CN111144765A - 一种特定地点间关联关系的确定方法及装置 - Google Patents

一种特定地点间关联关系的确定方法及装置 Download PDF

Info

Publication number
CN111144765A
CN111144765A CN201911382649.3A CN201911382649A CN111144765A CN 111144765 A CN111144765 A CN 111144765A CN 201911382649 A CN201911382649 A CN 201911382649A CN 111144765 A CN111144765 A CN 111144765A
Authority
CN
China
Prior art keywords
matrix
specific location
specific
jth
value
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
Application number
CN201911382649.3A
Other languages
English (en)
Inventor
黄泽元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Jizhi Digital Technology Co Ltd
Original Assignee
Shenzhen Jizhi Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Jizhi Digital Technology Co Ltd filed Critical Shenzhen Jizhi Digital Technology Co Ltd
Priority to CN201911382649.3A priority Critical patent/CN111144765A/zh
Publication of CN111144765A publication Critical patent/CN111144765A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种特定地点间关联关系的确定方法、装置、存储介质和电子设备。该方法包括：依据m个对象在n个特定地点中的停留时间、事件属性值和预设映射关系获取m个对象对n个特定地点的评分值，第i个对象在第j个特定地点未停留时的评分值rij未知；利用评分值获取m行n列的评分矩阵，并利用秩k将评分矩阵分解为m行k列的第一矩阵和k行n列的第二矩阵；利用预设模型、第一矩阵和第二矩阵获取rij的预测值；利用rij的预测值获取无未知量的第二矩阵；当无未知量的第二矩阵的第a列形成的向量与第b列形成的向量的内积大于预设阈值时，确定第a个特定地点和第b个特定地点存在关联关系。利用该方法能够确定存在关联关系的特定地点。

Description

一种特定地点间关联关系的确定方法及装置
技术领域
本申请涉及数据处理技术领域，尤其涉及一种特定地点间关联关系的确定方法及装置。
背景技术
对于数量集中，密集分布的一类特定地点，发现该类特定之间的关联关系对于合理的管理该类特定地点具有重要的指导意义。
以特定地点为商铺为例，目前的大型购物商场以及街市往往集中了数量庞大的商铺，各个商铺之间虽然各自独立运营，但不同商铺之间可能存在一定的关联度，商铺之间的关联度可以反映用户在商铺之间轨迹以及用户从一间商铺出来后进入另一间商铺的概率。
由于大型购物商场以及街市为公众场合，人流量较大，而管理人员与安保人员人手有限，导致日常的安全管理较为困难，而发现不同商铺之间的关联关系对于日常安全管理具有指导意义。例如可以根据商铺之间的关联关系调整管理人员与安保人员的监管巡逻路线、调整停车位置的分布、调整安全设施的分布等。
但目前，一般依据常规经验大致判断特定地点之间的关联关系，准确度较低。
发明内容
为了解决现有技术存在的上述技术问题，本申请提供了一种特定地点间关联关系的确定方法及装置，能够确定存在关联关系的特定地点，对于安全管理的指导价值更高。
本申请提供了一种特定地点间关联关系的确定方法，包括：
依据m个对象在n个特定地点中的停留时间、事件属性值和预设映射关系获取m个所述对象对n个所述特定地点的评分值，其中，第i个对象在第j个特定地点未停留时的评分值rij未知，所述i＝0,1…m，所述j＝0,1…n；
利用所述评分值获取m行n列的评分矩阵，并利用所述评分矩阵的秩k将所述评分矩阵分解为m行k列的第一矩阵和k行n列的第二矩阵；
利用预设模型、所述第一矩阵和第二矩阵获取所述rij的预测值；
利用所述rij的预测值获取无未知量的第二矩阵；
当所述无未知量的第二矩阵的第a列形成的向量与第b列形成的向量的内积大于预设阈值时，确定所述第a个特定地点和所述第b个特定地点存在关联关系，所述a＝0,1…n，所述b＝0,1…n。
可选的，所述预设映射关系为事件属性指标和停留时间指标的加权和，所述事件属性指标为对象在特定地点事件属性值与该特定地点平均事件属性值的比值，所述停留时间指标为对象在特定地点的停留时间与该特定地点的平均停留时间的比值。
可选的，所述利用预设模型、所述第一矩阵和第二矩阵获取所述rij的预测值，具体包括：
以所述第一矩阵的第i行形成的向量与所述第二矩阵第j列形成的向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
可选的，所述方法还包括：
获取第j个特定地点的相邻特定地点，所述第j个特定地点的相邻特定地点为对象进入所述第j个特定地点之前进入的最后一个特定地点；
获取所述第二矩阵第j列形成的向量与所述相邻特定地点对应的列形成的向量的加权和向量，其中，所述第j个特定地点的相邻特定地点对应的权重与所述相邻特定地点和所述第j个特定地点的距离成正比；
以所述第一矩阵的第i行形成的向量与所述加权和向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
本申请提供了一种特定地点间关联关系的确定装置，包括：第一获取单元、分解单元、第二获取单元、第三获取单元和确定单元；
所述第一获取单元，用于依据m个对象在n个特定地点中的停留时间、事件属性值和预设映射关系获取m个所述对象对n个所述特定地点的评分值，其中，第i个对象在第j个特定地点未停留时的评分值rij未知，所述i＝0,1…m，所述j＝0,1…n；
所述分解单元，用于利用所述评分值获取m行n列的评分矩阵，并利用所述评分矩阵的秩k将所述评分矩阵分解为m行k列的第一矩阵和k行n列的第二矩阵；
所述第二获取单元，用于利用预设模型、所述第一矩阵和第二矩阵获取所述rij的预测值；
所述第三获取单元，用于根据所述rij的预测值获取无未知量的第二矩阵；
所述确定单元，用于当所述无未知量的第二矩阵的第a列形成的向量与第b列形成的向量的内积大于预设阈值时，确定所述第a个特定地点和所述第b个特定地点存在关联关系，所述a＝0,1…n，b＝0,1…n。
可选的，所述预设映射关系为事件属性指标和停留时间指标的加权和，所述事件属性指标为对象在特定地点事件属性值与该特定地点平均事件属性值的比值，所述停留时间指标为对象在特定地点的停留时间与该特定地点的平均停留时间的比值。
可选的，所述第二获取单元，具体用于：
以所述第一矩阵的第i行形成的向量与所述第二矩阵第j列形成的向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
可选的，所述第二获取单元，具体用于：
获取第j个特定地点的相邻特定地点，所述第j个特定地点的相邻特定地点为对象进入所述第j个特定地点之前进入的最后一个特定地点；
获取所述第二矩阵第j列形成的向量与所述相邻特定地点对应的列形成的向量的加权和向量，其中，所述第j个特定地点的相邻特定地点对应的权重与所述相邻特定地点和所述第j个特定地点的距离成正比；
以所述第一矩阵的第i行形成的向量与所述加权和向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
本申请提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现以上所述的特定地点间关联关系的确定方法。
本申请还提供了一种电子设备，所述电子设备用于运行程序，其中，所述程序运行时执行以上所述的特定地点间关联关系的确定方法。
本申请所述方法至少具有以下优点：
该方法利用对象在特定地点的停留时间和事件属性值获取对象对特定地点的评分矩阵并对矩阵进行分解，由于不同对象进入的特定地点可能不同，对于同一区域的所有特定地点而言，存在特定地点没有一些对象的评分值，因此本申请利用分解得到的矩阵和预设模型预测对象未进入的特定地点的评分值，根据预测的评分值与实际的评分值沟通确定出无未知量的第二矩阵，进而利用无未知量的第二矩阵的列向量作为特定地点向量，两个特定地点之间的关联度越高，则两个特定地点对应的特定地点向量的内积越大，因此确定内积大于预设阈值的两个特定地点之间存在关联关系。因此利用本方法能够更加准确的确定存在关联关系特定地点，对于安全管理的指导价值更高。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种特定地点间关联关系的确定方法的流程图；
图2为本申请实施例提供的一种特定地点间关联关系的确定装置的示意图；
图3为本申请实施例提供的一种电子设备的示意图。
具体实施方式
对于数量集中，密集分布的一类特定地点，发现该类特定之间的关联关系对于合理的管理该类特定地点具有重要的指导意义。但目前，一般依据常规经验大致判断不同特定地点之间的关联关系，准确度较低。
为了解决现有技术存在的上述技术问题，本申请提供了一种特定地点间关联关系的确定方法及装置，通过获取对象对特定地点的评分矩阵并对矩阵进行分解，利用分解得到的矩阵和预设模型预测对象未进入的特定地点的评分值，根据预测的评分值与实际的评分值沟通确定出无未知量的第二矩阵，进而利用无未知量的第二矩阵确定出各特定地点之间是否存在关联关系。因此利用本方法能够确定存在关联关系的特定地点，对于安全管理的指导价值更高。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
实施例一：
本申请实施例提供了一种特定地点间关联关系的确定方法，特定地点之间的关联关系可以表征特定地点之间的相似度(例如都是同种类型的特定地点)或者特定地点之间的配合关系(例如各特定地点之间提供的服务能够相互配合或相互承接)，下面结合附图具体说明。
参见图1，该图为本申请实施例提供的特定地点间关联关系的确定方法的流程图。
本申请实施例所述方法包括以下步骤：
S101：依据m个对象在n个特定地点中的停留时间、事件属性值和预设映射关系获取m个对象对n个特定地点的评分值，其中，第i个对象在第j个特定地点未停留时的评分值rij未知，i＝0,1…m，j＝0,1…n。
本申请实施例所述方法构建对象-特定地点评分矩阵用于表示对象与特定地点之间的关联关系。其中，该评分矩阵中的每个元素对应一个对象对一个特定地点的评分。
为了构建该评分矩阵，本申请首先获取m个对象在n个特定地点中的停留时间和事件属性值。其中，每个对象至少在n个特定地点中的至少一个停留，对于停留的特定地点，获取对象在特定地点中的事件属性值，该事件属性值可以为零。对于未停留的特定地点，对象在该特定地点中的停留时间和事件属性值为未知数，即将第i个对象在第j个特定地点未停留时的评分值记为rij，rij为未知数，其中i＝0,1…m，j＝0,1…n。
该评分值利用预设映射关系确定，评分值与对象在特定地点的停留时间和事件属性值正相关，预设映射关系可以根据实际情况设定，本申请实施例对此不作具体限定。
在一种可能的实现方式中，所述预设映射关系为事件属性指标和停留时间指标的加权和，所述事件属性指标为对象在特定地点事件属性值与该特定地点平均事件属性值的比值，所述停留时间指标为用户在特定地点的停留时间与该特定地点的平均停留时间的比值。
其中，加权时的权重的设定可以由实际特定地点的情况、类别等确定，例如对于餐馆类的特定地点而言，通常用餐时间较长且较为平均，因此当事件属性值为消费金额时，消费金额占的权重应当相对较高。
为了便于理解，下面进行举例说明。参见表1所示的评分值。
表1：评分值示意表
特定地点1 特定地点2 特定地点3 特定地点4
对象1 3 r<sub>12</sub> 1 r<sub>14</sub>
对象2 1 2 r<sub>23</sub> r<sub>24</sub>
对象3 r<sub>31</sub> 2 r<sub>33</sub> 3
该表以m＝3，n＝4为例，不同对象对不同特定地点的评分值如上所述，对于对象未停留的特定地点，其评分值为rij，rij为未知数。为了便于以后的说明，本申请实施例将已知确定数值的评分值表示为Rij。
S102：利用评分值获取m行n列的评分矩阵，并利用评分矩阵的秩k将评分矩阵分解为m行k列的第一矩阵和k行n列的第二矩阵。
利用S101中获取的评分值获取相应的评分矩阵，矩阵的行数为对象的数量，矩阵的列数为特定地点的数量，因此矩阵中的第i行第j列的元素为第i个对象对j个特定地点的评分值。
利用矩阵的秩对获取的m×n(即m行n列)的评分矩阵进行分解，矩阵的秩用k表征。可以采用目前公知的数学方法获取矩阵的秩，本申请实施例在此不再赘述。
以表1所示的评分值构建的评分矩阵为例。通过表1的数据可以构建3×4的评分矩阵R，具体如下所示：
Figure BDA0002342670540000071
以矩阵R的秩k＝4为例，将矩阵R分解为3行4列的第一矩阵P和4行n列的第二矩阵Q，具体如下：
Figure BDA0002342670540000072
Figure BDA0002342670540000073
此时满足R＝P×Q，则对于R中第i行第j列的元素，其值等于P矩阵的第i行形成的向量{P11，P12，P13，P14}与Q矩阵第j列的向量{Q11，Q21，Q31，Q41}的向量的内积。
S103：利用预设模型、第一矩阵和第二矩阵获取rij的预测值。
预设模型可以为神经网络模型或者其它合适的模型，本申请实施例对此不作具体限定。
下面具体说明。
在一种可能的实现方式中，直接以所述第一矩阵P的第i行形成的向量与所述第二矩阵Q第j列形成的向量的内积为所述评分值，即此时rij＝PiQj。
然后利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
其中，对预设模型的训练方法可以采用目前公知的模型训练方法，本申请实施例在此不作具体限定。
损失函数可以根据实际情况设定，本申请实施例对此不作具体限定，例如损失函数可以定义训练结果与实际值之间的最小平方差。
在另一种可能的实现方式中，为了更加准确反映各个特定地点之间的关联关系，还一并考虑了特定地点的相邻特定地点的影响。第j个特定地点的相邻特定地点为对象进入所述第j个特定地点之前进入的最后一个特定地点，即对象从相邻特定地点进入该第j个特定地点，特定地点的相邻特定地点可以为一个或多个，特定地点也可以没有相邻特定地点。
为了获取相邻特定地点，可以采用视觉跟踪技术捕捉对象在特定地点间的停留轨迹，例如对象1依次停留的特定地点分别为特定地点1-特定地点3-特定地点4，则对于对象1的停留轨迹，特定地点1没有相邻特定地点，特定地点3的相邻特定地点为特定地点1，特定地点4的相邻特定地点为特定地点3。而对象3依次停留的特定地点分别为特定地点2-特定地点4，则特定地点4还存在的相邻特定地点为特定地点2。
获取第j个特定地点的相邻特定地点，例如第j个特定地点的相邻特定地点可以为第j+1个特定地点和第j+3个特定地点。
获取所述第二矩阵第j列形成的向量与所述相邻特定地点对应的列形成的向量的加权和向量。
即首先获取第j个特定地点对应第二矩阵第j列形成的向量Qj，然后获取第j个特定地点的相邻特定地点对应第二矩阵的列形成的向量，例如第j个特定地点的相邻特定地点为第j+1个特定地点时，获取第二矩阵的第j+1列形成的向量。
然后获取以上所有向量的加权和，其中，第j个特定地点的相邻特定地点对应的权重与该相邻特定地点和所述第j个特定地点的距离成正比。即，距离越远，权重越高，距离越近，权重越低。可以理解为，当距离较远时，对象从相邻特定地点进入第j个特定地点的偶然性较低，目的性较高，因此相邻特定地点与第j个特定地点的关联关系较强，因此权重较高；而当距离较近时，对象从相邻特定地点进入第j个特定地点的偶然性较高，目的性较低，因此此时相邻特定地点与第j个特定地点的关联关系较低。
以所述第一矩阵的第i行形成的向量与所述加权和向量的内积为所述评分值，假设第j个特定地点具有c个相邻特定地点，即此时rij可以过下式确定：
Figure BDA0002342670540000091
然后利用预设模型获取满足预设损失函数要求的所述rij的预测值。
S104：利用rij的预测值获取无未知量的第二矩阵。
当评分矩阵R中存在未知的rij时，获取的第二矩阵中包括未知量。
当获取rij的预测值后，评分矩阵R中不包括未知量，因此根据评分矩阵R分解得到的第二矩阵中不包括未知量。
S105：当无未知量的第二矩阵的第a列形成的向量与第b列形成的向量的内积大于预设阈值时，确定第a个特定地点和第b个特定地点存在关联关系，a＝0,1…n，b＝0,1…n。
以无未知量的第二矩阵的每一列作为特定地点向量，两个特定地点之间的关联关系越高，则两个特定地点对应的特定地点向量的内积越大，因此当两个特定地点对应的特定地点向量的内积大于预设阈值时，确定两个特定地点之间存在关联关系。
其中，预设阈值可以根据实际情况确定，本申请实施例对此不作具体限定。
综上所述，利用本申请实施例提供的方法，获取对象对特定地点的评分矩阵并对矩阵进行分解，利用分解得到的矩阵和预设模型预测对象未进入的特定地点的评分值，根据预测的评分值与实际的评分值沟通确定出无未知量的第二矩阵，进而利用无未知量的第二矩阵确定出各特定地点之间的关联关系。此外，还可以结合各特定地点之间具体的关联关系，引入特定地点的相邻特定地点，充分挖掘了特定地点的空间特征，因此利用本方法能够更加准确的确定存在关联关系特定地点，对于安全管理的指导价值更高。
实施例二：
基于上述实施例提供的特定地点间关联关系的确定方法，本申请实施例还提供了一种特定地点间关联关系的确定装置，下面结合附图具体说明。
参见图2，该图为本申请实施例提供的一种特定地点间关联关系的确定装置的示意图。
本申请实施例所述装置包括：第一获取单元201、分解单元202、第二获取单元203、第三获取单元204和确定单元205。
所述第一获取单元201依据m个对象在n个特定地点中的停留时间、事件属性值和预设映射关系获取m个所述对象对n个所述特定地点的评分值，其中，第i个对象在第j个特定地点未停留时的评分值rij未知，所述i＝0,1…m，所述j＝0,1…n。
可选的，所述预设映射关系为事件属性指标和停留时间指标的加权和，所述事件属性指标为对象在特定地点事件属性值与该特定地点平均事件属性值的比值，所述停留时间指标为用户在特定地点的停留时间与该特定地点的平均停留时间的比值。
分解单元202利用所述评分值获取m行n列的评分矩阵，并利用所述评分矩阵的秩k将所述评分矩阵分解为m行k列的第一矩阵和k行n列的第二矩阵。
第二获取单元203利用预设模型、所述第一矩阵和第二矩阵获取所述rij的预测值。
在一种可能的实现方式中，所述第二获取单元203具体用于以所述第一矩阵的第i行形成的向量与所述第二矩阵第j列形成的向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
在另一种可能的实现方式中，所述第二获取单元203具体用于获取第j个特定地点的相邻特定地点，所述第j个特定地点的相邻特定地点为对象进入所述第j个特定地点之前进入的最后一个特定地点。
获取所述第二矩阵第j列形成的向量与所述相邻特定地点对应的列形成的向量的加权和向量，其中，所述第j个特定地点的相邻特定地点对应的权重与相邻特定地点和所述第j个特定地点的距离成正比。
以所述第一矩阵的第i行形成的向量与所述加权和向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
第三获取单元204根据所述rij的预测值获取无未知量的第二矩阵。
确定单元205当所述无未知量的第二矩阵的第a列形成的向量与第b列形成的向量的内积大于预设阈值时，确定所述第a个特定地点和所述第b个特定地点存在关联关系，所述a＝0,1…n，b＝0,1…n。
综上所述，利用本申请实施例提供的装置，能够获取对象对特定地点的评分矩阵并对矩阵进行分解，利用分解得到的矩阵和预设模型预测对象未进入的特定地点的评分值，根据预测的评分值与实际的评分值沟通确定出无未知量的第二矩阵，进而利用无未知量的第二矩阵确定出各特定地点之间的关联关系。此外，还可以结合各特定地点之间具体的关联关系，引入特定地点的相邻特定地点，充分挖掘了特定地点的空间特征，因此利用本装置能够更加准确的确定存在关联关系特定地点，对于安全管理的指导价值更高。
所述特定地点关联度的确定装置包括处理器和存储器，上述第一获取单元、分解单元、第二获取单元、第三获取单元和确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来确定特定地点之间是否存在关联关系。
实施例三：
本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述特定地点间关联关系的确定方法。
本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述特定地点间关联关系的确定方法。
本申请实施例还提供了一种处理器，下面结合附图具体说明。
参见图3，该图为本申请实施例提供的一种电子设备的示意图。
本申请实施例提供的电子设备30包括：至少一个处理器301、以及与处理器301连接的至少一个存储器302、总线303；其中，处理器301、存储器302通过总线303完成相互间的通信；处理器301用于调用存储器302中的程序指令，以执行上述的方法。电子设备可以是服务器、PC、PAD、手机等，本申请实施例不作具体限定。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
依据m个对象在n个特定地点中的停留时间、事件属性值和预设映射关系获取m个所述对象对n个所述特定地点的评分值，其中，第i个对象在第j个特定地点未停留时的评分值rij未知，所述i＝0,1…m，所述j＝0,1…n；
利用所述评分值获取m行n列的评分矩阵，并利用所述评分矩阵的秩k将所述评分矩阵分解为m行k列的第一矩阵和k行n列的第二矩阵；
利用预设模型、所述第一矩阵和第二矩阵获取所述rij的预测值；
利用所述rij的预测值获取无未知量的第二矩阵；
当所述无未知量的第二矩阵的第a列形成的向量与第b列形成的向量的内积大于预设阈值时，确定所述第a个特定地点和所述第b个特定地点存在关联关系，所述a＝0,1…n，b＝0,1…n。
可选的，所述预设映射关系为事件属性指标和停留时间指标的加权和，所述事件属性指标为对象在特定地点事件属性值与该特定地点平均事件属性值的比值，所述停留时间指标为用户在特定地点的停留时间与该特定地点的平均停留时间的比值。
可选的，所述利用预设模型、所述第一矩阵和第二矩阵获取所述rij的预测值，具体包括：
以所述第一矩阵的第i行形成的向量与所述第二矩阵第j列形成的向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
可选的，所述方法还包括：
获取第j个特定地点的相邻特定地点，所述第j个特定地点的相邻特定地点为对象进入所述第j个特定地点之前进入的最后一个特定地点；
获取所述第二矩阵第j列形成的向量与所述相邻特定地点对应的列形成的向量的加权和向量，其中，所述第j个特定地点的相邻特定地点对应的权重与所述相邻特定地点和所述第j个特定地点的距离成正比；
以所述第一矩阵的第i行形成的向量与所述加权和向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种特定地点间关联关系的确定方法，其特征在于，包括：
依据m个对象在n个特定地点中的停留时间、事件属性值和预设映射关系获取m个所述对象对n个所述特定地点的评分值，其中，第i个对象在第j个特定地点未停留时的评分值rij未知，所述i＝0,1…m，所述j＝0,1…n；
利用所述评分值获取m行n列的评分矩阵，并利用所述评分矩阵的秩k将所述评分矩阵分解为m行k列的第一矩阵和k行n列的第二矩阵；
利用预设模型、所述第一矩阵和第二矩阵获取所述rij的预测值；
利用所述rij的预测值获取无未知量的第二矩阵；
当所述无未知量的第二矩阵的第a列形成的向量与第b列形成的向量的内积大于预设阈值时，确定所述第a个特定地点和所述第b个特定地点存在关联关系，所述a＝0,1…n，所述b＝0,1…n。
2.根据权利要求1所述的方法，其特征在于，所述预设映射关系为事件属性指标和停留时间指标的加权和，所述事件属性指标为对象在特定地点事件属性值与该特定地点平均事件属性值的比值，所述停留时间指标为对象在特定地点的停留时间与该特定地点的平均停留时间的比值。
3.根据权利要求1所述的方法，其特征在于，所述利用预设模型、所述第一矩阵和第二矩阵获取所述rij的预测值，具体包括：
以所述第一矩阵的第i行形成的向量与所述第二矩阵第j列形成的向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取第j个特定地点的相邻特定地点，所述第j个特定地点的相邻特定地点为对象进入所述第j个特定地点之前进入的最后一个特定地点；
获取所述第二矩阵第j列形成的向量与所述相邻特定地点对应的列形成的向量的加权和向量，其中，所述第j个特定地点的相邻特定地点对应的权重与所述相邻特定地点和所述第j个特定地点的距离成正比；
以所述第一矩阵的第i行形成的向量与所述加权和向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
5.一种特定地点间关联关系的确定装置，其特征在于，包括：第一获取单元、分解单元、第二获取单元、第三获取单元和确定单元；
所述第一获取单元，用于依据m个对象在n个特定地点中的停留时间、事件属性值和预设映射关系获取m个所述对象对n个所述特定地点的评分值，其中，第i个对象在第j个特定地点未停留时的评分值rij未知，所述i＝0,1…m，所述j＝0,1…n；
所述分解单元，用于利用所述评分值获取m行n列的评分矩阵，并利用所述评分矩阵的秩k将所述评分矩阵分解为m行k列的第一矩阵和k行n列的第二矩阵；
所述第二获取单元，用于利用预设模型、所述第一矩阵和第二矩阵获取所述rij的预测值；
所述第三获取单元，用于根据所述rij的预测值获取无未知量的第二矩阵；
所述确定单元，用于当所述无未知量的第二矩阵的第a列形成的向量与第b列形成的向量的内积大于预设阈值时，确定所述第a个特定地点和所述第b个特定地点存在关联关系，所述a＝0,1…n，b＝0,1…n。
6.根据权利要求5所述的装置，其特征在于，所述预设映射关系为事件属性指标和停留时间指标的加权和，所述事件属性指标为对象在特定地点事件属性值与该特定地点平均事件属性值的比值，所述停留时间指标为对象在特定地点的停留时间与该特定地点的平均停留时间的比值。
7.根据权利要求5所述的装置，其特征在于，所述第二获取单元，具体用于：
以所述第一矩阵的第i行形成的向量与所述第二矩阵第j列形成的向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
8.根据权利要求5所述的装置，其特征在于，所述第二获取单元，具体用于：
获取第j个特定地点的相邻特定地点，所述第j个特定地点的相邻特定地点为对象进入所述第j个特定地点之前进入的最后一个特定地点；
获取所述第二矩阵第j列形成的向量与所述相邻特定地点对应的列形成的向量的加权和向量，其中，所述第j个特定地点的相邻特定地点对应的权重与所述相邻特定地点和所述第j个特定地点的距离成正比；
以所述第一矩阵的第i行形成的向量与所述加权和向量的内积为所述评分值；
利用所述预设模型获取满足预设损失函数要求的所述rij的预测值。
9.一种可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-4中任意一项所述的特定地点间关联关系的确定方法。
10.一种电子设备，其特征在于，所述电子设备用于运行程序，其中，所述程序运行时执行权利要求1-4中任意一项所述的特定地点间关联关系的确定方法。
CN201911382649.3A 2019-12-27 2019-12-27 一种特定地点间关联关系的确定方法及装置 Pending CN111144765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911382649.3A CN111144765A (zh) 2019-12-27 2019-12-27 一种特定地点间关联关系的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911382649.3A CN111144765A (zh) 2019-12-27 2019-12-27 一种特定地点间关联关系的确定方法及装置

Publications (1)

Publication Number Publication Date
CN111144765A true CN111144765A (zh) 2020-05-12

Family

ID=70521357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911382649.3A Pending CN111144765A (zh) 2019-12-27 2019-12-27 一种特定地点间关联关系的确定方法及装置

Country Status (1)

Country Link
CN (1) CN111144765A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449210A (zh) * 2021-07-01 2021-09-28 深圳市数字尾巴科技有限公司 基于时空特征的个性化推荐方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449210A (zh) * 2021-07-01 2021-09-28 深圳市数字尾巴科技有限公司 基于时空特征的个性化推荐方法、装置、电子设备及存储介质
CN113449210B (zh) * 2021-07-01 2023-01-31 深圳市数字尾巴科技有限公司 基于时空特征的个性化推荐方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US10667082B2 (en) Method and apparatus for determining index grids of geo-fence
CN105532030B (zh) 用于分析目标实体的移动的装置、***和方法
CN110147967B (zh) 风险防控方法及装置
CN110009174A (zh) 风险识别模型训练方法、装置及服务器
CN108834077B (zh) 基于用户移动特性的跟踪区划分方法、装置及电子设备
JP6713238B2 (ja) 電子装置、小売店舗評価モデルを構築する方法、システム及び記憶媒体
CN110009486B (zh) 一种欺诈检测的方法、***、设备及计算机可读存储介质
CN111274501B (zh) 推送信息的方法、***和非暂时性存储介质
CN107666649A (zh) 个人财产状态评估方法及装置
CN110764665B (zh) 信息处理方法、信息处理装置及终端设备
JP2019512806A (ja) 地理的位置の属性情報を特定するための方法及びデバイス
CN105450598A (zh) 信息识别方法、信息识别设备及用户终端
Murray Evolving location analytics for service coverage modeling
CN114077912A (zh) 数据预测方法以及数据预测装置
US11373103B2 (en) Artificial intelligence based system and method for predicting and preventing illicit behavior
CN116187554A (zh) 流域的处理方法和装置、电子设备
CN109829593B (zh) 目标对象的信用度确定方法、装置、存储介质及电子装置
CN111144765A (zh) 一种特定地点间关联关系的确定方法及装置
CN112950079A (zh) 绿地供需数据处理方法、***、计算机设备及存储介质
CN111402027B (zh) 身份识别方法、商品贷审核方法、装置及终端设备
CN109582834B (zh) 数据风险预测方法及装置
CN110363648B (zh) 一种基于同一地理类型多维度属性校验方法、装置和电子设备
CN110619090A (zh) 一种区域吸引力评估方法及设备
CN110516713A (zh) 一种目标群体识别方法、装置及设备
CN113435502B (zh) 站点流量确定方法、装置、设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200512

RJ01 Rejection of invention patent application after publication