兴趣点到访识别方法、装置、电子设备及可读存储介质与流程

1.本公开的实施例涉及网络技术领域，尤其涉及一种兴趣点到访识别方法、装置、电子设备及可读存储介质。


背景技术：

2.随着移动终端和通信技术的迅速发展，基于位置的服务需求愈加广泛。例如，当用户已经进入某个门店，打开app(application，应用程序)查看当前门店的服务内容以及优惠信息，最终形成消费决策。
3.为了可以及时向用户推荐用户当前所在门店的相关信息，需要对用户的当前位置与商户门店poi(point of interest，兴趣点)位置进行精确匹配，在用户打开app时可以准确定位用户所在的poi。
4.目前，可以使用wi-fi指纹定位用户所在的poi，但是，使用wi-fi指纹定位没有考虑用户是否处于驻留状态，容易将路过店铺的用户识别为到店状态，导致定位出现误差。


技术实现要素：

5.本公开的实施例提供一种兴趣点到访识别方法、装置、电子设备及可读存储介质，用以提高兴趣点到访识别的精准度和及时性。
6.根据本公开的实施例的第一方面，提供了一种兴趣点到访识别方法，所述方法包括：
7.获取用户对终端设备操作时的业务特征、wi-fi列表信息、以及所述用户的用户特征；
8.根据所述wi-fi列表信息，确定候选poi的wi-fi指纹信息；
9.根据所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息，计算所述wi-fi列表信息与所述候选poi的关联得分；
10.根据所述关联得分，确定所述用户到访的目标poi。
11.根据本公开的实施例的第二方面，提供了一种兴趣点到访识别装置，所述装置包括：
12.特征获取模块，用于获取用户对终端设备操作时的业务特征、wi-fi列表信息、以及所述用户的用户特征；
13.指纹确定模块，用于根据所述wi-fi列表信息，确定候选poi的wi-fi指纹信息；
14.得分计算模块，用于根据所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息，计算所述wi-fi列表信息与所述候选poi的关联得分；
15.目标确定模块，用于根据所述关联得分，确定所述用户到访的目标poi。
16.根据本公开的实施例的第三方面，提供了一种电子设备，包括：
17.处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述兴趣点到访识别方法。
18.根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述兴趣点到访识别方法。
19.本公开的实施例提供了一种兴趣点到访识别方法、装置、电子设备及可读存储介质，所述方法包括：
20.本公开实施例在用户打开或操作终端设备中的业务应用时，可以获取用户对终端设备操作时的业务特征、wi-fi列表信息、以及所述用户的用户特征，根据所述wi-fi列表信息，确定候选poi的wi-fi指纹信息；根据所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息，计算所述wi-fi列表信息与所述候选poi的关联得分，进而可以根据所述关联得分，确定所述用户到访的目标poi。本公开实施例在wi-fi指纹感知的基础上，融合用户对终端设备操作时的业务特征以及用户特征，计算所述wi-fi列表信息与所述候选poi的关联得分，该关联得分在一定程度上可以体现用户特征，如用户的到访意图特征，可以提高兴趣点到访识别的精准度。此外，本公开实施例在用户打开或者操作业务应用时，能够准确定位用户真实到访的目标poi，可以向用户优先推荐当前所在目标poi的相关信息，进而可以完成准确命中用户实际需求的信息推送，以提高信息推荐的准确性和及时性。
附图说明
21.为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的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公开的实施例的一些实施例，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。
22.图1示出了本公开的一个实施例中的兴趣点到访识别方法的步骤流程图；
23.图2示出了本公开的一个实施例中的一种目标模型的网络结构示意图；
24.图3示出了本公开的一个实施例中的兴趣点到访识别装置的结构图；
25.图4示出了本公开的一个实施例提供的电子设备的结构图。
具体实施方式
26.下面将结合本公开的实施例中的附图，对本公开的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公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，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，都属于本公开的实施例保护的范围。
27.实施例一
28.参照图1，其示出了本公开的一个实施例中的兴趣点到访识别方法的步骤流程图，所述方法包括：
29.步骤101、获取用户对终端设备操作时的业务特征、wi-fi列表信息、以及所述用户的用户特征；
30.步骤102、根据所述wi-fi列表信息，确定候选poi的wi-fi指纹信息；
31.步骤103、根据所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息，计算所述wi-fi列表信息与所述候选poi的关联得分；
32.步骤104、根据所述关联得分，确定所述用户到访的目标poi。
33.本公开的方法可以通过包含于计算机设备中的兴趣点到访识别装置来实现。所述计算机设备包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路(asic)、可编程门阵列(fpga)、数字处理器(dsp)、嵌入式设备等。所述计算机设备包括网络设备和/或终端设备。其中，所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloud computing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。所述终端设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板、或声控设备等方式进行人机交互的电子产品，例如，智能手机、平板电脑、电子书阅读器、mp3(动态影像专家压缩标准音频层面3，moving picture experts group audio layer iii)播放器、mp4(动态影像专家压缩标准音频层面4，moving picture experts group audio layer iv)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等。
34.优选地，所述终端设备包括诸如智能手机等移动终端。所述终端设备可扫描附近的无线网络(wi-fi)。需要说明的是，所述终端设备、网络设备以及网络仅为举例，其他现有的或今后可能出现的终端设备、网络设备以及网络如可适用于本公开，也应包含在本公开保护范围以内，并以引用方式包含于此。
35.所述终端设备能够通过显示屏进行人机交互，可以通过所述显示屏显示业务应用的显示界面。
36.在本公开实施例中，用户对终端设备操作时的业务特征包括但不限于业务应用所属的业务类型、业务类型下的业务模块等。其中，业务类型包括但不限于餐饮、酒店、生活服务等，业务模块包括但不限于外卖、在线点餐、到店消费等。
37.可选地，所述用户特征可以包括用户的基本特征和个性化历史特征。其中，基本特征包括但不限于用户的年龄、性别、职业等。个性化历史特征包括但不限于用户对poi的浏览信息、搜索信息、签到信息、消费信息、到访信息中的至少一种。可以理解，本公开实施例对获取的用户特征的具体内容不做限制。
38.所述wi-fi列表信息中包括终端设备扫描或连接的以其所在位置为中心周边有效范围内的wi-fi信息。所述wi-fi信息包括wi-fi热点的名称、信号强度等信息。
39.终端设备在检测到用户打开某业务应用时，在得到用户的允许权限的情况下，可以获取用户对终端设备操作时的业务特征、所述终端设备的wi-fi列表信息、以及用户特征，上报至服务端。
40.服务端根据所述wi-fi列表信息，确定候选poi的wi-fi指纹信息。在本公开实施例中，poi包括但不限于商场、商户、酒店、餐厅、写字楼、居民楼等。
41.通常，一个poi的wi-fi热点可以覆盖室内50米左右的距离，比如，当用户位于商户a时，用户可以通过终端设备扫描到商户a的wi-fi。当用户位于商户a的隔壁商户b时，也可以通过终端设备扫描到商户a的wi-fi。因此，在本公开实施例中，所述wi-fi列表信息中的某个wi-fi信息可能对应一个或一个以上的候选poi。
42.本公开实施例可以预先大量用户的历史poi到访数据，以挖掘wi-fi信息与poi之间的关联关系。在本公开的一种可选实施例中，所述根据所述wi-fi列表信息，确定候选poi
的wi-fi指纹信息之前，所述方法还包括：
43.步骤s11、获取不同用户的历史poi到访数据，所述历史poi到访数据中包括不同用户到店时终端设备的wi-fi列表信息；
44.步骤s12、根据所述不同用户的历史poi到访数据，构建关系信息库，所述关系信息库中包括wi-fi信息、poi信息、以及poi信息对应的wi-fi指纹信息之间的关联关系。
45.所述根据所述wi-fi列表信息，确定候选poi的wi-fi指纹信息，包括：将所述wi-fi列表信息中的各wi-fi信息作为关键词查询所述关系信息库，获取所述wi-fi列表信息中各wi-fi信息对应的候选poi，以及各候选poi的wi-fi指纹信息。
46.本公开实施例可以预先收集大量用户的历史poi到访数据，以挖掘wi-fi信息与poi之间的关联关系，该关联关系包括该wi-fi是哪个商家的wi-fi，该wi-fi在商家内被扫描到的次数、强度等，进而构建关系信息库，所述关系信息库中包括wi-fi信息、poi信息、以及poi信息对应的wi-fi指纹信息之间的关联关系。
47.一个示例中，对于某个poi(如记为poi_a)的wi-fi，本公开实施例预先挖掘出这个wi-fi是属于poi_a的，以及该wi-fi在poi_a的扫描特征，如扫描的频率、强度等。同时，还会挖掘这个wi-fi除了在poi_a，还可以在哪些poi中能被扫描到，以及扫描特征，如扫描的频率、强度等。比如挖掘出在poi_a隔壁的poi_b也能扫描到poi_a的wi-fi，以及挖掘出在poi_a和poi_b分别扫描到poi_a的wi-fi的频率、强度等，以构建关系信息库，该关系信息库中包括poi_a的wi-fi信息与poi_a的关联关系，以及poi_a的wi-fi在poi_a的扫描特征，该关系信息库中还包括poi_a的wi-fi信息与poi_b的关联关系，以及poi_a的wi-fi在poi_b的扫描特征。
48.进一步地，所述wi-fi信息可以包括wi-fi热点的ssid(service set identifier，服务集标识符)名称和mac地址，所述poi信息可以包括poi标识和poi名称。
49.在所述关系信息库中，wi-fi信息对应的poi的wi-fi指纹信息可以包括该wi-fi在该poi中的扫描特征，所述扫描特征包括但不限于扫描频率、扫描强度等。参照表1，示出了本公开实施例的一种关系信息库中关联关系的具体示意。
50.表1
[0051][0052][0053]
如表1所示，对于某个wi-fi，通过查询关系信息库中的关联关系，可以查询得到该wi-fi对应的poi信息，也即，可以得知该wi-fi在哪些poi中能被扫描到；此外，通过查询关系信息库中的关联关系，还可以查询得到该wi-fi对应这些poi的wi-fi指纹信息，也即，该wi-fi在这些poi中的扫描特征，如扫描频率、扫描强度(如平均强度、最大强度)等。
[0054]
本公开实施例在获取终端设备的wi-fi列表信息之后，可以将wi-fi列表信息中的各wi-fi信息作为关键词(key)查询关系信息库，得到与各wi-fi信息相匹配的候选poi，以
及候选poi的wi-fi指纹信息。
[0055]
需要说明的是，本公开实施例对所述关系信息库中poi的wi-fi指纹信息包含的具体内容不做限制，除了上述列举的扫描频率、扫描强度之外，还可以包括扫描到的平均强度、扫描到的概率等。
[0056]
本公开实施例根据所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息，计算所述wi-fi列表信息与所述候选poi的关联得分；根据所述关联得分，可以确定所述用户到访的目标poi。所述目标poi即为所述用户实际到访的poi。
[0057]
具体地，本公开实施例可以基于用户对终端设备操作时的业务特征以及用户特征，计算所述wi-fi列表信息中每个wi-fi信息与候选poi的wi-fi指纹的关联得分，根据每个wi-fi信息与候选poi的wi-fi指纹的关联得分计算整个wi-fi列表与候选poi的关联得分，进而可以确定所述关联得分最高的候选poi为所述用户到访的目标poi。
[0058]
本公开实施例通过收集大量用户的历史poi到访数据，离线构建关系信息库，以查询用户终端设备当前wi-fi列表的候选poi，以及候选poi的wi-fi指纹信息，在wi-fi指纹感知的基础上，通过用户的个性化历史特征，如历史的点击、浏览、消费等行为特征，结合用户当前操作的业务应用的业务特征，对用户周边的候选poi进行加权排序，判断用户实际到访的目标poi，可以提升兴趣点到访识别的精准度。
[0059]
进一步地，所述确定所述用户到访的目标poi之后，所述方法还包括：向所述用户的终端设备推送所述目标poi的相关推荐信息。
[0060]
本公开实施例在检测到用户打开或者操作终端设备中的业务应用时，可以获取用户对终端设备操作时的业务特征、wi-fi列表信息、以及所述用户的用户特征，并上报服务端；服务端根据所述wi-fi列表信息，确定候选poi的wi-fi指纹信息；以及根据所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息，计算所述wi-fi列表信息与所述候选poi的关联得分；进而可以根据所述关联得分，确定所述用户到访的目标poi，并向所述用户的终端设备推送所述目标poi的相关推荐信息。
[0061]
由此，本公开实施例在用户打开或者操作业务应用时，能够准确定位用户真实到访的目标poi，可以向用户优先推荐当前所在目标poi的相关信息，进而可以完成准确命中用户实际需求的信息推送，以提高信息推送的准确性。
[0062]
在本公开的一种可选实施例中，所述根据所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息，计算所述wi-fi列表信息与所述候选poi的关联得分，包括：
[0063]
将所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息输入目标模型，通过所述目标模型计算所述wi-fi列表信息与所述候选poi的关联得分；其中，所述目标模型为根据不同用户的历史业务特征、历史用户特征、历史wi-fi列表信息、历史候选poi的wi-fi指纹信息、以及历史到店信息训练得到的神经网络模型。
[0064]
本公开实施例可以预先训练目标模型，通过目标模型计算所述wi-fi列表信息与所述候选poi的关联得分。
[0065]
所述目标模型可以为根据大量的训练数据和机器学习方法，对现有的神经网络进行有监督训练而得到的。需要说明的是，本公开实施例对所述目标模型的网络结构不加以限制。所述神经网络包括但不限于以下的至少一种或者至少两种的组合、叠加、嵌套：cnn
(convolutional neural network，卷积神经网络)、lstm(long short-term memory，长短时记忆)网络、rnn(simple recurrent neural network，循环神经网络)、注意力神经网络等。
[0066]
在本公开的一种可选实施例中，所述将所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息输入目标模型之前，所述方法还包括：
[0067]
步骤s21、收集不同用户的历史业务特征、历史wi-fi列表信息、历史候选poi的wi-fi指纹信息、以及历史用户特征，构建训练数据；
[0068]
步骤s22、根据所述训练数据对应的历史到店信息，确定标注信息；
[0069]
步骤s23、将所述训练数据输入初始模型，以通过所述初始模型预测用户到访的历史poi；
[0070]
步骤s24、根据所述初始模型预测的历史poi与所述标注信息之间的差异，对所述初始模型的模型参数进行迭代优化，得到训练完成的目标模型。
[0071]
在训练目标模型之前，可以收集训练数据。具体的，本公开实施例可以收集大量用户操作业务应用时的历史业务特征、历史wi-fi列表信息、历史候选poi的wi-fi指纹信息、历史用户特征、以及历史到店信息。根据不同用户的历史业务特征、历史wi-fi列表信息、历史候选poi的wi-fi指纹信息、以及历史用户特征，构建训练数据，并且根据所述训练数据对应的历史到店信息，确定标注信息。例如，对于某条训练数据，如果历史到店信息为真实到店，则确定标注信息为1，如果历史到店信息为未到店，则确定标注信息为0。
[0072]
其中，所述历史业务特征可以体现用户的历史业务行为，所述历史业务特征包括但不限于历史业务对应的poi类别、poi热度信息、poi消费信息等。其中，poi类别包括但不限于中餐厅，餐饮小吃，酒店，生活服务等。poi热度信息包括但不限于是否用户高频访问poi、是否热搜poi、是否用户经常签到或评论poi等。poi消费信息包括但不限于人均消费价格、团券消费量等。
[0073]
所述历史用户特征可以体现用户的poi到访意图，所述历史用户特征包括但不限于用户的历史行为信息、用户消费信息、用户轨迹信息等。其中，历史行为信息包括但不限于浏览、搜索、签到、评价等信息。用户消费信息包括但不限于用户在poi消费的次数、时间、价格等。用户轨迹信息包括但不限于最近一周到访的poi、最近一月到访的poi等。
[0074]
在获取训练数据以及训练数据对应的标注信息之后，首先构建并初始化模型，设置初始模型的模型参数。然后，将训练数据逐条输入所述初始模型，计算历史wi-fi列表信息中各历史wi-fi信息与历史候选poi的wi-fi指纹信息之间的关联得分，预测用户到访的历史poi。最后根据初始模型的预测结果与训练数据的标注信息之间的差异，以及梯度下降算法对该初始模型进行迭代优化，调整模型参数，直到优化的模型达到预设收敛条件时，停止迭代优化，将最后一次优化得到的模型作为训练完成的目标模型。
[0075]
在本公开的一种可选实施例中，所述通过所述目标模型计算所述wi-fi列表信息与所述候选poi的关联得分，包括：
[0076]
步骤s31、通过所述目标模型的第一网络对所述业务特征和所述用户特征进行降维处理，得到业务特征向量和用户特征向量；
[0077]
步骤s32、通过所述目标模型的第二网络对所述wi-fi列表信息和所述候选poi的wi-fi指纹信息进行关联度计算，得到所述wi-fi列表信息wi-fi与所述候选poi的wi-fi指
纹信息的相似度向量；
[0078]
步骤s33、通过所述目标模型的耦合层将所述业务特征向量、所述用户特征向量、以及所述相似度向量进行拼接后，得到拼接向量；
[0079]
步骤s34、通过所述目标模型的softmax层对所述拼接向量进行融合计算，得到所述wi-fi列表信息与所述候选poi的关联得分。
[0080]
需要说明的是，本公开实施例对目标模型的网络结构以及训练方式不做限制。一个示例中，所述目标模型包括输入层、耦合层、全连接层、以及输出层。参照图2，示出了本公开实施例的一种目标模型的网络结构示意图。其中，输入层包括第一网络(wide网络)和第二网络(deep网络)。如图2所示，wide网络的输入包括业务特征(如业务特征1至业务特征k)和用户特征(如用户特征1至用户特征k)，所述wide网络的输出为经全连接层降维后的业务特征向量和用户特征向量。deep网络可以为nn(neural network，神经网络)结构，deep网络的输入包括终端设备的wi-fi列表信息中的各wi-fi信息(如wi-fi 1至wi-fi k)和候选poi的wi-fi指纹信息(如candidate poi wi-fi 1features至candidate poi wi-fi k features)。deep网络基于wi-fi指纹感知算法对所述wi-fi列表信息和所述候选poi的wi-fi指纹信息进行关联度计算，得到所述wi-fi列表信息中每个wi-fi信息与所述候选poi的wi-fi指纹信息之间的关联得分，进而得到整个wi-fi列表与候选poi的wi-fi指纹之间的关联得分，从而得到整个wi-fi列表与候选poi的相似度向量。deep网络从wi-fi指纹角度，计算用户当前wi-fi列表与候选poi的关联关系。
[0081]
所述目标模型的耦合层将所述业务特征向量、所述用户特征向量、以及所述相似度向量进行拼接后，得到拼接向量，输入softmax层。通过softmax层，在wi-fi指纹角度计算的wi-fi列表与候选poi的关联关系的基础上，融合用户对终端设备操作时的业务特征以及用户特征(如用户在该候选poi的个性化历史特征，包括浏览、搜索、签到、消费、以及到访信息等)，计算所述wi-fi列表信息与所述候选poi的关联得分，该关联得分从wi-fi指纹角度、业务特征角度、用户特征角度多个维度体现用户当前wi-fi列表与候选poi的关联关系，可以提升关联得分的准确性，进而提高兴趣点到访识别的精准度。
[0082]
综上，本公开实施例在用户打开或操作终端设备中的业务应用时，可以获取用户对终端设备操作时的业务特征、wi-fi列表信息、以及所述用户的用户特征，根据所述wi-fi列表信息，确定候选poi的wi-fi指纹信息；根据所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息，计算所述wi-fi列表信息与所述候选poi的关联得分，进而可以根据所述关联得分，确定所述用户到访的目标poi。本公开实施例在wi-fi指纹感知的基础上，融合用户对终端设备操作时的业务特征以及用户特征，计算所述wi-fi列表信息与所述候选poi的关联得分，该关联得分在一定程度上可以体现用户特征，如用户的到访意图特征，可以提高兴趣点到访识别的精准度。此外，本公开实施例在用户打开或者操作业务应用时，能够准确定位用户真实到访的目标poi，可以向用户优先推荐当前所在目标poi的相关信息，进而可以完成准确命中用户实际需求的信息推送，以提高信息推荐的准确性和及时性。
[0083]
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，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，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公开实施例所必须的。
[0084]
实施例二
[0085]
参照图3，其示出了本公开的一个实施例中的兴趣点到访识别装置的结构图，具体如下。
[0086]
特征获取模块301，用于获取用户对终端设备操作时的业务特征、wi-fi列表信息、以及所述用户的用户特征；
[0087]
指纹确定模块302，用于根据所述wi-fi列表信息，确定候选poi的wi-fi指纹信息；
[0088]
得分计算模块303，用于根据所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息，计算所述wi-fi列表信息与所述候选poi的关联得分；
[0089]
目标确定模块304，用于根据所述关联得分，确定所述用户到访的目标poi。
[0090]
可选地，所述装置还包括：
[0091]
数据获取模块，用于获取不同用户的历史poi到访数据，所述历史poi到访数据中包括不同用户到店时终端设备的wi-fi列表信息；
[0092]
信息库构建模块，用于根据所述不同用户的历史poi到访数据，构建关系信息库，所述关系信息库中包括wi-fi信息、poi信息、以及poi信息对应的wi-fi指纹信息之间的关联关系；
[0093]
所述指纹确定模块，具体用于将所述wi-fi列表信息中的各wi-fi信息作为关键词查询所述关系信息库，获取所述wi-fi列表信息中各wi-fi信息对应的候选poi，以及各候选poi的wi-fi指纹信息。
[0094]
可选地，所述得分计算模块，具体用于将所述业务特征、所述用户特征、所述wi-fi列表信息、以及所述候选poi的wi-fi指纹信息输入目标模型，通过所述目标模型计算所述wi-fi列表信息与所述候选poi的关联得分；其中，所述目标模型为根据不同用户的历史业务特征、历史用户特征、历史wi-fi列表信息、历史候选poi的wi-fi指纹信息、以及历史到店信息训练得到的神经网络模型。
[0095]
可选地，所述目标模型，包括：
[0096]
第一网络，用于对所述业务特征和所述用户特征进行降维处理，得到业务特征向量和用户特征向量；
[0097]
第二网络，用于对所述wi-fi列表信息和所述候选poi的wi-fi指纹信息进行关联度计算，得到所述wi-fi列表信息wi-fi与所述候选poi的wi-fi指纹信息的相似度向量；
[0098]
耦合层，用于将所述业务特征向量、所述用户特征向量、以及所述相似度向量进行拼接后，得到拼接向量；
[0099]
softmax层，用于对所述拼接向量进行融合计算，得到所述wi-fi列表信息与所述候选poi的关联得分。
[0100]
可选地，所述装置还包括：
[0101]
数据收集模块，用于收集不同用户的历史业务特征、历史wi-fi列表信息、历史候选poi的wi-fi指纹信息、以及历史用户特征，构建训练数据；
[0102]
标注确定模块，用于根据所述训练数据对应的历史到店信息，确定标注信息；
[0103]
数据输入模块，用于将所述训练数据输入初始模型，以通过所述初始模型预测用
户到访的历史poi；
[0104]
模型优化模块，用于根据所述初始模型预测的历史poi与所述标注信息之间的差异，对所述初始模型的模型参数进行迭代优化，得到训练完成的目标模型。
[0105]
可选地，所述装置还包括：
[0106]
信息推荐模块，用于向所述用户的终端设备推送所述目标poi的相关推荐信息。
[0107]
可选地，所述用户特征包括：所述用户对poi的浏览信息、搜索信息、签到信息、消费信息、到访信息中的至少一种。
[0108]
本公开实施例在wi-fi指纹感知的基础上，融合用户对终端设备操作时的业务特征以及用户特征，计算所述wi-fi列表信息与所述候选poi的关联得分，该关联得分在一定程度上可以体现用户特征，如用户的到访意图特征，可以提高兴趣点到访识别的精准度。此外，本公开实施例在用户打开或者操作业务应用时，能够准确定位用户真实到访的目标poi，可以向用户优先推荐当前所在目标poi的相关信息，进而可以完成准确命中用户实际需求的信息推送，以提高信息推荐的准确性和及时性。
[0109]
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。
[0110]
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。
[0111]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0112]
本公开的实施例还提供了一种电子设备，参见图4，包括：处理器401、存储器402以及存储在所述存储器上并可在所述处理器上运行的计算机程序4021，所述处理器执行所述程序时实现前述实施例的兴趣点到访识别方法。
[0113]
本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的兴趣点到访识别方法。
[0114]
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。
[0115]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
[0116]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0117]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个
实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。
[0118]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0119]
本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本公开的实施例的排序设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0120]
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0121]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0122]
以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。
[0123]
以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。