[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112528145A - 信息推荐方法、装置、设备及可读存储介质 - Google Patents

信息推荐方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112528145A
CN112528145A CN202011445091.1A CN202011445091A CN112528145A CN 112528145 A CN112528145 A CN 112528145A CN 202011445091 A CN202011445091 A CN 202011445091A CN 112528145 A CN112528145 A CN 112528145A
Authority
CN
China
Prior art keywords
user
historical
model
training sample
retrieval
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
Application number
CN202011445091.1A
Other languages
English (en)
Other versions
CN112528145B (zh
Inventor
陈浩
刘野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011445091.1A priority Critical patent/CN112528145B/zh
Publication of CN112528145A publication Critical patent/CN112528145A/zh
Application granted granted Critical
Publication of CN112528145B publication Critical patent/CN112528145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/9535—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
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G06F16/90—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
    • G06F16/9538—Presentation of query results
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种信息推荐方法、装置、设备及可读存储介质，涉及人工智能中的电子地图技术领域。具体实现方案为：服务器接收到用户请求打开电子地图的请求指令后，响应该请求指令预测用户是否具有检索意图。当预测出用户具有检索意图时针对用户生成推荐卡片并输出推荐卡片，该推荐卡片上展示多个检索词供用户选择，提高交互效率的同时，实现个性化推荐。

Description

信息推荐方法、装置、设备及可读存储介质
技术领域
本申请涉及人工智能中的电子地图技术领域，尤其涉及一种信息推荐方法、装置、设备及可读存储介质。
背景技术
电子地图由于具备导航、定位等功能，成为人们生活中不可或缺的工具。
用户经常利用电子地图查找当前定位点或某个兴趣点(point of interest，POI)附近的某类POI。查找过程中，点击电子地图上的“发现周边”等按钮，电子地图弹窗推荐卡片，推荐卡片上显示一系列的检索词，每个检索词代表一类POI。例如，检索词为“美食”，则用户点击“美食”后，电子地图跳转到美食页面，美食页面显示各种类别的美食，如附近美食、小吃快餐、火锅等供用户选择。同时，美食页面上还显示一些热门餐厅等，供用户选择。由于屏幕有限，若美食种类繁多，则美食页面上显示一些常见的美食种类，一些不常见的美食种类则在下一级页面。比如，用户在美食页面上点击“更多”，则进入下一级页面，下一级页面列出更多的美食种类供用户选择。该过程中，每个美食种类，如火锅等都视为检索词。
上述通过点击“发现周边”的方式，能触发电子地图直接发起检索，如检索美食、检索景点等。但是，若用户期望的检索词隐藏较深，则导致用户需要和电子地图进行多次交互才能找到该检索词，费时费力，效率低下。
发明内容
本申请提供了一种信息推荐方法、装置、设备及可读存储介质，当识别到用户具有检索诉求时，主动弹出符合用户行为和当前场景的推荐卡片，供用户点击推荐卡片上的检索词，从而使得用户快速方便的找到某类兴趣点。
第一方面，本申请实施例提供一种信息推荐方法，包括：服务器接收到用户请求打开电子地图的请求指令后，响应该请求指令预测用户是否具有检索意图。当预测出用户具有检索意图时针对用户生成推荐卡片并输出推荐卡片，该推荐卡片上展示多个检索词供用户选择。
第二方面，本申请实施例提供一种模型训练方法，包括：电子设备利用历史数据构建出训练样本，并进行模型训练，得到目标模型，目标模型为与推荐卡片关联的模型，所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI。
第三方面，本申请实施例提供一种基于电子地图的信息推荐装置，包括：
接收模块，用于接收用户的请求指令，所述请求指令用于请求打开电子地图；
预测模块，用于响应所述请求指令，预测所述用户是否具有检索意图；
处理模块，用于当所述预测模块预测出所述用户具有检索意图时针对所述用户生成推荐卡片，所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI；
输出模块，用于输出所述推荐卡片。
第四方面，本申请实施例提供一种模型训练装置，包括：
构建模块，用于根据历史数据构建训练样本，得到训练样本集合，所述历史数据为历史用户对电子地图进行操作时产生的数据；
训练模块，用于利用所述训练样本训练初始模型，得到目标模型，所述目标模型为与推荐卡片关联的模型，所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI。
第五方面、本申请实施例提供一种电子设备，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第一方面或第一方面任意可能实现的方法。
第六方面，本申请实施例提供一种电子设备，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第二方面或第二方面任意可能实现的方法。
第七方面，本申请实施例提供一种包含指令的计算机程序产品，当其在电子设备上运行时，使得电子设备计算机执行上述第一方面或第一方面的各种可能的实现方式中的方法。
第八方面，本申请实施例提供一种包含指令的计算机程序产品，当其在电子设备上运行时，使得电子设备计算机执行上述第二方面或第二方面的各种可能的实现方式中的方法。
第九方面，本申请实施例提供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电子设备执行上述第一方面或第一方面的各种可能的实现方式中的方法。
第十方面，本申请实施例提供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电子设备执行上述第二方面或第二方面的各种可能的实现方式中的方法。
根据本申请的技术，当识别到用户具有检索诉求时，主动弹出符合用户行为和当前场景的推荐卡片，供用户点击推荐卡片上的检索词，从而使得用户快速方便的找到某类兴趣点，减少用户在检索框的输入操作、避免用户通过多次点击才能找到检索词，提高交互效率的同时，实现个性化推荐。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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为用户查找当前定位点附近某类POI的过程示意图；
图2A为大框检索示意图；
图2B为固定列表式检索词落地页示意图；
图3是本申请实施例提供的信息推荐方法的场景示意图；
图4是本申请实施例提供的信息推荐方法的流程图；
图5A是本申请实施例提供的信息推荐方法中电子地图界面的一个示意图；
图5B是本申请实施例提供的信息推荐方法中电子地图界面的另一个示意图；
图6是本申请实施例提供的信息推荐方法中训练和适用第一模型的过程示意图；
图7是本申请实施例提供的信息推荐方法中训练和适用第二模型的过程示意图；
图8是本申请实施例提供的模型训练方法的流程图；
图9为本申请实施例提供的一种基于电子地图的信息推荐装置的结构示意图；
图10为本申请实施例提供的一种模型训练装置的结构示意图；
图11是用来实现本申请实施例的信息推荐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。
目前，用户经常使用电子地图查找某类POI。图1为用户查找当前定位点附近某类POI的过程示意图。请参照图1，用户打开电子地图后，有搜索周边游乐场的诉求。搜索过程中，用户先点击“周边”，然后点击“更多”，进入“更多”检索词落地页。接着，用户在落地页滑动屏幕，找到“游乐场”，点击“游乐场”之后，电子地图定位出很多个游乐场。
倘若用户想要查找某个位置(不是当前定位点)附近的某类POI，则需要在电子地图上搜索该位置，再通过点击周边的方式进行快速检索。或者，用户挪动电子地图，比如，用户在上海，当前定位点在上海，用户想要查找北京海淀区内某个目的位置附近的咖啡厅，则先通过滑动操作，使得电子地图显示北京，再显示海淀区，然后显示目的位置。最后，用户点击“周边”进行快速检索。电子设备根据用户的检索定位出用户感兴趣的POI并推送。
上述基于电子地图的信息推荐过程中，若用户期望的检索词隐藏比较深，则需要用户多次和电子地图交互才能找到该检索词，费时费力。导致用户能够在检索框内进行搜索。但是，若用户无法组织有效检索词，则导致通过检索框搜索方式得到的结果不正确。
图2A为大框检索示意图。图2B为固定列表式检索词落地页示意图。请参照图2A，大框检索是指用户在检索框内输入自己组织的检索词进行检索的方式。若用户无法组织有效检索词，则有可能检索不到有效的结构。请参照图2B，该落地页中的检索词是固定的，是研发人员根据成千上万普通用户的检索行为得到的一系列检索词。用户通过点击“周边”、点击“更多”进入检索词落地页，交互过程繁琐。比如，用户想要查找阳光大厦费劲的咖啡厅，则需要先通过触摸操作，将电子地图滑动到北京，再找到阳光大厦，然后点击“周边”，在检索词落地页内找到“咖啡厅”并点击，才能够检索出咖啡厅类的POI。而且，由于固定式列表内的检索词是固定的，无法根据用户当下的场景和使用习惯进行场景化、个性化推荐。
本申请实施例旨在当识别到用户具有检索诉求时，主动弹出符合用户行为和当前场景的推荐卡片，供用户点击推荐卡片上的检索词，从而使得用户快速方便的找到某类兴趣点。
图3是本申请实施例提供的信息推荐方法的场景示意图。请参照图3，该场景包括：终端设备301和服务器302，终端设备301和服务器302建立网络连接。其中，服务器302预测用户是否具有检索意图。当服务器预测出用户具有检索意图后，针对该用户生成推荐卡片并推送，该推荐卡片上具有多个检索词，每个检索词表示一类POI。不同用户的推荐卡片不同。这样一来，用户无需通过多次操作进入检索词落地页才能检索，效率高。而且，由于推荐卡片上的检索词和用户当前所处的场景、用户对电子地图的历史操作行为等有关系，使得推荐卡片上的检索词更符合用户当前的诉求，进一步加快效率的同时实现个性化推荐。
图3中，终端设备301可以为台式终端或移动终端，台式终端可以为电脑等，移动终端可以为手机、平板电脑、笔记本电脑等，服务器302可以是独立的服务器或者多个服务器组成的服务器集群等。
图4是本申请实施例提供的信息推荐方法的流程图，本实施例是从服务器的角度进行说明的，本实施例包括：
401、接收用户的请求指令。
所述请求指令用于请求打开电子地图。
示例性的，图3中终端设备301上安装有电子地图应用程序(application，APP)。用户点击APP以请求打开电子地图时，终端设备301向服务器302发送请求指令。
402、响应所述请求指令，预测所述用户是否具有检索意图，若用户具有检测意图，则执行步骤403；若用户没有检测意图，则执行步骤405。
服务器接收到来自终端设备的请求指令后，根据用户当前所处场景的当前场景信息、用户之前使用电子地图的历史数据等，判断用户是否具有检索意图，即判断用户是否具有点击美食、快餐小吃、停车场等检索词的诉求。若服务器预测出用户具有较强的检索意图，则执行步骤403；若服务器预测出用户没有较强的检索意图，则执行步骤405。
403、针对所述用户生成推荐卡片。
所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI。
服务器根据用户当前所处场景的当前场景信息、用户之前使用电子地图的历史数据等，针对该用户生成一个推荐卡片，该推荐卡片上的检索词是用户点击概率比较大检索词，不同用户的推荐卡片不同。
图5A是本申请实施例提供的信息推荐方法中电子地图界面的一个示意图。请参照图5A，用户旅游到外地，历史数据显示用户旅游时，经常在中午检索美食或通过大框检索方式查找美食类的POI，则当用户打开电子地图后，电子地图主动弹出推荐卡片，推荐卡片上的检索词包括特色小吃、美食、快餐、火锅、卤煮火烧等。
图5B是本申请实施例提供的信息推荐方法中电子地图界面的另一个示意图。请参照图5B，用户旅游到外地，历史数据显示用户经常查找酒店类的POI以及停车场、加油站等POI，则当用户打开电子地图后，电子地图弹出推荐卡片，推荐卡片上的检索词包括星级酒店、快捷酒店、服务区、加油站、停车场等。
另外，电子设备对不同用户生成的推荐卡片不同，比如，对于喜欢小吃的用户，推荐卡片上的检索词包括小吃快餐、特色食品等，对于喜欢西餐的用，则推荐卡片上的检索词包括西餐厅、咖啡厅等。
电子设备对同一用户在不同场景下生成的推荐卡片不同，比如，当用户旅游到外地时，推荐卡片上的检索词包括酒店、停车场等，当用户在本地时，则检索词包括美食等。
404、输出推荐卡片。
示例性的，服务器将推荐卡片推送给用户的终端设备，使得终端设备的电子地图界面上弹出推荐卡片，供用户从中选择检索词并点击。如此一来，用户无需点击“周边”等进行检索。
405、打开电子地图，不推送推荐卡片。
示例性的服务器仅推送电子地图界面相关的数据等，不推送推荐卡片，使得终端设备上显示电子地图但不显示推荐卡片。
本申请实施例提供的信息推荐方法，服务器接收到用户请求打开电子地图的请求指令后，响应该请求指令预测用户是否具有检索意图。当预测出用户具有检索意图时针对用户生成推荐卡片并输出推荐卡片，该推荐卡片上展示多个检索词供用户选择。采用该种方案，当识别到用户具有检索诉求时，主动弹出符合用户行为和当前场景的推荐卡片，供用户点击推荐卡片上的检索词，从而使得用户快速方便的找到某类兴趣点，减少用户在检索框的输入操作、避免用户通过多次点击才能找到检索词，提高交互效率的同时，实现个性化推荐。
上述实施例中，服务器响应所述请求指令，预测所述用户是否具有检索意图时，首先，确定当前场景信息，根据当前场景信息，确定用户的检索概率。当检索概率大于预设检索概率时，预测所述用户具有检索意图。当检索概率小于或等于预设检索概率时，预测用户不具有检索意图。
示例性的，当前场景信息包括用户请求开启电子地图时的时间、地点、用户性别、用户是否在外地、用户的历史操作行为、POI语义、用户的行为序列等。用户的历史操作行为包括用户之前点击电子地图上的检索词的行为、用户在电子地图的检索框内输入检索词并搜索的行为、用户利用电子地图导航的行为、用户利用电子地图定位的行为等。用户的历史操作行为能够反映出用户的兴趣等。用户的历史操作行为包括用户之前点击电子地图上的检索词的行为、用户在电子地图的检索框内输入检索词并搜索的行为、用户利用电子地图导航的行为、用户利用电子地图定位的行为等。服务器获取该些当前场景信息。之后，服务器根据当前场景信息，确定用户的检索概率，并将检索概率和预设检索概率进行对比。比如，预设检索概率为70％，则当检索概率大于70％时，认为用户具有检索意图。当检索概率小于或等于70％时，认为用户不具有检索意图，而是使用电子地图进行导航、定位等。
采用该种方案，服务器获取当前场景信息并根据当前场景信息确定用户的检索概率，从而实现确定出用户是否具有检索意图的目的，过程简单、准确度高。当预测出用户具有检索意图时，主动弹起推荐卡片，缩短用户查找期望的检索词的路径，提升用户使用电子地图的效率。
上述当服务器预测出用户具有检索意图时针对用户生成推荐卡片时，首先，确定当前场景信息。然后，服务器根据所述当前场景信息，确定预设的多个检索词中每个检索词被用户点击的点击概率。然后，服务器从所述多个检索词中选择出点击概率超过预设点击概率的至少一个检索词，根据所述至少一个检索词生成所述推荐卡片。
示例性的，服务器上预先设置多个检索词，每个检索词代表某一类的POI。当前场景信息包括用户请求开启电子地图时的时间、地点、用户性别、用户是否在外地、用户的历史操作行为、POI语义等。用户的历史操作行为包括用户之前点击电子地图上的检索词的行为、用户在电子地图的检索框内输入检索词并搜索的行为、用户利用电子地图导航的行为、用户利用电子地图定位的行为等。用户的历史操作行为能够反映出用户的兴趣等。
服务器获取该些当前场景信息。之后，服务器根据当前场景信息，确定多个检索词中每个检索词被用户点击的点击概率。例如，有100个预设的检索词，则服务器确定该100个检索词中每个检索词的点击概率，并按照点击概率从高到低的顺序进行排序。然后，服务器将TOP N的检索词作为推荐卡片展示的检索词，基于该TOP N的检索词生成推荐卡片。其中，N例如为大于等于15的整数等，本申请实施例并不限制。
采用该种方案，服务器获取当前场景信息并根据当前场景信息确定读多个检索词中各检索词的点击概率，根据点击概率确定出推荐卡片上展示的检索词并生成更贴合用户使用习惯的推荐卡片，减少用户与电子地图的交互成本。
上述实施例中，服务器在预测用户的检索概率之前，需要训练出用于确定用户的检索概率的第一模型。服务器针对用户生成推荐卡片之前，需要训练出用于计算多个检索词中各检索词的点击概率的第二模型。下面，对如何训练该两个模型进行详细说明。
首先，第一模型。
服务器根据历史数据构建多个第一训练样本，得到第一训练样本集合，所述历史数据为历史用户对所述电子地图进行操作时产生的数据。之后，服务器利用所述第一训练样本集合，训练出第一模型，所述第一模型用于确定所述用户的检索概率。
示例性的，服务器训练出第一模型时，获取历史用户使用电子地图的历史数据，该历史数据包括历史行为和历史行为发生时的场景信息。历史行为即为历史用户对电子地图的操作行为，包括但不限于泛检索、定位、导航、点击周边后点击任意一个检索词等。例如，用户通过大框检索方式输入检索词的行为、历史用户点击“周边”在检索词落地页点击检索词的行为、输入POI定位的行为、导航行为等。历史场景信息包括：历史行为发生时的时间、地点、历史用户在本地或外地、历史用户的性别、历史用户的历史兴趣POI、历史用户的行为序列等。该些场景信息也成为样本的特征。其中，历史用户的行为序列是对历史用户一段时间内的行为按照先后顺序排序得到的。例如，历史用户的历史行为为点击美食，点击美食之前一个周内先后点击火锅、美食、自助餐，则行为序列为点击火锅-点击美食-点击自助餐。
获取到历史数据后，服务器利用历史行为对应的历史场景信息标注历史行为，得到的第一样本为正样本；利用其他历史场景信息标注历史行为，得到的第一样本为负样本。例如，历史数据中，历史用户A中午点击了美食，则中午点击美食是一个正样本，中午点击景点是负样本。
上述模型训练过程中，若仅考虑片面因素，如用户点击发现周边等行为，则无法反应用户的习惯。同时，会使得训练出的模型受到制约。例如，检索词落地页内的检索词都是固定的，仅包含景点、美食、酒店，若只考虑用户点击发现周边行为，则训练出模型，第一模型或下文中第二模型无法反应出用户对卤煮火烧的兴趣。本申请实施例中，服务器利用历史用户对电子地图的各种操作行为构建训练样本集合，该训练样本集合中的训练样本全面且单一入口的影响，进而训练出的第一模型和第二模型能够适应的场景更多。
服务器构建出第一样本集合后，对深度学习模型，如卷积神经网络(Convolutional Neural Networks，CNN)模型、深度神经网络(Deep Neural Networks,DNN)进行训练，得到第一模型，该第一模型用于预测当前用户的检索概率。
服务器训练出第一模型后，在线使用第一模型时，将当前用户的当前场景信息输入至第一模型，就能够自动、准确的得到用户的检索概率。
图6是本申请实施例提供的信息推荐方法中训练和适用第一模型的过程示意图。请参照6，历史数据包括场景日志和行为日志。离线学习模型的过程中，服务器从所述历史数据包含的用户日志中确定出多个历史行为，多个历史行为中的不同历史行为用于指示所述用户对所述电子地图的不同操作。同时，服务器从所述历史数据包含的场景日志中确定出所述多个历史行为中各历史行为的场景信息。
服务器获取到历史行为和各历史行为的场景信息后，进行日志解析融合。融合过程中，服务器使用所述多个历史行为中各历史行为的场景信息，标注对应的行为样本，得到所述训练样本集合中的第一训练样本。之后，服务器利用第一样本集合中的第一样本对深度学习模型进行训练，从而得到第一模型。
在线使用第一模型的过程中，服务器获取当前场景信息，将当前场景信息输入至第一模型，就能够更得到当前用户的检索概率。第一模型在用户行为的触发下计算检索概率，如用户点击电子地图请求开启电子地图时，服务器对当前场景信息进行在线流式解析得到特征，将解析出的特征输入至第一模型，基于该些特征计算检索概率。假设训练出第一模型时，特征有10个，使用第一模型时，当前场景信息包括7个特征，则服务器将其余的3个特征设置为0，基于7个特征确定检索概率。当前场景信息包含的特征越多时，则预测出的检索概率越准。
采用该种方案，电子设备基于历史数据构建出第一训练样本集合并进行模型训练，训练出第一模型，基于第一模型能够准确预测出用户是否有检索意图。
其次，第二模型。
当预测出所述用户具有检索意图时，服务器确定当前场景信息。之后，服务器根据所述当前场景信息，确定预设的多个检索词中每个检索词被用户点击的点击概率。然后，服务器从所述多个检索词中选择出点击概率超过预设点击概率的至少一个检索词，并根据所述至少一个检索词生成所述推荐卡片。
示例性的，服务器训练第二模型时，获取历史用户使用电子地图的历史数据，历史数据可参见上述训练出第一模型过程中的相关描述，此处不再赘述。获取到历史数据后，服务器利用检索词对应的历史场景信息标注该检索词，得到的第二样本为正样本；利用其它历史场景信息标注该检索词，得到的第二样本为负样本。例如，历史用户A中午点击了美食，则中午-美食是一个正样本，中午-景点是负样本。
服务器构建出第二样本集合后，对学习排序(Learning to Ranking，LTR)模型进行训练，得到第二模型，该第二模型用于确定每个检索词在某个场景下被点击的概率。
服务器训练出第二模型后，在线使用第二模型时，将当前用户的当前场景信息输入至第二模型，就能够得到每个检索词的点击概率。之后，对该些点击概率进行排序，利用排名top N的检索词生成推荐卡片。
采用该种方案，服务器通过第二模型确定各个检索词的点击概率，自动化程度高、准确度高。
图7是本申请实施例提供的信息推荐方法中训练和适用第二模型的过程示意图。请参照7，历史数据包括场景日志和行为日志。离线学习模型的过程中，服务器从所述历史数据包含的用户日志中确定出检索词集合，所述检索词集合中的不同检索词是用户对电子地图的不同操作产生的。同时，服务器从所述历史数据包含的场景日志中确定出所述多个检索词中各检索词的场景信息。
服务器获取到检索词和各检索词的场景信息后，进行日志解析融合。融合过程中，服务器使用多个各检索词的场景信息，对对应检索词进行标注，得到正样本；用不对应的场景信息对检索词进行标注，得到负样本，该些正样本和负样本构成第二样本集合。
在线使用第二模型的过程中，服务器获取当前场景信息，将当前场景信息输入至第二模型，就能够得到各个检索词的点击概率。第二模型在用户行为的触发下计算各个检索词的点击概率，如用户点击电子地图请求开启电子地图时，服务器对当前场景信息进行在线流式解析得到特征，将解析出的特征输入至第二模型，基于该些特征计算各个检索词的点击概率。
另外，第二模型上线后，用户对电子地图的使用过程中，服务器继续根据用户的操作行为生成场景日志和行为日志，并继续长期对LTR模型进行学习，从而更新LTR模型。
采用该种方案，电子设备基于历史数据构建出第二训练样本集合并进行模型训练，训练出第二模型，基于第二模型能够生成贴合用户当前场景的推荐卡片，减少了用户和电子地图的交互操作。
上述实施例中，服务器输出推荐卡片后，将推荐卡片推送给终端设备，供终端设备在电子地图上弹起推荐卡片。用户点击推荐卡片上的任意检索词后，触发终端设备发送检索指令。服务器接收到该检索指令后，根据所述检索词确定所述检索词相关的多个POI并输出该些POI。终端设备在电子地图上显示该些POI，并显示各个POI的评分等信息。
采用该种方案，服务器接收到用户的推荐指令后，根据推荐指令携带的检索词确定用户期望的POI并推送给终端设备，减少用户和电子地图的交互次数。
图8是本申请实施例提供的模型训练方法的流程图，本实施例的执行主体为服务器等电子设备，本实施例包括：
801、根据历史数据构建训练样本，得到训练样本集合，所述历史数据为历史用户对电子地图进行操作时产生的数据。
802、利用所述训练样本训练初始模型，得到目标模型，所述目标模型为与推荐卡片关联的模型，所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI。
示例性的，目标模型例如为上述的第一模型，初始模型为深度学习模型。或者，目标模型为上述的第二模型，初始模型为排序模型。
本实施例提供的模型训练方法，电子设备利用历史数据构建出训练样本，并进行模型训练，得到目标模型，利用目标模型预测用户的检索概率以及每个检索词被点击的概率，实现准确识别出用户是否具有检索诉求和各检索词的点击概率的目的。
一种可行的设计中，当所述初始模型为深度学习模型、所述目标模型为第一模型时，电子设备根据历史数据构建训练样本，得到训练样本集合时，根据历史数据构建多个第一训练样本，得到第一训练样本集合。然后，电子设备利用所述第一训练样本集合，训练所述深度学习模型以得到所述第一模型，所述第一模型用于确定所述用户的检索概率。
一种可行的设计中，电子设备根据历史数据构建多个第一训练样本，得到第一训练样本集合时，首先，从所述历史数据包含的用户日志中确定出多个历史行为，所述多个历史行为中的不同历史行为用于指示历史用户对所述电子地图的不同操作。然后，电子设备从所述历史数据包含的场景日志中确定出所述多个历史行为中各历史行为的场景信息，使用所述多个历史行为中各历史行为的场景信息，标注对应的行为样本，得到所述训练样本集合中的第一训练样本。
上述实施例中，当初始模型为排序模型、目标模型为第二模型时，电子设备根据历史数据构建训练样本，得到训练样本集合时，根据历史数据构建第二训练样本，得到第二训练样本集合。然后，电子设备利用所述第二训练样本集合，训练所述排序模型以得到第二模型，所述第二模型用于确定所述多个检索词中各检索词的点击概率。
一种可行的设计中，电子设备根据所述历史数据构建第二训练样本，得到第二训练样本集合时，首先，从所述历史数据包含的用户日志中确定出检索词集合，所述检索词集合中的不同检索词是历史用户对电子地图的不同操作产生的。然后，电子设备从所述历史数据包含的场景日志中确定出所述多个检索词中各检索词的场景信息，并使用所述多个检索词中各检索词的场景信息，标注对应的检索词，得到所述第二训练样本集合中的第二训练样本。
上述实施例中，所述历史用户对所述电子地图的操作包括下述操作中的至少一个：泛检索、定位、导航、点击周边后点击任意一个检索词。
上述介绍了本申请实施例提到的信息推荐方法的具体实现，下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图9为本申请实施例提供的一种基于电子地图的信息推荐装置的结构示意图。该装置可以集成在电子设备中或通过电子设备实现。如图9所示，在本实施例中，该基于电子地图的信息推荐装置900可以包括：
接收模块91，用于接收用户的请求指令，所述请求指令用于请求打开电子地图；
预测模块92，用于响应所述请求指令，预测所述用户是否具有检索意图；
处理模块93，用于当所述预测模块92预测出所述用户具有检索意图时针对所述用户生成推荐卡片，所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI；
输出模块94，用于输出所述推荐卡片。
一种可行的设计中，所述预测模块92，具体用于响应所述请求指令，确定当前场景信息，根据所述当前场景信息，确定所述用户的检索概率，当所述检索概率大于预设检索概率时，预测所述用户具有检索意图。
一种可行的设计中，所述预测模块92根据所述当前场景信息，确定所述用户的检索概率时，用于根据历史数据构建多个第一训练样本，得到第一训练样本集合，所述历史数据为历史用户对所述电子地图进行操作时产生的数据；利用所述第一训练样本集合，训练出第一模型，所述第一模型用于确定所述用户的检索概率；将所述当前场景信息输入至所述第一模型，得到所述用户的检索概率。
一种可行的设计中，所述预测模块92根据历史数据构建多个第一训练样本，得到第一训练样本集合时，从所述历史数据包含的用户日志中确定出多个历史行为，所述多个历史行为中的不同历史行为用于指示历史用户对所述电子地图的不同操作；从所述历史数据包含的场景日志中确定出所述多个历史行为中各历史行为的场景信息；使用所述多个历史行为中各历史行为的场景信息，标注对应的行为样本，得到所述训练样本集合中的第一训练样本。
一种可行的设计中，所述处理模块93，用于当所述预测模块92预测出所述用户具有检索意图时，确定当前场景信息，根据所述当前场景信息，确定预设的多个检索词中每个检索词被用户点击的点击概率；从所述多个检索词中选择出点击概率超过预设点击概率的至少一个检索词；根据所述至少一个检索词生成所述推荐卡片。
一种可行的设计中，所述处理模块93根据所述当前场景信息，确定预设的多个检索词中每个检索词被用户点击的点击概率时，根据历史数据构建第二训练样本，得到第二训练样本集合，所述历史数据为历史用户对所述电子地图进行操作时产生的数据；利用所述第二训练样本集合，训练第二模型，所述第二模型用于确定所述多个检索词中各检索词的点击概率；将所述当前场景信息输入至所述第二模型，得到所述多个检索词中各检索词的点击概率。
一种可行的设计中，所述处理模块93根据所述历史数据构建第二训练样本，得到第二训练样本集合时，用于从所述历史数据包含的用户日志中确定出检索词集合，所述检索词集合中的不同检索词是历史用户对电子地图的不同操作产生的；从所述历史数据包含的场景日志中确定出所述多个检索词中各检索词的场景信息；使用所述多个检索词中各检索词的场景信息，标注对应的检索词，得到所述第二训练样本集合中的第二训练样本。
一种可行的设计中，所述历史用户对所述电子地图的操作包括下述操作中的至少一个：泛检索、定位、导航、点击周边后点击任意一个检索词。
一种可行的设计中，所述接收模块91在所述输出模块94输出所述推荐卡片之后，还用于接收所述用户的检索指令，所述检索指令携带所述推荐卡片上的任意一个检索词；所述处理模块93，还用于根据所述检索词确定所述检索词相关的多个POI；所述输出模块94，还用于输出所述多个POI。
图10为本申请实施例提供的一种模型训练装置的结构示意图。该装置可以集成在电子设备中或通过电子设备实现。如图10所示，在本实施例中，该模型训练装置1000可以包括：
构建模块1001，用于根据历史数据构建训练样本，得到训练样本集合，所述历史数据为历史用户对电子地图进行操作时产生的数据；
训练模块1002，用于利用所述训练样本训练初始模型，得到目标模型，所述目标模型为与推荐卡片关联的模型，所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI。
一种可行的设计中，所述初始模型为深度学习模型、所述目标模型为第一模型时，所述构建模块1001，用于根据历史数据构建多个第一训练样本，得到第一训练样本集合；
所述训练模块1002，用于利用所述第一训练样本集合，训练所述深度学习模型以得到所述第一模型，所述第一模型用于确定所述用户的检索概率。
一种可行的设计中，所述构建模块1001，用于从所述历史数据包含的场景日志中确定出所述多个历史行为中各历史行为的场景信息；使用所述多个历史行为中各历史行为的场景信息，标注对应的行为样本，得到所述训练样本集合中的第一训练样本。
一种可行的设计中，所述初始模型为排序模型、目标模型为第二模型时，所述构建模块1001，用于根据历史数据构建第二训练样本，得到第二训练样本集合，利用所述第二训练样本集合，训练所述排序模型以得到第二模型，所述第二模型用于确定所述多个检索词中各检索词的点击概率。
一种可行的设计中，所述训练模块1002，用于从所述历史数据包含的用户日志中确定出检索词集合，所述检索词集合中的不同检索词是历史用户对电子地图的不同操作产生的，从所述历史数据包含的场景日志中确定出所述多个检索词中各检索词的场景信息，使用所述多个检索词中各检索词的场景信息，标注对应的检索词，得到所述第二训练样本集合中的第二训练样本。
图11是用来实现本申请实施例的信息推荐方法的电子设备的框图。该电子设备也能够执行本申请实施例提供的模型训练方法。下面，以电子设备执行信息推荐方法为例，对本申请实施例提供的电子设备进行详细说明。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/或者要求的本公开的实现。
如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如信息推荐方法。例如，在一些实施例中，信息推荐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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的信息推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(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系统上执行和/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，可以从存储系统、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系统、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系统、装置或设备使用或与指令执行系统、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、或半导体系统、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系统和技术，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。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(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系统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系统中。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)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与虚拟专用服务器(Virtual Private Server，VPS)中存在的管理难度大、业务扩展性弱等缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器
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 (31)

1.一种信息推荐方法，包括：
接收用户的请求指令，所述请求指令用于请求打开电子地图；
响应所述请求指令，预测所述用户是否具有检索意图；
当预测出所述用户具有检索意图时针对所述用户生成推荐卡片，所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI；
输出所述推荐卡片。
2.根据权利要求1所述的方法，其中，所述响应所述请求指令，预测所述用户是否具有检索意图，包括：
响应所述请求指令，确定当前场景信息，
根据所述当前场景信息，确定所述用户的检索概率；
当所述检索概率大于预设检索概率时，预测所述用户具有检索意图。
3.根据权利要求2所述的方法，其中，所述根据所述当前场景信息，确定所述用户的检索概率，包括：
根据历史数据构建多个第一训练样本，得到第一训练样本集合，所述历史数据为历史用户对所述电子地图进行操作时产生的数据；
利用所述第一训练样本集合，训练出第一模型，所述第一模型用于确定所述用户的检索概率；
将所述当前场景信息输入至所述第一模型，得到所述用户的检索概率。
4.根据权利要求3所述的方法，其中，所述根据历史数据构建多个第一训练样本，得到第一训练样本集合，包括：
从所述历史数据包含的用户日志中确定出多个历史行为，所述多个历史行为中的不同历史行为用于指示历史用户对所述电子地图的不同操作；
从所述历史数据包含的场景日志中确定出所述多个历史行为中各历史行为的场景信息；
使用所述多个历史行为中各历史行为的场景信息，标注对应的行为样本，得到所述训练样本集合中的第一训练样本。
5.根据权利要求1-4任一项所述的方法，其中，所述当预测出所述用户具有检索意图时针对所述用户生成推荐卡片，包括：
当预测出所述用户具有检索意图时，确定当前场景信息；
根据所述当前场景信息，确定预设的多个检索词中每个检索词被用户点击的点击概率；
从所述多个检索词中选择出点击概率超过预设点击概率的至少一个检索词；
根据所述至少一个检索词生成所述推荐卡片。
6.根据权利要求5所述的方法，其中，所述根据所述当前场景信息，确定预设的多个检索词中每个检索词被用户点击的点击概率，包括：
根据历史数据构建第二训练样本，得到第二训练样本集合，所述历史数据为历史用户对所述电子地图进行操作时产生的数据；
利用所述第二训练样本集合，训练第二模型，所述第二模型用于确定所述多个检索词中各检索词的点击概率；
将所述当前场景信息输入至所述第二模型，得到所述多个检索词中各检索词的点击概率。
7.根据权利要求6所述的方法，其中，所述根据所述历史数据构建第二训练样本，得到第二训练样本集合，包括：
从所述历史数据包含的用户日志中确定出检索词集合，所述检索词集合中的不同检索词是历史用户对电子地图的不同操作产生的；
从所述历史数据包含的场景日志中确定出所述多个检索词中各检索词的场景信息；
使用所述多个检索词中各检索词的场景信息，标注对应的检索词，得到所述第二训练样本集合中的第二训练样本。
8.根据权利要求4或7所述的方法，其中，所述历史用户对所述电子地图的操作包括下述操作中的至少一个：泛检索、定位、导航、点击周边后点击任意一个检索词。
9.根据权利要求1-4任一项所述的方法，其中，所述输出所述推荐卡片之后，还包括：
接收所述用户的检索指令，所述检索指令携带所述推荐卡片上的任意一个检索词；
根据所述检索词确定所述检索词相关的多个POI；
输出所述多个POI。
10.一种模型训练方法，包括：
根据历史数据构建训练样本，得到训练样本集合，所述历史数据为历史用户对电子地图进行操作时产生的数据；
利用所述训练样本训练初始模型，得到目标模型，所述目标模型为与推荐卡片关联的模型，所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI。
11.根据权利要求10所述的方法，其中，所述初始模型为深度学习模型、所述目标模型为第一模型时，所述根据历史数据构建训练样本，得到训练样本集合，包括：
根据历史数据构建多个第一训练样本，得到第一训练样本集合；
利用所述第一训练样本集合，训练所述深度学习模型以得到所述第一模型，所述第一模型用于确定所述用户的检索概率。
12.根据权利要求11所述的方法，其中，所述根据历史数据构建多个第一训练样本，得到第一训练样本集合，包括：
从所述历史数据包含的用户日志中确定出多个历史行为，所述多个历史行为中的不同历史行为用于指示历史用户对所述电子地图的不同操作；
从所述历史数据包含的场景日志中确定出所述多个历史行为中各历史行为的场景信息；
使用所述多个历史行为中各历史行为的场景信息，标注对应的行为样本，得到所述训练样本集合中的第一训练样本。
13.根据权利要求10所述的方法，其中，所述初始模型为排序模型、目标模型为第二模型时，所述根据历史数据构建训练样本，得到训练样本集合，包括：
根据历史数据构建第二训练样本，得到第二训练样本集合；
利用所述第二训练样本集合，训练所述排序模型以得到第二模型，所述第二模型用于确定所述多个检索词中各检索词的点击概率。
14.根据权利要求13所述的方法，其中，所述根据所述历史数据构建第二训练样本，得到第二训练样本集合，包括：
从所述历史数据包含的用户日志中确定出检索词集合，所述检索词集合中的不同检索词是历史用户对电子地图的不同操作产生的；
从所述历史数据包含的场景日志中确定出所述多个检索词中各检索词的场景信息；
使用所述多个检索词中各检索词的场景信息，标注对应的检索词，得到所述第二训练样本集合中的第二训练样本。
15.一种基于电子地图的信息推荐装置，包括：
接收模块，用于接收用户的请求指令，所述请求指令用于请求打开电子地图；
预测模块，用于响应所述请求指令，预测所述用户是否具有检索意图；
处理模块，用于当所述预测模块预测出所述用户具有检索意图时针对所述用户生成推荐卡片，所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI；
输出模块，用于输出所述推荐卡片。
16.根据权利要求15所述的装置，其中，所述预测模块，具体用于响应所述请求指令，确定当前场景信息，根据所述当前场景信息，确定所述用户的检索概率，当所述检索概率大于预设检索概率时，预测所述用户具有检索意图。
17.根据权利要求16所述的装置，其中，所述预测模块根据所述当前场景信息，确定所述用户的检索概率时，用于根据历史数据构建多个第一训练样本，得到第一训练样本集合，所述历史数据为历史用户对所述电子地图进行操作时产生的数据；利用所述第一训练样本集合，训练出第一模型，所述第一模型用于确定所述用户的检索概率；将所述当前场景信息输入至所述第一模型，得到所述用户的检索概率。
18.根据权利要求17所述的装置，其中，所述预测模块根据历史数据构建多个第一训练样本，得到第一训练样本集合时，从所述历史数据包含的用户日志中确定出多个历史行为，所述多个历史行为中的不同历史行为用于指示历史用户对所述电子地图的不同操作；从所述历史数据包含的场景日志中确定出所述多个历史行为中各历史行为的场景信息；使用所述多个历史行为中各历史行为的场景信息，标注对应的行为样本，得到所述训练样本集合中的第一训练样本。
19.根据权利要求15-18任一项所述的装置，其中，所述处理模块，用于当所述预测模块预测出所述用户具有检索意图时，确定当前场景信息，根据所述当前场景信息，确定预设的多个检索词中每个检索词被用户点击的点击概率；从所述多个检索词中选择出点击概率超过预设点击概率的至少一个检索词；根据所述至少一个检索词生成所述推荐卡片。
20.根据权利要求19所述的装置，其中，所述处理模块根据所述当前场景信息，确定预设的多个检索词中每个检索词被用户点击的点击概率时，根据历史数据构建第二训练样本，得到第二训练样本集合，所述历史数据为历史用户对所述电子地图进行操作时产生的数据；利用所述第二训练样本集合，训练第二模型，所述第二模型用于确定所述多个检索词中各检索词的点击概率；将所述当前场景信息输入至所述第二模型，得到所述多个检索词中各检索词的点击概率。
21.根据权利要求20所述的装置，其中，所述处理模块根据所述历史数据构建第二训练样本，得到第二训练样本集合时，用于从所述历史数据包含的用户日志中确定出检索词集合，所述检索词集合中的不同检索词是历史用户对电子地图的不同操作产生的；从所述历史数据包含的场景日志中确定出所述多个检索词中各检索词的场景信息；使用所述多个检索词中各检索词的场景信息，标注对应的检索词，得到所述第二训练样本集合中的第二训练样本。
22.根据权利要求18或21所述的装置，其中，所述历史用户对所述电子地图的操作包括下述操作中的至少一个：泛检索、定位、导航、点击周边后点击任意一个检索词。
23.根据权利要求15-18任一项所述的装置，其中，
所述接收模块在所述输出模块输出所述推荐卡片之后，还用于接收所述用户的检索指令，所述检索指令携带所述推荐卡片上的任意一个检索词；
所述处理模块，还用于根据所述检索词确定所述检索词相关的多个POI；
所述输出模块，还用于输出所述多个POI。
24.一种模型训练装置，包括：
构建模块，用于根据历史数据构建训练样本，得到训练样本集合，所述历史数据为历史用户对电子地图进行操作时产生的数据；
训练模块，用于利用所述训练样本训练初始模型，得到目标模型，所述目标模型为与推荐卡片关联的模型，所述推荐卡片上展示多个检索词，所述多个检索词中的不同检索词代表不同类别的兴趣点POI。
25.根据权利要求24所述的装置，其中，所述初始模型为深度学习模型、所述目标模型为第一模型时，所述构建模块，用于根据历史数据构建多个第一训练样本，得到第一训练样本集合；
所述训练模块，用于利用所述第一训练样本集合，训练所述深度学习模型以得到所述第一模型，所述第一模型用于确定所述用户的检索概率。
26.根据权利要求25所述的装置，其中，所述构建模块，用于从所述历史数据包含的场景日志中确定出所述多个历史行为中各历史行为的场景信息；使用所述多个历史行为中各历史行为的场景信息，标注对应的行为样本，得到所述训练样本集合中的第一训练样本。
27.根据权利要求24所述的装置，其中，所述初始模型为排序模型、目标模型为第二模型时，所述构建模块，用于根据历史数据构建第二训练样本，得到第二训练样本集合，利用所述第二训练样本集合，训练所述排序模型以得到第二模型，所述第二模型用于确定所述多个检索词中各检索词的点击概率。
28.根据权利要求27所述的装置，其中，所述训练模块，用于从所述历史数据包含的用户日志中确定出检索词集合，所述检索词集合中的不同检索词是历史用户对电子地图的不同操作产生的，从所述历史数据包含的场景日志中确定出所述多个检索词中各检索词的场景信息，使用所述多个检索词中各检索词的场景信息，标注对应的检索词，得到所述第二训练样本集合中的第二训练样本。
29.一种电子设备，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权利要求1-14中任一项所述的方法。
30.一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电子设备执行权利要求1-14中任一项所述的方法。
31.一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行如权利要求1-14任一项所述的方法。
CN202011445091.1A 2020-12-11 2020-12-11 信息推荐方法、装置、设备及可读存储介质 Active CN112528145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011445091.1A CN112528145B (zh) 2020-12-11 2020-12-11 信息推荐方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011445091.1A CN112528145B (zh) 2020-12-11 2020-12-11 信息推荐方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112528145A true CN112528145A (zh) 2021-03-19
CN112528145B CN112528145B (zh) 2023-09-05

Family

ID=75000273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011445091.1A Active CN112528145B (zh) 2020-12-11 2020-12-11 信息推荐方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112528145B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707028A (zh) * 2021-12-30 2022-07-05 华北电力大学 一种基于停放车辆路边单元(pcrsu)的个性化内容推荐方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103631954A (zh) * 2013-12-13 2014-03-12 百度在线网络技术（北京）有限公司 个性化推荐方法及装置
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系统
CN104050176A (zh) * 2013-03-13 2014-09-17 电子科技大学 一种基于地图的信息推荐方法
CN104615620A (zh) * 2014-06-24 2015-05-13 腾讯科技（深圳）有限公司 地图搜索类型识别方法及装置、地图搜索方法及系统
US20160055177A1 (en) * 2013-03-18 2016-02-25 Baidu Online Network Technology (Beijing) Co., Ltd Search recommendation method and apparatus for map search, computer storage medium, and device
CN106202103A (zh) * 2015-05-06 2016-12-07 阿里巴巴集团控股有限公司 音乐推荐方法和装置
CN108197211A (zh) * 2017-12-28 2018-06-22 百度在线网络技术（北京）有限公司 一种信息推荐方法、装置、服务器和存储介质
US10652619B1 (en) * 2019-03-26 2020-05-12 Rovi Guides, Inc. Systems and methods for providing media asset recommendations
CN111475730A (zh) * 2020-04-09 2020-07-31 腾讯科技（北京）有限公司 基于人工智能的信息推荐方法、装置、电子设备
CN112000700A (zh) * 2020-07-14 2020-11-27 北京百度网讯科技有限公司 地图信息展示方法、装置、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050176A (zh) * 2013-03-13 2014-09-17 电子科技大学 一种基于地图的信息推荐方法
US20160055177A1 (en) * 2013-03-18 2016-02-25 Baidu Online Network Technology (Beijing) Co., Ltd Search recommendation method and apparatus for map search, computer storage medium, and device
CN103631954A (zh) * 2013-12-13 2014-03-12 百度在线网络技术（北京）有限公司 个性化推荐方法及装置
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系统
CN104615620A (zh) * 2014-06-24 2015-05-13 腾讯科技（深圳）有限公司 地图搜索类型识别方法及装置、地图搜索方法及系统
CN106202103A (zh) * 2015-05-06 2016-12-07 阿里巴巴集团控股有限公司 音乐推荐方法和装置
CN108197211A (zh) * 2017-12-28 2018-06-22 百度在线网络技术（北京）有限公司 一种信息推荐方法、装置、服务器和存储介质
US10652619B1 (en) * 2019-03-26 2020-05-12 Rovi Guides, Inc. Systems and methods for providing media asset recommendations
CN111475730A (zh) * 2020-04-09 2020-07-31 腾讯科技（北京）有限公司 基于人工智能的信息推荐方法、装置、电子设备
CN112000700A (zh) * 2020-07-14 2020-11-27 北京百度网讯科技有限公司 地图信息展示方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
胡旷达;代飞;: "一种基于神经网络模型的多检索词用户兴趣模型", 九江职业技术学院学报, no. 01 *
韩欣欣;: "基于位置社交网络的POI推荐影响因素分析与研究", 电脑知识与技术, no. 24 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707028A (zh) * 2021-12-30 2022-07-05 华北电力大学 一种基于停放车辆路边单元(pcrsu)的个性化内容推荐方法

Also Published As

Publication number Publication date
CN112528145B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
US11397772B2 (en) Information search method, apparatus, and system
CN109145219B (zh) 基于互联网文本挖掘的兴趣点有效性判断方法和装置
CN112612957B (zh) 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置
CN104102719B (zh) 一种轨迹信息的推送方法及装置
US10049099B2 (en) Spell correction with hidden markov models on online social networks
US11468136B2 (en) Item inventory locating from search queries
CN110619076A (zh) 一种搜索词推荐方法、装置、计算机及存储介质
US20140280053A1 (en) Contextual socially aware local search
CN112559879B (zh) 兴趣模型训练方法、兴趣点推荐方法、装置和设备
CN112559876B (zh) 地图搜索结果的展现方法、装置、设备及存储介质
CN110750697B (zh) 商户分类方法、装置、设备及存储介质
CN113836435A (zh) 信息推荐方法、装置、设备及计算机可读存储介质
US11893073B2 (en) Method and apparatus for displaying map points of interest, and electronic device
CN111814077A (zh) 信息点查询方法、装置、设备和介质
CN112632379A (zh) 路线推荐方法、装置、电子设备和存储介质
JP7206514B2 (ja) 地理位置点のソート方法、ソートモデルの訓練方法及び対応装置
CN111754278A (zh) 物品推荐方法、装置、计算机存储介质和电子设备
CN113656698A (zh) 兴趣特征提取模型的训练方法、装置和电子设备
CN112528145B (zh) 信息推荐方法、装置、设备及可读存储介质
CN113361920A (zh) 酒店服务优化指标推荐方法、系统、设备及存储介质
CN113077312A (zh) 酒店推荐方法、系统、设备及存储介质
CN112541123A (zh) 地图图区推荐方法、装置、设备及存储介质
CN110888539A (zh) 输入法中的人名推荐方法、装置、设备及存储介质
CN117573973A (zh) 资源推荐方法、装置、电子设备以及存储介质
CN114491232B (zh) 信息查询方法、装置、电子设备和存储介质

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