CN108829766A - 一种兴趣点推荐方法、***、设备及计算机可读存储介质 - Google Patents
一种兴趣点推荐方法、***、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108829766A CN108829766A CN201810529606.2A CN201810529606A CN108829766A CN 108829766 A CN108829766 A CN 108829766A CN 201810529606 A CN201810529606 A CN 201810529606A CN 108829766 A CN108829766 A CN 108829766A
- Authority
- CN
- China
- Prior art keywords
- interest
- point
- indicate
- gate
- lstm model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000015654 memory Effects 0.000 claims abstract description 45
- 230000002123 temporal effect Effects 0.000 claims abstract description 30
- 230000007774 longterm Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 9
- 230000008655 medium-term memory Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000006855 networking Effects 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明公开了一种兴趣点推荐方法、***、设备及计算机可读存储介质,其中该方法包括:获取一组兴趣点签到的时间信息及位置信息;输入签到序列的时间信息及位置信息至预先训练的LSTM模型;获取LSTM模型输出的每一个兴趣点的运算结果;基于运算结果确定目标兴趣点;其中,LSTM模型的记忆单元、输出门、隐藏状态均接受时间门和距离门的控制,时间门表示每相邻两个签到的兴趣点间的时间间隔,距离门表示每相邻两个签到的兴趣点间的距离间隔。本发明公开的一种兴趣点推荐方法、***、设备及计算机可读存储介质均在一定程度上解决了如何提高现有的预测用户下一个兴趣点的预测准确性的技术问题。
Description
技术领域
本发明涉及神经网络技术领域,更具体地说,涉及一种兴趣点推荐方法、***、设备及计算机可读存储介质。
背景技术
近年来,基于地理位置的社交网络服务如Foursquare、Facebook Places、Yelp等快速增长,这些社交网络服务吸引了许多用户来分享他们的位置和经历,并积累了大量的地理标记数据。这些地理标记数据为了解用户移动行为提供了一个很好的机会,比如可以根据地理标记数据预测用户下一个要去的兴趣点(Point of Interest,简称POI)是哪等。
现有的一种预测用户兴趣点的方法是基于ST-RNN(Spatial Temporal RecurrentNeural Networks,时空递归神经网络)预测用户的下一个兴趣点。
然而,ST-RNN不能很好的建模相邻签到记录的空间和时间关系,只能根据用户最近访问的兴趣点预测用户的下一个兴趣点,由此使得ST-RNN预测的兴趣点的准确性较差。
综上所述,如何提高现有的预测用户兴趣点的方法的预测准确性是目前本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种兴趣点推荐方法,其能在一定程度上解决如何提高现有的预测用户兴趣点的方法的预测准确性的技术问题。本发明还提供了一种兴趣点推荐***、设备及计算机可读存储介质。
为了实现上述目的,本发明提供如下技术方案:
一种兴趣点推荐方法,包括:
获取一组兴趣点签到的时间信息及位置信息;
输入所述时间信息及所述位置信息至预先训练的LSTM模型;
获取所述LSTM模型输出的每一个所述兴趣点的运算结果;
基于所述运算结果确定目标兴趣点;
其中,所述LSTM模型的记忆单元、输出门、隐藏状态均接受时间门和距离门的控制,所述时间门表示每相邻两个签到的所述兴趣点间的时间间隔,所述距离门表示每相邻两个签到的所述兴趣点间的距离间隔。
优选的,预先训练的所述LSTM模型的更新方程包括:
it=σ(Wi[ht-1,xt]+bi);
ft=σ(Wf[ht-1,xt]+bf);
T1t=σ(xtWxt1+σ(ΔttWt1)+bt1),s.t.Wxt1≤0;
T2t=σ(xtWxt2+σ(ΔttWt2)+bt2);
D1t=σ(xtWxd1+σ(ΔdtWd1)+bd1),s.t.Wxd1≤0;
D2t=σ(xtWxd2+σ(ΔdtWd2)+bd2);
ot=σ(Wo[ht-1,xt]+ΔttWto+ΔdtWdo+bo);
其中,it表示第t时刻的输入门;W表示相应的权重;h表示所述隐藏状态;xt表示所述时间信息及所述位置信息;b表示相应的偏置;σ表示将值映射至(0,1)间的sigmoid层,1表示完全保留,0表示完全忘记;ft表示第t时刻的遗忘门;表示所述记忆单元中短期记忆单元的状态;ct表示所述记忆单元中长期记忆单元的状态;T1t表示第一个时间门,用于控制短期兴趣的时间间隔影响;T2t表示第二个时间门,用于控制长期兴趣的时间间隔影响;D1t表示第一个距离门,用于控制短期兴趣的距离间隔影响;D2t表示第二个距离门,用于控制长期兴趣的距离间隔影响;Δt表示相邻两个签到的所述兴趣点间的时间间隔;Δd表示相邻两个签到的所述兴趣点间的距离间隔;ot表示所述输出门。
优选的,预先训练的所述LSTM模型的更新方程包括:
it=σ(Wi[ht-1,xt]+bi);
T1t=σ(xtWxt1+σ(ΔttWt1)+bt1),s.t.Wxt1≤0;
T2t=σ(xtWxt2+σ(ΔttWt2)+bt2);
D1t=σ(xtWxd1+σ(ΔdtWd1)+bd1),s.t.Wxd1≤0;
D2t=σ(xtWxd2+σ(ΔdtWd2)+bd2);
ot=σ(Wo[ht-1,xt]+ΔttWto+ΔdtWdo+bo);
其中,it表示第t时刻的输入门;W表示相应的权重;h表示所述隐藏状态;xt表示所述时间信息及所述位置信息;b表示相应的偏置;σ表示将值映射至(0,1)间的sigmoid层,1表示完全保留,0表示完全忘记;表示所述记忆单元中短期记忆单元的状态;ct表示所述记忆单元中长期记忆单元的状态;T1t表示第一个时间门,用于控制短期兴趣的时间间隔影响;T2t表示第二个时间门,用于控制长期兴趣的时间间隔影响;D1t表示第一个距离门,用于控制短期兴趣的距离间隔影响;D2t表示第二个距离门,用于控制长期兴趣的距离间隔影响;Δt表示相邻两个签到的所述兴趣点间的时间间隔;Δd表示相邻两个签到的所述兴趣点间的距离间隔;ot表示所述输出门。
优选的,预先训练所述LSTM模型,包括:
构建初始LSTM模型;
获取训练兴趣点样本和测试兴趣点样本;
输入所述训练兴趣点样本至所述初始LSTM模型;
判断所述初始LSTM模型的输出兴趣点与所述测试兴趣点样本是否一致,若是,则确定所述初始LSTM模型为预先训练好的所述LSTM模型,若否,则调整所述初始LSTM模型的参数,并返回所述输入所述训练兴趣点样本至所述初始LSTM模型的步骤;
其中,当Wxt1>0时,设置Wxt1=0;当Wxd1>0时,设置Wxd1=0。
优选的,所述基于所述运算结果确定目标兴趣点,包括:
对所述运算结果进行softmax操作,得到每一个所述兴趣点的概率分布;
基于所述概率分布确定所述目标兴趣点。
优选的,所述基于所述概率分布确定所述目标兴趣点,包括:
确定概率分布值最大的前N个兴趣点为所述目标兴趣点。
优选的,所述基于所述运算结果确定所述目标兴趣点之后,还包括:
发送所述目标兴趣点至用户终端。
一种兴趣点推荐***,包括:
第一获取模块,用于获取一组兴趣点签到的时间信息及位置信息;
输入模块,用于输入所述时间信息及所述位置信息至预先训练的LSTM模型;
第二获取模块,用于获取所述LSTM模型输出的每一个所述兴趣点的运算结果;
确定模块,用于基于所述运算结果确定目标兴趣点;
其中,所述LSTM模型的记忆单元、输出门、隐藏状态均接受时间门和距离门的控制,所述时间门表示每相邻两个签到的所述兴趣点间的时间间隔,所述距离门表示每相邻两个签到的所述兴趣点间的距离间隔。
一种兴趣点推荐设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一所述的兴趣点推荐方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一所述的兴趣点推荐方法的步骤。
本发明提供的一种兴趣点推荐方法,借助预先训练的LSTM模型来根据一组兴趣点签到的时间信息及位置信息预测目标兴趣点,由于预先训练的LSTM模型的记忆单元、输出门、隐藏状态均含有时间门和距离门,而时间门表示每相邻两个签到的兴趣点间的时间间隔,距离门表示每相邻两个签到的兴趣点间的距离间隔,当签到序列中的兴趣点签到时间与当前签到时间相隔较早较远时,该兴趣点反应了用户在时间和距离上的长期兴趣;当与当前签到时间相隔较近时,则更能反应出用户在时间和距离上的短期兴趣。也即本发明所应用的LSTM模型中考虑到了时间和距离的长期和短期对目标兴趣点的影响,这完全符合现实生活中用户在选择偏好的兴趣点时,既受长期兴趣影响,同时短期的兴趣更加明确了用户下一个兴趣点的偏好。与现有技术中ST-RNN只能根据用户最近访问的兴趣点预测用户的下一个兴趣点相比,预测准确性更高。综上所述,本发明提供的一种兴趣点推荐方法在一定程度上解决了如何提高现有的预测用户兴趣点的预测准确性的技术问题。本发明提供的一种兴趣点推荐***、设备及计算机可读存储介质也解决了相应技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种兴趣点推荐方法的流程图;
图2为本发明实施例提供的一种兴趣点推荐方法中预先训练的LSTM模型的第一结构示意图;
图3为本发明实施例提供的一种兴趣点推荐方法中预先训练的LSTM模型的第二结构示意图;
图4为本发明实施例提供的一种兴趣点推荐***的结构示意图;
图5为本发明实施例提供的一种兴趣点推荐设备的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明实施例提供的一种兴趣点推荐方法中各个步骤的动作执行主体可以为本发明实施例提供的一种兴趣点推荐***,而该***可以内置于计算机、服务器等中,所以本发明实施例提供的一种兴趣点推荐方法中各个步骤的动作执行主体也可以为内置了该***的计算机、服务器等。为了描述方便,这里将本发明实施例提供的一种兴趣点推荐方法中各个步骤的动作执行主体设为本发明实施例提供的一种兴趣点推荐***,简称为推荐***。
请参阅图1,图1为本发明实施例提供的一种兴趣点推荐方法的流程图。
本发明实施例提供的一种兴趣点推荐方法,可以包括以下步骤:
步骤S101:获取一组兴趣点签到的时间信息及位置信息。
这里所说的兴趣点指的是用户在基于地理位置的社交网络服务上签到后所记录的信息,一般均包括时间信息和位置信息。实际应用中,推荐***可以从社交网络服务中读取每个用户兴趣点的签到序列,包含时间信息及位置信息,也可以接收自身上传端口传输的外界输入的一组兴趣点的时间信息及位置信息等。一组兴趣点中的兴趣点的数量可以根据实际需要确定,其可以为某一个用户在一段时间内所签到的所有兴趣点,应当指出,这时推荐***预测的便可以是该用户下一个可能去的兴趣点,它可以是社交网络服务在一段时间内所记录的所有兴趣点。
步骤S102:输入时间信息及位置信息至预先训练的LSTM(Long Short-TermMemory,长短期记忆网络)模型,其中,LSTM模型的记忆单元、输出门、隐藏状态均接受时间门和距离门的控制,时间门表示每相邻两个签到的兴趣点间的时间间隔,距离门表示每相邻两个签到的兴趣点间的距离间隔。
推荐***在获取一组兴趣点签到的时间信息及距离信息后,便可以将获得的时间信息及距离信息输入至预先训练的LSTM模型,LSTM模型会根据输入的时间信息及距离信息来输出一个与每一个兴趣点相关的运算结果,这里所说的兴趣点可以是一组与每一个兴趣点相关的向量等。由于预先训练的LSTM模型的记忆单元、输出门、隐藏状态均接受时间门和距离门的控制影响,而时间门表示每相邻两个签到的兴趣点间的时间间隔,距离门表示每相邻两个签到的兴趣点间的距离间隔,当签到序列中的兴趣点签到时间与当前签到时间相隔较早较远时,该兴趣点反应了用户在时间和距离上的长期兴趣;当与当前签到时间相隔较近时,则更能反应出用户在时间和距离上的短期兴趣。也即本发明所应用的LSTM模型中考虑到了时间和距离的长期和短期对目标兴趣点的影响,这完全符合现实生活中用户在选择偏好的兴趣点时,既受长期兴趣影响,同时短期的兴趣更加明确了用户下一个兴趣点的偏好。
步骤S103:获取LSTM模型输出的每一个兴趣点的运算结果。
步骤S104:基于运算结果确定目标兴趣点。
推荐***在获取到运算结果后,便可以根据运算结果确定目标兴趣点,具体的,可以确定运算结果中最突出的一个或某几个兴趣点为目标兴趣点。由于预先训练的LSTM模型的记忆单元、输出门、隐藏状态均含有时间门和距离门,而时间门表示每相邻两个签到的兴趣点间的时间间隔,距离门表示每相邻两个签到的兴趣点间的距离间隔,当签到序列中的兴趣点签到时间与当前签到时间相隔较早较远时,该兴趣点反应了用户在时间和距离上的长期兴趣;当与当前签到时间相隔较近时,则更能反应出用户在时间和距离上的短期兴趣。也即本发明所应用的LSTM模型中考虑到了时间和距离的长期和短期对目标兴趣点的影响,这完全符合现实生活中用户在选择偏好的兴趣点时,既受长期兴趣影响,同时短期的兴趣更加明确了用户下一个兴趣点的偏好。这里所说的目标兴趣点也即用户下一个将要去的兴趣点。
本发明提供的一种兴趣点推荐方法,借助预先训练的LSTM模型来根据一组兴趣点签到的时间信息及位置信息预测目标兴趣点,由于预先训练的LSTM模型的记忆单元、输出门、隐藏状态均含有时间门和距离门,而时间门表示每相邻两个签到的兴趣点间的时间间隔,距离门表示每相邻两个签到的兴趣点间的距离间隔,当签到序列中的兴趣点签到时间与当前签到时间相隔较早较远时,该兴趣点反应了用户在时间和距离上的长期兴趣;当与当前签到时间相隔较近时,则更能反应出用户在时间和距离上的短期兴趣。也即本发明所应用的LSTM模型中考虑到了时间和距离的长期和短期对目标兴趣点的影响,这完全符合现实生活中用户在选择偏好的兴趣点时,既受长期兴趣影响,同时短期的兴趣更加明确了用户下一个兴趣点的偏好。与现有技术中ST-RNN只能根据用户最近访问的兴趣点预测用户的下一个兴趣点相比,预测准确性更高。综上所述,本发明提供的一种兴趣点推荐方法在一定程度上解决了如何提高现有的预测用户兴趣点的预测准确性的技术问题。
本发明实施例提供的一种兴趣点推荐方法中,预先训练的LSTM模型的更新方程可以包括:
it=σ(Wi[ht-1,xt]+bi);
ft=σ(Wf[ht-1,xt]+bf);
T1t=σ(xtWxt1+σ(ΔttWt1)+bt1),s.t.Wxt1≤0;
T2t=σ(xtWxt2+σ(ΔttWt2)+bt2);
D1t=σ(xtWxd1+σ(ΔdtWd1)+bd1),s.t.Wxd1≤0;
D2t=σ(xtWxd2+σ(ΔdtWd2)+bd2);
ot=σ(Wo[ht-1,xt]+ΔttWto+ΔdtWdo+bo);
其中,it表示第t时刻的输入门;W表示相应的权重,Wi表示输入门的权重,Wf表示遗忘门的权重,Wc表示记忆单元的权重,Wo表示输出门的权重,Wto表示时间信息为t时输出门的权重,Wdo表示距离信息为d时输出门的权重;h表示隐藏状态,ht-1表示(t-1)时刻的隐藏状态,ht表示t时刻的隐藏状态;xt表示签到序列中t时刻的兴趣点特征向量;b表示相应的偏置,bi表示输入门的偏置,bf表示遗忘门的偏置,bc表示记忆单元的偏置,bo表示输出门的偏置;σ表示将值映射至(0,1)间的sigmoid层,1表示完全保留,0表示完全忘记;ft表示第t时刻的遗忘门;表示所述记忆单元中短期记忆单元的状态;ct表示所述记忆单元中长期记忆单元的状态,ct-1表示(t-1)时刻长期记忆单元的状态;T1t与T2t的本质相同,均表示同一时刻下的时间门,只是T1t表示第一个时间门,用于控制短期兴趣的时间间隔影响,T2t表示第二个时间门,用于控制长期兴趣的时间间隔影响;Wxt1、Wt1、Wxt2、Wt2、Wxd1、Wd1、Wxd2、Wd2均表示第t时刻的权重;D1t表示第一个距离门,用于控制短期兴趣的距离间隔影响;D2t表示第二个距离门,用于控制长期兴趣的距离间隔影响;Δtt表示t时刻相邻两个签到的兴趣点间的时间间隔;Δdt表示t时刻相邻两个签到的兴趣点间的距离间隔;ot表示输出门。请参阅图2,图2为本发明实施例提供的一种兴趣点推荐方法中预先训练的LSTM模型的第一结构示意图。
实际应用中,为了减少参数的数量并提高效率,可以耦合上一实施例中的输入门和遗忘门,则本发明实施例提供的一种兴趣点推荐方法中,预先训练的LSTM模型的更新方程可以包括:
it=σ(Wi[ht-1,xt]+bi);
T1t=σ(xtWxt1+σ(ΔttWt1)+bt1),s.t.Wxt1≤0;
T2t=σ(xtWxt2+σ(ΔttWt2)+bt2);
D1t=σ(xtWxd1+σ(ΔdtWd1)+bd1),s.t.Wxd1≤0;
D2t=σ(xtWxd2+σ(ΔdtWd2)+bd2);
ot=σ(Wo[ht-1,xt]+ΔttWto+ΔdtWdo+bo);
其中,it表示第t时刻的输入门;W表示相应的权重,Wi表示输入门的权重,Wc表示记忆单元的权重,Wo表示输出门的权重,Wto表示时间信息为t时输出门的权重,Wdo表示距离信息为d时输出门的权重;h表示隐藏状态,ht-1表示(t-1)时刻的隐藏状态,ht表示t时刻的隐藏状态;xt表示时间信息及位置信息;b表示相应的偏置,bi表示输入门的偏置,bc表示记忆单元的偏置,bo表示输出门的偏置;σ表示将值映射至(0,1)间的sigmoid层,1表示完全保留,0表示完全忘记;表示所述记忆单元中短期记忆单元的状态;ct表示所述记忆单元中长期记忆单元的状态,ct-1表示(t-1)时刻长期记忆单元的状态;T1t与T2t的本质相同,均表示同一时刻下的时间门,只是T1t表示第一个时间门,用于控制短期兴趣的时间间隔影响,T2t表示第二个时间门,用于控制长期兴趣的时间间隔影响,Wxt1、Wt1、Wxt2、Wt2、Wxd1、Wd1、Wxd2、Wd2均表示第t时刻的权重;D1t表示第一个距离门,用于控制短期兴趣的距离间隔影响;D2t表示第二个距离门,用于控制长期兴趣的距离间隔影响;Δtt表示t时刻相邻两个签到的兴趣点间的时间间隔;Δdt表示t时刻相邻两个签到的兴趣点间的距离间隔;ot表示输出门。请参阅图3,图3为本发明实施例提供的一种兴趣点推荐方法中预先训练的LSTM模型的第二结构示意图。
本发明实施例提供的一种兴趣点推荐方法中,预先训练LSTM模型,可以包括以下步骤:
构建初始LSTM模型;
获取训练兴趣点样本和测试兴趣点样本;
输入训练兴趣点样本至初始LSTM模型;
判断初始LSTM模型的输出兴趣点与测试兴趣点样本是否一致,若是,则确定初始LSTM模型为预先训练好的LSTM模型,若否,则调整初始LSTM模型的参数,并返回输入训练兴趣点样本至初始LSTM模型的步骤;
其中,当Wxt1>0时,设置Wxt1=0;当Wxd1>0时,设置Wxd1=0。
这里所说的训练兴趣点样本包括兴趣点签到的时间信息和距离信息。实际应用中,为了适应下一个兴趣点推荐,在输入训练兴趣点样本至初始LSTM模型的过程中,可以将训练兴趣点样本转化为以下形式:
然后将转化后的训练兴趣点样本输入至初始LSTM模型中,这时,vt u相当于xt,d(lt+1,lt)相当于Δdt,d(.,.)表示计算两个地理位置距离的函数,相当于Δtt。此外,在调整参数的过程中,初始LSTM模型输出的是由ht和vt u计算的所有兴趣点的一个概率分布,然后根据输出和vt+1 u的0-1向量,采取梯度步骤来优化损失,具体的,可以使用Adam随机梯度下降的一个变种来优化初始LSTM模型中的参数,Adam通过对频繁的参数进行较小的更新和对不频繁的参数进行较大的更新,以此来适应每个参数的学习速率。
本发明实施例提供的一种兴趣点推荐方法中,基于运算结果确定目标兴趣点,具体可以为:
对运算结果进行softmax操作,得到每一个兴趣点的概率分布;
基于概率分布确定目标兴趣点。
实际应用中,推荐***在得到运算结果后,可以先对运算结果进行softmax操作,得到每一个兴趣点的概率分布,这里所说的概率分布也即用户在当前兴趣点序列后去往每一个兴趣点的概率,然后根据每个兴趣点的概率分布来确定目标兴趣点。
本发明实施例提供的一种兴趣点推荐方法中,基于概率分布确定目标兴趣点,具体可以为:
确定概率分布值最大的前N个兴趣点为目标兴趣点。
实际应用中,可以确定概率分布值最大的前N个兴趣点为目标兴趣点,N的数值可以根据实际需要确定,比如1个、5个、10个等。此外,可以将确定的N个兴趣点以列表等的形式呈现。
本发明实施例提供的一种兴趣点推荐方法中,基于运算结果确定目标兴趣点之后,还可以包括:
发送目标兴趣点至用户终端。
实际应用中,推荐***在确定目标兴趣点之后,还可以发送目标兴趣点至用户终端,以便用户决策,这里所说的用户终端包括用户的手机、电脑、邮箱等。
本发明还提供了一种兴趣点推荐***,其具有本发明实施例提供的一种兴趣点推荐方法具有的对应效果。请参阅图4,图4为本发明实施例提供的一种兴趣点推荐***的结构示意图。
本发明实施例提供的一种兴趣点推荐***,可以包括:
第一获取模块101,用于获取一组兴趣点签到的时间信息及位置信息;
输入模块102,用于输入时间信息及位置信息至预先训练的LSTM模型;
第二获取模块103,用于获取LSTM模型输出的每一个兴趣点的运算结果;
确定模块104,用于基于运算结果确定目标兴趣点;
其中,LSTM模型的记忆单元、输出门、隐藏状态均含有时间门和距离门,时间门表示每相邻两个签到的兴趣点间的时间间隔,距离门表示每相邻两个签到的兴趣点间的距离间隔。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再赘述。
本发明还提供了一种兴趣点推荐设备,请参阅图5,图5为本发明实施例提供的一种兴趣点推荐设备的结构示意图。该兴趣点推荐设备包括存储器201和处理器202,处理器202执行存储器201中保存的计算机程序时实现如下步骤:
获取一组兴趣点签到的时间信息及位置信息;
输入时间信息及位置信息至预先训练的LSTM模型;
获取LSTM模型输出的每一个兴趣点的运算结果;
基于运算结果确定目标兴趣点;
其中,LSTM模型的记忆单元、输出门、隐藏状态均接受时间门和距离门的控制,时间门表示每相邻两个签到的兴趣点间的时间间隔,距离门表示每相邻两个签到的兴趣点间的距离间隔。
本实施例中,处理器202执行存储器201中保存的计算机子程序时,可以具体实现如下步骤:设置预先训练的LSTM模型的更新方程为:
it=σ(Wi[ht-1,xt]+bi);
ft=σ(Wf[ht-1,xt]+bf);
T1t=σ(xtWxt1+σ(ΔttWt1)+bt1),s.t.Wxt1≤0;
T2t=σ(xtWxt2+σ(ΔttWt2)+bt2);
D1t=σ(xtWxd1+σ(ΔdtWd1)+bd1),s.t.Wxd1≤0;
D2t=σ(xtWxd2+σ(ΔdtWd2)+bd2);
ot=σ(Wo[ht-1,xt]+ΔttWto+ΔdtWdo+bo);
其中,it表示第t时刻的输入门;W表示相应的权重,Wi表示输入门的权重,Wf表示遗忘门的权重,Wc表示记忆单元的权重,Wo表示输出门的权重,Wto表示时间信息为t时输出门的权重,Wdo表示距离信息为d时输出门的权重;h表示隐藏状态,ht-1表示(t-1)时刻的隐藏状态,ht表示t时刻的隐藏状态;xt表示签到序列中t时刻的兴趣点特征向量;b表示相应的偏置,bi表示输入门的偏置,bf表示遗忘门的偏置,bc表示记忆单元的偏置,bo表示输出门的偏置;σ表示将值映射至(0,1)间的sigmoid层,1表示完全保留,0表示完全忘记;ft表示第t时刻的遗忘门;表示所述记忆单元中短期记忆单元的状态;ct表示所述记忆单元中长期记忆单元的状态,ct-1表示(t-1)时刻长期记忆单元的状态;T1t与T2t的本质相同,均表示同一时刻下的时间门,只是T1t表示第一个时间门,用于控制短期兴趣的时间间隔影响,T2t表示第二个时间门,用于控制长期兴趣的时间间隔影响;Wxt1、Wt1、Wxt2、Wt2、Wxd1、Wd1、Wxd2、Wd2均表示第t时刻的权重;D1t表示第一个距离门,用于控制短期兴趣的距离间隔影响;D2t表示第二个距离门,用于控制长期兴趣的距离间隔影响;Δtt表示t时刻相邻两个签到的兴趣点间的时间间隔;Δdt表示t时刻相邻两个签到的兴趣点间的距离间隔;ot表示输出门。
本实施例中,处理器202执行存储器201中保存的计算机子程序时,可以具体实现如下步骤:设置预先训练的LSTM模型的更新方程为:
it=σ(Wi[ht-1,xt]+bi);
T1t=σ(xtWxt1+σ(ΔttWt1)+bt1),s.t.Wxt1≤0;
T2t=σ(xtWxt2+σ(ΔttWt2)+bt2);
D1t=σ(xtWxd1+σ(ΔdtWd1)+bd1),s.t.Wxd1≤0;
D2t=σ(xtWxd2+σ(ΔdtWd2)+bd2);
ot=σ(Wo[ht-1,xt]+ΔttWto+ΔdtWdo+bo);
其中,it表示第t时刻的输入门;W表示相应的权重,Wi表示输入门的权重,Wc表示记忆单元的权重,Wo表示输出门的权重,Wto表示时间信息为t时输出门的权重,Wdo表示距离信息为d时输出门的权重;h表示隐藏状态,ht-1表示(t-1)时刻的隐藏状态,ht表示t时刻的隐藏状态;xt表示时间信息及位置信息;b表示相应的偏置,bi表示输入门的偏置,bc表示记忆单元的偏置,bo表示输出门的偏置;σ表示将值映射至(0,1)间的sigmoid层,1表示完全保留,0表示完全忘记;表示所述记忆单元中短期记忆单元的状态;ct表示所述记忆单元中长期记忆单元的状态,ct-1表示(t-1)时刻长期记忆单元的状态;T1t与T2t的本质相同,均表示同一时刻下的时间门,只是T1t表示第一个时间门,用于控制短期兴趣的时间间隔影响,T2t表示第二个时间门,用于控制长期兴趣的时间间隔影响,Wxt1、Wt1、Wxt2、Wt2、Wxd1、Wd1、Wxd2、Wd2均表示第t时刻的权重;D1t表示第一个距离门,用于控制短期兴趣的距离间隔影响;D2t表示第二个距离门,用于控制长期兴趣的距离间隔影响;Δtt表示t时刻相邻两个签到的兴趣点间的时间间隔;Δdt表示t时刻相邻两个签到的兴趣点间的距离间隔;ot表示输出门。
本实施例中,处理器202执行存储器201中保存的计算机子程序时,可以具体实现如下步骤:构建初始LSTM模型;获取训练兴趣点样本和测试兴趣点样本;输入训练兴趣点样本至初始LSTM模型;判断初始LSTM模型的输出兴趣点与测试兴趣点样本是否一致,若是,则确定初始LSTM模型为预先训练好的LSTM模型,若否,则调整初始LSTM模型的参数,并返回输入训练兴趣点样本至初始LSTM模型的步骤;其中,当Wxt1>0时,设置Wxt1=0;当Wxd1>0时,设置Wxd1=0。
本实施例中,处理器202执行存储器201中保存的计算机子程序时,可以具体实现如下步骤:对运算结果进行softmax操作,得到每一个兴趣点的概率分布;基于概率分布确定目标兴趣点。
本实施例中,处理器202执行存储器201中保存的计算机子程序时,可以具体实现如下步骤:确定概率分布值最大的前N个兴趣点为目标兴趣点。
本实施例中,处理器202执行存储器201中保存的计算机子程序时,可以具体实现如下步骤:发送目标兴趣点至用户终端。
本发明还公开了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上任一实施例所描述的兴趣点推荐方法的步骤。
本发明实施例提供的一种兴趣点推荐***、设备及计算机可读存储介质中相关部分的说明请参见本发明实施例提供的一种兴趣点推荐方法中对应部分的详细说明,在此不再赘述。另外,本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种兴趣点推荐方法,其特征在于,包括:
获取一组兴趣点签到的时间信息及位置信息;
输入所述时间信息及所述位置信息至预先训练的LSTM模型;
获取所述LSTM模型输出的每一个所述兴趣点的运算结果;
基于所述运算结果确定目标兴趣点;
其中,所述LSTM模型的记忆单元、输出门、隐藏状态均接受时间门和距离门的控制,所述时间门表示每相邻两个签到的所述兴趣点间的时间间隔,所述距离门表示每相邻两个签到的所述兴趣点间的距离间隔。
2.根据权利要求1所述的方法,其特征在于,预先训练的所述LSTM模型的更新方程包括:
it=σ(Wi[ht-1,xt]+bi);
ft=σ(Wf[ht-1,xt]+bf);
T1t=σ(xtWxt1+σ(ΔttWt1)+bt1),s.t.Wxt1≤0;
T2t=σ(xtWxt2+σ(ΔttWt2)+bt2);
D1t=σ(xtWxd1+σ(ΔdtWd1)+bd1),s.t.Wxd1≤0;
D2t=σ(xtWxd2+σ(ΔdtWd2)+bd2);
ot=σ(Wo[ht-1,xt]+ΔttWto+ΔdtWdo+bo);
其中,it表示第t时刻的输入门;W表示相应的权重;h表示所述隐藏状态;xt表示所述时间信息及所述位置信息;b表示相应的偏置;σ表示将值映射至(0,1)间的sigmoid层,1表示完全保留,0表示完全忘记;ft表示第t时刻的遗忘门;表示所述记忆单元中短期记忆单元的状态;ct表示所述记忆单元中长期记忆单元的状态;T1t表示第一个时间门,用于控制短期兴趣的时间间隔影响;T2t表示第二个时间门,用于控制长期兴趣的时间间隔影响;D1t表示第一个距离门,用于控制短期兴趣的距离间隔影响;D2t表示第二个距离门,用于控制长期兴趣的距离间隔影响;Δt表示相邻两个签到的所述兴趣点间的时间间隔;Δd表示相邻两个签到的所述兴趣点间的距离间隔;ot表示所述输出门。
3.根据权利要求1所述的方法,其特征在于,预先训练的所述LSTM模型的更新方程包括:
it=σ(Wi[ht-1,xt]+bi);
T1t=σ(xtWxt1+σ(ΔttWt1)+bt1),s.t.Wxt1≤0;
T2t=σ(xtWxt2+σ(ΔttWt2)+bt2);
D1t=σ(xtWxd1+σ(ΔdtWd1)+bd1),s.t.Wxd1≤0;
D2t=σ(xtWxd2+σ(ΔdtWd2)+bd2);
ot=σ(Wo[ht-1,xt]+ΔttWto+ΔdtWdo+bo);
其中,it表示第t时刻的输入门;W表示相应的权重;h表示所述隐藏状态;xt表示所述时间信息及所述位置信息;b表示相应的偏置;σ表示将值映射至(0,1)间的sigmoid层,1表示完全保留,0表示完全忘记;表示所述记忆单元中短期记忆单元的状态;ct表示所述记忆单元中长期记忆单元的状态;T1t表示第一个时间门,用于控制短期兴趣的时间间隔影响;T2t表示第二个时间门,用于控制长期兴趣的时间间隔影响;D1t表示第一个距离门,用于控制短期兴趣的距离间隔影响;D2t表示第二个距离门,用于控制长期兴趣的距离间隔影响;Δt表示相邻两个签到的所述兴趣点间的时间间隔;Δd表示相邻两个签到的所述兴趣点间的距离间隔;ot表示所述输出门。
4.根据权利要求2或3所述的方法,其特征在于,预先训练所述LSTM模型,包括:
构建初始LSTM模型;
获取训练兴趣点样本和测试兴趣点样本;
输入所述训练兴趣点样本至所述初始LSTM模型;
判断所述初始LSTM模型的输出兴趣点与所述测试兴趣点样本是否一致,若是,则确定所述初始LSTM模型为预先训练好的所述LSTM模型,若否,则调整所述初始LSTM模型的参数,并返回所述输入所述训练兴趣点样本至所述初始LSTM模型的步骤;
其中,当Wxt1>0时,设置Wxt1=0;当Wxd1>0时,设置Wxd1=0。
5.根据权利要求4所述的方法,其特征在于,所述基于所述运算结果确定目标兴趣点,包括:
对所述运算结果进行softmax操作,得到每一个所述兴趣点的概率分布;
基于所述概率分布确定所述目标兴趣点。
6.根据权利要求5所述的方法,其特征在于,所述基于所述概率分布确定所述目标兴趣点,包括:
确定概率分布值最大的前N个兴趣点为所述目标兴趣点。
7.根据权利要求1所述的方法,其特征在于,所述基于所述运算结果确定所述目标兴趣点之后,还包括:
发送所述目标兴趣点至用户终端。
8.一种兴趣点推荐***,其特征在于,包括:
第一获取模块,用于获取一组兴趣点签到的时间信息及位置信息;
输入模块,用于输入所述时间信息及所述位置信息至预先训练的LSTM模型;
第二获取模块,用于获取所述LSTM模型输出的每一个所述兴趣点的运算结果;
确定模块,用于基于所述运算结果确定目标兴趣点;
其中,所述LSTM模型的记忆单元、输出门、隐藏状态均接受时间门和距离门的控制,所述时间门表示每相邻两个签到的所述兴趣点间的时间间隔,所述距离门表示每相邻两个签到的所述兴趣点间的距离间隔。
9.一种兴趣点推荐设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的兴趣点推荐方法的步骤。
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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的兴趣点推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810529606.2A CN108829766B (zh) | 2018-05-29 | 2018-05-29 | 一种兴趣点推荐方法、***、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810529606.2A CN108829766B (zh) | 2018-05-29 | 2018-05-29 | 一种兴趣点推荐方法、***、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108829766A true CN108829766A (zh) | 2018-11-16 |
CN108829766B CN108829766B (zh) | 2021-09-21 |
Family
ID=64146096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810529606.2A Active CN108829766B (zh) | 2018-05-29 | 2018-05-29 | 一种兴趣点推荐方法、***、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829766B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461131A (zh) * | 2018-11-20 | 2019-03-12 | 中山大学深圳研究院 | 一种基于神经网络算法的智能内后视镜实时去模糊方法 |
CN109800359A (zh) * | 2018-12-20 | 2019-05-24 | 北京百度网讯科技有限公司 | 信息推荐处理方法、装置、电子设备及可读存储介质 |
CN110134885A (zh) * | 2019-05-22 | 2019-08-16 | 广东工业大学 | 一种兴趣点推荐方法、装置、设备以及计算机存储介质 |
CN110289096A (zh) * | 2019-06-28 | 2019-09-27 | 电子科技大学 | 一种基于深度学习的icu院内死亡率预测方法 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN112990430A (zh) * | 2021-02-08 | 2021-06-18 | 辽宁工业大学 | 基于长短时记忆网络的群组划分方法及*** |
CN113111581A (zh) * | 2021-04-09 | 2021-07-13 | 重庆邮电大学 | 结合时空因素和基于图神经网络的lstm轨迹预测方法 |
WO2023015658A1 (zh) * | 2021-08-13 | 2023-02-16 | 浙江大学 | 一种基于类脑时空感知表征的兴趣点推荐方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281622A (zh) * | 2013-07-11 | 2015-01-14 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
CN106169150A (zh) * | 2016-06-29 | 2016-11-30 | 广州市香港科大***研究院 | 基于用户兴趣预测的物品推荐方法和装置 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107562787A (zh) * | 2017-07-31 | 2018-01-09 | 北京三快在线科技有限公司 | 一种poi编码方法及装置、poi推荐方法,电子设备 |
US20180049001A1 (en) * | 2016-08-10 | 2018-02-15 | Yandex Europe Ag | Method of and server for processing wireless device sensor data to generate an entity vector associated with a physical location |
-
2018
- 2018-05-29 CN CN201810529606.2A patent/CN108829766B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281622A (zh) * | 2013-07-11 | 2015-01-14 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
CN106169150A (zh) * | 2016-06-29 | 2016-11-30 | 广州市香港科大***研究院 | 基于用户兴趣预测的物品推荐方法和装置 |
US20180049001A1 (en) * | 2016-08-10 | 2018-02-15 | Yandex Europe Ag | Method of and server for processing wireless device sensor data to generate an entity vector associated with a physical location |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107562787A (zh) * | 2017-07-31 | 2018-01-09 | 北京三快在线科技有限公司 | 一种poi编码方法及装置、poi推荐方法,电子设备 |
Non-Patent Citations (4)
Title |
---|
YU ZHU等: "What to Do Next:Modeling User Behaviors by Time-LSTM", 《PROCEEDING OF THE TWENTY-SIXTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE》 * |
任星怡: "基于用户签到行为的兴趣点推荐", 《计算机学报》 * |
徐科等: "元搜索引擎中基于用户兴趣的个性化调度模型", 《清华大学学报(自然科学版)》 * |
鲜学丰等: "基于上下文感知和个性化度量嵌入的下一个兴趣点推荐", 《计算机工程与科学》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461131A (zh) * | 2018-11-20 | 2019-03-12 | 中山大学深圳研究院 | 一种基于神经网络算法的智能内后视镜实时去模糊方法 |
CN109800359A (zh) * | 2018-12-20 | 2019-05-24 | 北京百度网讯科技有限公司 | 信息推荐处理方法、装置、电子设备及可读存储介质 |
CN110134885A (zh) * | 2019-05-22 | 2019-08-16 | 广东工业大学 | 一种兴趣点推荐方法、装置、设备以及计算机存储介质 |
CN110134885B (zh) * | 2019-05-22 | 2022-12-20 | 广东工业大学 | 一种兴趣点推荐方法、装置、设备以及计算机存储介质 |
CN110289096A (zh) * | 2019-06-28 | 2019-09-27 | 电子科技大学 | 一种基于深度学习的icu院内死亡率预测方法 |
CN110289096B (zh) * | 2019-06-28 | 2021-12-07 | 电子科技大学 | 一种基于深度学习的icu院内死亡率预测方法 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN111310583B (zh) * | 2020-01-19 | 2023-02-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN112990430A (zh) * | 2021-02-08 | 2021-06-18 | 辽宁工业大学 | 基于长短时记忆网络的群组划分方法及*** |
CN113111581A (zh) * | 2021-04-09 | 2021-07-13 | 重庆邮电大学 | 结合时空因素和基于图神经网络的lstm轨迹预测方法 |
CN113111581B (zh) * | 2021-04-09 | 2022-03-11 | 重庆邮电大学 | 结合时空因素和基于图神经网络的lstm轨迹预测方法 |
WO2023015658A1 (zh) * | 2021-08-13 | 2023-02-16 | 浙江大学 | 一种基于类脑时空感知表征的兴趣点推荐方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108829766B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829766A (zh) | 一种兴趣点推荐方法、***、设备及计算机可读存储介质 | |
JP6873519B1 (ja) | 軌跡予測方法及びシステム | |
Tingley et al. | Birds track their Grinnellian niche through a century of climate change | |
CN109862585A (zh) | 一种基于深度时空神经网络的动态异构网络流量预测方法 | |
CN109285346A (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
CN109948066B (zh) | 一种基于异构信息网络的兴趣点推荐方法 | |
CN109116299B (zh) | 一种指纹定位方法、终端、计算机可读存储介质 | |
CN109344992B (zh) | 一种融合时空因素的智能家居用户操控行为习惯建模方法 | |
CN107743308A (zh) | 一种用于环境监测的节点分簇数据收集方法及装置 | |
CN108304935A (zh) | 机器学习模型训练方法、装置和计算机设备 | |
CN106568445A (zh) | 基于双向循环神经网络的室内轨迹预测方法 | |
CN112925893A (zh) | 一种对话式兴趣点推荐方法、装置、电子设备及存储介质 | |
CN106851553A (zh) | 根据软采信令的自适应指纹定位方法 | |
CN108171535A (zh) | 一种基于多特征的个性化餐厅推荐算法 | |
CN109492076A (zh) | 一种基于网络的社区问答网站答案可信评估方法 | |
CN105809290A (zh) | 一种实现物流调度的方法及装置 | |
CN112905650A (zh) | 基于大数据统计及健康报告分析的智能推荐算法研究 | |
CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
CN108171532A (zh) | 一种用户群分布预测方法及*** | |
CN106993296A (zh) | 终端的性能评估方法及装置 | |
CN117436707B (zh) | 基于人工智能的消防安全管理方法及*** | |
CN117909888A (zh) | 智慧人工智能气候预测方法 | |
CN106991496A (zh) | 一种面向移动社交环境的用户行为分层关联预测方法 | |
CN108667877A (zh) | 确定推荐信息的方法及装置、计算机设备及存储介质 | |
CN114493680A (zh) | 一种基于流刺网调查的渔业资源统计方法及*** |
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 |