POI重要度确定方法、装置、电子设备及存储介质与流程

poi重要度确定方法、装置、电子设备及存储介质
技术领域
1.本技术实施例涉及电子地图技术领域，特别是涉及一种poi重要度确定方法、装置、电子设备及存储介质。


背景技术：

2.互联网时代背景下基于地图的服务需求日益增多，如用户目的地搜索展示、骑手外卖配送、出行导航等场景都会涉及到地图poi数据的排序与展示。然而地图poi数据量非常庞大，在地图不同层级缩放展示时，需要根据地图poi数据的重要程度进行优先级排序，使得在特定层级展示相应的重要性相对较高的poi数据，让用户能够清晰准确地获取信息。
3.现有技术中，在确定poi的重要度时，获取待计算poi对应的客观因子清单，客观因子清单中包括多个客观因子；计算客观因子清单中包括的每个客观因子的数值；根据客观因子清单中的每个客观因子的数值以及对应的权重值，计算待计算poi的重要度。
4.由于现有技术需要人工预置各个客观因子的权重值，设置的客观因子权重值具有主观性，不能客观反映大规模数据中客观因子的实际重要性，导致确定的poi重要度准确性较低。


技术实现要素：

5.本技术实施例提供一种poi重要度确定方法、装置、电子设备及存储介质，有助于提高确定的poi重要度的准确性。
6.为了解决上述问题，第一方面，本技术实施例提供了一种poi重要度确定方法，包括：
7.确定待确定重要度poi的poi名称所表征的poi语义重要度；
8.分别获取所述待确定重要度poi在至少一个功能侧对应的重要度特征，并获取所述待确定重要度poi的poi属性特征；
9.将所述poi语义重要度、所述重要度特征和所述poi属性特征输入训练完成的机器学习模型，得到poi重要度。
10.第二方面，本技术实施例提供了一种poi重要度确定装置，包括：
11.语义重要度确定模块，用于确定待确定重要度poi的poi名称所表征的poi语义重要度；
12.特征获取模块，用于分别获取所述待确定重要度poi在至少一个功能侧对应的重要度特征，并获取所述待确定重要度poi的poi属性特征；
13.poi重要度确定模块，用于将所述poi语义重要度、所述重要度特征和所述poi属性特征输入训练完成的机器学习模型，得到poi重要度。
14.第三方面，本技术实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本技术实施例所述的poi重要度确定方法。
15.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本技术实施例公开的poi重要度确定方法的步骤。
16.本技术实施例提供的poi重要度确定方法、装置、电子设备及存储介质，通过确定待确定重要度poi的poi名称所表征的poi语义重要度，分别获取待确定重要度poi在至少一个功能测对应的重要度特征，并获取待确定重要度poi的poi属性特征，将poi语义重要度、重要度特征和poi属性特征输入训练完成的机器学习模型，得到poi重要度，由于结合了poi名称的语义信息，而且挖掘了表征poi重要度的至少一个功能测的特征，使用机器学习模型来进行预测，避免了人工预置客观因子的权重引入的不确定性，提高了确定的poi重要度的准确性。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对实施例或现有技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
18.图1是本技术实施例一的poi重要度确定方法的流程图；
19.图2是本技术实施例二的poi重要度确定装置的结构示意图；
20.图3是本技术实施例三的电子设备的结构示意图。
具体实施方式
21.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
22.实施例一
23.本实施例提供的一种poi重要度确定方法，如图1所示，该方法包括：步骤110至步骤130。
24.步骤110，确定待确定重要度poi的poi名称所表征的poi语义重要度。
25.其中，待确定重要度poi(point of interesting，兴趣点)是指要确定poi重要度的poi。所述poi语义重要度是指所述poi名称的语义特征所表征的poi重要度。
26.可以先提取待确定重要度poi的poi名称的语义特征，并确定所述语义特征所表征的poi重要度，作为poi语义重要度。在确定待确定重要度poi的poi名称所表征的poi语义重要度时可以使用基于机器学习算法的模型来确定。
27.在本技术的一个实施例中，所述确定待确定重要度poi的poi名称所表征的poi语义重要度，包括：
28.将所述待确定重要度poi的poi名称编码为输入向量；
29.将所述输入向量输入训练完成的transformer模型，通过所述transformer模型使用多头注意力机制提取所述输入向量的语义特征并确定所述语义特征所表征的poi语义重要度。
30.在获取到待确定重要度poi的poi名称后，对所述poi名称进行编码，得到所述poi名称对应的输入向量，将所述输入向量输入训练完成的transformer模型，通过transformer模型来确定所述poi名称所表征的poi语义重要度。其中，transformer模型是编码器(encoder)-解码器(decoder)结构，transformer模型包括三个注意力(attention)结构，分别是编码器的自注意力结构、解码器的自注意力结构以及连接编码器和解码器的注意力结构，这三个注意力结构均是多头注意力机制(multi-head-attention)的形式。将所述输入向量输入训练完成的transformer模型后，由transformer模型的编码器通过多头注意力提取所述输入向量的语义特征，由transformer模型的解码器通过多头注意对所述语义特征进行解码，得到所述语义特征所表征的poi语义重要度。通过transformer模型使用多头注意力机制来确定poi名称的poi语义重要度，可以全面的挖掘出在不同子区域表征空间下的语义特征，确定的poi语义重要度更加准确。
31.在本技术的一个实施例中，在所述将所述输入向量输入transformer模型之前，还包括：
32.获取矢量瓦片数据表中的poi名称和对应的poi重要度，将获取到的poi名称和对应的poi重要度作为所述transformer模型的训练数据样本；
33.根据所述训练数据样本，对所述transformer模型进行训练，得到训练完成的transformer模型。
34.其中，矢量瓦片是地图数据的一种存储形式。地图经过切割后形成了瓦片，每一个编号对应一个瓦片，瓦片可以是栅格数据，也可以是矢量数据。栅格数据就是一张正方形图片，渲染时只需要将这张图片作为纹理贴到指定位置就可以，但是数据量大，缩放时失真，不能自由配置显示样式。矢量瓦片中使用矢量数据描述地图元素，通过渲染这些矢量数据形成地图，数据量很小，缩放的时候不会失真，可以在不同视角展示，可以展示更丰富的高度信息。
35.矢量瓦片数据表中保存有电子地图对应的矢量瓦片数据，其中包括poi名称和对应的poi重要度，在训练transformer模型之前，首先从矢量瓦片数据表中获取poi名称和对应的poi重要度，将获取到的poi名称和对应的poi重要度作为transformer模型的训练数据样本。对transformer模型进行训练时，选取一批训练数据样本，将训练数据样本中的poi名称输入所述transformer模型，得到transformer模型的输出值，即得到训练数据样本中的poi名称对应的poi语义重要度，将训练数据样本中的poi重要度作为训练目标，从而根据所述输出值和所述训练数据样本中的poi重要度，对所述transformer模型的参数进行调整，循环执行上述选取训练数据样本及对transformer模型进行训练的操作，直至transformer模型的参数收敛，得到训练完成的transformer模型。通过使用矢量瓦片数据表中的poi名称和poi重要度作为训练数据样本来对transformer模型进行训练，更能体现出poi名称所表征的poi语义重要度，使得transformer模型可以输出较为准确的poi语义重要度。
36.步骤120，分别获取所述待确定重要度poi在至少一个功能侧对应的重要度特征，并获取所述待确定重要度poi的poi属性特征。
37.其中，所述功能测可以包括搜索侧、定位侧或者外卖侧，当然，还可以包括其他功能侧。所述功能测对应的重要度特征是在预设统计时间内的影响因子值，影响因子是影响poi重要度的因素。所述poi属性特征包括：是否是aoi(area of interesting)、是否是子
poi和poi类别。其中，子poi是指该poi是否是子点类型的poi，例如，poi“总运大厦
--
停车场”是子poi，该poi具有父点poi“总运大厦”。
38.在至少一个功能侧分别统计待确定重要度poi对应的影响因子值，得到至少一个功能侧的重要度特征。根据所述poi名称在地图数据库中获取与所述poi名称对应的poi属性特征，即从地图数据库中确定所述待确定重要度poi是否是aoi，是否是子poi，并确定待确定重要度poi的poi类别。在获取到poi名称对应的poi属性特征后，对poi属性特征进行编码，得到poi属性特征对应的特征向量。在对poi属性特征进行编码时，分别对每个poi属性特征进行编码，各个属性特征编码后拼接为整体的特征向量，在编码时，对于poi属性特征中的
‘
是否是aoi’和
‘
是否是子poi’可以用0和1编码，比如是aoi时编码为1，不是aoi时编码为0，是子poi时编码为1，不是子poi时编码为0，对于poi类别可以使用独热编码(one-hot编码)进行编码。
39.在本技术的一个实施例中，所述分别获取所述待确定重要度poi在至少一个功能侧对应的重要度特征，包括下述至少一种：获取所述待确定重要度poi在所述搜索侧的影响因子值，作为搜索侧重要度特征；获取所述待确定重要度poi在所述定位侧的影响因子值，作为定位侧重要度特征；获取所述待确定重要度poi在所述外卖侧的影响因子值，作为外卖侧重要度特征。
40.其中，所述搜索侧的影响因子包括：在预设统计时间内，每个预设周期产生的综合搜索次数、所述待确定重要度poi对应的地址被搜索点击数、搜索poi召回中被点击次数、搜索poi召回在前预设数量的次数中的至少一种；所述定位侧的影响因子包括：在预设统计时间内，所述待确定重要度poi所绑定的wifi被主动连接的次数、被扫描次数、定位热度、每个预设周期扫描人数和连接人数中的至少一种；所述外卖侧的影响因子包括：在预设统计时间内，所述待确定重要度poi对应的外卖点餐次数、外卖点餐人数和每个预设周期产生的订单数量中的至少一种。所述预设统计时间是统计各个影响因子值的时间，一般设置为较长的时间，例如一年或半年，这样统计的影响因子值较为准确，可以避免偶然情况。预设周期是在预设统计时间内一个较短的时间，例如可以是一周，预设周期的作用一般是在预设统计时间内按照预设周期进行短时间的统计，从而在预设统计时间内可以发现影响因子值在每个预设周期的变化。
41.在获取搜索侧的影响因子值时，在预设统计时间内，统计每个预设周期产生的对所述待确定重要度poi的综合搜索次数，所述综合搜索是在提供综合服务的平台中包括多个服务侧的搜索等，例如可以包括外卖搜索、地图搜索等；在预设统计时间内，统计待确定重要度poi对应的地址被搜索点击的总数量，作为搜索点击数；在预设统计时间内，统计所述待确定重要度poi在用户搜索poi被召回的poi中的被点击次数；在预设统计时间内，统计所述待确定重要度poi在用户搜索poi被召回且在前预设数量(top k)的次数。
42.在获取定位侧的影响因子值时，在预设统计时间内，统计所述待确定重要度poi所绑定的wifi(wireless fidelity，无线保真)被用户主动连接的次数；在预设统计时间内，统计所述待确定重要度poi所绑定的wifi被用户终端扫描的次数；在预设统计时间内，统计所述待确定重要度poi所绑定的wifi的定位热度，所述定位热度是所述wifi在所述待确定重要度poi百米内定位的用户量；在预设统计时间内，对于每个预设周期，分别统计所述待确定重要度poi所绑定的wifi的扫描人数和连接人数，扫描人数和连接人数可以通过扫描
所述wifi的用户终端标识来进行区分。
43.在获取外卖侧的影响因子值时，在预设统计时间内，统计待确定重要度poi对应的外卖点餐次数，即待确定重要度poi对应的订单量；在预设统计时间内，统计待确定重要度poi对应的外卖点餐人数，即对于所述待确定重要度poi对应的订单量中，根据用户标识合并同一个用户的订单，得到外卖点餐人数；在预设统计时间内，统计所述待确定重要度poi在每个预设周期产生的订单数量。
44.通过获取待确定重要度在至少一个功能测的重要度特征，可以使得重要度特征更加丰富，尤其在包括多个功能测时，如在同时包括搜索侧、定位侧和外卖侧的重要度特征时，可以获得在不同功能侧的更加丰富的重要度特征，当然，除了可以获取搜索侧、定位侧和外卖侧的重要度特征，还可以同时获取其他侧的重要度特征，以进一步丰富数据的多样性，从而可以提高确定的poi重要度的合理性和可解释性，提高确定的poi重要度的准确性。
45.步骤130，将所述poi语义重要度、所述重要度特征和所述poi属性特征输入训练完成的机器学习模型，得到poi重要度。
46.其中，所述机器学习模型例如可以是逻辑回归(logistic regression，lr)模型、支持向量机(support vector machine，svm)模型、梯度提升决策树(gradient boosting decision tree，gbdt)模型或者神经网络模型等。
47.在训练机器学习模型时，将从矢量瓦片数据表中获取到的与poi名称对应的poi重要度作为训练目标，对于每个poi名称通过transformer模型得到对应的poi语义重要度，同时统计每个poi名称对应的在至少一个功能测的重要度特征，并获取与每个poi名称对应的poi属性特征，将与每个poi名称对应的poi语义重要度、重要度特征、poi属性特征以及poi重要度作为所述机器学习模型的训练数据样本，将一个或者多个poi名称对应的poi语义重要度、重要度特征和poi属性特征输入机器学习模型，并将所述一个或者多个poi名称对应的poi重要度作为训练目标，对所述机器学习模型进行训练。
48.在所述机器学习模型训练完成后，可以用于确定待确定重要度poi的poi重要度，这时将待确定重要度poi的poi语义重要度、在至少一个功能测的重要度特征和poi属性特征输入训练完成的机器学习模型，通过机器学习模型的处理可以得到待确定重要度poi对应的poi重要度。
49.在本技术的一个实施例中，所述机器学习模型为xgboost模型；
50.所述将所述poi语义重要度、所述重要度特征和所述poi属性特征输入训练完成的机器学习模型，得到poi重要度，包括：将所述poi语义重要度、所述重要度特征和所述poi属性特征输入训练完成的xgboost模型，得到poi重要度预测值；对所述poi重要度预测值进行归一化，得到所述poi重要度。
51.其中，xgboost(extreme gradient boosting)模型是gbdt模型的一种，相比于经典的gbdt，xgboost做了一些改进，使得效果和性能有了提升，相比于经典的gbdt，xgboost的改进在于：gbdt将目标函数泰勒展开到一阶，而xgboost将目标函数泰勒展开到了二阶，保留了更多有关目标函数的信息，对提升效果有帮助；gbdt是给新的基模型寻找新的拟合标签，而xgboost是给新的基模型寻找新的目标函数(目标函数关于新的基模型的二阶泰勒展开)；xgboost加入了和叶子权重的l2正则化项，有利于模型获得更低的方差；xgboost增加了自动处理缺失值特征的策略，通过把带缺失值样本分别划分到左子树或者右子树，比
较两种方案下目标函数的优劣，从而自动对有缺失值的样本进行划分，无需对缺失特征进行填充预处理。
52.在使用xgboost模型确定poi重要度之前，先要对xgboost模型进行训练，在训练时，将从矢量瓦片数据表中获取到的与poi名称对应的poi重要度作为训练目标，将与poi名称对应的poi语义重要度、在至少一个功能侧的重要度特征和poi属性特征作为xgboost模型的输入数据，对xgboost模型进行训练。
53.在对xgboost模型进行训练之前，可以先对所有poi的poi类别进行同类合并，并对于合并后的每个poi类别进行独热编码并保存，从而在得到待确定poi的poi属性特征后，可以直接查询获取待确定poi的poi属性特征中的poi类别的独热编码，得到poi属性特征对应的特征向量，提高处理速度。
54.在对xgboost模型训练完成后，可以用于确定待确定重要度poi的poi重要度，将待确定重要度poi的poi语义重要度、重要度特征和poi属性特征输入训练完成的xgboost模型，经过xgboost模型对poi语义重要度、重要度特征和poi属性特征的处理，得到poi重要度预测值，该poi重要度预测值不一定是0和1之间的值，这时需要对poi重要度预测值进行归一化，得到poi重要度，poi重要度为0和1之间的值。通过使用xgboost模型来确定待确定重要度poi的poi重要度，由于xgboost模型相对传统的lr、svm、gbdt具有更好的性能，而且相对神经网络模型具有更好的解释性，从而可以使得确定的poi重要度更加准确。
55.本技术实施例利用transformer模型及xgboost模型进行训练和预测，避免了人工预置权重计算时引入的主观不确定性，回归预测结果测试集rmse指标为0.03(其中，poi重要度的标注值为0-1)。
56.本技术实施例提供的poi重要度确定方法，通过确定待确定重要度poi的poi名称所表征的poi语义重要度，分别获取待确定重要度poi在至少一个功能测对应的重要度特征，并获取待确定重要度poi的poi属性特征，将poi语义重要度、重要度特征和poi属性特征输入训练完成的机器学习模型，得到poi重要度，由于结合了poi名称的语义信息，而且挖掘了表征poi重要度的至少一个功能测的特征，使用机器学习模型来进行预测，避免了人工预置客观因子的权重引入的不确定性，提高了确定的poi重要度的准确性。
57.在上述技术方案的基础上，在所述确定待确定重要度poi的poi名称所表征的poi语义重要度之前，还可选包括：确定待展示页面所对应的电子地图地理坐标范围；确定在所述地理坐标范围内的poi，作为待确定重要度poi。
58.在接收到用户对相应层级的电子地图展示指令时，根据要展示的电子地图的待展示页面，确定与待展示页面所对应的电子地图地理坐标范围，并根据地图数据确定在所述地理坐标范围内的poi，将这些poi作为待确定重要度poi，对于每个待确定重要度poi分别按照上述的方法确定对应的poi重要度，之后可以按照poi重要度的高低选取poi重要度较高的预设数量的poi或者选取poi重要度高于预设重要度阈值的poi进行展示。
59.实施例二
60.本实施例提供的一种poi重要度确定装置，如图2所示，所述poi重要度确定装置200包括：
61.语义重要度确定模块210，用于确定待确定重要度poi的poi名称所表征的poi语义重要度；
62.特征获取模块220，用于分别获取所述待确定重要度poi在至少一个功能侧对应的重要度特征，并获取所述待确定重要度poi的poi属性特征；
63.poi重要度确定模块230，用于将所述poi语义重要度、所述重要度特征和所述poi属性特征输入训练完成的机器学习模型，得到poi重要度。
64.可选的，所述语义重要度确定模块包括：
65.poi名称编码单元，用于将所述待确定重要度poi的poi名称编码为输入向量；
66.语义重要度确定单元，用于将所述输入向量输入训练完成的transformer模型，通过所述transformer模型使用多头注意力机制提取所述输入向量的语义特征并确定所述语义特征所表征的poi语义重要度。
67.可选的，所述装置还包括：
68.训练样本获取模块，用于获取矢量瓦片数据表中的poi名称和对应的poi重要度，将获取到的poi名称和对应的poi重要度作为所述transformer模型的训练数据样本；
69.transformer模型训练模块，用于根据所述训练数据样本，对所述transformer模型进行训练，得到训练完成的transformer模型。
70.可选的，所述机器学习模型为xgboost模型；
71.所述poi重要度确定模块包括：
72.模型预测单元，用于将所述poi语义重要度、所述重要度特征和所述poi属性特征输入训练完成的xgboost模型，得到poi重要度预测值；
73.归一化单元，用于对所述poi重要度预测值进行归一化，得到所述poi重要度。
74.可选的，所述功能侧包括搜索侧、定位侧或者外卖侧。
75.可选的，所述特征获取模块包括下述至少一个：
76.搜索侧特征获取单元，用于获取所述待确定重要度poi在所述搜索侧的影响因子值，作为搜索侧重要度特征；
77.定位侧特征获取单元，用于获取所述待确定重要度poi在所述定位侧的影响因子值，作为定位侧重要度特征；
78.外卖侧特征获取单元，用于获取所述待确定重要度poi在所述外卖侧的影响因子值，作为外卖侧重要度特征。
79.可选的，所述搜索侧的影响因子包括：在预设统计时间内，每个预设周期产生的综合搜索次数、所述待确定重要度poi对应的地址被搜索点击数、搜索poi召回中被点击次数、搜索poi召回在前预设数量的次数中的至少一种；
80.所述定位侧的影响因子包括：在预设统计时间内，所述待确定重要度poi所绑定的wifi被主动连接的次数、被扫描次数、定位热度、每个预设周期扫描人数和连接人数中的至少一种；
81.所述外卖侧的影响因子包括：在预设统计时间内，所述待确定重要度poi对应的外卖点餐次数、外卖点餐人数和每个预设周期产生的订单数量中的至少一种。
82.可选的，所述poi属性特征包括：是否是多边形aoi、是否是子poi和poi类别。
83.可选的，所述装置还包括：
84.地理坐标范围确定模块，用于确定待展示页面所对应的电子地图地理坐标范围；
85.待确定重要度poi确定模块，用于确定在所述地理坐标范围内的poi，作为待确定
重要度poi。
86.本技术实施例提供的poi重要度确定装置，用于实现本技术实施例一中所述的poi重要度确定方法的各步骤，装置的各模块的具体实施方式参见相应步骤，此处不再赘述。
87.本技术实施例提供的poi重要度确定装置，通过语义重要度确定模块确定待确定重要度poi的poi名称所表征的poi语义重要度，特征获取模块分别获取待确定重要度poi在至少一个功能测对应的重要度特征，并获取待确定重要度poi的poi属性特征，poi重要度确定模块将poi语义重要度、重要度特征和poi属性特征输入训练完成的机器学习模型，得到poi重要度，由于结合了poi名称的语义信息，而且挖掘了表征poi重要度的至少一个功能测的特征，使用机器学习模型来进行预测，避免了人工预置客观因子的权重引入的不确定性，提高了确定的poi重要度的准确性。
88.实施例三
89.本技术实施例还提供了一种电子设备，如图3所示，该电子设备300可以包括一个或多个处理器310以及与处理器310连接的一个或多个存储器320。电子设备300还可以包括输入接口330和输出接口340，用于与另一装置或系统进行通信。被处理器310执行的程序代码可存储在存储器320中。
90.电子设备300中的处理器310调用存储在存储器320的程序代码，以执行上述实施例中的poi重要度确定方法。
91.上述电子设备中的上述元件可通过总线彼此连接，总线例如数据总线、地址总线、控制总线、扩展总线和局部总线之一或其任意组合。
92.本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术实施例一所述的poi重要度确定方法的步骤。
93.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。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。
94.以上对本技术实施例提供的一种poi重要度确定方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本技术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技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，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技术的限制。
95.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。