兴趣点推荐方法和兴趣点推荐模型的训练方法、装置制造方法及图纸

本公开提供了一种兴趣点推荐方法和兴趣点推荐模型的训练方法、装置，涉及人工智能领域，具体涉及大数据、度量学习和深度学习等技术领域，可应用于智能推荐等场景。兴趣点推荐方法的具体实现方案为：根据目标对象对常驻区域的访问数据和多个兴趣点所属区域的访问记忆特征，确定目标对象的偏好特征；根据偏好特征与多个兴趣点中每个兴趣点的空间约束特征之间的差异，确定多个兴趣点中针对目标对象的待推荐兴趣点，其中，区域的访问记忆特征是根据参考对象对区域的访问数据确定的，区域为针对参考对象的异地区域；空间约束特征是根据多个兴趣点彼此之间的位置关系确定的。个兴趣点彼此之间的位置关系确定的。个兴趣点彼此之间的位置关系确定的。

【技术实现步骤摘要】
兴趣点推荐方法和兴趣点推荐模型的训练方法、装置


[0001]本公开涉及人工智能领域，具体涉及大数据、度量学习和深度学习等
，可应用于智能推荐等场景。

技术介绍

[0002]随着互联网技术和信息技术的不断发展，旨在为用户提供便利的各种信息推荐类应用得到快速发展。其中，兴趣点(Point
‑
of
‑
Interest，POI)的推荐旨在为用户提供可能感兴趣的地点，以提高用户出行的便利性。例如，在用户到不熟悉的区域时，借助推荐的兴趣点，用户可以更有效地做出出行决定。

技术实现思路

[0003]本公开旨在提供一种提高推荐效果的兴趣点推荐方法和兴趣点推荐模型的训练方法、装置、电子设备、存储介质。
[0004]根据本公开的一个方面，提供了一种兴趣点推荐方法，包括：根据目标对象对常驻区域的访问数据和多个兴趣点所属区域的访问记忆特征，确定目标对象的偏好特征；根据偏好特征与多个兴趣点中每个兴趣点的空间约束特征之间的差异，确定多个兴趣点中针对目标对象的待推荐兴趣点，其中，区域的访问记忆特征是根据参考对象对区域的访问数据确定的，区域为针对参考对象的异地区域；空间约束特征是根据多个兴趣点彼此之间的位置关系确定的。
[0005]根据本公开的另一个方面，提供了一种兴趣点推荐模型的训练方法，兴趣点推荐模型包括偏好特征提取子模型，训练方法包括：根据目标对象对常驻区域的第一历史访问数据和多个兴趣点所属区域的访问记忆特征，采用偏好特征提取子模型得到目标对象的偏好特征；根据目标对象对异地区域的第二历史访问数据，确定多个兴趣点中被目标对象访问的目标兴趣点；以及根据偏好特征与目标兴趣点的空间约束特征之间的差异，对偏好特征提取子模型进行训练，其中，区域的访问记忆特征是根据参考对象对区域的访问数据确定的，区域为针对参考对象的异地区域；空间约束特征是根据多个兴趣点彼此之间的位置关系确定的。
[0006]根据本公开的另一个方面，提供了一种兴趣点推荐装置，包括：偏好特征确定模块，用于根据目标对象对常驻区域的访问数据和多个兴趣点所属区域的访问记忆特征，确定目标对象的偏好特征；兴趣点确定模块，用于根据偏好特征与多个兴趣点中每个兴趣点的空间约束特征之间的差异，确定多个兴趣点中针对目标对象的待推荐兴趣点，其中，区域的访问记忆特征是根据参考对象对区域的访问数据确定的，区域为针对参考对象的异地区域；空间约束特征是根据多个兴趣点彼此之间的位置关系确定的。
[0007]根据本公开的另一个方面，提供了一种兴趣点推荐模型的训练装置，其中，兴趣点推荐模型包括偏好特征提取子模型，该训练装置包括：偏好特征确定模块，用于根据目标对象对常驻区域的第一历史访问数据和多个兴趣点所属区域的访问记忆特征，采用偏好特征
提取子模型得到目标对象的偏好特征；兴趣点确定模块，用于根据目标对象对异地区域的第二历史访问数据，确定多个兴趣点中被目标对象访问的目标兴趣点；以及模型训练模块，用于根据偏好特征与目标兴趣点的空间约束特征之间的差异，对偏好特征提取子模型进行训练，其中，区域的访问记忆特征是根据参考对象对区域的访问数据确定的，区域为针对参考对象的异地区域；空间约束特征是根据多个兴趣点彼此之间的位置关系确定的。
[0008]根据本公开的另一个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的兴趣点推荐方法或兴趣点推荐模型的训练方法。
[0009]根据本公开的另一个方面，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，计算机指令用于使计算机执行本公开提供的兴趣点推荐方法或兴趣点推荐模型的训练方法。
[0010]根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现本公开提供的兴趣点推荐方法或兴趣点推荐模型的训练方法。
[0011]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
[0012]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0013]图1是根据本公开实施例的方法和装置的应用场景示意图；
[0014]图2是根据本公开实施例的兴趣点推荐方法的流程示意图；
[0015]图3是根据本公开实施例的确定兴趣点的空间约束表征的流程示意图；
[0016]图4是根据本公开实施例的确定兴趣点的空间约束表征的实现原理图；
[0017]图5是根据本公开实施例的确定空间约束表征的条件随机场模型的训练方法的流程示意图；
[0018]图6是根据本公开实施例的确定群体记忆特征的方法的流程示意图；
[0019]图7是根据本公开实施例的确定群体记忆特征的方法的实现原理图；
[0020]图8是根据本公开实施例的记忆网络的训练方法的流程示意图；
[0021]图9是根据本公开实施例的记忆网络的训练方法的实现原理图；
[0022]图10是根据本公开实施例的兴趣点推荐方法的实现原理图；
[0023]图11是根据本公开实施例的兴趣点推荐模型的训练方法的流程示意图；
[0024]图12是根据本公开实施例的兴趣点推荐装置的结构框图；
[0025]图13是根据本公开实施例的兴趣点推荐模型的训练装置的结构框图；以及
[0026]图14是用来实施本公开实施例的兴趣点推荐方法和/或兴趣点推荐模型的训练方法的电子设备的框图。
具体实施方式
[0027]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。
[0028]以下将对本公开所涉及的专业术语进行解释：
[0029]兴趣点：指地理信息系统中的某个地标，用以标示出该地所代表的旅游景点、各行各业商业机构(如加油站、超市、餐厅、酒店、便利店、医院等)、交通设施(如各式车站、停车场、限速标示)等处所。在本公开实施例中，兴趣点可以是地图服务上标注的兴趣点，通常包含名称、地址、坐标、类别等属性信息，该兴趣点可以用于表征地理空间上的任意实体，例如表征公交站、景点、商场等。
[0030]度量学习：Metric Learning，是广泛应用于图像检索领域的一种方法，度量学习旨在通过网络学习出两张图片的相似度。例如，在行人重识别问题上，度量学习旨在使得同一行人的不同图像之间的相似度大于不同行人的不同图像之间的相似度。采用损失函数训练网络的目的为使得相同行人的两个图像(即正样本对)之间的距离近可能小，不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种兴趣点推荐方法，包括：根据目标对象对常驻区域的访问数据和多个兴趣点所属区域的访问记忆特征，确定所述目标对象的偏好特征；以及根据所述偏好特征与所述多个兴趣点中每个兴趣点的空间约束特征之间的差异，确定所述多个兴趣点中针对所述目标对象的待推荐兴趣点，其中，区域的访问记忆特征是根据参考对象对所述区域的访问数据确定的，所述区域为针对所述参考对象的异地区域；所述空间约束特征是根据所述多个兴趣点彼此之间的位置关系确定的。2.根据权利要求1所述的方法，其中，所述根据目标对象对常驻区域的访问数据和多个兴趣点所属区域的访问记忆特征，确定所述目标对象的偏好特征包括：根据所述目标对象对所述常驻区域的访问数据，确定所述目标对象针对所述常驻区域的访问特征；根据所述访问特征和所述多个兴趣点所属区域中每个区域的访问记忆特征，确定所述每个区域与所述目标对象之间的关联强度；以所述关联强度为权重，根据所述多个兴趣点所属区域的访问记忆特征确定所述目标对象对所述多个兴趣点所属区域的群体记忆特征；以及根据所述访问特征和所述群体记忆特征，确定所述目标对象的偏好特征。3.根据权利要求2所述的方法，其中，所述根据所述访问特征和所述群体记忆特征，确定所述目标对象的偏好特征包括：根据映射矩阵对所述访问特征进行转移处理，得到转移后访问特征；以及根据所述转移后访问特征和所述群体记忆特征，确定所述目标对象的偏好特征，其中，所述映射矩阵与所述目标对象的常驻区域相对应。4.根据权利要求3所述的方法，其中，所述根据所述偏好特征与所述每个兴趣点的空间约束特征之间的差异，确定所述多个兴趣点中针对所述目标对象的待推荐兴趣点包括：根据所述映射矩阵对所述每个兴趣点的空间约束特征进行转移处理，得到所述每个兴趣点的转移后约束特征；以及确定所述多个兴趣点中所述转移后约束特征与所述偏好特征之间的差异较小的第一预定数量个兴趣点，得到所述待推荐兴趣点。5.根据权利要求2所述的方法，其中，所述根据所述访问特征和所述多个兴趣点所属区域中每个区域的访问记忆特征，确定所述每个区域与所述目标对象之间的关联强度包括：针对所述每个区域，采用第一激活函数对所述每个区域的访问记忆特征和所述访问特征进行处理，得到所述每个区域与所述目标对象之间的关联特征；以及根据所述每个区域与所述目标对象之间的关联特征和所述多个兴趣点所属区域分别与所述目标对象之间的关联特征，确定所述每个区域与所述目标对象之间的关联强度。6.根据权利要求5所述的方法，其中，所述每个区域的访问记忆特征包括存储在第二预定数量个插槽的第二预定数量个子特征；所述针对所述每个区域，采用第一激活函数对所述每个区域的访问记忆特征和所述访问特征进行处理，得到所述每个区域与所述目标对象之间的关联特征包括：采用注意力机制对所述访问特征和所述第二预定数量个子特征中的每个子特征进行
处理，得到所述每个子特征与所述目标对象之间的子关联强度；以所述子关联强度为权重，根据所述第二预定数量个子特征确定所述目标对象对所述每个区域的记忆特征；以及采用所述第一激活函数对所述记忆特征和所述访问特征进行处理，得到所述每个区域与所述目标对象之间的关联特征。7.根据权利要求6所述的方法，其中，所述采用注意力机制对所述访问特征和所述第二预定数量个子特征中每个子特征进行处理，得到所述每个子特征与所述目标对象之间的子关联强度包括：采用第二激活函数对所述访问特征和所述每个子特征进行处理，得到所述每个子特征与所述目标对象之间的子关联特征；以及根据所述每个子特征与所述目标对象之间的子关联特征和所述第二预定数量个子特征分别与所述目标对象之间的子关联特征，确定所述每个子特征与所述目标对象之间的子关联强度。8.根据权利要求2所述的方法，其中，所述根据所述目标对象对所述常驻区域的访问数据，确定所述目标对象针对所述常驻区域的访问特征包括：根据所述目标对象对所述常驻区域的访问数据，确定所述常驻区域中被访问的目标兴趣点及所述目标兴趣点的被访问次数；以及根据所述被访问次数，聚合所述目标兴趣点的空间约束特征，得到所述访问特征，其中，所述多个兴趣点包括所述目标兴趣点。9.根据权利要求1所述的方法，还包括通过以下操作来根据所述多个兴趣点彼此之间的位置关系，确定所述每个兴趣点的空间约束特征：根据所述多个兴趣点彼此之间的位置关系，确定所述多个兴趣点彼此之间的关联关系；根据所述多个兴趣点彼此之间的关联关系和所述多个兴趣点各自的特征数据，确定针对所述多个兴趣点的空间图；以及以所述特征数据为观察变量，以所述空间约束特征为随机变量，将所述空间图输入条件随机场模型，得到所述多个兴趣点中每个兴趣点的空间约束特征。10.根据权利要求9所述的方法，其中，所述条件随机场模型包括吉布斯随机场模型；所述以所述特征数据为观察变量，以所述空间约束特征为随机变量，将所述空间图输入条件随机场模型，得到所述多个兴趣点中每个兴趣点的空间约束特征包括：根据所述每个兴趣点的特征数据与所述每个兴趣点的空间约束特征之间的差异，确定所述吉布斯随机场模型中能量函数的一元势函数；根据所述每个兴趣点的空间约束特征与具有关联关系的兴趣点的空间约束特征之间的差异，确定所述能量函数的二元势函数；以及根据所述观察变量、所述一元势函数和所述二元势函数，确定所述多个兴趣点中每个兴趣点的空间约束特征。11.根据权利要求10所述的方法，其中，与所述每个兴趣点具有关联关系的兴趣点包括多个关联兴趣点；所述根据所述每个兴趣点的空间约束特征与具有关联关系的兴趣点的空间约束特征之间的差异，确定所述能量函数的二元势函数包括：
以空间约束特征为变量，采用注意力机制确定所述每个兴趣点与所述多个关联兴趣点中每个关联兴趣点之间的空间关联度；以及以所述空间关联度为加权系数，对所述每个兴趣点的空间约束特征与所述多个关联兴趣点的空间约束特征之间的多个差异进行加权，得到所述二元势函数。12.根据权利要求10或11所述...

【专利技术属性】
技术研发人员：辛浩然，路新江，窦德景，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：