一种兴趣点POI的分类方法、装置、服务器及存储介质制造方法及图纸

本申请公开了一种兴趣点POI的分类方法、装置、服务器及存储介质，方法包括：获得至少一个POI的POI数据；对POI数据中的数据项进行特征提取，以得到POI的POI特征向量；将POI特征向量输入训练模型，得到训练模型输出的POI的空间类型；其中，训练模型为利用至少两个具有空间类型标签的样本训练得到。可见，本申请中通过对POI数据中的数据项进行特征提取，以POI数据中各数据项对应的特征向量组成的POI特征向量作为训练模型的输入来获得POI的空间类型，从而不受POI数据中是否完整的限制，即以区分出POI的空间类型，由此提高对POI空间类型进行分类的可靠性。

【技术实现步骤摘要】
一种兴趣点POI的分类方法、装置、服务器及存储介质
本申请涉及电子地图
，尤其涉及一种POI的分类方法、装置、服务器及存储介质。
技术介绍
目前，在对兴趣点POI(PointofInterest)进行空间类别的区分时，通常采用各种硬规则或者模板对POI的信息进行正则匹配，来得到POI是属于沿街POI还是属于室内POI，例如，POI的地址信息为：A大厦5层，此时使用正则匹配得到：该POI属于室内POI，等等。但是，由于POI的信息可能存在不完整的情况，例如，POI的地址信息为：西四路23号，此时再使用硬规则或者模板对该信息进行正则匹配，就可能无法区分出POI的空间类型是室内还是沿街，使得对POI进行分类的可靠性较低。因此，亟需一种能够对POI的空间类型进行可靠分类的技术方案。
技术实现思路
有鉴于此，本申请提供一种兴趣点POI的分类方法、装置、服务器及存储介质，用以提高对POI的空间类型进行分类的可靠性。为实现上述目的，一方面，本申请提供了一种兴趣点POI的分类方法，包括：获得至少一个POI的POI数据，所述POI数据包括至少一个数据项，所述数据项据具有数据项类型；基于所述数据项类型，对所述POI数据中的至少一个数据项进行特征提取，以得到所述POI的POI特征向量，所述POI特征向量包括所述至少一个数据项对应的特征向量；将所述POI特征向量输入训练模型，得到所述训练模型输出的所述POI的空间类型；其中，所述训练模型为利用至少两个具有空间类型标签的样本训练得到，所述样本为具有所述空间类型标签的样本POI的数据在一种可能的实现方式中，基于所述数据项类型，对所述POI数据中的至少一个数据项进行特征提取，以得到所述POI的POI特征向量，包括：获得所述POI数据所包含的数据项的类型；使用目标类型对应的特征提取方式，提取属于所述目标类型的数据项的特征向量，以得到所述POI的POI特征向量；其中，所述目标类型为所述类型中的任意一种，所述目标类型对应的特征提取方式与属于所述目标类型的数据项的数据内容相关。可选的，所述使用目标类型对应的特征提取方式，提取属于所述目标类型的数据项的特征向量，包括：使用地址文本类型对应的基于卷积神经网络的特征提取方式，对所述POI数据中的地址文本数据项进行特征提取，得到所述地址文本数据项的特征向量。可选的，所述使用目标类型对应的特征提取方式，提取属于所述目标类型的数据项的特征向量，包括：使用来源类型对应的基于独热码编码的特征提取方式，对所述POI数据中的POI来源数据项进行特征提取，得到所述POI来源数据项的特征向量；和/或，使用类别类型对应的基于独热码编码的特征提取方式，对所述POI数据中的POI类别数据项进行特征提取，得到所述POI类别数据项的特征向量。可选的，所述使用目标类型对应的特征提取方式，提取属于所述目标类型的数据项的特征向量，包括：使用近邻道路类型对应的基于数据统计的特征提取方式，对所述POI数据中所述POI的周边预设区域内的近邻道路的数据项进行特征提取，得到所述近邻道路的数据项的特征向量；和/或，使用近邻POI类型对应的基于数据统计的特征提取方式，对所述POI数据中所述POI的周边预设区域内的近邻POI的数据项进行特征提取，得到所述近邻POI的数据项的特征向量。在一种可能的实现方式中，所述训练模型为利用至少两个具有空间类型标签的样本训练得到，包括：获得至少两个样本，每个所述样本具有预设的空间类型标签；基于所述样本及其空间类型标签，对基于机器学习算法的训练模型进行训练。又一方面，本申请还提供了一种兴趣点POI的分类装置，包括：数据获得单元，用于获得至少一个POI的POI数据，所述POI数据包括至少一个数据项，所述数据项据具有数据项类型；特征提取单元，用于基于所述数据项类型，对所述POI数据中的至少一个数据项进行特征提取，以得到所述POI的POI特征向量，所述POI特征向量包括所述至少一个数据项对应的特征向量；模型运行单元，用于将所述POI特征向量输入训练模型，得到所述训练模型输出的所述POI的空间类型；其中，所述训练模型为利用至少两个具有空间类型标签的样本训练得到，所述样本为具有所述空间类型标签的样本POI的数据。可选的，所述特征提取单元包括：类型获得子单元，用于获得所述POI数据所包含的数据项的类型；目标提取子单元，用于使用目标类型对应的特征提取方式，提取属于所述目标类型的数据项的特征向量，以得到所述POI的POI特征向量；其中，所述目标类型为所述类型中的任意一种，所述目标类型对应的特征提取方式与属于所述目标类型的数据项的数据内容相关。又一方面，本申请还提供了一种服务器，包括：处理器和存储器；其中，所述处理器用于执行所述存储器中存储的程序；所述存储器用于存储程序，所述程序至少用于：获得至少一个POI的POI数据，所述POI数据包括至少一个数据项，所述数据项据具有数据项类型；基于所述数据项类型，对所述POI数据中的至少一个数据项进行特征提取，以得到所述POI的POI特征向量，所述POI特征向量包括所述至少一个数据项对应的特征向量；将所述POI特征向量输入训练模型，得到所述训练模型输出的所述POI的空间类型；其中，所述训练模型为利用至少两个具有空间类型标签的样本训练得到，所述样本为具有所述空间类型标签的样本POI的数据。又一方面，本申请还提供了存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上任一项所述的兴趣点POI的分类方法。由上述方案可知，本申请所提供的一种兴趣点POI的分类方法、装置、服务器及存储介质，在获取到POI的POI数据之后，对POI数据中数据项进行特征提取，进而在得到包括数据项对应的特征向量的POI特征向量之后，将这些POI特征向量输入到利用具有空间类型标签的样本训练好的训练模型中，进而得到训练模型输出的POI的空间类型。可见，本申请中通过对POI数据中的数据项进行特征提取，以POI数据中各数据项对应的特征向量组成的POI特征向量作为训练模型的输入，来获得POI的空间类型，从而不受POI数据中是否完整的限制，即使POI数据中不完整，也能够从POI数据中一个或多个的数据项中提取到POI特征向量，进而利用训练模型对提取到的POI特征向量进行处理，以区分出POI的空间类型，由此提高对POI空间类型进行分类的可靠性。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。图1示出了本申请实施例的一种POI的分类系统的组成框架示意图；图2示出了本申请实施例中终端的地图界面上的POI分布示意图；图3示出了本申请实施例的一种服务器对POI分类的应用场景示意图；图4示出了本申请实施例的一种进行POI分类的服务器的硬件组成结构示意图；图5示出了本申请实施例的一种POI的分类方法的一种流程示意图；图6示出了本申请实施例的一种POI的分类装置一个实施例的组成结构示意图。具体实施方式本申请的方案适用于对获取到的地图POI进行空间分类，从而在本文档来自技高网...

【技术保护点】
1.一种兴趣点POI的分类方法，其特征在于，包括：获得至少一个POI的POI数据，所述POI数据包括至少一个数据项，所述数据项据具有数据项类型；基于所述数据项类型，对所述POI数据中的至少一个数据项进行特征提取，以得到所述POI的POI特征向量，所述POI特征向量包括所述至少一个数据项对应的特征向量；将所述POI特征向量输入训练模型，得到所述训练模型输出的所述POI的空间类型；其中，所述训练模型为利用至少两个具有空间类型标签的样本训练得到，所述样本为具有所述空间类型标签的样本POI的数据。

【技术特征摘要】
1.一种兴趣点POI的分类方法，其特征在于，包括：获得至少一个POI的POI数据，所述POI数据包括至少一个数据项，所述数据项据具有数据项类型；基于所述数据项类型，对所述POI数据中的至少一个数据项进行特征提取，以得到所述POI的POI特征向量，所述POI特征向量包括所述至少一个数据项对应的特征向量；将所述POI特征向量输入训练模型，得到所述训练模型输出的所述POI的空间类型；其中，所述训练模型为利用至少两个具有空间类型标签的样本训练得到，所述样本为具有所述空间类型标签的样本POI的数据。2.根据权利要求1所述的方法，其特征在于，基于所述数据项类型，对所述POI数据中的至少一个数据项进行特征提取，以得到所述POI的POI特征向量，包括：获得所述POI数据所包含的数据项的类型；使用目标类型对应的特征提取方式，提取属于所述目标类型的数据项的特征向量，以得到所述POI的POI特征向量；其中，所述目标类型为所述类型中的任意一种或任意组合，所述目标类型对应的特征提取方式与属于所述目标类型的数据项的数据内容相关。3.根据权利要求2所述的方法，其特征在于，使用目标类型对应的特征提取方式，提取属于所述目标类型的数据项的特征向量，包括：使用地址文本类型对应的基于卷积神经网络的特征提取方式，对所述POI数据中的地址文本数据项进行特征提取，得到所述地址文本数据项的特征向量。4.根据权利要求2所述的方法，其特征在于，使用目标类型对应的特征提取方式，提取属于所述目标类型的数据项的特征向量，包括：使用来源类型对应的基于独热码编码的特征提取方式，对所述POI数据中的POI来源数据项进行特征提取，得到所述POI来源数据项的特征向量；和/或，使用类别类型对应的基于独热码编码的特征提取方式，对所述POI数据中的POI类别数据项进行特征提取，得到所述POI类别数据项的特征向量。5.根据权利要求2所述的方法，其特征在于，使用目标类型对应的特征提取方式，提取属于所述目标类型的数据项的特征向量，包括：使用近邻道路类型对应的基于数据统计的特征提取方式，对所述POI数据中所述POI的周边预设区域内的近邻道路的数据项进行特征提取，得到所述近邻道路的数据项的特征向量；和/或，使用近邻POI类型对应的基于数据统计的特征提取方式，对所述POI数据中所述POI的周边预设区域内的近邻P...

【专利技术属性】
技术研发人员：龚剑，陈永全，杜逸康，卢俊之，杨璧嘉，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44