CN110019616B - 一种poi现势状态获取方法及其设备、存储介质、服务器 - Google Patents

Abstract

本发明实施例公开了一种POI现势状态获取方法，所述方法包括：获取与目标POI关联的网络信息特征数据；将获取到的网络信息特征数据转化为对应的现势特征向量；将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态；输出所述目标POI的现势状态。采用本发明，可有效保证电子地图数据中的POI现势性。

Description

一种POI现势状态获取方法及其设备、存储介质、服务器

技术领域

本发明涉及互联网技术领域，尤其涉及一种POI现势状态获取方法及其设备、存储介质、服务器。

背景技术

电子地图，即数字地图，是利用计算机技术，以数字方式存储和查阅的地图，电子地图中根据不同位置向用户显示相应的POI(Point of Interest，即兴趣点或信息点)。地图的现势性指的是地图所提供的地理空间信息要尽可能地反映当前最新的情况，在城市快速发展的新形势下，POI的现势状态变化十分频繁，因此POI的现势性和准确性对电子地图服务至关重要。

对POI现势状态进行更新的方法主要包括人工采集/上报，需要大量的人力物力，更新效率和及时性均非常不理想。

发明内容

有鉴于此，本发明实施例提供一种POI现势状态获取方法，可有效保证电子地图数据中的POI现势性。

为了解决上述技术问题，本发明实施例提供了一种POI现势状态获取方法，所述方法包括：

获取与目标POI关联的网络信息特征数据；

将获取到的网络信息特征数据转化为对应的现势特征向量；

将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态；

输出所述目标POI的现势状态。

相应地，本发明实施例还提供了一种POI现势状态获取设备，所述设备包括：

网络信息获取模块，用于获取与目标POI关联的网络信息特征数据；

现势特征转化模块，用于将获取到的网络信息特征数据转化为对应的现势特征向量；

现势状态判断模块，用于将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态；

现势状态输出模块，用于输出所述目标POI的现势状态。

相应地，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行以下步骤：

获取与目标POI关联的网络信息特征数据；

将获取到的网络信息特征数据转化为对应的现势特征向量；

将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态；

输出所述目标POI的现势状态。

相应地，本发明实施例还提供了一种服务器，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行以下步骤：

获取与目标POI关联的网络信息特征数据；

将获取到的网络信息特征数据转化为对应的现势特征向量；

将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态；

输出所述目标POI的现势状态。

本发明实施例根据目标POI关联的网络信息特征数据和现势状态判断模型实现快速判断目标POI的现势状态，不再需要低效的人工数据采集、上报以及审核的过程，从而有效保证了电子地图数据中的POI现势性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的POI现势状态获取方法的实施场景架构示意图；

图2是本发明实施例提供的一种POI现势状态获取方法的流程示意图；

图3是本发明实施例中一种现势状态判断模型与至少现势状态判断子模型之间的关系示意图；

图4是本发明实施例在电子地图上显示目标POI时同时显示所述目标POI的现势状态的示意图；

图5是本发明实施例在搜索框中提交POI检索请求的查询结果因POI现势状态被改变的示意图；

图6是本发明另一实施例的POI现势状态获取方法流程示意图；

图7是本发明另一实施例的实施逻辑框架示意图；

图8是本发明又一实施例的POI现势状态获取方法流程示意图；

图9是本发明实施例中的POI现势状态获取设备的结构示意图；

图10是本发明实施例提供的一种服务器的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例提供的POI现势状态获取方法可以应用于电子地图数据中POI现势状态的标注或更新，使得用户在通过电子地图获取地理信息服务时，得到的电子地图数据更为准确可信。

本发明实施例涉及的POI现势状态获取方法的执行依赖于计算机程序，可基于POI现势状态获取设备运行于冯若依曼体系的计算机系统之上。该POI现势状态获取设备可以包括具有存储、计算以及测试等功能的服务器，还可以包括平板电脑、个人计算机(PC)、智能手机、掌上电脑以及移动互联网设备(MID，Mobile Internet Device)等服务器设备。

下面将结合附图1-附图8，对本发明实施例提供的路况信息获取方法进行详细介绍。

请参见图1，为本发明实施例的POI现势状态获取方法的实施场景架构示意图，POI现势状态获取设备可以从多个网络信息特征数据提供方获取POI关联的网络信息特征数据，然后根据POI关联的网络信息特征数据处理得到POI的现势状态，一方面可以通过向电子地图数据库输出POI的现势状态，由电子地图数据库向用户提供电子地图数据，电子地图数据库还可以将用户在使用电子地图过程中产生的用户行为提供给POI现势状态获取设备；另一方面POI现势状态获取设备还可以自身维护有电子地图数据，并自身向用户提供电子地图数据并获取用户在使用电子地图过程中产生的用户行为。

请参见图2，为本发明实施例提供了一种POI现势状态获取方法的流程示意图。如图2所示，本发明实施例的所述方法可以包括以下步骤S101-步骤S104。

S101，获取与目标POI关联的网络信息特征数据。

在本发明实施例中，目标POI可以为电子地图数据中的任一POI或部分POI或所有POI，与目标POI关联的网络信息特征数据可以包括与目标POI对应的无线接入点的接入数据、与目标POI关联的网络用户行为数据或与目标POI关联的网络媒体数据。

目标POI对应的无线接入点的接入数据可以为预先与目标POI建立关联关系的无线接入点在一段时间内的接入用户数量，例如最近若干天内的接入用户总数或最近若干天内每天的接入用户数量，所述若干天可以为2-15天。具体实现中，POI现势状态获取设备可以收集一段时间内多个无线接入点的接入数据，然后结合预先获取到的多个无线接入点与POI之间的关联关系，对应得到各个POI对应的无线接入点的接入数据，无线接入点与POI之间的关联关系可以由POI对应商家上报，也可以由人工采集或第三方数据提供方提供，某个POI可以对应多个无线接入点，例如一个或多个员工接入点、一个或多个顾客接入点或后台办公接入点等。目标POI对应的无线接入点的接入数据一定程度上可以反映目标POI的人流情况，从而可以用来判断目标POI的现势状态。

与目标POI关联的网络用户行为数据可以包括通过记录在一段时间内用户针对所述目标POI实施的多种网络用户行为得到的数据，所述多种网络用户行为包括点击行为、导航行为、支付行为、预订行为、评论行为、分享行为以及报错行为等，例如用户在电子地图上在检索POI后针对目标POI输入的点击或选中操作、查看操作、导航操作等，这类针对目标POI实施的网络用户行为可以一定程度上反映用于对该POI的关注程度，从而可以用来判断目标POI的现势状态。所述一段时间记录得到的用户行为可以为最近的若干天内统计得到的用户行为，若干天可以例如2-15天。

网络媒体数据可以为网络中出现的各类媒体数据，例如网页媒体中的资讯网页数据、新闻类APP的资讯数据、社交网络媒体的文章、动态、消息等数据，POI现势状态获取设备可以从以上多种媒体渠道获取到大量的网络媒体数据，进而从中筛选出与POI关联的网络媒体数据，并从中进一步分析得到与POI现势状态相关的媒体片段，用来判断POI的现势状态，例如一条新闻内容为某大厦一层必胜客装修，那么该条新闻数据相关的目标POI就是地址位于该大厦一层的必胜客，该条新闻数据显然可以作为目标POI关联的网络媒体数据。

在可选实施例中，POI现势状态获取设备还可以根据目标POI与其他POI之间的依附关系，将与目标POI存在依附关系的其他POI的网络信息特征数据作为目标POI关联的网络信息特征数据，即与目标POI关联的网络信息特征数据可以进一步包括与所述目标POI相关的网络信息特征数据和与所述目标POI存在依附关系的其他POI相关的网络信息特征数据。与目标POI相关的网络信息特征数据即与目标POI对应的无线接入点的接入数据、与目标POI关联的网络用户行为数据或与目标POI关联的网络媒体数据，将与所述目标POI存在依附关系的其他POI描述为第一POI，与所述目标POI存在依附关系的其他POI相关的网络信息特征数据即与第一POI对应的无线接入点的接入数据、与第一POI关联的网络用户行为数据或与第一POI关联的网络媒体数据。例如A餐厅位于B大厦中，或者C餐厅位于D公园中，那么这两个POI之间就存在相互依附的关系，在判断前者POI的现势状态时，可以将后者的网络信息特征数据一并考虑进来作为参考。同时存在唯一依存关系的POI，例如E大厦中仅存在一家F大型家装超市，那么E大厦和F超市这两个POI中任一的网络信息特征数据都可以作为判断另一POI的现势状态的参考。

所述POI之间的依附关系可以人工采集或收集POI地址信息分析得到，还可以根据同时包含所述目标POI名称和其他POI名称的媒体文本片段进行自然语言处理，分析得到所述目标POI与其他POI之间的依附关系，例如在多次在新闻中出现“B大厦中的A餐厅”或“去往B大厦2层到达A餐厅”等类似内容的文本片段，经过语义分析处理后可以确定这两个POI之间存在相互依附的关系。

在可选实施例中，POI现势状态获取设备可以根据获取到的POI关联的网络信息特征数据建立POI现势信息特征库，以便在需要时从POI现势信息特征库中读取目标POI关联的网络信息特征数据。

S102，将获取到的网络信息特征数据转化为对应的现势特征向量。

将网络信息特征数据转化为对应的现势特征向量的过程可以看作一种归一化处理的过程。根据上述获取到的每一种网络信息特征数据，或至少两种网络信息特征数据的结合可以确定目标POI不同维度的现势特征向量值，设定的所有维度的现势特征向量值组成目标POI的现势特征向量，若POI现势状态获取设备获取到某种网络信息特征数据，那么可以根据获取到的网络信息特征数据确定对应维度的现势特征向量值，具体实现中，可以通过预先设定的网络信息特征数据与相应维度的特征向量值对照表来确定每一种网络信息特征数据对应的特征向量值，以下表1为例，可以得到8种网络信息特征数据对应的特征向量值，(-1，1，-1，0，0，1，1，0)就可以是一个实际得到的目标POI的现势特征向量，在其他可选实施例中，可以采用其中的部分对照关系确定目标POI的现势特征向量，或在对照表中添加更多的对照关系用来确定目标POI的现势特征向量。若POI现势状态获取设备并未获取到目标POI的某种网络信息特征数据，那么可以将该种网络信息特征数据对应维度的现势特征向量值设为一个默认值，例如0。

表1：网络信息特征数据与的特征向量值对照表

在可选实施例中，若获取到的与目标POI关联的网络信息特征数据进一步包括与所述目标POI相关的网络信息特征数据和与所述目标POI存在依附关系的其他POI相关的网络信息特征数据，那么同理可以根据与所述目标POI存在依附关系的其他POI相关的网络信息特征数据得到相应的与所述目标POI存在依附关系的其他POI的现势特征向量。

S103，将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态。

POI现势状态获取设备将转化得到的目标POI的现势特征向量输入现势状态判断模型，就可以判定得到目标POI的现势状态。

需要说明的是，在本申请实施例中，现势状态判断模型是根据多个已标注现势状态的POI以及获取到的与各个已标注现势状态的POI对应的现势特征向量进行训练得到的，多个已标注现势状态的POI对应的现势状态即为训练样本。而所述与各个已标注现势状态的POI对应的现势特征向量，可以采用与本实施例S101-S102相同的方式，根据各个已标注现势状态的POI的网络信息特征数据转化得到。可以理解的是，经过不断训练的现势状态判断模型，将多个样本POI的现势特征向量代入现势状态判断模型进行现势状态的判断结果能够不断逼近所述多个样本POI的标注结果，最终将判断结果最逼近样本POI标注结果的现势状态判断模型确定为训练得到的现势状态判断模型。

具体实现中，现势状态判断模型可以采用GBDT(Gradient Boosting DecisionTree，梯度提升决策树)，XGboost机器学习函数库或DNN(Deep Neural Networks,深度神经网络)等机器学习模型。

在可选实施例中，所述现势状态判断模型可以由至少两个现势状态判断子模型融合得到，其中每个现势状态判断子模型与至少一种现势特征向量对应。所述至少两个显示状态判断子模型还可以结合一个融合函数以构成现势状态判断模型，其中所述融合函数可以包括多个融合参数，每个现势状态判断子模型在现势状态判断模型中可以对应一个融合参数。所述现势状态判断子模型同样可以采用GBDT，XGboost或DNN等机器学习模型中的任一种或多种。现势状态判断模型与至少两个现势状态判断子模型之间的关系可以如图3所示，现势状态判断模型F(x)由多个现势状态判断子模型F_n(x_n)以及与每个现势状态判断子模型对应的融合参数a_n构成的融合函数共同组成，组成的方式可以为线性的，也可以为非线性的，示例性的如下：

F(x)＝a₁·F₁(x₁)+a₂·F₂(x₂)+a₃·F₃(x₃).....+a_n·F_n(x_n)

其中F(x)代表现势状态判断模型，F_n(x_n)表示某个维度的现势特征向量以及对应的现势状态判断子模型，a_n表示与该现势状态判断子模型对应的融合参数。

POI现势状态获取设备可以根据多个已标注现势状态的POI(即样本POI)以及获取到的各个已标注现势状态的POI的现势特征向量，对相应的现势状态判断子模型进行训练，可以理解的是，经过不断训练的现势状态判断子模型，将多个样本POI的现势特征向量代入现势状态判断子模型进行现势状态的判断结果能够不断逼近所述多个样本POI的标注结果，最终将判断结果最逼近样本POI标注结果的现势状态判断子模型确定为训练得到的现势状态判断子模型。

接着POI现势状态获取设备根据多个已标注现势状态的POI、获取到的与各个已标注现势状态的POI对应的现势特征向量以及所述经过训练的至少两个现势状态判断子模型，对所述现势状态判断模型中对应每个现势状态判断子模型的融合参数进行训练。从而根据经过训练的至少两个现势状态判断子模型与经过训练的对应每个现势状态判断子模型的融合参数组成经过训练的现势状态判断模型。

S104，输出所述目标POI的现势状态。

具体地，POI现势状态获取设备可以在电子地图数据中标注所述目标POI的现势状态，使得电子地图在显示所述目标POI时，可以同时显示所述目标POI的现势状态以对用户作出提示。例如图4所示，用户在打开电子地图时，通过地图上点击或POI搜索框选中特定POI周记鸭血粉丝汤(永定巷店)后，电子地图显示该POI的相关信息，这时即可以将该POI的现势状态向用户进行提示(图中的“商户关闭”信息项)，此外还可以例如在用户将光标移至目标POI上方时，即将包含POI现势状态的相关信息展示给用户。

在另一实施例中，POI现势状态获取设备在根据POI检索请求进行POI查询时，若查询到满足所述POI检索请求的多个POI中包括所述目标POI，则在返回的POI查询结果中携带所述多个POI中排除所述目标POI的其他POI，或在返回的POI查询结果中将所述目标POI在所述多个POI中的显示排序设置在最后。例如图5所示，用户在搜索框中输入“周记鸭血粉丝汤”的检索条件，向POI现势状态获取设备提交POI检索请求，POI现势状态获取设备根据该检索请求在电子地图数据中进行POI查询，目标POI周记鸭血粉丝汤(永定巷店)也满足该检索条件因此也被查询到，但是目标POI由于现势状况为“关闭”，因此可以如图5所示，在搜索框的下方提供的POI查询结果中将目标POI排除，仅提供满足该检索条件的其他POI，在其他实施例中也可以将目标POI的显示排序设置在所有满足检索条件的POI的最后，还可以在POI查询结果中直接显示目标POI的现势状态。通过上述方式改变POI查询的反馈结果，可以有效避免用户在地图上找到现势状态为关闭或不可用的POI并因此造成不便。

在其他可选实施例中，POI现势状态获取设备还可以通过向电子地图数据库或电子地图数据提供方输出所述目标POI的现势状态，让后者负责在电子地图数据中标注所述目标POI的现势状态或改变POI查询的反馈结果。

本实施例中的POI现势状态获取设备根据目标POI关联的网络信息特征数据和现势状态判断模型，能够实现快速判断目标POI的现势状态，不再需要低效的人工数据采集、上报以及审核的过程，从而有效保证了电子地图数据中的POI现势性。

请参见图6和图7，图7为本发明另一实施例中提供的一种POI现势状态获取方法的实施逻辑框架示意图，图6为在该逻辑框架下实施的POI现势状态获取方法流程示意图。如图6所示，本发明实施例的所述方法可以包括以下步骤S201-步骤S208。

S201，获取多个样本POI标注的现势状态。

多个样本POI即多个已标注现势状态的POI，其标注的现势状态可以由人工标注，也可以由第三方提供。

S202，获取多个样本POI关联的网络信息特征数据。

如图7所示，本实施例中与样本POI关联的网络信息特征数据包括样本POI对应的WIFI接入数据、针对样本POI的用户点击行为数据以及用户评论数据。在其他可选实施例中，与样本POI关联的网络信息特征数据可以包括更多方面的内容，具体可以参考前文实施例中的S101中关于网络信息特征数据的描述，本实施例中不再赘述。

S203，将样本POI的网络信息特征数据转化为对应的现势特征向量。

根据上述获取到的每一种网络信息特征数据，或至少两种网络信息特征数据的结合可以确定样本POI不同维度的现势特征向量值，设定的所有维度的现势特征向量值组成样本POI的现势特征向量，若POI现势状态获取设备获取到某种网络信息特征数据，那么可以根据获取到的网络信息特征数据确定对应维度的现势特征向量值，具体实现中，可以通过预先设定的网络信息特征数据与相应维度的特征向量值对照表来确定每一种网络信息特征数据对应的特征向量值。

S204，根据多个样本POI标注的现势状态以及转化得到多个样本POI的现势特征向量，对现势状态判断模型进行训练。

具体实现中，现势状态判断模型可以采用GBDT，XGboost或DNN等机器学习模型。对现势状态判断模型进行训练实际可以看成是一个对现势状态判断模型的模型参数进行不断优化的过程，可以理解的是，经过不断训练的现势状态判断模型，将转化得到多个样本POI的现势特征向量代入现势状态判断模型进行现势状态的判断结果能够不断逼近多个样本POI标注的现势状态结果，最终将判断结果最逼近训练样本标注结果的现势状态判断模型确定为训练得到的现势状态判断模型。

在可选实施例中，若现势状态判断模型如图3所示由多个现势状态判断子模型以及与每个现势状态判断子模型对应的融合参数构成的融合函数共同组成，那么POI现势状态获取设备可以根据多个样本POI标注的现势状态以及获取到的各个样本POI的现势特征向量，对相应的现势状态判断子模型进行训练，可以理解的是，经过不断训练的现势状态判断子模型，将多个样本POI的现势特征向量代入现势状态判断子模型进行现势状态的判断结果能够不断逼近所述多个样本POI的标注结果，最终将判断结果最逼近样本POI标注结果的现势状态判断子模型确定为训练得到的现势状态判断子模型。接着POI现势状态获取设备根据多个已标注现势状态的POI、获取到的与各个已标注现势状态的POI对应的现势特征向量以及所述经过训练的至少两个现势状态判断子模型，对所述现势状态判断模型中对应每个现势状态判断子模型的融合参数进行训练。从而根据经过训练的至少两个现势状态判断子模型与经过训练的对应每个现势状态判断子模型的融合参数组成经过训练的现势状态判断模型。

以上S201-S204为现势状态判断模型的训练过程，该过程可以与后续的S205-S208描述的相互独立完成，也可以按照本实施例的顺序依次执行。其中训练过程可以离线完成，也可以根据实时确定或更新得到的样本POI的标注结果以及样本POI的网络信息特征数据进行在线训练并实时对现势状态判断模型进行不断的再训练和优化。

S205，获取目标POI的关联的网络信息特征数据。

本实施例中的目标POI为特定POI集合中的所有POI，即根据预设周期执行本实施例中的S205-S207，即可对特定POI集合中的所有POI的现势状态进行一次更新，从而及时发现现势状态出现变化的POI。

如图6所示本实施例中的与目标POI关联的网络信息特征数据包括目标POI对应的WIFI接入数据、针对目标POI的用户点击行为数据以及用户评论数据。在其他可选实施例中，与样本POI关联的网络信息特征数据可以包括更多方面的内容，具体可以参考前文实施例中的S101中关于网络信息特征数据的描述，本实施例中不再赘述。

S206，将目标POI的网络信息特征数据转化为对应的现势特征向量。

根据上述获取到的每一种网络信息特征数据，或至少两种网络信息特征数据的结合可以确定目标POI不同维度的现势特征向量值，设定的所有维度的现势特征向量值组成目标POI的现势特征向量，若POI现势状态获取设备获取到某种网络信息特征数据，那么可以根据获取到的网络信息特征数据确定对应维度的现势特征向量值，具体实现中，可以通过预先设定的网络信息特征数据与相应维度的特征向量值对照表来确定每一种网络信息特征数据对应的特征向量值。

S207，将目标POI的现势特征向量输入经过训练的现势状态判断模型，得到目标POI的现势状态。

S208，将目标POI的现势状态输出至应用场景。

所述应用场景可以例如图4或图5所示的电子地图应用场景，还可以例如将现势状态发生变化的POI进行公开或广播，或根据发生现势状态变化的POI改变用户行程规划或导航路线等。

本实施例通过使用多个样本POI标注的现势状态以及多个样本POI的现势特征向量对现势状态判断模型进行训练，从而可以通过经过训练的现势状态判断模型对目标POI的现势状态进行判断，不再需要低效的人工数据采集、上报以及审核的过程，从而有效保证了电子地图数据中的POI现势性。

请参见图8，是本发明另一实施例中提供的一种POI现势状态获取方法流程示意图。如图8所示，本发明实施例的所述方法可以包括以下步骤S301-步骤S309。

S301，收集第一时间段内的网络媒体文本信息。

本实施例中的第一时间段可以为最近2周、3周或最近一个月的时间窗。POI现势状态获取设备可以通过收集网页媒体中的资讯网页数据、新闻类APP的资讯数据、社交网络媒体的文章、动态、消息等多种媒体渠道获取到大量的网络媒体文本信息。在可选实施例中，POI现势状态获取设备可以按照设定周期重新收集到网络媒体文本信息。

S302，根据全量POI名称集合和第一实体识别模型从所述收集到的网络媒体文本信息中提取与POI名称相关的媒体文本片段。

本实施例中的全量POI名称集合可以为电子地图数据中的所有POI集合，即POI现势状态获取设备根据电子地图数据中的所有POI名称，从收集到的第一时间段内的网络媒体文本信息中筛选出与POI关联的媒体文本片段。

所述第一实体识别模型包括AC自动机、条件随机场实体识别模型(CRF，conditional random field)或双向长短期记忆条件随机场神经网络模型(BI-LSTM-CRF，Bi-directional-Long Short-Term Memory-CRF)，即包括以下三种方式中的任一种从收集到的第一时间段内的网络媒体文本信息中筛选出与POI关联的媒体文本片段：

1)通过AC自动机模型，将电子地图数据中的所有POI名称匹配收集到的网络媒体文本信息中出现的词语，从而可以得到包含POI名称的媒体文本片段。同理的还可以采用Darts(双数组字典树检索算法，Double-ARray Trie System)模型。

2)预先根据所述全量POI名称集合和多个已标注相关POI的媒体文本片段，对条件随机场实习识别模型进行训练，进而通过经过训练的条件随机场实习识别模型可以对收集到的网络媒体文本信息判断是否为POI关联的媒体文本片段，相较于方式1)能够有效避免语义歧义的情况，提升识别精度。

3)通过将多个已标注相关POI的媒体文本片段中出现的字和词组分别生成相应的字词特征向量，预先根据所述全量POI名称集合和多个已标注相关POI的媒体文本片段中出现的字词特征向量，对BI-LSTM-CRF模型进行训练，可以有效提高实体识别模型对文本信息中与实际POI名称相关的文本前后缀内容的识别精度，从而从整体上提高对POI关联的媒体文本片段的识别精度。

并从中进一步分析得到与POI现势状态相关的媒体片段，用来判断POI的现势状态，例如一条新闻内容为某大厦一层必胜客装修，那么该条新闻数据相关的目标POI就是地址位于该大厦一层的必胜客，该条新闻数据显然可以作为目标POI关联的网络媒体数据

S303，根据所述目标POI名称从与POI名称相关的媒体文本片段中获取与目标POI相关的媒体文本片段。

步骤S302可以从收集到的第一时间段内的网络媒体文本信息中筛选出所有与POI关联的媒体文本片段，本步骤进一步根据目标POI的名称从中获取与目标POI相关的媒体文本片段。

S304，在与目标POI相关的媒体文本片段中，对同时包含所述目标POI名称和其他POI名称的媒体文本片段进行自然语言处理，得到所述目标POI与其他POI之间的依附关系。

即判断存在依附关系的两个POI首先需要在同一个媒体文本片段中出现，进而POI现势状态获取设备对该两个POI名称同时出现的媒体文本片段进行自然语言处理，如可以包括语义分析和关键词匹配，例如在多次在新闻中出现“B大厦中的A餐厅”或“去往B大厦2层到达A餐厅”等类似内容的文本片段，经过语义分析处理后可以确定这两个POI之间存在依附关系。进行关键词匹配采用的关键词可以例如“……中的……”、“在……内”、“……里的……”等等。

S305，根据与所述目标POI存在依附关系的其他POI的名称，从所述收集到的网络媒体文本信息中提取与所述目标POI存在依附关系的其他POI相关的媒体文本片段。

S306，分别对所述与目标POI相关的媒体文本片段和与所述目标POI存在依附关系其他POI相关的媒体文本片段进行自然语言处理，得到所述目标POI的现势数据和与所述目标POI存在依附关系的其他POI的现势数据作为与目标POI关联的网络媒体数据。

即对所述与目标POI相关的媒体文本片段进行自然语言处理，如可以包括语义分析和关键词匹配，可以分析得到目标POI的现势数据。其中反映现势状态的关键词通常包括：装修、正常营业、关闭、停业、品牌升级、搬迁、修业等，通过将包括目标POI名称和上述反映现势状态的关键词的语句进行语义分析，即可获得目标POI的现势数据。同理对与所述目标POI存在依附关系其他POI相关的媒体文本片段进行自然语言处理可以分析得到与所述目标POI存在依附关系的其他POI的现势数据。

S307，将目标POI的网络信息特征数据转化为对应的现势特征向量。

本实施例中即将与目标POI关联的网络媒体数据包括所述目标POI的现势数据和与所述目标POI存在依附关系的其他POI的现势数据转化为对应的现势特征向量。将网络媒体数据转化为对应的现势特征向量的过程可以看作一种归一化处理的过程。根据上述获取到的每一种不同情况的现势数据，或至少两种现势数据的结合可以确定目标POI不同维度的现势特征向量值，设定的所有维度的现势特征向量值组成目标POI的现势特征向量，具体实现中，可以通过预先设定的现势数据与相应维度的特征向量值对照表来确定每一种网络信息特征数据对应的特征向量值。

S308，将目标POI的现势特征向量输入经过训练的现势状态判断模型，得到目标POI的现势状态。

S309，将目标POI的现势状态输出至应用场景。

所述应用场景可以例如图4或图5所示的电子地图应用场景，还可以例如将现势状态发生变化的POI进行公开或广播，或根据发生现势状态变化的POI改变用户行程规划或导航路线等。

本实施例对网络媒体数据进行分析，得到包括目标POI的现势数据和与所述目标POI存在依附关系的其他POI的现势数据在内的与目标POI关联的网络媒体数据，结合经过训练的现势状态判断模型对目标POI的现势状态进行判断，不再需要低效的人工数据采集、上报以及审核的过程，从而有效保证了电子地图数据中的POI现势性。

请参见图9，为本发明实施例提供了一种POI现势状态获取设备的结构示意图。如图9所示，本发明实施例的POI现势状态获取设备可以包括：

网络信息获取模块910，用于获取与目标POI关联的网络信息特征数据。

所述与目标POI关联的网络信息特征数据包括与所述目标POI对应的无线接入点的接入数据、与所述目标POI关联的网络用户行为数据或与所述目标POI关联的网络媒体数据。

其中，网络信息获取模块910获取与目标POI关联的网络媒体数据包括：

收集第一时间段内的网络媒体文本信息；

根据目标POI名称从所述收集到的网络媒体文本信息中提取与目标POI相关的媒体文本片段，具体可以为根据全量POI名称集合和第一实体识别模型从所述收集到的网络媒体文本信息中提取与POI名称相关的媒体文本片段，所述第一实体识别模型包括AC自动机、条件随机场实体识别模型或双向长短期记忆条件随机场神经网络模型，进而根据所述目标POI名称从与POI名称相关的媒体文本片段中获取与目标POI相关的媒体文本片段，其中所述第一实体识别模型可以根据所述全量POI名称集合和多个已标注相关POI的媒体文本片段作为训练样本进行训练得到的；

对所述与目标POI相关的媒体文本片段进行自然语言处理，得到所述目标POI的现势数据作为与目标POI关联的网络媒体数据。具体可以包括在与目标POI相关的媒体文本片段中，对同时包含所述目标POI名称和其他POI名称的媒体文本片段进行自然语言处理，得到所述目标POI与其他POI之间的依附关系，然后根据与所述目标POI存在依附关系的其他POI的名称，从所述收集到的网络媒体文本信息中提取与所述目标POI存在依附关系的其他POI相关的媒体文本片段，进而分别对所述与目标POI相关的媒体文本片段和与所述目标POI存在依附关系其他POI相关的媒体文本片段进行自然语言处理，得到所述目标POI的现势数据和与所述目标POI存在依附关系的其他POI的现势数据作为与目标POI关联的网络媒体数据。

在可选实施例中，网络信息获取模块910还可以根据目标POI与其他POI之间的依附关系，将与目标POI存在依附关系的其他POI的网络信息特征数据作为目标POI关联的网络信息特征数据，即与目标POI关联的网络信息特征数据可以进一步包括与所述目标POI相关的网络信息特征数据和与所述目标POI存在依附关系的其他POI相关的网络信息特征数据。

现势特征转化模块920，用于将获取到的网络信息特征数据转化为对应的现势特征向量。

现势状态判断模块930，用于将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态。

现势状态判断模块930将转化得到的目标POI的现势特征向量输入现势状态判断模型，就可以判定得到目标POI的现势状态。

具体实现中，现势状态判断模型可以采用GBDT(Gradient Boosting DecisionTree，梯度提升决策树)，XGboost机器学习函数库或DNN(Deep Neural Networks,深度神经网络)等机器学习模型。

在可选实施例中，现势状态判断模型可以由至少两个现势状态判断子模型融合得到，其中每个现势状态判断子模型与至少一种现势特征向量对应。

现势状态输出模块940，用于输出所述目标POI的现势状态。

具体的，现势状态输出模块940可以用于在电子地图数据中标注所述目标POI的现势状态；或用于在根据POI检索请求进行POI查询时，若查询到满足所述POI检索请求的多个POI中包括所述目标POI，则在返回的POI查询结果中携带所述多个POI中排除所述目标POI的其他POI，或在返回的POI查询结果中将所述目标POI在所述多个POI中的显示排序设置在最后。

在可选实施例中，POI现势状态获取设备进一步还可以包括：

判断模型训练模块950，用于根据多个已标注现势状态的POI以及获取到的与各个已标注现势状态的POI对应的现势特征向量，对所述现势状态判断模型进行训练。即现势状态判断模型可以是判断模型训练模块950根据多个已标注现势状态的POI以及获取到的与各个已标注现势状态的POI对应的现势特征向量进行训练得到的，多个已标注现势状态的POI对应的现势状态即为训练样本。而所述与各个已标注现势状态的POI对应的现势特征向量，可以由现势特征转化模块920根据各个已标注现势状态的POI的网络信息特征数据转化得到。可以理解的是，经过不断训练的现势状态判断模型，将多个样本POI的现势特征向量代入现势状态判断模型进行现势状态的判断结果能够不断逼近所述多个样本POI的标注结果，最终将判断结果最逼近样本POI标注结果的现势状态判断模型确定为训练得到的现势状态判断模型。

若现势状态判断模型由至少两个现势状态判断子模型融合得到，判断模型训练模块950可以根据多个已标注现势状态的POI(即样本POI)以及获取到的各个已标注现势状态的POI的现势特征向量，对相应的现势状态判断子模型进行训练，可以理解的是，经过不断训练的现势状态判断子模型，将多个样本POI的现势特征向量代入现势状态判断子模型进行现势状态的判断结果能够不断逼近所述多个样本POI的标注结果，最终将判断结果最逼近样本POI标注结果的现势状态判断子模型确定为训练得到的现势状态判断子模型；

接着判断模型训练模块950根据多个已标注现势状态的POI、获取到的与各个已标注现势状态的POI对应的现势特征向量以及所述经过训练的至少两个现势状态判断子模型，对所述现势状态判断模型中对应每个现势状态判断子模型的融合参数进行训练。从而根据经过训练的至少两个现势状态判断子模型与经过训练的对应每个现势状态判断子模型的融合参数得到经过训练的现势状态判断模型。

本实施例中的POI现势状态获取设备根据目标POI关联的网络信息特征数据和现势状态判断模型，能够实现快速判断目标POI的现势状态，不再需要低效的人工数据采集、上报以及审核的过程，从而有效保证了电子地图数据中的POI现势性。

本发明实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1-图8所示实施例的方法步骤，具体执行过程可以参见图1-图8所示实施例的具体说明，在此不进行赘述。

请参见图10，为本发明实施例提供了一种服务器的结构示意图。如图10所示，所述服务器1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图10所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及POI现势状态获取程序。

在具体实现中，本发明实施例中的服务器可以采用Hadoop(一个能够对大量数据进行分布式处理的软件框架)和Hive(基于Hadoop的一个数据仓库工具)等大数据处理技术，部署在由数百台物理机组成的物理集群上。可以在集群中采用Hive数据库汇总存储收集到的各种网络信息特征数据，然后使用Mapreduce(一种分布式计算框架模型)进行特征抽取和初步的特征工程计算，抽取之后写入非结构化数据库(如BDB，Berkeley DB数据库)保存以备使用。

在图10所示的服务器1000中，网络接口1004主要用于与外部设备进行数据通信，例如从外部设备获取与目标POI关联的网络信息特征数据以及向外部设备输出POI的现势状态；而处理器1001可以用于调用存储器1005中存储的路况信息获取应用程序，并具体执行以下操作：

获取与目标POI关联的网络信息特征数据；

将获取到的网络信息特征数据转化为对应的现势特征向量；

将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态；

输出所述目标POI的现势状态。

在一个实施例中，所述与目标POI关联的网络信息特征数据包括与所述目标POI相关的网络信息特征数据和与所述目标POI存在依附关系的其他POI相关的网络信息特征数据。

在一个实施例中，所述与目标POI关联的网络信息特征数据包括与所述目标POI对应的无线接入点的接入数据、与所述目标POI关联的网络用户行为数据或与所述目标POI关联的网络媒体数据。

在一个实施例中，所述处理器1001执行获取与目标POI关联的网络媒体数据具体包括：

收集第一时间段内的网络媒体文本信息；

根据目标POI名称从所述收集到的网络媒体文本信息中提取与目标POI相关的媒体文本片段；

对所述与目标POI相关的媒体文本片段进行自然语言处理，得到所述目标POI的现势数据作为与目标POI关联的网络媒体数据。

在一个实施例中，所述处理器1001执行根据目标POI名称从所述收集到的网络媒体文本信息中提取与目标POI相关的媒体文本片段具体包括：

根据全量POI名称集合和第一实体识别模型从所述收集到的网络媒体文本信息中提取与POI名称相关的媒体文本片段，所述第一实体识别模型包括AC自动机、条件随机场实体识别模型或双向长短期记忆条件随机场神经网络模型；

根据所述目标POI名称从与POI名称相关的媒体文本片段中获取与目标POI相关的媒体文本片段。

在一个实施例中，所述处理器1001在执行根据全量POI名称集合和第一实体识别模型从所述收集到的网络媒体文本信息中提取与POI名称相关的媒体文本片段之前，还执行以下操作：

根据所述全量POI名称集合和多个已标注相关POI的媒体文本片段，对所述第一实体识别模型进行训练。

在一个实施例中，所述处理器1001执行对所述与目标POI相关的媒体文本片段进行自然语言处理，得到所述目标POI的现势数据作为与目标POI关联的网络媒体数据具体包括：

在与目标POI相关的媒体文本片段中，对同时包含所述目标POI名称和其他POI名称的媒体文本片段进行自然语言处理，得到所述目标POI与其他POI之间的依附关系；

根据与所述目标POI存在依附关系的其他POI的名称，从所述收集到的网络媒体文本信息中提取与所述目标POI存在依附关系的其他POI相关的媒体文本片段；

分别对所述与目标POI相关的媒体文本片段和与所述目标POI存在依附关系其他POI相关的媒体文本片段进行自然语言处理，得到所述目标POI的现势数据和与所述目标POI存在依附关系的其他POI的现势数据作为与目标POI关联的网络媒体数据。

在一个实施例中，所述处理器1001在执行将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态之前，还执行以下操作：

根据多个已标注现势状态的POI以及获取到的与各个已标注现势状态的POI对应的现势特征向量，对所述现势状态判断模型进行训练。

在一个实施例中，所述现势状态判断模型由至少两个现势状态判断子模型融合得到，其中每个现势状态判断子模型与至少一种现势特征向量对应。

进而所述处理器1001在执行将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态之前，还执行以下操作：

根据多个已标注现势状态的POI以及获取到的各个已标注现势状态的POI的现势特征向量，对相应的现势状态判断子模型进行训练；

并根据多个已标注现势状态的POI、获取到的与各个已标注现势状态的POI对应的现势特征向量以及所述经过训练的至少两个现势状态判断子模型，对所述现势状态判断模型中对应每个现势状态判断子模型的融合参数进行训练。

在一个实施例中，所述处理器1001执行输出所述目标POI的现势状态具体包括：

在电子地图数据中标注所述目标POI的现势状态。

在另一个实施例中，所述处理器1001执行输出所述目标POI的现势状态具体包括：

在根据POI检索请求进行POI查询时，若查询到满足所述POI检索请求的多个POI中包括所述目标POI，则在返回的POI查询结果中携带所述多个POI中排除所述目标POI的其他POI，或在返回的POI查询结果中将所述目标POI在所述多个POI中的显示排序设置在最后。

本实施例中的服务器可以根据目标POI关联的网络信息特征数据和现势状态判断模型，实现快速判断目标POI的现势状态，不再需要低效的人工数据采集、上报以及审核的过程，从而有效保证了电子地图数据中的POI现势性。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (13)

1.一种POI现势状态获取方法，其特征在于，所述方法包括：

收集第一时间段内的网络媒体文本信息；

根据目标POI名称从所述收集到的网络媒体文本信息中提取与目标POI相关的媒体文本片段；

在与目标POI相关的媒体文本片段中，对同时包含所述目标POI名称和其他POI名称的媒体文本片段进行自然语言处理，得到所述目标POI与其他POI之间的依附关系；

根据与所述目标POI存在依附关系的其他POI的名称，从所述收集到的网络媒体文本信息中提取与所述目标POI存在依附关系的其他POI相关的媒体文本片段；

分别对所述与目标POI相关的媒体文本片段和与所述目标POI存在依附关系的 其他POI相关的媒体文本片段进行自然语言处理，得到所述目标POI的现势数据和与所述目标POI存在依附关系的其他POI的现势数据作为与目标POI关联的网络媒体数据；

将与目标POI关联的网络信息特征数据转化为对应的现势特征向量，所述与目标POI关联的网络信息特征数据包括与所述目标POI关联的网络媒体数据；

将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态；

输出所述目标POI的现势状态。

2.如权利要求1所述的方法，其特征在于，所述与目标POI关联的网络信息特征数据包括与所述目标POI相关的网络信息特征数据和与所述目标POI存在依附关系的其他POI相关的网络信息特征数据。

3.如权利要求1所述的方法，其特征在于，所述与目标POI关联的网络信息特征数据还包括与所述目标POI对应的无线接入点的接入数据或与所述目标POI关联的网络用户行为数据。

4.如权利要求1所述的方法，其特征在于，所述根据目标POI名称从所述收集到的网络媒体文本信息中提取与目标POI相关的媒体文本片段包括：

根据全量POI名称集合和第一实体识别模型从所述收集到的网络媒体文本信息中提取与POI名称相关的媒体文本片段，所述第一实体识别模型包括AC自动机、条件随机场实体识别模型或双向长短期记忆条件随机场神经网络模型；

根据所述目标POI名称从与POI名称相关的媒体文本片段中获取与目标POI相关的媒体文本片段。

5.如权利要求4所述的方法，其特征在于，所述根据全量POI名称集合和第一实体识别模型从所述收集到的网络媒体文本信息中提取与POI名称相关的媒体文本片段之前还包括：

根据所述全量POI名称集合和多个已标注相关POI的媒体文本片段，对所述第一实体识别模型进行训练。

6.如权利要求1所述的方法，其特征在于，所述将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态之前还包括：

根据多个已标注现势状态的POI以及获取到的与各个已标注现势状态的POI对应的现势特征向量，对所述现势状态判断模型进行训练。

7.如权利要求1所述的方法，其特征在于，所述现势状态判断模型由至少两个现势状态判断子模型融合得到，其中每个现势状态判断子模型与至少一种现势特征向量对应。

8.如权利要求7所述的方法，其特征在于，所述将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态之前还包括：

根据多个已标注现势状态的POI以及获取到的各个已标注现势状态的POI的现势特征向量，对相应的现势状态判断子模型进行训练；

并根据多个已标注现势状态的POI、获取到的与各个已标注现势状态的POI对应的现势特征向量以及经过训练的至少两个现势状态判断子模型，对所述现势状态判断模型中对应每个现势状态判断子模型的融合参数进行训练。

9.如权利要求1-8中任一项所述的方法，其特征在于，所述输出所述目标POI的现势状态包括：

在电子地图数据中标注所述目标POI的现势状态。

10.如权利要求1-8中任一项所述的方法，其特征在于，所述输出所述目标POI的现势状态包括：

在根据POI检索请求进行POI查询时，若查询到满足所述POI检索请求的多个POI中包括所述目标POI，则在返回的POI查询结果中携带所述多个POI中排除所述目标POI的其他POI，或在返回的POI查询结果中将所述目标POI在所述多个POI中的显示排序设置在最后。

11.一种POI现势状态获取设备，其特征在于，所述设备包括：

网络信息获取模块，用于收集第一时间段内的网络媒体文本信息；根据目标POI名称从所述收集到的网络媒体文本信息中提取与目标POI相关的媒体文本片段；在与目标POI相关的媒体文本片段中，对同时包含所述目标POI名称和其他POI名称的媒体文本片段进行自然语言处理，得到所述目标POI与其他POI之间的依附关系；根据与所述目标POI存在依附关系的其他POI的名称，从所述收集到的网络媒体文本信息中提取与所述目标POI存在依附关系的其他POI相关的媒体文本片段；分别对所述与目标POI相关的媒体文本片段和与所述目标POI存在依附关系的 其他POI相关的媒体文本片段进行自然语言处理，得到所述目标POI的现势数据和与所述目标POI存在依附关系的其他POI的现势数据作为与目标POI关联的网络媒体数据；

现势特征转化模块，用于将与目标POI关联的网络信息特征数据转化为对应的现势特征向量，所述与目标POI关联的网络信息特征数据包括与所述目标POI关联的网络媒体数据；

现势状态判断模块，用于将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态；

现势状态输出模块，用于输出所述目标POI的现势状态。

12.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行以下步骤：

收集第一时间段内的网络媒体文本信息；

根据目标POI名称从所述收集到的网络媒体文本信息中提取与目标POI相关的媒体文本片段；

在与目标POI相关的媒体文本片段中，对同时包含所述目标POI名称和其他POI名称的媒体文本片段进行自然语言处理，得到所述目标POI与其他POI之间的依附关系；

根据与所述目标POI存在依附关系的其他POI的名称，从所述收集到的网络媒体文本信息中提取与所述目标POI存在依附关系的其他POI相关的媒体文本片段；

分别对所述与目标POI相关的媒体文本片段和与所述目标POI存在依附关系的 其他POI相关的媒体文本片段进行自然语言处理，得到所述目标POI的现势数据和与所述目标POI存在依附关系的其他POI的现势数据作为与目标POI关联的网络媒体数据；

将与目标POI关联的网络信息特征数据转化为对应的现势特征向量，所述与目标POI关联的网络信息特征数据包括与所述目标POI关联的网络媒体数据；

将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态；

输出所述目标POI的现势状态。

13.一种服务器，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行以下步骤：

收集第一时间段内的网络媒体文本信息；

根据目标POI名称从所述收集到的网络媒体文本信息中提取与目标POI相关的媒体文本片段；

在与目标POI相关的媒体文本片段中，对同时包含所述目标POI名称和其他POI名称的媒体文本片段进行自然语言处理，得到所述目标POI与其他POI之间的依附关系；

根据与所述目标POI存在依附关系的其他POI的名称，从所述收集到的网络媒体文本信息中提取与所述目标POI存在依附关系的其他POI相关的媒体文本片段；

分别对所述与目标POI相关的媒体文本片段和与所述目标POI存在依附关系的 其他POI相关的媒体文本片段进行自然语言处理，得到所述目标POI的现势数据和与所述目标POI存在依附关系的其他POI的现势数据作为与目标POI关联的网络媒体数据；

将与目标POI关联的网络信息特征数据转化为对应的现势特征向量，所述与目标POI关联的网络信息特征数据包括与所述目标POI关联的网络媒体数据；

将转化得到的目标POI的现势特征向量输入现势状态判断模型，得到目标POI的现势状态；

输出所述目标POI的现势状态。

Images