一种目的地区域的推荐方法和装置与流程

1.本发明涉及互联网技术领域，特别是涉及一种目的地区域的推荐方法和装置。


背景技术：

2.随着互联网技术的发展，针对用户出行、住宿、餐饮、旅游等行为的应用越来越丰富。
3.目前，一种应用场景为预测用户可能前往的城市。该应用场景通常基于用户的历史行为数据、用户画像等训练模型，然后基于训练完毕的模型预测用户可能前往的城市，进而给用户推送城市的相关信息。该应用场景预测的粒度为城市，范围较大，预测的精细度不高。另一种应用场景为预测用户在当前城市可能前往的区域。该应用场景可以包含如下两种情况：情况一、基于用户当前启动应用程序的时间和地点，以及相同时间或相同地点的历史订单计算前往某个目的地的概率。情况二、基于用户在所处区域的gps轨迹与其他参考轨迹的匹配程度，将匹配程度高的参考轨迹的目的地作为预测结果。上述情况一和情况二都严重依赖历史订单或gps轨迹，在历史订单或gps轨迹稀疏的条件下，预测的结果不准确。


技术实现要素：

4.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种目的地区域的推荐方法和装置。
5.为了解决上述问题，根据本发明实施例的第一方面，公开了一种目的地区域的推荐方法，包括：获取目标用户的用户特征数据和多个区域的区域特征数据；根据所述用户特征数据和多个所述区域特征数据，预测所述目标用户前往每个所述区域的概率；根据多个所述概率从多个所述区域中选择出目标区域；将所述目标区域推荐给所述目标用户。
6.可选地，所述根据所述用户特征数据和多个所述区域特征数据，预测所述目标用户前往每个所述区域的概率，包括：将所述用户特征数据和多个所述区域特征数据输入至双塔模型，从所述双塔模型输出所述目标用户前往每个所述区域的概率。
7.可选地，所述将所述用户特征数据和多个所述区域特征数据输入至双塔模型，从所述双塔模型输出所述目标用户前往每个所述区域的概率，包括：将所述用户特征数据输入至深度语义匹配模型的用户塔结构，从所述用户塔结构输出用户嵌入式特征数据；将多个所述区域特征数据输入至所述深度语义匹配模型的区域位置塔结构，从所述区域位置塔结构输出多个区域嵌入式特征数据；根据所述用户嵌入式特征数据和多个所述区域嵌入式特征数据生成多个所述概率。
8.可选地，所述根据多个所述概率从多个所述区域中选择出目标区域，包括：从多个所述区域中提取出所述概率大于预设的第一概率阈值的第一候选区域；若所述第一候选区域的预设的第一范围内存在热门地标对象，则将所述第一候选区域作为所述目标区域。
9.可选地，所述方法还包括：从多个所述区域中提取出所述概率大于预设的第二概率阈值的第二候选区域；将所述第二候选区域的预设的第二范围内的兴趣点对象添加到召
回结果中；其中，所述兴趣点对象与所述第二候选区域属于不同的行政区域。
10.可选地，所述方法还包括：将所述用户嵌入式特征数据、多个所述区域嵌入式特征数据、所述用户嵌入式特征数据与多个所述区域嵌入式特征数据之间的相似度，以及召回源数据输入至深度神经网络模型中，从所述深度神经网络模型输出多个所述区域针对所述目标用户的排序结果。
11.可选地，所述将所述目标区域推荐给所述目标用户，包括：将所述排序结果和所述兴趣点对象推荐给所述目标用户。
12.可选地，所述用户特征数据包含：用户画像数据、用户行为数据、上下文特征数据；所述区域特征数据包含：区域编码数据、区域位置热度数据、地表类型数据。
13.根据本发明实施例的第二方面，还公开了一种目的地区域的推荐装置，包括：获取模块，用于获取目标用户的用户特征数据和多个区域的区域特征数据；预测模块，用于根据所述用户特征数据和多个所述区域特征数据，预测所述目标用户前往每个所述区域的概率；选择模块，用于根据多个所述概率从多个所述区域中选择出目标区域；推荐模块，用于将所述目标区域推荐给所述目标用户。
14.可选地，所述预测模块，用于将所述用户特征数据和多个所述区域特征数据输入至双塔模型，从所述双塔模型输出所述目标用户前往每个所述区域的概率。
15.可选地，所述预测模块，包括：输入输出模块，用于将所述用户特征数据输入至深度语义匹配模型的用户塔结构，从所述用户塔结构输出用户嵌入式特征数据；所述输入输出模块，还用于将多个所述区域特征数据输入至所述深度语义匹配模型的区域位置塔结构，从所述区域位置塔结构输出多个区域嵌入式特征数据；生成模块，用于根据所述用户嵌入式特征数据和多个所述区域嵌入式特征数据生成多个所述概率。
16.可选地，所述选择模块，包括：区域提取模块，用于从多个所述区域中提取出所述概率大于预设的第一概率阈值的第一候选区域；区域确定模块，用于若所述第一候选区域的预设的第一范围内存在热门地标对象，则将所述第一候选区域作为所述目标区域。
17.可选地，所述装置还包括：提取模块，用于从多个所述区域中提取出所述概率大于预设的第二概率阈值的第二候选区域；添加模块，用于将所述第二候选区域的预设的第二范围内的兴趣点对象添加到召回结果中；其中，所述兴趣点对象与所述第二候选区域属于不同的行政区域。
18.可选地，所述装置还包括：排序模块，用于将所述用户嵌入式特征数据、多个所述区域嵌入式特征数据、所述用户嵌入式特征数据与多个所述区域嵌入式特征数据之间的相似度，以及召回源数据输入至深度神经网络模型中，从所述深度神经网络模型输出多个所述区域针对所述目标用户的排序结果。
19.可选地，所述推荐模块，用于将所述排序结果和所述兴趣点对象推荐给所述目标用户。
20.可选地，所述用户特征数据包含：用户画像数据、用户行为数据、上下文特征数据；所述区域特征数据包含：区域编码数据、区域位置热度数据、地表类型数据。
21.与现有技术相比，本发明实施例提供的技术方案具有如下优点：
22.本发明实施例提供的一种目的地区域的推荐方案，获取目标用户的用户特征数据和多个区域的区域特征数据，根据用户特征数据和多个区域特征数据，预测目标用户前往
每个区域的概率，根据多个概率从多个区域中选择出目标区域，进而将目标区域推荐给目标用户。本发明实施例基于用户特征数据和区域特征数据，预测出目标用户前往各区域的概率，进而根据概率选择出目标区域，将目标区域推荐给目标用户，实现了预测粒度为区域的目的地推荐，提高了预测的精细度。而且，本发明实施例不需要依赖于历史订单或gps轨迹，提升了预测结果的准确性。
附图说明
23.图1是本发明实施例的一种目的地区域的推荐方法的步骤流程图；
24.图2是本发明实施例的一种深度语义匹配模型的网络结构示意图；
25.图3是本发明实施例的一种兴趣点对象与第二候选区域的位置关系示意图；
26.图4是本发明实施例的一种目的地区域的预测和推荐方案的原理示意图；
27.图5是本发明实施例的一种目的地区域的推荐装置的结构框图。
具体实施方式
28.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
29.参照图1，示出了本发明实施例的一种目的地区域的推荐方法的步骤流程图。该目的地区域的推荐方法具体可以包括如下步骤：
30.步骤101，获取目标用户的用户特征数据和多个区域的区域特征数据。
31.在本发明的实施例中，用户特征数据包含但不限于：用户画像数据、用户行为数据、上下文特征数据。其中，上下文特征数据可以为短期内、高时效性的各种行为和环境信息，如当前时间、当前天气、用户当前定位位置、用户本地启动应用程序后的浏览和点击路径、用户5分钟内浏览过的兴趣点(point of interest，简称poi)位置分布等。区域特征数据包含但不限于：区域编码数据、区域位置热度数据、地表类型数据。其中，区域编码数据可以为geohash编码数据，geohash本质上是空间索引的一种方式，其基本原理是将地球理解为一个二维平面，将平面递归分解成更小的子块，每个子块在一定经纬度范围内拥有相同的编码。以geohash方式建立空间索引，可以提高对空间poi数据进行经纬度检索的效率。上述区域可以为用geohash表示的空间块，可以根据实际需要选择不同的geohash维度确定块的划分粒度(区域大小)。而且，还可以根据如下逻辑选择区域：
32.a)用户附近区域，选择用户定位位置附近的区域；
33.b)城市热度，选择用户定位城市和周边城市的高热区域；
34.c)用户历史行为区域，选择用户历史有行为(点击、购买等)的区域。
35.步骤102，根据用户特征数据和多个区域特征数据，预测目标用户前往每个区域的概率。
36.在本发明的实施例中，可以将用户特征数据和区域特征数据输入至双塔模型，然后从双塔模型输出目标用户前往每个区域的概率。
37.步骤103，根据多个概率从多个区域中选择出目标区域。
38.在本发明的实施例中，通常可以选择概率较大的区域作为目标区域。而且，目标区域可以为一个区域，或者，目标区域也可以为多个区域。当目标区域为多个区域时，还可以
对多个目标区域进行排序。
39.步骤104，将目标区域推荐给目标用户。
40.在本发明的实施例中，可以将目标区域和/或目标区域的聚合信息推荐给目标用户。
41.本发明实施例提供的一种目的地区域的推荐方案，获取目标用户的用户特征数据和多个区域的区域特征数据，根据用户特征数据和多个区域特征数据，预测目标用户前往每个区域的概率，根据多个概率从多个区域中选择出目标区域，进而将目标区域推荐给目标用户。本发明实施例基于用户特征数据和区域特征数据，预测出目标用户前往各区域的概率，进而根据概率选择出目标区域，将目标区域推荐给目标用户，实现了预测粒度为区域的目的地推荐，提高了预测的精细度。而且，本发明实施例不需要依赖于历史订单或gps轨迹，提升了预测结果的准确性。
42.在本发明的一种优选实施例中，根据用户特征数据和多个区域特征数据，预测目标用户前往每个区域的概率的一种实施方式为，将用户特征数据和多个区域特征数据输入至双塔模型，从双塔模型输出目标用户前往每个区域的概率。双塔模型可以包含两个子网络结构，常见的双塔模型如深度语义匹配模型(deep structured semantic models，简称dssm)可以包含用户塔结构和区域位置塔结构。dssm在信息检索、文本排序、问答、图片描述、及机器翻译等中有广泛的应用。该模型是为了衡量搜索的关键词和被点击的文本标题之间的相关性。dssm的原理比较简单，通过搜索引擎里查询语句(query)和答案文本(document)的海量的点击曝光日志，用深度网络把query和document表达为低维语义向量，并通过余弦相似度来计算两个语义向量的距离，最终训练出语义相似度模型。在实际应用中，将用户特征数据输入至深度语义匹配模型的用户塔结构，从用户塔结构输出用户嵌入式特征数据，将多个区域特征数据输入至深度语义匹配模型的区域位置塔结构，从区域位置塔结构输出多个区域嵌入式特征数据。然后根据用户嵌入式特征数据和多个区域嵌入式特征数据生成多个概率。参照图2，示出了本发明实施例的一种深度语义匹配模型的网络结构示意图。深度语义匹配模型包含用户塔结构和区域位置塔结构。需要说明的是，若将多个区域的区域特征向量输入至深度语义匹配模型，则每个区域的区域特征向量可以分别输入各自对应的区域位置塔结构。例如，若将3个区域的区域特征向量输入至深度语义匹配模型，则可以将3个区域的区域特征向量可以分别输入各自对应的区域位置塔结构。输入3个区域的区域特征向量的区域位置塔结构可以相同。目标用户user的用户特征数据输入至用户塔结构，从用户塔结构输出目标用户user的用户嵌入式特征数据(user embedding)。区域p1的区域特征数据输入至区域位置塔结构t1，从区域位置塔结构t1输出区域p1的区域嵌入式特征数据(item embedding)，然后根据目标用户user的用户嵌入式特征数据(user embedding)和区域p1的区域嵌入式特征数据(item embedding)生成目标用户user前往区域p1的概率r1(user，p1)。同理，还可以生成目标用户user前往区域p2的概率r2(user，p2)和目标用户user前往区域p3的概率r3(user，p3)。
43.在本发明的一种优选实施例中，根据多个概率从多个区域中选择出目标区域的一种实施方式为，从多个区域中提取出概率大于预设的第一概率阈值的第一候选区域，若第一候选区域的预设的第一范围内存在热门地标对象，则将第一候选区域作为目标区域。若第一候选区域的预设的第一范围内不存在热门地标对象，则不将第一候选区域作为目标区
域。例如，目标用户user前往区域p1、p2和p3的概率分别为r1、r2和r3。第一概率阈值为r，若r1大于r，r2和r3均小于r，则区域p1为第一候选区域。进而判断区域p1的附近是否存在热门地标对象。上述第一范围可以表示区域p1的附近范围，具体可以根据实际情况设定第一范围。若区域p1的附近存在热门地标对象d1，则区域p1为目标区域。最终，从区域p1、p2和p3中选择出目标区域p1。
44.在本发明的一种优选实施例中，在生成目标用户前往各区域的概率之后，还可以从多个区域中提取出概率大于预设的第二概率阈值的第二候选区域，将第二候选区域的预设的第二范围内的兴趣点对象添加到召回结果中。其中，召回结果可以包含目标区域。例如，目标用户user前往区域p1、p2和p3的概率分别为r1、r2和r3。第二概率阈值为q，若r1小于q，r2和r3均大于q，则区域p2和p3为第二候选区域。进而将区域p2附近的兴趣点对象x1和区域p3附近的兴趣点对象x2添加到召回结果中。上述第二范围可以表示区域p1、p2的附近范围，具体可以根据实际情况设定第二范围。最终，除了从区域p1、p2和p3中选择出目标区域p1，还可以将兴趣点对象x1和x2添加到召回结果中。召回结果包含目标区域p1、兴趣点对象x1和x2。
45.需要说明的是，上述兴趣点对象可以与第二候选区域属于不同的行政区域。参照图3，示出了本发明实施例的一种兴趣点对象与第二候选区域的位置关系示意图。在图3中，绛帐客运站为第二候选区域，绛帐客运站隶属于宝鸡市的扶风县。绛帐客运站在地理空间上与杨凌市和扶风县的距离基本相同。若按照现有的召回方案，无论从县级还是地级行政区域召回，都会忽视杨凌市下辖的兴趣点对象。但是，实际上杨凌市主城区(西北农林科技大学附近)存在很强的用户需求。因此，本发明实施例将杨凌市主城区以绛帐客运站的兴趣点对象的身份，添加到召回结果中，一方面可以补充高概率区域附近的兴趣点对象，另一方面可以突破行政区域的召回限制。
46.在本发明的一种优选实施例中，若召回结果中存在多个区域或者多个兴趣点对象，还可以对召回结果进行排序。在实际应用中，可以将用户嵌入式特征数据、多个区域嵌入式特征数据、用户嵌入式特征数据与多个区域嵌入式特征数据之间的相似度，以及召回源数据输入至深度神经网络模型中，从深度神经网络模型输出多个区域针对目标用户的排序结果。
47.在本发明的一种优选实施例中，将目标区域推荐给目标用户的一种实施方式为，将排序结果和兴趣点对象推荐给目标用户。例如，排序结果为目标区域p1、p2，兴趣点对象为x1和x2，则将目标区域p1、p2以排序结果的顺序推荐给目标用户，并将兴趣点对象x1和x2推荐给目标用户。
48.基于上述关于一种目的地区域的推荐方法实施例的相关说明，下面介绍一种目的地区域的预测和推荐方案。参照图4，示出了本发明实施例的一种目的地区域的预测和推荐方案的原理示意图。该目的地区域的预测和推荐方案涉及预测模块、召回层应用、排序层应用和展示层应用。
49.预测模块可以采用深度语义匹配模型，包括用户塔结构和区域位置塔结构。预测模块的输入数据包含用户特征数据和区域特征数据。其中，用户特征数据包含但不限于：用户画像数据(画像)、用户行为数据(行为)、上下文特征数据(上下文)；区域特征数据包含但不限于：区域编码数据、区域位置热度数据、地标类型数据。预测模块的输出结果不仅包含
用户前往各区域的概率(预测概率)，还包含用户的用户嵌入式特征数据(用户embedding)和区域的区域嵌入式特征数据(位置embedding)。图4中，区域位置塔结构的数量可以与区域的数量相同，即每个区域的区域特征数据可以对应输入一个区域位置塔结构。如区域p1的区域特征数据输入区域位置塔结构t1，从区域位置塔结构t1输出区域p1的位置embedding，区域p2的区域特征数据输入区域位置塔结构t2，从区域位置塔结构t2输出区域p2的位置embedding，
……
，区域pn的区域特征数据输入区域位置塔结构tn，从区域位置塔结构tn输出区域pn的位置embedding，n为正整数。用户user的用户特征数据输入用户塔结构u，从用户塔结构u输出用户user的用户embedding。用户user的用户embedding可以与区域p1的位置embedding生成用户user前往区域p1的概率r1，用户user的用户embedding可以与区域p2的位置embedding生成用户user前往区域p2的概率r2，用户user的用户embedding可以与区域pn的位置embedding生成用户user前往区域pn的概率rn。
50.召回层应用利用预测模块输出的用户前往各区域的概率，把概率高的区域附近的兴趣点对象和其他召回对象补充到召回结果当中，可以实现个性化的跨行政区域召回。
51.排序层应用将预测模块输出的用户嵌入式特征数据、区域嵌入式特征数据、用户嵌入式特征数据和区域嵌入式特征数据的相似度，以及召回源数据等其他特征数据输入到排序模型(如深度神经网络等网络结构)中，输出排序结果。
52.展示层应用利用预测模块输出的目标用户前往各区域的概率和排序结果，如果高概率的区域附近有热门地标，会优先展示该区域的信息聚块。
53.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
54.参照图5，示出了本发明实施例的一种目的地区域的推荐装置的结构框图，该目的地区域的推荐装置具体可以包括如下模块：
55.获取模块51，用于获取目标用户的用户特征数据和多个区域的区域特征数据；
56.预测模块52，用于根据所述用户特征数据和多个所述区域特征数据，预测所述目标用户前往每个所述区域的概率；
57.选择模块53，用于根据多个所述概率从多个所述区域中选择出目标区域；
58.推荐模块54，用于将所述目标区域推荐给所述目标用户。
59.在本发明的一种优选实施例中，所述预测模块52，用于将所述用户特征数据和多个所述区域特征数据输入至双塔模型，从所述双塔模型输出所述目标用户前往每个所述区域的概率。
60.在本发明的一种优选实施例中，所述预测模块52，包括：
61.输入输出模块，用于将所述用户特征数据输入至深度语义匹配模型的用户塔结构，从所述用户塔结构输出用户嵌入式特征数据；
62.所述输入输出模块，还用于将多个所述区域特征数据输入至所述深度语义匹配模型的区域位置塔结构，从所述区域位置塔结构输出多个区域嵌入式特征数据；
63.生成模块，用于根据所述用户嵌入式特征数据和多个所述区域嵌入式特征数据生
成多个所述概率。
64.在本发明的一种优选实施例中，所述选择模块53，包括：
65.区域提取模块，用于从多个所述区域中提取出所述概率大于预设的第一概率阈值的第一候选区域；
66.区域确定模块，用于若所述第一候选区域的预设的第一范围内存在热门地标对象，则将所述第一候选区域作为所述目标区域。
67.在本发明的一种优选实施例中，所述装置还包括：
68.提取模块，用于从多个所述区域中提取出所述概率大于预设的第二概率阈值的第二候选区域；
69.添加模块，用于将所述第二候选区域的预设的第二范围内的兴趣点对象添加到召回结果中；
70.其中，所述兴趣点对象与所述第二候选区域属于不同的行政区域。
71.在本发明的一种优选实施例中，所述装置还包括：
72.排序模块，用于将所述用户嵌入式特征数据、多个所述区域嵌入式特征数据、所述用户嵌入式特征数据与多个所述区域嵌入式特征数据之间的相似度，以及召回源数据输入至深度神经网络模型中，从所述深度神经网络模型输出多个所述区域针对所述目标用户的排序结果。
73.在本发明的一种优选实施例中，所述推荐模块54，用于将所述排序结果和所述兴趣点对象推荐给所述目标用户。
74.在本发明的一种优选实施例中，所述用户特征数据包含：用户画像数据、用户行为数据、上下文特征数据；所述区域特征数据包含：区域编码数据、区域位置热度数据、地表类型数据。
75.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
76.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
77.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
78.本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
79.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备
以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
80.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
81.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
82.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
83.以上对本发明所提供的一种目的地区域的推荐方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。