CN111538904B - 用于推荐兴趣点的方法和装置 - Google Patents
用于推荐兴趣点的方法和装置 Download PDFInfo
- Publication number
- CN111538904B CN111538904B CN202010341788.8A CN202010341788A CN111538904B CN 111538904 B CN111538904 B CN 111538904B CN 202010341788 A CN202010341788 A CN 202010341788A CN 111538904 B CN111538904 B CN 111538904B
- Authority
- CN
- China
- Prior art keywords
- user
- interest
- information
- target user
- recommended
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了用于推荐兴趣点的方法和装置,涉及计算机技术领域。该方法包括:获取用户在预设时间段内的位置相关信息,根据位置相关信息确定该用户的常驻区域、以及常驻区域内的热门兴趣点信息;根据常驻区域内的热门兴趣点信息,生成常驻区域的区域特征;获取目标用户的用户特征,根据目标用户的用户特征与目标用户所在的常驻区域的区域特征,确定目标用户的偏好预测信息;获取待推荐兴趣点的地点特征并根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征,确定出向目标用户推荐的兴趣点。采用本方法可以提高兴趣点推荐的准确性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及大数据技术领域,尤其涉及用于推荐兴趣点的方法和装置。
背景技术
兴趣点推荐技术是通过大数据智能匹配出符合用户喜好或习惯的兴趣点,并向需求方推荐兴趣点的技术。现有的兴趣点推荐技术主要是通过分析用户原创内容(Usergenerated content,UGC)向用户推荐兴趣点,或者根据用户信息以及兴趣点信息向用户推荐兴趣点。
通过分析用户原创内容推荐兴趣点的技术存在数据运营成本高、用户原创内容不客观造成的兴趣点推荐不准确的问题,通过用户信息以及兴趣点信息推荐兴趣点的技术存在用户信息稀疏造成的兴趣点推荐不准确的问题。
发明内容
提供了一种用于推荐兴趣点的方法、装置、电子设备以及计算机可读存储介质。
根据第一方面,提供了一种用于推荐兴趣点的方法,该方法包括:获取用户在预设时间段内的位置相关信息,根据位置相关信息确定该用户的常驻区域、以及常驻区域内的热门兴趣点信息;根据常驻区域内的热门兴趣点信息,生成常驻区域的区域特征;获取目标用户的用户特征,根据目标用户的用户特征与目标用户所在的常驻区域的区域特征,确定目标用户的偏好预测信息;获取待推荐兴趣点的地点特征并根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征,确定出向目标用户推荐的兴趣点。
根据第二方面,提供了一种用于推荐兴趣点的装置,该装置包括:确定单元,被配置为获取用户在预设时间段内的位置相关信息,根据位置相关信息确定用户的常驻区域、以及常驻区域内的热门兴趣点信息;计算单元,被配置为根据常驻区域内的热门兴趣点信息,生成常驻区域的区域特征;预测单元,被配置为获取目标用户的用户特征,根据目标用户的用户特征与目标用户所在的常驻区域的区域特征,确定目标用户的偏好预测信息;推荐单元,被配置为获取待推荐兴趣点的地点特征,根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征,确定出向目标用户推荐的兴趣点。
根据第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器:存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面提供的用于推荐兴趣点的方法。
根据第四方面,本公开的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,程序被处理器执行时实现第一方面提供的用于基于推荐兴趣点的方法。
本公开提供的用于推荐兴趣点的方法、装置通过根据目标用户的用户特征与目标用户所在的常驻区域的区域特征,确定目标用户的偏好预测信息,并根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征确定出向目标用户推荐的兴趣点的方法可以提高兴趣点推荐的准确性。
根据本申请的技术提升了兴趣点推荐的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请的实施例可以应用于其中的示例性***架构图;
图2是根据本申请的用于推荐兴趣点的方法的一个实施例的流程图;
图3是根据本申请的用于推荐兴趣点的方法的又一个实施例的流程图;
图4是根据本申请的用于推荐兴趣点的装置的一个实施例的结构示意图;
图5是用来实现本申请实施例的用于推荐兴趣点的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本申请的用于推荐兴趣点的方法或用于推荐兴趣点的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种接收推送服务的客户端应用,例如地图类应用、搜索类应用等。
终端设备101、102、103可以是具有显示屏并且支持接收推送服务的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExperts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持接收推送服务的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如定位服务器。定位服务器可以对终端设备101、102、103进行定位,获取终端设备101、102、103的定位数据。又例如,服务器105可以是提供推荐服务的服务器。提供推荐服务的服务器可以获取终端设备101、102、103的定位数据,基于定位数据分析用户的出行偏好,针对性地向终端设备101、102、103的用户推荐兴趣点。
需要说明的是,本公开的实施例所提供用于推荐兴趣点的方法一般由服务器105执行,相应地,用于推荐兴趣点的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于推荐兴趣点的方法的一个实施例的流程200。用于推荐兴趣点的方法,包括以下步骤:
步骤201,获取用户在预设时间段内的位置相关信息,根据位置相关信息确定用户的常驻区域、以及该常驻区域内的热门兴趣点信息。
在本实施例中,用于推荐兴趣点的方法的执行主体(例如图1所示的服务器)可以将通过用户设备上的定位程序以及搜索程序获取到的数据进行数据处理后得到位置相关信息。具体地,服务器可以通过用户设备上的定位程序获取用户在预设时间段内的到访的兴趣点,服务器还可以通过用户设备上的搜索程序获取用户在预设时间段内的搜索的兴趣点,之后服务器针对每一个兴趣点统计预设时间段内的到访以及搜索的次数、评价或者向往程度,得到每一个兴趣点的访问记录。
将各用户访问过的兴趣点按照该兴趣点对应的访问记录进行排序,以确定该用户经常访问的兴趣点。其中,访问记录可以仅通过访问次数的累加来确定,也可以将对兴趣点的评价或者向往程度纳入考量因素,使评价高或者向往程度高的兴趣点的访问记录排序高。
根据用户经常访问的兴趣点的地理位置或所属商圈位置确定该用户的常驻区域,例如,用户经常访问的兴趣点为颐和园、圆明园、中关村,则可以确定北京市海淀区是用户的常驻区域。之后,根据常驻区域内每个兴趣点被该常驻区域内的各个用户的访问记录,确定常驻区域内各个兴趣点的访问热度,访问记录越高相应的访问热度越高。
针对该常驻区域,根据常驻区域内的各个兴趣点以及其对应的兴趣点访问热度,确定该常驻区域内的热门兴趣点信息,其中热门兴趣点信息包括常驻区域内用户访问频次较高、或者访问的用户数量较多的兴趣点。
步骤202,根据常驻区域内的热门兴趣点信息,生成常驻区域的区域特征。
在本实施例中,服务器可以根据热门兴趣点信息,读取常驻区域内用户经常访问的各个兴趣点,并通过互联网、服务器内预先存储的信息库、或者其他信息来源获取各个兴趣点的空间特征、时间特征、经营特征、以及来访特征等,其中,空间特征可以是兴趣点所处商圈、地理位置、周围交通便利度、周边生活便利度、周边兴趣点多样化程度等;时间特征可以是兴趣点的热门来访时间段或季节、是否为新开业、商家活动内容、是否支持团购等;经营特征可以是兴趣点的经营范围类别、营业时间、回头率、好评率、场所设施等;来访特征可以是来访的人群画像等。之后,通过神经网络算法或者信息筛选等方式,根据常驻区域内各个兴趣点的空间特征、时间特征、经营特征或来访特征等生成常驻区域的区域特征,区域特征是融合了区域内各个兴趣点的各个维度的特征信息,对该区域做出的综合描述或画像,各个兴趣点的各个维度的特征信息组成了区域特征,区域特征代表了该区域内大部分兴趣点的各个维度的特征信息。
可选地,服务器可以根据热门兴趣点信息,读取常驻区域内用户经常访问的各个兴趣点,并通过互联网、服务器内预先存储的信息库、或者知识库获取各个兴趣点的描述信息、特色信息,例如网络评论文章或者游记文章将兴趣点描述为“森林茂盛,有山有水”“当地人热情好客,朴实善良”,或者兴趣点的特色为“趵突泉为天下第一泉”。然后,根据各个兴趣点的描述信息或特色信息生成常驻区域的区域特征。
步骤203,获取目标用户的用户特征,根据目标用户的用户特征与目标用户所在的常驻区域的区域特征,确定该目标用户的偏好预测信息。
在本实施例中,服务器可以通过用户的电子设备上的应用程序的注册信息获取目标用户的画像信息,例如,用户的性别、年龄、职业等;服务器可以通过目标用户的用户设备的定位程序获取目标用户的出行信息,例如,出行时间、出行频次以及出行距离;服务器可以通过目标用户的注册账号的绑定/关联用户数据或者好友数据获得目标用户的群组信息,例如:家庭结构、好友画像以及好友出行***均出行天数不超过3天、节假日出行时经常与好友结伴。
然后,可以采用基于神经网络模型的方法,根据目标用户的用户特征以及目标用户所在常驻区域的区域特征,确定目标用户的偏好预测信息。或者,可以将目标用户的用户特征与目标用户所在常驻区域的区域特征进行合并或加权平均,作为目标用户的更新后特征,根据目标用户的更新后特征确定目标用户的偏好,得到目标用户的偏好预测信息。
例如,目标用户的常驻区域的区域特征为热门来访时间为晚餐时间、来访人群画像显示来访人四川人居多、提供无线上网服务、支持团购,目标用户的用户特征为男性、四川人、喜欢川菜、经常自驾出行,那么可以确定目标用户的偏好预测信息为:喜欢川菜餐馆、晚餐时间出行、目的地提供停车区域、目的地提供无线上网服务、支持团购。
步骤204,获取待推荐兴趣点的地点特征,根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征,确定出向目标用户推荐的兴趣点。
在本实施例中,服务器可以通过互联网、服务器内预先存储的信息库、或者其他信息来源获取待选兴趣点的空间特征、时间特征、经营特征、以及来访特征等,其中,空间特征可以是兴趣点所处商圈、地理位置、周围交通便利度、周边生活便利度、周边兴趣点多样化程度等;时间特征可以是兴趣点的热门时间段或季节、是否为新开业、商家活动内容、是否支持团购等;经营特征可以是兴趣点的经营范围类别、营业时间、回头率、好评率、场所设施等;来访特征可以是来访的人群画像等。待选兴趣点的空间特征、时间特征、经营特征或来访特征组成了其地点特征。
将目标用户的偏好预测信息与待选兴趣点的地点特征进行类比,计算二者的相似度或匹配度,确定向目标用户推荐的兴趣点。具体地,可以将地点特征与用户的偏好预测信息的相似度或匹配度大于阈值的待选兴趣点作为向目标用户推荐的兴趣点。在实践中,例如,待选兴趣点A的地点特征为自然风光景区、不提供无线网络、周边无公共交通、周末营业;待选兴趣点B的地点特征为人文景观区、提供无线网络、周边公共交通便利、周末不营业;待选兴趣点C的地点特征为自然风光景区、提供无线网络、周边公共交通便利、无优惠活动;目标用户的偏好预测信息为:喜欢自然风光、经常乘坐公共交通出行、访问的地点多数都提供无线网络、经常周末出行,则,向目标用户推荐的兴趣点为待选兴趣点C。
在一些应用场景中,还可以根据用户预先设置的偏好权重,进行兴趣点推荐,使推荐的兴趣点更符合用户的需求,进而增加推荐的准确性。
本公开的上述实施例提供的方法通过根据目标用户的用户特征与目标用户所在的常驻区域的区域特征,确定目标用户的偏好预测信息,并根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征确定出向目标用户推荐的兴趣点的方法可以提高兴趣点推荐的准确性。
进一步参考图3,其示出了用于推荐兴趣点的方法的又一个实施例的流程300。用于推荐兴趣点的方法的流程300,包括以下步骤:
步骤301,获取用户在所述预设时间段内的地理位置访问数据,其中,地理位置访问数据包括访问的兴趣点以及访问兴趣点的频次。
在本实施例中,获取用户在预设时间段内的地理位置访问数据,包括访问的兴趣点以及访问该兴趣点的频次,其中,访问指的是实地到达和/或通过用户设备进行过检索。获取用户的地理位置访问数据可以通过对用户设备的定位,用户使用设备进行电子支付的地址戳信息,用户使用设备地图软件、购物软件或交通出行软件的检索记录等。
步骤302,根据用户在预设时间段内对各兴趣点的访问频次,确定用户的常驻区域。
在本实施例中,对用户对访问的兴趣点的访问频次进行累加,得到该用户对这个兴趣点的访问热度,选取访问热度排在前预设数目的兴趣点,并根据这些兴趣点的地理位置或所属商圈位置确定该用户的常驻区域。
或者,在一些实施例中,可以按照如下方式确定用户的常驻区域:根据访问的兴趣点所属的行政区域,对用户对至少两级行政区域的兴趣点的访问频次进行统计,根据统计结果确定用户的不同行政级别的常驻行政区域。
在本实施例中,根据用户访问过的兴趣点所属的行政区域(省、市、县、乡镇、街区),首先,将各兴趣点映射到不同级别的行政区域内;然后,以行政区域级别为单位,将用户对各个兴趣点的访问频次进行统计;最后根据统计结果,构建不同行政区域级别的常驻区域。例如,首先,用户i在统计周期t内访问的兴趣点用序列形式表示为那么,将各个兴趣点映射到街区级别的各区域,可以表示为其中,loc代表兴趣点,region代表兴趣点映射到的街区级别的区域,tf代表统计周期t内的f时刻;然后,统计周期t内用户对街道级别的各区域的访问频次;最后根据各街道级别的区域对应的频次累加结果选出街道级别的热门区域作为该用户的街道级别常驻区域。根据上述方法,还可以构建用户的省级常驻区域、市级常驻区域、县级常驻区域以及乡镇级常驻区域。通过构建不同行政级别的常驻区域,使兴趣点的推荐可以针对不同的行政级别,方便用户选择,提高了用户的使用便捷度以及推荐的准确性。
步骤303,根据各常驻区域内各用户对各兴趣点的访问频次的统计结果,确定该常驻区域内的热门兴趣点信息。
在本实施例中,根据用户对访问的各兴趣点的访问频次的统计结果,将访问频次高的兴趣点确定为该常驻区域的热门兴趣点。在具体实施过程中可以用向量、矩阵等数学表达方式进行表征。
例如,将用户在tt时间内访问的兴趣点表示为
那么,对任意常驻区域为rr,其内各个兴趣点的访问频次cnt可通过集合数量获取函数获取:
其中,P代表用户在统计周期t内访问的兴趣点的集合,表示用户在统计周期t内的t时刻到达的兴趣点,pl表示兴趣点l,u表示用户,{u|u.resident=rr}表示常驻区域为rr的用户,表示用户在统计周期t内i时刻到访的兴趣点,cnt(rj,pl)表示常驻区域rr内兴趣点l的访问频次的统计结果。然后,对任意常驻区域rr,选取cnt值最大的k个兴趣点作为该常驻区域的热门兴趣点。
在一个实施例中,可以根据至少两级常驻行政区域内各用户对访问的各兴趣点的访问频次的统计结果,分别确定各级常驻行政区域的热门兴趣点信息。
可选地,当用户的常驻区域包括用户的至少两级常驻行政区域时,获取待推荐兴趣点的地点特征,根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征,确定出向目标用户推荐的兴趣点可以通过如下方式实现:根据目标用户的偏好信息以及待推荐兴趣点的地点特征,分别确定出向目标用户推荐的各级行政区域的兴趣点。采用根据不同行政区域级别向用户推荐兴趣点的方法可以提高推荐兴趣点的地理位置精确度,进而提高推荐的准确度。另外,由于不同行政区域级别的兴趣点对应的交通便利度不同,在向用户进行推荐时,可以将行政区域级别对应的交通便利度作为考量因素,使推荐的结果符合用户的出行需求,进而提高用户的舒适度以及满意度。
步骤304,根据常驻区域内的热门兴趣点信息,生成常驻区域的区域特征。
在本实施例中,服务器可以根据热门兴趣点信息,读取常驻区域内用户经常访问的各个兴趣点,并通过互联网、服务器内预先存储的信息库、或者其他信息来源获取各个兴趣点的空间特征、时间特征、经营特征、以及来访特征等,其中,空间特征可以是兴趣点所处商圈、地理位置、周围交通便利度、周边生活便利度、周边兴趣点多样化程度等;时间特征可以是兴趣点的热门时间段或季节、是否为新开业、商家活动内容、是否支持团购等;经营特征可以是兴趣点的经营范围类别、营业时间、回头率、好评率、场所设施等;来访特征可以是来访的人群画像等。之后,可以采用基于注意力的神经网络模型,根据常驻区域内各个兴趣点的空间特征、时间特征、经营特征或来访特征生成常驻区域的区域特征,区域特征是融合了区域内各个兴趣点的各个维度的特征信息,对该区域做出的综合描述或评价,各个兴趣点的各个维度的特征信息组成了区域特征,区域特征也代表了该区域内大部分兴趣点的特征信息。
步骤305,获取目标用户的用户特征,根据目标用户的用户特征与目标用户所在的常驻区域的区域特征,确定目标用户的偏好预测信息。
在本实施例中,服务器可以通过兴趣点推荐软件的注册信息获取目标用户的画像信息,例如,用户的性别、年龄、职业等;服务器可以通过目标用户的用户设备的定位程序获取目标用户的出行信息,例如,出行时间、出行频次以及出行距离;服务器可以通过目标用户的注册账号的绑定/关联用户数据或者好友数据获得目标用户的群组信息,例如:家庭结构、好友画像以及好友出行习惯,如好友出行兴趣点、出行频次或出行方式;服务器可以通过目标用户的用户设备上的检索软件获取该用户最近检索的兴趣点或经常检索的关键字,例如,“有山有水的地方”“地道的四川菜”;服务器还可以通过兴趣点推荐软件向目标用户发送调查问卷,通过用户填写并提交的调查问卷采集目标用户的画像信息、出行信息、群组信息以及检索信息。之后,可以采用基于注意力的神经网络模型,根据目标用户的画像信息、出行信息、群组信息以及检索信息生成目标用户的用户特征。
然后,可以采用预先训练的神经网络模型,根据目标用户的用户特征以及目标用户所在常驻区域的区域特征,确定目标用户的偏好预测信息。本实施例将用户常驻区域的区域特征作为确定用户偏好预测信息的考量因素,可以使偏好信息的预测更客观,并且可以在用户信息较少的情况下,做出偏好信息测的预测。
在上述结合图2和图3描述的实施例的一些可选的实现方式中,可以按照如下方式确定目标用户的偏好预测信息:采用预先训练的预测模型中的用户特征融合网络对目标用户的用户特征和目标用户所在的常驻区域的区域特征进行融合,得到目标用户的偏好预测信息。
在本实施例中,将目标用户的用户特征以及其所在常驻区域的区域特征输入进预测模型的融合网络,输出结果则为目标用户的偏好预测信息。通过预测模型进行用户偏好信息的预测可以在方便用户运用该方法的同时提高预测的准确度。
在一些应用场景中,预测模型可以按照如下方式训练得出:获取样本用户数据集,样本用户数据集包括:样本用户的画像数据、样本用户的地理位置访问数据、以及与样本用户访问的地理位置相关的兴趣点数据;基于样本用户的画像数据提取样本用户的用户特征,基于样本用户的地理位置访问数据以及与样本用户访问的地理位置相关的兴趣点数据确定样本用户的常驻区域的区域特征;采用待训练的预测模型中的用户特征融合网络对样本用户的用户特征和样本用户的常驻区域的区域特征进行融合,得到样本用户的偏好预测信息;基于样本用户的偏好预测信息,采用待训练的预测模型中的推荐度预测网络预测待推荐兴趣点对应于样本用户的推荐度;根据样本用户对待推荐兴趣点的推荐反馈信息确定待训练的预测模型中的推荐度预测网络的预测误差,基于预测误差迭代调整待训练的预测模型中的用户特征融合网络和推荐度预测网络的参数。
在本实施例中,首先,通过互联网或者预存知识库获取样本用户的画像数据、样本用户的地理位置访问数据、以及与样本用户访问的地理位置相关的兴趣点数据。
其次,基于样本用户的画像数据提取样本用户的用户特征,其中,用户特征可以通过用户特征提取网络来获取,该用户特征提取网络可以是独立训练的一个神经网络,或者可以是预测模型中的一部分,与预测模型中的其他网络一起训练。然后,基于样本用户的地理位置访问数据以及与样本用户访问的地理位置相关的兴趣点数据确定样本用户的常驻区域的区域特征,区域特征的获取是通过确定样本用户的常驻区域,并根据样本用户的常驻区域内的热门兴趣点确定样本用户的常驻区域的区域特征,区域特征的确定可以由神经网络来完成,这个神经网络可以是独立训练的一个神经网络,或者可以是预测模型中的一部分。
之后,采用待训练的预测模型中的用户特征融合网络对样本用户的用户特征和样本用户的常驻区域的区域特征进行融合,得到样本用户的偏好预测信息;基于样本用户的偏好预测信息,采用待训练的预测模型中的推荐度预测网络预测待推荐兴趣点对应于样本用户的推荐度;根据样本用户对待推荐兴趣点的推荐反馈信息确定待训练的预测模型中的推荐度预测网络的预测误差,基于预测误差迭代调整待训练的预测模型中的用户特征融合网络和推荐度预测网络的参数。
步骤306,获取待推荐兴趣点的地点特征,根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征,确定出向目标用户推荐的兴趣点。
本实施例步骤与前述实施例步骤204一致,具体实现方式可以参考前述实施例的步骤描述,此处不再赘述。
可选地,向目标用户推荐的兴趣点可以通过如下方式确定:基于目标用户的偏好预测信息以及所述待推荐兴趣点的地点特征,采用经过训练的预测模型中的推荐度预测网络预测出各待推荐兴趣点对应于所述目标用户的推荐度;根据各待推荐兴趣点对应于目标用户的推荐度,确定出向目标用户推荐的兴趣点。
本公开的上述实施例提供的方法通过根据目标用户的用户特征与目标用户所在的常驻区域的区域特征,确定目标用户的偏好预测信息,并根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征确定出向目标用户推荐的兴趣点的方法可以提高兴趣点推荐的准确性。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种用于推荐兴趣点的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于推荐兴趣点的装置包括:确定单元401、计算单元402、预测单元403、推荐单元404。其中,确定单元401被配置为获取用户在预设时间段内的位置相关信息,根据位置相关信息确定该用户的常驻区域、以及常驻区域内的热门兴趣点信息;计算单元402被配置为根据常驻区域内的热门兴趣点信息,生成常驻区域的区域特征;预测单元403被配置为获取目标用户的用户特征,根据目标用户的用户特征与目标用户所在的常驻区域的区域特征,确定目标用户的偏好预测信息;推荐单元404被配置为获取待推荐兴趣点的地点特征,根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征,确定出向目标用户推荐的兴趣点。
本公开的上述实施例提供的装置通过根据目标用户的用户特征与目标用户所在的常驻区域的区域特征,确定目标用户的偏好预测信息,并根据目标用户的偏好预测信息以及待推荐兴趣点的地点特征确定出向目标用户推荐的兴趣点的方法可以提高兴趣点推荐的准确性。
在一些实施例中,确定单元401包括:访问数据确定模块,被配置为获取用户在预设时间段内的地理位置访问数据,其中,地理位置访问数据包括访问的兴趣点以及访问兴趣点的频次;常驻区域确定模块,被配置为根据用户在预设时间段内对各兴趣点的访问频次,确定用户的常驻区域;热门兴趣点信息确定模块,被配置为根据各常驻区域内各用户对各兴趣点的访问频次的统计结果,确定常驻区域内的热门兴趣点信息。
在一些实施例中,确定单元401包括:访问数据确定模块,被配置获取用户在预设时间段内的地理位置访问数据,其中,地理位置访问数据包括访问的兴趣点以及访问兴趣点的频次;常驻区域确定子模块,被配置为根据访问的兴趣点所属的行政区域,对用户对至少两级行政区域的兴趣点的访问频次进行统计,根据统计结果确定用户的至少两级常驻行政区域;热门兴趣点信息确定子模块,被配置为根据至少两级常驻行政区域内各用户对访问的各兴趣点的访问频次的统计结果,分别确定各级常驻行政区域的热门兴趣点信息。
在一些实施例中,用户的常驻区域包括用户的至少两级常驻行政区域,推荐单元404包括:推荐子模块,被配置为根据目标用户的偏好信息以及待推荐兴趣点的地点特征,分别确定出向目标用户推荐的各级行政区域的兴趣点。
在一些实施例中,预测单元403包括:特征融合模块,被配置为采用预先训练的预测模型中的用户特征融合网络对目标用户的用户特征和目标用户所在的常驻区域的区域特征进行融合,得到目标用户的偏好预测信息;以及推荐单元404包括:推荐度预测模块,被配置为基于目标用户的偏好预测信息以及待推荐兴趣点的地点特征,采用经过训练的预测模型中的推荐度预测网络预测出各待推荐兴趣点对应于目标用户的推荐度;兴趣点推荐模块,被配置为根据各待推荐兴趣点对应于目标用户的推荐度,确定出向目标用户推荐的兴趣点。
在一些实施例中,预测模型由样本获取模块、特融合子模块、偏好预测子模块以及子训练模块训练得出,其中,样本获取模块,被配置为获取样本数据集,样本数据集包括:样本用户的画像数据、样本用户的地理位置访问数据、以及与样本用户访问的地理位置相关的兴趣点数据;特征融合子模块,采用待训练的预测模型中的用户特征融合网络对样本用户的用户特征和样本用户的常驻区域的区域特征进行融合,得到样本用户的偏好预测信息;偏好预测子模块,被配置为基于样本用户的偏好预测信息,采用待训练的预测模型中的推荐度预测网络预测待推荐兴趣点对应于样本用户的推荐度;子训练模块,被配置为根据样本用户对待推荐兴趣点的推荐反馈信息确定待训练的预测模型中的推荐度预测网络的预测误差,基于预测误差迭代调整待训练的预测模型中的用户特征融合网络和推荐度预测网络的参数。
上述装置400中的各单元与参考图2和图3描述的方法中的步骤相对应。由此上文针对用于推荐兴趣点的方法描述的操作、特征及所能达到的技术效果同样适用于装置400及其中包含的单元,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的用于推荐兴趣点的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,该存储器存储有可由至少一个处理器执行的指令,以使该至少一个处理器执行本申请所提供的用于推荐兴趣点的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于推荐兴趣点的方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于推荐兴趣点的方法对应的程序指令/模块(例如,附图4所示的确定单元401、计算单元402、预测单元403、推荐单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于推荐兴趣点的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据用于推荐兴趣点的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至用于推荐兴趣点的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于推荐兴趣点的方法的电子设备还可以包括:输入装置503、输出装置504以及总线505。处理器501、存储器502、输入装置503和输出装置504可以通过总线505或者其他方式连接,图5中以通过总线505连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与用于推荐兴趣点的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种用于推荐兴趣点的方法,包括:
获取用户在预设时间段内的位置相关信息,根据所述位置相关信息确定所述用户的常驻区域、以及所述常驻区域内的热门兴趣点信息;
根据所述常驻区域内的热门兴趣点信息,生成所述常驻区域的区域特征;
获取目标用户的用户特征,根据所述目标用户的用户特征与所述目标用户所在的常驻区域的区域特征,确定所述目标用户的偏好预测信息;
获取待推荐兴趣点的地点特征,根据所述目标用户的偏好预测信息以及所述待推荐兴趣点的地点特征,确定出向所述目标用户推荐的兴趣点。
2.根据权利要求1所述的方法,其中,所述获取用户在预设时间段内的位置相关信息,根据所述位置相关信息确定所述用户的常驻区域、以及所述常驻区域内的热门兴趣点信息,包括:
获取所述用户在所述预设时间段内的地理位置访问数据,其中,所述地理位置访问数据包括访问的兴趣点以及访问所述兴趣点的频次;
根据所述用户在预设时间段内对各兴趣点的访问频次,确定所述用户的常驻区域;
根据各所述常驻区域内各用户对各兴趣点的访问频次的统计结果,确定所述常驻区域内的所述热门兴趣点信息。
3.根据权利要求1所述的方法,其中,所述根据所述位置相关信息确定所述用户的常驻区域、以及所述常驻区域内的热门兴趣点信息,包括:
获取所述用户在所述预设时间段内的地理位置访问数据,其中,所述地理位置访问数据包括访问的兴趣点以及访问所述兴趣点的频次;
根据所述访问的兴趣点所属的行政区域,对所述用户对至少两级行政区域的兴趣点的访问频次进行统计,根据统计结果确定所述用户的至少两级常驻行政区域;
根据所述至少两级常驻行政区域内各用户对访问的各兴趣点的访问频次的统计结果,分别确定各级常驻行政区域的热门兴趣点信息。
4.根据权利要求3所述的方法,其中,所述用户的常驻区域包括所述用户的至少两级常驻行政区域;以及
所述获取待推荐兴趣点的地点特征,根据所述目标用户的偏好预测信息以及所述待推荐兴趣点的地点特征,确定出向所述目标用户推荐的兴趣点,包括:
根据所述目标用户的偏好信息以及所述待推荐兴趣点的地点特征,分别确定出向所述目标用户推荐的各级行政区域的兴趣点。
5.根据权利要求1所述的方法,其中,所述根据所述目标用户的用户特征与所述目标用户所在的常驻区域的区域特征,确定所述目标用户的偏好预测信息,包括:
采用预先训练的预测模型中的用户特征融合网络对所述目标用户的用户特征和所述目标用户所在的常驻区域的区域特征进行融合,得到所述目标用户的偏好预测信息;以及
所述根据所述目标用户的偏好预测信息以及所述待推荐兴趣点的地点特征,确定出向所述目标用户推荐的兴趣点,包括:
基于所述目标用户的偏好预测信息以及所述待推荐兴趣点的地点特征,采用所述经过训练的预测模型中的推荐度预测网络预测出各待推荐兴趣点对应于所述目标用户的推荐度;
根据所述各待推荐兴趣点对应于所述目标用户的推荐度,确定出向所述目标用户推荐的兴趣点。
6.根据权利要求5所述的方法,其中,所述预测模型按照如下方式训练得出:
获取样本用户数据集,所述样本用户数据集包括:样本用户的画像数据、样本用户的地理位置访问数据、以及与样本用户访问的地理位置相关的兴趣点数据;
基于所述样本用户的画像数据提取样本用户的用户特征,基于所述样本用户的地理位置访问数据以及与样本用户访问的地理位置相关的兴趣点数据确定样本用户的常驻区域的区域特征;
采用待训练的预测模型中的用户特征融合网络对所述样本用户的用户特征和所述样本用户的常驻区域的区域特征进行融合,得到所述样本用户的偏好预测信息;
基于样本用户的偏好预测信息,采用待训练的预测模型中的推荐度预测网络预测待推荐兴趣点对应于所述样本用户的推荐度;
根据所述样本用户对待推荐兴趣点的推荐反馈信息确定待训练的预测模型中的推荐度预测网络的预测误差,基于所述预测误差迭代调整所述待训练的预测模型中的用户特征融合网络和推荐度预测网络的参数。
7.一种用于推荐兴趣点的装置,包括:
确定单元,被配置为获取用户在预设时间段内的位置相关信息,根据所述位置相关信息确定所述用户的常驻区域、以及所述常驻区域内的热门兴趣点信息;
计算单元,被配置为根据所述常驻区域内的热门兴趣点信息,生成所述常驻区域的区域特征;
预测单元,被配置为获取目标用户的用户特征,根据所述目标用户的用户特征与所述目标用户所在的常驻区域的区域特征,确定所述目标用户的偏好预测信息;
推荐单元,被配置为获取待推荐兴趣点的地点特征,根据所述目标用户的偏好预测信息以及所述待推荐兴趣点的地点特征,确定出向所述目标用户推荐的兴趣点。
8.根据权利要求7所述的装置,其中,所述确定单元包括:
访问数据确定模块,被配置为获取所述用户在所述预设时间段内的地理位置访问数据,其中,所述地理位置访问数据包括访问的兴趣点以及访问所述兴趣点的频次;
常驻区域确定模块,被配置为根据所述用户在预设时间段内对各兴趣点的访问频次,确定所述用户的常驻区域;
热门兴趣点信息确定模块,被配置为根据各所述常驻区域内各用户对各兴趣点的访问频次的统计结果,确定所述常驻区域内的所述热门兴趣点信息。
9.根据权利要求7所述的装置,其中,所述确定单元包括:
访问数据确定模块,被配置获取所述用户在所述预设时间段内的地理位置访问数据,其中,所述地理位置访问数据包括访问的兴趣点以及访问所述兴趣点的频次;
常驻区域确定子模块,被配置为根据所述访问的兴趣点所属的行政区域,对所述用户对至少两级行政区域的兴趣点的访问频次进行统计,根据统计结果确定所述用户的至少两级常驻行政区域;
热门兴趣点信息确定子模块,被配置为根据所述至少两级常驻行政区域内各用户对访问的各兴趣点的访问频次的统计结果,分别确定各级常驻行政区域的热门兴趣点信息。
10.根据权利要求9所述的装置,其中,所述用户的常驻区域包括所述用户的至少两级常驻行政区域;以及
所述推荐单元包括:
推荐子模块,被配置为根据所述目标用户的偏好信息以及所述待推荐兴趣点的地点特征,分别确定出向所述目标用户推荐的各级行政区域的的兴趣点。
11.根据权利要求7所述的装置,其中,所述预测单元,包括:
特征融合模块,被配置为采用预先训练的预测模型中的用户特征融合网络对所述目标用户的用户特征和所述目标用户所在的常驻区域的区域特征进行融合,得到所述目标用户的偏好预测信息;以及
所述推荐单元包括:
推荐度预测模块,被配置为基于所述目标用户的偏好预测信息以及所述待推荐兴趣点的地点特征,采用所述经过训练的预测模型中的推荐度预测网络预测出各待推荐兴趣点对应于所述目标用户的推荐度;
兴趣点推荐模块,被配置为根据所述各待推荐兴趣点对应于所述目标用户的推荐度,确定出向所述目标用户推荐的兴趣点。
12.根据权利要求11所述的装置,其中,所述预测模型由样本获取模块、特征融合子模块、偏好预测子模块以及子训练模块训练得出,其中,
所述样本获取模块,被配置为获取样本数据集,所述样本数据集包括:样本用户的画像数据、样本用户的地理位置访问数据、以及与样本用户访问的地理位置相关的兴趣点数据;
所述特征融合子模块,采用待训练的预测模型中的用户特征融合网络对所述样本用户的用户特征和所述样本用户的常驻区域的区域特征进行融合,得到所述样本用户的偏好预测信息;
偏好预测子模块,被配置为基于样本用户的偏好预测信息,采用待训练的预测模型中的推荐度预测网络预测待推荐兴趣点对应于所述样本用户的推荐度;
子训练模块,被配置为根据所述样本用户对待推荐兴趣点的推荐反馈信息确定待训练的预测模型中的推荐度预测网络的预测误差,基于所述预测误差迭代调整所述待训练的预测模型中的用户特征融合网络和推荐度预测网络的参数。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341788.8A CN111538904B (zh) | 2020-04-27 | 2020-04-27 | 用于推荐兴趣点的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341788.8A CN111538904B (zh) | 2020-04-27 | 2020-04-27 | 用于推荐兴趣点的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111538904A CN111538904A (zh) | 2020-08-14 |
CN111538904B true CN111538904B (zh) | 2023-03-17 |
Family
ID=71977309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010341788.8A Active CN111538904B (zh) | 2020-04-27 | 2020-04-27 | 用于推荐兴趣点的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111538904B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931067B (zh) * | 2020-09-14 | 2023-09-29 | 北京百度网讯科技有限公司 | 兴趣点推荐方法、装置、设备和介质 |
CN112115387B (zh) * | 2020-09-25 | 2024-05-14 | 北京百度网讯科技有限公司 | 兴趣点poi推荐模型的训练方法、装置和电子设备 |
CN112115225B (zh) * | 2020-09-25 | 2024-03-01 | 北京百度网讯科技有限公司 | 一种推荐感兴趣区域方法、装置、设备和介质 |
CN112000893B (zh) * | 2020-09-29 | 2024-04-12 | 北京百度网讯科技有限公司 | 常驻区域预测方法、装置、设备及存储介质 |
CN113763098A (zh) * | 2020-12-21 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 用于确定物品的方法和装置 |
CN112632380A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 兴趣点推荐模型的训练方法和推荐兴趣点的方法 |
CN112559887B (zh) * | 2020-12-25 | 2023-09-05 | 北京百度网讯科技有限公司 | 全景图与兴趣点挂接的方法及构建全景图推荐模型的方法 |
CN112800347A (zh) * | 2021-01-21 | 2021-05-14 | 河北金融学院 | 一种基于智媒体服务平台的智能推荐***及方法 |
CN112861023B (zh) * | 2021-02-02 | 2024-06-21 | 北京百度网讯科技有限公司 | 地图信息处理方法、装置、设备、存储介质及程序产品 |
CN112861026B (zh) * | 2021-02-07 | 2022-02-25 | 贝壳找房(北京)科技有限公司 | 用户偏好挖掘方法、装置、介质和电子设备 |
CN113158030B (zh) * | 2021-03-12 | 2023-08-01 | 北京百度网讯科技有限公司 | 异地兴趣点的推荐方法、装置、电子设备及存储介质 |
CN113378082A (zh) * | 2021-07-05 | 2021-09-10 | 北京百度网讯科技有限公司 | 一种信息推荐方法、装置、电子设备以及存储介质 |
CN113434777A (zh) * | 2021-07-20 | 2021-09-24 | 北京百度网讯科技有限公司 | 出行方式的推荐方法、装置、电子设备及存储介质 |
CN113722597B (zh) * | 2021-09-02 | 2024-02-20 | 口碑(上海)信息技术有限公司 | 信息圈的生成、信息共享以及信息处理方法及装置 |
CN113761381B (zh) * | 2021-09-23 | 2023-08-08 | 北京百度网讯科技有限公司 | 兴趣点推荐的方法、装置、设备以及存储介质 |
CN113822594A (zh) * | 2021-09-30 | 2021-12-21 | 阿里巴巴新加坡控股有限公司 | 兴趣点的评分确定方法、电子设备及计算机程序产品 |
CN113902589A (zh) * | 2021-10-11 | 2022-01-07 | 网易传媒科技(北京)有限公司 | 目标服务策略的测试方法、介质、装置和计算设备 |
CN116644802A (zh) * | 2023-07-19 | 2023-08-25 | 支付宝(杭州)信息技术有限公司 | 模型训练方法及装置 |
CN117216397B (zh) * | 2023-09-22 | 2024-03-12 | 哈尔滨工业大学 | 一种基于区域影响的深度矩阵分解的poi推荐方法 |
CN118193853B (zh) * | 2024-05-16 | 2024-07-23 | 烟台大学 | 一种随机群组的兴趣点推荐方法、***、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766462A (zh) * | 2017-09-28 | 2018-03-06 | 重庆大学 | 基于用户偏好、社交信誉度和地理位置的兴趣点推荐方法 |
CN109041035A (zh) * | 2018-09-28 | 2018-12-18 | Oppo广东移动通信有限公司 | 用户画像生成方法、装置、终端及存储介质 |
CN109376313A (zh) * | 2018-09-28 | 2019-02-22 | Oppo广东移动通信有限公司 | 信息推荐方法、装置、终端及存储介质 |
CN109948068A (zh) * | 2017-09-30 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 一种兴趣点信息的推荐方法和装置 |
CN110110244A (zh) * | 2019-04-26 | 2019-08-09 | 广东技术师范大学 | 一种融合多源信息的兴趣点推荐方法 |
JP2019160320A (ja) * | 2018-03-12 | 2019-09-19 | ネイバー コーポレーションNAVER Corporation | 位置基盤情報探索方法およびシステム |
CN110874437A (zh) * | 2019-11-14 | 2020-03-10 | 重庆邮电大学 | 一种基于多重兴趣点对排序的个性化兴趣点推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9646025B2 (en) * | 2008-05-27 | 2017-05-09 | Qualcomm Incorporated | Method and apparatus for aggregating and presenting data associated with geographic locations |
-
2020
- 2020-04-27 CN CN202010341788.8A patent/CN111538904B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766462A (zh) * | 2017-09-28 | 2018-03-06 | 重庆大学 | 基于用户偏好、社交信誉度和地理位置的兴趣点推荐方法 |
CN109948068A (zh) * | 2017-09-30 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 一种兴趣点信息的推荐方法和装置 |
JP2019160320A (ja) * | 2018-03-12 | 2019-09-19 | ネイバー コーポレーションNAVER Corporation | 位置基盤情報探索方法およびシステム |
CN109041035A (zh) * | 2018-09-28 | 2018-12-18 | Oppo广东移动通信有限公司 | 用户画像生成方法、装置、终端及存储介质 |
CN109376313A (zh) * | 2018-09-28 | 2019-02-22 | Oppo广东移动通信有限公司 | 信息推荐方法、装置、终端及存储介质 |
CN110110244A (zh) * | 2019-04-26 | 2019-08-09 | 广东技术师范大学 | 一种融合多源信息的兴趣点推荐方法 |
CN110874437A (zh) * | 2019-11-14 | 2020-03-10 | 重庆邮电大学 | 一种基于多重兴趣点对排序的个性化兴趣点推荐方法 |
Non-Patent Citations (3)
Title |
---|
卢露等.基于用户-内容主题模型的兴趣点联合推荐算法.2017,第54卷(第04期),154-159. * |
苏畅等.基于用户兴趣和地理因素的兴趣点推荐方法.2019,第46卷(第04期),228-234. * |
高榕等.一种融合情景和评论信息的位置社交网络兴趣点推荐模型.2016,第53卷(第04期),752-763. * |
Also Published As
Publication number | Publication date |
---|---|
CN111538904A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111538904B (zh) | 用于推荐兴趣点的方法和装置 | |
US10511933B2 (en) | Travel recommendations on online social networks | |
US11468019B2 (en) | Apparatus, systems, and methods for analyzing characteristics of entities of interest | |
US10353975B2 (en) | Terminal, server and event suggesting methods thereof | |
Zhao et al. | Personalized recommendations of locally interesting venues to tourists via cross-region community matching | |
US8612134B2 (en) | Mining correlation between locations using location history | |
US20170046802A1 (en) | Travel Itinerary Generation on Online Social Networks | |
CN112612957B (zh) | 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置 | |
US10291737B2 (en) | Identifying and caching content for offline use | |
JP7159405B2 (ja) | 地図情報表示方法、装置、電子デバイス及び記憶媒体 | |
CN111523031B (zh) | 用于推荐兴趣点的方法和装置 | |
US9467815B2 (en) | Systems and methods for generating a user location history | |
CN110781415B (zh) | 一种兴趣点推荐方法、装置、设备及介质 | |
US20190034994A1 (en) | Marketplace Feed Ranking on Online Social Networks | |
CN106605418A (zh) | 使用基于位置的服务的移动客户端的电力管理 | |
CN113536152B (zh) | 一种地图兴趣点展示方法、装置及电子设备 | |
US9167389B1 (en) | Clustering location data to determine locations of interest | |
CN112559901B (zh) | 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 | |
KR20210134521A (ko) | 경제 상태 예측 방법, 경제 상태 예측 모델 구축 방법 및 대응하는 장치 | |
CN111737382A (zh) | 地理位置点的排序方法、训练排序模型的方法及对应装置 | |
KR101523192B1 (ko) | 소셜 검색 시스템 및 기법 | |
RU2658876C1 (ru) | Способ и сервер для обработки данных датчика беспроводного устройства для создания вектора объекта, связанного с физическим положением | |
Espín-Noboa et al. | Interpreting wealth distribution via poverty map inference using multimodal data | |
CN112035751A (zh) | 信息推荐的方法、装置、设备以及存储介质 | |
KR102565762B1 (ko) | 경제 상태 모니터링 방법, 경제 상태 모니터링 모델 구축 방법 및 대응하는 장치 |
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 |