[发明专利]城市功能区的样本标注方法及装置、电子设备和存储介质

权利要求书

1.一种城市功能区的样本标注方法，其特征在于，包括：

获取至少一个城市功能区；

利用预定义的稀疏主题模型确定每个所述城市功能区的主题概率分布，选择主题概率分布符合设定条件的城市功能区作为纯净样本，并标注所述纯净样本中每个城市功能区的类别；

基于第一分类模型和所述城市功能区的已知类别，确定每个未标注城市功能区的类别隶属度信息熵，确定隶属度信息熵大于第一阈值的未标注城市功能区为混淆样本；

基于第二分类模型对所述混淆样本进行分类识别，确定所述混淆样本中每个未标注城市功能区的类别。

2.根据权利要求1所述的城市功能区的样本标注方法，其特征在于，利用预定义的稀疏主题模型确定每个所述城市功能区的主题概率分布，包括：

提取每个城市功能区的多个特征，确定每个城市功能区中每个特征的出现次数以及每个城市功能区中所有特征的出现次数；

基于所述稀疏主题模型，确定每个城市功能区对应的至少一个主题，其中，所述稀疏主题模型包含多个主题；

基于所述稀疏主题模型，根据每个城市功能区中每个特征的出现次数、每个城市功能区中所有特征的出现次数以及每个城市功能区对应的至少一个主题，确定每个城市功能区的每个特征在每个主题中的出现概率以及每个所述城市功能区对于每个主题的主题概率分布。

3.根据权利要求1所述的城市功能区的样本标注方法，其特征在于，选择主题概率分布符合设定条件的城市功能区作为纯净样本，包括：选择主题概率分布的最高值大于第二阈值的城市功能区作为纯净样本。

4.根据权利要求2所述的城市功能区的样本标注方法，其特征在于，在基于第一分类模型和所述城市功能区的已知类别，确定每个未标注城市功能区的类别隶属度信息熵之前，所述方法还包括：

基于作为纯净样本的每个城市功能区的多个特征以及类别作为训练数据，训练第一分类模型；

在基于第二分类模型对每个所述混淆样本进行分类识别之前，所述方法还包括：

基于作为纯净样本的每个城市功能区的多个特征以及类别作为训练数据，训练第二分类模型。

5.根据权利要求4所述的城市功能区的样本标注方法，其特征在于，基于第一分类模型和所述城市功能区的已知类别，确定每个未标注城市功能区的类别隶属度信息熵，包括：

通过深度森林分类模型对每个未标注城市功能区进行分类，确定每个未标注城市功能区对于每个已知类别的类别隶属度；

根据每个未标注城市功能区对于每个已知类别的类别隶属度，确定每个未标注城市功能区的类别隶属度信息熵。

6.根据权利要求4所述的城市功能区的样本标注方法，其特征在于，基于第二分类模型对所述混淆样本进行分类识别，确定所述混淆样本中每个未标注城市功能区的类别，包括：

基于中国餐馆模型，根据作为混淆样本的每个所述未标注城市功能区的多个特征以及已标注城市功能区的多个特征，确定每个所述未标注城市功能区与已标注城市功能区的相似度；

将相似度最大值对应的已标注城市功能区的类别作为所述混淆样本中每个所述未标注城市功能区的类别。

7.根据权利要求6所述的城市功能区的样本标注方法，其特征在于，所述方法还包括：

判断所述相似度最大值是否小于设定的第三阈值，若是，为所述未标注城市功能区指定一个新类别；

将所述新类别作为已知类别，继续基于第一分类模型和所述城市功能区的已知类别，确定每个未标注城市功能区的类别隶属度信息熵。