[发明专利]用于优化兴趣点标签的方法和装置

权利要求书

1.一种用于优化兴趣点标签的方法，包括：

获取兴趣点集合和所述兴趣点集合中的兴趣点的标签集合；

基于所述兴趣点集合和所述兴趣点集合中的兴趣点的标签集合，生成兴趣点-标签矩阵；

提取所述兴趣点-标签矩阵中的兴趣点-标签的特征；

将所述兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵；

基于所述兴趣点-标签分数矩阵，优化所述兴趣点集合中的兴趣点的标签集合。

2.根据权利要求1所述的方法，其中，兴趣点-标签的特征包括以下至少一项：兴趣点的属性特征、兴趣点的画像特征、标签的画像特征、兴趣点的标签特征和标签的标签特征。

3.根据权利要求2所述的方法，其中，所述提取所述兴趣点-标签矩阵中的兴趣点-标签的特征，包括：

对于所述兴趣点-标签矩阵中的兴趣点，确定该兴趣点的历史访问用户和/或历史检索用户；聚合该兴趣点的历史访问用户和/或历史检索用户的用户画像，得到该兴趣点的画像特征；对于所述兴趣点-标签矩阵中的标签，确定属于该标签的兴趣点；基于属于该标签的兴趣点的画像特征，生成该标签的画像特征；和/或

对于所述兴趣点-标签矩阵中的兴趣点，基于地图检索数据，确定该兴趣点的临接兴趣点；统计该兴趣点的临接兴趣点的标签分布，得到该兴趣点的标签特征；对于所述兴趣点-标签矩阵中的标签，确定属于该标签的兴趣点；基于属于该标签的兴趣点的标签特征，生成该标签的标签特征。

4.根据权利要求3所述的方法，其中，所述基于属于该标签的兴趣点的画像特征，生成该标签的画像特征，包括：

计算属于该标签的兴趣点的画像特征的平均值，作为该标签的画像特征，以及

所述基于属于该标签的兴趣点的标签特征，生成该标签的标签特征，包括：

计算属于该标签的兴趣点的标签特征的平均值，作为该标签的标签特征。

5.根据权利要求1所述的方法，其中，在所述将所述兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵之前，还包括：

将预先训练的第一机器学习模型、第二机器学习模型和预测模型相融合，得到所述三元自适应协同学习模型，其中，所述第一机器学习模型是基于所述兴趣点-标签矩阵中的兴趣点建立的，所述第二机器学习模型是基于所述兴趣点-标签矩阵中的标签建立的，所述预测模型是基于所述兴趣点-标签矩阵中的兴趣点建立的。

6.根据权利要求5所述的方法，其中，所述第一机器学习模型、所述第二机器学习模型和所述预测模型通过如下步骤训练得到：

通过非负矩阵分解的方式，建立从所述兴趣点-标签矩阵到QR的分解过程，得到分解损失函数，其中，QR是所述兴趣点-标签矩阵正交三角分解的结果，Q是正交矩阵，R是上三角矩阵；

建立从兴趣点到标签的匹配模型，其中，所述匹配模型是基于所述第一机器学习模型与所述第二机器学习模型的转置的乘积建立的；

通过交叉熵的方式优化所述第一机器学习模型和所述第二机器学习模型，得到第一损失函数；

基于所述第一机器学习模型、所述第二机器学习模型和QR，得到第二损失函数、第三损失函数和第四损失函数；

对所述第一损失函数、所述第二损失函数、所述第三损失函数和所述第四损失函数进行加权求和，得到所述第一机器学习模型和所述第二机器学习模型的损失函数；

通过交叉熵的方式优化所述预测模型，得到第五损失函数；

基于所述预测模型和QR，得到第六损失函数；

对所述第五损失函数和所述第六损失函数进行加权求和，得到所述预测模型的损失函数；

最小化所述分解损失函数、所述第一机器学习模型和所述第二机器学习模型的损失函数以及所述预测模型的损失函数的加权和，训练得到所述第一机器学习模型、所述第二机器学习模型和所述预测模型的。