CN109977309B - 基于多关键字和用户偏好的组合兴趣点查询方法 - Google Patents
基于多关键字和用户偏好的组合兴趣点查询方法 Download PDFInfo
- Publication number
- CN109977309B CN109977309B CN201910217464.0A CN201910217464A CN109977309B CN 109977309 B CN109977309 B CN 109977309B CN 201910217464 A CN201910217464 A CN 201910217464A CN 109977309 B CN109977309 B CN 109977309B
- Authority
- CN
- China
- Prior art keywords
- query
- interest
- node
- point
- priority queue
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多关键字和用户偏好的组合兴趣点查询方法。本发明提出的方法在查询时综合考虑了用户偏好、兴趣点之间的距离、兴趣点到查询位置的距离、兴趣点的流行度和拥挤度等重要因素。针对时间约束下访问成本最小化的兴趣点查询问题,提出了多关键字和用户偏好的组合兴趣点查询方法。特别地,本发明设计了一个多目标的成本函数来计算候选集体兴趣点的访问成本,用于评价一组查询结果的可行性。然后,基于目标函数,提出了一种基于IR树的高效剪枝算法,有效的降低了查询处理时间。通过在来自多伦多的真实数据下进行的广泛实验,证明了基于多关键字和用户偏好的组合兴趣点查询方法的效率和准确性。
Description
技术领域
本发明属于空间关键字查询技术领域,在查询时综合考虑了用户偏好、兴趣点之间的距离、兴趣点到查询位置的距离、兴趣点的流行度和拥挤度等重要因素。针对时间约束下访问成本最小化的兴趣点查询问题,提出了基于多关键字和用户偏好的组合兴趣点查询方法。
背景技术
随着定位技术的不断发展以及智能手机的普及,Yelp和Foursquare等基于位置的服务(Located-based Service,LBS)取得了前所未有的发展。以国外著名的LBS提供商Foursquare为例,它鼓励用户在任意时间任意兴趣点进行签到,分享自己所在的兴趣点到社交网络中,因此Foursquare在成立后的两年内迅速拥有了2000万的活跃用户。近年来,涉及位置信息和一组文本描述关键字的空间关键词查询问题在学术界和工业界引起了广泛的关注。空间关键字查询通常需要检索一组满足特定位置和关键字约束的空间兴趣点,这些兴趣点要满足用户给定的关键字,而且与用户当前所在位置之间的距离要尽可能的近。
目前国内外学者在空间兴趣点查询方面做了许多有价值的研究工作。一是基于一个考虑空间位置和文本相关性的排名函数在空间中寻找Top-k个对象,称为top-k kNN查询。例如,Qiao M等人研究了在图结构上的top-k kNN查询,提出了两个精确算法来分别处理有查询边界和任意边界情况,并提出了一种全局存储技术来进一步减小索引大小和查询时间。二是寻找一组兴趣点作为满足用户需求的解决方案,因为有时很难找到匹配所有查询关键字并且距离用户较近的单个兴趣点。例如,Zhang D等人提出了一种新颖的空间关键词查询问题,称为m-closet关键词查询(mCK),旨在寻找m个与用户指定关键字相匹配并且距离用户最近的兴趣点组合。在查询阶段,Zhang D等人提出了一个名为bR*-tree的空间索引,并利用基于先验的搜索策略来有效地减少搜索空间。
现有的兴趣点查询问题大多仅考虑空间位置和查询关键字两个约束条件,而没有考虑用户对这些兴趣点的偏好和用户访问这些兴趣点的最佳时间。事实上,受欢迎的兴趣点在繁忙时间会过于拥挤,导致用户需要长时间的排队并且感受到较差的服务质量,从而降低了用户对这些兴趣点的访问兴趣。
发明内容
本发明针对现有技术的不足,提出了一种基于多关键字和用户偏好的组合兴趣点查询方法。该方法旨在基于用户给出的多个关键字,结合用户潜在兴趣偏好、兴趣点的流行度和拥挤度来检索空间内的兴趣点。本发明首先,设计了一个多目标的成本函数来计算候选兴趣点的访问成本。然后,基于目标函数,提出了一种基于IR树的高效剪枝算法,可以有效地获得符合查询要求的兴趣点。
本发明方法的具体步骤是:
步骤(1).输入查询问题q,其中查询问题q包含用户q.u、查询位置q.λ、查询时间q.τ和一组查询关键字q.ψ。
步骤(2).初始化查询方法的基本参数,包括查询范围r(公里)、平衡参数γ、平衡参数β、平衡参数α;初始化一个IR树作为查询索引,IR树本质上是在R树的基础上,为其每个节点都附加了一个相应的倒排文件用于存储节点中兴趣点的关键字信息;初始化一个最小优先级队列U用来维护中间查询结果,并将IR树的根节点***最小优先级队列U;初始化最小访问成本curCost(初始值设置为无穷大)和最优访问方案curGroup。
步骤(3).根据用户q.u的历史访问行为,求得用户的兴趣偏好向量PVu,计算公式如下所示:
步骤(4).根据查询关键字q.ψ在查询区域中为q.ψ中每个关键字寻找距离查询位置q.λ最近的兴趣点,将所有这些最近的兴趣点组成一个候选解χ。
步骤(5).求候选解χ的访问成本Cost,当Cost低于curCost时,更新curCost值为Cost,并更新最优访问方案curGroup,其计算公式如下:
Cost(q,χ)=α*Dists(q,χ)+(1-α)*Distp(q,χ)
其中,Dists(q,χ)为候选解的最大查询欧氏距离,Distp(q,χ)为候选解的偏好距离;Dists(q,χ)和Distp(q,χ)的计算公式如下所示:
其中,Dist(q.λ,j)表示查询位置q.λ到兴趣点j的欧几里得距离,Dist(i,j)表示查询位置i到兴趣点j的欧几里得距离;
其中,N(χ)表示候选解χ中的兴趣点数量,Pre(q.u,j)表示用户q.u对兴趣点j的偏好评分,其计算公式如下所示:
Pre(q.u,j)=PVu·PVj T
其中,PVu表示步骤3中求得的用户q.u的偏好向量,PVj表示由兴趣点j的潜在主题构成的单位向量;
Access(j,q.τ)表示在q.τ时间兴趣点j的可访问程度,值越小表示兴趣点在该时间段内越适合被访问,Access(j,q.τ)的计算公式如下:
Access(j,q.τ)=Popularity(j)×Congestion(j,q.τ)
其中,Popularity(j)表示兴趣点j的受欢迎程度,由兴趣点被所有访客的历史访问次数决定;Congestion(j,q.τ)表示兴趣点j在q.τ时间的拥挤程度,由历史数据中以q.τ为中心的一小时内的兴趣点的被访问次数决定。
步骤(6).初始化兴趣点集合C={C1,C2,…,Cz}来保存所有包含查询关键字的兴趣点,其中Cz表示所有包含关键字z的兴趣点的子集合;产生新候选解的具体过程如下:
步骤(6.1).若最小优先级队列U不为空,从最小优先级队列U中取出头节点e;否则转到步骤(7);
步骤(6.2).判断头节点e中兴趣点到查询位置q.λ的最小距离是否超过查询范围r(公里)或者超过curCost/(α*γ);若超过,则转到步骤(8);否则继续运行步骤(6.3);
步骤(6.3).若节点e为非叶子节点,将节点e中所有包含稀有关键字Keyrare的节点***最小优先级队列U,其中稀有关键字是指查询关键字中包含最少数目兴趣点的关键字,并转到步骤(6.1);若节点e为叶子节点,则继续运行步骤(6.4);
步骤(6.4).初始化一个关键字集合keySet,该关键字集合为查询关键字中排除稀有关键字Keyrare后的关键字集合;初始化一个新的最小优先级队列U2,并将IR树的根节点***最小优先级队列U2;
步骤(6.5).若最小优先级队列U2不为空,则从最小优先级队列U2中取出头节点v,并继续运行步骤(6.6);否则,转到步骤(6.9);
步骤(6.6).判断头节点v中任意兴趣点到非叶子节点e的最小距离是否超过curCost/(α*γ)-γ*Dist(q,e)/(1-γ)或者头节点v中任意兴趣点到查询位置q.λ的最小距离是否超过查询范围r(公里);若超过,则转到步骤(6.9);
步骤(6.7).取出v中所有包含keySet中关键字的非叶子节点(兴趣点),并根据关键字将所有兴趣点保存到集合C中对应的子集合中;
步骤(6.8).重复步骤(6.5)、步骤(6.6)、步骤(6.7),直到最小优先级队列U2为空;
步骤(6.9).根据查询关键字随机组合C中的兴趣点,组成新的候选解。
步骤(7).重复步骤(5)、(6),直到最小优先级队列U为空。
步骤(8).输出此时的最小访问成本curCost以及最优访问方案curGroup。
本发明所提出的基于多关键字和用户偏好的组合兴趣点查询方法主要分为以下几个模块进行:用户偏好模型构建模块、索引构建模块、初始解获取模块、查询模块。
用户偏好模型构建模块用于捕获一组代表用户兴趣的特征词和对应评分构成的用户偏好主题分布。通过对用户历史访问行为进行统计分析,根据用户访问行为的发生时间、被访问兴趣点的潜在主题集合和访问行为的显式评分计算用户的主题偏好分布。
索引构建模块通过构建IR树索引来提升空间搜索的效率。IR树本质上是在R树的基础上,为其每个节点都附加一个相应的倒排文件。倒排文件存储节点中兴趣点的关键字信息,主要包括两部分:关键字目录和兴趣点列表。关键字目录存储节点中包含的所有关键字,兴趣点列表存储每个关键字中包含的兴趣点。
初始解获取模块用于在查询时获取一个可行且覆盖所有查询关键字的查询结果作为候选解,并通过这个候选解来获取初始查询边界,以达到提升查询效率的目的。
查询模块是整个查询过程中最核心的部分,该模块依据本发明提出的算法在空间中查询访问成本最低的兴趣点。
本发明提出的方法在查询时综合考虑了用户偏好、兴趣点之间的距离、兴趣点到查询位置的距离、兴趣点的流行度和拥挤度等重要因素。针对时间约束下访问成本最小化的兴趣点查询问题,提出了多关键字和用户偏好的组合兴趣点查询方法。特别地,本发明设计了一个多目标的成本函数来计算候选集体兴趣点的访问成本,用于评价一组查询结果的可行性。然后,基于目标函数,提出了一种基于IR树的高效剪枝算法,有效的降低了查询处理时间。通过在来自多伦多的真实数据下进行的广泛实验,证明了基于多关键字和用户偏好的组合兴趣点查询方法的效率和准确性。
附图说明
图1为本发明方法流程图。
图2a为兴趣点位置示意图。
图2b兴趣点关键字描述示意图。
图2c IR树索引结构图。
具体实施方式
下面将对本发明所提供的基于多关键字和用户偏好的兴趣点查询方法的具体说明。
为叙述方便,定义相关符号如下:
q:查询问题,包含用户q.u、查询位置q.λ、查询时间q.τ和一组查询关键字q.ψ;
r:查询范围;
Keyrare:稀有关键字;
Cost:访问成本;
curCost:当前最优访问成本;
curGroup:最优访问方案;
χ:候选解;
Dists:最大查询欧氏距离;
Distp为:偏好距离;
Pre(q.u,j):用户q.u对兴趣点j的偏好评分;
Popularity(p):兴趣点p的受欢迎程度;
Congestion(p,t):兴趣点p在t时间下的拥挤情况;
Access(j,q.τ):在q.τ时间兴趣点j的可访问程度;
C:兴趣点集合C={C1,C2,…,Cz},用于保存所有包含查询关键字的兴趣点,其中Cz表示所有包含关键字z的兴趣点的集合;
PVu:用户u的偏好向量,由主题标签和主题标签分数组成;
如图1所示,本发明方法包括以下步骤:
步骤(1):输入查询问题q,其中查询问题q包含用户q.u、查询位置q.λ、查询时间q.τ和一组查询关键字q.ψ。
步骤(2):初始化查询方法的基本参数,包括查询范围r(公里)、平衡参数γ、平衡参数β、平衡参数α;
初始化一个IR树作为查询索引,初始化一个IR树作为查询索引,IR树本质上是在R树的基础上,为其每个节点都附加了一个相应的倒排文件用于存储节点中兴趣点的关键字信息,见图2a、图2b和图2c;初始化一个最小优先级队列U用来维护中间查询结果,并将IR树的根节点***最小优先级队列U;
初始化最小访问成本curCost(初始值设置为无穷大)和最优访问方案curGroup。
步骤(3):根据用户q.u的历史访问行为求得用户的兴趣偏好向量PVu,计算公式如下所示:
步骤(4):根据查询关键字q.ψ在查询区域中为q.ψ中每个关键字寻找距离查询位置q.λ最近的兴趣点,将所有这些最近的兴趣点组成一个候选解χ;最近距离查找方法利用了一个优先级队列U3和一个由所有兴趣点组成的IR树索引,并将IR树的根节点***优先级队列U3;具体查询步骤如下:
步骤(4.1):初始化一个待查询关键字集合keySet,用于保存查询关键字中当前尚未查询的关键字;初始化一个初始候选解集合Result,用于保存候选兴趣点;
步骤(4.2):若优先级队列U3不为空,从优先级队列U3中取出头节点e;否则转到步骤(4.6);
步骤(4.3):若节点e为非叶子节点,将节点e中所有包含待查询关键字的节点***优先级队列U3,并转到步骤(4.2);
步骤(4.4):若节点e为叶子节点,将节点e加入兴趣点集合Result,并在待查询关键字集合keySet中删除节点e所包含的关键字;
步骤(4.5):重复步骤(4.2)、步骤(4.3)和步骤(4.4),直到待查询关键字集合keySet为空;
步骤(4.6):输出Result为当前最优访问方案curGroup。
步骤(5).求候选解χ的访问成本Cost,当Cost低于curCost时,更新curCost值为Cost,并更新最优访问方案curGroup,其计算公式如下:
Cost(q,χ)=α*Dists(q,χ)+(1-α)*Distp(q,χ)
其中,Dists(q,χ)为候选解的最大查询欧氏距离,Distp(q,χ)为候选解的偏好距离;Dists(q,χ)和Distp(q,χ)的计算公式如下所示:
其中,Dist(q.λ,j)表示查询位置q.λ到兴趣点j的欧几里得距离,Dist(i,j)表示查询位置i到兴趣点j的欧几里得距离;
其中,N(χ)表示候选解χ中的兴趣点数量,Pre(q.u,j)表示用户q.u对兴趣点j的偏好评分,其计算公式如下所示:
Pre(q.u,j)=PVu·PVj T
其中,PVu表示步骤3中求得的用户q.u的偏好向量,PVj表示由兴趣点j的潜在主题构成的单位向量;
Access(j,q.τ)表示在q.τ时间兴趣点j的可访问程度,值越小表示兴趣点在该时间段内越适合被访问,Access(j,q.τ)的计算公式如下:
Access(j,q.τ)=Popularity(j)×Congestion(j,q.τ)
其中,Popularity(j)表示兴趣点j的受欢迎程度,由兴趣点被所有访客的历史访问次数决定;Congestion(j,q.τ)表示兴趣点j在q.τ时间的拥挤程度,由历史数据中以q.τ为中心的一小时内的兴趣点的被访问次数决定。
步骤(6).初始化兴趣点集合C={C1,C2,…,Cz}来保存所有包含查询关键字的兴趣点,其中Cz表示所有包含关键字z的兴趣点的子集合;产生新候选解的具体过程如下:
步骤(6.1).若最小优先级队列U不为空,从最小优先级队列U中取出头节点e;否则转到步骤(7);
步骤(6.2).判断头节点e中兴趣点到查询位置q.λ的最小距离是否超过查询范围r(公里)或者超过curCost/(α*γ);若超过,则转到步骤(8);否则继续运行步骤(6.3);
步骤(6.3).若节点e为非叶子节点,将节点e中所有包含稀有关键字Keyrare的节点***最小优先级队列U,其中稀有关键字是指查询关键字中包含最少数目兴趣点的关键字,并转到步骤(6.1);若节点e为叶子节点,则继续运行步骤(6.4);
步骤(6.4).初始化一个关键字集合keySet,该关键字集合为查询关键字中排除稀有关键字Keyrare后的关键字集合;初始化一个新的最小优先级队列U2,并将IR树的根节点***最小优先级队列U2;
步骤(6.5).若最小优先级队列U2不为空,则从最小优先级队列U2中取出头节点v,并继续运行步骤(6.6);否则,转到步骤(6.9);
步骤(6.6).判断头节点v中任意兴趣点到非叶子节点e的最小距离是否超过curCost/(α*γ)-γ*Dist(q,e)/(1-γ)或者头节点v中任意兴趣点到查询位置q.λ的最小距离是否超过查询范围r(公里);若超过,则转到步骤(6.9);
步骤(6.7).取出v中所有包含keySet中关键字的非叶子节点(兴趣点),并根据关键字将所有兴趣点保存到集合C中对应的子集合中;
步骤(6.8).重复步骤(6.5)、步骤(6.6)、步骤(6.7),直到最小优先级队列U2为空;
步骤(6.9).根据查询关键字随机组合C中的兴趣点,组成新的候选解。
步骤(7):重复步骤(5)、(6),直到最小优先级队列U为空。
步骤(8):输出此时的最小访问成本curCost以及最优访问方案curGroup。
Claims (2)
1.基于多关键字和用户偏好的组合兴趣点查询方法,其特征在于包括如下步骤:
步骤(1).输入查询问题q,其中查询问题q包含用户q.u、查询位置q.λ、查询时间q.τ和一组查询关键字q.ψ;
步骤(2).初始化查询方法的基本参数,包括查询范围r、平衡参数γ、平衡参数β、平衡参数α;初始化一个IR树作为查询索引;初始化一个最小优先级队列U用来维护中间查询结果,并将IR树的根节点***最小优先级队列U;初始化最小访问成本curCost和最优访问方案curGroup;
步骤(3).根据用户q.u的历史访问行为,求得用户的兴趣偏好向量PVu,计算公式如下所示:
步骤(4).根据查询关键字q.ψ在查询区域中为q.ψ中每个关键字寻找距离查询位置q.λ最近的兴趣点,将所有这些最近的兴趣点组成一个候选解χ;
步骤(5).求候选解χ的访问成本Cost,当Cost低于curCost时,更新curCost值为Cost,并更新最优访问方案curGroup,其计算公式如下:
Cost(q,χ)=α*Dists(q,χ)+(1-α)*Distp(q,χ)
其中,Dists(q,χ)为候选解的最大查询欧氏距离,Distp(q,χ)为候选解的偏好距离;
步骤(6).初始化兴趣点集合C={C1,C2,…,Cz}来保存所有包含查询关键字的兴趣点,其中Cz表示所有包含关键字z的兴趣点的子集合;产生新候选解的具体过程如下:
步骤(6.1).若最小优先级队列U不为空,从最小优先级队列U中取出头节点e;否则转到步骤(7);
步骤(6.2).判断头节点e中兴趣点到查询位置q.λ的最小距离是否超过查询范围r或者超过curCost/(α*γ);若超过,则转到步骤(8);否则继续运行步骤(6.3);
步骤(6.3).若节点e为非叶子节点,将节点e中所有包含稀有关键字Keyrare的节点***最小优先级队列U,其中稀有关键字是指查询关键字中包含最少数目兴趣点的关键字,并转到步骤(6.1);若节点e为叶子节点,则继续运行步骤(6.4);
步骤(6.4).初始化一个关键字集合keySet,该关键字集合为查询关键字中排除稀有关键字Keyrare后的关键字集合;初始化一个新的最小优先级队列U2,并将IR树的根节点***最小优先级队列U2;
步骤(6.5).若最小优先级队列U2不为空,则从最小优先级队列U2中取出头节点v,并继续运行步骤(6.6);否则,转到步骤(6.9);
步骤(6.6).判断头节点v中任意兴趣点到非叶子节点e的最小距离是否超过curCost/(α*γ)-γ*Dist(q,e)/(1-γ)或者头节点v中任意兴趣点到查询位置q.λ的最小距离是否超过查询范围r;若超过,则转到步骤(6.9);
步骤(6.7).取出v中所有包含keySet中关键字的非叶子节点,即兴趣点,并根据关键字将所有兴趣点保存到集合C中对应的子集合中;
步骤(6.8).重复步骤(6.5)、步骤(6.6)、步骤(6.7),直到最小优先级队列U2为空;
步骤(6.9).根据查询关键字随机组合C中的兴趣点,组成新的候选解;
步骤(7).重复步骤(5)、(6),直到最小优先级队列U为空;
步骤(8).输出此时的最小访问成本curCost以及最优访问方案curGroup;
其中步骤(5)中Dists(q,χ)和Distp(q,χ)的计算公式如下所示:
其中,Dist(q.λ,j)表示查询位置q.λ到兴趣点j的欧几里得距离,Dist(i,j)表示查询位置i到兴趣点j的欧几里得距离;
其中,N(χ)表示候选解χ中的兴趣点数量,Pre(q.u,j)表示用户q.u对兴趣点j的偏好评分,其计算公式如下所示:
Pre(q.u,j)=PVu·PVj T
其中,PVu表示步骤( 3) 中求得的用户q.u的偏好向量,PVj表示由兴趣点j的潜在主题构成的单位向量;
Access(j,q.τ)表示在q.τ时间兴趣点j的可访问程度,值越小表示兴趣点在该时间段内越适合被访问,Access(j,q.τ)的计算公式如下:
Access(j,q.τ)=Popularity(j)×Congestion(j,q.τ)
其中,Popularity(j)表示兴趣点j的受欢迎程度,由兴趣点被所有访客的历史访问次数决定;Congestion(j,q.τ)表示兴趣点j在q.τ时间的拥挤程度,由历史数据中以q.τ为中心的一小时内的兴趣点的被访问次数决定。
2.根据权利要求1所述的基于多关键字和用户偏好的组合兴趣点查询方法,其特征在于:步骤(4)中最近距离查找利用了一个优先级队列U3和一个由所有兴趣点组成的IR树索引,并将IR树的根节点***优先级队列U3;具体查询步骤如下:
步骤(4.1):初始化一个待查询关键字集合keySet,用于保存查询关键字中当前尚未查询的关键字;初始化一个初始候选解集合Result,用于保存候选兴趣点;
步骤(4.2):若优先级队列U3不为空,从优先级队列U3中取出头节点e;否则转到步骤(4.6);
步骤(4.3):若节点e为非叶子节点,将节点e中所有包含待查询关键字的节点***优先级队列U3,并转到步骤(4.2);
步骤(4.4):若节点e为叶子节点,将节点e加入兴趣点集合Result,并在待查询关键字集合keySet中删除节点e所包含的关键字;
步骤(4.5):重复步骤(4.2)、步骤(4.3)和步骤(4.4),直到待查询关键字集合keySet为空;
步骤(4.6):输出Result为当前最优访问方案curGroup。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910217464.0A CN109977309B (zh) | 2019-03-21 | 2019-03-21 | 基于多关键字和用户偏好的组合兴趣点查询方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910217464.0A CN109977309B (zh) | 2019-03-21 | 2019-03-21 | 基于多关键字和用户偏好的组合兴趣点查询方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977309A CN109977309A (zh) | 2019-07-05 |
CN109977309B true CN109977309B (zh) | 2021-05-04 |
Family
ID=67079967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910217464.0A Active CN109977309B (zh) | 2019-03-21 | 2019-03-21 | 基于多关键字和用户偏好的组合兴趣点查询方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977309B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100483B (zh) * | 2020-08-07 | 2023-09-19 | 西安工程大学 | 一种融合用户兴趣权重的关联规则推荐方法 |
CN113343050B (zh) * | 2021-05-25 | 2022-11-29 | 中南民族大学 | 一种基于时间感知对象的why-not问题的解决方法及*** |
CN113592589B (zh) * | 2021-07-27 | 2024-03-29 | 上海致景信息科技有限公司 | 纺织原料推荐方法、装置及处理器 |
CN113779039A (zh) * | 2021-09-26 | 2021-12-10 | 辽宁工程技术大学 | Top-k集合空间关键字近似查询方法 |
CN115129978B (zh) * | 2022-05-27 | 2024-03-29 | 暨南大学 | 偏好查询方法、用户终端、服务器及存储介质 |
CN114780875B (zh) * | 2022-06-22 | 2022-09-06 | 广东省智能机器人研究院 | 一种动态组旅行规划查询方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140135390A (ko) * | 2013-05-16 | 2014-11-26 | 에스케이플래닛 주식회사 | 복수의 poi 검색 방법, 이를 위한 시스템 및 장치 |
CN107133262A (zh) * | 2017-03-30 | 2017-09-05 | 浙江大学 | 一种基于多影响嵌入的个性化poi推荐方法 |
CN108549690A (zh) * | 2018-04-12 | 2018-09-18 | 石家庄铁道大学 | 基于空间距离约束的空间关键字查询方法及*** |
CN108717447A (zh) * | 2018-05-17 | 2018-10-30 | 电子科技大学 | 一种交互式多用户空间关键词查询方法 |
-
2019
- 2019-03-21 CN CN201910217464.0A patent/CN109977309B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140135390A (ko) * | 2013-05-16 | 2014-11-26 | 에스케이플래닛 주식회사 | 복수의 poi 검색 방법, 이를 위한 시스템 및 장치 |
CN107133262A (zh) * | 2017-03-30 | 2017-09-05 | 浙江大学 | 一种基于多影响嵌入的个性化poi推荐方法 |
CN108549690A (zh) * | 2018-04-12 | 2018-09-18 | 石家庄铁道大学 | 基于空间距离约束的空间关键字查询方法及*** |
CN108717447A (zh) * | 2018-05-17 | 2018-10-30 | 电子科技大学 | 一种交互式多用户空间关键词查询方法 |
Non-Patent Citations (2)
Title |
---|
"Collective Spatial Keyword Querying";Xin Cao等;《Proceedings of the 2011 ACM SIGMOD International Conference on Management of data》;20110630;全文 * |
"空间关键词搜索研究综述";刘喜平等;《软件学报》;20151104;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109977309A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977309B (zh) | 基于多关键字和用户偏好的组合兴趣点查询方法 | |
CN109829104B (zh) | 基于语义相似度的伪相关反馈模型信息检索方法及*** | |
CN108038183B (zh) | 结构化实体收录方法、装置、服务器和存储介质 | |
CN105808590B (zh) | 搜索引擎实现方法、搜索方法以及装置 | |
US20110258173A1 (en) | Expansion of search queries using information categorization | |
CN109635083B (zh) | 一种用于搜索ted演讲中话题式查询的文档检索方法 | |
CN104008106B (zh) | 一种获取热点话题的方法及装置 | |
CN103218373B (zh) | 一种相关搜索***、方法及装置 | |
CN110472004B (zh) | 一种科技情报数据多级缓存管理的方法及*** | |
CN104346444B (zh) | 一种基于路网反空间关键字查询的最佳选址方法 | |
JP2004518226A (ja) | データベースシステムおよびクエリオプティマイザ | |
CN106021457A (zh) | 基于关键词的rdf分布式语义搜索方法 | |
EP2788896B1 (en) | Fuzzy full text search | |
US20030212663A1 (en) | Neural network feedback for enhancing text search | |
CN107145545A (zh) | 一种基于位置的社交网络中Top‑k区域用户文本数据推荐方法 | |
WO2010062445A1 (en) | Predictive indexing for fast search | |
CN104615734B (zh) | 一种社区管理服务大数据处理***及其处理方法 | |
CN110175273A (zh) | 文本处理方法、装置、计算机可读存储介质和计算机设备 | |
Li et al. | Two-stage hashing for fast document retrieval | |
Li et al. | Personalized query auto-completion for large-scale POI search at Baidu Maps | |
CN103678513A (zh) | 一种交互式的检索式生成方法及*** | |
CN104750860B (zh) | 一种不确定数据的数据存储方法 | |
Pu et al. | Location based recommendation for mobile users using language model and skyline query | |
CN107122441A (zh) | 一种基于大数据的通信数据检索及呈现方法 | |
CN109460506A (zh) | 一种用户需求驱动的资源匹配推送方法 |
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 |