CN110363304A - 定位模型构建方法、装置、计算机设备和存储介质 - Google Patents
定位模型构建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110363304A CN110363304A CN201910526952.XA CN201910526952A CN110363304A CN 110363304 A CN110363304 A CN 110363304A CN 201910526952 A CN201910526952 A CN 201910526952A CN 110363304 A CN110363304 A CN 110363304A
- Authority
- CN
- China
- Prior art keywords
- location
- model
- incidence relation
- anchor point
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 61
- 238000003066 decision tree Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种定位模型构建方法、装置、计算机设备和存储介质。涉及人工智能领域。所述方法包括：从第三方平台中获取用户轨迹图与定位点之间的关联关系，所述关联关系是在设定场景下通过人机交互过程中产生的；根据所述关联关系生成带有定位标注的训练样本，所述用户轨迹图为训练样本，与所述用户轨迹图关联的所述定位点为定位标注；获取预先定义的机器学***台中。采用本方法能够克服人工标记难度。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种定位模型构建方法、装置、计算机设备和存储介质。
背景技术
在构建监督学习模型之前，通常我们需要做如下的数据准备工作：从庞大的样本集合中选出一些具有代表性样本数据并加以标注。为了使模型训练具有较高的准确率，增大样本量是最常见的做法，因此，对大量样本进行人工标注将是一个巨大的工程。样本人工标注消耗大量的人力物力，成为构建监督学习最大的软肋，本申请旨在探索一种能够克服人工标记难度的定位模型构建方法。
发明内容
基于此，有必要针对上述技术问题，提供一种能够克服人工标记难度的定位模型构建方法、装置、计算机设备和存储介质。
一种定位模型构建方法，所述方法包括：
将需要定位标注的用户轨迹图发送至第三方平台；
从第三方平台中获取用户轨迹图与定位点之间的关联关系，所述关联关系是在设定场景下通过人机交互过程中产生的；
根据所述关联关系生成带有定位标注的训练样本，所述用户轨迹图为训练样本，与所述用户轨迹图关联的所述定位点为定位标注；
获取预先定义的机器学习模型；
将所述训练样本输入至所述机器学习模型中进行模型训练，生成定位模型；
将所述定位模型更新到基于位置的平台中。
在一个实施例中，所述方法还包括：
接收用户终端上传的实时位置信息；
根据所述实时位置信息生成用户轨迹图；
将所述用户轨迹图输入至所述定位模型中，获取所述定位模型输出的定位信息；
根据所述定位信息向所述用户终端提供基于位置的服务。
在一个实施例中，在所述从第三方平台中获取用户轨迹图与定位点之间的关联关系之后，还包括：
根据所述定位点关联的属性标签，对所述关联关系进行分类；
根据不同类型的所述关联关系生成多组训练样本；
基于多组所述训练样本训练得到多个定位模型，每个所述定位模型用于识别设定属性的所述定位点。
在一个实施例中，所述第三方平台为游戏平台；所述从第三方平台中获取用户轨迹图与定位点之间的关联关系，还包括：
所述游戏平台生成游戏实例，并监听所述游戏实例，以从游戏玩家的人机交互操作中获取所述用户轨迹图的定位标注信息；
从所述游戏平台中获取所述定位标注信息，根据所述定位标注信息生成所述用户轨迹图与定位点之间的关联关系。
在一个实施例中，所述从第三方平台中获取用户轨迹图与定位点之间的关联关系，还包括：
生成人工标记任务；
将人工标记任务以H5页面或网页链接的形式发布到至少一个第三方平台；
接收所述第三方平台反馈的标记结果。
一种定位模型构建装置，所述装置包括：
关联关系获取模块，用于将需要定位标注的用户轨迹图发送至第三方平台，从第三方平台中获取用户轨迹图与定位点之间的关联关系，所述关联关系是在设定场景下通过人机交互过程中产生的；
训练样本生成模块，用于根据所述关联关系生成带有定位标注的训练样本，所述用户轨迹图为训练样本，与所述用户轨迹图关联的所述定位点为定位标注；
模型获取模块，用于获取预先定义的机器学习模型；
模型训练模块，用于将所述训练样本输入至所述机器学习模型中进行模型训练，生成定位模型；
模型更新模块，用于将所述定位模型更新到基于位置的平台中。
在一个实施例中，所述装置还包括：基于位置的服务模块，用于接收用户终端上传的实时位置信息；根据所述实时位置信息生成用户轨迹图；将所述用户轨迹图输入至所述定位模型中，获取所述定位模型输出的定位信息；根据所述定位信息向所述用户终端提供基于位置的服务。
在一个实施例中，所述装置还包括分类模块，用于根据所述定位点关联的属性标签，对所述关联关系进行分类；根据不同类型的所述关联关系生成多组训练样本；基于多组所述训练样本训练得到多个定位模型，每个所述定位模型用于识别设定属性的所述定位点。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
一种计算机可读存储介质，其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上述所述的方法的步骤。
上述定位模型构建方法、装置、计算机设备和存储介质，通过第三方平台中设定场景下的人机交互得到用户轨迹图与定位点之间的关联关系，将用户轨迹图作为训练样本，与用户轨迹图关联的定位点作为定位标注，自动生成带有定位标注的训练样本，无需消耗专门的人力进行人工标注，克服了人工标记带来的效率低、耗时长等缺点，降低了建模成本，缩短了有监督学习的建模周期，即在构建定位模型时克服了人工标记难度。
附图说明
图1为一个实施例中定位模型构建方法的应用场景图；
图2为一个实施例中定位模型构建方法的流程示意图；
图3为一个实施例中基于定位模型向用户提供基于位置的服务所涉及的流程示意图；
图4为另一个实施例中用户的用户轨迹图；
图5为一个实施例中定位模型构建装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的定位模型构建方法，可以应用于如图1所示的应用环境中。应用环境中包括用户终端102，LBS服务器104(Location Based Service，基于位置的服务器)和第三方平台106，其中第三方平台106包括第三方服务器106A和与第三方服务器106A交互的用户终端106B。用户终端102通过网络与LBS服务器104通信。LBS服务器104与第三方平台106可以通过网络进行通信。LBS服务器104从第三方平台获取海量的用户轨迹图与定位点之间的关联关系，并将这些关联关系作为训练样本训练定位模型，LBS服务器104基于定位模型向用户终端102提供基于位置的服务。
上述的终端102以及第三方平台106中的用户端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，LBS服务器104和第三方平台106中的服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种定位模型构建方法，以该方法应用于图1中的LBS服务器为例进行说明，包括以下步骤：
步骤202，将需要定位标注的用户轨迹图发送至第三方平台。
步骤204，从第三方平台中获取用户轨迹图与定位点之间的关联关系，关联关系是在设定场景下通过人机交互过程中产生的。
第三方平台可以是游戏平台或者带有游戏模块、趣味任务模块等人机交互模块的其他应用平台。第三方平台发布用户轨迹图，通过人机交互模块获取终端侧用户在用户轨迹图上选择的定位点，进而建立用户轨迹图与定位点之间的关联关系。也就是第三方平台通过设定场景下的人机交互过程产生大数据量的用户轨迹图和定位点之间的关联关系。
定位点是从用户轨迹图众多定位点中确定的具有某种特定属性的位置点，如定位点可以是家庭住所、工作单位等。
步骤206，根据关联关系生成带有定位标注的训练样本，用户轨迹图为训练样本，与用户轨迹图关联的定位点为定位标注。
在第三方平台中通过人机交互模块对用户轨迹图进行了定位点标注，生成了用户轨迹图与定位点之间的关联关系。LBS服务器将关联关系中的用户轨迹图作为训练样本，将与用户轨迹图关联的定位点作为训练样本的定位标注。用户轨迹图作为待训练模型的输入对象，与用户轨迹图关联的定位点作为模型希望的输出(模型的监督信号)进行有监督模型训练。
进一步的，根据一部分关联关系生成训练样本，根据另一部分关联关系生成测试样本，训练样本和测试样本的生成方式相同。
步骤208，获取预先定义的机器学习模型。
本步骤中的机器学习模型为有监督机器学习模型，预先指定机器学习模型，当需要生成定位模型时，直接获取预先定义好的有监督机器学习模型。预先指定的机器学习模型可以是支持向量机(Support Vector Machines)、线性回归(linear regression)、逻辑回归(logistic regression)、朴素贝叶斯(naive Bayes)线性判别分析(lineardiscriminant analysis)、决策树(decision trees)等。
步骤210，将训练样本输入至机器学习模型中进行模型训练，生成定位模型。
确定机器学习模型后，将带有定位标注的训练样本输入至机器学习模型中，确定模型参数，将模型参数输入至机器学习模型后得到的训练模型即为定位模型。向定位模型输入用户轨迹图，定位模型将预测出该用户轨迹图中的具有某种特定属性的定位点。
步骤212，将定位模型更新到基于位置的平台中。
LBS服务器中具有基于位置的服务模块，将生成的定位模型部署/更新到局域位置的服务模块中，或LBS服务器将定位模型发送到其他提供基于位置的服务的平台中，如导航平台，以便平台基于定位模型向用户提供各种基于位置的服务。如基于模型输出的基于居所的定位，向用户终端提供回家的导航路线。
本实施例的定位模型构建方法无需人工对样本进行标注，而是通过第三方平台设定场景下的人机交互得到样本的标注信息，这种标注信息收集方式无需消耗专门的人力物力，降低了建模成本，缩短了有监督学习的建模周期。
在一个实施例中，生成定位模型后，可在任意带有基于位置的服务的平台中部署该定位模型，并基于该定位模型向用户终端提供服务。图1中的LBS服务器即为部署有基于位置的服务的服务器，如图3所示，以LBS服务器为例说明如何基于定位模型向用户终端提供基于位置的服务，具体包括如下步骤：
步骤302，LBS服务器接收用户终端实时上报的位置信息，并根据实时位置信息生成该用户终端的用户轨迹图。
LBS服务器获取用户终端在近一周内或者近一个月内的实时位置信息，并根据每天的实时位置信息生成一条用户轨迹图，进而得到一周或者一个月内的多条用户轨迹图。
在一个实施例中，LBS服务器计算多条用户轨迹图之间的集中度，并根据集中度去除掉与其他轨迹图集中度较低的用户轨迹图，其中，用户轨迹图之间的集中度为根据用户轨迹图中一个或者多个代表位置点与另一个用户轨迹图中的一个或多个代表位置点之间的距离而定，代表位置点之间的距离越大，集中度越低。
如图4所示，图中的四条用户轨迹图，其中用户轨迹图④与用户轨迹图①②③的集中度较低，因此，在进行设定属性定位点预测时，先根据集中度，去除掉用户轨迹图④，仅将由用户轨迹图①②③组成的用户轨迹图输入至定位模型中。
步骤304，将用户轨迹图输入至定位模型中，获取定位模型输出的定位信息。
使用预先构建好的定位模型对输入的用户轨迹图进行分析预测，得到该用户轨迹图对应的具有设定属性特征的定位点，如居所、公司、常去的娱乐场所等地点。
步骤306，根据定位信息向用户终端提供基于位置的服务。
LBS服务器将定位模型预测的具有设定属性的定位点发送给用户终端，监听用户的确认操作，若用户确定定位点，则将该定位点添加至用户信息中。LBS服务器会根据用户关联的定位点，向用户提供基于位置的服务。根据定位点向用户提供的基于位置的服务可以是在下班时间点向用户推送回家的最佳导航路线，在上班时间向用户推送去公司的导航路线。或者是根据用户的家庭住址和公司位置确定用户消费水平，向用户提供与用户消费水平相当的产品信息，如金融产品等。
本实施例中，实现了基于用户的行动轨迹的个性化信息推荐，相对比传统的收集用户的各种消费记录，各种网页浏览记录，收集用户的实时位置信息更加简单快捷。
在一个实施例中，根据用户轨迹图与定位点之间的关联关系生成定位模型，还包括：从第三方平台获取的用户轨迹图与定位点之间的关联关系，关联关系中的定位点带有属性标签，其中属性标签包括居所标签、工作单位标签、学校标签和娱乐场所标签等。LBS服务器根据定位点的属性标签，将关联关系进行分类，带有同一属性标签的定位点划分为一类。划分后的关联关系包括定位点是居所的关联关系、定位点是工作单位的关联关系、定位点是学校的关联关系，定位点是娱乐场所的关联关系等。
分类后，LBS服务器根据不同类型的关联关系生成多组训练样本，如生成对应居所的训练样本、对应工作单位的训练样本、对应学校的训练样本以及对应娱乐场所的训练样本等。然后再根据每组组训练样本生成定位模型，每个定位模型用于识别相应属性的定位点。如基于居所的训练样本得到的定位模型用于识别用户轨迹图中的居所位置，基于工作单位的训练样本得到的定位模型用于识别用户轨迹图中的工作单位。
在一个实施例中，通过分类型的定位模型进行位置点预测的方法为：获取用户轨迹图，确定待定位的定位点属性，查找与定位点属性对应的定位模型，将用户轨迹图输入至查找的定位模型中，得到模型的定位结果。若待定位的定位属性为多个，则查找多个定位模型，将用户轨迹图分别输入至多个定位模型中，得到多个定位结果，即得到多个不同属性的定位点。
本实施例中，通过定位点的属性对关联关系进行分类，基于分类后的关联关系数据生成的训练样本构建的定位模型，能够更加精准地对设定类型的定位点进行识别，提高了模型定位的准确度。
在一个实施例中，步骤202中的第三方平台为游戏平台，定位模型的构建方法具体为：LBS服务器向用户终端提供基于位置的服务时，若需要对用户轨迹图进行标记，LBS服务器将需要定位标注的用户轨迹图发送给游戏平台，游戏平台将用户轨迹图生成游戏实例，并发布该游戏实例。游戏平台监听基于该游戏实例的游戏玩家的人机操作，并从人机交互操作中获取游戏实例中用户轨迹图的标注信息，游戏平台将标注信息发送给LBS服务器，LBS服务器根据标注信息向用户提供基于位置的服务，或者游戏平台将用户轨迹图与定位点的关联关系发送给LBS服务器，LBS服务器根据关联关系向用户提供基于位置的服务。
在另一个实施例中，LBS服务器向用户终端提供基于位置的服务时，若有人工标记任务(不仅限于对用户轨迹图的人工标记，还可以是其他标记任务，如标记目标人脸等)，LBS服务器将人工标记任务发送至第三方平台，第三方平台通过人机交互操作获取标记结果，第三方平台将标记结果发送给LBS服务器，LBS服务器根据标记结果向用户提供基于位置的服务。
在提供基于位置的服务的同时，LBS服务器会不断地从第三方平台中获取用户轨迹图与定位点之间的关联关系，当关联关系数据达到设定数量值时，LBS服务器基于关联关系生成定位模型，当LBS服务器再次需要对用户轨迹图进行标注时，直接将用户轨迹图输入至定位模型中即可获得标注信息。
在另一个实施例中，LBS服务器向用户终端提供基于位置的服务时，若需要人工标记时，这里的人工标记适用于各种数据的人工标记，不仅限于对用户轨迹图的人工标记，LBS服务器生成人工标记任务，并将人工标记任务以小程序的形式发布到至少一个第三方平台，小程序获取标记结果，并将标记结果反馈给LBS服务器，LBS服务器根据标记结果向用户提供基于位置的服务，或者根据标记结果生成训练样本，基于训练样本生成自动识别标记的人工智能模型，基于人工智能模型向用户终端提供基于位置的服务。
LBS服务器在提供基于位置的服务时，若涉及到对轨迹图的人工标记流程时，传统的做法是生成人工标记任务，线下由人工标记后才能执行基于位置的服务，很多时候，人工标记任务的工作量都非常大。本实施例中，将人工标记任务推送给游戏平台，游戏平台基于该人工标记任务生成游戏实例，在生成游戏实例中只需将轨迹图引入，并添加具体的标记方法即可。由于服务器根据轨迹图和具体的标记方法，在已有的游戏场景下自动生成游戏实例，使广大游戏玩家进行标记，大大提高了标记的效率，使得LBS服务器可基于这些标注信息提供相应的基于位置的服务。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种定位模型构建装置，该装置包括：
关联关系获取模块502，用于从第三方平台中获取用户轨迹图与定位点之间的关联关系，所述关联关系是在设定场景下通过人机交互过程中产生的。
训练样本生成模块504，用于根据所述关联关系生成带有定位标注的训练样本，其中所述用户轨迹图为所述训练样本，与所述用户轨迹图关联的定位点为所述训练样本的定位标注。
模型获取模块506，用于获取预先定义的机器学习模型。
模型训练模块508，用于将所述训练样本输入至所述机器学习模型进行模型训练，生成定位模型。
模型更新模块510，用于将所述定位模型更新到基于位置的服务中。
在一个实施例中，定位模型构建装置还包括：基于位置的服务器模块，用于接收用户终端上传的实时位置信息；根据所述实时位置信息生成用户轨迹图；将所述用户轨迹图输入至所述定位模型中，获取所述定位模型输出的定位信息；根据所述定位信息向所述用户终端提供基于位置的服务。
在一个实施例中，定位模型构建装置还包括分类模块，用于根据所述定位点关联的属性标签，对所述关联关系进行分类；根据不同类型的所述关联关系生成多组训练样本；基于多组所述训练样本训练得到多个定位模型，每个所述定位模型用于识别设定属性的定位点。
在一个实施例中，所述第三方平台为游戏平台；关联关系获取模块502，还用于将需要定位标注的所述用户轨迹图发送至所述游戏平台；其中，所述游戏平台生成游戏实例，并监听所述游戏实例，从游戏玩家的人机交互操作中获取所述用户轨迹图的定位标注信息；从所述游戏平台中获取所述定位标注信息，根据所述定位标注信息生成所述用户轨迹图与定位点之间的关联关系。
在一个实施例中，关联关系获取模块502，还用于生成人工标记任务；将人工标记任务以小程序的形式发布到至少一个平台；接收所述平台反馈的标记结果。
关于定位模型构建装置的具体限定可以参见上文中对于定位模型构建方法的限定，在此不再赘述。上述定位模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储机器学习模型数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种定位模型构建方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：从第三方平台中获取用户轨迹图与定位点之间的关联关系，所述关联关系是通过设定场景下的人机交互过程中产生的；根据所述关联关系生成带有定位标注的训练样本，其中所述用户轨迹图为所述训练样本，与所述用户轨迹图关联的定位点为所述训练样本的定位标注；获取机器学习模型；将所述训练样本输入至所述机器学习模型进行模型训练，生成定位模型；将所述定位模型更新到基于位置的服务中。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取用户终端的实时位置信息；根据所述实时位置信息生成用户轨迹图；将所述用户轨迹图输入至所述定位模型中，获取所述定位模型输出的定位信息；根据所述定位信息向所述用户终端提供基于位置的服务。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述定位点关联的属性标签，对所述关联关系进行分类；根据不同类型的所述关联关系生成多组训练样本；多组所述训练样本训练得到多个定位模型，每个所述定位模型用于识别设定属性的定位点。
在一个实施例中，所述第三方平台为游戏平台；处理器在执行所述从第三方平台中获取用户轨迹图与定位点之间的关联关系步骤时，还执行如下步骤：将需要定位标注的所述用户轨迹图发送至所述游戏平台；其中，所述游戏平台生成游戏实例，并监听所述游戏实例，从游戏玩家的人机交互操作中获取所述用户轨迹图的标注信息；从所述游戏平台中获取所述用户轨迹图的标注信息。
在一个实施例中，处理器在执行所述从第三方平台中获取用户轨迹图与定位点之间的关联关系步骤时，还执行如下步骤：生成人工标记任务；将人工标记任务以小程序的形式发布到至少一个平台；接收所述平台反馈的标记结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：从第三方平台中获取用户轨迹图与定位点之间的关联关系，所述关联关系是通过设定场景下的人机交互过程中产生的；根据所述关联关系生成带有定位标注的训练样本，其中所述用户轨迹图为所述训练样本，与所述用户轨迹图关联的定位点为所述训练样本的定位标注；获取机器学习模型；将所述训练样本输入至所述机器学习模型进行模型训练，生成定位模型；将所述定位模型更新到基于位置的服务中。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取用户终端的实时位置信息；根据所述实时位置信息生成用户轨迹图；将所述用户轨迹图输入至所述定位模型中，获取所述定位模型输出的定位信息；根据所述定位信息向所述用户终端提供基于位置的服务。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述定位点关联的属性标签，对所述关联关系进行分类；根据不同类型的所述关联关系生成多组训练样本；多组所述训练样本训练得到多个定位模型，每个所述定位模型用于识别设定属性的定位点。
在一个实施例中，所述第三方平台为游戏平台；所述从第三方平台中获取用户轨迹图与定位点之间的关联关系被处理器执行时，还实现以下步骤：将需要定位标注的所述用户轨迹图发送至所述游戏平台；其中，所述游戏平台生成游戏实例，并监听所述游戏实例，从游戏玩家的人机交互操作中获取所述用户轨迹图的标注信息；从所述游戏平台中获取所述用户轨迹图的标注信息。
在一个实施例中，所述从第三方平台中获取用户轨迹图与定位点之间的关联关系被处理器执行时，还实现以下步骤：生成人工标记任务；将人工标记任务以小程序的形式发布到至少一个平台；接收所述平台反馈的标记结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种定位模型构建方法，所述方法包括：
将需要定位标注的用户轨迹图发送至第三方平台；
从第三方平台中获取用户轨迹图与定位点之间的关联关系，所述关联关系是在设定场景下通过人机交互过程中产生的；
根据所述关联关系生成带有定位标注的训练样本，所述用户轨迹图为训练样本，与所述用户轨迹图关联的所述定位点为定位标注；
获取预先定义的机器学习模型；
将所述训练样本输入至所述机器学习模型中进行模型训练，生成定位模型；
将所述定位模型更新到基于位置的平台中。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收用户终端上传的实时位置信息；
根据所述实时位置信息生成用户轨迹图；
将所述用户轨迹图输入至所述定位模型中，获取所述定位模型输出的定位信息；
根据所述定位信息向所述用户终端提供基于位置的服务。
3.根据权利要求1所述的方法，其特征在于，在所述从第三方平台中获取用户轨迹图与定位点之间的关联关系之后，还包括：
根据所述定位点关联的属性标签，对所述关联关系进行分类；
根据不同类型的所述关联关系生成多组训练样本；
基于多组所述训练样本训练得到多个定位模型，每个所述定位模型用于识别设定属性的所述定位点。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述第三方平台为游戏平台；所述从第三方平台中获取用户轨迹图与定位点之间的关联关系，还包括：
所述游戏平台生成游戏实例，并监听所述游戏实例，以从游戏玩家的人机交互操作中获取所述用户轨迹图的定位标注信息；
从所述游戏平台中获取所述定位标注信息，根据所述定位标注信息生成所述用户轨迹图与定位点之间的关联关系。
5.根据权利要求1-3任意一项所述的方法，其特征在于，所述从第三方平台中获取用户轨迹图与定位点之间的关联关系，还包括：
生成人工标记任务；
将人工标记任务以H5页面或网页链接的形式发布到至少一个第三方平台；
接收所述第三方平台反馈的标记结果。
6.一种定位模型构建装置，其特征在于，所述装置包括：
关联关系获取模块，用于将需要定位标注的用户轨迹图发送至第三方平台，从第三方平台中获取用户轨迹图与定位点之间的关联关系，所述关联关系是在设定场景下通过人机交互过程中产生的；
训练样本生成模块，用于根据所述关联关系生成带有定位标注的训练样本，所述用户轨迹图为训练样本，与所述用户轨迹图关联的所述定位点为定位标注；
模型获取模块，用于获取预先定义的机器学习模型；
模型训练模块，用于将所述训练样本输入至所述机器学习模型中进行模型训练，生成定位模型；
模型更新模块，用于将所述定位模型更新到基于位置的平台中。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：基于位置的服务模块，用于接收用户终端上传的实时位置信息；根据所述实时位置信息生成用户轨迹图；将所述用户轨迹图输入至所述定位模型中，获取所述定位模型输出的定位信息；根据所述定位信息向所述用户终端提供基于位置的服务。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括分类模块，用于根据所述定位点关联的属性标签，对所述关联关系进行分类；根据不同类型的所述关联关系生成多组训练样本；基于多组所述训练样本训练得到多个定位模型，每个所述定位模型用于识别设定属性的所述定位点。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910526952.XA CN110363304A (zh) | 2019-06-18 | 2019-06-18 | 定位模型构建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910526952.XA CN110363304A (zh) | 2019-06-18 | 2019-06-18 | 定位模型构建方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110363304A true CN110363304A (zh) | 2019-10-22 |
Family
ID=68216304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910526952.XA Pending CN110363304A (zh) | 2019-06-18 | 2019-06-18 | 定位模型构建方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363304A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018077745A1 (de) * | 2016-10-24 | 2018-05-03 | Bayerische Motoren Werke Aktiengesellschaft | Analyseverfahren für objektmarkierungen in bildern auf basis von modellen |
| CN108074414A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的常走路径交通信息提醒方法及*** |
| CN108108455A (zh) * | 2017-12-28 | 2018-06-01 | 广东欧珀移动通信有限公司 | 目的地的推送方法、装置、存储介质及电子设备 |
| CN109739926A (zh) * | 2019-01-09 | 2019-05-10 | 南京航空航天大学 | 一种基于卷积神经网络的移动对象目的地预测方法 |
-
2019
- 2019-06-18 CN CN201910526952.XA patent/CN110363304A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018077745A1 (de) * | 2016-10-24 | 2018-05-03 | Bayerische Motoren Werke Aktiengesellschaft | Analyseverfahren für objektmarkierungen in bildern auf basis von modellen |
| CN108074414A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的常走路径交通信息提醒方法及*** |
| CN108108455A (zh) * | 2017-12-28 | 2018-06-01 | 广东欧珀移动通信有限公司 | 目的地的推送方法、装置、存储介质及电子设备 |
| CN109739926A (zh) * | 2019-01-09 | 2019-05-10 | 南京航空航天大学 | 一种基于卷积神经网络的移动对象目的地预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 孙欢: "众包标注的学习算法研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 * |
| 孙欢: "众包标注的学习算法研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》, no. 03, 15 March 2016 (2016-03-15), pages 140 - 143 * |
| 柯扬斌: "基于深度学习和回归型分类模型的出行目的地预测", 《中国优秀博硕士学位论文全文数据库（硕士）基础科学辑》 * |
| 柯扬斌: "基于深度学习和回归型分类模型的出行目的地预测", 《中国优秀博硕士学位论文全文数据库（硕士）基础科学辑》, no. 12, 15 January 2019 (2019-01-15), pages 008 - 76 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
| US20190364123A1 (en) | Resource push method and apparatus | |
| CN108921221A (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
| CN110366734A (zh) | 优化神经网络架构 | |
| CN109684554A (zh) | 新闻的***的确定方法及新闻推送方法 | |
| CN112256537B (zh) | 模型运行状态的展示方法、装置、计算机设备和存储介质 | |
| CN109726105A (zh) | 测试数据构造方法、装置、设备及存储介质 | |
| CN109033277A (zh) | 基于机器学习的类脑***、方法、设备及存储介质 | |
| CN111914178A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
| CN108062377A (zh) | 标签图片集的建立、标签的确定方法、装置、设备及介质 | |
| CN110471585A (zh) | 应用程序功能图标展示方法、装置和计算机设备 | |
| CN106874204A (zh) | 自动化测试定制方法及定制*** | |
| CN109828750A (zh) | 自动配置数据埋点的方法、装置、电子设备及存储介质 | |
| CN114330703A (zh) | 搜索模型的更新方法、装置、设备及计算机可读存储介质 | |
| CN117312979A (zh) | 对象分类方法、分类模型训练方法及电子设备 | |
| CN110363304A (zh) | 定位模型构建方法、装置、计算机设备和存储介质 | |
| Ilieva et al. | AI Integration in Business Processes Management | |
| Qian et al. | Investigate-consolidate-exploit: A general strategy for inter-task agent self-evolution | |
| CN116578774A (zh) | 一种预估排序方法、装置、计算机设备及存储介质 | |
| Wirsch | Analysis of a top-down bottom-up data analysis framework and software architecture design | |
| CN111966885A (zh) | 一种用户画像的构建方法和装置 | |
| CN109872188A (zh) | 资产建议生成方法、装置、计算机设备和存储介质 | |
| CN116204709A (zh) | 一种数据处理方法及相关装置 | |
| US20230195742A1 (en) | Time series prediction method for graph structure data | |
| CN110414690A (zh) | 利用机器学习模型执行预测的方法及装置 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240419 |