CN111190988A - 地址解析方法、装置、设备及计算机可读存储介质 - Google Patents
地址解析方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111190988A CN111190988A CN201911424320.9A CN201911424320A CN111190988A CN 111190988 A CN111190988 A CN 111190988A CN 201911424320 A CN201911424320 A CN 201911424320A CN 111190988 A CN111190988 A CN 111190988A
- Authority
- CN
- China
- Prior art keywords
- point
- candidate
- determining
- information
- confidence
- 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
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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种地址解析方法、装置、设备及计算机可读存储介质,包括获取与目标订单对应的候选点集合,候选点集合中包括至少一个候选位置点;根据目标订单的信息获取预先基于用户信息确定的驻留点信息;根据驻留点信息确定每个候选位置点的置信度,并根据置信度在候选位置点中确定目标位置。本公开提供的方法、装置、设备及计算机可读存储介质,可以结合预先确定的用户驻留点信息,在有可能是妥投地址的多个候选位置点中确定目标位置,而驻留点信息是基于用户信息得到的,能够体现出用户的活动区域范围,因此,本公开的方案可以结合用户信息对目标订单的地址进行解析,从而在不依赖于地址库的前提下,解析出更加准确的目标地址。
Description
技术领域
本公开涉及地址识别技术,尤其涉及一种地址解析方法、装置、设备及计算机可读存储介质。
背景技术
近些年来,物流业发展迅猛,且覆盖面积越来越大。整个物流行业也正朝着高效、便利、自动化、智能化、精细化方向发展,其中快速分拣、精准配送是供应链路中降低成本、提升用户体验的重要环节。
现有的物流分拣流程为通过分拣器扫描货物,调用地址解析接口进而得到货物妥投地址,再进行分拣,如果没有精确地址则放入待处理区进行人工处理。其中地址解析接口主要来源于图商或互联网地图服务商。
现有技术中的地址解析方案中,需要先利用NLP(Natural Language Processing,自然语言处理)算法解析出用户候选地址集合,再对地址进行分词分级,根据分级地址权重等计算规则及地址库模型等进行置信度评定,从而确定最终的配送地址。这种方式依赖于地址库中包含的数据精细程度,而维护精细的地址库花费代价较高。
发明内容
本公开提供一种地址解析方法、装置、设备及计算机可读存储介质,以解决现有技术中地址解析方案对地址库依赖性强的问题。
本公开的第一个方面是提供一种地址解析方法,包括:
获取与目标订单对应的候选点集合,所述候选点集合中包括至少一个候选位置点;
根据所述目标订单的信息获取预先基于用户信息确定的驻留点信息;
根据所述驻留点信息确定每个所述候选位置点的置信度,并根据所述置信度在所述候选位置点中确定目标位置。
本公开的另一个方面是提供一种地址解析装置,包括:
候选点获取模块,用于获取与目标订单对应的候选点集合,所述候选点集合中包括至少一个候选位置点;
驻留点获取模块,用于根据所述目标订单的信息获取预先基于用户信息确定的驻留点信息;
目标位置确定模块,用于根据所述驻留点信息确定每个所述候选位置点的置信度,并根据所述置信度在所述候选位置点中确定目标位置。
本公开的又一个方面是提供一种地址解析设备,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并配置为由所述处理器执行以实现如上述第一方面所述的地址解析方法。
本公开的又一个方面是提供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以实现如上述第一方面所述的地址解析方法。
本公开提供的地址解析方法、装置、设备及计算机可读存储介质的技术效果是:
本公开提供的地址解析方法、装置、设备及计算机可读存储介质,包括获取与目标订单对应的候选点集合,候选点集合中包括至少一个候选位置点;根据目标订单的信息获取预先基于用户信息确定的驻留点信息;根据驻留点信息确定每个候选位置点的置信度,并根据置信度在候选位置点中确定目标位置。本公开提供的方法、装置、设备及计算机可读存储介质,可以结合预先确定的用户驻留点信息,在有可能是妥投地址的多个候选位置点中确定目标位置,而驻留点信息是基于用户信息得到的,能够体现出用户的活动区域范围,因此,本公开提供的方法、装置、设备及计算机可读存储介质可以结合用户信息对目标订单的地址进行解析,从而在不依赖于地址库的前提下,解析出更加准确的目标地址。
附图说明
图1为本发明一示例性实施例示出的地址解析方法的流程图;
图2为本发明一示例性实施例示出的候选位置点的示意图;
图3为本发明另一示例性实施例示出的地址解析方法的流程图;
图4为本发明一示例性实施例示出的订单分组结果示意图;
图5为本发明一示例性实施例示出的地址解析装置的结构图;
图6为本发明另一示例性实施例示出的地址解析装置的结构图;
图7为本发明一示例性实施例示出的地址解析设备的结构图。
具体实施方式
现有技术中通过分拣器对货物进行分拣时,需要识别出货物的妥投地址,从而再根据妥投地址对货物进行分拣,比如,将妥投地址属于同一区域的货物分拣到一起。分拣器识别货物的妥投地址时,可以扫描货物,并调用地址解析接口进行识别。
地址解析接口的核心技术方案为通过NLP算法解析出用户候选地址集合,NLP解析的中文地址是由多级地名、住宅名、单位名、门牌等地址要素组成。进行地址分词分级后,再根据分级地址权重等计算规则及地址库模型等进行置信度评定。
这种技术方案中,仅基于NLP算法解析地址,解析结果是一系列点集合,最终还需快递员人工确认具体的地址。地址解析的精准度很大程度上依赖地址库包含的数据精细程度。而维护一个精度很高的地址库需要花费极大的代价。此外,现有算法太单一,不足以支撑多个复杂情况,准确率有待提高。
为了解决上述技术问题,本申请提供的方案中预先根据用户的购物信息、位置信息确定该用户的驻留点信息,通过驻留点信息在用户的候选位置点中筛选出目标位置。由于用户行为具有时空特性,因此可以结合用户行为确定用户的驻留点信息,且用户的活动区域与用户的收货地址具有一定的联系,因此,可以结合用户的驻留点信息确定目标位置。
图1为本发明一示例性实施例示出的地址解析方法的流程图。
如图1所示,本实施例提供的地址解析方法,包括:
步骤101,获取与目标订单对应的候选点集合,候选点集合中包括至少一个候选位置点。
其中,本实施例提供的方法可以由具备计算能力的电子设备来执行,例如,可以是服务器。该服务器可以是单台的服务器,还可以是集群服务器、分布式服务器。
具体的,服务器可以根据目标订单的信息确定候选点集合。例如,服务器可以获取目标订单中的收货地址信息,再调用一地图接口,通过该地图服务确定收货地址信息对应的候选点集合。比如,可以将收货地址信息输入地图服务接口中,通过地图服务接口返回多个具体的位置点,形成候选点集合。进一步的,还可以由候选点提供设备根据目标订单确定候选点集合,再将其发送到用于执行本实施例提供的方法的服务器中。候选点提供设备可以读取目标订单的信息,进而确定目标订单的收货地址,再基于地图服务接口得到与收货地址对应的多个具体的位置点,形成候选点集合。
实际应用时,候选点集合中可以包括至少一个候选位置点。候选位置点可以包括具体的位置信息,例如可以是经纬度信息。这些候选位置点是基于目标订单的收货地址确定的有可能的妥投地址。
比如,目标订单收货地址为XX园区,确定的候选点集合中可能包括n个候选位置点,这些候选位置点对应的位置与XX园区相关。例如一个候选位置点可以是XX园区东门,另一个候选位置点可以是XX园区西门。
图2为本发明一示例性实施例示出的候选位置点的示意图。
如图2所示,21为XX园区所在区域范围,确定的候选位置点可以是XX园区东门22、XX园区西门23、XX园区停车场24等具体的位置点。
步骤102,根据目标订单的信息获取预先基于用户信息确定的驻留点信息。
其中,本实施例提供的方法中,预先基于用户信息确定驻留点信息,具体可以基于用户的订单信息、位置信息确定了该用户的驻留点信息。可以由执行本方法的设备来预先确定,也可以由其他设备确定驻留点信息。
具体的,驻留点用于表征用户的活动区域。例如,用户在一个范围小于预设范围的区域内活动时长超出预设时长,则可以认为该区域是一个驻留点。比如,以一位置点为圆心,用户的活动范围未超出该圆心50米的区域范围,且在该区域内活动时长达到30分钟,则可以将这一个位置点或区域范围确定为驻留点。
用户的位置信息可以通过用户终端上报的位置数据得到,比如用户开启一应用程序后,该应用程序能够向后台上报具体的位置数据。
进一步的,每个驻留点可以具有相应的信息,例如位置信息。一种方式中,驻留点P1的位置信息可以是(X1-X2、Y1-Y2),其中X可以用于表示地图上的横坐标或者维度,Y用于表示地图上的纵坐标或经度,可以通过这样的方式表明驻留点的区域范围。再一种实施方式中,驻留点P2的位置信息可以是(X3、Y3),半径为R,则表明驻留点P2的区域范围是以X3、Y3为圆心,半径是R的区域范围。
实际应用时,驻留点还可以具有订单信息。例如对应的订单数。可以根据用户的订单信息确定每个驻留点对应的订单数,具体可以根据驻留点、订单信息中的收货地址,对用户的订单进行分组,比如订单1的收货地址再驻留点P1的范围内,则将订单1分到P1对应的订单组中。基于这样的方式,能够确定与每个驻留点对应的订单数量,即该用户购物时,收货地址属于各个驻留点的订单数量。
其中,驻留点还可以具有类型信息,例如该驻留点的类型是学校、家、公司等。可以通过地图数据确定一驻留点处于在住宅区,或是处于学校区域,再或是属于公司等区域。
具体的,服务器获取了目标订单对应的候选点集合后,可以读取该目标订单中的信息,从而确定用户信息。例如用户标识,该标识可以是用户的唯一标识,比如是用户的账号。
进一步的,服务器可以根据用户标识获取与该用户对应的驻留点信息。由于人们的活动范围较广,因此,可以获取多个驻留点信息。比如一用户长期在家和公司两地活动,则有可能获取两个驻留点信息。
实际应用时,还可获取目标订单对应的收货地址,并在用户的驻留点信息中筛选出备选驻留点信息。例如,可以将距离收货地址不超过距离阈值的驻留点确定为备选驻留点,再获取这些备选驻留点的信息。
步骤103,根据驻留点信息确定每个候选位置点的置信度,并根据置信度在候选位置点中确定目标位置。
实际应用时,驻留点是指用户经常活动的区域,是基于用户的信息确定的到的。而用户信息与其购物时的收货地址具有一定的关联性,因此,可以根据各个驻留点信息,确定候选位置点的置信度,从而根据置信度在候选位置点中确定出目标位置。
其中,若驻留点信息包括位置信息,则可以根据驻留点的位置信息确定各个候选位置点的距离置信度。即通过与驻留点间的位置关系确定候选位置点是妥投地址的可能性。比如,可以确定与各个候选位置点距离最近的驻留点,再计算对应点间的距离,认为距离最小的候选位置点最有可能是妥投地址。
具体的,若驻留点信息包括订单信息,则可以根据驻留点的订单信息确定各个候选位置点的购物置信度。可以确定与各个候选位置点距离最近的驻留点,再根据最近驻留点的订单信息,确定候选位置点的购物置信度。比如,若候选位置点A的最近驻留点是P1,则可以根据P1的订单信息确定A的购物置信度。比如,可以若最近驻留点的订单数越多,则对应候选位置点的越有可能是妥投地址。
进一步的,若驻留点信息包括类型信息,则可以根据类型信息确定各个候选位置点的购物置信度。可以确定与各个候选位置点距离最近的驻留点,再结合最近驻留点的类型确定对应候选位置点的购物置信度。比如一候选位置点的最近驻留点是P2,其类型是住宅区,目标订单中的商品类型是家庭中使用的,则可以认为该候选位置点是妥投地址的概率较大。
本实施例提供的方法可以根据驻留点信息确定一个或多个置信度,再结合这些置信度在候选位置点中确定目标位置,可以将确定的目标位置确定为妥投地址。
实际应用时,若确定了一个置信度,则可以直接将该置信度最大的候选位置点确定为目标位置。若确定了多个置信度,则可以确定这些置信度的和或者加权和,从而得到最终的置信度,再根据最终的置信度在候选位置点中确定目标位置。
本实施例提供的方法用于进行地址解析,该方法由设置有本实施例提供的方法的设备执行,该设备通常以硬件和/或软件的方式来实现。
本实施例提供的地址解析方法,包括获取与目标订单对应的候选点集合,候选点集合中包括至少一个候选位置点;根据目标订单的信息获取预先基于用户信息确定的驻留点信息;根据驻留点信息确定每个候选位置点的置信度,并根据置信度在候选位置点中确定目标位置。本实施例提供的方法,可以结合预先确定的用户驻留点信息,在有可能是妥投地址的多个候选位置点中确定目标位置,而驻留点信息是基于用户信息得到的,能够体现出用户的活动区域范围,因此,本实施例提供的方法可以结合用户信息对目标订单的地址进行解析,从而在不依赖于地址库的前提下,解析出更加准确的目标地址。
图3为本发明另一示例性实施例示出的地址解析方法的流程图。
如图3所示,本实施例提供的地址解析方法,包括:
步骤301,根据用户的位置信息确定用户的至少一个驻留点。
其中,本实施例提供的方法可以预先确定驻留点信息。
具体的,服务器可以接收用户上报的位置信息。例如,用户终端开启了一应用程序,该应用程序可以读取终端安装的定位装置数据,进而得到终端位置,再将位置信息上报至服务器。具体上报的内容可以包括用户标识以及具体的位置。
进一步的,可以根据一用户的位置信息,确定其活动区域范围,进而确定驻留点。比如用户在位置P1附近停留了30分钟,则可以认为P1附近区域为一个驻留点。具体可以根据所述位置信息,确定所述用户在预设时长范围内、活动区域不超出预设范围的区域,并将所述区域确定为所述驻留点
实际应用时,可以以上报的位置为中心划定一区域,比如以上报的一个位置为中心划定半径为R的一个区域范围,并确定用户进入该区域的时间t1,以及离开该区域的时间t2,若t1与t2的时间差大于或等于一时间阈值,则可以认为这一区域是一个驻留点,或者将该上报的位置确定为驻留点。
步骤302,根据驻留点对用户的购物订单进行分组,并根据分组结果确定与驻留点对应的订单信息。
其中,本实施例提供的方法中,驻留点信息可以包括订单信息。
可以获取用户的购物订单进行分组。具体可以获取购物订单的收货地址,并根据收货地址确定订单所对应的驻留点。比如,收货地址1若属于驻留点1的区域范围内,则可以将该收货地址对应的订单划分到驻留点1对应的订单组内,再比如,若收货地址2不属于任一个驻留点的区域范围,则可以确定距离收货地址2最近的驻留点1,并将收货地址2对应的订单划分到驻留点1对应的订单组。
图4为本发明一示例性实施例示出的订单分组结果示意图。
如图4所示,在图中可以包括3个驻留点A、B、C,图中的方形表明各个订单的收货地址,其中的订单1、2可以被划分到驻留点A对应的订单组,订单3、4、5可以被划分到驻留点B对应的订单组,订单6可以被划分到驻留点C对应的订单组。
具体的,可以根据分组结果确定与驻留点对应的订单信息,该订单信息例如可以是订单数量,即每个驻留点对应的订单数量。例如,驻留点A对应的订单数量是2,驻留点B对应的订单数量是3,驻留点C对应的订单数量是1。
步骤303,根据预设地图数据确定每个驻留点的位置类型信息。
步骤302与步骤303的执行时序不做限制。
进一步的,本实施例提供的方法中,驻留点信息还可以包括位置类型信息。
实际应用时,可以预先设置地图数据,确定驻留点的位置类型信息。
其中,位置类型信息例如可以是驻留点的兴趣点类型(POI,Point of Interest),还可以是路网类型。
POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等,结合预设地图数据,能够基于驻留点的位置确定其对应的兴趣点类型。路网类型可以用于表征一个驻留点周围的道路信息,例如在道路line1和line2之间,再例如在道路line3上。
可以结合驻留点所处位置确定候选位置点的置信度,比如住宅区的驻留点回避道路上的驻留点置信度更高。
可以预先根据用户信息确定用户的驻留点信息,在分析该用户的订单收货地址时,可以直接获取该用户的驻留点信息,并进行分析处理。
步骤304,获取与目标订单对应的候选点集合,候选点集合中包括至少一个候选位置点。
步骤305,根据目标订单的信息获取预先基于用户信息确定的驻留点信息。
步骤304-305与步骤101-102的具体原理和实现方式类似,此处不再赘述。
步骤306,根据驻留点信息确定每个候选位置点对应的距离值置信度、购物行为置信度、类型置信度。
具体的,本实施例提供的方法,可以根据驻留点信息中的驻留点位置,确定每个候选位置点对应的距离值置信度。
进一步的,确定距离置信度的方法可以进一步的包括:
在驻留点中确定与每个候选位置点距离最近的最近驻留点;
根据候选位置点及其对应的最近驻留点,确定点间距离;
在点间距离中确定最大距离以及最小距离;
根据候选位置点与对应的最近驻留点的点间距离、最大距离、最小距离确定候选位置点的距离置信度。
可以在驻留点中确定与每个候选位置点距离最近的最近驻留点。接收的候选点集合中可以包括多个候选位置点,比如候选点集合为Q,其为一候选位置点集合{q1,q2,q3…qn}。
实际应用时,获取的驻留点信息也可以为一集合,包括各个驻留点及其对应的信息。例如驻留点可以是SP,其中包括{sp1,sp2,sp3…spm}。
其中,可以在驻留点中确定与每个候选位置点距离最近的最近驻留点stayPoint(q)。例如,q1对应的最近驻留点可以是sp2,q2对应的最近驻留点可以是sp3。
具体的,可以根据候选位置点及其对应的最近驻留点,确定点间距离dist(q,sp)。具体可以计算候选位置点q及其对应的最近驻留点sp之间的欧式距离,作为点间距离。
进一步的,针对每组对应的q与sp,都能够确定一个点间距离。可以在点间距离中,确定一最大距离以及一最小距离。
实际应用时,可以根据候选位置点与对应的最近驻留点的点间距离、最大距离、最小距离确定候选位置点的距离置信度。针对一候选位置点q,可以结合点q与其对应的最近驻留点的点间距离,以及确定的最大距离和最小距离,确定该候选位置点q的距离置信度。
其中,可以根据最大距离、最小距离,将候选位置点与对应的最近驻留点的点间距离归一化为属于0-1之间的距离置信度。例如,针对一候选位置点q,其与对应的最近驻留点的点间距离为L,则可以根据确定的最大距离、最小距离将点间距离L归一化为属于0-1之间的距离置信度,通过距离置信度能够表现出以与驻留点距离的角度,各个候选位置点是目标地址的概率值。
具体的,本实施例提供的方法,可以根据驻留点信息中的订单信息,确定每个候选位置点对应的购物行为置信度。
进一步的,确定购物行为置信度的方法可以进一步的包括:
根据每个驻留点对应的订单信息,确定与每个驻留点对应的订单数量;
在订单数量中确定最大订单数、最小订单数;
根据与候选位置点对应的最近驻留点的订单数量、最大订单数、最小订单数,确定候选位置点的购物行为置信度。
可以在驻留点中确定与每个候选位置点距离最近的最近驻留点。具体的确定方式与上述类似,也可以直接读取此前确定的最近驻留点。
一种实施方式中,可以获取各个驻留点对应的订单信息,例如,确定收货地址属于驻留点的订单数据,可以根据这些订单数据确定与各个驻留点对应的订单数量。
另一种实施方式中,预先确定的与各个驻留点对应的订单信息中可以包括订单数量,此时,可以直接根据读取的订单信息确定与驻留点对应的订单数量。例如驻留点sp1对应的订单数量是5,驻留点sp2对应的订单数量是10。
进一步的,针对各个驻留点对应的订单数量,可以在其中确定最大订单数、最小订单数。例如针对目标订单的用户,共获取了其对应的20个驻留点信息,针对每个驻留点都可以确定一个订单数量,则可以得到20个订单数量。可以在其中确定一个最大的订单数量和一个最小的订单数量。
实际应用时,可以根据候选位置点对应的最近驻留点的订单数量、最大订单数、最小订单数,确定候选位置点的购物行为置信度。针对一候选位置点q,可以根据点q对应的最近驻留点的订单数量,以及确定的最大订单数和最小订单数,确定该候选位置点q的购物行为置信度。
其中,可以根据最大订单数、最小订单数,将候选位置点对应的最近驻留点的订单数量归一化为属于0-1之间的购物行为置信度。例如,针对一候选位置点q,其对应的最近驻留点的订单数量为n,则可以根据确定的最大订单数、最小订单数将点间距离n归一化为属于0-1之间的购物行为置信度,通过购物行为置信度能够表现出以用户购物行为的角度,各个候选位置点是目标地址的概率值。
其中,本实施例提供的方法,可以根据驻留点信息中的位置类型信息,确定每个候选位置点对应的类型置信度。
进一步的,确定类型置信度的方法可以进一步的包括:
根据每个驻留点对应的位置类型信息,确定与每个驻留点对应的位置类型分数;
在位置类型分数中确定最大类型分数、最小类型分数;
根据与候选位置点对应的最近驻留点的位置类型分数、最大类型分数、最小类型分数,确定候选位置点的类型置信度。
可以在驻留点中确定与每个候选位置点距离最近的最近驻留点。具体的确定方式与上述类似,也可以直接读取此前确定的最近驻留点。
其中,可以获取各个驻留点的位置类型信息,并确定与每个所述驻留点对应的位置类型分数。例如,可以根据驻留点的位置类型信息,确定该驻留点属于该位置类型的分数。可以预先设置各个位置类型对应的分数,从而可以直接基于驻留点所属的位置类型获取相应的分数。
例如,若位置类型中包括POI类型,则可以预先设置与各个POI类型对应的分数,例如住宅对应的分数、办公区对应的分数。
再例如,若位置类型信息中包括路网类型,则还可以结合预设地图数据确定驻留点周边的道路信息,进而确定该驻留点对应的路网信息是国道、省道、或县级道路等的信息。可以根据驻留点的道路类型确定对应的道路类型分数。
具体的,针对每个驻留点都可以确定对应的位置类型分数。位置类型信息可以包括POI类型、路网类型;相应的,位置类型分数包括驻留点的POI类型分数、路网类型分数。
该分数可以用于表征驻留点属于对应位置类型的分数,比如分数越高,则说明该
进一步的,可以将POI类型分数、路网类型分数之和作为驻留点最终的位置类型分数。
实际应用时,可以在确定的位置类型分数中确定最大类型分数、最小类型分数。
针对一候选位置点q,可以根据点q对应的最近驻留点的位置类型分数,以及确定的最大类型分数和最小类型分数,确定该候选位置点q的类型置信度。
其中,可以根据最大类型分数、最小类型分数,将候选位置点对应的最近驻留点的位置类型分数归一化为属于0-1之间的类型置信度。例如,针对一候选位置点q,其对应的最近驻留点的位置类型分数为s,则可以根据确定的最大类型分数、最小类型分数将位置类型分数s归一化为属于0-1之间的类型置信度,通过类型置信度能够表现出以位置类型的角度,各个候选位置点是目标地址的概率值。
步骤307,根据距离值置信度、购物行为置信度、类型置信度确定每个候选位置点的置信度。
具体的,得到一候选位置点的距离值置信度、购物行为置信度、类型置信度之后,还可以结合这些值确定候选位置点的置信度,具体可以计算距离值置信度、购物行为置信度、类型置信度的平均值,将其作为该候选位置点的置信度。
基于上述方式,能够得到每个候选位置点对应的置信度。
步骤308,根据置信度在候选位置点中确定目标位置。
步骤308与步骤103中的确定目标位置的方式类似,不再赘述。
图5为本发明一示例性实施例示出的地址解析装置的结构图。
如图5所示,本实施例提供的地址解析装置,包括:
候选点获取模块51,用于获取与目标订单对应的候选点集合,所述候选点集合中包括至少一个候选位置点;
驻留点获取模块52,用于根据所述目标订单的信息获取预先基于用户信息确定的驻留点信息;
目标位置确定模块53,用于根据所述驻留点信息确定每个所述候选位置点的置信度,并根据所述置信度在所述候选位置点中确定目标位置。
本申请实施例提供的地址解析装置包括:候选点获取模块,用于获取与目标订单对应的候选点集合,候选点集合中包括至少一个候选位置点;驻留点获取模块,用于根据目标订单的信息获取预先基于用户信息确定的驻留点信息;目标位置确定模块,用于根据驻留点信息确定每个候选位置点的置信度,并根据置信度在候选位置点中确定目标位置。本实施例提供的装置,可以结合预先确定的用户驻留点信息,在有可能是妥投地址的多个候选位置点中确定目标位置,而驻留点信息是基于用户信息得到的,能够体现出用户的活动区域范围,因此,本实施例提供的装置可以结合用户信息对目标订单的地址进行解析,从而在不依赖于地址库的前提下,解析出更加准确的目标地址。
本实施例提供的地址解析装置的具体原理和实现方式均与图2所示的实施例类似,此处不再赘述。
图6为本发明另一示例性实施例示出的地址解析装置的结构图。
如图6所示,在上述实施例的基础上,本实施例提供的地址解析装置,
可选的,所述驻留点信息包括与驻留点对应的订单信息、与所述驻留点对应的位置类型信息;
所述装置还包括预处理模块54,用于:
根据用户的位置信息确定所述用户的至少一个驻留点;
根据所述驻留点对所述用户的购物订单进行分组,并根据分组结果确定与所述驻留点对应的订单信息;
根据预设地图数据确定每个所述驻留点的位置类型信息。
可选的,所述目标位置确定模块53包括:
第一置信度确定单元531,用于根据所述驻留点信息确定每个候选位置点对应的距离置信度、购物行为置信度、类型置信度;
第二置信度确定单元532,用于根据所述距离值置信度、所述购物行为置信度、所述类型置信度确定每个所述候选位置点的置信度。
可选的,所述第一置信度确定单元531具体用于:
在所述驻留点中确定与每个所述候选位置点距离最近的最近驻留点;
根据所述候选位置点及其对应的最近驻留点,确定点间距离;
在所述点间距离中确定最大距离以及最小距离;
根据所述候选位置点与对应的最近驻留点的点间距离、所述最大距离、所述最小距离确定所述候选位置点的距离置信度。
可选的,所述第一置信度确定单元531具体用于:
根据每个所述驻留点对应的订单信息,确定与每个所述驻留点对应的订单数量;
在所述订单数量中确定最大订单数、最小订单数;
根据与所述候选位置点对应的最近驻留点的订单数量、所述最大订单数、所述最小订单数,确定所述候选位置点的购物行为置信度。
可选的,所述第一置信度确定单元531具体用于:
根据每个所述驻留点对应的位置类型信息,确定与每个所述驻留点对应的位置类型分数;
在所述位置类型分数中确定最大类型分数、最小类型分数;
根据与所述候选位置点对应的最近驻留点的位置类型分数、所述最大类型分数、所述最小类型分数,确定所述候选位置点的类型置信度。
可选的,预处理模块54具体用于:
根据所述位置信息,确定所述用户在预设时长范围内、活动区域不超出预设范围的区域,并将所述区域确定为所述驻留点。
所述第一置信度确定单元531具体用于:
根据所述最大距离、所述最小距离,将所述候选位置点与对应的最近驻留点的点间距离归一化为属于0-1之间的距离置信度。
所述第一置信度确定单元531具体用于:根据所述最大订单数、所述最小订单数,将所述候选位置点对应的最近驻留点的订单数量归一化为属于0-1之间的购物行为置信度。
所述第一置信度确定单元531具体用于:根据所述最大类型分数、所述最小类型分数,将所述候选位置点对应的最近驻留点的位置类型分数归一化为属于0-1之间的类型置信度。
所述第二置信度确定单元532具体用于:将候选位置点的距离值置信度、所述购物行为置信度、所述类型置信度的平均值,确定为所述候选位置点的置信度。
本实施例提供的地址解析装置的具体原理和实现方式均与图3所示的实施例类似,此处不再赘述。
图7为本发明一示例性实施例示出的地址解析设备的结构图。
如图7所示,本实施例提供的地址解析设备包括:
存储器71;
处理器72;以及
计算机程序;
其中,所述计算机程序存储在所述存储器71中,并配置为由所述处理器72执行以实现如上所述的任一种地址解析方法。
本实施例还提供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以实现如上所述的任一种地址解析方法。
本实施例还提供一种计算机程序,包括程序代码,当计算机运行所述计算机程序时,所述程序代码执行如上所述的任一种地址解析方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (14)
1.一种地址解析方法,其特征在于,包括:
获取与目标订单对应的候选点集合,所述候选点集合中包括至少一个候选位置点;
根据所述目标订单的信息获取预先基于用户信息确定的驻留点信息;
根据所述驻留点信息确定每个所述候选位置点的置信度,并根据所述置信度在所述候选位置点中确定目标位置。
2.根据权利要求1所述的方法,其特征在于,所述驻留点信息包括与驻留点对应的订单信息、与所述驻留点对应的位置类型信息;
所述方法还包括:
根据用户的位置信息确定所述用户的至少一个驻留点;
根据所述驻留点对所述用户的购物订单进行分组,并根据分组结果确定与所述驻留点对应的订单信息;
根据预设地图数据确定每个所述驻留点的位置类型信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述驻留点信息确定每个所述候选位置点的置信度,包括:
根据所述驻留点信息确定每个候选位置点对应的距离置信度、购物行为置信度、类型置信度;
根据所述距离值置信度、所述购物行为置信度、所述类型置信度确定每个所述候选位置点的置信度。
4.根据权利要求3所述的方法,其特征在于,根据所述驻留点信息确定每个候选位置点对应的距离置信度,包括:
在所述驻留点中确定与每个所述候选位置点距离最近的最近驻留点;
根据所述候选位置点及其对应的最近驻留点,确定点间距离;
在所述点间距离中确定最大距离以及最小距离;
根据所述候选位置点与对应的最近驻留点的点间距离、所述最大距离、所述最小距离确定所述候选位置点的距离置信度。
5.根据权利要求3所述的方法,其特征在于,根据所述驻留点信息确定每个候选位置点对应的购物行为置信度,包括:
根据每个所述驻留点对应的订单信息,确定与每个所述驻留点对应的订单数量;
在所述订单数量中确定最大订单数、最小订单数;
根据与所述候选位置点对应的最近驻留点的订单数量、所述最大订单数、所述最小订单数,确定所述候选位置点的购物行为置信度。
6.根据权利要求3所述的方法,其特征在于,根据所述驻留点信息确定每个候选位置点对应的类型置信度,包括:
根据每个所述驻留点对应的位置类型信息,确定与每个所述驻留点对应的位置类型分数;
在所述位置类型分数中确定最大类型分数、最小类型分数;
根据与所述候选位置点对应的最近驻留点的位置类型分数、所述最大类型分数、所述最小类型分数,确定所述候选位置点的类型置信度。
7.根据权利要求2所述的方法,其特征在于,所述根据用户的位置信息确定所述用户的至少一个驻留点,包括:
根据所述位置信息,确定所述用户在预设时长范围内、活动区域不超出预设范围的区域,并将所述区域确定为所述驻留点。
8.根据权利要求4所述的方法,其特征在于,所述根据所述候选位置点与对应的最近驻留点的点间距离、所述最大距离、所述最小距离确定所述候选位置点的距离值置信度,包括:
根据所述最大距离、所述最小距离,将所述候选位置点与对应的最近驻留点的点间距离归一化为属于0-1之间的距离置信度。
9.根据权利要求5所述的方法,其特征在于,所述根据与所述候选位置点对应的最近驻留点的订单数量、所述最大订单数、所述最小订单数,确定所述候选位置点的购物行为置信度,包括:
根据所述最大订单数、所述最小订单数,将所述候选位置点对应的最近驻留点的订单数量归一化为属于0-1之间的购物行为置信度。
10.根据权利要求6所述的方法,其特征在于,所述根据与所述候选位置点对应的最近驻留点的位置类型分数、所述最大类型分数、所述最小类型分数,确定所述候选位置点的类型置信度,包括:
根据所述最大类型分数、所述最小类型分数,将所述候选位置点对应的最近驻留点的位置类型分数归一化为属于0-1之间的类型置信度。
11.根据权利要求3所述的方法,其特征在于,所述根据所述距离值置信度、所述购物行为置信度、所述类型置信度确定每个所述候选位置点的置信度,包括:
将候选位置点的距离值置信度、所述购物行为置信度、所述类型置信度的平均值,确定为所述候选位置点的置信度。
12.一种地址解析装置,其特征在于,包括:
候选点获取模块,用于获取与目标订单对应的候选点集合,所述候选点集合中包括至少一个候选位置点;
驻留点获取模块,用于根据所述目标订单的信息获取预先基于用户信息确定的驻留点信息;
目标位置确定模块,用于根据所述驻留点信息确定每个所述候选位置点的置信度,并根据所述置信度在所述候选位置点中确定目标位置。
13.一种地址解析设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并配置为由所述处理器执行以实现如权利要求1-11任一种所述的方法。
14.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,
所述计算机程序被处理器执行以实现如权利要求1-11任一种所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911424320.9A CN111190988B (zh) | 2019-12-31 | 2019-12-31 | 地址解析方法、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 |
---|---|---|---|
CN201911424320.9A CN111190988B (zh) | 2019-12-31 | 2019-12-31 | 地址解析方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111190988A true CN111190988A (zh) | 2020-05-22 |
CN111190988B CN111190988B (zh) | 2023-08-08 |
Family
ID=70708080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911424320.9A Active CN111190988B (zh) | 2019-12-31 | 2019-12-31 | 地址解析方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111190988B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915072A (zh) * | 2020-07-20 | 2020-11-10 | 上海燕汐软件信息科技有限公司 | 一种快递员出勤量预测方法、装置、设备 |
CN112767740A (zh) * | 2021-02-04 | 2021-05-07 | 广州小鹏自动驾驶科技有限公司 | 一种停车场的选取方法和装置 |
CN113535880A (zh) * | 2021-09-16 | 2021-10-22 | 阿里巴巴达摩院(杭州)科技有限公司 | 地理信息确定方法、装置、电子设备及计算机存储介质 |
CN113720340A (zh) * | 2021-04-16 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 地理位置的确定方法、装置、电子设备以及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150375A1 (en) * | 2000-12-08 | 2007-06-28 | Ping Yang | Method and apparatus for efficient meal delivery |
EP2755175A1 (en) * | 2013-01-15 | 2014-07-16 | Pilar B.V. | Method and system for delivering an item |
US20150242810A1 (en) * | 2014-02-22 | 2015-08-27 | Mena360 Dwc-Llc | System and method for logistics network utilizing mobile device location information |
WO2015172583A1 (zh) * | 2014-05-15 | 2015-11-19 | 华为技术有限公司 | 一种数据处理***及方法 |
CN105488645A (zh) * | 2014-09-15 | 2016-04-13 | 深圳前海百递网络有限公司 | 位置范围的获取方法及装置 |
CN106204186A (zh) * | 2016-06-22 | 2016-12-07 | 北京小米移动软件有限公司 | 订单信息确定方法及装置 |
CN106296059A (zh) * | 2015-06-02 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 派送网点确定方法及设备 |
CN107305577A (zh) * | 2016-04-25 | 2017-10-31 | 北京京东尚科信息技术有限公司 | 基于K-means的妥投地址数据处理方法和*** |
CN107451767A (zh) * | 2016-05-31 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 物流信息的推荐方法及装置、物流信息的展示方法及装置 |
CN107844933A (zh) * | 2017-09-21 | 2018-03-27 | 北京小度信息科技有限公司 | 订单处理方法及装置 |
CN108364143A (zh) * | 2017-01-26 | 2018-08-03 | 北京京东尚科信息技术有限公司 | 配送方法和配送*** |
CN108805492A (zh) * | 2018-05-28 | 2018-11-13 | 北京小米移动软件有限公司 | 订单配送方法、装置及存储介质 |
CN109299901A (zh) * | 2018-09-29 | 2019-02-01 | 北京掌上先机网络科技有限公司 | 一种确定商品配送门店的方法、装置、设备及存储介质 |
CN109359759A (zh) * | 2018-08-07 | 2019-02-19 | 深圳市易达云科技有限公司 | 智能分仓方法、设备及计算机可读存储介质 |
CN110084557A (zh) * | 2019-04-28 | 2019-08-02 | 北京云迹科技有限公司 | 一种自动送货***、方法及装置 |
-
2019
- 2019-12-31 CN CN201911424320.9A patent/CN111190988B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150375A1 (en) * | 2000-12-08 | 2007-06-28 | Ping Yang | Method and apparatus for efficient meal delivery |
EP2755175A1 (en) * | 2013-01-15 | 2014-07-16 | Pilar B.V. | Method and system for delivering an item |
US20150242810A1 (en) * | 2014-02-22 | 2015-08-27 | Mena360 Dwc-Llc | System and method for logistics network utilizing mobile device location information |
WO2015172583A1 (zh) * | 2014-05-15 | 2015-11-19 | 华为技术有限公司 | 一种数据处理***及方法 |
CN105488645A (zh) * | 2014-09-15 | 2016-04-13 | 深圳前海百递网络有限公司 | 位置范围的获取方法及装置 |
CN106296059A (zh) * | 2015-06-02 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 派送网点确定方法及设备 |
CN107305577A (zh) * | 2016-04-25 | 2017-10-31 | 北京京东尚科信息技术有限公司 | 基于K-means的妥投地址数据处理方法和*** |
CN107451767A (zh) * | 2016-05-31 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 物流信息的推荐方法及装置、物流信息的展示方法及装置 |
CN106204186A (zh) * | 2016-06-22 | 2016-12-07 | 北京小米移动软件有限公司 | 订单信息确定方法及装置 |
CN108364143A (zh) * | 2017-01-26 | 2018-08-03 | 北京京东尚科信息技术有限公司 | 配送方法和配送*** |
CN107844933A (zh) * | 2017-09-21 | 2018-03-27 | 北京小度信息科技有限公司 | 订单处理方法及装置 |
CN108805492A (zh) * | 2018-05-28 | 2018-11-13 | 北京小米移动软件有限公司 | 订单配送方法、装置及存储介质 |
CN109359759A (zh) * | 2018-08-07 | 2019-02-19 | 深圳市易达云科技有限公司 | 智能分仓方法、设备及计算机可读存储介质 |
CN109299901A (zh) * | 2018-09-29 | 2019-02-01 | 北京掌上先机网络科技有限公司 | 一种确定商品配送门店的方法、装置、设备及存储介质 |
CN110084557A (zh) * | 2019-04-28 | 2019-08-02 | 北京云迹科技有限公司 | 一种自动送货***、方法及装置 |
Non-Patent Citations (2)
Title |
---|
张渊博: "微信购物电子商务***设计与实现", 《软件导刊》 * |
李峰等: "基于地理位置信息的安卓购物***设计", 《计算机技术与发展》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915072A (zh) * | 2020-07-20 | 2020-11-10 | 上海燕汐软件信息科技有限公司 | 一种快递员出勤量预测方法、装置、设备 |
CN112767740A (zh) * | 2021-02-04 | 2021-05-07 | 广州小鹏自动驾驶科技有限公司 | 一种停车场的选取方法和装置 |
CN112767740B (zh) * | 2021-02-04 | 2022-08-16 | 广州小鹏自动驾驶科技有限公司 | 一种停车场的选取方法和装置 |
CN113720340A (zh) * | 2021-04-16 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 地理位置的确定方法、装置、电子设备以及存储介质 |
CN113720340B (zh) * | 2021-04-16 | 2024-06-18 | 京东城市(北京)数字科技有限公司 | 地理位置的确定方法、装置、电子设备以及存储介质 |
CN113535880A (zh) * | 2021-09-16 | 2021-10-22 | 阿里巴巴达摩院(杭州)科技有限公司 | 地理信息确定方法、装置、电子设备及计算机存储介质 |
CN113535880B (zh) * | 2021-09-16 | 2022-02-25 | 阿里巴巴达摩院(杭州)科技有限公司 | 地理信息确定方法、装置、电子设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111190988B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111190988B (zh) | 地址解析方法、装置、设备及计算机可读存储介质 | |
WO2021017679A1 (zh) | 地址信息解析方法、装置、***及数据获取方法 | |
CN109325116B (zh) | 一种基于深度学习的城市事件自动分类派发方法及装置 | |
CN111931077B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN109359186B (zh) | 一种确定地址信息的方法、装置和计算机可读存储介质 | |
CN112527972A (zh) | 基于深度学习的智能客服聊天机器人实现方法和*** | |
CN113177101B (zh) | 用户轨迹识别方法、装置、设备及存储介质 | |
CN113722617A (zh) | 企业实际办公地址的识别方法、装置及电子设备 | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN114330550A (zh) | 模型融合策略的选择方法、装置及电子设备 | |
CN117787601A (zh) | 一种基于ai的家政上门服务调度方法、介质及*** | |
CN112464970A (zh) | 区域价值评估模型处理方法、装置及计算设备 | |
CN115905958A (zh) | 一种虚假妥投行为的判别方法和装置 | |
CN111882421B (zh) | 一种信息处理方法、风控方法、装置、设备及存储介质 | |
CN113032514B (zh) | 兴趣点数据处理方法及装置 | |
CN115311022A (zh) | 一种广告流量识别方法、装置及计算机可读存储介质 | |
CN116127450A (zh) | 一种模型评估方法及装置 | |
CN114297235A (zh) | 风险地址识别方法、***及电子设备 | |
CN113657440A (zh) | 一种基于用户特征聚类的拒绝样本推断方法和装置 | |
CN113743435A (zh) | 业务数据分类模型的训练、业务数据的分类方法和装置 | |
CN115438138B (zh) | 就业中心识别方法、装置、电子设备及存储介质 | |
CN111209397A (zh) | 一种确定企业产业类别的方法 | |
CN113034157B (zh) | 集团成员识别方法、装置及计算设备 | |
CN116595428B (zh) | 一种基于cnn使用日志频谱分析的用户分类方法及*** | |
CN113920369A (zh) | 一种模型训练方法、装置和电子设备 |
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 |