CN111814069A - 信息处理方法、装置、存储介质以及电子设备 - Google Patents
信息处理方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN111814069A CN111814069A CN201910877932.7A CN201910877932A CN111814069A CN 111814069 A CN111814069 A CN 111814069A CN 201910877932 A CN201910877932 A CN 201910877932A CN 111814069 A CN111814069 A CN 111814069A
- Authority
- CN
- China
- Prior art keywords
- candidate
- interest
- geographical
- point
- geographic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 47
- 238000001914 filtration Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 9
- 235000012054 meals Nutrition 0.000 description 13
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- 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
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供了一种信息处理方法、装置、存储介质以及电子设备,该方法包括获取用户发送的实时位置信息;获取所述实时位置第一预设距离范围内的多个第一候选地理兴趣点,获取多个第一候选地理兴趣点的特征信息;基于第一候选地理兴趣点的特征信息,计算每个第一候选地理兴趣点作为终选地理兴趣点的概率;基于概率确定预定数量的终选地理兴趣点并向用户推送。本公开能够为用户提供一种能够高效、准确呈现最佳地理兴趣点的服务,提高协助用户对地理兴趣点选取的准确率,同时也有效提升配送产品至该地理兴趣点的配送效率。
Description
技术领域
本公开涉及信息处理技术领域,特别涉及一种信息处理方法、装置、存储介质以及电子设备。
背景技术
目前,中国餐饮业经营模式的多元化发展,使得外卖逐渐成为众多消费者群体的餐饮消费选择。当前外卖的送餐模式通常为:用户通过平台APP网上选餐进行下单,并填写送餐地址和联系方式,然后由配送员将餐品由商家配送至用户的送餐地址。用户的送餐地址中包括很多信息,比如包括区、路、号、小区、楼号、门牌号等。
一般来说,用户填写送餐地址的方式有2种:一种是用户通过文本搜索,检索到自己的地址;另一种是用户通过位置定位,查询定位附近的地理兴趣点(POI,point ofinterest),点选送餐地址。由于第二种地址填写方式用户只需点选坐标位置,不需输入文本,因此更具有优势。由此可见,用户填写送餐地址的便利性以及准确性,将对用户的外卖体验以及配送员的配送效率产生显著影响。
发明内容
针对现有技术中存在的上述技术问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于地理位置信息的信息处理方法及装置。
一方面,本公开实施例提供了一种信息处理方法,包括:
获取用户发送的实时位置信息;
获取所述实时位置第一预设距离范围内的多个第一候选地理兴趣点,获取多个所述第一候选地理兴趣点的特征信息;
基于所述第一候选地理兴趣点的特征信息,计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率;
基于所述概率确定预定数量的终选地理兴趣点并向所述用户推送。
在一些实施例中,所述基于所述第一候选地理兴趣点的特征信息,判断每个所述第一候选地理兴趣点作为终选地理兴趣点的概率包括:
获取训练样本数据,对召回模型进行训练;
将每个所述第一候选地理兴趣点的所述特征信息输入到所述召回模型中;
通过所述召回模型计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
在一些实施例中,所述获取训练样本数据,对召回模型进行训练包括:
获取历史订单配送数据;
基于所述历史订单配送数据,确定地理兴趣点目标集,其中,所述地理兴趣点目标集包括每次历史配送的目标地理兴趣点和对应于所述每次历史配送的地理兴趣点历史候选集;
对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤确定第三候选地理兴趣点;
提取所述第三候选地理兴趣点的特征信息并为所述第三候选地理兴趣点配置标签。
在一些实施例中,所述地理兴趣点历史候选集中的第二候选地理兴趣点基于与每次配送的用户发送的实时位置信息之间的第二距离确定。
在一些实施例中,所述历史订单配送数据至少包括:订单数据、运单数据、配送数据。
在一些实施例中,所述对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤的方式包括以下中的至少一种:
基于所述订单数据和所述用户发送的实时位置信息,过滤掉不符合第一预定条件的所述目标地理兴趣点;
基于所述配送数据和所述目标地理兴趣点,过滤掉不符合第二预定条件的所述第二候选地理兴趣点。
在一些实施例中,所述为所述第三候选地理兴趣点配置标签包括:
判断每个所述第三候选地理兴趣点是否与目标地理兴趣点相同;如果是则配置第一标签;如果否则配置第二标签。
在一些实施例中,所述第一候选地理兴趣点的特征信息至少包括:所述第一候选地理兴趣点的自身属性特征信息、所述第一候选地理兴趣点与用户发送的实时位置信息之间的关系特征信息。
在一些实施例中,所述关系特征信息包括距离信息、轮廓距离信息以及轮廓内外关系信息。
另一方面,本公开实施例还提供了一种信息处理装置,所述装置包括:
获取模块,用于获取用户发送的实时位置信息;
选取模块,用于获取所述实时位置第一预设距离范围内的多个第一候选地理兴趣点,获取多个所述第一候选地理兴趣点的特征信息;
计算模块,用于基于所述第一候选地理兴趣点的特征信息,计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率;
推送模块,用于基于所述概率确定预定数量的终选地理兴趣点并向所述用户推送。
在一些实施例中,所述计算模块包括:
训练单元,获取训练样本数据,对召回模型进行训练;
输入单元,将每个所述第一候选地理兴趣点的所述特征信息输入到所述召回模型中;
计算单元,通过所述召回模型计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
在一些实施例中,所述训练单元包括:
获取子单元,用于获取历史订单配送数据;
确定子单元,用于基于所述历史订单配送数据,确定地理兴趣点目标集,其中,所述地理兴趣点目标集包括每次历史配送的目标地理兴趣点和对应于所述每次历史配送的地理兴趣点历史候选集;
过滤子单元,用于对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤确定第三候选地理兴趣点;
标签子单元,用于提取所述第三候选地理兴趣点的特征信息并为所述第三候选地理兴趣点配置标签。
在一些实施例中,所述确定子单元的所述地理兴趣点历史候选集中的第二候选地理兴趣点基于与每次配送的用户发送的实时位置信息之间的第二距离确定。
在一些实施例中,所述确定子单元的所述历史订单配送数据至少包括:订单数据、运单数据、配送数据。
在一些实施例中,所述过滤子单元的过滤的方式包括以下中的至少一种:
基于所述订单数据和所述用户发送的实时位置信息,过滤掉不符合第一预定条件的所述目标地理兴趣点;
基于所述配送数据和所述目标地理兴趣点,过滤掉不符合第二预定条件的所述第二候选地理兴趣点。
在一些实施例中,所述标签子单元具体用于:
判断每个所述第三候选地理兴趣点是否与目标地理兴趣点相同;如果是则配置第一标签;如果否则配置第二标签。
在一些实施例中,所述选取模块中的所述第一候选地理兴趣点的特征信息至少包括:所述第一候选地理兴趣点的自身属性特征信息、所述第一候选地理兴趣点与用户发送的实时位置信息之间的关系特征信息。
在一些实施例中,所述关系特征信息包括距离信息、轮廓距离信息以及轮廓内外关系信息。
再一方面,本公开实施例提供一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一项技术方案中所述方法的步骤。
再一方面,本公开实施例提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器在执行所述存储器上的计算机程序时实现上述任一项技术方案中所述方法的步骤。
与现有技术相比,本公开实施例的有益效果在于:本公开根据候选地理兴趣点的特征信息,计算出候选地理兴趣点作为终选地理兴趣点的概率,并将概率和预定数量的终选地理兴趣点推送给用户,为用户提供一种能够高效、准确呈现最佳地理兴趣点的服务,提高协助用户对地理兴趣点选取的准确率,同时也有效提升配送产品至该地理兴趣点的配送效率。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1为本公开实施例的信息处理方法的第一流程图;
图2为本公开实施例的信息处理方法的第二流程图;
图3为本公开实施例的信息处理方法的第三流程图;
图4为本公开实施例的信息处理装置的第一结构框图;
图5为本公开实施例的信息处理装置的第二结构框图;
图6为本公开实施例提供的电子设备的结构框图。
图中的附图标记所表示的构件:
401-获取模块;402-选取模块;403-计算模块;404-推送模块;501-训练单元;502-输入单元;503-计算单元;901-存储器;902-处理器。
具体实施方式
为使本领域技术人员更好的理解本公开的技术方案,下面结合附图和具体实施方式对本公开作详细说明。下面结合附图和具体实施例对本公开的实施例作进一步详细描述,但不作为对本公开的限定。
本公开中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素,并不排除也涵盖其他要素的可能。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在本公开中,当描述到特定器件位于第一器件和第二器件之间时,在该特定器件与第一器件或第二器件之间可以存在居间器件,也可以不存在居间器件。当描述到特定器件连接其它器件时,该特定器件可以与所述其它器件直接连接而不具有居间器件,也可以不与所述其它器件直接连接而具有居间器件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同,除非另外特别定义。还应当理解,在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应理解的是,虽然下文中主要是针对外卖送餐场景的应用,但本公开的实施例并不限于此,其还可适用于其他应用场景(诸如,网络约车、快递配送、工业设备准确定位等)。
本公开的第一实施例提供了一种基于地理位置信息的信息处理方法,如图1所示,包括:
S101:获取用户发送的实时位置信息。
在本步骤中,用户发送的实时位置信息可理解为用户当前的或者期望的位置信息,这里的位置信息可以是经纬度坐标或其他表示准确位置的信息。
需要说明的是,这里的实时位置信息可以是用户的移动终端所在的位置的坐标信息,例如用户可以通过移动终端中的GPS模块获取移动终端当前所在位置的坐标信息,也可以是用户根据需要所期望的位置的坐标信息,例如用户可以通过在移动终端上的地图上选择获取期望的位置的坐标信息。
在具体实现中,用户发送实时位置信息的移动终端可为手机、平板电脑、掌上电脑或笔记本等设备,当然,还可为其他具有相似功能的设备,本实施方式对此不加以限制。
可理解的是,用户发送的实时位置信息可以由用户在发送定位请求时所输入,也可以为用户在发送定位请求后输入的,本实施方式对此不加以限制。
S102:获取所述实时位置第一预设距离范围内的多个第一候选地理兴趣点,获取多个所述第一候选地理兴趣点的特征信息。
在本步骤中,可理解的是,对于所述第一候选地理兴趣点与所述实时位置信息所表示的位置之间的距离在第一距离的范围内,例如用户通过步骤S101发送的实时位置信息为地图上的A点的位置信息,地图上的B点为与A点相距500米的位置,C点为与A点相距200米的位置,此时,第一距离的值可以预设为300米,显而易见,C点的位置会被选取为针对A点的第一候选地理兴趣点,以上为举例说明,本实施方式对此不加以具体限定。
对于选取的第一候选地理兴趣点,一般应包括该第一候选地理兴趣点的基本信息,例如该第一候选地理兴趣点的具体地址信息,包括行政区划的街道名称、楼栋号等。
可理解的是,获取的多个所述第一候选地理兴趣点的特征信息应为包含第一候选地理兴趣点的特征的信息,所述特征信息可包含该第一候选地理兴趣点的自身属性信息、与用户的实时位置信息的关系特征信息等。需要说明的是,其中的自身属性信息可以包括该第一候选地理兴趣点的分类、品牌、热度、重要度、是否为轮廓等特征信息;与用户的实时位置信息的关系特征信息可以包括与用户发送的实时位置信息之间的直接距离、轮廓距离、轮廓内外关系等特征信息,其中,直接距离可以是指两个位置的定位点之间的距离,轮廓距离可以是指两个位置上的建筑物的某一轮廓之间的距离,轮廓内外关系是指某个位置上建筑物之间多个轮廓之间的关系,比如商场和其中一个店铺之间轮廓的关系。
S103:基于所述第一候选地理兴趣点的特征信息,计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
可理解的是,根据多个所述第一候选地理兴趣点的特征信息,综合特征信息的内容,判断出第一候选地理兴趣点作为所述终选地理兴趣点的概率。下面以外卖送餐场景为例,下述均以此场景为例进行说明,但本申请并不限于此场景,例如第一候选地理兴趣点被选为最终送餐的位置,其特征信息可以是配送员确认送达的位置、该位置的送餐次数、与下单位置之间的距离等等信息,本实施方式对特征信息所包含的信息在此并不做出具体的限定。
在本步骤中,基于获取的第一候选地理兴趣点的特征信息,通过计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率,主要通过经过训练的召回模型实现。
S104:基于所述概率确定预定数量的终选地理兴趣点并向所述用户推送。
可理解的是,在步骤S103中计算并获取每个第一候选地理兴趣点作为终选地理兴趣点的概率,在本步骤中,可将每个第一候选地理兴趣点作为终选地理兴趣点的概率按照例如由大到小的排序,依次地推送给用户,便于用户选择,显然概率越大的第一候选地理兴趣点越可能成为用户的终选地理兴趣点。为了使得用户获得更好的体验,可以限定向用户推送终选地理兴趣点的数量,例如,所述终选地理兴趣点的推送的数量可由用户预设的数量、用户的设备的显示屏的尺寸等因素决定,本实施方式对此不加以限制,能够为用户提供多种准确有效地选择即可。
当然,在具体实施时,可以将所述终选地理兴趣点的相应的地址描述信息依次发送至用户的移动终端上,以便于为用户提供多种选择,还可将终选地理兴趣点的计算结果也就是概率同步推送给用户,当然,还可为用户推送其他具有相似功能的内容,本实施方式对此不加以限制。
本公开根据第一候选地理兴趣点的特征信息,计算出第一候选地理兴趣点作为终选地理兴趣点的概率,并根据概率将预定数量的终选地理兴趣点推送给用户,为用户提供一种能够高效、准确呈现最佳地理兴趣点的服务,提高协助用户对地理兴趣点选取的准确率,同时也有效提升配送产品至该地理兴趣点的配送效率。
本公开的第二实施例提供了一种基于地理位置信息的信息处理方法,对于上述第一实施例中的步骤S103,即所述基于所述第一候选地理兴趣点的特征信息,计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率,主要通过经过训练的召回模型实现,例如XBGoost模型,如图2所示,具体通过以下步骤实现:
S201:获取训练样本数据,对召回模型进行训练。
计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率是通过召回模型对每个第一候选地理兴趣点进行处理,召回模型的训练基于历史所有配送订单的相关数据进行,也就是说,通过基于机器学习的召回模型,根据所有历史配送订单中包含的订单、配送等有效数据,对候选地理兴趣点的位置信息进行训练,其中,训练样本数据可以包括历史配送订单中每个订单中用户发送的实时位置信息、用户历史下单信息、配送员确认送达的坐标信息等,均被获取作为样本数据进行训练。
S202:将每个所述第一候选地理兴趣点的所述特征信息输入到所述召回模型中。
由于通过第一实施例中的步骤S102获取了多个所述第一候选地理兴趣点的特征信息,在本步骤中将第一候选地理兴趣点的特征信息输入到基于机器学习的召回模型,目的在于召回符合预设条件的地理兴趣点。对于能够输入到召回模型中的特征信息的类型和标准,可以预先在构建召回模型时设置。
S203:通过所述召回模型计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
考虑到每个所述第一候选地理兴趣点的所述特征信息应为包含第一候选地理兴趣点的特征的信息,所述特征信息可包含位置的自身属性信息、与用户的实时位置信息的关系特征信息等。
基于训练好的召回模型,将第一候选地理兴趣点特征信息输入到召回模型中,在召回模型中设置需要参考的参数,通过预先设定算法,即可预测每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
本公开根据第一候选地理兴趣点的特征信息,计算出第一候选地理兴趣点作为终选地理兴趣点的概率,并根据概率将预定数量的终选地理兴趣点推送给用户,为用户提供一种能够高效、准确呈现最佳地理兴趣点的服务,提高协助用户对地理兴趣点选取的准确率,同时也有效提升配送产品至该地理兴趣点的配送效率。
本公开的第三实施例提供了一种基于地理位置信息的信息处理方法,由于召回模型的训练程度影响到召回候选位置的准确性,进而影响用户的使用体验,对于上述第一实施例中的步骤S201,即所述获取训练样本数据,对召回模型进行训练,具体步骤如图3所示,包括:
S301,获取历史订单配送数据。
可理解的是,这里的历史订单的配送数据即为所有用户历史下单的有关订单的配送数据,该数据至少包括:订单数据、运单数据以及配送数据,其中,订单数据例如可以是用户所在的位置信息,用户下单的位置信息、用户的个人信息等;运单数据例如可以是配送员的信息、配送员的交通工具信息、模拟的导航路线等;配送数据例如可以是订单的配送状态信息、配送员确认送达的定位信息以及无法配送、无法找到用户地址等情况的信息。
S302,基于所述历史订单配送数据,确定地理兴趣点目标集,其中,所述地理兴趣点目标集包括每次历史配送的目标地理兴趣点和对应于所述每次历史配送的地理兴趣点历史候选集。
在本步骤中,基于上述步骤S301获取的历史订单配送数据,可以对于每次配送针对用户下单的位置信息确定地理兴趣点候选集,该候选集包括每次配送的目标地理兴趣点和地理兴趣点的历史候选集,目标地理兴趣点即最终完成配送的实际送达的位置信息,地理兴趣点的历史候选集即针对该目标地理兴趣点并且满足一定条件的地理兴趣点的历史候选集。
S303,对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤确定第三候选地理兴趣点。
可理解的是,对于地理兴趣点历史候选集中包含的第二候选地理兴趣点较多,并且存在不准确的情况,不便于用户进行选取,这就需要过滤掉所述第二候选地理兴趣点中的配送员无法配送、无法找到用户下单的地址、用户修改地址等原因导致的配送失败的位置,以实现择优推荐位置给用户。
在一些实施例中,所述地理兴趣点历史候选集中的第二候选地理兴趣点基于每次配送中与用户发送的实时位置信息之间的第二距离确定。
可理解的是,所述第二候选地理兴趣点与所述实时位置信息所在的位置之间的距离在第二距离的范围内,例如用户发送的实时位置信息为地图上的A点,B点为与A点相距500米的位置,C点为与A点相距200米的位置,此时第二距离的预设值为250米,显而易见,C点会被选取为所述第二候选地理兴趣点,而A点则不会被选取为所述第二候选地理兴趣点,以上为举例说明,本实施方式对此不加以具体限定。
S304,提取所述第三候选地理兴趣点的特征信息并为所述第三候选地理兴趣点配置标签。
提取经过过滤的第三候选地理兴趣点的特征信息可以按照前述的方式进行,所述特征信息可包含该第一候选地理兴趣点的自身属性信息、与用户的实时位置信息的关系特征信息等。需要说明的是,其中的自身属性信息可以包括该第一候选地理兴趣点的分类、品牌、热度、重要度、是否为轮廓等特征信息;与用户的实时位置信息的关系特征信息可以包括与用户发送的实时位置信息之间的直接距离、轮廓距离、轮廓内外关系等特征信息,其中,直接距离可以是指两个位置的定位点之间的距离,轮廓距离可以是指两个位置上的建筑物的某一轮廓之间的距离,轮廓内外关系是指某个位置上建筑物之间多个轮廓之间的关系,比如商场和其中一个店铺之间轮廓的关系。
可理解的是,根据所述第三候选地理兴趣点的特征信息,为每个候选地理兴趣点打上标签,例如当该地理兴趣点为目标位置时,打上“是”的标签,当该地理兴趣点不是目标位置时,打上“否”的标签,以将所述特征信息以及标签结果均输入到召回模型中进行训练。
在一些实施例中,上述步骤S303中,所述对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤的方式包括以下中的至少一种:
基于所述订单数据和所述用户发送的实时位置信息,过滤掉不符合第一预定条件的所述目标地理兴趣点;
可理解的是,第一预定条件可为与所述实时位置信息在一定距离内的位置,该距离可由用户自主设定,如距离实时位置信息的距离小于200米的位置,或利用用户手动或语音输入的地址的文本,过滤掉与上述文本相似度低的位置等,本实施方式在此不对所述第一预定条件做出具体限定。
基于所述配送数据和所述目标地理兴趣点,过滤掉不符合第二预定条件的所述第二候选地理兴趣点。
可理解的是,第二预定条件可为根据配送员的预定配送距离最大值,过滤掉配送员多次配送失败的位置、配送员找不到的位置、要求修改的位置、送达迟到的位置等条件,本实施方式在此不对所述第一预定条件做出具体限定。
在一些实施例中,所述为所述第三候选地理兴趣点配置标签包括:
判断每个所述第三候选地理兴趣点是否与目标地理兴趣点相同;如果是则配置第一标签;如果否则配置第二标签。第一标签即表明该候选地理兴趣点与目标地理兴趣点相同,可通过“是”、“Yes”等标记方式对其做出标记,显而易见地,第二标签可采用与第一标签相对应的标记方式,如“否”、“No”等。
本公开根据第一候选地理兴趣点的特征信息,计算出第一候选地理兴趣点作为终选地理兴趣点的概率,并根据概率将预定数量的终选地理兴趣点推送给用户,为用户提供一种能够高效、准确呈现最佳地理兴趣点的服务,提高协助用户对地理兴趣点选取的准确率,同时也有效提升配送产品至该地理兴趣点的配送效率。
本公开的第四实施例还提供了一种基于地理位置信息的信息处理装置,如图4所示,所述装置包括:
获取模块401,用于获取用户发送的实时位置信息。
可理解的是,用户发送的实时位置信息可理解为用户当前的或者期望的位置信息,这里的位置信息可以是经纬度坐标或其他表示准确位置的信息。
需要说明的是,这里的实时位置信息可以是用户的移动终端所在的位置的坐标信息,例如用户可以通过移动终端中的GPS模块获取移动终端当前所在位置的坐标信息,也可以是用户根据需要所期望的位置的坐标信息,例如用户可以通过在移动终端上的地图上选择获取期望的位置的坐标信息。
在具体实现中,用户发送实时位置信息的移动终端可为手机、平板电脑、掌上电脑或笔记本等设备,当然,还可为其他具有相似功能的设备,本实施方式对此不加以限制。
可理解的是,用户发送的实时坐标的位置可以由用户在发送定位请求时所输入,也可以为用户在发送定位请求后输入的,本实施方式对此不加以限制。
选取模块402,用于获取所述实时位置第一预设距离范围内的多个第一候选地理兴趣点,获取多个所述第一候选地理兴趣点的特征信息。
可理解的是,对于选取模块302的所述第一候选地理兴趣点与所述实时位置信息所表示的位置之间的距离在第一距离的范围内,例如用户通过选取模块302发送的实时位置信息为地图上的A点的位置信息,地图上的B点为与A点相距500米的位置,C点为与A点相距200米的位置,此时,第一距离的值可以预设为300米,显而易见,C点的位置会被选取为针对A点的第一候选地理兴趣点,以上为举例说明,本实施方式对此不加以具体限定。
对于选取的第一候选地理兴趣点,一般应包括该第一候选地理兴趣点的基本信息,例如该第一候选地理兴趣点的具体地址信息,包括行政区划的街道名称、楼栋号等。
可理解的是,选取模块402获取的多个所述第一候选地理兴趣点的特征信息应为包含第一候选地理兴趣点的特征的信息,所述特征信息可包含该第一候选地理兴趣点的自身属性信息、与用户的实时位置信息的关系特征信息等。需要说明的是,其中的自身属性信息可以包括该第一候选地理兴趣点的分类、品牌、热度、重要度、是否为轮廓等特征信息;与用户的实时位置信息的关系特征信息可以包括与用户发送的实时位置信息之间的直接距离、轮廓距离、轮廓内外关系等特征信息,其中,直接距离可以是指两个位置的定位点之间的距离,轮廓距离可以是指两个位置上的建筑物的某一轮廓之间的距离,轮廓内外关系是指某个位置上建筑物之间多个轮廓之间的关系,比如商场和其中一个店铺之间轮廓的关系。
计算模块403,用于基于所述第一候选地理兴趣点的特征信息,计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
可理解的是,计算模块403根据多个所述第一候选地理兴趣点的特征信息,综合特征信息的内容,判断出第一候选地理兴趣点作为所述终选地理兴趣点的概率。下面以外卖送餐场景为例,下述均以此场景为例进行说明,但本申请并不限于此场景,例如第一候选地理兴趣点被选为最终送餐的位置,其特征信息可以是配送员确认送达的位置、该位置的送餐次数、与下单位置之间的距离等等信息,本实施方式对特征信息所包含的信息在此并不做出具体的限定。
需要说明的是,计算模块403基于获取的第一候选地理兴趣点的特征信息,通过计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率,主要通过经过训练的召回模型实现。
推送模块404,用于基于所述概率确定预定数量的终选地理兴趣点并向所述用户推送。
可理解的是,推送模块404计算并获取每个第一候选地理兴趣点作为终选地理兴趣点的概率,其可将每个第一候选地理兴趣点作为终选地理兴趣点的概率按照例如由大到小的排序,依次地推送给用户,便于用户选择,显然概率越大的第一候选地理兴趣点越可能成为用户的终选地理兴趣点。为了使得用户获得更好的体验,可以限定向用户推送终选地理兴趣点的数量,例如,所述终选地理兴趣点的推送的数量可由用户预设的数量、用户的设备的显示屏的尺寸等因素决定,本实施方式对此不加以限制,能够为用户提供多种准确有效地选择即可。
当然,在具体实施时,推送模块404可以将所述终选地理兴趣点的相应的地址描述信息依次发送至用户的移动终端上,以便于为用户提供多种选择,还可将终选地理兴趣点的计算结果也就是概率同步推送给用户,当然,还可为用户推送其他具有相似功能的内容,本实施方式对此不加以限制。
本公开通过选取模块402获取第一候选地理兴趣点的特征信息,以及计算模块403计算出第一候选地理兴趣点作为终选地理兴趣点的概率,并通过推送模块404根据概率将预定数量的终选地理兴趣点推送给用户,为用户提供一种能够高效、准确呈现最佳地理兴趣点的服务,提高协助用户对地理兴趣点选取的准确率,同时也有效提升配送产品至该地理兴趣点的配送效率。
本公开的第五实施例提供了一种基于地理位置信息的信息处理装置,对于上述第四实施例中的计算模块403,即计算模块403用于基于所述第一候选地理兴趣点的特征信息,计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率,主要通过经过训练的召回模型实现,例如XBGoost模型,如图5所示,具体通过以下步骤实现:
训练单元501,获取训练样本数据,对召回模型进行训练;
训练单元501计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率是通过召回模型对每个第一候选地理兴趣点进行处理,召回模型的训练基于历史所有配送订单的相关数据进行,也就是说,通过基于机器学习的召回模型,根据所有历史配送订单中包含的订单、配送等有效数据,对候选地理兴趣点的位置信息进行训练,其中,训练样本数据可以包括历史配送订单中每个订单中用户发送的实时位置信息、用户历史下单信息、配送员确认送达的坐标信息等,均被获取作为样本数据进行训练。
输入单元502,将每个所述第一候选地理兴趣点的所述特征信息输入到所述召回模型中。
由于通过选取模块402获取了多个所述第一候选地理兴趣点的特征信息,输入单元502将第一候选地理兴趣点的特征信息输入到基于机器学习的召回模型,目的在于召回符合预设条件的地理兴趣点。对于能够输入到召回模型中的特征信息的类型和标准,可以预先在构建召回模型时设置。
计算单元503,通过所述召回模型计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
考虑到输入单元502中的每个所述第一候选地理兴趣点的所述特征信息应为包含第一候选地理兴趣点的特征的信息,所述特征信息可包含位置的自身属性信息、与用户的实时位置信息的关系特征信息等。
计算单元503用于基于训练好的召回模型,将第一候选地理兴趣点的特征信息输入到召回模型中,在召回模型中设置需要参考的参数,通过预先设定算法,即可预测每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
本公开的第六实施例提供了一种基于地理位置信息的信息处理装置,由于召回模型的训练程度影响到召回候选位置的准确性,进而影响用户的使用体验,对于上述第四实施例中的训练单元501,即获取训练样本数据,对召回模型进行训练具体包括:
获取子单元,用于获取历史订单配送数据;
可理解的是,获取子单元中的历史订单的配送数据即为所有用户历史下单的有关订单的配送数据,该数据至少包括:订单数据、运单数据以及配送数据,其中,订单数据例如可以是用户所在的位置信息,用户下单的位置信息、用户的个人信息等;运单数据例如可以是配送员的信息、配送员的交通工具信息、模拟的导航路线等;配送数据例如可以是订单的配送状态信息、配送员确认送达的定位信息以及无法配送、无法找到用户地址等情况的信息。
确定子单元,用于基于所述历史订单配送数据,确定地理兴趣点目标集,其中,所述地理兴趣点目标集包括每次历史配送的目标地理兴趣点和对应于所述每次历史配送的地理兴趣点历史候选集。
在本步骤中,基于上述获取子单元获取的历史订单配送数据,可以对于每次配送针对用户下单的位置信息确定地理兴趣点候选集,该候选集包括每次配送的目标地理兴趣点和地理兴趣点的历史候选集,目标地理兴趣点即最终完成配送的实际送达的位置信息,地理兴趣点的历史候选集即针对该目标地理兴趣点并且满足一定条件的地理兴趣点的历史候选集。
过滤子单元,用于对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤确定第三候选地理兴趣点;
可理解的是,对于地理兴趣点历史候选集中包含的第二候选地理兴趣点较多,并且存在不准确的情况,不便于用户进行选取,这就需要过滤掉所述第二候选地理兴趣点中的配送员无法配送、无法找到用户下单的地址、用户修改地址等原因导致的配送失败的位置,以实现择优推荐位置给用户。
在一些实施例中,所述地理兴趣点历史候选集中的第二候选地理兴趣点基于每次配送中与用户发送的实时位置信息之间的第二距离确定。
可理解的是,所述第二候选地理兴趣点与所述实时位置信息所在的位置之间的距离在第二距离的范围内,例如用户发送的实时位置信息为地图上的A点,B点为与A点相距500米的位置,C点为与A点相距200米的位置,此时第二距离的预设值为250米,显而易见,C点会被选取为所述第二候选地理兴趣点,而A点则不会被选取为所述第二候选地理兴趣点,以上为举例说明,本实施方式对此不加以具体限定。
标签子单元,用于提取所述第三候选地理兴趣点的特征信息并为所述第三候选地理兴趣点配置标签。
标签子单元提取经过过滤的第三候选地理兴趣点的特征信息可以按照前述的方式进行,所述特征信息可包含该第一候选地理兴趣点的自身属性信息、与用户的实时位置信息的关系特征信息等。需要说明的是,其中的自身属性信息可以包括该第一候选地理兴趣点的分类、品牌、热度、重要度、是否为轮廓等特征信息;与用户的实时位置信息的关系特征信息可以包括与用户发送的实时位置信息之间的直接距离、轮廓距离、轮廓内外关系等特征信息,其中,直接距离可以是指两个位置的定位点之间的距离,轮廓距离可以是指两个位置上的建筑物的某一轮廓之间的距离,轮廓内外关系是指某个位置上建筑物之间多个轮廓之间的关系,比如商场和其中一个店铺之间轮廓的关系。
可理解的是,标签子单元根据所述第三候选地理兴趣点的特征信息,为每个候选地理兴趣点打上标签,例如当该地理兴趣点为目标位置时,打上“是”的标签,当该地理兴趣点不是目标位置时,打上“否”的标签,以将所述特征信息以及标签结果均输入到召回模型中进行训练。
在一些实施例中,所述过滤子单元的过滤的方式包括以下中的至少一种:
基于所述订单数据和所述用户发送的实时位置信息,过滤掉不符合第一预定条件的所述目标地理兴趣点;
可理解的是,第一预定条件可为与所述实时位置信息在一定距离内的位置,该距离可由用户自主设定,如距离实时位置信息的距离小于200米的位置,或利用用户手动或语音输入的地址的文本,过滤掉与上述文本相似度低的位置等,本实施方式在此不对所述第一预定条件做出具体限定。
基于所述配送数据和所述目标地理兴趣点,过滤掉不符合第二预定条件的所述第二候选地理兴趣点。
可理解的是,第二预定条件可为根据配送员的预定配送距离最大值,过滤掉配送员多次配送失败的位置、配送员找不到的位置、要求修改的位置、送达迟到的位置等条件,本实施方式在此不对所述第一预定条件做出具体限定。
在一些实施例中,所述标签子单元具体用于:
判断每个所述第三候选地理兴趣点是否与目标地理兴趣点相同;如果是则配置第一标签;如果否则配置第二标签。第一标签即表明该候选地理兴趣点与目标地理兴趣点相同,可通过“是”、“Yes”等标记方式对其做出标记,显而易见地,第二标签可采用与第一标签相对应的标记方式,如“否”、“No”等。
本公开根据第一候选地理兴趣点的特征信息,计算出第一候选地理兴趣点作为终选地理兴趣点的概率,并根据概率将预定数量的终选地理兴趣点推送给用户,为用户提供一种能够高效、准确呈现地理兴趣点的服务,提高协助用户对地理兴趣点选取的准确率,同时也有效提升配送产品至该地理兴趣点的配送效率。
本公开第七实施例提供了一种存储介质,该存储介质为计算机可读介质,存储有计算机程序,该计算机程序被处理器执行时实现本公开任意实施例提供的方法,包括如下步骤S11至S14:
S11,获取用户发送的实时位置信息;
S12,获取所述实时位置第一预设距离范围内的多个第一候选地理兴趣点,获取多个所述第一候选地理兴趣点的特征信息;
S13,基于所述第一候选地理兴趣点的特征信息,计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率;
S14,基于所述概率确定预定数量的终选地理兴趣点并向所述用户推送。
计算机程序被处理器执行所述基于所述第一候选地理兴趣点的特征信息,判断每个所述第一候选地理兴趣点作为终选地理兴趣点的概率时,具体被处理器执行如下步骤:获取训练样本数据,对召回模型进行训练;将每个所述第一候选地理兴趣点的所述特征信息输入到所述召回模型中;通过所述召回模型计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
计算机程序被处理器执行所述获取训练样本数据,对召回模型进行训练时,还被处理器执行如下步骤:获取历史订单配送数据;基于所述历史订单配送数据,确定地理兴趣点目标集,其中,所述地理兴趣点目标集包括每次历史配送的目标地理兴趣点和对应于所述每次历史配送的地理兴趣点历史候选集;对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤确定第三候选地理兴趣点;提取所述第三候选地理兴趣点的特征信息并为所述第三候选地理兴趣点配置标签。
计算机程序还被处理器执行如下步骤:所述地理兴趣点历史候选集中的第二候选地理兴趣点基于与每次配送的用户发送的实时位置信息之间的第二距离确定。
计算机程序被处理器执行如下步骤:所述对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤式,处理器可执行的方式包括以下中的至少一种:基于所述订单数据和所述用户发送的实时位置信息,过滤掉不符合第一预定条件的所述目标地理兴趣点;基于所述配送数据和所述目标地理兴趣点,过滤掉不符合第二预定条件的所述第二候选地理兴趣点。
计算机程序被处理器执行所述为所述第三候选地理兴趣点配置标签时,具体被处理器执行如下步骤:判断每个所述第三候选地理兴趣点是否与目标地理兴趣点相同;如果是则配置第一标签;如果否则配置第二标签。
本公开根据第一候选地理兴趣点的特征信息,计算出第一候选地理兴趣点作为终选地理兴趣点的概率,并根据概率将预定数量的终选地理兴趣点推送给用户,为用户提供一种能够高效、准确呈现地理兴趣点的服务,提高协助用户对地理兴趣点选取的准确率,同时也有效提升配送产品至该地理兴趣点的配送效率。
本公开第八实施例提供了一种电子设备,该电子设备的结构示意图可以如图6所示,至少包括存储器901和处理器902,存储器901上存储有计算机程序,处理器902在执行存储器901上的计算机程序时实现本公开任意实施例提供的方法。示例性的,电子设备计算机程序步骤如下S21至S24:
S21,获取用户发送的实时位置信息;
S22,获取所述实时位置第一预设距离范围内的多个第一候选地理兴趣点,获取多个所述第一候选地理兴趣点的特征信息;
S23,基于所述第一候选地理兴趣点的特征信息,计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率;
S24,基于所述概率确定预定数量的终选地理兴趣点并向所述用户推送。
处理器在执行存储器上存储的所述基于所述第一候选地理兴趣点的特征信息,判断每个所述第一候选地理兴趣点作为终选地理兴趣点的概率时,还执行如下计算机程序:获取训练样本数据,对召回模型进行训练;将每个所述第一候选地理兴趣点的所述特征信息输入到所述召回模型中;通过所述召回模型计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
处理器在执行存储器上存储的所述获取训练样本数据,对召回模型进行训练时,还执行如下计算机程序:获取历史订单配送数据;基于所述历史订单配送数据,确定地理兴趣点目标集,其中,所述地理兴趣点目标集包括每次历史配送的目标地理兴趣点和对应于所述每次历史配送的地理兴趣点历史候选集;对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤确定第三候选地理兴趣点;提取所述第三候选地理兴趣点的特征信息并为所述第三候选地理兴趣点配置标签。
处理器在执行存储器上存储的计算机程序时,还执行如下计算机程序:所述地理兴趣点历史候选集中的第二候选地理兴趣点基于与每次配送的用户发送的实时位置信息之间的第二距离确定。
处理器在执行存储器上存储的所述对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤式,处理器可执行的方式包括以下中的至少一种:基于所述订单数据和所述用户发送的实时位置信息,过滤掉不符合第一预定条件的所述目标地理兴趣点;基于所述配送数据和所述目标地理兴趣点,过滤掉不符合第二预定条件的所述第二候选地理兴趣点。
处理器在执行存储器上存储的计算机程序时,还执行如下计算机程序:判断每个所述第三候选地理兴趣点是否与目标地理兴趣点相同;如果是则配置第一标签;如果否则配置第二标签。
本公开根据第一候选地理兴趣点的特征信息,计算出第一候选地理兴趣点作为终选地理兴趣点的概率,并根据概率将预定数量的终选地理兴趣点推送给用户,为用户提供一种能够高效、准确呈现地理兴趣点的服务,提高协助用户对地理兴趣点选取的准确率,同时也有效提升配送产品至该地理兴趣点的配送效率。
应当注意的是,在本公开的***的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本公开不受限于此,可以根据需要对各个部件进行重新划分或者组合,例如,可以将一些部件组合为单个部件,或者可以将一些部件进一步分解为更多的子部件。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的***中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。另外,本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书和示例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外,在上述具体实施方式中,各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反,本公开的主题可以少于特定的公开的实施例的全部特征。从而,以下权利要求书作为示例或实施例在此并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且考虑这些实施例可以以各种组合或排列彼此组合。本公开的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例,不用于限制本公开,本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内,对本公开做出各种修改或等同替换,这种修改或等同替换也应视为落在本公开的保护范围内。
Claims (20)
1.一种信息处理方法,其特征在于,包括:
获取用户发送的实时位置信息;
获取所述实时位置第一预设距离范围内的多个第一候选地理兴趣点,获取多个所述第一候选地理兴趣点的特征信息;
基于所述第一候选地理兴趣点的特征信息,计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率;
基于所述概率确定预定数量的终选地理兴趣点并向所述用户推送。
2.如权利要求1所述的方法,其特征在于,所述基于所述第一候选地理兴趣点的特征信息,判断每个所述第一候选地理兴趣点作为终选地理兴趣点的概率包括:
获取训练样本数据,对召回模型进行训练;
将每个所述第一候选地理兴趣点的所述特征信息输入到所述召回模型中;
通过所述召回模型计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
3.如权利要求2所述的方法,其特征在于,所述获取训练样本数据,对召回模型进行训练包括:
获取历史订单配送数据;
基于所述历史订单配送数据,确定地理兴趣点目标集,其中,所述地理兴趣点目标集包括每次历史配送的目标地理兴趣点和对应于所述每次历史配送的地理兴趣点历史候选集;
对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤确定第三候选地理兴趣点;
提取所述第三候选地理兴趣点的特征信息并为所述第三候选地理兴趣点配置标签。
4.如权利要求3所述的方法,其特征在于,所述地理兴趣点历史候选集中的第二候选地理兴趣点基于与每次配送的用户发送的实时位置信息之间的第二距离确定。
5.如权利要求3所述的方法,其特征在于,所述历史订单配送数据至少包括:订单数据、运单数据、配送数据。
6.如权利要求3所述的方法,其特征在于,所述对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤的方式包括以下中的至少一种:
基于所述订单数据和所述用户发送的实时位置信息,过滤掉不符合第一预定条件的所述目标地理兴趣点;
基于所述配送数据和所述目标地理兴趣点,过滤掉不符合第二预定条件的所述第二候选地理兴趣点。
7.如权利要求3所述的方法,其特征在于,所述为所述第三候选地理兴趣点配置标签包括:
判断每个所述第三候选地理兴趣点是否与目标地理兴趣点相同;如果是则配置第一标签;如果否则配置第二标签。
8.如权利要求1-7中任一项所述的方法,其特征在于,所述第一候选地理兴趣点的特征信息至少包括:所述第一候选地理兴趣点的自身属性特征信息、所述第一候选地理兴趣点与用户发送的实时位置信息之间的关系特征信息。
9.如权利要求8所述的方法,其特征在于,所述关系特征信息包括距离信息、轮廓距离信息以及轮廓内外关系信息。
10.一种信息处理装置,其特征在于,所述装置包括:
获取模块,用于获取用户发送的实时位置信息;
选取模块,用于获取所述实时位置第一预设距离范围内的多个第一候选地理兴趣点,获取多个所述第一候选地理兴趣点的特征信息;
计算模块,用于基于所述第一候选地理兴趣点的特征信息,计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率;
推送模块,用于基于所述概率确定预定数量的终选地理兴趣点并向所述用户推送。
11.如权利要求10所述的装置,其特征在于,所述计算模块包括:
训练单元,获取训练样本数据,对召回模型进行训练;
输入单元,将每个所述第一候选地理兴趣点的所述特征信息输入到所述召回模型中;
计算单元,通过所述召回模型计算每个所述第一候选地理兴趣点作为终选地理兴趣点的概率。
12.如权利要求11所述的装置,其特征在于,所述训练单元包括:
获取子单元,用于获取历史订单配送数据;
确定子单元,用于基于所述历史订单配送数据,确定地理兴趣点目标集,其中,所述地理兴趣点目标集包括每次历史配送的目标地理兴趣点和对应于所述每次历史配送的地理兴趣点历史候选集;
过滤子单元,用于对所述目标地理兴趣点和地理兴趣点历史候选集中的第二候选地理兴趣点进行过滤确定第三候选地理兴趣点;
标签子单元,用于提取所述第三候选地理兴趣点的特征信息并为所述第三候选地理兴趣点配置标签。
13.如权利要求12所述的装置,其特征在于,所述确定子单元的所述地理兴趣点历史候选集中的第二候选地理兴趣点基于与每次配送的用户发送的实时位置信息之间的第二距离确定。
14.如权利要求12所述的装置,其特征在于,所述确定子单元的所述历史订单配送数据至少包括:订单数据、运单数据、配送数据。
15.如权利要求12所述的装置,其特征在于,所述过滤子单元的过滤的方式包括以下中的至少一种:
基于所述订单数据和所述用户发送的实时位置信息,过滤掉不符合第一预定条件的所述目标地理兴趣点;
基于所述配送数据和所述目标地理兴趣点,过滤掉不符合第二预定条件的所述第二候选地理兴趣点。
16.如权利要求12所述的装置,其特征在于,所述标签子单元具体用于:
判断每个所述第三候选地理兴趣点是否与目标地理兴趣点相同;如果是则配置第一标签;如果否则配置第二标签。
17.如权利要求10-16中任一项所述的装置,其特征在于,所述选取模块中的所述第一候选地理兴趣点的特征信息至少包括:所述第一候选地理兴趣点的自身属性特征信息、所述第一候选地理兴趣点与用户发送的实时位置信息之间的关系特征信息。
18.如权利要求17所述的装置,其特征在于,所述关系特征信息包括距离信息、轮廓距离信息以及轮廓内外关系信息。
19.一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述方法的步骤。
20.一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器在执行所述存储器上的计算机程序时实现权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877932.7A CN111814069A (zh) | 2019-09-17 | 2019-09-17 | 信息处理方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877932.7A CN111814069A (zh) | 2019-09-17 | 2019-09-17 | 信息处理方法、装置、存储介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814069A true CN111814069A (zh) | 2020-10-23 |
Family
ID=72844559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910877932.7A Pending CN111814069A (zh) | 2019-09-17 | 2019-09-17 | 信息处理方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814069A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652298A (zh) * | 2020-12-11 | 2021-04-13 | 北京百度网讯科技有限公司 | 语音识别方法、装置、电子设备和存储介质 |
CN112862131A (zh) * | 2021-02-05 | 2021-05-28 | 浙江口碑网络技术有限公司 | 信息处理方法及装置 |
CN112990548A (zh) * | 2021-02-08 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN113569149A (zh) * | 2021-07-30 | 2021-10-29 | 拉扎斯网络科技(上海)有限公司 | 信息处理方法、装置、电子设备 |
CN113870378A (zh) * | 2021-07-23 | 2021-12-31 | 北京三快在线科技有限公司 | 一种兴趣面信息的修正方法、装置、存储介质和设备 |
CN114118631A (zh) * | 2022-01-24 | 2022-03-01 | 深圳依时货拉拉科技有限公司 | 基于图神经网络的装卸货点推荐方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844376A (zh) * | 2015-12-03 | 2017-06-13 | 高德软件有限公司 | 推荐兴趣点的方法及装置 |
CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
-
2019
- 2019-09-17 CN CN201910877932.7A patent/CN111814069A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844376A (zh) * | 2015-12-03 | 2017-06-13 | 高德软件有限公司 | 推荐兴趣点的方法及装置 |
CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652298A (zh) * | 2020-12-11 | 2021-04-13 | 北京百度网讯科技有限公司 | 语音识别方法、装置、电子设备和存储介质 |
CN112862131A (zh) * | 2021-02-05 | 2021-05-28 | 浙江口碑网络技术有限公司 | 信息处理方法及装置 |
CN112990548A (zh) * | 2021-02-08 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN112990548B (zh) * | 2021-02-08 | 2024-04-19 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN113870378A (zh) * | 2021-07-23 | 2021-12-31 | 北京三快在线科技有限公司 | 一种兴趣面信息的修正方法、装置、存储介质和设备 |
CN113569149A (zh) * | 2021-07-30 | 2021-10-29 | 拉扎斯网络科技(上海)有限公司 | 信息处理方法、装置、电子设备 |
CN113569149B (zh) * | 2021-07-30 | 2024-01-19 | 拉扎斯网络科技(上海)有限公司 | 信息处理方法、装置、电子设备 |
CN114118631A (zh) * | 2022-01-24 | 2022-03-01 | 深圳依时货拉拉科技有限公司 | 基于图神经网络的装卸货点推荐方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814069A (zh) | 信息处理方法、装置、存储介质以及电子设备 | |
JP6904637B2 (ja) | 輸送停車場ロケーションを決定するためのシステムと方法 | |
CN107730313B (zh) | 基于推荐理由的店铺推荐方法及装置 | |
CN107424022B (zh) | 一种订单的推送方法及*** | |
US9794766B2 (en) | Identifying an entity associated with wireless network access point | |
JP6141393B2 (ja) | 目標位置を確定するための方法及び装置 | |
CN107491825B (zh) | 一种约车处理方法及*** | |
CN110334162B (zh) | 地址识别方法及装置 | |
US9576407B1 (en) | Systems and methods for mobile mileage tracking | |
EP2640098B1 (en) | System for Providing Extensible Location-Based Services | |
CN108701413A (zh) | 在实时合乘馈送中验证接取时间 | |
CN110674423A (zh) | 一种地址定位的方法、装置、可读存储介质和电子设备 | |
CN110782301A (zh) | 一种拼单方法、装置、电子设备及计算机可读存储介质 | |
CN111027906A (zh) | 配送订单确定方法、装置、存储介质与终端设备 | |
CN104461891B (zh) | 用于测试涉及定位的应用的方法及装置 | |
CN102692635A (zh) | 一种门店拜访过程中gps定位与基站定位的筛选方法 | |
CN108536695B (zh) | 一种地理位置信息点的聚合方法以及装置 | |
CN110858347A (zh) | 一种用于物流配送分单的方法和装置 | |
CN114119146A (zh) | 一种推荐方法、装置、电子设备及可读存储介质 | |
CN111597447A (zh) | 对象推送方法、装置、电子设备及存储介质 | |
US20220067605A1 (en) | Ride access point defect scoring using spatial index | |
US20170024801A1 (en) | System and method for list reordering based on frequency data or micro-location | |
CN109471909A (zh) | 地址定位的方法、装置及计算机可读存储介质 | |
CN111782973A (zh) | 兴趣点状态预测方法、装置、电子设备及存储介质 | |
CN110515929B (zh) | 书籍展示方法、计算设备及存储介质 |
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 |