地理兴趣点的确定方法和地理兴趣点确定模型的训练方法与流程

1.本公开涉及互联网技术领域，尤其涉及一种地理兴趣点的确定方法、地理兴趣点确定模型的训练方法、装置、电子设备和计算机可读存储介质。


背景技术：

2.随着互联网技术的发展，在诸如短视频或者直播等互联网消费场景中，基于地理位置实现信息推荐的技术也随之发展，其中，利用地理兴趣点实现信息推荐的技术则是这种基于地理位置的信息推荐技术的常规手段之一，例如可以在向帐户推荐短视频过程中，可以为其推荐附近商店的商店信息以及优惠券信息等。
3.相关技术中，目前利用地理兴趣点实现信息推荐的技术中，地理兴趣点的确定主要采取距离优先的确定原则，也就是将与帐户当前位置距离较近的地理兴趣点的作为需要进行信息推荐的地理兴趣点，因此，目前地理兴趣点的确定较为简单，不够智能化。


技术实现要素：

4.本公开提供一种地理兴趣点的确定方法、地理兴趣点确定模型的训练方法、装置、电子设备和计算机可读存储介质，以至少解决相关技术中地理兴趣点的确定较为简单，不够智能化的问题。本公开的技术方案如下：
5.根据本公开实施例的第一方面，提供一种地理兴趣点的确定方法，包括：
6.根据帐户的帐户属性信息，确定与所述帐户匹配的初始地理兴趣点；
7.获取与所述初始地理兴趣点对应的地理兴趣点属性信息；
8.根据所述地理兴趣点属性信息和所述帐户属性信息，输入训练完成的地理兴趣点确定模型，得到所述帐户针对于所述初始地理兴趣点的访问概率；
9.根据所述访问概率，从所述初始地理兴趣点中筛选出与所述帐户对应的目标地理兴趣点。
10.在一示例性实施例中，所述根据所述地理兴趣点属性信息和所述帐户属性信息，得到所述帐户针对于所述初始地理兴趣点的访问概率，包括：将所述地理兴趣点属性信息和所述帐户属性信息，输入训练完成的地理兴趣点确定模型，得到所述访问概率；所述地理兴趣点确定模型，为根据样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和所述样本帐户针对于所述样本地理兴趣点的实际访问概率，对待训练的地理兴趣点确定模型进行训练得到的。
11.在一示例性实施例中，所述根据帐户的帐户属性信息，确定与所述帐户匹配的初始地理兴趣点，包括：根据所述帐户属性信息，获取候选地理兴趣点；获取所述候选地理兴趣点对应的候选兴趣点属性信息；基于所述候选兴趣点属性信息从所述候选地理兴趣点中确定出所述初始地理兴趣点。
12.在一示例性实施例中，所述帐户属性信息包括所述帐户的帐户位置；所述根据所述帐户属性信息，获取候选地理兴趣点，包括：将与所述帐户位置的距离小于预设距离阈值
的地理兴趣点作为所述候选地理兴趣点。
13.在一示例性实施例中，所述从所述初始地理兴趣点中筛选出与所述帐户对应的目标地理兴趣点之后，还包括：根据所述目标地理兴趣点的访问概率，获取与所述目标地理兴趣点相关联的推荐信息；将所述推荐信息推送至所述帐户。
14.在一示例性实施例中，所述根据所述目标地理兴趣点的访问概率，获取与所述目标地理兴趣点相关联的推荐信息，包括：按照所述目标地理兴趣点的访问概率，获取所述目标地理兴趣点的推荐顺序信息；按照所述推荐顺序信息，获取与所述目标地理兴趣点相关联的推荐信息。
15.根据本公开实施例的第二方面，提供一种地理兴趣点确定模型的训练方法，包括：
16.获取样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和所述样本帐户针对于所述样本地理兴趣点的实际访问概率；
17.提取所述样本帐户属性信息对应的样本帐户特征，以及所述样本地理兴趣点属性信息对应的样本兴趣点特征；
18.将所述样本帐户特征以及所述样本兴趣点特征，输入待训练的地理兴趣点确定模型，得到所述样本帐户针对于所述样本地理兴趣点的预测访问概率；
19.根据所述实际访问概率与所述预测访问概率，对所述待训练的地理兴趣点确定模型进行训练，得到所述训练完成的地理兴趣点确定模型。
20.在一示例性实施例中，所述得到训练完成的地理兴趣点确定模型之后，还包括：从所述样本帐户属性信息以及所述样本地理兴趣点属性信息中，获取用于对所述训练完成的地理兴趣点确定模型进行模型调优的验证数据；将所述验证数据输入所述训练完成的地理兴趣点确定模型，利用所述验证数据对应的实际访问概率，对所述训练完成的地理兴趣点确定模型进行模型调优。
21.在一示例性实施例中，所述对所述训练完成的地理兴趣点确定模型进行模型调优之后，还包括：从所述样本帐户属性信息以及所述样本地理兴趣点属性信息中，获取用于对模型调优后的地理兴趣点确定模型进行测试的测试数据；将所述测试数据输入所述模型调优后的地理兴趣点确定模型，利用所述测试数据对应的实际访问概率，对所述模型调优后的地理兴趣点确定模型进行测试。
22.根据本公开实施例的第三方面，提供一种地理兴趣点的确定装置，包括：
23.初始兴趣点确定单元，被配置为执行根据帐户的帐户属性信息，确定与所述帐户匹配的初始地理兴趣点；
24.兴趣点属性获取单元，被配置为执行获取与所述初始地理兴趣点对应的地理兴趣点属性信息；
25.访问概率获取单元，被配置为执行根据所述地理兴趣点属性信息和所述帐户属性信息，得到所述帐户针对于所述初始地理兴趣点的访问概率；
26.目标兴趣点确定单元，被配置为执行根据所述访问概率，从所述初始地理兴趣点中筛选出与所述帐户对应的目标地理兴趣点。
27.在一示例性实施例中，所述访问概率获取单元，进一步被配置为执行将所述地理兴趣点属性信息和所述帐户属性信息，输入训练完成的地理兴趣点确定模型，得到所述访问概率；所述地理兴趣点确定模型，为根据样本帐户的样本帐户属性信息、样本地理兴趣点
的样本地理兴趣点属性信息和所述样本帐户针对于所述样本地理兴趣点的实际访问概率，对待训练的地理兴趣点确定模型进行训练得到的。
28.在一示例性实施例中，所述初始兴趣点确定单元，进一步被配置为执行根据所述帐户属性信息，获取候选地理兴趣点；获取所述候选地理兴趣点对应的候选兴趣点属性信息；基于所述候选兴趣点属性信息从所述候选地理兴趣点中确定出所述初始地理兴趣点。
29.在一示例性实施例中，所述帐户属性信息包括所述帐户的帐户位置；所述初始兴趣点确定单元，进一步被配置为执行将与所述帐户位置的距离小于预设距离阈值的地理兴趣点作为所述候选地理兴趣点。
30.在一示例性实施例中，所述地理兴趣点的确定装置，还包括：推荐信息推送单元，被配置为执行根据所述目标地理兴趣点的访问概率，获取与所述目标地理兴趣点相关联的推荐信息；将所述推荐信息推送至所述帐户。
31.在一示例性实施例中，所述推荐信息推送单元，进一步被配置为执行按照所述目标地理兴趣点的访问概率，获取所述目标地理兴趣点的推荐顺序信息；按照所述推荐顺序信息，获取与所述目标地理兴趣点相关联的推荐信息。
32.根据本公开实施例的第四方面，提供一种地理兴趣点确定模型的训练装置，包括：
33.样本信息获取单元，被配置为执行获取样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和所述样本帐户针对于所述样本地理兴趣点的实际访问概率；
34.样本特征提取单元，被配置为执行提取所述样本帐户属性信息对应的样本帐户特征，以及所述样本地理兴趣点属性信息对应的样本兴趣点特征；
35.预测概率获取单元，被配置为执行将所述样本帐户特征以及所述样本兴趣点特征，输入待训练的地理兴趣点确定模型，得到所述样本帐户针对于所述样本地理兴趣点的预测访问概率；
36.模型训练单元，被配置为执行根据所述实际访问概率与所述预测访问概率，对所述待训练的地理兴趣点确定模型进行训练，得到所述训练完成的地理兴趣点确定模型。
37.在一示例性实施例中，所述地理兴趣点确定模型的训练装置，还包括：模型调优模块，被配置为执行从所述样本帐户属性信息以及所述样本地理兴趣点属性信息中，获取用于对所述训练完成的地理兴趣点确定模型进行模型调优的验证数据；将所述验证数据输入所述训练完成的地理兴趣点确定模型，利用所述验证数据对应的实际访问概率，对所述训练完成的地理兴趣点确定模型进行模型调优。
38.在一示例性实施例中，所述地理兴趣点确定模型的训练装置，还包括：被配置为执行从所述样本帐户属性信息以及所述样本地理兴趣点属性信息中，获取用于对模型调优后的地理兴趣点确定模型进行测试的测试数据；将所述测试数据输入所述模型调优后的地理兴趣点确定模型，利用所述测试数据对应的实际访问概率，对所述模型调优后的地理兴趣点确定模型进行测试。
39.根据本公开实施例的第五方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如第一方面中任一项实施例所述的地理兴趣点的确定方法，或者如第二方面中任一项实施例所述的地理兴趣点确定模型的训练方法。
40.根据本公开实施例的第四方面，提供一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面中任一项实施例所述的地理兴趣点的确定方法，或者如第二方面中任一项实施例所述的地理兴趣点确定模型的训练方法。
41.根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品中包括指令，所述指令被电子设备的处理器执行时，使得所述电子设备能够执行如第一方面中任一项实施例所述的地理兴趣点的确定方法，或者如第二方面中任一项实施例所述的地理兴趣点确定模型的训练方法。
42.本公开的实施例提供的技术方案至少带来以下有益效果：
43.通过根据帐户的帐户属性信息，确定与帐户匹配的初始地理兴趣点；获取与初始地理兴趣点对应的地理兴趣点属性信息；根据地理兴趣点属性信息和帐户属性信息，得到帐户针对于初始地理兴趣点的访问概率；根据访问概率，从初始地理兴趣点中筛选出与帐户对应的目标地理兴趣点。本公开通过帐户的帐户属性，以及该帐户对应的初始地理兴趣点的属性，进而可以筛选出可以用于信息推荐的目标地理兴趣点，相比于直接将与帐户位置距离接近的地理兴趣点作为用于信息推荐的地理兴趣点，本公开提供的地理兴趣点的确定方法可以结合帐户属性以及地理兴趣点的属性进行地理兴趣点的确定，从而可以提高地理兴趣点的确定的智能性。
44.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
45.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
46.图1是根据一示例性实施例示出的一种地理兴趣点的确定方法的流程图。
47.图2是根据一示例性实施例示出的确定与帐户匹配的初始地理兴趣点的流程图。
48.图3是根据一示例性实施例示出的一种地理兴趣点确定模型的训练方法的流程图。
49.图4是根据一示例性实施例示出的对地理兴趣点确定模型进行模型调优的流程图。
50.图5是根据一示例性实施例示出的对地理兴趣点确定模型进行模型测试的流程图。
51.图6是根据一示例性实施例示出的地理兴趣点推荐方法中模型训练的流程图。
52.图7是根据一示例性实施例示出的地理兴趣点推荐方法中线上应用的流程图。
53.图8是根据一示例性实施例示出的一种地理兴趣点的确定装置的框图。
54.图9是根据一示例性实施例示出的一种地理兴趣点确定模型的训练装置的框图。
55.图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
56.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公
开实施例中的技术方案进行清楚、完整地描述。
57.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
58.还需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
59.图1是根据一示例性实施例示出的一种地理兴趣点的确定方法的流程图，如图1所示，地理兴趣点的确定方法可以用于终端中，包括以下步骤。
60.在步骤s101中，根据帐户的帐户属性信息，确定与所述帐户匹配的初始地理兴趣点。
61.其中，初始地理兴趣点是预先根据该帐户的帐户属性确定出的地理兴趣点，该帐户可以是需要对其进行地理兴趣点相关的推荐信息进行推荐的帐户，帐户属性信息则指的是需要进行推荐信息推荐的帐户的帐户属性，例如可以包括该帐户的当前位置、该帐户倾向于浏览哪种类型的地理兴趣点，可以是餐饮类型、购物类型或者景区类型倾向的地理兴趣点，以及该帐户是否有浏览地理兴趣点的偏好等等相关的帐户属性。具体来说，当终端需要向帐户推荐携带有地理兴趣点相关信息的推荐信息时，可以首先采集该帐户的帐户属性信息，并基于该帐户的帐户属性信息确定出与该帐户的帐户属性相匹配的地理兴趣点，作为初始地理兴趣点。
62.例如，某个帐户倾向于浏览餐饮类型的地理兴趣点时，那么终端则可以从多种地理兴趣点中确定出餐饮类型的地理兴趣点作为初始地理兴趣点，而如果某个帐户倾向于浏览购物类型的地理兴趣点时，终端则可以从多种地理兴趣点中筛选出购物类型的地理兴趣点作为初始地理兴趣点。另外，也可以是根据帐户的位置确定初始地理兴趣点，即也可以是将该帐户当前位置附近的地理兴趣点作为初始地理兴趣点。
63.步骤s102，获取与初始地理兴趣点对应的地理兴趣点属性信息。
64.地理兴趣点属性信息则指的是步骤s101中得到的初始地理兴趣点对应的属性信息，例如可以包括：初始地理兴趣点的兴趣点位置、初始地理兴趣点的类型、初始地理兴趣点的访问次数以及初始地理兴趣点的信息完整程度等等。具体来说，终端确定出初始地理兴趣点之后，则可以获取该初始地理兴趣点对应的属性信息作为初始地理兴趣点对应的地理兴趣点属性信息。
65.步骤s103，根据地理兴趣点属性信息和帐户属性信息，得到帐户针对于初始地理兴趣点的访问概率；
66.步骤s104，根据访问概率，从初始地理兴趣点中筛选出与帐户对应的目标地理兴趣点。
67.访问概率可以用于表征该帐户访问初始地理兴趣点的可能性，访问概率越大，则表明该帐户访问初始地理兴趣点的可能性越大，目标地理兴趣点则指的是最终确定出的地
理兴趣点，该地理兴趣点可用于为帐户提供相关的推荐信息。具体来说，终端在得到初始地理兴趣点对应的地理兴趣点属性信息之后，则可以根据该帐户的帐户属性信息以及地理兴趣点属性信息得到该用户访问初始地理兴趣点的概率，比如通过训练完成的地理兴趣点确定模型，对地理兴趣点属性信息和帐户属性信息进行处理，得到帐户针对于初始地理兴趣点的访问概率；又比如，可以是预先采集有不同帐户属性的帐户针对于筛选出的初始地理兴趣点的访问情况，并且可以从该访问情况中找到与需要进行地理兴趣点推荐的帐户的帐户属性相匹配的帐户，并根据匹配帐户对初始地理兴趣点的访问情况，得到该帐户的访问概率后，还可以基于得到的访问概率，从初始地理兴趣点中筛选出最终用于为帐户进行信息推荐的目标地理兴趣点，例如可以是将访问概率大于某个预先设定的访问概率阈值的初始地理兴趣点作为目标地理兴趣点。
68.例如，可以预先采集有帐户a、帐户b、帐户c以及帐户d针对于某一个初始地理兴趣点a的访问情形，其中帐户a和帐户d的帐户属性和需要进行地理兴趣点相关的推荐信息进行推荐的帐户e的帐户属性信息匹配，并且帐户a访问了初始地理兴趣点a，而帐户d没有访问初始地理兴趣点a，那么则可以得到帐户e对于初始地理兴趣点a的访问概率为50％。
69.上述地理兴趣点的确定方法中，通过根据帐户的帐户属性信息，确定与帐户匹配的初始地理兴趣点；获取与初始地理兴趣点对应的地理兴趣点属性信息；根据地理兴趣点属性信息和帐户属性信息，得到帐户针对于初始地理兴趣点的访问概率；根据访问概率，从初始地理兴趣点中筛选出与帐户对应的目标地理兴趣点。本公开通过帐户的帐户属性，以及该帐户对应的初始地理兴趣点的属性，进而可以筛选出可以用于信息推荐的目标地理兴趣点，相比于直接将与帐户位置距离接近的地理兴趣点作为用于信息推荐的地理兴趣点，本公开提供的地理兴趣点的确定方法可以结合帐户属性以及地理兴趣点的属性进行地理兴趣点的确定，从而可以提高地理兴趣点的确定的智能性。
70.在一示例性实施例中，步骤s103可以进一步包括：将地理兴趣点属性信息和帐户属性信息，输入训练完成的地理兴趣点确定模型，得到访问概率；地理兴趣点确定模型，为根据样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和样本帐户针对于样本地理兴趣点的实际访问概率，对待训练的地理兴趣点确定模型进行训练得到的。
71.地理兴趣点确定模型是预先训练的，用于确定该帐户针对于初始地理兴趣点的访问概率的网络模型，该模型是通过预先采集的样本帐户属性信息、样本地理兴趣点属性信息以及样本帐户针对于样本地理兴趣点的实际访问概率训练得到，其中样本帐户属性信息指的是用于训练地理兴趣点确定模型的帐户的帐户属性信息，即样本帐户的帐户属性信息，而样本地理兴趣点属性信息则是用于训练地理兴趣点确定模型的地理兴趣点的属性信息，即样本地理兴趣点的属性信息，实际访问概率则是样本帐户针对样本地理兴趣点的访问概率，用于表征样本用户是否访问了样本地理兴趣点，该访问概率可以通过标签的形式进行展示。具体来说，终端可以预先采集有样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和样本帐户针对于样本地理兴趣点的实际访问概率，从而可以利用上述信息对待训练的地理兴趣点确定模型进行训练，进而得到训练完成的地理兴趣点确定模型。之后，在需要得到帐户针对于初始地理兴趣点的访问概率时，则可以将该帐户的帐户属性信息以及地理兴趣点属性信息输入预先训练完成的地理兴趣点确定模型，由地理
兴趣点确定模型输出得到该帐户访问各初始地理兴趣点的访问概率。
72.本实施例中，可以通过预先训练完成的地理兴趣点确定模型，得到帐户访问各初始地理兴趣点的访问概率，该地理兴趣点确定模型是根据样本帐户属性信息、样本地理兴趣点属性信息以及样本帐户针对于样本地理兴趣点的实际访问概率训练得到，从而可以提高得到的帐户针对于初始地理兴趣点的访问概率的准确性。
73.在一示例性实施例中，如图2所示，步骤s101可以进一步包括：
74.在步骤s201中，根据帐户属性信息，获取候选地理兴趣点。
75.本实施例中，为了防止直接根据帐户属性信息得到输入地理兴趣点确定模型的初始地理兴趣点的地理兴趣点属性信息数量过多，从而影响地理兴趣点确定模型的运算速度，本实施例中终端可以先对由帐户属性信息筛选出的地理兴趣点，即候选地理兴趣点进行初步筛选后，才得到用于将地理兴趣点属性信息输入地理兴趣点确定模型的初始地理兴趣点。具体来说，终端可以先根据该帐户的帐户属性信息从多个地理兴趣点中，确定出与帐户属性信息相适应的地理兴趣点，作为候选地理兴趣点。
76.在步骤s202中，获取候选地理兴趣点对应的候选兴趣点属性信息。
77.候选兴趣点属性信息指的是步骤s201中终端筛选出的候选地理兴趣点的属性信息，终端在确定出候选地理兴趣点后，则可以获取候选地理兴趣点的属性信息，作为候选兴趣点属性信息。
78.在步骤s203中，基于候选兴趣点属性信息从候选地理兴趣点中确定出初始地理兴趣点。
79.其中，从候选地理兴趣点中确定出初始地理兴趣点可以是基于预先设置的地理兴趣点筛选规则进行筛选，例如该规则可以是按照各候选地理兴趣点的访问次数进行筛选的筛选规则，即将得到的候选地理兴趣点中筛选出访问次数比较多的候选地理兴趣点作为初始地理兴趣点，该规则也可以是按照各候选地理兴趣点的帐户好评率进行筛选的筛选规则，也就是将得到的候选地理兴趣点中筛选出好评率比较高的候选地理兴趣点作为初始地理兴趣点，又或者是按照各候选地理兴趣点的位置进行筛选的筛选规则，即是将得到的候选地理兴趣点中筛选出位置与帐户当前位置比较接近的候选地理兴趣点作为初始地理兴趣点等等。
80.本实施例中，终端可以对根据帐户属性信息得到的候选地理兴趣点进行筛选后，才得到初始地理兴趣点，可以减少输入地理兴趣点确定模型的初始地理兴趣点的地理兴趣点属性信息数量，从而提高地理兴趣点确定模型的运算速度。
81.进一步地，帐户属性信息可以包括帐户的帐户位置；步骤s201可以进一步包括：将与帐户位置的距离小于预设距离阈值的地理兴趣点作为候选地理兴趣点。
82.本实施例中，候选地理兴趣点的选取可以是根据帐户属性信息中该帐户当前所处的帐户位置确定，终端可以从多个地理兴趣点中，筛选出与帐户位置相近的地理兴趣点作为候选地理兴趣点。具体来说，终端可以从帐户属性信息中确定出帐户当前所处的帐户位置，并利用预先设定的距离阈值，将与帐户当前所处的帐户位置之间的距离小于该距离阈值的地理兴趣点，作为候选地理兴趣点。
83.本实施例中，终端可以将与帐户位置的距离小于预先设定的距离阈值的地理兴趣点作为候选地理兴趣点，从而可以保证最终通过地理兴趣点确定模型筛选出的目标地理兴
趣点的位置可以处于帐户当前所处的帐户位置附近，从而可以进一步提高确定出的目标地理兴趣点与帐户之间的相关性。
84.在一示例性实施例中，步骤s103之后，还可以包括：根据目标地理兴趣点的访问概率，获取与目标地理兴趣点相关联的推荐信息；将推荐信息推送至帐户。
85.终端在得到目标地理兴趣点之后，还可以基于确定得到的目标地理兴趣点获取与该目标地理兴趣点相关联的推荐信息，例如，确定出的目标地理兴趣点可以是某个餐饮企业，那么终端则可以获取该餐饮企业相关联的信息，可以是该餐饮企业的相关的优惠信息作为与该目标地理兴趣点相关联的推荐信息推送至该帐户，而如果确定出的与该目标地理兴趣点相关联的推荐信息是某一个购物商店，那么终端则可以获取该商店的商家信息作为与该目标地理兴趣点相关联的推荐信息推送至该帐户。
86.具体来说，终端在得到目标地理兴趣点之后，则可以基于确定出的目标地理兴趣点的访问概率，找出与目标地理兴趣点相关的推荐信息，可以是从多个目标地理兴趣点相关的推荐信中，选择访问概率最高的目标地理兴趣点相关的推荐信息推送至该帐户。
87.本实施例中，终端还可以基于确定出的目标地理兴趣点对应的访问概率，获取与该目标地理兴趣点相关联的推荐信息推送至帐户，可以使得终端推荐的推荐信息更符合帐户的需求，提高帐户对推荐信息的访问概率。
88.进一步地，根据目标地理兴趣点的访问概率，获取与目标地理兴趣点相关联的推荐信息，可以进一步包括：按照目标地理兴趣点的访问概率，获取目标地理兴趣点的推荐顺序信息；按照推荐顺序信息，获取与目标地理兴趣点相关联的推荐信息。
89.其中，推荐顺序信息指的是帐户针对目标地理兴趣点的访问概率的大小顺序信息，终端在得到目标地理兴趣点的访问概率之后，则可以对标地理兴趣点的访问概率的大小进行排序，从而得到各目标地理兴趣点对应的推荐顺序信息，之后，终端则可以基于上述推荐顺序信息，得到与目标地理兴趣点相关联的推荐信息。例如，可以是终端在得到目标地理兴趣点对应的推荐顺序信息之后，可以将上述推荐顺序信息作为预先设定的推荐引擎的一个输入维度，利用推荐推荐引擎输出上述推荐信息。
90.本实施例中，推荐信息可以是基于目标地理兴趣点的访问概率所得到，可以使得为帐户进行信息推送的推荐信息可以是最符合帐户需求的推荐信息，从而提高推荐信息的推荐质量，以及推荐信息的流量转化率。
91.图3是根据一示例性实施例示出的一种地理兴趣点确定模型的训练方法的流程图，如图3所示，地理兴趣点确定模型的训练方法可以用于终端中，包括以下步骤。
92.在步骤s301中，获取样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和样本帐户针对于样本地理兴趣点的实际访问概率。
93.其中，样本帐户属性信息指的是终端预先采集的用于训练地理兴趣点确定模型的帐户的帐户属性信息，即样本帐户的帐户属性信息，样本地理兴趣点属性信息则是终端预先采集的用于训练地理兴趣点确定模型的地理兴趣点的属性信息，即样本地理兴趣点的属性信息，而实际访问概率则指的是样本帐户针对样本地理兴趣点的访问概率，该访问概率可以通过标签的形式进行展示。例如，如果样本帐户实际访问过该样本地理兴趣点，那么则可以将样本帐户针对该样本地理兴趣点的实际访问概率设置为1，而如果样本帐户实际并没有访问过该样本地理兴趣点，那么则可以将样本帐户针对该样本地理兴趣点的实际访问
概率设置为0。
94.具体来说，终端可以预先采集样本帐户访问样本地理兴趣点的历史访问信息，并且可以根据历史访问信息确定该样本帐户针对于样本地理兴趣点的实际访问概率，以及该样本帐户的帐户属性信息以及样本地理兴趣点的属性信息，分别作为样本帐户属性信息和样本地理兴趣点属性信息。
95.在步骤s302中，提取样本帐户属性信息对应的样本帐户特征，以及样本地理兴趣点属性信息对应的样本兴趣点特征。
96.样本帐户特征指的是对样本帐户属性信息进行特征提取后得到的帐户特征，而样本兴趣点特征则指的是对样本地理兴趣点属性信息进行特征提取后得到的兴趣点特征。终端可以对步骤s301中得到的样本帐户属性信息以及样本地理兴趣点属性信息进行数据清洗以及变换等方式的处理，从而得到样本帐户特征以及的样本兴趣点特征。
97.在步骤s303中，将样本帐户特征以及样本兴趣点特征，输入待训练的地理兴趣点确定模型，得到样本帐户针对于样本地理兴趣点的预测访问概率；
98.在步骤s304中，根据实际访问概率与预测访问概率，对待训练的地理兴趣点确定模型进行训练，得到训练完成的地理兴趣点确定模型。
99.待训练的地理兴趣点确定模型可以是需要进行训练的地理兴趣点确定模型，预测访问概率则指的是待训练的地理兴趣点确定模型根据输入的样本帐户特征与样本兴趣点特征预测得到的样本帐户访问样本地理兴趣点的概率。终端可以将样本帐户特征以及样本兴趣点特征输入需要进行训练的地理兴趣点确定模型，由地理兴趣点确定模型预测样本帐户访问样本地理兴趣点的概率，即输出样本帐户针对于样本地理兴趣点的预测访问概率，之后，终端则可以根据样本帐户针对于样本地理兴趣点的实际访问概率以及预测访问概率作为模型的差异损失，进而对的地理兴趣点确定模型进行训练，从而可以得到训练完成的地理兴趣点确定模型。
100.上述地理兴趣点确定模型的训练方法中，通过获取样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和样本帐户针对于样本地理兴趣点的实际访问概率；提取样本帐户属性信息对应的样本帐户特征，以及样本地理兴趣点属性信息对应的样本兴趣点特征；将样本帐户特征以及样本兴趣点特征，输入待训练的地理兴趣点确定模型，得到样本帐户针对于样本地理兴趣点的预测访问概率；根据实际访问概率与预测访问概率，对待训练的地理兴趣点确定模型进行训练，得到训练完成的地理兴趣点确定模型。本公开可以通过预先采集的样本帐户属性信息、样本地理兴趣点属性信息以及样本帐户针对于样本地理兴趣点的实际访问概率对地理兴趣点确定模型进行训练，从而得到训练完成的地理兴趣点确定模型，并通过利用该地理兴趣点确定模型实现地理兴趣点的确定，从而可以提高确定出的地理兴趣点的智能性。
101.另外，如图4所示，步骤s304之后，还可以包括：
102.在步骤s401中，从样本帐户属性信息以及样本地理兴趣点属性信息中，获取用于对模型调优后的地理兴趣点确定模型进行测试的测试数据。
103.本实施例中，对地理兴趣点确定模型训练完成后，还可以对训练完成的地理兴趣点确定模型进行进一步的模型调优，具体来说，本实施例在得到样本帐户属性信息以及样本地理兴趣点属性信息之后，可以将样本帐户属性信息以及样本地理兴趣点属性信息按照
一定的比例进行分类，作为用于对地理兴趣点确定模型进行训练的训练数据，以及用于对训练完成的地理兴趣点确定模型进行模型调优的验证数据。在地理兴趣点确定模型训练完成后，则可以从预先分类的样本帐户属性信息以及样本地理兴趣点属性信息中得到相应的验证数据。
104.例如，终端在完成样本帐户属性信息以及样本地理兴趣点属性信息的采集后，可以按照预先设定的比例，将采集得到的样本帐户属性信息以及样本地理兴趣点属性信息分割成为训练数据与验证数据，在终端利用训练数据完成地理兴趣点确定模型的训练后，则可以得到从样本帐户属性信息以及样本地理兴趣点属性信息中得到预先分割的验证数据。
105.在步骤s402中，将验证数据输入训练完成的地理兴趣点确定模型，利用验证数据对应的实际访问概率，对训练完成的地理兴趣点确定模型进行模型调优。
106.之后，终端则可以将采集得到的验证数据输入训练完成的地理兴趣点确定模型中，从而可以通过地理兴趣点确定模型得到验证数据对应的预测访问概率，并利用该验证数据对应的实际访问概率以及验证数据对应的预测访问概率对训练完成的地理兴趣点确定模型进行进一步的模型调优处理。
107.本实施例中，在终端完成对地理兴趣点确定模型的训练之后，还可以进一步利用验证数据实现地理兴趣点确定模型的模型调优，可以进一步提高训练完成的地理兴趣点确定模型的模型精准性，从而可以提高确定出的地理兴趣点的准确程度。
108.进一步地，如图5所示，步骤s402之后，还可以包括：
109.在步骤s501中，从样本帐户属性信息以及样本地理兴趣点属性信息中，获取用于对模型调优后的地理兴趣点确定模型进行测试的测试数据。
110.本实施例中，对地理兴趣点确定模型完成模型调优后，还可以对其进行进一步的模型测试，具体来说，本实施例在得到样本帐户属性信息以及样本地理兴趣点属性信息之后，除了将样本帐户属性信息以及样本地理兴趣点属性信息按照一定的比例进行分类，得到训练数据与验证数据之外，还可以进一步将其分类出一部分，作为用于对模型调优后的地理兴趣点确定模型进行测试的测试数据。在地理兴趣点确定模型完成模型调优后，则可以从预先分类的样本帐户属性信息以及样本地理兴趣点属性信息中得到相应的测试数据。
111.例如，终端在完成样本帐户属性信息以及样本地理兴趣点属性信息的采集后，可以按照预先设定的比例，可以是7:2:1的方式，将采集得到的样本帐户属性信息以及样本地理兴趣点属性信息分割成为训练数据、验证数据以及测试数据，在终端利用验证数据完成地理兴趣点确定模型的调优后，则可以进一步从样本帐户属性信息以及样本地理兴趣点属性信息中得到预先分割的测试数据。
112.在步骤s502中，将测试数据输入模型调优后的地理兴趣点确定模型，利用测试数据对应的实际访问概率，对模型调优后的地理兴趣点确定模型进行测试。
113.完成地理兴趣点确定模型的调优后，终端还可以将测试数据输入完成调优后的地理兴趣点确定模型中，从而可以通过地理兴趣点确定模型得到测试数据对应的预测访问概率，并利用该测试数据对应的实际访问概率以及测试数据对应的预测访问概率对训练完成的地理兴趣点确定模型进行模型整体性能的测试处理。
114.本实施例中，在终端完成利用验证数据实现地理兴趣点确定模型的模型调优后，还可以利用测试数据对地理兴趣点确定模型实现进一步的性能测试，可以进一步确保地理
兴趣点确定模型的模型性能。
115.在一示例性实施例中，还提供了一种基于多维属性的地理兴趣点推荐方法，通过用户使用app时的请求信息及poi(即地理兴趣点)的多维度信息，通过这两个链路的数据，将适合用户的众多poi进行训练模型，并对该些poi进行排序，依据该排序，为用户进行推荐，以提升推荐质量、推荐效率。
116.其中，用户侧数据可以包括：
117.(1)用户所在位置：用户使用app时的位置；
118.(2)用户本地生活属性：用户是否有本地生活(关注餐饮、购物等场景)属性，即用户是否有浏览poi的偏好(通过历史点击、浏览各种poi行为汇总出特征)；
119.(3)用户本地生活偏好：用户倾向浏览的本地生活类型(如餐饮类、购物类、景区类等)偏好(通过历史点击、浏览各种poi行为汇总出特征)。
120.而poi侧数据的数据可以包括：
121.(1)poi位置：poi所在的行政区划、经纬度位置；
122.(2)poi类型：poi所属类型(如餐饮、酒店、购物、景区等)；
123.(3)poi热度：poi被曝光、点击的数量；
124.(4)poi属性丰富度：例如价格、标签、营业时间等属性是否具备。
125.具体来说，本实施例可以由以下两个过程所组成：
126.1、模型训练：通过历史数据训练用户信息及与其点击poi的关系，模型训练的过程可如图6所示，具体可以包括如下步骤：
127.(1)历史数据收集：通过用户历史上报的信息。即用户历史上浏览到挂有poi的视频时，各个poi类别下用户点击的次数/比例、poi详情页停留时长等信息，刻画用户用户本地生活属性和用户本地生活偏好；并依据历史上每次浏览到挂有poi的视频时用户的位置、该视频所挂poi的类别、热度、信息丰富度等信息，以及用户是否最终点击了该条视频所挂poi；
128.(2)特征工程：对上述各个数据进行清洗、变换等处理，分割训练数据、验证数据、测试数据；
129.(3)训练有监督模型：通过特征工程中得到的特征和因变量(用户是否点击poi)构建有监督机器学习模型，在验证集上进行模型调优，最终得到用户浏览到挂有poi视频时的用户信息及poi信息对其是否点击poi的关系模型。
130.2、线上预测：利用得到模型实现线上预测，线上预测的过程可如图7所示，具体可以包括如下步骤：
131.(1)poi召回：根据用户使用app时上报的位置，找到一定范围内(例如1公里范围内)的全部poi作为推荐候选集。
132.(2)粗排序：根据poi类别、热度，将高价值(例如餐饮、购物、景区类别)、poi热度等业务规则进行粗排序。
133.(3)精排序：对粗排序中结果选取前10％的poi，将用户信息及poi信息传入训练好的模型，得到用户点击poi的概率，按照概率由高到低对粗排序中得到的poi进行排序，该排序(或概率值)作为视频推荐引擎中的一个维度，可以对有本地生活属性的用户推荐挂有预测概率最高的poi的视频。
134.本实施例通过结合用户数据及客观poi数据，将二者进行匹配、排序，从而得到更有效(即用户更有可能喜好)的一些poi，通过将用户可能偏好的poi信息传递给视频推荐引擎，从而提升用户线上流量到线下流量的转化及变现。
135.应该理解的是，虽然图1-图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
136.可以理解的是，本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见，每个实施例重点说明的是与其他实施例的不同之处，相关之处参见其他方法实施例的说明即可。
137.图8是根据一示例性实施例示出的一种地理兴趣点的确定装置的框图。参照图8，该装置包括初始兴趣点确定单元801，兴趣点属性获取单元802，访问概率获取单元803和目标兴趣点确定单元804。
138.初始兴趣点确定单元801，被配置为执行根据帐户的帐户属性信息，确定与帐户匹配的初始地理兴趣点；
139.兴趣点属性获取单元802，被配置为执行获取与初始地理兴趣点对应的地理兴趣点属性信息；
140.访问概率获取单元803，被配置为执行根据地理兴趣点属性信息和帐户属性信息，得到帐户针对于初始地理兴趣点的访问概率；
141.目标兴趣点确定单元804，被配置为执行根据访问概率，从初始地理兴趣点中筛选出与帐户对应的目标地理兴趣点。
142.在一示例性实施例中，访问概率获取单元803，进一步被配置为执行将地理兴趣点属性信息和帐户属性信息，输入训练完成的地理兴趣点确定模型，得到访问概率；地理兴趣点确定模型，为根据样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和样本帐户针对于所述样本地理兴趣点的实际访问概率，对待训练的地理兴趣点确定模型进行训练得到的。
143.在一示例性实施例中，初始兴趣点确定单元801，进一步被配置为执行根据帐户属性信息，获取候选地理兴趣点；获取候选地理兴趣点对应的候选兴趣点属性信息；基于候选兴趣点属性信息从候选地理兴趣点中确定出初始地理兴趣点。
144.在一示例性实施例中，帐户属性信息包括帐户的帐户位置；初始兴趣点确定单元801，进一步被配置为执行将与帐户位置的距离小于预设距离阈值的地理兴趣点作为候选地理兴趣点。
145.在一示例性实施例中，地理兴趣点的确定装置，还包括：推荐信息推送单元，被配置为执行根据目标地理兴趣点的访问概率，获取与目标地理兴趣点相关联的推荐信息；将推荐信息推送至帐户。
146.在一示例性实施例中，推荐信息推送单元，进一步被配置为执行按照目标地理兴
趣点的访问概率，获取目标地理兴趣点的推荐顺序信息；按照推荐顺序信息，获取与目标地理兴趣点相关联的推荐信息。
147.图9是根据一示例性实施例示出的一种地理兴趣点确定模型的训练装置的框图。参照图9，该装置包括样本信息获取单元901，样本特征提取单元902，预测概率获取单元903和模型训练单元904。
148.样本信息获取单元901，被配置为执行获取样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和样本帐户针对于样本地理兴趣点的实际访问概率；
149.样本特征提取单元902，被配置为执行提取样本帐户属性信息对应的样本帐户特征，以及样本地理兴趣点属性信息对应的样本兴趣点特征；
150.预测概率获取单元903，被配置为执行将样本帐户特征以及样本兴趣点特征，输入待训练的地理兴趣点确定模型，得到样本帐户针对于样本地理兴趣点的预测访问概率；
151.模型训练单元904，被配置为执行根据实际访问概率与预测访问概率，对待训练的地理兴趣点确定模型进行训练，得到训练完成的地理兴趣点确定模型。
152.在一示例性实施例中，地理兴趣点确定模型的训练装置，还包括：模型调优模块，被配置为执行从样本帐户属性信息以及样本地理兴趣点属性信息中，获取用于对训练完成的地理兴趣点确定模型进行模型调优的验证数据；将验证数据输入训练完成的地理兴趣点确定模型，利用验证数据对应的实际访问概率，对训练完成的地理兴趣点确定模型进行模型调优。
153.在一示例性实施例中，地理兴趣点确定模型的训练装置，还包括：模型测试模块，被配置为执行从样本帐户属性信息以及样本地理兴趣点属性信息中，获取用于对模型调优后的地理兴趣点确定模型进行测试的测试数据；将测试数据输入模型调优后的地理兴趣点确定模型，利用测试数据对应的实际访问概率，对模型调优后的地理兴趣点确定模型进行测试。
154.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。
155.图10是根据一示例性实施例示出的一种用于地理兴趣点的确定的电子设备1000的框图。例如，电子设备1000可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。
156.参照图8，电子设备1000可以包括以下一个或多个组件：处理组件1002、存储器1004、电源组件1006、多媒体组件1008、音频组件1010、输入/输出(i/o)的接口1012、传感器组件1014以及通信组件1016。
157.处理组件1002通常控制电子设备1000的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件1002可以包括一个或多个处理器1020来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1002可以包括一个或多个模块，便于处理组件1002和其他组件之间的交互。例如，处理组件1002可以包括多媒体模块，以方便多媒体组件1008和处理组件1002之间的交互。
158.存储器1004被配置为存储各种类型的数据以支持在电子设备1000的操作。这些数据的示例包括用于在电子设备1000上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器1004可以由任何类型的易失性或非易失性存储设备
或者它们的组合实现，如静态随机存取存储器(sram)、电可擦除可编程只读存储器(eeprom)、可擦除可编程只读存储器(eprom)、可编程只读存储器(prom)、只读存储器(rom)、磁存储器、快闪存储器、磁盘、光盘或石墨烯存储器。
159.电源组件1006为电子设备1000的各种组件提供电力。电源组件1006可以包括电源管理系统，一个或多个电源，及其他与为电子设备1000生成、管理和分配电力相关联的组件。
160.多媒体组件1008包括在所述电子设备1000和用户之间的提供输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1008包括前置摄像头和/或后置摄像头。当电子设备1000处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是固定的光学透镜系统或具有焦距和光学变焦能力。
161.音频组件1010被配置为输出和/或输入音频信号。例如，音频组件1010包括麦克风(mic)，当电子设备1000处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1004或经由通信组件1016发送。在一些实施例中，音频组件1010还包括扬声器，用于输出音频信号。
162.i/o接口1012为处理组件1002和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
163.传感器组件1014包括一个或多个传感器，用于为电子设备1000提供各个方面的状态评估。例如，传感器组件1014可以检测到电子设备1000的打开/关闭状态，组件的相对定位，例如所述组件为电子设备1000的显示器和小键盘，传感器组件1014还可以检测电子设备1000或电子设备1000组件的位置改变，用户与电子设备1000接触的存在或不存在，设备1000方位或加速/减速和电子设备1000的温度变化。传感器组件1014可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1014还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。
164.通信组件1016被配置为便于电子设备1000和其他设备之间有线或无线方式的通信。电子设备1000可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或5g)，或它们的组合。在一个示例性实施例中，通信组件1016经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1016还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
165.在示例性实施例中，电子设备1000可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
166.在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指
令的存储器1004，上述指令可由电子设备1000的处理器1020执行以完成上述方法。例如，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
167.在示例性实施例中，还提供一种计算机程序产品，所述计算机程序产品中包括指令，上述指令可由电子设备1000的处理器1020执行以完成上述方法。
168.需要说明的，上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
169.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
170.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

技术特征：
1.一种地理兴趣点的确定方法，其特征在于，包括：根据帐户的帐户属性信息，确定与所述帐户匹配的初始地理兴趣点；获取与所述初始地理兴趣点对应的地理兴趣点属性信息；根据所述地理兴趣点属性信息和所述帐户属性信息，得到所述帐户针对于所述初始地理兴趣点的访问概率；根据所述访问概率，从所述初始地理兴趣点中筛选出与所述帐户对应的目标地理兴趣点。2.根据权利要求1所述的地理兴趣点的确定方法，其特征在于，所述根据所述地理兴趣点属性信息和所述帐户属性信息，得到所述帐户针对于所述初始地理兴趣点的访问概率，包括：将所述地理兴趣点属性信息和所述帐户属性信息，输入训练完成的地理兴趣点确定模型，得到所述访问概率；所述地理兴趣点确定模型，为根据样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和所述样本帐户针对于所述样本地理兴趣点的实际访问概率，对待训练的地理兴趣点确定模型进行训练得到的。3.根据权利要求2所述的地理兴趣点的确定方法，其特征在于，所述根据帐户的帐户属性信息，确定与所述帐户匹配的初始地理兴趣点，包括：根据所述帐户属性信息，获取候选地理兴趣点；获取所述候选地理兴趣点对应的候选兴趣点属性信息；基于所述候选兴趣点属性信息从所述候选地理兴趣点中确定出所述初始地理兴趣点。4.根据权利要求3所述的地理兴趣点的确定方法，其特征在于，所述帐户属性信息包括所述帐户的帐户位置；所述根据所述帐户属性信息，获取候选地理兴趣点，包括：将与所述帐户位置的距离小于预设距离阈值的地理兴趣点作为所述候选地理兴趣点。5.一种地理兴趣点确定模型的训练方法，其特征在于，包括：获取样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和所述样本帐户针对于所述样本地理兴趣点的实际访问概率；提取所述样本帐户属性信息对应的样本帐户特征，以及所述样本地理兴趣点属性信息对应的样本兴趣点特征；将所述样本帐户特征以及所述样本兴趣点特征，输入待训练的地理兴趣点确定模型，得到所述样本帐户针对于所述样本地理兴趣点的预测访问概率；根据所述实际访问概率与所述预测访问概率，对所述待训练的地理兴趣点确定模型进行训练，得到所述训练完成的地理兴趣点确定模型。6.一种地理兴趣点的确定装置，其特征在于，包括：初始兴趣点确定单元，被配置为执行根据帐户的帐户属性信息，确定与所述帐户匹配的初始地理兴趣点；兴趣点属性获取单元，被配置为执行获取与所述初始地理兴趣点对应的地理兴趣点属性信息；访问概率获取单元，被配置为执行根据所述地理兴趣点属性信息和所述帐户属性信息，得到所述帐户针对于所述初始地理兴趣点的访问概率；
目标兴趣点确定单元，被配置为执行根据所述访问概率，从所述初始地理兴趣点中筛选出与所述帐户对应的目标地理兴趣点。7.一种地理兴趣点确定模型的训练装置，其特征在于，包括：样本信息获取单元，被配置为执行获取样本帐户的样本帐户属性信息、样本地理兴趣点的样本地理兴趣点属性信息和所述样本帐户针对于所述样本地理兴趣点的实际访问概率；样本特征提取单元，被配置为执行提取所述样本帐户属性信息对应的样本帐户特征，以及所述样本地理兴趣点属性信息对应的样本兴趣点特征；预测概率获取单元，被配置为执行将所述样本帐户特征以及所述样本兴趣点特征，输入待训练的地理兴趣点确定模型，得到所述样本帐户针对于所述样本地理兴趣点的预测访问概率；模型训练单元，被配置为执行根据所述实际访问概率与所述预测访问概率，对所述待训练的地理兴趣点确定模型进行训练，得到所述训练完成的地理兴趣点确定模型。8.一种电子设备，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如权利要求1至4中任一项所述的地理兴趣点的确定方法，或者如权利要求5所述的地理兴趣点确定模型的训练方法。9.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至4中任一项所述的地理兴趣点的确定方法，或者如权利要求5所述的地理兴趣点确定模型的训练方法。10.一种计算机程序产品，所述计算机程序产品中包括指令，其特征在于，所述指令被电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至4中任一项所述的地理兴趣点的确定方法，或者如权利要求5所述的地理兴趣点确定模型的训练方法。

技术总结
本公开关于一种地理兴趣点的确定方法、地理兴趣点确定模型的训练方法、装置、电子设备和计算机可读存储介质。所述地理兴趣点确定模型的训练方法、方法包括：根据帐户的帐户属性信息，确定与帐户匹配的初始地理兴趣点；获取与初始地理兴趣点对应的地理兴趣点属性信息；根据地理兴趣点属性信息和帐户属性信息，得到帐户针对于初始地理兴趣点的访问概率；根据访问概率，从初始地理兴趣点中筛选出与帐户对应的目标地理兴趣点。本公开提供的地理兴趣点的确定方法可以结合帐户属性以及地理兴趣点的属性进行地理兴趣点的确定，从而可以提高地理兴趣点的确定的智能性。兴趣点的确定的智能性。兴趣点的确定的智能性。


技术研发人员：王禹
受保护的技术使用者：北京达佳互联信息技术有限公司
技术研发日：2021.11.12
技术公布日：2022/1/28