
本发明的另一方面,提供一种POI推荐装置,包括:
获取单元,用于获取用户感兴趣的目标POI;
关联单元,用于根据所述目标POI,获得所述目标POI所属的目标POI团簇;
所述关联单元,还用于根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇;
推荐单元,用于向所述用户推荐所述全局同质POI团簇。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述获取单元,具体用于
根据所述用户的属性数据,获得所述目标POI;或者
根据所述用户最近的查询操作,获得所述目标POI;或者
根据所述用户当前的查询操作,获得所述目标POI;或者
根据所述用户当前所在的位置,获得所述目标POI。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述关联单元,还用于
获取全网用户的用户行为数据;
根据所述用户行为数据,获得两两POI之间的关联关系;以及
根据所述两两POI之间的关联关系和所述两两POI之间的关联关系的关联参数,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇,以供根据所述目标POI,获得所述目标POI所属的目标POI团簇。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述两两POI之间的关联关系的关联参数,包括:
所述两两POI之间的关联关系的支持度;或者
所述两两POI之间的关联关系的支持度和所述两两POI之间的关联关系的余弦相似度。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述关联单元,具体用于
根据所述两两POI之间的关联关系的关联参数,对所述两两POI之间的关联关系进行过滤处理;
根据所述过滤处理之后的两两POI之间的关联关系,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述关联单元,还用于
获取所述至少一个POI团簇中每个POI团簇的描述数据;所述描述数据包括评论数据和品牌数据中的至少一项;
根据所述描述数据,获得所述每个POI团簇的描述特征;以及
根据所述每个POI团簇的描述特征,进行POI团簇全局关联处理,以获得两两POI团簇之间的全局同质关联关系,以供根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇。
本发明的另一方面,提供一种设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述一方面所提供的POI推荐方法。
本发明的另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述一方面所提供的POI推荐方法。
由上述技术方案可知,本发明实施例通过根据所获取的用户感兴趣的目标POI,获得所述目标POI所属的目标POI团簇,进而根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇,使得能够向所述用户推荐所述全局同质POI团簇,由于采用全局同质关联关系的挖掘,使得所划分的每个POI团簇能够满足用户的特定需求,因此,适合作为推荐的基础处理单元,精确地向用户推荐该用户可能感兴趣的POI或者需要了解的POI,从而提高了POI推荐的成功率。
另外,采用本发明所提供的技术方案,通过以团簇代替单个POI,实现利用团簇的整体信息来描述POI的个体信息,从而丰富了单个POI的信息,能够有效提高POI推荐的可靠性。
另外,采用本发明所提供的技术方案,POI的划分更加精准,不会因为POI本身的关键词,或者信息缺失导致划分不明确甚至错误。
另外,采用本发明所提供的技术方案,能够根据不同场景需要选择不同层次,不同语义粒度的POI。
另外,采用本发明所提供的技术方案,通过在全局找到不同区域(即不同根节点下的树形结构)内的同质POI团簇之间的相似性,挖掘出全局内同质POI团簇之间的同质关联关系,进而将一个熟悉区域的用户偏好传递到另一个陌生区域,能够有效提高POI推荐的可靠性。
另外,采用本发明所提供的技术方案,能够极大提升用户体验。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的POI推荐方法的流程示意图;
图2为本发明另一实施例提供的POI推荐装置的结构示意图;
图3为适于用来实现本发明实施方式的示例性计算机***/服务器12的框图。
【具体实施方式】
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的全部其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例中所涉及的终端可以包括但不限于手机、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(Tablet Computer)、个人电脑(Personal Computer,PC)、MP3播放器、MP4播放器、可穿戴设备(例如,智能眼镜、智能手表、智能手环等)等。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本发明一实施例提供的POI推荐方法的流程示意图,如图1所示。
101、获取用户感兴趣的目标POI。
102、根据所述目标POI,获得所述目标POI所属的目标POI团簇。
103、根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇。
104、向所述用户推荐所述全局同质POI团簇。
需要说明的是,101~104的执行主体的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式***,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在终端上的本地程序(nativeApp),或者还可以是终端上的浏览器的一个网页程序(webApp),本实施例对此不进行特别限定。
这样,通过根据所获取的用户感兴趣的目标POI,获得所述目标POI所属的目标POI团簇,进而根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇,使得能够向所述用户推荐所述全局同质POI团簇,由于采用全局同质关联关系的挖掘,使得所划分的每个POI团簇能够满足用户的特定需求,因此,适合作为推荐的基础处理单元,精确地向用户推荐该用户可能感兴趣的POI或者需要了解的POI,从而提高了POI推荐的成功率。
可选地,在本实施例的一个可能的实现方式中,在101中,具体可以采用多种方法,获取用户感兴趣的目标POI。
在一个具体的实现过程中,具体可以根据所述用户的属性数据,获得所述目标POI。例如,用户的属性数据为年龄为20岁、性别为女、常驻地址为上地以及爱好为逛公园,那么,则可以获得所述目标POI为圆明园。
在另一个具体的实现过程中,具体可以根据所述用户最近的查询操作,获得所述目标POI。例如,用户在三天之内查询过圆明园,那么,则可以获得所述目标POI为圆明园。
在另一个具体的实现过程中,具体可以根据所述用户当前的查询操作,获得所述目标POI。例如,用户当前正在查询圆明园,那么,则可以获得所述目标POI为圆明园。
在另一个具体的实现过程中,具体可以根据所述用户当前所在的位置,获得所述目标POI。例如,用户当前所在的位置在圆明园,那么,则可以获得所述目标POI为圆明园。
可选地,在本实施例的一个可能的实现方式中,在102之前,还可以进一步包括构建具有树形结构的POI团簇集合。
在一个具体的实现过程中,具体可以获取全网用户的用户行为数据,进而,则可以根据所述用户行为数据,获得两两POI之间的关联关系。然后,可以根据所述两两POI之间的关联关系和所述两两POI之间的关联关系的关联参数,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇,以供根据所述目标POI,获得所述目标POI所属的目标POI团簇。其中,所述至少一个POI团簇中每个POI团簇中可以包括至少一个POI。
这样,通过大量用户长时间的行为,挖掘出POI与POI之间的关联关系,通过这种关联关系,将所有全量的POI联系在一起形成一张POI的网络。然后,通过采用社区发现算法,去发现这张网络中内聚性好的一簇一簇的POI即POI团簇,这里POI团簇具有能够满足大量用户在相似场景下的特定需求的特征。这种方案是一种层次化的划分,使用相同的方法对第一次分类后的POI,再次进行划分,就能够得到更大的粒度的POI分类。
该实现过程中,所采用的所述两两POI之间的关联关系的关联参数,可以为所述两两POI之间的关联关系的支持度,或者还可以为所述两两POI之间的关联关系的支持度和所述两两POI之间的关联关系的余弦相似度,本实施例对此不进行特别限定。
具体来说,首先,可以采集全网用户中每个用户在一定时间范围内的用户行为数据例如,点击行为数据、检索行为数据或定位轨迹数据等,获得两两POI之间的关联关系,同时,还可以进一步根据所采集的用户行为数据,获得所述两两POI之间的关联关系的关联参数例如,所述两两POI之间的关联关系的支持度和所述两两POI之间的关联关系的余弦相似度。
两两POI之间的关联关系的支持度,取决于用户在一定时间范围内连续或同时,点击、检索或定位过这两个POI的次数。
例如,一个用户在一定时间范围内连续或同时,点击、检索或定位过这两个POI,那么,这两个POI之间关联关系的支持度则可以增加1。
两两POI之间的关联关系的余弦相似度,取决于两两POI之间的关联关系的支持度与两两POI中每个POI的热度。
在获得了两两POI之间的关联关系,以及所述两两POI之间的关联关系的关联参数之后,则可以根据所述两两POI之间的关联关系的关联参数,对所述两两POI之间的关联关系进行过滤处理即删除关联关系较弱的两两POI之间的关联关系。
下面将以两两POI之间的关联关系的支持度作为所述两两POI之间的关联关系的关联参数为例,说明下如何对所述两两POI之间的关联关系进行过滤处理。
可以给两两POI之间的关联关系的支持度,预先设置两个阈值S1和S2,且S2大于S1。将支持度小于S1的两两POI之间的关联关系,直接删除;将支持度大于或等于S2的两两POI之间的关联关系,直接保留;对于支持度大于或等于S1且小于S2的两两POI之间的关联关系,则需要进一步进行判断,以确定哪些可以保留,哪些需要删除。例如,再设置一个阈值L,对于支持度大于或等于S1且小于S2的两两POI之间的关联关系,若这两个POI与其他POI之间的关联关系的支持度小于L,则这两个POI之间的关联关系需要保留;若这两个POI与其他POI之间的关联关系的支持度大于或等于L,则这两个POI之间的关联关系需要删除。
在过滤掉两两POI之间的关联关系中较弱的关联关系之后,得到一个POI与POI通过关联关系组织成的一张以POI为节点,关联关系为边的网络。然后,可以采用社区发现算法,在所获得的网络中,找到关联关系比较紧密的一簇一簇的POI即POI团簇。在社区发现算法中,可以设置每一簇POI的数据量上限例如,25等。将第一次划分的结果作为下一次处理的基础单元即看做一个新POI,重复上述操作,就可以得到粒度更粗的POI划分结果。直到发现没有任何两个POI团簇之间存在有效的关联关系终止划分。
这样,就构建了具有树形结构的POI团簇集合,该POI团簇集合中的POI团簇都是具有同质关联关系的同质POI团簇。
可选地,在本实施例的一个可能的实现方式中,在构建了具有树形结构的POI团簇集合之后,还可以进一步挖掘出全局内同质POI团簇之间的同质关联关系。
具体来说,具体可以获取所述至少一个POI团簇中每个POI团簇的描述数据,其中,所述描述数据可以包括但不限于评论数据和品牌数据中的至少一项。然后,则可以根据所述描述数据,获得所述每个POI团簇的描述特征,进而,根据所述每个POI团簇的描述特征,进行POI团簇全局关联处理,以获得两两POI团簇之间的全局同质关联关系,以供根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇。
这样,通过在全局找到不同区域(即不同根节点下的树形结构)内的同质POI团簇之间的相似性,挖掘出全局内同质POI团簇之间的同质关联关系,进而将一个熟悉区域的用户偏好传递到另一个陌生区域,能够有效提高POI推荐的可靠性。
在该实现方式中,针对描述数据为评论数据的情况,可以基于所构建的树形结构的POI团簇集合,获取每个POI团簇的评论数据,进而,则可以对这些评论数据进行切词处理(包括停用词处理),以获得切词结果。根据每个切词结果的统计参数,例如,使用频率等,选择部分切词结果或全部切词结果作为每个POI团簇的描述特征。根据每个POI团簇的描述特征,计算两两POI团簇之间的相似度,将相似度大于或等于预先设置的相似度阈值M的两两POI团簇,确定为具有全局同质关联关系;将相似度小于预先设置的相似度阈值M的两两POI团簇,确定为不具有全局同质关联关系。
在该实现方式中,针对描述数据为品牌数据的情况,可以基于所构建的树形结构的POI团簇集合,获取每个POI团簇的品牌数据,具体可以从POI属性字段中获取。进而,则可以根据每个POI团簇的这些品牌数据,获得每个POI团簇的描述特征。根据每个POI团簇的描述特征,计算两两POI团簇之间的相似度,将相似度大于或等于预先设置的相似度阈值M的两两POI团簇,确定为具有全局同质关联关系;将相似度小于预先设置的相似度阈值M的两两POI团簇,确定为不具有全局同质关联关系。
这样,在挖掘出全局内同质POI团簇之间的同质关联关系之后,则可以根据用户的位置数据,确定用户是否位于该用户的熟悉区域即该用户的常驻区域。用户的熟悉区域,可以根据用户的操作行为数据或者用户的属性数据获得,可以采用现有技术中的挖掘方法,此处不再赘述。
如果用户不再位于该用户的熟悉区域,则可以根据所述目标POI团簇,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇;如果用户仍然位于该用户的熟悉区域,则无需根据所述目标POI团簇,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇,而是直接基于所构建的具有树形结构的POI团簇集合,根据所述目标POI团簇,将与所述目标POI团簇之间具有同质关联关系的同质POI团簇,直接推荐给用户。
所谓的用户的位置数据,是指用户当前所在位置的位置数据,具体可以为用户所使用的终端采用现有的各种定位技术,例如,全球定位***(Global Positioning System,GPS)技术、无线相容性认证(Wireless Fidelity,Wi-Fi)定位技术或基站定位技术等定位技术,所获得的该终端的定位结果,即终端所在位置的地理位置数据,本实施例对此不进行特别限定。
可选地,在本实施例的一个可能的实现方式中,在104中,向用户推荐全局同质POI团簇的时候,具体可以根据该同质POI团簇中每个POI的热度,按照从大到小的顺序,向用户推荐全局同质POI团簇中的POI。
本实施例中,通过根据所获取的用户感兴趣的目标POI,获得所述目标POI所属的目标POI团簇,进而根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇,使得能够向所述用户推荐所述全局同质POI团簇,由于采用全局同质关联关系的挖掘,使得所划分的每个POI团簇能够满足用户的特定需求,因此,适合作为推荐的基础处理单元,精确地向用户推荐该用户可能感兴趣的POI或者需要了解的POI,从而提高了POI推荐的成功率。
另外,采用本发明所提供的技术方案,POI的划分更加精准,不会因为POI本身的关键词,或者信息缺失导致划分不明确甚至错误。
另外,采用本发明所提供的技术方案,能够根据不同场景需要选择不同层次,不同语义粒度的POI。
另外,采用本发明所提供的技术方案,通过在全局找到不同区域(即不同根节点下的树形结构)内的同质POI团簇之间的相似性,挖掘出全局内同质POI团簇之间的同质关联关系,进而将一个熟悉区域的用户偏好传递到另一个陌生区域,能够有效提高POI推荐的可靠性。
另外,采用本发明所提供的技术方案,能够极大提升用户体验。
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。
在上述实施例中,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。
图2为本发明另一实施例提供的POI推荐装置的结构示意图,如图2所示。本实施例的POI推荐装置可以包括获取单元21、关联单元22和推荐单元23。其中,获取单元21,用于获取用户感兴趣的目标POI;关联单元22,用于根据所述目标POI,获得所述目标POI所属的目标POI团簇;所述关联单元22,还用于根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇;推荐单元23,用于向所述用户推荐所述全局同质POI团簇。
需要说明的是,本实施例所提供的POI推荐装置的部分或全部可以为位于本地终端即指定交通工具上的终端设备的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式***,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在终端上的本地程序(nativeApp),或者还可以是终端上的浏览器的一个网页程序(webApp),本实施例对此不进行特别限定。
可选地,在本实施例的一个可能的实现方式中,所述获取单元21,具体可以用于根据所述用户的属性数据,获得所述目标POI;或者根据所述用户最近的查询操作,获得所述目标POI;或者根据所述用户当前的查询操作,获得所述目标POI;或者根据所述用户当前所在的位置,获得所述目标POI。
可选地,在本实施例的一个可能的实现方式中,所述关联单元22,还可以进一步用于获取全网用户的用户行为数据;根据所述用户行为数据,获得两两POI之间的关联关系;以及根据所述两两POI之间的关联关系和所述两两POI之间的关联关系的关联参数,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇,以供根据所述目标POI,获得所述目标POI所属的目标POI团簇。
该实现过程中,所采用的所述两两POI之间的关联关系的关联参数,可以为所述两两POI之间的关联关系的支持度,或者还可以为所述两两POI之间的关联关系的支持度和所述两两POI之间的关联关系的余弦相似度,本实施例对此不进行特别限定。
可选地,在本实施例的一个可能的实现方式中,所述关联单元22,具体可以用于根据所述两两POI之间的关联关系的关联参数,对所述两两POI之间的关联关系进行过滤处理;以及根据所述过滤处理之后的两两POI之间的关联关系,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇。
可选地,在本实施例的一个可能的实现方式中,所述关联单元22,还可以进一步用于获取所述至少一个POI团簇中每个POI团簇的描述数据;所述描述数据包括评论数据和品牌数据中的至少一项;根据所述描述数据,获得所述每个POI团簇的描述特征;以及根据所述每个POI团簇的描述特征,进行POI团簇全局关联处理,以获得两两POI团簇之间的全局同质关联关系,以供根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇。
需要说明的是,图1对应的实施例中方法,可以由本实施例提供的POI推荐装置实现。详细描述可以参见图1对应的实施例中的相关内容,此处不再赘述。
本实施例中,通过关联单元根据获取单元所获取的用户感兴趣的目标POI,获得所述目标POI所属的目标POI团簇,进而根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇,使得推荐单元能够向所述用户推荐所述全局同质POI团簇,由于采用全局同质关联关系的挖掘,使得所划分的每个POI团簇能够满足用户的特定需求,因此,适合作为推荐的基础处理单元,精确地向用户推荐该用户可能感兴趣的POI或者需要了解的POI,从而提高了POI推荐的成功率。
另外,采用本发明所提供的技术方案,POI的划分更加精准,不会因为POI本身的关键词,或者信息缺失导致划分不明确甚至错误。
另外,采用本发明所提供的技术方案,能够根据不同场景需要选择不同层次,不同语义粒度的POI。
另外,采用本发明所提供的技术方案,通过在全局找到不同区域(即不同根节点下的树形结构)内的同质POI团簇之间的相似性,挖掘出全局内同质POI团簇之间的同质关联关系,进而将一个熟悉区域的用户偏好传递到另一个陌生区域,能够有效提高POI推荐的可靠性。
另外,采用本发明所提供的技术方案,能够极大提升用户体验。
图3示出了适于用来实现本发明实施方式的示例性计算机***/服务器12的框图。图3显示的计算机***/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,计算机***/服务器12以通用计算设备的形式表现。计算机***/服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,存储装置或者***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机***/服务器12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机***/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机***/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。***存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如***存储器28中,这样的程序模块42包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机***/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机***/服务器12交互的设备通信,和/或与使得该计算机***/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口44进行。并且,计算机***/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机***/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机***/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现图1所对应的实施例所提供的POI推荐方法。
本发明另一实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现图1所对应的实施例所提供的POI推荐方法。
具体来说,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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,也可以采用硬件加软件功能单元的形式实现。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种POI推荐方法,其特征在于,包括:
获取用户感兴趣的目标POI;
根据所述目标POI,获得所述目标POI所属的目标POI团簇;
根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇;其中,具有树形结构的至少一个POI团簇中的各POI团簇是具有同质关联关系的同质POI团簇;全局内不同根节点下的同质POI团簇之间的同质关联关系为根据不同根节点下的同质POI团簇之间的相似性挖掘;
向所述用户推荐所述全局同质POI团簇。
2.根据权利要求1所述的方法,其特征在于,所述获取用户感兴趣的目标POI,包括:
根据所述用户的属性数据,获得所述目标POI;或者
根据所述用户最近的查询操作,获得所述目标POI;或者
根据所述用户当前的查询操作,获得所述目标POI;或者
根据所述用户当前所在的位置,获得所述目标POI。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述目标POI,获得所述目标POI所属的目标POI团簇之前,还包括:
获取全网用户的用户行为数据;
根据所述用户行为数据,获得两两POI之间的关联关系;
根据所述两两POI之间的关联关系和所述两两POI之间的关联关系的关联参数,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇,以供根据所述目标POI,获得所述目标POI所属的目标POI团簇。
4.根据权利要求3所述的方法,其特征在于,所述两两POI之间的关联关系的关联参数,包括:
所述两两POI之间的关联关系的支持度;或者
所述两两POI之间的关联关系的支持度和所述两两POI之间的关联关系的余弦相似度。
5.根据权利要求3所述的方法,其特征在于,所述根据所述两两POI之间的关联关系和所述两两POI之间的关联关系的关联参数,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇,包括:
根据所述两两POI之间的关联关系的关联参数,对所述两两POI之间的关联关系进行过滤处理;
根据所述过滤处理之后的两两POI之间的关联关系,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇。
6.根据权利要求3所述的方法,其特征在于,所述根据所述两两POI之间的关联关系和所述两两POI之间的关联关系的关联参数,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇,以供根据所述目标POI,获得所述目标POI所属的目标POI团簇之后,所述根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇之前,还包括:
获取所述至少一个POI团簇中每个POI团簇的描述数据;所述描述数据包括评论数据和品牌数据中的至少一项;
根据所述描述数据,获得所述每个POI团簇的描述特征;
根据所述每个POI团簇的描述特征,进行POI团簇全局关联处理,以获得两两POI团簇之间的全局同质关联关系,以供根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇。
7.一种POI推荐装置,其特征在于,包括:
获取单元,用于获取用户感兴趣的目标POI;
关联单元,用于根据所述目标POI,获得所述目标POI所属的目标POI团簇;
所述关联单元,还用于根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇;其中,具有树形结构的至少一个POI团簇中的各POI团簇是具有同质关联关系的同质POI团簇;全局内不同根节点下的同质POI团簇之间的同质关联关系为根据不同根节点下的同质POI团簇之间的相似性挖掘;
推荐单元,用于向所述用户推荐所述全局同质POI团簇。
8.根据权利要求7所述的装置,其特征在于,所述获取单元,具体用于
根据所述用户的属性数据,获得所述目标POI;或者
根据所述用户最近的查询操作,获得所述目标POI;或者
根据所述用户当前的查询操作,获得所述目标POI;或者
根据所述用户当前所在的位置,获得所述目标POI。
9.根据权利要求7或8所述的装置,其特征在于,所述关联单元,还用于
获取全网用户的用户行为数据;
根据所述用户行为数据,获得两两POI之间的关联关系;以及
根据所述两两POI之间的关联关系和所述两两POI之间的关联关系的关联参数,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇,以供根据所述目标POI,获得所述目标POI所属的目标POI团簇。
10.根据权利要求9所述的装置,其特征在于,所述两两POI之间的关联关系的关联参数,包括:
所述两两POI之间的关联关系的支持度;或者
所述两两POI之间的关联关系的支持度和所述两两POI之间的关联关系的余弦相似度。
11.根据权利要求9所述的装置,其特征在于,所述关联单元,具体用于
根据所述两两POI之间的关联关系的关联参数,对所述两两POI之间的关联关系进行过滤处理;
根据所述过滤处理之后的两两POI之间的关联关系,采用社区发现算法,进行POI聚类处理,以获得具有树形结构关系的至少一个POI团簇。
12.根据权利要求9所述的装置,其特征在于,所述关联单元,还用于
获取所述至少一个POI团簇中每个POI团簇的描述数据;所述描述数据包括评论数据和品牌数据中的至少一项;
根据所述描述数据,获得所述每个POI团簇的描述特征;以及
根据所述每个POI团簇的描述特征,进行POI团簇全局关联处理,以获得两两POI团簇之间的全局同质关联关系,以供根据所述目标POI团簇和所述用户的位置数据,获得与所述目标POI团簇之间具有同质关联关系的全局同质POI团簇。
13.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1~6中任一所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710209237.4A CN107180073B (zh) | 2017-03-31 | 2017-03-31 | Poi推荐方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710209237.4A CN107180073B (zh) | 2017-03-31 | 2017-03-31 | Poi推荐方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107180073A CN107180073A (zh) | 2017-09-19 |
CN107180073B true CN107180073B (zh) | 2021-03-19 |
Family
ID=59830487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710209237.4A Active CN107180073B (zh) | 2017-03-31 | 2017-03-31 | Poi推荐方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180073B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108419B (zh) * | 2017-12-15 | 2021-01-26 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法、装置、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246717A (zh) * | 2013-04-26 | 2013-08-14 | 百度在线网络技术(北京)有限公司 | 基于包含兴趣点信息的空间结构的推送方法及装置 |
CN105373597A (zh) * | 2015-10-27 | 2016-03-02 | 华侨大学 | 基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9009177B2 (en) * | 2009-09-25 | 2015-04-14 | Microsoft Corporation | Recommending points of interests in a region |
CN103488789B (zh) * | 2013-10-08 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 推荐方法、装置和搜索引擎 |
CN104391853B (zh) * | 2014-09-25 | 2018-09-04 | 深圳大学 | Poi推荐方法、poi信息处理方法及服务器 |
CN104504064A (zh) * | 2014-12-19 | 2015-04-08 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法和装置 |
-
2017
- 2017-03-31 CN CN201710209237.4A patent/CN107180073B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246717A (zh) * | 2013-04-26 | 2013-08-14 | 百度在线网络技术(北京)有限公司 | 基于包含兴趣点信息的空间结构的推送方法及装置 |
CN105373597A (zh) * | 2015-10-27 | 2016-03-02 | 华侨大学 | 基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法 |
Non-Patent Citations (1)
Title |
---|
位置服务社交网络用户行为相似性分析;袁书寒 等;《计算机应用》;20120201;第32卷(第2期);第322-325页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107180073A (zh) | 2017-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133263B (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
CN107085600B (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
KR102613774B1 (ko) | 애플리케이션 관련 사용자 데이터를 추출하고 공유하기 위한 시스템 및 방법 | |
CN113892087B (zh) | 第三方应用程序性能改进工具包 | |
CN108197198B (zh) | 一种兴趣点搜索方法、装置、设备和介质 | |
CN107885873B (zh) | 用于输出信息的方法和装置 | |
CN105930527B (zh) | 搜索方法及装置 | |
CN110097397B (zh) | 基于反馈的信息推送方法、装置及电子设备 | |
KR102068788B1 (ko) | 사용자 타겟 서비스를 제공하는 서버 및 그 서비스 제공방법 | |
WO2021164131A1 (zh) | 地图展示方法、***、计算机设备和存储介质 | |
CN111309240B (zh) | 内容显示方法、装置和电子设备 | |
CN107169005B (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
CN107085599B (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
CN105808642B (zh) | 推荐方法及装置 | |
CN112132654A (zh) | 一种房源信息展示的方法、装置和存储介质 | |
CN106453822B (zh) | 基于异步加载的地图信息展示方法 | |
CN107169012B (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
CN107169014B (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
CN108427701B (zh) | 基于操作页面识别帮助信息的方法及应用服务器 | |
CN103699589A (zh) | 一种信息推送方法及装置 | |
CN107180073B (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
CN107193861B (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
CN107169015B (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
CN112486796B (zh) | 一种采集车载智能终端信息的方法和装置 | |
CN104750792A (zh) | 一种用户特征的获取方法及装置 |
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 |