CN112861023A - 地图信息处理方法、装置、设备、存储介质及程序产品 - Google Patents
地图信息处理方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN112861023A CN112861023A CN202110145478.3A CN202110145478A CN112861023A CN 112861023 A CN112861023 A CN 112861023A CN 202110145478 A CN202110145478 A CN 202110145478A CN 112861023 A CN112861023 A CN 112861023A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- interest
- historical
- point
- 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.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了地图信息处理方法、装置、设备、存储介质及程序产品,涉及智能搜索、深度学习、NLP(Natural Language Process)等人工智能技术领域。具体实现方案为:获取用户输入的至少一个最小单位的字符信息;根据所述至少一个最小单位的字符信息以及所述用户的时空相关信息,获得合并信息;根据所述合并信息,计算合并信息与地图中的多个兴趣点信息中每个兴趣点信息的相似度;根据所述相似度,确定所述多个兴趣点中的至少一个兴趣点,以及所述至少一个兴趣点对应的顺序。本公开实施例能够提升地图相关产品推荐兴趣点的准确性和效率。
Description
技术领域
本公开涉及计算机技术技术领域,尤其涉及智能搜索、深度学习、NLP(NaturalLanguage Process)等人工智能技术领域。
背景技术
随着移动终端等终端技术和计算机技术的发展,地图逐渐成为人们日常生活中比不可少的工具之一。在出行路线规划、打车、定位等过程中,均需要借助于地图获取准确高效的地理位置、地理线路等信息。
在地图中,用户一般可以搜索到兴趣点(POI,Point of Interest)以及兴趣点的具***置,但是由于在一定的范围内,兴趣点的数量巨大,因此,常常需要用户输入完整的兴趣点名称才能够获得兴趣点。如此导致用户的使用体验较差,查询效率较低。
发明内容
本公开提供了一种用于地图信息处理方法、装置、设备、存储介质及程序产品。
根据本公开的一方面,提供了一种地图信息处理方法,包括:
获取用户输入的至少一个最小单位的字符信息;
根据至少一个最小单位的字符信息以及用户的时空相关信息,获得合并信息;
根据合并信息,计算合并信息与地图中的多个兴趣点信息中每个兴趣点信息的相似度;
根据相似度,确定多个兴趣点中的至少一个兴趣点,以及至少一个兴趣点对应的顺序。
根据本公开的另一方面,提供了一种9.一种地图信息处理装置,包括:
字符信息模块,用于获取用户输入的至少一个最小单位的字符信息;
合并模块,用于根据至少一个最小单位的字符信息以及用户的时空相关信息,获得合并信息;
相似度模块,用于根据合并信息,计算合并信息与地图中的多个兴趣点信息中每个兴趣点信息的相似度;
推荐模块,用于根据相似度,确定多个兴趣点中的至少一个兴趣点,以及至少一个兴趣点对应的顺序。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,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,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术,能够根据用户输入的最小单位的字符信息、用户的时空相关信息,确定至少一个兴趣点以及至少一个兴趣点对应的顺序,从而能够在用户进行兴趣点查找时,做出快速反应,在最短的时间内,向用户推荐用户当前最可能希望查找的兴趣点,提高兴趣点的输入和确定效率,提升用户的使用体验。
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,不构成对本公开的限定。其中:
图1是根据本公开一实施例的地图信息处理方法示意图;
图2是根据本公开另一实施例的地图信息处理方法示意图;
图3是根据本公开一示例的地图信息处理方法示意图;
图4是根据本公开一实施例的模型结构相关信息示意图;
图5是根据本公开一实施例的***运行示意图;
图6是根据本公开一实施例的地图信息处理装置示意图一;
图7是根据本公开一实施例的地图信息处理装置示意图二;
图8是根据本公开一实施例的地图信息处理装置示意图三;
图9是根据本公开一实施例的地图信息处理装置示意图四;
图10是根据本公开一实施例的地图信息处理装置示意图五;
图11是根据本公开一实施例的地图信息处理装置示意图六;
图12是根据本公开一实施例的地图信息处理装置示意图七;
图13是用来实现本公开实施例的地图信息处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
本公开实施例首先提供一种地图信息处理方法,如图1所示,包括:
步骤S11:获取用户输入的至少一个最小单位的字符信息;
步骤S12:根据至少一个最小单位的字符信息以及用户的时空相关信息,获得合并信息;
步骤S13:根据合并信息,计算合并信息与地图中的多个兴趣点信息的相似度;
步骤S14:根据相似度,确定多个兴趣点中的至少一个兴趣点,以及至少一个兴趣点对应的顺序。
本实施例中,用户输入的至少一个最小单位的字符信息,可以是文字、字母或者数字所包含的最小单位的字符中的至少一个。
比如,用户采用笔画输入法输入“二”时,首先输入一个横杠“一”,然后在输入另一个横杠“一”。那么,横杠“一”就可以作为最小单位的字符。
再如,用户采用拼音输入法输入“医院”时,首先输入字母“y”,然后可能继续输入首字母“y”或者“医”的拼音中“i”,那么,“y”和“i”可以分别是一个最小单位的字符。
再如,若用户采用五笔输入法输入汉字,则每输入一个五笔符号,输入的五笔符号可以作为一个最小单位的字符。
在一种可能的实现方式中,获取用户输入的至少一个最小单位的字符信息,可以以用户的输入操作为准。
例如,用户通过点击字符按钮,完成点击操作,检测到用户完成一次点击操作,即可获取当前用户输入的字符,根据用户当前输入的字符,获得至少一个最小单位的字符信息。
在一种具体可能的实现方式中,比如,用户通过点击字符按钮,输入字母“y”,则获得用户当前输入的至少一个最小单位的字符信息包括“y”。
再如,用户通过点击字符按钮,输入字母“y”和“i”,则字母“y”和“i”为用户输入的两个最小单位的字符信息。
再如,用户通过笔画输入法输入笔画“丶”和“丿”,则笔画“丶”和“丿”为用户输入的两个最小单位的字符信息。
再如,用户通过笔画输入法输入笔画“丶”和“丿”,则笔画“丶”和“丿”为用户输入的两个最小单位的字符信息。然后用户通过撤销按钮或者删除按钮删除笔画“丿”,则剩余的笔画“丶”为用户输入的一个最小单位的字符信息。
本实施例中,用户的时空相关信息具体可以包括与用户相关的信息中所有与时间或空间相关的信息。可以根据用户的历史查询记录获得,也可以根据用户当前所在的时空信息获得。
本实施例中,用户的时空相关信息可以与用户当前所在位置以及用户在当前所在位置的搜索历史相关。
根据至少一个最小单位的字符信息以及用户的时空相关信息,获得合并信息,具体可以包括,根据至少一个最小单位的字符信息获得用户输入的字符信息向量;根据用户的时空相关性信息获得时空相关向量;将字符信息向量和时空相关向量进行拼接或者相加等计算操作,得到合并向量,根据合并向量,得到合并信息。
在一种具体的可能的实现方式中,根据合并向量,得到合并信息,可以是将合并向量作为合并信息。
根据合并信息,计算合并信息与地图中的多个兴趣点信息的相似度,具体可以包括,将合并信息和多个兴趣点信息中的每个兴趣点信息转换为相同维度的信息,计算合并信息与多个兴趣点信息中每个兴趣点信息的相似度。
本实施例中,根据相似度,确定多个兴趣点中的至少一个兴趣点,以及至少一个兴趣点对应的顺序,可以包括:选择与合并信息相似度最高的前至少一个兴趣点,并确定选择的至少一个兴趣点的顺序。
本公开实施例中,能够根据用户输入的最小单位的字符信息、用户的时空相关信息,确定至少一个兴趣点以及至少一个兴趣点对应的顺序,从而能够在用户进行兴趣点查找时,做出快速反应,在最短的时间内,向用户推荐用户当前最可能希望查找的兴趣点,提高兴趣点的输入和确定效率,提升用户的使用体验。
在一种实施方式中,时空相关信息包括用户输入的历史兴趣点信息;根据至少一个最小单位的字符信息以及用户的时空相关信息,获得合并信息之前,还包括:
根据历史兴趣点,获得用户的时空相关信息。
本实施例中,历史兴趣点可以是用户搜索历史中的兴趣点。还可以是最近一段时间内,用户搜索历史中的兴趣点。
本实施例中,根据历史兴趣点获得用户的时空相关信息,具体可以包括,按照设定的筛选规则,从历史兴趣点中筛选出至少一个兴趣点,根据筛选出的至少一个兴趣点,获得用户的时空相关信息。
本实施例中,根据历史兴趣点,获得用户的时空相关信息,从而使得推荐得到的兴趣点能够符合用户搜索兴趣点的习惯,并使得推荐的兴趣点更加符合用户的预期。
在一种实施方式中,历史兴趣点包括第一历史兴趣点,如图2所示,根据历史兴趣点,获得用户的时空相关信息,包括:
步骤S21:根据用户在设定时间范围内对至少一个兴趣点的搜索频率获得第一历史兴趣点;
步骤S22:根据第一历史兴趣点,获得用户的时空相关信息。
在一种可能的实现方式中,根据用户在设定时间范围内对至少一个兴趣点的搜索频率获得第一历史兴趣点,具体可以包括:将用户在设定时间范围内,搜索次数超过第一搜索次数阈值的历史兴趣点,作为第一历史兴趣点。
在一种可能的实现方式中,根据第一历史兴趣点,获得用户的时空相关信息,可以是根据第一历史兴趣点的类型,获得对应的向量表示,将第一历史兴趣点对应的向量表示,作为用户的时空相关信息。
在另一种可能的实现方式中,根据用户在设定时间范围内对至少一个兴趣点的搜索频率获得第一历史兴趣点,可以是根据用户当前所在的地址,确定与用户当前所在的地址对应的搜索历史,在搜索历史中,确定设定时间范围内对至少一个兴趣点的搜索频率,根据搜索频率,确定第一历史兴趣点。
本实施例中,根据搜索频率获得用户的时空相关信息,从而使得推荐的兴趣点更加符合用户的搜索习惯。
在一种实施方式中,历史兴趣点包括第二历史兴趣点,根据历史兴趣点,获得用户的时空相关信息,包括:
获得设定数目的最近搜索兴趣点,做为第二历史兴趣点;
根据第二历史兴趣点,获得用户的时空相关信息。
本实施例中,获得设定数目的最近搜索兴趣点,做为第二历史兴趣点,比如可以是,确定最近搜索的1-10个兴趣点。
在另一种可能的实现方式中,获取的最近搜索兴趣点的数目,可以根据用户的位置变化事件确定。比如,通过定位装置,检测到用户所在地址三天前从城市A切换到城市B,那么,在城市B的范围内,可获取较少数量的历史兴趣点作为第二历史兴趣点。
在另一种可能的实现方式中,获得设定数目的最近搜索兴趣点,可以是用户所在的行政区域范围内设定数目的最近搜索兴趣点。
本实施例中,获取设定数目的最近搜索兴趣点,进而根据最近搜索兴趣点,获得用户的时空相关信息,从而使得推荐的兴趣点更加符合用户当前最可能需要搜索的地点,提升用户体验。
在一种实施方式中,根据历史兴趣点,获得用户的时空相关信息,包括:
获取历史兴趣点的类型;
将类型映射为标签编码;
根据标签编码,获得用户的时空相关信息。
历史兴趣点的类型,可以包括交通枢纽、交通设施、娱乐场所、休闲场所、居民区、医疗场所、学校、行政机构等。
历史兴趣点的类型,可以是预先设定的所有兴趣点类型中的至少一个。预先设定的所有兴趣点类型,可以随着城市建设步伐的发展,进行增删。
历史兴趣点的类型对应的标签编码,可通过预先训练得到的映射模型进行获得。
根据标签编码,获得用户的时空相关信息,可以包括:根据标签编码,获得对应的时空向量,将时空向量作为用户的时空相关信息。
在历史兴趣点包括前述实施例中的第一历史兴趣点和第二历史兴趣点的情况下,第一历史兴趣点和第二历史兴趣点的数量可以相同或不同,根据实际需要进行设定。
本实施例中,根据历史兴趣点的类型获得用户的时空相关信息,从而使得推荐的兴趣点以及对应的顺序更符合用户习惯和可能的预期。
在一种实施方式中,时空相关信息根据用户当前的位置信息和用户当前的时间信息中的至少一个获得。
在一种可能的实现方式中,时空相关信息根据用户当前位置信息获得。
在另一种可能的实现方式中,时空相关信息根据用户当前的时间信息获得。
在一种可能的实现方式中,时空相关信息根据用户当前的位置信息和用户当前的时间信息获得。
由于用户搜索的兴趣点与用户所在的位置、用户搜索时的时间相关性较大,比如,用户在早晨上班时间段,搜索的兴趣点可能是家庭地址和上班单位地址。再如,用户在节假日时间段,搜索的兴趣点可能是家庭地址和非上班单位地址之外的地址。根据用户当前的位置信息和用户当前的时间信息中的至少一个获得时空相关信息,能够根据用户群体的整体需求,更为准确地为用户推荐兴趣点,减少用户寻找期望搜索的兴趣点的时间,提升用户体验。
在一种可能的实现方式中,用户的时空相关信息可根据第一历史兴趣点、第二历史兴趣点、用户当前的位置信息和用户当前的时间信息获得。
在一种可能的实现方式中,可根据第一历史兴趣点、第二历史兴趣点采用第一编码方式进行编码,获得第一编码;可根据用户当前的位置信息和用户当前的时间信息,采用第二编码方式进行编码,获得第二编码;将第一编码和第二编码转换成相同维度后进行合并,获得用户时空相关信息。
在一种实施方式中,获取用户输入的至少一个最小单位的字符信息,包括:
获取用户输入的总字符;
获取用户输入的总字符所包括的至少一个最小单位的字符信息。
用户输入的总字符,可能包括完整的汉字、数字、字母等,也可包含汉字、数字、字母中的部分笔画。用户输入的总字符,还可包括外文字符中的部分笔画。
本实施例中,获取用户输入的总字符,能够根据用户当前提供的信息,获得更多有用启示,从而为用户推荐更为符合用户预期的兴趣点。
在一种实施方式中,多个兴趣点信息中的每个兴趣点信息通过下述步骤获得:
根据每个兴趣点的经纬度信息、地址信息和名称信息中的至少一个,获得每个兴趣点信息。
本实施例中,多个兴趣点信息可以是用户所在位置范围内的全部兴趣点中的部分兴趣点的信息。
本实施例中,兴趣点的经纬度信息可以是兴趣点在地球经纬度标准下的经度信息和维度信息。
兴趣点的地址信息,可以是邮寄地址信息,比如某区域某街道某号某单元等。
兴趣点名称,可以是体现兴趣点属性、内容的名称,比如某游乐园、某学校、某公园、某医院、某小区等。
根据每个兴趣点的经纬度信息、地址信息和名称信息中的至少一个,获得每个兴趣点信息,可以包括根据每个兴趣点的经度信息、纬度信息、地址信息和名称信息,获得每个兴趣点信息。
在本公开一种示例中,可以采用基于深度学习的方法对用户的行为进行建模,获得用户的时空相关信息(以下称为“用户表示”)、兴趣点信息(以下称为“POI表示”)和至少一个最小单位的字符信息(以下称为“sug信息”(建议信息))。
其中,用户表示获得方式为:根据历史点击构造用户历史点击长短兴趣序列,考虑用户的长短兴趣,这里统计用户最近一个月3个高频作为长期兴趣,7个最近点击作为短期兴趣点,并把这10个点击POI映射为对应的tag,作为用户的历史兴趣信息,用来表征用户的历史行为。
用户发起请求的时空信息对用户找点也特别重要,本示例对用户的时空信息进行编码,并融入到用户表示中。
同时POI表示的获取方式为:将POI名称、地址、以及经纬度采用类似的编码方式,融合到一起综合表示POI信息。
本示例中所采取的具体技术手段如下:
通过图3所示的步骤获取用户表示:
步骤S31:获取用户兴趣点表示。
不同用户拥有不同点击行为,根据用户点击的兴趣点的位置、时间考虑用户的长短兴趣,这里统计用户最近一个月3个高频作为长期兴趣,7个最近点击作为短期兴趣点,并把这10个历史点击POI401(历史兴趣点)映射为对应的tag(标签),对这10个tag进行embedding(嵌入)映射,最后经过CNN(Convolutional Neural Networ,卷积神经网络)编码表示为用户的兴趣点表示。
步骤S32:获取用户请求时空信息表示。
用户发起请求时,除了query(请求)前缀外,有对应的发起请求的坐标信息以及时间信息。本公开为了解决query前缀的复杂多样(融合拼音汉字数字等),利用大数据统计了用户近一个月的query前缀,并对query采用wordpiece(分词)分词产生对应的词表,把该词表作为query和POI分词词表,使其能对复杂query进行分词。例如,用户输入【北京daxue】,根据wordpiece算法对该query分成【北】【京】【da】【xue】对应四个字,之后对这四个字embedding并经过CNN进行编码,产生query向量。
用户的时空相关信息还包括用户当前的时间和所在地点的经纬度。本示例中,对时间和经纬度采用二分hash(哈希)编码,最终时空特征编码可以为38维度的01向量。
步骤S33:获取用户最终向量表示。用户最终向量表示402由步骤S31和步骤S32所得的结果两部分组成,如图4所示,即用户历史兴趣点以及时空信息组成。
在本示例中,POI表示403可以通过如下方式获取:POI端有POI的基本信息组成,如图4所示,基本信息包含POI名称(name),地址(addr)以及定位点(goe)。对poi名称、地址采用与query相同的处理手段,先利用wordpiece算法分词产生对应词的id,之后对id进行embedding映射,最后经过CNN对其进行编码产生名称、地址的向量。对于定位点的经纬度,这里也采用二分hash编码,产生30维度的01向量表示为poi的位置信息。POI的最终表示,如图4所示,是由上述描述的poi名称、地址以及经纬度产生的编码组合而成。
为了更好的获取poi和用户的信息,本发明在上述描述的信息之后加上一层全连接层FC(Full Connection),用户捕获二者的重要信息,FC产生的向量通过cosine(余弦函数)距离计算二者相似度。综上,这个相似度包含用户的历史点击、时空等个性化的特征,是一个比较好的度量用户与搜索poi的特征。
综上,当用户输入sug检索片段,通过对用户个性化建模,以及对poi精准的表征,可获取二者的相似度,解决前缀query因为用户输入复杂无法精确排序的问题,由于本模型使用用户和poi的多源embedding信息,使用户和poi表达更加准确,所以能够精准的对主需求排序,从实验效果来看,NDCG@1((Normalized discounted cumulative gain,归一化累积获得第一)指标能够提升2.32%,排序效果明显提升,用户输入效率提升0.94%,提升也比较明显。
在本申请一种示例中,如图5所示,地图信息处理方法包括获取用户表示501和POI表示502,POI表示为前述实施例中的地图中的多个兴趣点信息。在用户发起请求后,获取历史点击序列、输入的请求(query)中的字符,对请求中的字符进行分词操作,得到至少一个最小单位的字符,将分词后的信息和获取到的历史点击序列,输入用户模型(User model),其中,用户模型可以是卷积神经网络模型,得到模型输出编码。
任然参照图5,在用户发起请求后,还获取用户当前时间和定位点(地址),采用二分hash编码方式进行编码,获得第一哈希编码。
最终根据用户模型输出编码和第一哈希编码,获得用户语义向量,用户语义向量用于与地图中的多个兴趣点信息进行相似度对比。
多个兴趣点信息中的每个兴趣点信息获得方式为:对兴趣点名称和兴趣点地址进行分词,将分词输入POI模型,获得POI模型编码;对兴趣点经纬度(POI定位点),采用二分hash编码方式进行编码,获得第二哈希编码。根据POI模型编码和第二哈希编码,获得POI语义向量。
最终,根据cos函数,计算用户语义向量和多个兴趣点中的每个兴趣点的POI语义向量的相似度,得到用户语义向量和每个兴趣点的POI语义向量的相似度。根据用户语义向量和每个兴趣点的POI语义向量的相似度,对多个兴趣点进行选择,并确定选择的兴趣点的顺序。
本公开实施例还提供一种地图信息处理装置,如图6所示,包括:
字符信息模块61,用于获取用户输入的至少一个最小单位的字符信息;
合并模块62,用于根据至少一个最小单位的字符信息以及用户的时空相关信息,获得合并信息;
相似度模块63,用于根据合并信息,计算合并信息与地图中的多个兴趣点信息中每个兴趣点信息的相似度;
推荐模块64,用于根据相似度,确定多个兴趣点中的至少一个兴趣点,以及至少一个兴趣点对应的顺序。
在一种实施方式中,时空相关信息包括用户输入的历史兴趣点信息;如图7所示,装置还包括:
时空相关信息模块71,用于根据历史兴趣点,获得用户的时空相关信息。
在一种实施方式中,历史兴趣点包括第一历史兴趣点,如图8所示,时空相关信息模块包括:
第一历史兴趣点单元81,用于根据用户在设定时间范围内对至少一个兴趣点的搜索频率获得第一历史兴趣点;
第一历史兴趣点处理单元82,用于根据第一历史兴趣点,获得用户的时空相关信息。
在一种实施方式中,历史兴趣点包括第二历史兴趣点,如图9所示,时空相关信息模块包括:
第二历史兴趣点单元91,用于获得设定数目的最近搜索兴趣点,做为第二历史兴趣点;
第二历史兴趣点处理单元92,用于根据第二历史兴趣点,获得用户的时空相关信息。
在一种实施方式中,如图10所示,时空相关信息模块包括:
类型单元101,用于获取历史兴趣点的类型;
编码单元102,用于将类型映射为标签编码;
编码处理单元103,用于根据标签编码,获得用户的时空相关信息。
在一种实施方式中,时空相关信息根据用户当前的位置信息和用户当前的时间信息中的至少一个获得。
在一种实施方式中,如图11所示,字符信息模块包括:
总字符单元111,用于获取用户输入的总字符;
分解单元112,用于获取用户输入的总字符所包括的至少一个最小单位的字符信息。
在一种实施方式中,如图12所示,多个兴趣点信息中的每个兴趣点信息通过下述模块获得:
兴趣点信息模块121,用于根据每个兴趣点的经纬度信息、地址信息和名称信息中的至少一个,获得每个兴趣点信息。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的示例电子设备130的示意性框图。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/或要求的本公开的实现。
如图13所示,电子设备130包括计算单元131,其可以根据存储在只读存储器(ROM)132中的计算机程序或者从存储单元138加载到随机访问存储器(RAM)133中的计算机程序来执行各种适当的动作和处理。在RAM 133中,还可存储电子设备130操作所需的各种程序和数据。计算单元131、ROM 132以及RAM 133通过总线134彼此相连。输入输出(I/O)接口135也连接至总线134。
电子设备130中的多个部件连接至I/O接口135,包括:输入单元136,例如键盘、鼠标等;输出单元137,例如各种类型的显示器、扬声器等;存储单元138,例如磁盘、光盘等;以及通信单元139,例如网卡、调制解调器、无线通信收发机等。通信单元139允许电子设备130通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元131可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元131的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元131执行上文所描述的各个方法和处理,例如地图信息处理方法。例如,在一些实施例中,地图信息处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元138。在一些实施例中,计算机程序的部分或者全部可以经由ROM 132和/或通信单元139而被载入和/或安装到电子设备130上。当计算机程序加载到RAM 133并由计算单元131执行时,可以执行上文描述的地图信息处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元131可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行地图信息处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种地图信息处理方法,包括:
获取用户输入的至少一个最小单位的字符信息;
根据所述至少一个最小单位的字符信息以及所述用户的时空相关信息,获得合并信息;
根据所述合并信息,计算合并信息与地图中的多个兴趣点信息中每个兴趣点信息的相似度;
根据所述相似度,确定所述多个兴趣点中的至少一个兴趣点,以及所述至少一个兴趣点对应的顺序。
2.根据权利要求1所述的方法,其中,所述根据所述至少一个最小单位的字符信息以及所述用户的时空相关信息,获得合并信息之前,还包括:
根据历史兴趣点,获得所述用户的时空相关信息。
3.根据权利要求2所述的方法,其中,所述历史兴趣点包括第一历史兴趣点,所述根据历史兴趣点,获得所述用户的时空相关信息,包括:
根据所述用户在设定时间范围内对所述至少一个兴趣点的搜索频率获得所述第一历史兴趣点;
根据所述第一历史兴趣点,获得所述用户的时空相关信息。
4.根据权利要求2所述的方法,其中,所述历史兴趣点包括第二历史兴趣点,所述根据历史兴趣点,获得所述用户的时空相关信息,包括:
获得设定数目的最近搜索兴趣点,做为所述第二历史兴趣点;
根据所述第二历史兴趣点,获得所述用户的时空相关信息。
5.根据权利要求2所述的方法,其中,所述根据历史兴趣点,获得所述用户的时空相关信息,包括:
获取所述历史兴趣点的类型;
将所述类型映射为标签编码;
根据所述标签编码,获得所述用户的时空相关信息。
6.根据权利要求1所述的方法,其中,所述时空相关信息根据用户当前的位置信息和用户当前的时间信息中的至少一个获得。
7.根据权利要求1-6中任意一项所述的方法,其中,所述获取用户输入的至少一个最小单位的字符信息,包括:
获取用户输入的总字符;
获取所述用户输入的总字符所包括的至少一个最小单位的字符信息。
8.根据权利要求1-6中任意一项所述的方法,其中,所述多个兴趣点信息中的每个兴趣点信息通过下述步骤获得:
根据所述每个兴趣点的经纬度信息、地址信息和名称信息中的至少一个,获得所述每个兴趣点信息。
9.一种地图信息处理装置,包括:
字符信息模块,用于获取用户输入的至少一个最小单位的字符信息;
合并模块,用于根据所述至少一个最小单位的字符信息以及所述用户的时空相关信息,获得合并信息;
相似度模块,用于根据所述合并信息,计算合并信息与地图中的多个兴趣点信息中每个兴趣点信息的相似度;
推荐模块,用于根据所述相似度,确定所述多个兴趣点中的至少一个兴趣点,以及所述至少一个兴趣点对应的顺序。
10.根据权利要求9所述的装置,其中,所述装置还包括:
时空相关信息模块,用于根据历史兴趣点,获得所述用户的时空相关信息。
11.根据权利要求10所述的装置,其中,所述历史兴趣点包括第一历史兴趣点,所述时空相关信息模块包括:
第一历史兴趣点单元,用于根据所述用户在设定时间范围内对所述至少一个兴趣点的搜索频率获得所述第一历史兴趣点;
第一历史兴趣点处理单元,用于根据所述第一历史兴趣点,获得所述用户的时空相关信息。
12.根据权利要求10所述的装置,其中,所述历史兴趣点包括第二历史兴趣点,所述时空相关信息模块包括:
第二历史兴趣点单元,用于获得设定数目的最近搜索兴趣点,做为所述第二历史兴趣点;
第二历史兴趣点处理单元,用于根据所述第二历史兴趣点,获得所述用户的时空相关信息。
13.根据权利要求10所述的装置,其中,所述时空相关信息模块包括:
类型单元,用于获取所述历史兴趣点的类型;
编码单元,用于将所述类型映射为标签编码;
编码处理单元,用于根据所述标签编码,获得所述用户的时空相关信息。
14.根据权利要求10所述的装置,其中,所述时空相关信息根据用户当前的位置信息和用户当前的时间信息中的至少一个获得。
15.根据权利要求9-14中任意一项所述的装置,其中,所述字符信息模块包括:
总字符单元,用于获取用户输入的总字符;
分解单元,用于获取所述用户输入的总字符所包括的至少一个最小单位的字符信息。
16.根据权利要求9-14中任意一项所述的装置,其中,所述多个兴趣点信息中的每个兴趣点信息通过下述模块获得:
兴趣点信息模块,用于根据所述每个兴趣点的经纬度信息、地址信息和名称信息中的至少一个,获得所述每个兴趣点信息。
17.一种电子设备,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1-8中任一项所述的方法。
18.一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计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110145478.3A CN112861023B (zh) | 2021-02-02 | 2021-02-02 | 地图信息处理方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110145478.3A CN112861023B (zh) | 2021-02-02 | 2021-02-02 | 地图信息处理方法、装置、设备、存储介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861023A true CN112861023A (zh) | 2021-05-28 |
CN112861023B CN112861023B (zh) | 2024-06-21 |
Family
ID=75986756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110145478.3A Active CN112861023B (zh) | 2021-02-02 | 2021-02-02 | 地图信息处理方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861023B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608628A (zh) * | 2021-08-18 | 2021-11-05 | 中国第一汽车股份有限公司 | 一种兴趣点输入方法、装置、设备和存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914536A (zh) * | 2014-03-31 | 2014-07-09 | 北京百度网讯科技有限公司 | 一种用于电子地图的兴趣点推荐方法及*** |
CN104063383A (zh) * | 2013-03-19 | 2014-09-24 | 北京三星通信技术研究有限公司 | 信息推荐方法及装置 |
CN104408168A (zh) * | 2014-12-09 | 2015-03-11 | 百度在线网络技术(北京)有限公司 | 地图搜索方法、用于识别地域倾向的方法和装置 |
US9282161B1 (en) * | 2012-10-26 | 2016-03-08 | Amazon Technologies, Inc. | Points of interest recommendations |
CN107315750A (zh) * | 2016-04-26 | 2017-11-03 | 斑马网络技术有限公司 | 电子地图图层显示方法、装置、终端设备和用户界面*** |
CN110781413A (zh) * | 2019-08-28 | 2020-02-11 | 腾讯大地通途(北京)科技有限公司 | 兴趣点确定方法及装置、存储介质、电子设备 |
CN110781415A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、设备及介质 |
CN111241427A (zh) * | 2020-01-06 | 2020-06-05 | 百度在线网络技术(北京)有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
CN111538904A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于推荐兴趣点的方法和装置 |
CN111708876A (zh) * | 2020-06-16 | 2020-09-25 | 北京百度网讯科技有限公司 | 生成信息的方法和装置 |
CN111859174A (zh) * | 2019-12-03 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种确定推荐上车点的方法和*** |
CN111859168A (zh) * | 2019-05-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种兴趣点确定方法及*** |
CN111859060A (zh) * | 2020-01-10 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种信息查询方法、装置、电子设备和可读存储介质 |
CN112069415A (zh) * | 2020-08-13 | 2020-12-11 | 中国海洋大学 | 一种基于异构属性网络表征学习的兴趣点推荐方法 |
-
2021
- 2021-02-02 CN CN202110145478.3A patent/CN112861023B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9282161B1 (en) * | 2012-10-26 | 2016-03-08 | Amazon Technologies, Inc. | Points of interest recommendations |
CN104063383A (zh) * | 2013-03-19 | 2014-09-24 | 北京三星通信技术研究有限公司 | 信息推荐方法及装置 |
CN103914536A (zh) * | 2014-03-31 | 2014-07-09 | 北京百度网讯科技有限公司 | 一种用于电子地图的兴趣点推荐方法及*** |
CN104408168A (zh) * | 2014-12-09 | 2015-03-11 | 百度在线网络技术(北京)有限公司 | 地图搜索方法、用于识别地域倾向的方法和装置 |
CN107315750A (zh) * | 2016-04-26 | 2017-11-03 | 斑马网络技术有限公司 | 电子地图图层显示方法、装置、终端设备和用户界面*** |
CN111859168A (zh) * | 2019-05-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种兴趣点确定方法及*** |
CN110781413A (zh) * | 2019-08-28 | 2020-02-11 | 腾讯大地通途(北京)科技有限公司 | 兴趣点确定方法及装置、存储介质、电子设备 |
CN110781415A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、设备及介质 |
CN111859174A (zh) * | 2019-12-03 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种确定推荐上车点的方法和*** |
CN111241427A (zh) * | 2020-01-06 | 2020-06-05 | 百度在线网络技术(北京)有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
CN111859060A (zh) * | 2020-01-10 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种信息查询方法、装置、电子设备和可读存储介质 |
CN111538904A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于推荐兴趣点的方法和装置 |
CN111708876A (zh) * | 2020-06-16 | 2020-09-25 | 北京百度网讯科技有限公司 | 生成信息的方法和装置 |
CN112069415A (zh) * | 2020-08-13 | 2020-12-11 | 中国海洋大学 | 一种基于异构属性网络表征学习的兴趣点推荐方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608628A (zh) * | 2021-08-18 | 2021-11-05 | 中国第一汽车股份有限公司 | 一种兴趣点输入方法、装置、设备和存储介质 |
WO2023020529A1 (zh) * | 2021-08-18 | 2023-02-23 | 中国第一汽车股份有限公司 | 兴趣点输入方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112861023B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200326197A1 (en) | Method, apparatus, computer device and storage medium for determining poi alias | |
CN110926486B (zh) | 一种路线确定方法、装置、设备和计算机存储介质 | |
US11630560B2 (en) | Map information display method and apparatus, electronic device, and computer storage medium | |
CN112612957A (zh) | 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置 | |
CN111382212B (zh) | 关联地址获取方法、装置、电子设备及存储介质 | |
CN110688449A (zh) | 基于深度学习的地址文本处理方法、装置、设备及介质 | |
JP2023530795A (ja) | 地理的位置区域の符号化方法、符号化モデルを確立する方法、及び装置 | |
US20230049839A1 (en) | Question Answering Method for Query Information, and Related Apparatus | |
KR102601545B1 (ko) | 지리 위치점 정렬 방법, 정렬 모델 트레이닝 방법 및 대응하는 장치 | |
CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN112632379A (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
CN111523007A (zh) | 用户感兴趣信息确定方法、装置、设备以及存储介质 | |
CN111666461B (zh) | 检索地理位置的方法、装置、设备和计算机存储介质 | |
CN111737430A (zh) | 实体链接方法、装置、设备以及存储介质 | |
CN113641805A (zh) | 结构化问答模型的获取方法、问答方法及对应装置 | |
CN112861023B (zh) | 地图信息处理方法、装置、设备、存储介质及程序产品 | |
CN112818072A (zh) | 旅游知识图谱更新方法、***、设备及存储介质 | |
CN113360791B (zh) | 电子地图的兴趣点查询方法、装置、路侧设备及车辆 | |
CN114820960B (zh) | 构建图谱的方法、装置、设备和介质 | |
CN114036414A (zh) | 兴趣点的处理方法、装置、电子设备、介质及程序产品 | |
CN115512146A (zh) | Poi信息挖掘方法、装置、设备及存储介质 | |
CN111782748B (zh) | 地图检索方法、信息点poi语义向量的计算方法和装置 | |
CN112381166B (zh) | 信息点识别方法、装置及电子设备 | |
CN112966192A (zh) | 区域地址命名方法、装置、电子设备及可读存储介质 | |
CN112507223A (zh) | 数据处理方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |