CN111782748B - 地图检索方法、信息点poi语义向量的计算方法和装置 - Google Patents
地图检索方法、信息点poi语义向量的计算方法和装置 Download PDFInfo
- Publication number
- CN111782748B CN111782748B CN202010597660.8A CN202010597660A CN111782748B CN 111782748 B CN111782748 B CN 111782748B CN 202010597660 A CN202010597660 A CN 202010597660A CN 111782748 B CN111782748 B CN 111782748B
- Authority
- CN
- China
- Prior art keywords
- semantic
- target poi
- poi
- target
- vector
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004364 calculation method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004422 calculation algorithm 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
- 239000012535 impurity Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种地图检索方法、信息点POI语义向量的计算方法和装置,涉及地图检索技术领域,可应用于云领域和深度学习领域。其中,地图检索方法包括:计算地图检索信息的语义向量;根据预先创建的信息点POI语义向量索引库,查找与所述地图检索信息的语义向量相匹配的目标POI语义向量;其中,所述目标POI的语义向量根据所述目标POI的图语义特征计算得到,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征。本申请优化了POI语义向量的生成,使得POI的语义向量表达更加丰富,能够提高POI语义向量的准确度和置信度,从而能够较精准地召回检索提示,有效地提升了基础召回率,提高了召回效果,解决了现有技术中所存在的问题。
Description
技术领域
本申请涉及数据处理技术,尤其涉及地图检索技术领域,具体涉及一种地图检索方法、信息点POI语义向量的计算方法和装置。
背景技术
在地图检索技术中,可以采用语义召回的方式来实现检索提示(suggestion,简称sug)的召回。然而,目前的语义召回方式中,通常根据POI名称来建立POI向量索引,对于用户输入的地图检索信息,仅考虑地图检索信息的语义向量和POI名称的语义向量之间的相似度,当地图检索信息存在差异时,会导致召回效果较差。
发明内容
本申请提供了一种地图检索方法、信息点POI语义向量的计算方法和装置。
根据第一方面,本申请提供了一种地图检索方法,所述方法包括:
计算地图检索信息的语义向量;
根据预先创建的信息点POI语义向量索引库,查找与所述地图检索信息的语义向量相匹配的目标POI语义向量;其中,所述目标POI的语义向量根据所述目标POI的图语义特征计算得到,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数。
根据第二方面,本申请提供了一种信息点POI语义向量的计算方法,所述方法包括:
获取目标POI的图语义特征,其中,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数;
根据所述目标POI的图语义特征,计算所述目标POI的语义向量。
根据第三方面,本申请提供了一种地图检索装置,包括:
第一计算模块,用于计算地图检索信息的语义向量;
查找模块,用于根据预先创建的信息点POI语义向量索引库,查找与所述地图检索信息的语义向量相匹配的目标POI的语义向量;其中,所述目标POI的语义向量根据所述目标POI的图语义特征计算得到,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数。
根据第四方面,本申请提供了一种信息点POI语义向量的计算装置,包括:
第一获取模块,用于获取目标POI的图语义特征,其中,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数;
计算模块,用于根据目标POI的图语义特征,计算所述目标POI的语义向量。
根据第五方面,本申请提供了一种电子设备,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第一方面中的任一项方法,或者,以使所述至少一个处理器能够执行第二方面中的任一项方法。
根据第六方面,本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行第一方面中的任一项方法,或者,所述计算机指令用于使所述计算机执行第二方面中的任一项方法。
根据本申请的技术,由于POI的语义向量根据POI的图语义特征计算得到,而POI的图语义特征聚合了POI与N个邻居节点之间的语义特征,因此,本申请优化了POI语义向量的生成,使得POI的语义向量表达更加丰富,能够提高POI语义向量的准确度和置信度,并能够构建更加准确高效的POI语义向量索引库。这样,即使用户输入的地图检索信息存在差异,也能够较精准地召回检索提示,有效地提升了基础召回率,提高了召回效果,解决了现有技术中所存在的问题。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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是根据本申请第一实施例的地图检索方法的流程示意图;
图2是根据本申请第一实施例的POI-query图;
图3是根据本申请第一实施例的POI-POI图;
图4是根据本申请第一实施例的得到目标POI的语义向量的示意图;
图5是根据本申请第一实施例的得到地图检索信息的语义向量的示意图;
图6是根据本申请第一实施例的地图检索过程的示意图;
图7是根据本申请第二实施例的POI语义向量的计算方法的流程示意图;
图8是根据本申请第三实施例的地图检索装置的结构示意图;
图9是根据本申请第三实施例的POI语义向量的计算装置的结构示意图;
图10是用来实现本申请实施例的电子设备的框图。
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。
第一实施例
如图1所示,本申请提供一种地图检索方法,包括如下步骤:
步骤101:计算地图检索信息的语义向量。
上述地图检索信息可以理解为用户输入的地图检索信息,地图检索信息的英文表述可以为“query”。
该步骤中,可以通过预先训练的语义模型来计算得到地图检索信息的语义向量,具体的,在接收到用户输入的地图检索信息之后,将地图检索信息输入至预先训练的语义模型中进行计算,得到地图检索信息的语义向量。地图检索信息的语义向量可以是例如但不限于Embedding(分布式嵌入)表示。
本申请中,既可以使用目前现有的语义模型来计算地图检索信息的语义向量,也可以使用后续将要说明的本申请提供的新的语义模型来计算地图检索信息的语义向量。
步骤102:根据预先创建的POI语义向量索引库,查找与所述地图检索信息的语义向量相匹配的目标POI语义向量;其中,所述目标POI的语义向量根据所述目标POI的图语义特征计算得到,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征。
其中,N为大于1的整数。
POI是“Point of Information”的缩写,中文可以翻译为“信息点”(也可以翻译为“兴趣点”)。在地理信息***及地图检索技术领域中,一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等。传统的地理信息采集方法需要地图测绘人员采用精密的测绘仪器去获取一个POI的经纬度,然后再标记下来。每个POI可包含名称、类别、坐标、分类这四方面信息,POI能提醒用户路况的分支及周边建筑的详尽信息,也能方便导航中查到用户所需要的各个地方,选择最为便捷和通畅的道路来进行路径规划,等等。
POI语义向量索引库是指预先创建的用于存储若干POI以及这些POI对应的语义向量的索引库,POI语义向量索引库中存储的POI可以是全量POI。POI语义向量索引库中存储的任意POI语义向量可以通过预先训练的语义模型来计算得到,具体的,以目标POI为例,可先获取目标POI的图语义特征,并将目标POI的图语义特征输入至预先训练的语义模型中进行计算,得到目标POI的语义向量。在得到了目标POI的语义向量之后,即可将目标POI以及目标POI对应的语义向量存储于POI语义向量索引库中。目标POI的语义向量可以是例如但不限于Embedding表示。
本申请中,既可以使用目前现有的语义模型来计算POI的语义向量,也可以使用后续将要说明的本申请提供的新的语义模型来计算POI的语义向量。
需要说明的是,为了提高地图检索效率,POI语义向量索引库可以通过离线方式预先创建,也就是说,POI的图语义特征以及POI的语义向量均可以通过离线方式预先计算得到。当然,也不排除通过在线方式实现上述过程。而步骤101中的计算地图检索信息的语义向量以及步骤102中的根据POI语义向量索引库,查找与地图检索信息的语义向量相匹配的目标POI语义向量这些过程均可以通过在线方式实现。
以下提供一种目标POI的图语义特征的获取方式,即,所述目标POI的图语义特征可通过以下步骤得到:
获取所述目标POI的N个邻居节点;
分别获取所述目标POI与每个邻居节点之间的语义关联,以得到N个语义特征;
将所述N个语义特征进行聚合,以得到所述目标POI的图语义特征。
本申请中,在获取到目标POI的N个邻居节点之后,可利用GCN(GraphConvolutional Network,图卷积网络)进行构图,构造出目标POI与N个邻居节点的图模型,然后分别获取目标POI与每个邻居节点之间的语义特征,并利用图模型的传播特性对这些语义特征进行聚合,从而获得目标POI的图语义特征。
目标POI的邻居节点可以根据在预设时间内的用户历史点击数据来确定,由于用户历史点击数据的来源丰富多样,这有利于丰富目标POI的邻居节点,从而能够使得POI的语义向量表达更加丰富。
总而言之,由于POI的语义向量根据POI的图语义特征计算得到,而POI的图语义特征聚合了POI与多个邻居节点之间的语义特征,因此,本申请优化了POI语义向量的生成,使得POI的语义向量表达更加丰富,能够提高POI语义向量的准确度和置信度,并能够构建更加准确高效的POI语义向量索引库。
实际应用时,在该步骤中,即可根据POI语义向量索引库来查找与地图检索信息的语义向量相匹配的目标POI语义向量,继而可实现检索提示的召回,并向用户推荐该地图检索信息对应的POI。
本申请中,可利用K近邻算法、hnsw查找算法等从全量POI中召回与地图检索信息最相关的至少一个POI。
由于POI的语义向量表达更加丰富,POI语义向量的准确度和置信度更高,因此,即使用户输入的地图检索信息存在差异,也能够较精准地召回检索提示,有效地提升了基础召回率,提高了召回效果,解决了现有技术中所存在的问题。从用户的角度来看,本申请能够降低用户输入步长,提升用户输入效率,能够更好地满足用户需求,提升用户体验。
可选的,所述N个邻居节点为N个地图检索信息,所述N个地图检索信息被用户响应了所述目标POI的选择操作;或者,
所述N个邻居节点为用户在预设时间内依次选择的N个POI,所述目标POI和所述N个POI均属于同一类型。
该实施方式提供了两种目标POI与N个邻居节点的图模型,或者说,提供了两种POI与邻居节点的构图方案。
其一,可以通过统计用户在预设时间内点击目标POI所输入的地图检索信息(即query),构成一个POI-query图,如图2所示。其二,可以通过统计用户在预设时间内依次点击与目标POI同类型的其他POI,构成一个POI-POI图,如图3所示。
考虑到本申请的应用场景是基于POI和地图检索信息之间的语义关联,因此,可以优先选择构造POI-query图,这样能够聚合目标POI的历史地图检索信息的语义信息,为在线地图检索中的POI和地图检索信息的关联提供更丰富的交叉特征。
该实施方式中,被用户响应了目标POI的选择操作以及用户在预设时间内依次选择的N个POI,均可以理解为用户历史点击数据,根据用户历史点击数据来确定目标POI的邻居节点,由于用户历史点击数据的来源丰富多样,这有利于丰富目标POI的邻居节点,从而能够使得POI的语义向量表达更加丰富。
可选的,所述目标POI的语义向量根据所述目标POI的图语义特征,以及所述目标POI的基础信息计算得到;其中,所述目标POI的基础信息包括所述目标POI的名称、所述目标POI的地址、所述目标POI所属的标签和所述目标POI的地理位置中的至少一项。
该实施方式中,目标POI的语义向量除了考虑目标POI的图语义特征,还进一步考虑目标POI的基础信息,例如名称(POI name)、地址(address)、标签(tag)、地理位置(如city)等。
目标POI的基础信息对目标POI的语义向量的表示也起到较为重要的作用。比如POI的标签分为地产小区、医院、银行、建筑等几百个类,当用户搜索某一个明确的POI时,会隐含一个tag倾向,如果能够建立query与POI name、tag之间的关系,就能够明确一类tag的POI,缩减检索范围,减少召回其他tag类杂质。假设搜索“***居委会”,则POI的tag为居委会类,而不是交通类。又比如POI的地理位置信息,在不同的地理位置(如不同的城市)输入同一个query,其用户需求大不相同,假设在北京搜索“中国地质大学”,用户的主需求很可能是“中国地质大学(北京)”,而若在武汉搜索“中国地质大学”,用户的主需求很可能是“中国地质大学(武汉)”。
因此,该实施方式通过融合POI多个域的向量表示,能够实现多源融合,能够使POI的语义向量表达更加精准、更加丰富。
可选的,所述目标POI的语义向量通过以下步骤计算得到:
根据所述目标POI的图语义特征,计算所述目标POI的第一向量表示;
根据所述目标POI的基础信息,计算所述目标POI的第二向量表示;
根据所述第一向量表示和所述第二向量表示,计算所述目标POI的语义向量。
该实施方式中,当综合考虑目标POI的多种基础信息时,可以根据不同的基础信息分别计算对应的向量表示,例如tag向量表示、city向量表示、POI name向量表示、address向量表示等等。
该实施方式中,目标POI的第一向量表示可通过GCN计算得到,POIname向量表示可通过语义预训练模型ERNIE-TINY计算得到。
如图4所示,图4示出了将三种基础信息(POI name、tag和city)和图语义特征共四个域的向量表示进行融合,得到目标POI的语义向量的示意图。
本申请可利用用户点击日志(即用户历史点击数据),将query点击的POI的tag映射成tag向量表示,并利用query与POI的点击关系,将tag向量表示拼接到POI name的向量表示上。
可选的,所述计算地图检索信息的语义向量,包括:
根据所述地图检索信息,计算所述地图检索信息的第一向量表示;
在接收到所述地图检索信息之后,根据当前地理位置信息,计算所述地图检索信息的第二向量表示;
根据所述第一向量表示和所述第二向量表示,计算所述地图检索信息的语义向量。
该实施方式中,地图检索信息的第一向量表示可以通过CNN(ConvolutionalNeural Networks,卷积神经网络)计算得到。
该实施方式中,地图检索信息的语义向量除了考虑地图检索信息本身,还进一步考虑当前地理位置(如city)信息。由于当前地理位置信息能够很好地体现用户的主需求,因此,当前地理位置对地图检索信息的语义向量的表示也起到较为重要的作用。当前地理位置信息可以理解为地图检索信息的场景信息(side information),地图检索信息本身和当前地理位置信息可以视为地图检索信息的多个域。
如图5所示,图5示出了将query和city共两个域的向量表示进行融合,得到地图检索信息的语义向量的示意图。
该实施方式通过融合地图检索信息多个域的向量表示,能够实现多源融合,能够使POI的语义向量表达更加精准、更加丰富。
可选的,所述目标POI的语义向量和所述地图检索信息的语义向量通过预先训练的语义模型计算得到;
所述语义模型的训练函数如下:
其中,Q表示地图检索信息样本的特征矩阵,P表示POI样本的特征矩阵,表示克罗内克积,Rpos表示正样本特征矩阵,Rneg表示负样特征本矩阵,m表示正样本特征矩阵与负样本特征矩阵之间的间距,l表示损失函数。
上述语义模型使用的损失函数可以称为matrix-wise loss,该损失函数不同于现有的损失函数,该损失函数所用的训练数据是在每批训练数据中构造正负样例,在每批训练数据中,正样本是query的向量与query点击的POI的向量的克罗内克积,负样本是query的向量与query未点击的POI的向量的内积。该损失函数不需要标注的label(标签),计算时利用m加大正负样本之间的距离,使正负样本之间有区分度。这使得上述语义模型使用的损失函数拥有更好的鲁棒性,从而能够提升语义模型的鲁棒性。
例如,在训练的过程中,假设一批训练数据包括两条数据,这两条数据分别为:
Query:百度大(记为Q1),用户点击的POI为:百度大厦(记为P1);
Query:西二旗地(记为Q2),用户点击的POI为:西二旗地铁站(记为P2)。
那么在这一批训练数据中,Q1与P1向量的内积对应正样本特征矩阵,Q1与P2向量的内积对应负样本特征矩阵。应用上述损失函数使正样本query与POI的相似度高,负样本query与POI的相似度低,且二者之差不大于m,使正样本与负样本具有区分度。
在使用上述训练函数得到了语义模型之后,可以通过该语义模型实现POI语义向量和query语义向量的计算。
如图6所示,图6示出了使用语义模型实现POI语义向量和query语义向量的计算以及语义召回的地图检索过程。
需要说明的是,本申请中的地图检索方法中的多种可选的实施方式,彼此可以相互结合实现,也可以单独实现,对此本申请不作限定。
本申请的上述实施例至少具有如下优点或有益效果:
本申请中,由于POI的语义向量根据POI的图语义特征计算得到,而POI的图语义特征聚合了POI与N个邻居节点之间的语义特征,因此,本申请优化了POI语义向量的生成,使得POI的语义向量表达更加丰富,能够提高POI语义向量的准确度和置信度,并能够构建更加准确高效的POI语义向量索引库。这样,即使用户输入的地图检索信息存在差异,也能够较精准地召回检索提示,有效地提升了基础召回率,提高了召回效果,解决了现有技术中所存在的问题。本申请可应用于云领域,例如云服务或云平台,本申请还可应用于深度学习领域。
第二实施例
如图7所示,本申请提供一种POI语义向量的计算方法,包括如下步骤:
步骤201:获取目标POI的图语义特征,其中,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数;
步骤202:根据所述目标POI的图语义特征,计算所述目标POI的语义向量。
可选的,所述获取目标POI的图语义特征包括:
获取所述目标POI的N个邻居节点;
分别获取所述目标POI与每个邻居节点之间的语义关联,以得到N个语义特征;
将所述N个语义特征进行聚合,以得到所述目标POI的图语义特征。
可选的,所述N个邻居节点为N个地图检索信息,所述N个地图检索信息被用户响应了所述目标POI的选择操作;或者,
所述N个邻居节点为用户在预设时间内依次选择的N个POI,所述目标POI和所述N个POI均属于同一类型。
可选的,所述方法还包括:
获取所述目标POI的基础信息,其中,所述目标POI的基础信息包括所述目标POI的名称、所述目标POI的地址、所述目标POI所属的标签和所述目标POI的地理位置中的至少一项;
所述根据目标POI的图语义特征,计算所述目标POI的语义向量,包括:
根据所述目标POI的图语义特征,以及所述目标POI的基础信息,计算所述目标POI的语义向量。
可选的,所述根据所述目标POI的图语义特征,以及所述目标POI的基础信息,计算所述目标POI的语义向量,包括:
根据所述目标POI的图语义特征,计算所述目标POI的第一向量表示;
根据所述目标POI的基础信息,计算所述目标POI的第二向量表示;
根据所述第一向量表示和所述第二向量表示,计算所述目标POI的语义向量。
可选的,所述目标POI的语义向量通过预先训练的语义模型计算得到;
所述语义模型的训练函数如下:
其中,Q表示地图检索信息样本的特征矩阵,P表示POI样本的特征矩阵,表示克罗内克积,Rpos表示正样本特征矩阵,Rneg表示负样特征本矩阵,m表示正样本特征矩阵与负样本特征矩阵之间的间距,l表示损失函数。
本申请中,第二实施例的相关实施方式均可以参照第一实施例中与POI语义向量的计算相关的任一实施方式,第一实施例中与POI语义向量的计算相关的任一实施方式均适用于第二实施例,且能够达到相同的有益效果,为避免重复,这里不再赘述。
第三实施例
如图8所示,本申请提供一种地图检索装置300,包括:
第一计算模块301,用于计算地图检索信息的语义向量;
查找模块302,用于根据预先创建的信息点POI语义向量索引库,查找与所述地图检索信息的语义向量相匹配的目标POI的语义向量;其中,所述目标POI的语义向量根据所述目标POI的图语义特征计算得到,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数。
可选的,地图检索装置300还包括:
第一获取模块,用于获取所述目标POI的N个邻居节点;
第二获取模块,用于分别获取所述目标POI与每个邻居节点之间的语义关联,以得到N个语义特征;
聚合模块,用于将所述N个语义特征进行聚合,以得到所述目标POI的图语义特征。
可选的,所述N个邻居节点为N个地图检索信息,所述N个地图检索信息被用户响应了所述目标POI的选择操作;或者,
所述N个邻居节点为用户在预设时间内依次选择的N个POI,所述目标POI和所述N个POI均属于同一类型。
可选的,所述目标POI的语义向量根据所述目标POI的图语义特征,以及所述目标POI的基础信息计算得到;其中,所述目标POI的基础信息包括所述目标POI的名称、所述目标POI的地址、所述目标POI所属的标签和所述目标POI的地理位置中的至少一项。
可选的,地图检索装置300还包括第二计算模块,用于:
根据所述目标POI的图语义特征,计算所述目标POI的第一向量表示;
根据所述目标POI的基础信息,计算所述目标POI的第二向量表示;
根据所述第一向量表示和所述第二向量表示,计算所述目标POI的语义向量。
可选的,第一计算模块301具体用于:
根据所述地图检索信息,计算所述地图检索信息的第一向量表示;
在接收到所述地图检索信息之后,根据当前地理位置信息,计算所述地图检索信息的第二向量表示;
根据所述第一向量表示和所述第二向量表示,计算所述地图检索信息的语义向量。
可选的,所述目标POI的语义向量通过预先训练的语义模型计算得到;
所述语义模型的训练函数如下:
其中,Q表示地图检索信息样本的特征矩阵,P表示POI样本的特征矩阵,表示克罗内克积,Rpos表示正样本特征矩阵,Rneg表示负样特征本矩阵,m表示正样本特征矩阵与负样本特征矩阵之间的间距,l表示损失函数。
本申请提供的地图检索装置300能够实现上述地图检索方法实施例中的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
第四实施例
如图9所示,本申请提供一种POI语义向量的计算装置400,包括:
第一获取模块401,用于获取目标POI的图语义特征,其中,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数;
计算模块402,用于根据目标POI的图语义特征,计算所述目标POI的语义向量。
可选的,第一获取模块401包括:
第一获取子模块,用于获取所述目标POI的N个邻居节点;
第二获取子模块,用于分别获取所述目标POI与每个邻居节点之间的语义关联,以得到N个语义特征;
聚合子模块,用于将所述N个语义特征进行聚合,以得到所述目标POI的图语义特征。
可选的,所述N个邻居节点为N个地图检索信息,所述N个地图检索信息被用户响应了所述目标POI的选择操作;或者,
所述N个邻居节点为用户在预设时间内依次选择的N个POI,所述目标POI和所述N个POI均属于同一类型。
可选的,POI语义向量的计算装置400还包括:
第二获取模块,用于获取所述目标POI的基础信息,其中,所述目标POI的基础信息包括所述目标POI的名称、所述目标POI所属的标签和所述目标POI的地理位置中的至少一项;
计算模块402具体用于:
根据所述目标POI的图语义特征,以及所述目标POI的基础信息,计算所述目标POI的语义向量。
可选的,计算模块402具体用于:
根据所述目标POI的图语义特征,计算所述目标POI的第一向量表示;
根据所述目标POI的基础信息,计算所述目标POI的第二向量表示;
根据所述第一向量表示和所述第二向量表示,计算所述目标POI的语义向量。
可选的,所述目标POI的语义向量通过预先训练的语义模型计算得到;
所述语义模型的训练函数如下:
其中,Q表示地图检索信息样本的特征矩阵,P表示POI样本的特征矩阵,表示克罗内克积,Rpos表示正样本特征矩阵,Rneg表示负样特征本矩阵,m表示正样本特征矩阵与负样本特征矩阵之间的间距,l表示损失函数。
本申请提供的POI语义向量的计算装置400能够实现上述地图检索方法实施例中的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
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10所示,是根据本申请方法实施例的电子设备的框图。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10所示,该电子设备包括:一个或多个处理器701、存储器702,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10中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的地图检索方法或POI语义向量的计算方法。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地图检索方法或POI语义向量的计算方法。
存储器702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地图检索方法对应的程序指令/模块(例如,附图8所示的第一模块301和查找模块302),又如本申请实施例中的POI语义向量的计算方法对应的程序指令/模块(例如,附图9所示的第一获取模块401和计算模块402)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行问题解析装置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地图检索方法或POI语义向量的计算方法。
存储器702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;存储数据区可存储电子设备的使用所创建的数据等。此外,存储器702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702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。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。
电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图10中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与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704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)、互联网和区块链网络。
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。
根据本申请实施例的技术方案,由于POI的语义向量根据POI的图语义特征计算得到,而POI的图语义特征聚合了POI与N个邻居节点之间的语义特征,因此,本申请优化了POI语义向量的生成,使得POI的语义向量表达更加丰富,能够提高POI语义向量的准确度和置信度,并能够构建更加准确高效的POI语义向量索引库。这样,即使用户输入的地图检索信息存在差异,也能够较精准地召回检索提示,有效地提升了基础召回率,提高了召回效果,解决了现有技术中所存在的问题。
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,本发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 (15)
1.一种地图检索方法,其特征在于,所述方法包括:
计算地图检索信息的语义向量;
根据预先创建的信息点POI语义向量索引库,查找与所述地图检索信息的语义向量相匹配的目标POI语义向量;其中,所述目标POI的语义向量根据所述目标POI的图语义特征计算得到,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数;
其中,所述N个邻居节点为N个地图检索信息,所述N个地图检索信息被用户响应了所述目标POI的选择操作;或者,
所述N个邻居节点为用户在预设时间内依次选择的N个POI,所述目标POI和所述N个POI均属于同一类型。
2.根据权利要求1所述的方法,其特征在于,所述目标POI的图语义特征通过以下步骤得到:
获取所述目标POI的N个邻居节点;
分别获取所述目标POI与每个邻居节点之间的语义关联,以得到N个语义特征;
将所述N个语义特征进行聚合,以得到所述目标POI的图语义特征。
3.根据权利要求1或2所述的方法,其特征在于,所述目标POI的语义向量根据所述目标POI的图语义特征以及所述目标POI的基础信息计算得到;其中,所述目标POI的基础信息包括所述目标POI的名称、所述目标POI的地址、所述目标POI所属的标签和所述目标POI的地理位置中的至少一项。
4.根据权利要求3所述的方法,其特征在于,所述目标POI的语义向量通过以下步骤计算得到:
根据所述目标POI的图语义特征,计算所述目标POI的第一向量表示;
根据所述目标POI的基础信息,计算所述目标POI的第二向量表示;
根据所述第一向量表示和所述第二向量表示,计算所述目标POI的语义向量。
5.根据权利要求1或2所述的方法,其特征在于,所述计算地图检索信息的语义向量,包括:
根据所述地图检索信息,计算所述地图检索信息的第一向量表示;
在接收到所述地图检索信息之后,根据当前地理位置信息,计算所述地图检索信息的第二向量表示;
根据所述第一向量表示和所述第二向量表示,计算所述地图检索信息的语义向量。
6.根据权利要求1或2所述的方法,其特征在于,所述目标POI的语义向量和所述地图检索信息的语义向量通过预先训练的语义模型计算得到;
所述语义模型的训练函数如下:
Rneg=Q·PT
l=max(0,m-Rpos+Rneg)
其中,Q表示地图检索信息样本的特征矩阵,P表示POI样本的特征矩阵,表示克罗内克积,Rpos表示正样本特征矩阵,Rneg表示负样特征本矩阵,m表示正样本特征矩阵与负样本特征矩阵之间的间距,l表示损失函数。
7.一种信息点POI语义向量的计算方法,其特征在于,所述方法包括:
获取目标POI的图语义特征,其中,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数;
根据所述目标POI的图语义特征,计算所述目标POI的语义向量;
其中,所述N个邻居节点为N个地图检索信息,所述N个地图检索信息被用户响应了所述目标POI的选择操作;或者,
所述N个邻居节点为用户在预设时间内依次选择的N个POI,所述目标POI和所述N个POI均属于同一类型。
8.根据权利要求7所述的方法,其特征在于,所述获取目标POI的图语义特征包括:
获取所述目标POI的N个邻居节点;
分别获取所述目标POI与每个邻居节点之间的语义关联,以得到N个语义特征;
将所述N个语义特征进行聚合,以得到所述目标POI的图语义特征。
9.根据权利要求7或8所述的方法,其特征在于,所述方法还包括:
获取所述目标POI的基础信息,其中,所述目标POI的基础信息包括所述目标POI的名称、所述目标POI的地址、所述目标POI所属的标签和所述目标POI的地理位置中的至少一项;
所述根据目标POI的图语义特征,计算所述目标POI的语义向量,包括:
根据所述目标POI的图语义特征,以及所述目标POI的基础信息,计算所述目标POI的语义向量。
10.根据权利要求9所述的方法,其特征在于,所述根据所述目标POI的图语义特征,以及所述目标POI的基础信息,计算所述目标POI的语义向量,包括:
根据所述目标POI的图语义特征,计算所述目标POI的第一向量表示;
根据所述目标POI的基础信息,计算所述目标POI的第二向量表示;
根据所述第一向量表示和所述第二向量表示,计算所述目标POI的语义向量。
11.根据权利要求7或8所述的方法,其特征在于,所述目标POI的语义向量通过预先训练的语义模型计算得到;
所述语义模型的训练函数如下:
Rneg=Q·PT
l=max(0,m-Rpos+Rneg)
其中,Q表示地图检索信息样本的特征矩阵,P表示POI样本的特征矩阵,表示克罗内克积,Rpos表示正样本特征矩阵,Rneg表示负样特征本矩阵,m表示正样本特征矩阵与负样本特征矩阵之间的间距,l表示损失函数。
12.一种地图检索装置,其特征在于,包括:
第一计算模块,用于计算地图检索信息的语义向量;
查找模块,用于根据预先创建的信息点POI语义向量索引库,查找与所述地图检索信息的语义向量相匹配的目标POI的语义向量;其中,所述目标POI的语义向量根据所述目标POI的图语义特征计算得到,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数;
其中,所述N个邻居节点为N个地图检索信息,所述N个地图检索信息被用户响应了所述目标POI的选择操作;或者,
所述N个邻居节点为用户在预设时间内依次选择的N个POI,所述目标POI和所述N个POI均属于同一类型。
13.一种信息点POI语义向量的计算装置,其特征在于,包括:
第一获取模块,用于获取目标POI的图语义特征,其中,所述目标POI的图语义特征聚合了所述目标POI与N个邻居节点之间的语义特征,所述N为大于1的整数;
计算模块,用于根据目标POI的图语义特征,计算所述目标POI的语义向量;
其中,所述N个邻居节点为N个地图检索信息,所述N个地图检索信息被用户响应了所述目标POI的选择操作;或者,
所述N个邻居节点为用户在预设时间内依次选择的N个POI,所述目标POI和所述N个POI均属于同一类型。
14.一种电子设备,其特征在于,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至6中任一项所述的方法,或者,以使所述至少一个处理器能够执行权利要求7至11中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1至6中任一项所述的方法,或者,所述计算机指令用于使所述计算机执行权利要求7至11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597660.8A CN111782748B (zh) | 2020-06-28 | 2020-06-28 | 地图检索方法、信息点poi语义向量的计算方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597660.8A CN111782748B (zh) | 2020-06-28 | 2020-06-28 | 地图检索方法、信息点poi语义向量的计算方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111782748A CN111782748A (zh) | 2020-10-16 |
CN111782748B true CN111782748B (zh) | 2024-01-12 |
Family
ID=72760658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010597660.8A Active CN111782748B (zh) | 2020-06-28 | 2020-06-28 | 地图检索方法、信息点poi语义向量的计算方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111782748B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112328890B (zh) * | 2020-11-23 | 2024-04-12 | 北京百度网讯科技有限公司 | 搜索地理位置点的方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763293A (zh) * | 2018-04-17 | 2018-11-06 | 平安科技(深圳)有限公司 | 基于语义理解的兴趣点查询方法、装置和计算机设备 |
CN108846126A (zh) * | 2018-06-29 | 2018-11-20 | 北京百度网讯科技有限公司 | 关联问题聚合模型的生成、问答式聚合方法、装置及设备 |
CN110083688A (zh) * | 2019-05-10 | 2019-08-02 | 北京百度网讯科技有限公司 | 搜索结果召回方法、装置、服务器及存储介质 |
CN110309268A (zh) * | 2019-07-12 | 2019-10-08 | 中电科大数据研究院有限公司 | 一种基于概念图的跨语言信息检索方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140108383A1 (en) * | 2012-10-16 | 2014-04-17 | Xtreme Labs Inc. | Method and System for Filtering Search Results for Maps Using Social Graph |
US9904932B2 (en) * | 2014-12-29 | 2018-02-27 | Google Llc | Analyzing semantic places and related data from a plurality of location data reports |
-
2020
- 2020-06-28 CN CN202010597660.8A patent/CN111782748B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763293A (zh) * | 2018-04-17 | 2018-11-06 | 平安科技(深圳)有限公司 | 基于语义理解的兴趣点查询方法、装置和计算机设备 |
CN108846126A (zh) * | 2018-06-29 | 2018-11-20 | 北京百度网讯科技有限公司 | 关联问题聚合模型的生成、问答式聚合方法、装置及设备 |
CN110083688A (zh) * | 2019-05-10 | 2019-08-02 | 北京百度网讯科技有限公司 | 搜索结果召回方法、装置、服务器及存储介质 |
CN110309268A (zh) * | 2019-07-12 | 2019-10-08 | 中电科大数据研究院有限公司 | 一种基于概念图的跨语言信息检索方法 |
Non-Patent Citations (2)
Title |
---|
一种语义增强的空间关键词搜索方法;韩军;范举;周立柱;;计算机研究与发展(09);全文 * |
个性化跨语言信息检索中结果重排序研究;周栋;赵文玉;伍璇;刘建勋;;计算机工程与科学(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111782748A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11630560B2 (en) | Map information display method and apparatus, electronic device, and computer storage medium | |
WO2021232724A1 (zh) | 提取地理位置点空间关系的方法、训练提取模型的方法及装置 | |
US20210239486A1 (en) | Method and apparatus for predicting destination, electronic device and storage medium | |
CN111814077B (zh) | 信息点查询方法、装置、设备和介质 | |
CN113155141A (zh) | 地图的生成方法、装置、电子设备及存储介质 | |
CN111666292B (zh) | 用于检索地理位置的相似度模型建立方法和装置 | |
CN112328890B (zh) | 搜索地理位置点的方法、装置、设备及存储介质 | |
JP2022530690A (ja) | クエリ自動補完の方法、装置、機器、及びコンピュータ記憶媒体 | |
JP2022530688A (ja) | ソートモデルの構築方法、クエリ自動補完の方法及び対応装置 | |
CN113160693B (zh) | 一种道路路口的处理方法、装置、设备和存储介质 | |
CN111666461B (zh) | 检索地理位置的方法、装置、设备和计算机存储介质 | |
CN111782748B (zh) | 地图检索方法、信息点poi语义向量的计算方法和装置 | |
CN110781657A (zh) | 导航播报的管理方法、装置及设备 | |
CN111047107A (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
CN112269925B (zh) | 一种获取地理位置点信息的方法和装置 | |
CN112381166B (zh) | 信息点识别方法、装置及电子设备 | |
CN112861023B (zh) | 地图信息处理方法、装置、设备、存储介质及程序产品 | |
CN114036414A (zh) | 兴趣点的处理方法、装置、电子设备、介质及程序产品 | |
CN112818024A (zh) | 一种地图数据处理方法、装置、设备及存储介质 | |
CN111782750B (zh) | 地图检索信息倾向地域的确定方法、装置、电子设备 | |
CN112528156B (zh) | 建立排序模型的方法、查询自动补全的方法及对应装置 | |
CN112530161B (zh) | 道路数据处理方法、装置、设备及计算机存储介质 | |
CN112419728B (zh) | 确定路况信息的方法、装置、设备和存储介质 | |
CN112182409B (zh) | 数据处理方法、装置、设备及计算机存储介质 | |
CN113221025B (zh) | 兴趣点召回方法、装置、设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |