出行信息的向量化表示方法及装置制造方法及图纸

本公开提供了一种出行信息的向量化表示方法，涉及人工智能领域，尤其涉及智能搜索、智能推荐领域，可以用于电子地图中针对用户搜索推荐合理的出行方案。具体实现方案为：确定目标用户所属的用户群体；基于深度学习模型的隐藏层系数，确定用户群体的出行信息向量化表示，其中，深度学习模型是基于相似用户群体对样本训练得到的；以及基于用户群体的出行信息向量化表示，确定目标用户的出行信息向量化表示。示。示。

【技术实现步骤摘要】
出行信息的向量化表示方法及装置


[0001]本公开涉及人工智能领域，尤其涉及智能搜索、智能推荐领域，可以用于电子地图中针对用户搜索推荐合理的出行方案。

技术介绍

[0002]随着基础设施的快速发展，公共交通系统也得以长足发展，并且在公众出行中占据着越来越重要的地位。同时，为了承载公众的出行诉求，公共交通系统也在不断演进，其形态也越来越复杂，从而衍生出了普通公交、轨道交通、机场大巴、快速公交、高峰专线、旅游专线等数十种交通工具，极大地提升了公众出行的可选择性。
[0003]此外，公众在出行过程中，通常会考虑到交通工具的差异性，结合个体出行偏好，兼顾时间、换乘、步行等因素，选择适合的出行方案，快速、便捷、高效地到达目的地。由此使得地图类产品中的路线检索功能，尤其是公共交通场景下的路线推荐功能，面临着交通工具、出行场景、方案特点、个体习惯等多种因素共同影响所带来的挑战。

技术实现思路

[0004]本公开提供了一种出行信息的向量化表示方法、用户群体出行信息的向量化表示方法、深度学习模型的训练方法、知识图谱的构建方法、装置、设备、存储介质以及计算机程序产品。
[0005]根据本公开的一方面，提供了一种出行信息的向量化表示方法，包括：确定目标用户所属的用户群体；基于深度学习模型的隐藏层系数，确定所述用户群体的出行信息向量化表示，其中，所述深度学习模型是基于相似用户群体对样本训练得到的；以及基于所述用户群体的出行信息向量化表示，确定所述目标用户的出行信息向量化表示。
[0006]根据本公开的另一方面，提供了一种出行信息的向量化表示方法，包括：从深度学习模型的隐藏层导出对应的隐藏层系数，其中，所述深度学习模型是基于相似用户群体对样本训练得到的；以及基于所述隐藏层系数构建对应的系数矩阵，以得到多个用户群体中每个用户群体的向量化表示，其中，所述系数矩阵中的每行权值表示的行向量对应于所述多个用户群体中的一个用户群体。
[0007]根据本公开的另一方面，提供了一种深度学习模型的训练方法，包括：基于知识图谱，获取相似用户群体对样本，其中，所述知识图谱包括用户群体类节点和出行信息类节点，所述知识图谱中每组相似用户群体对应的多个节点连接至同一出行信息节点；以及利用所述相似用户群体对样本，对深度学习网络进行训练，以得到对应的深度学习模型。
[0008]根据本公开的另一方面，提供了一种知识图谱的构建方法，包括：将用户的群体化表示与所述用户在至少一个特定场景下选择的出行方案的离散化表示进行关联，以获得对应的关联数据；以及基于多个所述用户获得的关联数据，构建包含用户群体类节点和出行信息类节点的知识图谱，其中，所述知识图谱中每组相似用户群体对应的多个节点连接至同一出行信息节点。
[0009]根据本公开的另一方面，提供了一种出行信息的向量化表示装置，包括：第一确定模块，用于确定目标用户所属的用户群体；第二确定模块，用于基于深度学习模型的隐藏层系数，确定所述用户群体的出行信息向量化表示，其中，所述深度学习模型是基于相似用户群体对样本训练得到的；以及第三确定模块，用于基于所述用户群体的出行信息向量化表示，确定所述目标用户的出行信息向量化表示。
[0010]根据本公开的另一方面，提供了一种出行信息的向量化表示装置，包括：导出模块，用于从深度学习模型的隐藏层导出对应的隐藏层系数，其中，所述深度学习模型是基于相似用户群体对样本训练得到的；以及第一构建模块，用于基于所述隐藏层系数构建对应的系数矩阵，以得到多个用户群体中每个用户群体的向量化表示，其中，所述系数矩阵中的每行权值表示的行向量对应于所述多个用户群体中的一个用户群体。
[0011]根据本公开的另一方面，提供了一种深度学习模型的训练装置，包括：第一获取模块，用于基于知识图谱，获取相似用户群体对样本，其中，所述知识图谱包括用户群体类节点和出行信息类节点，所述知识图谱中每组相似用户群体对应的多个节点连接至同一出行信息节点；以及训练模块，用于利用所述相似用户群体对样本，对深度学习网络进行训练，以得到对应的深度学习模型，其中，所述深度学习模型的隐藏层系数可用于刻画多个用户群体的出行信息向量化表示。
[0012]根据本公开的另一方面，提供了一种知识图谱的构建装置，包括：关联模块，用于将用户的群体化表示与所述用户在至少一个特定场景下选择的出行方案的离散化表示进行关联，以获得对应的关联数据；以及第二构建模块，用于基于多个所述用户获得的关联数据，构建包含用户群体类节点和出行信息类节点的知识图谱，其中，所述知识图谱中每组相似用户群体对应的多个节点连接至同一出行信息节点。
[0013]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本公开实施例所述的方法。
[0014]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，其中，所述计算机指令用于使所述计算机执行根据本公开实施例所述的方法。
[0015]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，所述计算机程序在被处理器执行时实现根据本公开实施例所述的方法。
[0016]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
[0017]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0018]图1示例性示出了适于本公开实施例的系统架构；
[0019]图2示例性示出了根据本公开实施例的出行信息的向量化表示方法的流程图；
[0020]图3示例性示出了根据本公开另一实施例的出行信息的向量化表示方法的流程图；
[0021]图4示例性示出了根据本公开实施例的深度学习模型的训练方法的流程图；
[0022]图5示例性示出了根据本公开实施例的知识图谱的构建方法的流程图；
[0023]图6示例性示出了根据本公开实施例的挖掘用户出行信息的原理图；
[0024]图7示例性示出了根据本公开实施例的用户出行信息的向量化表示装置的框图；
[0025]图8示例性示出了根据本公开实施例的用户群体出行信息的向量化表示装置的框图；
[0026]图9示例性示出了根据本公开实施例的深度学习模型的训练装置的框图；
[0027]图10示例性示出了根据本公开实施例的知识图谱的构建装置的框图；
[0028]图11示例性示出了用来实现本公开实施例的电子设备的框图。
具体实施方式
[0029]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种出行信息的向量化表示方法，包括：确定目标用户所属的用户群体；基于深度学习模型的隐藏层系数，确定所述用户群体的出行信息向量化表示，其中，所述深度学习模型是基于相似用户群体对样本训练得到的；以及基于所述用户群体的出行信息向量化表示，确定所述目标用户的出行信息向量化表示。2.根据权利要求1所述的方法，其中，所述确定目标用户所属的用户群体，包括：获取所述目标用户的特征属性的群体化表示；以及基于所述群体化表示，确定所述目标用户所属的用户群体。3.根据权利要求1所述的方法，其中，基于深度学习模型的隐藏层系数，确定所述用户群体的出行信息向量化表示，包括：将系数矩阵中与所述用户群体对应的行向量作为所述用户群体的出行信息向量化表示，其中，所述系数矩阵是基于所述深度学习模型的隐藏层导出的隐藏层系数构建的，且矩阵中的每行权值表示的行向量对应于一个用户群体。4.根据权利要求1至3中任一项所述的方法，还包括：将确定出的所述目标用户的出行信息向量化表示发送至下游节点，以便为所述目标用户推荐对应的出行方案。5.一种出行信息的向量化表示方法，包括：从深度学习模型的隐藏层导出对应的隐藏层系数，其中，所述深度学习模型是基于相似用户群体对样本训练得到的；以及基于所述隐藏层系数构建对应的系数矩阵，以得到多个用户群体中每个用户群体的向量化表示，其中，所述系数矩阵中的每行权值表示的行向量对应于所述多个用户群体中的一个用户群体。6.一种深度学习模型的训练方法，包括：基于知识图谱，获取相似用户群体对样本，其中，所述知识图谱包括用户群体类节点和出行信息类节点，所述知识图谱中每组相似用户群体对应的多个节点连接至同一出行信息节点；以及利用所述相似用户群体对样本，对深度学习网络进行训练，以得到对应的深度学习模型，其中，所述深度学习模型的隐藏层系数可用于刻画多个用户群体的出行信息向量化表示。7.根据权利要求6所述的方法，其中，基于知识图谱，获取相似用户群体对样本，包括：基于所述知识图谱，生成关于用户群体和出行信息的至少一个关联序列；以及基于所述至少一个关联序列，生成对应的相似用户群体对样本。8.一种知识图谱的构建方法，包括：将用户的群体化表示与所述用户在至少一个特定场景下选择的出行方案的离散化表示进行关联，以获得对应的关联数据；以及基于多个所述用户获得的关联数据，构建包含用户群体类节点和出行信息类节点的知
识图谱，其中，所述知识图谱中每组相似用户群体对应的多个节点连接至同一出行信息节点。9.根据权利要求8所述的方法，其中，通过以下操作确定所述用户的群体化表示：获取各用户特征属性对应的离散化处理结果；以及基于所述离散化处理结果，确定所述用户的群体化表示。10.根据权利要求8或9所述的方法，其中，通过以下操作确定所述用户选择的出行方案的离散化表示：基于历史日志，挖掘所述用户在对应的特定场景下选择的出行方案；以及针对所述用户在对应的特定场景下选择的出行方案，按照出行方案中各因素在对应维度上的排位，确定出行方案的离散化表示。11.一种出行信息的向量化表示装置，包括：第一确定模块，用于确定目标用户所属的用户群体；第二确定模块，用于基于深度学习模型的隐藏层系数，确定所述用户群体的出行信息向量化表示，其中，所述深度学习模型是基于相似用户群体对样本训练得到的；以及第三确定模块，用于基于所述用户群体的出行信息向量化表示，确定所述目标用户的出行信息向量化表示。12.根据权利要求11所述的装置，其中，...

【专利技术属性】
技术研发人员：史盟钊，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：