CN112328896B - 用于输出信息的方法、装置、电子设备和介质 - Google Patents
用于输出信息的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN112328896B CN112328896B CN202011343321.3A CN202011343321A CN112328896B CN 112328896 B CN112328896 B CN 112328896B CN 202011343321 A CN202011343321 A CN 202011343321A CN 112328896 B CN112328896 B CN 112328896B
- Authority
- CN
- China
- Prior art keywords
- target
- information
- picture
- name
- determining
- 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 54
- 238000013145 classification model Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 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
- G06F16/90—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
-
- 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)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种用于输出信息的方法、装置、电子设备和介质,涉及人工智能领域。具体实现方案为:获取目标兴趣点的名称;确定名称对应的初始标签信息;根据名称,确定至少一个兴趣点信息;基于初始标签信息和至少一个兴趣点信息,确定目标兴趣点的目标标签信息;输出目标标签信息。本实现方式提供一种用于输出信息的方法,能够提高兴趣点的标签信息输出的准确度。
Description
技术领域
本申请涉及计算机技术领域,具体涉及人工智能领域,尤其涉及用于输出信息的方法、装置、电子设备和介质。
背景技术
在地图兴趣点检索的场景下,需要根据用户输入的待查询信息,输出相应的地图兴趣点。其中,兴趣点泛指一切可以抽象为点的地理对象,尤其是一些与人们生活密切相关的地理实体,如学校、银行、餐馆、加油站、医院、超市等。
为了实现地图兴趣点检索,需要预先确定地图兴趣点对应的标签。现在确定地图兴趣点标签的方法可以依赖于预先设置标签信息表,在标签信息表中确定出与地图兴趣点对应的标签信息。然而,如果标签信息表中的信息不够准确或者信息覆盖面不够广,均会导致最终得到的标签信息不准确的问题。
发明内容
提供了一种用于输出信息的方法、装置、电子设备和介质。
根据第一方面,提供了一种用于输出信息的方法,包括:获取目标兴趣点的名称;确定名称对应的初始标签信息;根据名称,确定至少一个兴趣点信息;基于初始标签信息和至少一个兴趣点信息,确定目标兴趣点的目标标签信息;输出目标标签信息。
根据第二方面,提供了一种用于输出信息的装置,包括:名称获取单元,被配置成获取目标兴趣点的名称;第一标签确定单元,被配置成确定名称对应的初始标签信息;兴趣点信息确定单元,被配置成根据名称,确定至少一个兴趣点信息;第二标签确定单元,被配置成基于初始标签信息和至少一个兴趣点信息,确定目标兴趣点的目标标签信息;标签输出单元,被配置成输出目标标签信息。
根据第三方面,提供了一种用于输出信息的电子设备,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上任意一项用于输出信息的方法。
根据第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上任意一项用于输出信息的方法。
根据本申请的技术,能够根据地图兴趣点的名称和至少一个兴趣点信息确定地图兴趣点的标签信息,不需要依赖于预先设置标签信息表,通过对名称和至少一个兴趣点信息的分析,能够得到准确的标签信息。
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是本申请的一个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输出信息的方法的一个实施例的流程图;
图3是根据本申请的用于输出信息的方法的一个应用场景的示意图;
图4是根据本申请的用于输出信息的方法的另一个实施例的流程图;
图5是根据本申请的用于输出信息的装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的用于输出信息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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于输出信息的方法或用于输出信息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可以为手机、电脑以及平板等电子设备,在终端设备101、102、103中可以安装有地图导航软件,用户可以在终端设备101、102、103安装的地图导航软件中输入关键词,得到地图导航软件输出与关键词匹配的目标兴趣点。
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,可以是各种电子设备,包括但不限于电视、智能手机、平板电脑、电子书阅读器、车载电脑、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),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,例如可以获取终端设备101、102、103在地图导航软件中输入的关键词,确定与该关键词对应的目标标签信息,确定目标标签信息对应的目标兴趣点,以使在终端设备101、102、103中输出该目标兴趣点。其中,在确定目标兴趣点对应的目标标签信息的情况下,服务器105可以获取目标兴趣点的名称,再确定名称对应的初始标签信息,以及根据名称,确定至少一个兴趣点信息,以及基于初始标签信息和至少一个兴趣点信息,确定目标兴趣点的目标标签信息,以及输出目标标签信息。在确定目标标签信息之后,还可以将目标兴趣点和目标标签信息进行关联。当用户在终端设备101、102、103的地图导航软件中输入目标标签信息相关联的关键词时,服务器105可以控制终端设备101、102、103输出目标兴趣点。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,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),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于输出信息的方法一般由服务器105执行。相应地,用于输出信息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,示出了根据本申请的用于输出信息的方法的一个实施例的流程200。本实施例的用于输出信息的方法,包括以下步骤:
步骤201,获取目标兴趣点的名称。
本实施例中,目标兴趣点为地理信息***中的信息点,例如可以为某饭店、某景点等等。目标兴趣点的名称为该信息点对应的名称,举例来说,目标兴趣点的名称可以为“XX饭店(A大厦店)”。执行主体(如图1中的服务器105)可以获取终端设备中用户输入的目标兴趣点的名称,或者可以从数据库中获取预先统计的目标兴趣点的名称,对于获取的方式本实施例中不做限定。
步骤202,确定名称对应的初始标签信息。
本实施例中,初始标签信息用于初步描述目标兴趣点的名称对应的类别。执行主体可以通过对名称进行语义分析,得到初始标签信息。例如通过向预先训练好的模型输入名称,得到模型输出的初始标签信息。可选的,预先训练好的模型可以由预训练模型和深度学习模型组成,通过预训练模型和深度学习模型的结合,基于自然语言处理进行语义识别,得到名称对应的初始标签信息。进一步可选的,预训练模型可以采用Ernie模型(一种用于语义理解的模型),深度学习模型可以采用卷积神经网络(Convolutional NeuralNetworks,CNN)模型。也可以通过在预设的标签信息表中查找名称对应的标签信息,将其确定为初始标签信息。其中,预设的标签信息表可以存储有各个名称对应的标签信息。举例来说,如果目标兴趣点的名称为“XX饭店(A大厦店)”,初始标签信息中的标签可以为“XX饭店”。可选的,初始标签信息中还可以包含与标签对应的概率,该概率用于表示目标兴趣点与该标签的匹配程度,概率越高,匹配程度越高,概率越低,匹配程度越低。
步骤203,根据名称,确定至少一个兴趣点信息。
本实施例中,兴趣点信息为用于描述目标兴趣点的信息,可以包括但不限于目标相似度、标签特征值、检索特征值。其中,目标相似度可以为目标兴趣点的图片和预设的图片库里图片的相似度,预设的图片库中的图片具有相应的图片标签,图片标签用于描述该图片中的目标兴趣点所属的类别,根据目标相似度可以在图片库中得到目标兴趣点的图片最相似的图片,以及最相似的图片对应的图片标签。标签特征值可以是将名称对应的标签进行映射处理得到的数值。名称对应的标签可以为人工输入的行业标签,也可以为通过对名称进行语义识别得到的行业标签,例如,如果目标兴趣点的名称为“XX饭店(A大厦店)”,名称对应的标签可以为“美食”。可选的,可以预先设置有标签映射表,对应存储有标签和数值,通过标签映射表可以将标签转化为相应的数值输出。进一步的,检索特征值可以为将目标兴趣点的检索点击次数进行归一化处理得到的数值,其中,目标兴趣点的检索点击次数为所有用户检索并点击该目标兴趣点的次数。再进一步的,名称和上述的至少一个兴趣点信息可以对应存储,作为共同描述目标兴趣点的特征。
步骤204,基于初始标签信息和至少一个兴趣点信息,确定目标兴趣点的目标标签信息。
本实施例中,可以根据初始标签信息、上述的至少一个兴趣点信息和预设的特征整合模型得到目标兴趣点的目标标签信息。其中,预设的特征整合模型用于整合多个特征,得到目标标签信息。具体可以为随机决策森林模型、决策树模型等。优选的,使用随机决策森林模型对初始标签信息和至少一个兴趣点信息进行计算,得到目标标签信息,准确度更高。具体的,可以将上述的初始标签信息、初始标签信息对应的概率、目标相似度、目标相似度对应的图片标签、标签特征值和检索特征值输入上述的特征整合模型,得到模型输出的目标兴趣点的目标标签信息。其中,检索特征值可以反映该目标兴趣点的初始标签信息的精准度,例如,如果目标兴趣点的检索特征值指示用户检索点击次数较低,则大概率说明初始标签信息不够准确,如果目标兴趣点的检索特征值指示用户检索点击次数较高,则大概率说明初始标签信息较为准确。举例来说,针对目标兴趣点的名称为“XX饭店(A大厦店)”,相应的初始标签信息中的标签可以为“XX饭店”,如果针对“XX饭店(A大厦店)”对应的检索特征值指示用户检索点击次数较低,则说明“XX饭店(A大厦店)”很可能为“XX饭店”的山寨店,此时可以根据检索特征值辅助对初始标签信息进行纠错,以使得到的目标标签信息能够准确地反映目标兴趣点的类别,如品牌分类等。
步骤205,输出目标标签信息。
本实施例中,上述的执行主体在确定目标标签信息之后,执行主体可以向终端设备输出目标标签信息。
继续参见图3,其示出了根据本申请的用于输出信息的方法的一个应用场景的示意图。在图3的应用场景中,上述用于输出信息的方法可以应用到地图兴趣点确定的场景中,上述的目标兴趣点的名称为XX饭店301,目标兴趣点的图片为图片302,目标兴趣点的标签为美食303,目标兴趣点的检索点击次数为检索点击次数304。服务器305可以根据XX饭店301,得到初始标签信息“XX饭店”,以及初始标签信息对应的概率“95%”,再在数据库中确定与“XX饭店”对应的图片库,该图片库里的图片均是“XX饭店”对应的图片。进一步的,可以计算图片302与图片库里各个图片之间的相似度,从中选取最高的相似度作为目标相似度,再确定目标相似度对应的图片标签,如目标相似度为0.5,图片标签为“XX品牌”。进一步的,还可以将美食303映射为相应的数值,例如预先设置美食对应的数值为1,则可以将1确定为标签特征值。再进一步的,还可以将检索点击次数304进行归一化处理,将得到的数值确定为检索特征值,如归一化处理后得到的数值为0.5,则可以将0.5作为检索特征值。最后,可以将上述的初始标签信息“XX饭店”、初始标签信息对应的概率“95%”、目标相似度0.5、图片标签“XX品牌”、标签特征值1以及检索特征值0.5作为服务器中的随机决策森林模型的输入数据,最终得到随机决策森林模型输出的目标标签信息,也即是饭店标签306。
本申请上述实施例提供的用于输出信息的方法,可以根据目标兴趣点的名称对应的初始标签信息,以及名称对应的至少一个兴趣点信息,确定目标兴趣点的目标标签信息,并输出该目标标签信息,这一过程能够综合目标兴趣点的名称以及至少一个兴趣点信息,通过多维度的信息得到准确的目标标签信息,从而提高兴趣点的标签信息输出的准确度。
继续参见图4,其示出了根据本申请的用于输出信息的方法的另一个实施例的流程400。如图4所示,本实施例的用于输出信息的方法可以包括以下步骤:
步骤401,获取目标兴趣点的名称。
本实施例中,对于步骤401的描述请参照对步骤201的描述,在此不再赘述。
步骤402,根据名称和预先训练好的语义分类模型,确定名称对应的初始标签信息。
本实施例中,预先训练好的语义分类模型用于确定与目标兴趣点的名称对应的初始标签信息。可选的,该语义分类模型可以根据输入的名称,在标签信息表中查找与名称对应的标签信息,将该标签信息作为初始标签信息。另一种可选的,该语义分类模型可以根据输入的名称,计算得出多个标签以及每个标签对应的概率,将概率最大的标签和该概率作为初始标签信息,在这种情况下,语义分类模型可以由上述的预训练模型和深度学习模型组成,通过预训练模型和深度学习模型的结合,基于自然语言处理进行语义识别,得到名称对应的初始标签信息。
其中,预先训练好的语义分类模型可以通过以下步骤训练得到:获取对应存储的兴趣点样本名称和兴趣点分类标注;将兴趣点样本名称输入待训练语义分类模型,调整待训练语义分类模型的参数,以使待训练语义分类模型输出兴趣点分类标注,得到预先训练好的语义分类模型。
步骤403,根据名称,确定与名称对应的以下至少一项:目标相似度、标签特征值、检索特征值。
本实施例中,与目标兴趣点的名称关联的信息可以包括以下至少一项:目标兴趣点的图片、目标兴趣点的标签、目标兴趣点的检索点击次数。其中,目标兴趣点的标签可以为目标兴趣点的行业类别,例如目标兴趣点为某饭店,目标兴趣点的标签可以为美食,又或者,目标兴趣点为某大厦,目标兴趣点的标签可以为房地产。目标兴趣点的检索点击次数为服务器统计各个用户针对该目标兴趣点进行检索点击的次数。进一步的,可以根据目标兴趣点的图片计算得到目标相似度,又或者,可以根据目标兴趣点的标签计算得到标签特征值,又或者,可以根据目标兴趣点的检索点击次数计算得到检索特征值。
在本实施例的一些可选的实施方式中,根据名称确定至少一个兴趣点信息,包括:获取目标兴趣点的图片;根据初始标签信息,确定图片库;针对图片库中的每张图片,确定该图片与目标兴趣点的图片之间的相似度;从至少一个相似度中确定目标相似度。
本实现方式中,根据初始标签信息,可以确定出与初始标签信息对应的图片库,该图片库中的图片内容类别属于初始标签信息对应的类别。针对图片库中的每张图片,可以确定该图片与目标兴趣点的图片之间的相似度,相似度用于描述图片之间的相似程度,相似度越高,相似程度越高,相似度越低,相似程度越低。可以将确定出最高的相似度作为目标相似度,也可以将相似度次高的相似度作为目标相似度,本实现方式对此不做限定。优选使用数值最高的相似度作为目标相似度,准确度更高。
在本实施例的一些可选的实施方式中,针对图片库中的每张图片,确定该图片与目标兴趣点的图片之间的相似度,包括:确定图片库中的每张图片的第一特征向量;确定目标兴趣点的图片的第二特征向量;根据第一特征向量和第二特征向量,确定图片库中的每张图片与目标兴趣点的图片之间的相似度。
本实现方式中,上述的执行主体可以通过残差深度学习网络确定图片库中每张图片的第一特征向量,以及目标兴趣点的图片的第二特征向量,如使用Resnet分类网络提取图片的特征向量。可选的,可以计算第一特征向量和第二特征向量的余弦相似度,作为该图片与目标兴趣点的图片之间的相似度。
进一步的,可以将余弦相似度最大的值确定为目标相似度。其中,也可以计算第一特征向量和第二特征向量的其它可以描述相似程度的特征值,作为目标相似度,本实施例对此不做限定。进一步可选的,在确定目标相似度之后,可以进一步获取目标相似度对应的图片库中的图片的图片标签,该图片标签可以用于辅助描述目标兴趣点的特征。
步骤404,基于初始标签信息和至少一个兴趣点信息,确定目标兴趣点的目标标签信息。
本实施例中,对步骤404的详细描述请参照对步骤204的详细描述,在此不再赘述。
步骤405,输出目标标签信息。
本实施例中,对步骤405的详细描述请参照对步骤205的详细描述,在此不再赘述。
步骤406,根据目标标签信息,更新预先训练好的语义分类模型。
本实施例中,可以根据目标标签信息,更新预先训练好的语义分类模型。具体的,在语义分类模型根据输入的名称,在标签信息表中查找与名称对应的标签信息,将该标签信息作为初始标签信息的情况下,可以将目标标签信息添加至标签信息表。
举例来说,假设目标兴趣点为A,在标签信息表中存储有与A对应的标签信息X和Y,根据A的名称和上述的预先训练好的语义分类模型,可以确定出A对应的初始标签信息X和Y。采用本实施例的用于输出信息的方法,可以进一步确定与名称对应的至少一个兴趣点信息,最终根据初始标签信息X和Y和上述的至少一个兴趣点信息,确定出目标标签信息。假设确定出的目标标签信息为Z,可以将Z增加到上述的标签信息表中。也即是现在的标签信息表中存储有与A对应的标签信息X、Y和Z。在进行本次更新之前,如果用户搜索Z,是无法得到目标兴趣点A的。在完成本次更新之后,语义分类模型建立了A和Z之间的映射关系,如果用户搜索Z,则可以输出目标兴趣点A,从而实现了自动化地扩大标签信息表的覆盖范围,使得语义分类模型的精确度更高。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于输出信息的方法的流程400,还可以基于初始标签信息对应的图片库中的图片,得到目标兴趣点的图片与图片库中的图片的相似度,将相似度作为目标标签信息的一个确定依据,从而提高了目标标签信息确定的准确度。并且,还可以根据目标标签信息,对用于获取初始标签信息的语义分类模型进行更新,以使获取到的初始标签信息更加精准,从而进一步提高了目标标签信息确定的准确度。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于输出信息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5所示,本实施例的用于输出信息的装置500包括:名称获取单元501、第一标签确定单元502、兴趣点信息确定单元503、第二标签确定单元504以及标签输出单元505。
名称获取单元501,被配置成获取目标兴趣点的名称。
第一标签确定单元502,被配置成确定名称对应的初始标签信息。
兴趣点信息确定单元503,被配置成根据名称,确定至少一个兴趣点信息。
第二标签确定单元504,被配置成基于初始标签信息和至少一个兴趣点信息,确定目标兴趣点的目标标签信息。
标签输出单元505,被配置成输出目标标签信息。
在本实施例的一些可选的实现方式中,兴趣点信息确定单元503进一步被配置成:根据名称,确定与名称对应的以下至少一项:目标相似度、标签特征值、检索特征值。
在本实施例的一些可选的实现方式中,兴趣点信息确定单元503进一步被配置成:获取目标兴趣点的图片;根据初始标签信息,确定图片库;针对图片库中的每张图片,确定该图片与目标兴趣点的图片之间的相似度;从至少一个相似度中确定目标相似度。
在本实施例的一些可选的实现方式中,兴趣点信息确定单元503进一步被配置成:确定图片库中的每张图片的第一特征向量;确定目标兴趣点的图片的第二特征向量;根据第一特征向量和第二特征向量,确定图片库中的每张图片与目标兴趣点的图片之间的相似度。
在本实施例的一些可选的实现方式中,第一标签确定单元502进一步被配置成:根据名称和预先训练好的语义分类模型,确定名称对应的初始标签信息。
在本实施例的一些可选的实现方式中,装置还包括:更新单元,被配置成根据目标标签信息,更新预先训练好的语义分类模型。
应当理解,账户控制装置500中记载的单元501至单元505分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对账户控制方法描述的操作和特征同样适用于装置500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6所示,是根据本申请实施例的执行用于输出信息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6所示,该电子设备包括:一个或多个处理器601、存储器602,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6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的执行用于输出信息的方法。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执行用于输出信息的方法。
存储器602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执行用于输出信息的方法对应的程序指令/模块(例如,附图5所示的名称获取单元501、第一标签确定单元502、兴趣点信息确定单元503、第二标签确定单元504以及标签输出单元505)。处理器601通过运行存储在存储器602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执行用于输出信息的方法。
存储器602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执行用于输出信息的电子设备的使用所创建的数据等。此外,存储器602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602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至执行用于输出信息的电子设备。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。
执行用于输出信息的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与执行用于存储数据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604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。
根据本申请实施例的技术方案,提供一种用于输出信息的方法,能够提高信息输出的准确度。
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 (12)
1.一种用于输出信息的方法,所述方法包括:
获取目标兴趣点的名称;
确定所述名称对应的初始标签信息;
根据所述名称,确定至少一个兴趣点信息,包括:根据所述名称,确定与所述名称对应的以下信息:目标相似度、标签特征值、检索特征值,其中,所述目标相似度基于目标兴趣点的图片和预设的图片库里图片的相似度确定,所述标签特征值是将名称对应的标签进行映射处理得到的数值,所述名称对应的标签为行业标签,所述检索特征值为将目标兴趣点的检索点击次数进行归一化处理得到的数值;
基于所述初始标签信息和所述至少一个兴趣点信息,确定所述目标兴趣点的目标标签信息;
输出所述目标标签信息。
2.根据权利要求1所述的用于输出信息的方法,其中,所述根据所述名称确定至少一个兴趣点信息,包括:
获取所述目标兴趣点的图片;
根据所述初始标签信息,确定图片库;
针对所述图片库中的每张图片,确定该图片与所述目标兴趣点的图片之间的相似度;
从至少一个所述相似度中确定所述目标相似度。
3.根据权利要求2所述的用于输出信息的方法,其中,所述针对所述图片库中的每张图片,确定该图片与所述目标兴趣点的图片之间的相似度,包括:
确定所述图片库中的每张图片的第一特征向量;
确定所述目标兴趣点的图片的第二特征向量;
根据所述第一特征向量和所述第二特征向量,确定所述图片库中的每张图片与所述目标兴趣点的图片之间的相似度。
4.根据权利要求1至3任一项所述的用于输出信息的方法,其中,所述确定所述名称对应的初始标签信息,包括:
根据所述名称和预先训练好的语义分类模型,确定所述名称对应的所述初始标签信息。
5.根据权利要求4所述的用于输出信息的方法,其中,所述方法还包括:
根据所述目标标签信息,更新所述预先训练好的语义分类模型。
6.一种用于输出信息的装置,所述装置包括:
名称获取单元,被配置成获取目标兴趣点的名称;
第一标签确定单元,被配置成确定所述名称对应的初始标签信息;
兴趣点信息确定单元,被配置成根据所述名称,确定至少一个兴趣点信息,包括:根据所述名称,确定与所述名称对应的以下信息:目标相似度、标签特征值、检索特征值,其中,所述目标相似度基于目标兴趣点的图片和预设的图片库里图片的相似度确定,所述标签特征值是将名称对应的标签进行映射处理得到的数值,所述名称对应的标签为行业标签,所述检索特征值为将目标兴趣点的检索点击次数进行归一化处理得到的数值;
第二标签确定单元,被配置成基于所述初始标签信息和所述至少一个兴趣点信息,确定所述目标兴趣点的目标标签信息;
标签输出单元,被配置成输出所述目标标签信息。
7.根据权利要求6所述的用于输出信息的装置,其中,所述兴趣点信息确定单元进一步被配置成:
获取所述目标兴趣点的图片;
根据所述初始标签信息,确定图片库;
针对所述图片库中的每张图片,确定该图片与所述目标兴趣点的图片之间的相似度;
从至少一个所述相似度中确定所述目标相似度。
8.根据权利要求7所述的用于输出信息的装置,其中,所述兴趣点信息确定单元进一步被配置成:
确定所述图片库中的每张图片的第一特征向量;
确定所述目标兴趣点的图片的第二特征向量;
根据所述第一特征向量和所述第二特征向量,确定所述图片库中的每张图片与所述目标兴趣点的图片之间的相似度。
9.根据权利要求6至8任一项所述的用于输出信息的装置,其中,所述第一标签确定单元进一步被配置成:
根据所述名称和预先训练好的语义分类模型,确定所述名称对应的所述初始标签信息。
10.根据权利要求9所述的用于输出信息的装置,其中,所述装置还包括:
更新单元,被配置成根据所述目标标签信息,更新所述预先训练好的语义分类模型。
11.一种用于输出信息的电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一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权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011343321.3A CN112328896B (zh) | 2020-11-26 | 2020-11-26 | 用于输出信息的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011343321.3A CN112328896B (zh) | 2020-11-26 | 2020-11-26 | 用于输出信息的方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112328896A CN112328896A (zh) | 2021-02-05 |
CN112328896B true CN112328896B (zh) | 2024-03-15 |
Family
ID=74308840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011343321.3A Active CN112328896B (zh) | 2020-11-26 | 2020-11-26 | 用于输出信息的方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112328896B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240465A (zh) * | 2021-05-11 | 2021-08-10 | 北京沃东天骏信息技术有限公司 | 信息生成方法和装置 |
CN113220816A (zh) * | 2021-05-19 | 2021-08-06 | 北京百度网讯科技有限公司 | 电子地图兴趣点poi的数据处理方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110022834A (ko) * | 2009-08-28 | 2011-03-08 | 에스케이 텔레콤주식회사 | 관심도 기반 태그 맵 서비스 시스템 및 방법 |
CN107391703A (zh) * | 2017-07-28 | 2017-11-24 | 北京理工大学 | 图像库的建立方法及***、图像库和图像分类方法 |
KR101831340B1 (ko) * | 2016-09-07 | 2018-02-23 | 서울여자대학교 산학협력단 | 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치 |
CN110647886A (zh) * | 2019-09-19 | 2020-01-03 | 北京百度网讯科技有限公司 | 兴趣点标注方法、装置、计算机设备和存储介质 |
CN111125550A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 兴趣点分类方法、装置、设备及存储介质 |
CN111753195A (zh) * | 2020-06-17 | 2020-10-09 | 百度在线网络技术(北京)有限公司 | 标签体系构建方法、装置、设备以及存储介质 |
CN111767359A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 兴趣点分类方法、装置、设备以及存储介质 |
-
2020
- 2020-11-26 CN CN202011343321.3A patent/CN112328896B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110022834A (ko) * | 2009-08-28 | 2011-03-08 | 에스케이 텔레콤주식회사 | 관심도 기반 태그 맵 서비스 시스템 및 방법 |
KR101831340B1 (ko) * | 2016-09-07 | 2018-02-23 | 서울여자대학교 산학협력단 | 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치 |
CN107391703A (zh) * | 2017-07-28 | 2017-11-24 | 北京理工大学 | 图像库的建立方法及***、图像库和图像分类方法 |
CN111125550A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 兴趣点分类方法、装置、设备及存储介质 |
CN110647886A (zh) * | 2019-09-19 | 2020-01-03 | 北京百度网讯科技有限公司 | 兴趣点标注方法、装置、计算机设备和存储介质 |
CN111753195A (zh) * | 2020-06-17 | 2020-10-09 | 百度在线网络技术(北京)有限公司 | 标签体系构建方法、装置、设备以及存储介质 |
CN111767359A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 兴趣点分类方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112328896A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112860866B (zh) | 语义检索方法、装置、设备以及存储介质 | |
CN113094550B (zh) | 视频检索方法、装置、设备和介质 | |
CN111782977B (zh) | 兴趣点处理方法、装置、设备及计算机可读存储介质 | |
JP7395445B2 (ja) | 検索データに基づくヒューマンコンピュータ対話型インタラクションの方法、装置及び電子機器 | |
CN111274407B (zh) | 知识图谱中三元组置信度计算方法和装置 | |
CN111767359B (zh) | 兴趣点分类方法、装置、设备以及存储介质 | |
CN111582479B (zh) | 神经网络模型的蒸馏方法和装置 | |
CN111737559B (zh) | 资源排序方法、训练排序模型的方法及对应装置 | |
CN111611990B (zh) | 用于识别图像中表格的方法和装置 | |
CN111666292B (zh) | 用于检索地理位置的相似度模型建立方法和装置 | |
CN111797216B (zh) | 检索项改写方法、装置、设备以及存储介质 | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
CN112328896B (zh) | 用于输出信息的方法、装置、电子设备和介质 | |
CN112507091A (zh) | 检索信息的方法、装置、设备以及存储介质 | |
CN114840671A (zh) | 对话生成方法、模型的训练方法、装置、设备及介质 | |
CN112541362B (zh) | 一种泛化处理的方法、装置、设备和计算机存储介质 | |
CN111782785B (zh) | 自动问答方法、装置、设备以及存储介质 | |
CN111090991A (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
CN110991183B (zh) | 问题的谓词确定方法、装置、设备及存储介质 | |
CN111666461A (zh) | 检索地理位置的方法、装置、设备和计算机存储介质 | |
CN113157829A (zh) | 一种兴趣点名称比对方法、装置、电子设备和存储介质 | |
CN111767990A (zh) | 神经网络的处理方法和装置 | |
CN111625706B (zh) | 信息检索方法、装置、设备及存储介质 | |
CN112652298A (zh) | 语音识别方法、装置、电子设备和存储介质 | |
CN111767988A (zh) | 神经网络的融合方法和装置 |
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 |