CN111831899B - 导航兴趣点推荐方法、装置、服务器及可读存储介质 - Google Patents
导航兴趣点推荐方法、装置、服务器及可读存储介质 Download PDFInfo
- Publication number
- CN111831899B CN111831899B CN201910908102.6A CN201910908102A CN111831899B CN 111831899 B CN111831899 B CN 111831899B CN 201910908102 A CN201910908102 A CN 201910908102A CN 111831899 B CN111831899 B CN 111831899B
- Authority
- CN
- China
- Prior art keywords
- interest
- recommended
- navigation
- point
- points
- 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 50
- 238000012423 maintenance Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 25
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims 2
- 238000012163 sequencing technique Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised 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
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Navigation (AREA)
Abstract
本申请提供一种导航兴趣点推荐方法、装置、服务器及可读存储介质。本申请通过获取待推荐对象的当前位置所属的第一区域以及该第一区域所属的第二区域,根据第一区域及第二区域从历史导航数据中获取多个第一兴趣点及第二兴趣点,并获取运维***提供的多个第三兴趣点。然后,将该多个第一兴趣点、第二兴趣点及第三兴趣点导入预先训练得到的排序模型进行排序,根据排序结果获得待推荐兴趣点,以推荐给待推荐对象。如此,通过对待推荐对象的当前位置进行分析以预选出第一兴趣点和第二兴趣点,再结合运维提供的第三兴趣点进行排序后得到待推荐兴趣点实现导航兴趣点的推荐,避免了由于候选兴趣点来源单一造成的推荐选项与用户期望选项匹配率低的问题。
Description
技术领域
本申请涉及导航技术领域,具体而言,涉及一种导航兴趣点推荐方法、装置、服务器及可读存储介质。
背景技术
随着智能设备及移动互联网技术的发展,为用户出行提供了诸多支持。为了更好地满足用户的出行需求,为用户检索出匹配率高的目的地以进行推荐具有重要意义。
在现有技术中,一般是采用统计历史数据中作为目的地次数较多的兴趣点以推荐给用户,但是这种方式仅仅依据各个兴趣点的热度情况进行推荐,很容易出现推荐选项与用户期望选项之间的匹配率较低的情况,影响用户的体验度。
发明内容
有鉴于此,本申请的目的在于,提供一种导航兴趣点推荐方法、装置、服务器及可读存储介质,通过对待推荐对象的出发点进行分析以预选出兴趣点,再利用排序模型进行排序实现推荐,避免了现有推荐方式候选兴趣点来源单一造成的推荐选项匹配率低的问题。
根据本申请实施例的一个方面,提供一种服务器,可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当服务器运行时,处理器与存储介质之间通过总线通信,处理器执行所述机器可读指令,以执行导航兴趣点推荐方法。
根据本申请实施例的另一方面,提供一种导航兴趣点推荐方法,应用于服务器,所述方法包括:
获取待推荐对象的当前位置,获得所述当前位置所属的第一区域,并获得所述第一区域所属的第二区域,其中,所述第二区域包含多个第一区域;
从预存的历史导航数据中获取多个第一兴趣点以及多个第二兴趣点,并获取运维***提供的多个第三兴趣点,其中,所述第一兴趣点为所述历史导航数据中包括的所述第一区域内的出发点所对应的目的兴趣点,所述第二兴趣点为所述历史导航数据中包括的所述第二区域内的出发点所对应的目的兴趣点;
将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序;
根据排序结果获得待推荐兴趣点,并将该待推荐兴趣点推荐给所述待推荐对象。
在本申请的一些实施例中,所述方法还可以包括:
在接收到所述待推荐对象发起的推荐请求时,查询服务器中是否具有所述待推荐对象的个人历史数据;
若所述服务器中具有所述待推荐对象的个人历史数据,则检测所述个人历史数据的个数是否超过第一预设数量,若超过所述第一预设数量,则根据所述个人历史数据向所述待推荐对象推荐兴趣点;
若所述服务器中不具有所述待推荐对象的个人历史数据,或者所述待推荐对象的个人历史数据未超过所述第一预设数量,则执行所述获取待推荐对象的当前位置的步骤。
在本申请的一些实施例中,所述根据排序结果获得待推荐兴趣点,并将该待推荐兴趣点推荐给所述待推荐对象的步骤,可以包括:
在所述服务器中不具有所述待推荐对象的个人历史数据时,根据排序结果获得排在前第一预设数量的兴趣点作为所述待推荐兴趣点;
在所述服务器中具有所述待推荐对象的个人历史数据且所述个人历史数据的个数未超过所述第一预设数量时,根据所述排序结果获得排在前第二预设数量的兴趣点,将该第二预设数量的兴趣点以及所述个人历史数据中的兴趣点作为待推荐兴趣点推荐给所述待推荐对象,其中,所述第二预设数量与所述个人历史数据的条数之和等于所述第一预设数量。
在本申请的一些实施例中,所述将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序的步骤,可以包括:
获得各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息,以及为所述待推荐对象进行导航推荐服务的服务信息;
将所述特征信息以及所述服务信息导入至预先训练得到的排序模型中进行排序得到各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的排序结果。
在本申请的一些实施例中,各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息包括各兴趣点的来源信息、热度分值、热点属性,以及各兴趣点与所述待推荐对象之间的距离;
所述服务信息包括为所述待推荐对象进行导航推荐服务的当前时间点,以及所述待推荐对象的用户信息。
在本申请的一些实施例中,在将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序之前,所述方法还可以包括:
将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点中的重复的兴趣点删除。
在本申请的一些实施例中,所述方法还可以包括:
每间隔预设时长,根据该预设时长内获取到的历史导航数据对预存的历史导航数据进行更新,且每间隔预设时长从所述运维***获取多个第三兴趣点。
在本申请的一些实施例中,所述服务器中预存有多个导航样本,所述导航样本为导航推荐服务已结束的导航样本,所述方法还可以包括:
针对各所述导航样本,获取所述导航样本的出发点以及目的点;
将所述导航样本的目的点打上第一标签,并将预存的候选集合中的各兴趣点打上第二标签;
将所述导航样本的出发点、目的点以及所述候选集合中的各兴趣点导入至预设机器学习模型进行训练,得到所述排序模型。
在本申请的一些实施例中,所述将所述导航样本的出发点、目的点以及所述候选集合中的各兴趣点导入至预设机器学习模型进行训练,得到所述排序模型的步骤,可以包括:
获得所述导航样本的出发点所属的第一区域,以及该第一区域所属的第二区域;
获得每个所述导航样本的出发点到目的点之间的距离;
获得每个所述导航样本对应的导航推荐服务的时间信息以及用户模型;
将每个所述导航样本的第一区域信息、第二区域信息、所述出发点到目的点之间的距离、时间信息、用户模型以及所述目的点和所述候选集合中的各兴趣点导入至预设机器学习模型进行训练得到所述排序模型。
根据本申请实施例的另一方面,提供一种导航兴趣点推荐装置,应用于服务器,所述装置包括:
区域信息获取模块,用于获取待推荐对象的当前位置,获得所述当前位置所属的第一区域,并获得所述第一区域所属的第二区域,其中,所述第二区域包含多个第一区域;
兴趣点获取模块,用于从预存的历史导航数据中获取多个第一兴趣点以及多个第二兴趣点,并获取运维***提供的多个第三兴趣点,其中,所述第一兴趣点为所述历史导航数据中包括的所述第一区域内的出发点所对应的目的兴趣点,所述第二兴趣点为所述历史导航数据中包括的所述第二区域内的出发点所对应的目的兴趣点;
排序模块,用于将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序;
第一推荐模块,用于根据排序结果获得待推荐兴趣点,并将该待推荐兴趣点推荐给所述待推荐对象。
在本申请的一些实施例中,所述装置还可以包括:
查询模块,用于在接收到所述待推荐对象发起的推荐请求时,查询服务器中是否具有所述待推荐对象的个人历史数据;
第二推荐模块,用于在所述服务器中具有所述待推荐对象的个人历史数据时,检测所述个人历史数据的个数是否超过第一预设数量,若超过所述第一预设数量,则根据所述个人历史数据向所述待推荐对象推荐兴趣点;
所述区域信息获取模块用于在所述服务器中不具有所述待推荐对象的个人历史数据或者所述待推荐对象的个人历史数据未超过所述第一预设数量时,获取待推荐对象的当前位置。
在本申请的一些实施例中,所述第一推荐模块,具体可以用于:
在所述服务器中不具有所述待推荐对象的个人历史数据时,根据排序结果获得排在前第一预设数量的兴趣点作为所述待推荐兴趣点;
在所述服务器中具有所述待推荐对象的个人历史数据且所述个人历史数据的个数未超过所述第一预设数量时,根据所述排序结果获得排在前第二预设数量的兴趣点,将该第二预设数量的兴趣点以及所述个人历史数据中的兴趣点作为待推荐兴趣点推荐给所述待推荐对象,其中,所述第二预设数量与所述个人历史数据的条数之和等于所述第一预设数量。
在本申请的一些实施例中,所述排序模块,具体可以用于:
获得各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息,以及为所述待推荐对象进行导航推荐服务的服务信息;
将所述特征信息以及所述服务信息导入至预先训练得到的排序模型中进行排序得到各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的排序结果。
在本申请的一些实施例中,各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息包括各兴趣点的来源信息、热度分值、热点属性,以及各兴趣点与所述待推荐对象之间的距离;
所述服务信息包括为所述待推荐对象进行导航推荐服务的当前时间点,以及所述待推荐对象的用户信息。
在本申请的一些实施例中,所述装置还可以包括:
去重模块,用于将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点中的重复的兴趣点删除。
在本申请的一些实施例中,所述装置还可以包括:
更新模块,用于每间隔预设时长,根据该预设时长内获取到的历史导航数据对预存的历史导航数据进行更新,且每间隔预设时长从所述运维***获取多个第三兴趣点。
在本申请的一些实施例中,所述服务器中预存有多个导航样本,所述导航样本为导航推荐服务已结束的导航样本,所述装置还包括训练模块,所述训练模块具体可以用于:
针对各所述导航样本,获取所述导航样本的出发点以及目的点;
将所述导航样本的目的点打上第一标签,并将预存的候选集合中的各兴趣点打上第二标签;
将所述导航样本的出发点、目的点以及所述候选集合中的各兴趣点导入至预设机器学习模型进行训练,得到所述排序模型。
在本申请的一些实施例中,所述训练模块,具体可以用于:
获得所述导航样本的出发点所属的第一区域,以及该第一区域所属的第二区域;
获得每个所述导航样本的出发点到目的点之间的距离;
获得每个所述导航样本对应的导航推荐服务的时间信息以及用户模型;
将每个所述导航样本的第一区域信息、第二区域信息、所述出发点到目的点之间的距离、时间信息、用户模型以及所述目的点和所述候选集合中的各兴趣点导入至预设机器学习模型进行训练得到所述排序模型。
基于上述任一方面,本申请实施例通过获取待推荐对象的当前位置所属的第一区域以及该第一区域所属的第二区域,根据第一区域及第二区域从预存的历史导航数据中获取多个第一兴趣点及多个第二兴趣点,并获取运维***提供的多个第三兴趣点。然后,将该多个第一兴趣点、多个第二兴趣点及多个第三兴趣点导入预先训练得到的排序模型进行排序,根据排序结果获得待推荐兴趣点,以推荐给待推荐对象。如此,通过对待推荐对象的当前位置进行分析以从历史导航数据中预选出第一兴趣点和第二兴趣点,再结合运维提供的第三兴趣点,再进行排序后得到待推荐兴趣点实现导航兴趣点的推荐,避免了由于候选兴趣点来源单一造成的推荐选项与用户期望选项匹配率低的问题。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的导航兴趣点推荐***的交互示意框图;
图2示出了本申请实施例所提供的服务器的示例性硬件和软件组件的示意图;
图3示出了本申请实施例所提供的导航兴趣点推荐方法的流程示意图;
图4示出了本申请实施例所提供的第一区域及第二区域划分示意图之一;
图5示出了本申请实施例所提供的第一区域及第二区域划分示意图之二;
图6示出了本申请实施例所提供的预先训练排序模型的方法的流程示意图;
图7示出了图3中步骤S330包含的子步骤的流程示意图;
图8示出了本申请实施例所提供的导航兴趣点推荐装置的功能模块框图之一;
图9示出了本申请实施例所提供的导航兴趣点推荐装置的功能模块框图之二。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
第一实施例
图1是本申请一种可替代实施例提供的导航兴趣点推荐***100的架构示意图。例如,导航兴趣点推荐***100可以是用于诸如出租车、代驾服务、快车服务、拼车服务、公共汽车服务、驾驶员租赁服务、或班车服务之类的运输服务、或其上述任意服务之间的组合服务所依赖的在线运输服务平台。导航兴趣点推荐***100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140和数据库150,服务器110中可以包括执行指令操作的处理器。图1所示的导航兴趣点推荐***100仅为一种可行的示例,在其它可行的实施例中,该导航兴趣点推荐***100也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
在一些实施例中,服务器110可以是单个服务器110,也可以是一个服务器110组。服务器110组可以是集中式的,也可以是分布式的(例如,服务器110可以是分布式***)。在一些实施例中,服务器110相对于终端,可以是本地的、也可以是远程的。例如,服务器110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140、以及数据库150中的数据。作为另一示例,服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中的至少一个,以访问其中存储的数据。在一些实施例中,服务器110可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(communitycloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。在一些实施例中,服务器110也可以在具有本申请中图2所示的一个或多个组件的服务器110上实现。
在一些实施例中,服务器110、服务请求方终端130或服务提供方终端140可以包括处理器。处理器可以处理导航推荐服务过程中的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,在导航推荐服务过程中,处理器可以基于对获得的待推荐对象的当前位置并结合历史导航数据进行分析,以进行兴趣点推荐。处理器可以包括,但不限于中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等,或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中,导航兴趣点推荐***100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。例如,服务器110可以经由网络120从服务提供方终端140或服务请求终端130获取到服务请求信息。在一些实施例中,网络120可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched Telephone Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换节点,导航兴趣点推荐***100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中,“服务请求方”和“服务请求方终端130”可以互换使用,“服务提供方”和“服务提供方终端140”可以互换使用。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中,数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中,数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等,或其任意组合。作为举例,大容量存储器可以包括磁盘、光盘、固态驱动器等;可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等;易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM);RAM可以包括动态RAM(Dynamic RandomAccess Memory,DRAM),双倍数据速率同步动态RAM(Double Date-Rate Synchronous-RAM,DDR SDRAM);静态RAM(Static Random-Access Memory,SRAM),晶闸管RAM(Thyristor-Based Random Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例,ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-OnlyMemory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中,数据库150可以在云平台上实现。仅作为示例,云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等,或其任意组合。
在一些实施例中,数据库150可以连接到网络120以与导航兴趣点推荐***100(例如,服务器110,服务请求方终端130,服务提供方终端140等)中的一个或多个组件通信。导航兴趣点推荐***100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。数据库150可以直接连接到导航兴趣点推荐***100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等);或者数据库150也可以是服务器110的一部分。
在一些实施例中,导航兴趣点推荐***100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等)可以具有访问数据库150的权限。在一些实施例中,当满足一定条件时,导航兴趣点推荐***100中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如,服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。
第二实施例
图2示出根据本申请一些实施例的可以实现本申请思想的服务器110的示例性硬件和软件组件的示意图。例如,处理器112可以用于服务器110上,并且用于执行本申请中的功能。
服务器110可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的导航兴趣点推荐方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,服务器110可以包括连接到网络的网络端口111、用于执行程序指令的一个或多个处理器112、通信总线113、和不同形式的存储介质114,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。服务器110还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口115。
为了便于说明,在服务器110中仅描述了一个处理器112。然而,应当注意,本申请中的服务器110还可以包括多个处理器112,因此本申请中描述的一个处理器112执行的步骤也可以由多个处理器112联合执行或单独执行。例如,若服务器110的处理器112执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器112共同执行或者在一个处理器112中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
第三实施例
图3示出了本申请的一些实施例的导航兴趣点推荐方法的流程示意图,本申请所提供的导航兴趣点推荐方法可应用于上述实施例中的服务器110。应当理解,在其它实施例中,本实施例所述的导航兴趣点推荐方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该导航兴趣点推荐方法的详细步骤介绍如下。
步骤S310,获取待推荐对象的当前位置,获得所述当前位置所属的第一区域,并获得所述第一区域所属的第二区域,其中,所述第二区域包含多个第一区域。
用户出行时,可以利用相关的应用软件进行导航,但是若用户并没有确定位置的目的地,而只有待查询的兴趣点时,例如用户想要去公园或者酒店等但没有目的点的具***置信息时,则可通过导航兴趣点应用软件进行相关的兴趣点的推荐,以供用户进行选择。其中,兴趣点指的是地图上任意非地理意义的有意义的点,例如商店、酒吧、加油站、医院、车站等。用户可通过服务请求方终端130向服务器110发送推荐请求,该推荐请求中携带有服务请求方终端130的当前位置。
在本实施例中,针对各个城市,可预先根据各个城市的区县分布情况对城市进行区域划分,例如可如图4中所示,区域O可表征一个城市区域,该城市可划分为多个区域A、B、C、D,其中,各个区域(A、B、C、D)可命名为第一区域,而整个城市区域O可命名为第二区域。又或者,可如图5中所示,整个城市区域O可划分为多个区域A、B、C、D,该各个区域又可划分为多个子区域。例如区域A可划分多个子区域A1、A2、A3、A4,各个子区域(A1、A2、A3、A4)可命名为第一区域,各个区域(A、B、C、D)可命名为第二区域。对于第一区域、第二区域的划分方式在本实施例中不作具体限制,只需满足第二区域包含多个第一区域即可。
在获得待推荐对象所处的当前位置后,可获得该当前位置所属的第一区域,以及该第一区域所属的第二区域。例如,如图4中所示,若待推荐对象所处的当前位置为点P,则该当前位置P所属的第一区域为区域A,该第一区域A所属的第二区域为区域O。
步骤S320,从预存的历史导航数据中获取多个第一兴趣点以及多个第二兴趣点,并获取运维***提供的多个第三兴趣点,其中,所述第一兴趣点为所述历史导航数据中包括的所述第一区域内的出发点所对应的目的兴趣点,所述第二兴趣点为所述历史导航数据中包括的所述第二区域内的出发点所对应的目的兴趣点。
步骤S330,将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序。
步骤S340,根据排序结果获得待推荐兴趣点,并将该待推荐兴趣点推荐给所述待推荐对象。
本实施例中,在待推荐对象的个人历史数据较少的情况下,无法根据其个人历史数据进行兴趣点的推荐。因此,可获得待推荐对象的当前位置所属的第一区域,以及该第一区域所属的第二区域后,从预存的历史导航数据中获取第一区域内的出发点所对应的目的兴趣点,以及第二区域内的出发点所对应的目的兴趣点。其中,预存的历史导航数据为服务器110中记录的导航兴趣点应用软件的所有用户的导航数据。
将获得的第一区域内的出发点所对应的目的兴趣点作为第一兴趣点,将第二区域内的出发点所对应的目的兴趣点作为第二兴趣点。可选地,在此基础上,还可获得运维***提供的多个第三兴趣点,其中,该第三兴趣点为运维***所统计的作为目的地次数较多的兴趣点,第三兴趣点并未考虑其对应的出发点的位置信息,仅根据将其作为目的地的次数的多少进行统计。其中,多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点可以是对应来源的次数排在在前预设数量的兴趣点,例如前10个或前15个等。
如此,可对待推荐对象的出发地进行分析,以结合历史导航数据获得从待推荐对象所在的小区域(第一区域)内出发的用户一般去往的兴趣点,以及从待推荐对象所在的大区域(第二区域)内出发的用户一般去往的兴趣点。再结合运维***统计的并未考虑出发点信息的作为目的地次数较多的兴趣点。将获得的多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序,根据排序结果获得待推荐兴趣点,将该待推荐兴趣点推荐给待推荐对象。
通过上述推荐方案,可结合待推荐对象的出发点信息,从历史导航数据中获得出发点信息与待推荐对象的出发点匹配的兴趣点,并结合运维***提供的兴趣点,再进行排序后得到待推荐兴趣点实现推荐,避免了现有技术中由于数据来源单一造成的推荐选项与用户期望选项匹配率低的问题。
在本实施例中,在接收到待推荐对象发起的推荐请求时,首先可查询服务器110中是否具有待推荐对象的个人历史数据。可获取待推荐对象的用户信息,例如待推荐对象的用户账号,获得该用户账号是否具有历史数据,该历史数据为已完成的该待推荐对象的历史导航数据。
若服务器110中不具有待推荐对象的个人历史数据,则可确定无法根据待推荐对象的个人历史数据进行兴趣点推荐。若服务器110中具有待推荐对象的个人历史数据,则检测该个人历史数据的个数是否超过第一预设数量,其中,该第一预设数量为设定的需要向待推荐对象推荐的兴趣点的个数,例如15个。
若待推荐对象的个人历史数据超过第一预设数量,则可直接根据待推荐对象的个人历史数据向待推荐对象推荐兴趣点,例如,可将待推荐对象的个人历史数据中作为目的地的兴趣点按次数多少进行排序,将排在前第一预设数量的兴趣点推荐给待推荐对象。或者是将待推荐对象的个人历史数据中作为目的地的兴趣点全部推荐给待推荐对象,具体地在本实施例中不作限制,可根据实际需求进行相应设置。
需要说明的是,本实施例中所述的个人历史数据的条数指的是与待推荐对象当前所搜索的具有相同类型的不重复兴趣点的条数。例如,若待推荐对象当前所搜索的是公园,则获得的个人历史数据中兴趣点为公园的历史数据,且删除重复的兴趣点,最终得到个人历史数据的条数与第一预设数量进行比较。
若服务器110中不具有待推荐对象的个人历史数据,或者是待推荐对象的个人历史数据未超过第一预设数量,则无法完全根据其个人历史数据进行兴趣点的推荐,可执行上述的分析待推荐对象的当前位置信息,结合历史导航数据及运维***提供的兴趣点向待推荐对象进行兴趣点的推荐方案。
本实施例中,为了保障后续用于排序的第一兴趣点、第二兴趣点及第三兴趣点的信息有效性,可每间隔预设时长,根据该预设时长内获取到的历史导航数据对预存的历史导航数据进行更新,且每间隔预设时长从运维***获取多个第三兴趣点。
在本实施例中,在获得多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点之后,可通过预先训练得到的排序模型对多个第一兴趣点、多个第二兴趣点及多个第三兴趣点进行排序。下面首先对排序模型的训练过程进行说明。
本实施例中,服务器110中预存有多个导航样本,各个导航样本为导航推荐服务已结束的导航样本。请结合参阅图6,可通过以下方式训练得到排序模型:
步骤S610,针对各所述导航样本,获取所述导航样本的出发点以及目的点。
步骤S620,将所述导航样本的目的点打上第一标签,并将预存的候选集合中的各兴趣点打上第二标签。
步骤S630,将所述导航样本的出发点、目的点以及所述候选集合中的各兴趣点导入至预设机器学习模型进行训练,得到所述排序模型。
各导航样本为导航推荐服务已结束的导航样本,因此,各导航样本可包含对应的导航推荐服务的出发点以及目的点,其中,该目的点即为对应的导航推荐服务的目的兴趣点。可将导航样本的目的点打上第一标签,例如第一标签可为标签1。将服务器110中预存的候选集合中的各兴趣点打上第二标签,该第二标签可为标签0。其中,候选集合中的各兴趣点通过以下方式获得:
获得该导航样本对应的导航推荐服务过程中,该导航样本的出发点所属的第一区域以及该第一区域所属的第二区域,获得分别对应的多个第一兴趣点以及多个第二兴趣点,并获得该导航推荐服务过程中运维***提供的多个第三兴趣点。获得该些第一兴趣点、第二兴趣点以及第三兴趣点中的重复的兴趣点,该重复的兴趣点构成上述的候选集合。
将导航样本的出发点以及标记后的目的点、候选集合中的各兴趣点导入至预设机器学习模型进行训练,得到所述的排序模型。其中,该预设机器学习模型可为机器学习排序(Learning To Rank,LTR)模型。
在本实施例中,具体地,可获得每个导航样本的出发点到目的点之间的距离,获得每个导航样本对应的导航推荐服务的时间信息以及用户模型。其中,该时间信息可以是具体的时间点,也可以是时间段信息。用户模型包含用户的年龄、性别等信息。再将获得的导航样本的出发点所属的第一区域信息、第二区域信息、出发点到目的点之间的距离、时间信息、用户模型以及打上标签的目的点和候选集合中的各兴趣点导入至所述的预设机器学习模型进行训练得到排序模型。
本实施例中,预先训练得到的排序模型可以用于在线导航推荐时兴趣点的排序。在正式进行在线导航推荐时,在从历史导航数据中获得多个第一兴趣点、多个第二兴趣点,并获得运维***提供的多个第三兴趣点之后,可首先将多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点中重复的兴趣点删除,如此,避免重复的兴趣点对后续排序结果造成影响。
请结合参阅图7,在本实施例中,可利用预先训练得到的排序模型通过以下方式对多个兴趣点进行排序:
步骤S710,获得各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息,以及为所述待推荐对象进行导航推荐服务的服务信息。
步骤S720,将所述特征信息以及所述服务信息导入至预先训练得到的排序模型中进行排序得到各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的排序结果。
各第一兴趣点、各第二兴趣点以及各第三兴趣点的特征信息包括各兴趣点的来源信息、热度分值、热点属性,以及各兴趣点与待推荐对象之间的距离。例如,第一兴趣点的特征信息包括第一兴趣点的来源信息、热度分值、热点属性,以及第二兴趣点与待推荐对象之间的距离;第二兴趣点的特征信息包括第二兴趣点的来源信息、热度分值、热点属性,以及第二兴趣点与待推荐对象之间的距离;第三兴趣点的特征信息包括第三兴趣点的来源信息、热度分值、热点属性,以及第三兴趣点与待推荐对象之间的距离。
其中,兴趣点的来源信息包括第一区域、第二区域、运维***,例如兴趣点对应的出发点在第一区域内,或兴趣点对应的出发点在第二区域内,或者兴趣点为运维***所提供。兴趣点的热度分值为根据该兴趣点作为目的地的次数所确定,例如该兴趣点作为目的地的次数越多,则对应的热度分值越高,反之则热度分值越低。热点属性则表征该兴趣点的类别,例如该兴趣点的热点属性为酒店,或者公园,或者医院等。
此外,为待推荐对象进行导航推荐服务的服务信息包括进行导航推荐服务的当前时间点以及待推荐对象的用户信息。本实施例中,在排序时加入用户信息,可针对不同用户的具体情况得到针对性的排序结果。并且,将当前时间点作为排序模型的一项输入参数,可对导航推荐服务的时间信息进行考虑,得到更符合当前时间点的排序结果。例如,用户在晚上常去的兴趣点和在早上常去的兴趣点可能有所不同,因此,加入对时间点的考虑,可得到更加符合用户的期望选项的排序结果。
可将上述的各兴趣点的特征信息以及导航推荐服务的服务信息导入至预先训练得到的排序模型中进行排序,以得到各第一兴趣点、各第二兴趣点以及各第三兴趣点的排序结果。再根据排序结果得到待推荐兴趣点,并将得到的待推荐兴趣点推荐给待推荐对象。例如,将待推荐对象以推荐列表的形式反馈给待推荐对象。
本实施例中,在进行兴趣点推荐时,若待推荐对象没有个人历史数据,即待推荐对象为首次使用该导航兴趣点应用时,则可直接根据排序结果获得排在前第一预设数量,例如前15个,的兴趣点作为待推荐兴趣点,以推荐给待推荐对象。
若服务器110中具有待推荐对象的个人历史数据且个人历史数据的个数未超过第一预设数量,例如其个人历史数据的个数为10个时。则可结合排序结果以及待推荐对象的个人历史数据中的兴趣点为待推荐对象进行推荐。可选地,可根据排序结果获得排在前第二预设数量的兴趣点,并将该第二预设数量的兴趣点以及其个人历史数据中的兴趣点作为待推荐兴趣点以推荐给待推荐对象,其中,该第二预设数量与个人历史数据的条数之和等于第一预设数量。
例如,若第一预设数量为15,即可向待推荐对象推荐15个兴趣点。若待推荐对象的个人历史数据中与待推荐对象当前搜索的兴趣点相同类型的兴趣点的历史数据条数为10条。则可根据排序结果获得排在前5个的兴趣点,并将其与待推荐对象的个人历史数据中的10个兴趣点一起作为待推荐兴趣点以推荐给待推荐对象。
如此,在不具有用户的历史数据的情况下,可以根据从多个维度获得的兴趣点的排序结果向用户进行兴趣点的推荐。在具有一定量的用户的历史数据的情况下,可结合用户的历史数据以及从多个维度获得的兴趣点的排序结果向用户进行推荐,以提高推荐选项与用户的期望选项之间的匹配率。
第四实施例
图8示出本申请的一些实施例的导航兴趣点推荐装置800的功能模块框图,该导航兴趣点推荐装置800实现的功能对应上述方法执行的步骤。该装置可理解为上述服务器110,或服务器110的处理器112,也可以理解为独立于上述服务器110或处理器112之外的在服务器110控制下实现本申请功能的组件,如图8所示,导航兴趣点推荐装置800可以包括区域信息获取模块810、兴趣点获取模块820、排序模块830以及第一推荐模块840。
区域信息获取模块810,用于获取待推荐对象的当前位置,获得所述当前位置所属的第一区域,并获得所述第一区域所属的第二区域,其中,所述第二区域包含多个第一区域。可以理解,该区域信息获取模块810可以用于执行上述步骤S310,关于该区域信息获取模块810的详细实现方式可以参照上述对步骤S310有关的内容。
兴趣点获取模块820,用于从预存的历史导航数据中获取多个第一兴趣点以及多个第二兴趣点,并获取运维***提供的多个第三兴趣点,其中,所述第一兴趣点为所述历史导航数据中包括的所述第一区域内的出发点所对应的目的兴趣点,所述第二兴趣点为所述历史导航数据中包括的所述第二区域内的出发点所对应的目的兴趣点。可以理解,该兴趣点获取模块820可以用于执行上述步骤S320,关于该兴趣点获取模块820的详细实现方式可以参照上述对步骤S320有关的内容。
排序模块830,用于将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序。可以理解,该排序模块830可以用于执行上述步骤S330,关于该排序模块830的详细实现方式可以参照上述对步骤S330有关的内容。
第一推荐模块840,用于根据排序结果获得待推荐兴趣点,并将该待推荐兴趣点推荐给所述待推荐对象。可以理解,该第一推荐模块840可以用于执行上述步骤S340,关于该第一推荐模块840的详细实现方式可以参照上述对步骤S340有关的内容。
请结合参阅图9,在一种可能的实施方式中,导航兴趣点推荐装置800还可以包括:
查询模块850,用于在接收到所述待推荐对象发起的推荐请求时,查询服务器110中是否具有所述待推荐对象的个人历史数据。
第二推荐模块860,用于在所述服务器110中具有所述待推荐对象的个人历史数据时,检测所述个人历史数据的个数是否超过第一预设数量,若超过所述第一预设数量,则根据所述个人历史数据向所述待推荐对象推荐兴趣点。
所述区域信息获取模块810用于在所述服务器110中不具有所述待推荐对象的个人历史数据或者所述待推荐对象的个人历史数据未超过所述第一预设数量时,获取待推荐对象的当前位置。
在一种可能的实施方式中,所述第一推荐模块840,具体可以用于:
在所述服务器110中不具有所述待推荐对象的个人历史数据时,根据排序结果获得排在前第一预设数量的兴趣点作为所述待推荐兴趣点;
在所述服务器110中具有所述待推荐对象的个人历史数据且所述个人历史数据的个数未超过所述第一预设数量时,根据所述排序结果获得排在前第二预设数量的兴趣点,将该第二预设数量的兴趣点以及所述个人历史数据中的兴趣点作为待推荐兴趣点推荐给所述待推荐对象,其中,所述第二预设数量与所述个人历史数据的条数之和等于所述第一预设数量。
在一种可能的实施方式中,所述排序模块830,具体可以用于:
获得各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息,以及为所述待推荐对象进行导航推荐服务的服务信息;
将所述特征信息以及所述服务信息导入至预先训练得到的排序模型中进行排序得到各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的排序结果。
在一种可能的实施方式中,各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息包括各兴趣点的来源信息、热度分值、热点属性,以及各兴趣点与所述待推荐对象之间的距离;
所述服务信息包括为所述待推荐对象进行导航推荐服务的当前时间点,以及所述待推荐对象的用户信息。
在一种可能的实施方式中,所述导航兴趣点推荐装置800还可以包括:
去重模块870,用于将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点中的重复的兴趣点删除。
在一种可能的实施方式中,所述导航兴趣点推荐装置800还可以包括:
更新模块880,用于每间隔预设时长,根据该预设时长内获取到的历史导航数据对预存的历史导航数据进行更新,且每间隔预设时长从所述运维***获取多个第三兴趣点。
在一种可能的实施方式中,所述服务器110中预存有多个导航样本,所述导航样本为导航推荐服务已结束的导航样本,所述导航兴趣点推荐装置800还包括训练模块890,所述训练模块890,具体可以用于:
针对各所述导航样本,获取所述导航样本的出发点以及目的点;
将所述导航样本的目的点打上第一标签,并将预存的候选集合中的各兴趣点打上第二标签;
将所述导航样本的出发点、目的点以及所述候选集合中的各兴趣点导入至预设机器学习模型进行训练,得到所述排序模型。
在一种可能的实施方式中,所述训练模块890具体用于通过以下方式训练得到所述排序模型:
获得所述导航样本的出发点所属的第一区域,以及该第一区域所属的第二区域;
获得每个所述导航样本的出发点到目的点之间的距离;
获得每个所述导航样本对应的导航推荐服务的时间信息以及用户模型;
将每个所述导航样本的第一区域信息、第二区域信息、所述出发点到目的点之间的距离、时间信息、用户模型以及所述目的点和所述候选集合中的各兴趣点导入至预设机器学习模型进行训练得到所述排序模型。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
本申请实施例还提供了一种可读存储介质,所述可读存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的导航兴趣点推荐方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (18)
1.一种导航兴趣点推荐方法,其特征在于,应用于服务器,所述方法包括:
获取待推荐对象的当前位置,获得所述当前位置所属的第一区域,并获得所述第一区域所属的第二区域,其中,所述第二区域包含多个第一区域;
从预存的历史导航数据中获取多个第一兴趣点以及多个第二兴趣点,并获取运维***提供的多个第三兴趣点,其中,所述第一兴趣点为所述历史导航数据中包括的所述第一区域内的出发点所对应的目的兴趣点,所述第二兴趣点为所述历史导航数据中包括的所述第二区域内的出发点所对应的目的兴趣点;
将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序;
根据排序结果获得待推荐兴趣点,并将该待推荐兴趣点推荐给所述待推荐对象。
2.根据权利要求1所述的导航兴趣点推荐方法,其特征在于,所述方法还包括:
在接收到所述待推荐对象发起的推荐请求时,查询服务器中是否具有所述待推荐对象的个人历史数据;
若所述服务器中具有所述待推荐对象的个人历史数据,则检测所述个人历史数据的个数是否超过第一预设数量,若超过所述第一预设数量,则根据所述个人历史数据向所述待推荐对象推荐兴趣点;
若所述服务器中不具有所述待推荐对象的个人历史数据,或者所述待推荐对象的个人历史数据未超过所述第一预设数量,则执行所述获取待推荐对象的当前位置的步骤。
3.根据权利要求2所述的导航兴趣点推荐方法,其特征在于,所述根据排序结果获得待推荐兴趣点,并将该待推荐兴趣点推荐给所述待推荐对象的步骤,包括:
在所述服务器中不具有所述待推荐对象的个人历史数据时,根据排序结果获得排在前第一预设数量的兴趣点作为所述待推荐兴趣点;
在所述服务器中具有所述待推荐对象的个人历史数据且所述个人历史数据的个数未超过所述第一预设数量时,根据所述排序结果获得排在前第二预设数量的兴趣点,将该第二预设数量的兴趣点以及所述个人历史数据中的兴趣点作为待推荐兴趣点推荐给所述待推荐对象,其中,所述第二预设数量与所述个人历史数据的条数之和等于所述第一预设数量。
4.根据权利要求1所述的导航兴趣点推荐方法,其特征在于,所述将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序的步骤,包括:
获得各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息,以及为所述待推荐对象进行导航推荐服务的服务信息;
将所述特征信息以及所述服务信息导入至预先训练得到的排序模型中进行排序得到各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的排序结果。
5.根据权利要求4所述的导航兴趣点推荐方法,其特征在于,各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息包括各兴趣点的来源信息、热度分值、热点属性,以及各兴趣点与所述待推荐对象之间的距离;
所述服务信息包括为所述待推荐对象进行导航推荐服务的当前时间点,以及所述待推荐对象的用户信息。
6.根据权利要求1所述的导航兴趣点推荐方法,其特征在于,在将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序之前,所述方法还包括:
将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点中的重复的兴趣点删除。
7.根据权利要求1-6任意一项所述的导航兴趣点推荐方法,其特征在于,所述服务器中预存有多个导航样本,所述导航样本为导航推荐服务已结束的导航样本,所述方法还包括:
针对各所述导航样本,获取所述导航样本的出发点以及目的点;
将所述导航样本的目的点打上第一标签,并将预存的候选集合中的各兴趣点打上第二标签;
将所述导航样本的出发点、目的点以及所述候选集合中的各兴趣点导入至预设机器学习模型进行训练,得到所述排序模型。
8.根据权利要求7所述的导航兴趣点推荐方法,其特征在于,所述将所述导航样本的出发点、目的点以及所述候选集合中的各兴趣点导入至预设机器学习模型进行训练,得到所述排序模型的步骤,包括:
获得所述导航样本的出发点所属的第一区域,以及该第一区域所属的第二区域;
获得每个所述导航样本的出发点到目的点之间的距离;
获得每个所述导航样本对应的导航推荐服务的时间信息以及用户模型;
将每个所述导航样本的第一区域信息、第二区域信息、所述出发点到目的点之间的距离、时间信息、用户模型以及所述目的点和所述候选集合中的各兴趣点导入至预设机器学习模型进行训练得到所述排序模型。
9.一种导航兴趣点推荐装置,其特征在于,应用于服务器,所述装置包括:
区域信息获取模块,用于获取待推荐对象的当前位置,获得所述当前位置所属的第一区域,并获得所述第一区域所属的第二区域,其中,所述第二区域包含多个第一区域;
兴趣点获取模块,用于从预存的历史导航数据中获取多个第一兴趣点以及多个第二兴趣点,并获取运维***提供的多个第三兴趣点,其中,所述第一兴趣点为所述历史导航数据中包括的所述第一区域内的出发点所对应的目的兴趣点,所述第二兴趣点为所述历史导航数据中包括的所述第二区域内的出发点所对应的目的兴趣点;
排序模块,用于将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点导入预先训练得到的排序模型中进行排序;
第一推荐模块,用于根据排序结果获得待推荐兴趣点,并将该待推荐兴趣点推荐给所述待推荐对象。
10.根据权利要求9所述的导航兴趣点推荐装置,其特征在于,所述装置还包括:
查询模块,用于在接收到所述待推荐对象发起的推荐请求时,查询服务器中是否具有所述待推荐对象的个人历史数据;
第二推荐模块,用于在所述服务器中具有所述待推荐对象的个人历史数据时,检测所述个人历史数据的个数是否超过第一预设数量,若超过所述第一预设数量,则根据所述个人历史数据向所述待推荐对象推荐兴趣点;
所述区域信息获取模块用于在所述服务器中不具有所述待推荐对象的个人历史数据或者所述待推荐对象的个人历史数据未超过所述第一预设数量时,获取待推荐对象的当前位置。
11.根据权利要求10所述的导航兴趣点推荐装置,其特征在于,所述第一推荐模块用于:
在所述服务器中不具有所述待推荐对象的个人历史数据时,根据排序结果获得排在前第一预设数量的兴趣点作为所述待推荐兴趣点;
在所述服务器中具有所述待推荐对象的个人历史数据且所述个人历史数据的个数未超过所述第一预设数量时,根据所述排序结果获得排在前第二预设数量的兴趣点,将该第二预设数量的兴趣点以及所述个人历史数据中的兴趣点作为待推荐兴趣点推荐给所述待推荐对象,其中,所述第二预设数量与所述个人历史数据的条数之和等于所述第一预设数量。
12.根据权利要求9所述的导航兴趣点推荐装置,其特征在于,所述排序模块用于:
获得各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息,以及为所述待推荐对象进行导航推荐服务的服务信息;
将所述特征信息以及所述服务信息导入至预先训练得到的排序模型中进行排序得到各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的排序结果。
13.根据权利要求12所述的导航兴趣点推荐装置,其特征在于,各所述第一兴趣点、各所述第二兴趣点以及各所述第三兴趣点的特征信息包括各兴趣点的来源信息、热度分值、热点属性,以及各兴趣点与所述待推荐对象之间的距离;
所述服务信息包括为所述待推荐对象进行导航推荐服务的当前时间点,以及所述待推荐对象的用户信息。
14.根据权利要求9所述的导航兴趣点推荐装置,其特征在于,所述装置还包括:
去重模块,用于将所述多个第一兴趣点、多个第二兴趣点以及多个第三兴趣点中的重复的兴趣点删除。
15.根据权利要求9-14任意一项所述的导航兴趣点推荐装置,其特征在于,所述服务器中预存有多个导航样本,所述导航样本为导航推荐服务已结束的导航样本,所述装置还包括训练模块,所述训练模块用于:
针对各所述导航样本,获取所述导航样本的出发点以及目的点;
将所述导航样本的目的点打上第一标签,并将预存的候选集合中的各兴趣点打上第二标签;
将所述导航样本的出发点、目的点以及所述候选集合中的各兴趣点导入至预设机器学习模型进行训练,得到所述排序模型。
16.根据权利要求15所述的导航兴趣点推荐装置,其特征在于,所述训练模块用于:
获得所述导航样本的出发点所属的第一区域,以及该第一区域所属的第二区域;
获得每个所述导航样本的出发点到目的点之间的距离;
获得每个所述导航样本对应的导航推荐服务的时间信息以及用户模型;
将每个所述导航样本的第一区域信息、第二区域信息、所述出发点到目的点之间的距离、时间信息、用户模型以及所述目的点和所述候选集合中的各兴趣点导入至预设机器学习模型进行训练得到所述排序模型。
17.一种服务器,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当服务器运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-8任意一项所述的导航兴趣点推荐方法。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-8任意一项所述的导航兴趣点推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910908102.6A CN111831899B (zh) | 2019-09-24 | 2019-09-24 | 导航兴趣点推荐方法、装置、服务器及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910908102.6A CN111831899B (zh) | 2019-09-24 | 2019-09-24 | 导航兴趣点推荐方法、装置、服务器及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111831899A CN111831899A (zh) | 2020-10-27 |
CN111831899B true CN111831899B (zh) | 2023-11-24 |
Family
ID=72912025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910908102.6A Active CN111831899B (zh) | 2019-09-24 | 2019-09-24 | 导航兴趣点推荐方法、装置、服务器及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831899B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112612957B (zh) * | 2020-12-24 | 2023-09-29 | 北京百度网讯科技有限公司 | 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置 |
CN112632392A (zh) * | 2020-12-30 | 2021-04-09 | 北京嘀嘀无限科技发展有限公司 | 确定候选下车地点的方法、装置、设备、介质和程序产品 |
CN112711713B (zh) * | 2021-01-15 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 兴趣点推荐和展示方法、装置、计算机设备和存储介质 |
CN115150462B (zh) * | 2022-05-25 | 2023-10-31 | 东风柳州汽车有限公司 | 行车话题推送方法、装置、设备及存储介质 |
CN115344175A (zh) * | 2022-08-17 | 2022-11-15 | 江苏满运物流信息有限公司 | 地图导航方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106289289A (zh) * | 2015-12-26 | 2017-01-04 | 惠州华阳通用电子有限公司 | 一种导航目的地推荐方法及装置 |
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 |
WO2017101317A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 智能推荐的全端显示方法及装置 |
CN107784092A (zh) * | 2017-10-11 | 2018-03-09 | 深圳市金立通信设备有限公司 | 一种推荐热词的方法、服务器及计算机可读介质 |
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102719B (zh) * | 2014-07-18 | 2018-02-02 | 百度在线网络技术(北京)有限公司 | 一种轨迹信息的推送方法及装置 |
-
2019
- 2019-09-24 CN CN201910908102.6A patent/CN111831899B/zh active Active
Patent Citations (5)
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 |
WO2017101317A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 智能推荐的全端显示方法及装置 |
CN106289289A (zh) * | 2015-12-26 | 2017-01-04 | 惠州华阳通用电子有限公司 | 一种导航目的地推荐方法及装置 |
CN107784092A (zh) * | 2017-10-11 | 2018-03-09 | 深圳市金立通信设备有限公司 | 一种推荐热词的方法、服务器及计算机可读介质 |
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
一种基于偏离度的移动导航服务回归测试优先方法;成静;张涛;张景波;王海鹏;许勤;;西北工业大学学报(第01期);全文 * |
基于ESSVM的分类推荐;侯君;刘魁;李千目;;数据分析与知识发现(第03期);全文 * |
基于用户轨迹数据的移动推荐***研究;孟祥武;李瑞昌;张玉洁;纪威宇;;软件学报(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111831899A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111831899B (zh) | 导航兴趣点推荐方法、装置、服务器及可读存储介质 | |
CN104991924B (zh) | 用于确定新供应点的地址的方法和装置 | |
CN106303955B (zh) | 用于对无线热点和poi进行匹配的方法和装置 | |
US20170206204A1 (en) | System, method, and device for generating a geographic area heat map | |
Su et al. | Crowdplanner: A crowd-based route recommendation system | |
CN106250568B (zh) | 服务范围确定方法、物流服务提供方推荐方法及相应装置 | |
US10393535B2 (en) | Computer-implemented method for recommending booths-to-visit | |
JP2020504409A (ja) | チケット検索に基づいて情報を提供するための方法及びデバイス | |
CN109084795B (zh) | 基于地图服务的搜索服务设施的方法及装置 | |
US11049199B2 (en) | Contextual trip itinerary generator | |
US20130238432A1 (en) | Automatic provider recommendation | |
CN111651685A (zh) | 一种兴趣点获取方法、装置、电子设备及存储介质 | |
CN105678412A (zh) | 面向多人乘车的路线规划方法和装置 | |
CN105095470A (zh) | 用于应用程序的数据推荐方法及装置 | |
JP2007219655A (ja) | 施設情報管理システム、施設情報管理方法および施設情報管理プログラム | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
JP2015106234A (ja) | コンテンツ情報の表示制御装置および表示制御方法 | |
CN109387215A (zh) | 路线推荐方法和装置 | |
WO2011082628A1 (zh) | 查找信息的方法和装置 | |
CN112632379A (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
WO2016123867A1 (zh) | 一种位置搜索认知的方法及装置 | |
CN109858683A (zh) | 确定店铺的营业状态的方法、装置、电子设备及存储介质 | |
CN111866073A (zh) | 服务站点推送分析方法、装置、电子设备及存储介质 | |
CN110646005A (zh) | 一种基于地图界面展示地图区域特征的方法及装置 | |
CN103797504A (zh) | 用于计划和预订旅程的方法和*** |
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 |