点位推荐方法、装置、电子设备及存储介质与流程

1.本发明涉及数据处理技术领域，具体涉及一种点位推荐方法、装置、电子设备及存储介质。


背景技术：

2.目前，对不同的档案用户到达某些地点时，可以基于档案用户在历史时间中去过特定地点信息进行兴趣点点位推荐，但是现有的推荐方式通常是基于地理位置信息进行推荐或者针对不同时间信息进行推荐，使得兴趣点推荐具有明显的客观性，无法解决不同时间和不同地点对应的用户兴趣需求，导致推荐的准确性不足。


技术实现要素：

3.第一方面，本发明的主要目的是提供一种点位推荐方法，包括：
4.获取用户的当前抓拍图像信息；所述当前抓拍图像信息包括用户抓拍图像、所述用户抓拍图像对应的当前时间信息和所述用户抓拍图像对应的当前点位信息；
5.将所述用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与所述用户抓拍图像对应的目标档案信息；
6.根据所述目标档案信息和所述当前点位信息确定出对应的出行次数矩阵；所述目标档案信息包括所述用户在多个出行点位被采集的抓拍图像信息，所述出行次数矩阵用于描述所述用户在不同时间出现在每个出行点位的次数，多个所述出行点位之间包括预先计算的距离相似度和时间相似度；
7.基于所述出行次数矩阵确定出目标兴趣点位，并根据所述目标兴趣点位进行点位推荐。
8.可选地，所述获取用户的当前抓拍图像信息之前，包括：
9.根据各个出行点位抓拍的待归档图像对应的人员图像特征，确定出所述待归档图像之间的相似度集合；
10.基于所述相似度集合对所述待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到所述参考档案集合。
11.可选地，所述基于所述相似度集合对所述待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到所述参考档案集合之后，包括：
12.根据所述参考档案集合确定出各个出行点位对应的位置信息，并计算出两两出行点位之间的距离；
13.根据所述两两出行点位之间的距离，确定出所述两两出行点位之间的距离相似度。
14.可选地，所述基于所述相似度集合对所述待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到所述参考档案集合之后，还包括：
15.根据所述参考档案集合确定各个时间段用户在所述出行点位的出现次数；
16.根据所述出现次数构建出行次数矩阵，并基于所述出行次数矩阵进行归一化处理，得到所述出行次数矩阵对应的矩阵向量；
17.基于所述矩阵向量进行计算，确定出两两出行点位之间的时间相似度。
18.可选地，所述根据所述目标档案信息和所述当前点位信息确定出对应的出行次数矩阵，包括：
19.根据所述目标档案信息，确定所述用户到过的历史到访点位；
20.根据所述当前点位信息，确定所述用户的点位推荐范围；
21.将所述历史到访点位中，处于所述点位推荐范围内的历史到访点位作为待推荐点位；
22.基于所述用户在待推荐点位被采集的抓拍图像信息，确定对应的出行次数矩阵。
23.可选地，所述基于所述出行次数矩阵确定出目标兴趣点位，并根据所述目标兴趣点位进行推荐，包括：
24.基于所述出行次数矩阵对应的出行点位，确定所述出行点位对应的时间相似度和距离相似度；
25.根据所述时间相似度和距离相似度进行计算，得到总相似度；
26.根据所述总相似度确定出目标兴趣点位，并根据所述目标兴趣点位进行推荐。
27.可选地，所述根据所述总相似度确定出目标兴趣点位，并根据所述目标兴趣点位进行推荐，包括：
28.根据所述总相似度对各个出行点位进行排序，确定出总相似度满足预定条件的目标出行点位；
29.将所述目标出行点位对应的兴趣点地址作为目标兴趣点位，并根据所述目标兴趣点位进行推荐。
30.第二方面，本发明实施例提供了一种点位推荐装置，包括：
31.获取模块，用于获取用户的当前抓拍图像信息；所述当前抓拍图像信息包括用户抓拍图像、所述用户抓拍图像对应的当前时间信息和所述用户抓拍图像对应的当前点位信息；
32.比对模块，用于将所述用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与所述用户抓拍图像对应的目标档案信息；
33.确定模块，用于根据所述目标档案信息和所述当前点位信息确定出对应的出行次数矩阵；所述目标档案信息包括所述用户在多个出行点位被采集的抓拍图像信息，所述出行次数矩阵用于描述所述用户在不同时间出现在每个出行点位的次数，多个所述出行点位之间包括预先计算的距离相似度和时间相似度；
34.推荐模块，用于基于所述当前时间信息与所述当前点位信息，在所述出行次数矩阵中确定出目标兴趣点位，并根据所述目标兴趣点位进行点位推荐。
35.第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的点位推荐方法的步骤。
36.第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的点位推荐方法的步
骤。
37.本发明的上述方案至少包括以下有益效果：
38.本发明提供的点位推荐方法，首先获取用户的当前抓拍图像信息；当前抓拍图像信息包括用户抓拍图像、用户抓拍图像对应的当前时间信息和用户抓拍图像对应的当前点位信息；将用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与用户抓拍图像对应的目标档案信息；根据目标档案信息和当前点位信息确定出对应的出行次数矩阵；目标档案信息包括用户在多个出行点位被采集的抓拍图像信息，出行次数矩阵用于描述用户在不同时间出现在每个出行点位的次数，多个出行点位之间包括预先计算的距离相似度和时间相似度；基于当前时间信息与当前点位信息，在出行次数矩阵中确定出目标兴趣点位，并根据目标兴趣点位进行点位推荐。从而使得兴趣点推荐具有明显的合理性，能够解决不同时间和不同地点对应的用户兴趣需求，提升了推荐的准确性和召回率。
附图说明
39.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示出的结构获得其他的附图。
40.图1为本发明实施例提供的点位推荐方法的整体流程示意图；
41.图2为本发明实施例提供的点位推荐方法的流程示意图；
42.图3为本发明实施例提供的点位推荐装置的结构框图；
43.图4为本发明实施例提供的电子设备的结构框图。
44.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
45.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的一部分实施例，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。
46.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
47.首先结合相关附图来举例介绍下本技术实施例的方案。
48.如图1所示，本发明的具体实施例提供了一种点位推荐方法，包括：
49.s10、获取用户的当前抓拍图像信息，当前抓拍图像信息包括用户抓拍图像、用户抓拍图像对应的当前时间信息和用户抓拍图像对应的当前点位信息。
50.在本实施例中，可以根据用户的推荐请求以通过摄像头获取用户的当前抓拍图像信息，也可以是在用户到达某一个抓拍地点通过摄像头获取用户的当前抓拍图像信息，该
摄像头可设在交通路口、商场、街区等人员流动较大的位置，以便及时采集用户抓拍图像；用户抓拍图像可以是用户的人脸图像，也可以是用户的人体图像等，可以理解的是，用户的人脸图像或人体图像可以是在历史时间内已归档的图像数据，例如在一个月内或24小时内对用户拍摄的图像进行归档可以确定出用户对应的归档数据，由此在获取用户的当前抓拍图像信息可以确定出用户对应的归档数据。
51.具体的，上述根据用户的推荐请求获取用户的当前抓拍图像信息之前，包括：根据各个出行点位抓拍的待归档图像对应的人员图像特征，确定出待归档图像之间的相似度集合；基于相似度集合对待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到参考档案集合。
52.在本实施例中，在各个出行点位抓拍的待归档图像中可以包含不同用户的人脸图像或人体图像等，相似度集合可以是用户的人脸图像计算得到，在获取各个出行点位的用户抓拍图像时，可以将用户抓拍图像进行相似度计算，例如可以采用余弦相似度计算两两待归档图像之间的相似度，也就是说，在两两待归档图像之间的余弦值越接近1时，则表示两两归档数据之间的相似度越大；可以理解的是，在计算待归档图像之间的相似度集合后，通过相似度集合将待归档数据聚类形成为对应的图像堆，然后针对每个图像堆确定出图像质量较优的图像作为初始档案集合，进而在后续出行点位采集的用户抓拍图像可以根据初始档案集合进行归档，从而得到参考档案集合；例如，在图2所示中各个点可以表示为一个档案，将各个档案进行相似度计算并聚类后可以形成多个图像堆，由此完成不同档案之间归档操作。
53.在一个优选的实施例中，参考档案集合可以是aidn{aid1，aid2，aid3...aidn}，每个图像档案集合aidn中的抓拍图像可以表示为bn{b1,b2,b3,..bn}，通过对各个出行点位采集的抓拍图像进行n
×
n计算出两两抓拍图像之间的相似度，因此，计算的相似度集合可以是sim
ij
{sim
12
,sim
13
....sim
ij
}，i，j表示数据bi，bj；在通过相似度集合与第一相似度阈值进行比对后，在相似度集合中大于第一相似度阈值对应的用户抓拍图像即进行保留，由此可以确定出初始档案集合可以表示为aidn{aid1,aid2,aid3...aidn}；可以理解的是，第一相似度阈值可以表示为α
sim
，当sim
ij-α
sim
＞0时，即保留对应的用户抓拍图像以形成初始档案集合，在后续各个出行点位采集的未归档图像需要进行归档时，可以根据初始档案集合与未归档图像之间进行相似度比对，然后通过第二相似度阈值进行比对，在确定相似度大于第二相似度阈值时，则该用户抓拍图像可以保留在对应的初始档案集合中以形成参考档案集合；可以理解的是，第二相似度阈值可以表示为β
ij
，在将后续采集的未归档图像与初始档案集合进行比对后确定的相似度集合可以表示为sim
ij
{sim
12
,sim
13
....sim
ij
}，由此在sim
ij-β
ij
＞0所对应的用户抓拍图像即可归档在对应的档案数据中。
54.进一步的，上述基于相似度集合对待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到参考档案集合之后，包括：根据参考档案集合确定出各个出行点位对应的位置信息，并计算出两两出行点位之间的距离；根据两两出行点位之间的距离，确定出两两出行点位之间的距离相似度。
55.在本实施例中，在参考档案集合中的每个用户抓拍图像均包括对应的出行点位信息和对应的兴趣点位，出行点位信息可以包括经纬度、地图坐标等，兴趣点位可以是出行点位周边的景区、学校、餐厅等位置，通过上述的参考档案集合将各个出行点位之间的距离相
似度，在出行点位之间的距离越大时，则距离相似度越小，在出行点位之间的距离越小时，则距离相似度越大；其中，由于用户在各个出行点位通常会选择访问离自己位置更近的兴趣点，因此在确定各个出行点位之间的距离相似度时，可以是用户在访问各个兴趣点之间的距离成反比，在距离越大时，则表示距离相似度越小，在距离越小时，则表示距离相似度越大。
56.可以理解的是，上述的距离相似度可以采用以下公式进行计算：
[0057][0058]
distiance(li,lj)＝r*arccos[sin(lati)*sin(latj)+cos(lati)*cos(latj)*cos(lat
i-lonj)]；
[0059]
其中，表示两个出行点位li和lj之间的距离相似度，distiance(li,lj)表示两个出行点位li和lj之间的距离，lati和loni表示出行点位的经纬度，r为地球半径:r＝6378.137km；由上公式可以确定出两个出行点位之间的距离，两个出行点位之间的距离可以是道路通行距离，通过两个出行点位之间的距离可以确定出对应的距离相似度。
[0060]
进一步的，上述基于相似度集合对待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到参考档案集合之后，还包括：根据参考档案集合确定各个时间段用户在出行点位的出现次数；根据出现次数构建出行次数矩阵，并基于出行次数矩阵进行归一化处理，得到矩阵向量；基于矩阵向量进行计算，确定出两两出行点位之间的时间相似度。
[0061]
在本实施例中，出行次数矩阵可以是二维的表格矩阵，并且是用户在不同时间段出现在不同出行点位统计得到，在将出行次数矩阵进行归一化处理后，确定出多个一维的向量矩阵，由此多个一维的向量矩阵可以通过矩阵向量进行表示，进而基于矩阵向量进行余弦相似度计算，由此可以确定出两两出行点位之间的时间相似度。
[0062]
可以理解的是，不同时间段对应的表格矩阵如下所示：
[0063][0064]
其中，用户在各个出行点位careman中的不同时间段出现次数所对应的表格矩阵如下所示：
[0065]
[0066][0067]
由上述表格矩阵可以理解的是，可以将24小时以不同时间段进行划分，然后统计每个时间段中在各个出行点位中多个用户出现的次数，例如在上述表格矩阵中，t4对应的时间段中，出行点位carema1对应多个用户出现的次数为56次，由此确定出24小时内用户在不同时间段内被采集的用户抓拍图像，进而统计出对应的出现次数，以确定出上述的表格矩阵后进行归一化计算从而确定出矩阵向量。
[0068]
可以理解的是，在通过上述的表格矩阵进行归一化计算时，可以采用以下公式进行计算：
[0069][0070]
其中，表示出行点位carema
li
在时间点tj中所有档案出现的次数，n
t
表示出行点位carema
li
所有出现的次数，在计算出一维的向量矩阵后，向量矩阵可以表示为由此，矩阵向量可以表示为在确定出矩阵向量后，通过余弦相似度将上述的矩阵向量计算出两两出行点位之间的时间相似度，并可以采用以下公式进行计算：
[0071]
t_sim
li,lj
表示时间相似度。
[0072]
其中，在计算时间相似度时，当前点位信息对应的出行点位可以表示为carema
li
，因此，当前点位信息对应的出行点位carema
li
与各个出行点位careman之间的时间相似度可以通过上述公式计算得到；在计算时，可以将每个出行点位对应的出行时间和出行次数进行均值方差归一化计算，也就是说将上述的出行次数矩阵中的出行时间和出行次数归到均值为0，方差为1的分布中，即得到的数据均值为0，方差为1，因此，可以将当前点位信息对应的出行点位carema
li
对应的出行次数和出行时间进行先进行方差计算，再根据方差结果和归一化公式计算出carema
li
所对应的归一化值；可以理解的是，通过计算得到出行点位carema
li
对应的归一化值后，多个归一化值可以作为出行点位carema
li
的矩阵向量进行表示，即上述的由此通过计算出所有出行点位的矩阵向量后，可以将所有出行点位的矩阵向量进行余弦相似度计算，由此可以确定出两两出行点位之间的时间相似度，时间相似度可以表示为两两出行点位之间的出行时间和出行次数的
相似度结果，因此，通过将两两出行点位计算得到的矩阵向量进行余弦相似度计算后，可以确定出所有出行点位之间的时间相似度，在后续进行点位推荐时，当用户到达某一个出行点位时，可以根据该出行点位与各个出行点位之间的时间相似度进行推荐对应点位，提升了点位推荐的准确性；举例来说，在计算时间相似度时，出行点位包括a、b、c、d，当用户在上午11点半出现在a点位时，a点位可以采集到用户在a点位的抓拍图像信息，进而可以根据a点位的抓拍图像信息确定出对应的时间信息，并匹配确定出处于t4时间段，并可确定出对应的点位信息为a点位，由此在计算时间相似度时，可以将t4时间段和a点位对应的出行次数进行归一化计算，由此得到对应的归一化值，进而根据该归一化值通过矩阵向量表示后再计算出在t4时间段a点位与b、c、d出行点位之间的时间相似度。
[0073]
s20、将用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与用户抓拍图像对应的目标档案信息。
[0074]
在本实施例中，在用户出现在某一个出行点位时，该出行点位可以采集用户的当前抓拍图像信息与上述的参考档案集合进行相似度计算，从而确定出参考档案集合中对应的目标档案信息，因此，可以通过目标档案信息和当前抓拍图像信息进行查找确定出对应的出行次数矩阵，进而确定出对应的推荐点位。
[0075]
s30、根据目标档案信息和当前点位信息确定出对应的出行次数矩阵；目标档案信息包括用户在多个出行点位被采集的抓拍图像信息，出行次数矩阵用于描述用户在不同时间出现在每个出行点位的次数，多个出行点位之间包括预先计算的距离相似度和时间相似度。
[0076]
在本实施例中，在确定出目标档案信息时，可以根据目标档案信息查找到用户到过的历史到访点位，进而通过出行次数矩阵可以确定出对应的时间相似度和距离相似度；可以理解的是，当前抓拍图像信息包括用户抓拍图像、用户抓拍图像对应的当前时间信息和用户抓拍图像对应的当前点位信息；因此，用户在历史时间内确定的出行次数矩阵可以通过用户到过的历史到访点位进行确定得到。
[0077]
具体的，上述根据目标档案信息和当前点位信息确定出对应的出行次数矩阵，包括：根据目标档案信息，确定用户到过的历史到访点位；根据当前点位信息，确定用户的点位推荐范围；将历史到访点位中，处于点位推荐范围内的历史到访点位作为待推荐点位；基于用户在待推荐点位被采集的抓拍图像信息，确定对应的出行次数矩阵。
[0078]
其中，历史到访点位表示用户在当前时间之前所到访过的出行点位，点位推荐范围表示用户在当前点位所对应的兴趣点范围，可以通过将当前抓拍图像信息和参考档案集合中的每个档案进行相似度计算，在当前抓拍图像信息能够在参考档案集合中确定出相似度较高的目标档案信息时，则可以根据目标档案信息确定用户到过的历史到访点位，可选地，出行点位具有对应的点位推荐范围，点位推荐范围可以根据兴趣点划分，例如学校、商超、餐厅、酒店、景区等，因此兴趣点可以包括学习、购物、吃饭、住宿、游玩等，通过当前点位信息确定出点位推荐范围，进而可以在历史到访点位中，确定出处于当前点位的点位推荐范围内的历史到访点位，并作为待推荐点位，由此根据用户在待推荐点位的抓拍图像信息确定出出行次数矩阵，进而可以通过出行次数矩阵确定出用户在待推荐点位所对应的出行次数，进而在对用户进行推荐时更准确；例如，历史到访点位为a、b、c、d，用户到达的当前点位为a，a点位的点位推荐范围中包含b、c两个点位，由此可以将b、c两个点位确定为待推荐
点位，并将用户在b、c两个点位所采集的抓拍图像信息确定出对应的出行次数，并计入出行次数矩阵中以进行点位推荐。
[0079]
s40、基于出行次数矩阵确定出目标兴趣点位，并根据目标兴趣点位进行推荐。
[0080]
在本实施例中，目标兴趣点位可以根据上述的时间相似度和距离相似度确定得到，因此可以根据出行次数矩阵确定出对应的出行点位，该出行点位与用户当前所处的出行点位之间的距离可以是比较接近，并且用户历史时间内到达的次数较多，因此可以通过距离相似度和时间相似度综合进行计算后，以确定出该出行点位的位置，并通过该出行点位确定出关联的目标兴趣点位。
[0081]
在一个可选的实施例中，在通过距离相似度和时间相似度确定出目标兴趣点位时，可以先对距离相似度和时间相似度进行筛选，确定出最大结果的距离相似度和时间相似度，然后根据筛选后的距离相似度和时间相似度进行综合计算，从而根据综合计算的结果确定出对应的出行点位。
[0082]
具体的，上述基于出行次数矩阵确定出目标兴趣点位，并根据目标兴趣点位进行推荐，包括：基于出行次数矩阵对应的出行点位，确定出行点位对应的时间相似度和距离相似度；根据时间相似度和距离相似度进行计算，得到总相似度；根据总相似度确定出目标兴趣点位，并根据目标兴趣点位进行推荐。
[0083]
在本实施例中，时间相似度可以是根据上述时间相似度的计算公式计算得到，距离相似度可以是根据上述距离相似度的计算公式计算得到，在根据用户当前抓拍图像信息确定的出行次数矩阵后，可以确定出当前抓拍图像信息所对应的出行点位，根据该出行点位和各个出行点位确定出距离相似度，同时根据上述的出行次数矩阵确定出时间相似度，然后采用距离相似度和时间相似度进行加权求和以得到总相似度，通过总相似度确定出目标兴趣点位，可以综合考虑不同时间和不同地点对应的用户兴趣需求，提升兴趣点点位推荐的准确性。
[0084]
可以理解的是，在计算上述的总相似度时，可以采用以下公式进行计算：
[0085]
sim(li,lj)＝α*t_sim
li,lj
+(1-α)d_sim
li,lj
，
[0086]
t_sim
li,lj
：时间相似度；
[0087]
d_sim
li,lj
：距离相似度
[0088]
其中，上述的α∈[0,1]表示为权重值，表示两个出行点位li和lj之间的距离相似度，t_sim
li,lj
表示上述当前抓拍图像信息对应的出行次数矩阵计算得到的时间相似度，sim(li,lj)表示为总相似度，通过总相似度确定出目标兴趣点位，由此能够结合不同时间段的信息进行综合推荐，推荐的准确性更高。
[0089]
进一步的，根据总相似度确定出目标兴趣点位，并根据目标兴趣点位进行推荐，包括：根据总相似度对各个出行点位进行排序，确定出总相似度满足预定条件的目标出行点位；将目标出行点位对应的兴趣点地址作为目标兴趣点位，并根据目标兴趣点位进行推荐。
[0090]
在本实施例中，在确定出总相似度后，可以根据各个出行点位的总相似度按从大到小的顺序进行排序，在排序后可以将总相似度与预定相似度进行比对，在总相似度大于预定相似度时，则表示该总相似度对应的出行点位可以作为目标出行点位，在总相似度小于预定相似度时，则表示该总相似度对应的出行点位可以剔除，由此在向用户进行推荐时
可以根据目标出行点位所对应的兴趣点地址进行推荐，从而可以提升兴趣点点位推荐的准确性，用户的可选性更多样化。
[0091]
在一个可选的实施例中，也可以根据各个出行点位的总相似度按从大到小的顺序进行排序后，确定出最大的总相似度对应的出行点位以作为目标出行点位，由此可以根据最大的总相似度对应的目标出行点位确定出兴趣点地址，进而向用户进行推荐，可以显著提兴趣点点位推荐的准确性和召回率。
[0092]
本发明提供的点位推荐方法，首先获取用户的当前抓拍图像信息；当前抓拍图像信息包括用户抓拍图像、用户抓拍图像对应的当前时间信息和用户抓拍图像对应的当前点位信息；将用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与用户抓拍图像对应的目标档案信息；根据目标档案信息和当前点位信息确定出对应的出行次数矩阵；目标档案信息包括用户在多个出行点位被采集的抓拍图像信息，出行次数矩阵用于描述用户在不同时间出现在每个出行点位的次数，多个出行点位之间包括预先计算的距离相似度和时间相似度；基于当前时间信息与当前点位信息，在出行次数矩阵中确定出目标兴趣点位，并根据目标兴趣点位进行点位推荐。从而使得兴趣点推荐具有明显的合理性，能够解决不同时间和不同地点对应的用户兴趣需求，提升了推荐的准确性和召回率。
[0093]
可以理解的是，在本技术的具体实施方式中，涉及到抓拍图像信息、档案信息等相关的数据，当本技术中实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0094]
如图3所示，本发明实施例提供了一种点位推荐装置10，包括：
[0095]
获取模块11，用于获取用户的当前抓拍图像信息，所述当前抓拍图像信息包括用户抓拍图像、所述用户抓拍图像对应的当前时间信息和所述用户抓拍图像对应的当前点位信息；；
[0096]
比对模块12，用于将用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与用户抓拍图像对应的目标档案信息；
[0097]
确定模块13，用于根据目标档案信息和当前点位信息确定出对应的出行次数矩阵；目标档案信息包括用户在多个出行点位被采集的抓拍图像信息，出行次数矩阵用于描述用户在不同时间出现在每个出行点位的次数；
[0098]
推荐模块14，用于基于出行次数矩阵确定出目标兴趣点位，并根据目标兴趣点位进行点位推荐。
[0099]
本发明提供的点位推荐装置10，首先获取用户的当前抓拍图像信息；当前抓拍图像信息包括用户抓拍图像、用户抓拍图像对应的当前时间信息和用户抓拍图像对应的当前点位信息；将用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与用户抓拍图像对应的目标档案信息；根据目标档案信息和当前点位信息确定出对应的出行次数矩阵；目标档案信息包括用户在多个出行点位被采集的抓拍图像信息，出行次数矩阵用于描述用户在不同时间出现在每个出行点位的次数，多个出行点位之间包括预先计算的距离相似度和时间相似度；基于当前时间信息与当前点位信息，在出行次数矩阵中确定出目标兴趣点位，并根据目标兴趣点位进行点位推荐。从而使得兴趣点推荐具有明显的合理性，能够解决不同时间和不同地点对应的用户兴趣需求，提升了推荐的准确性和召回率。
[0100]
需要说明的是，本发明具体实施例提供的点位推荐装置10为与上述点位推荐方法
对应的装置，上述点位推荐方法的所有实施例均适用于该点位推荐装置10，上述点位推荐装置10实施例中均有相应的模块对应上述点位推荐方法中的步骤，能达到相同或相似的有益效果，为避免过多重复，在此不对点位推荐装置2中的每一模块进行过多赘述。
[0101]
如图4所示，本发明的具体实施例还提供了一种电子设备20，包括存储器202、处理器201以及存储在存储器202中并可在处理器201上运行的计算机程序，该处理器201执行计算机程序时实现上述的点位推荐方法的步骤。
[0102]
具体的，处理器201用于调用存储器202存储的计算机程序，执行如下步骤：
[0103]
获取用户的当前抓拍图像信息；当前抓拍图像信息包括用户抓拍图像、用户抓拍图像对应的当前时间信息和用户抓拍图像对应的当前点位信息；
[0104]
将用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与用户抓拍图像对应的目标档案信息；
[0105]
根据目标档案信息和当前点位信息确定出对应的出行次数矩阵；目标档案信息包括用户在多个出行点位被采集的抓拍图像信息，出行次数矩阵用于描述用户在不同时间出现在每个出行点位的次数，多个出行点位之间包括预先计算的距离相似度和时间相似度；
[0106]
基于当前时间信息与当前点位信息，在出行次数矩阵中确定出目标兴趣点位，并根据目标兴趣点位进行点位推荐。
[0107]
可选的，处理器201执行的获取用户的当前抓拍图像信息之前，包括：
[0108]
根据各个出行点位抓拍的待归档图像对应的人员图像特征，确定出待归档图像之间的相似度集合；
[0109]
基于相似度集合对待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到参考档案集合。
[0110]
可选的，处理器201执行的基于相似度集合对待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到参考档案集合之后，包括：
[0111]
根据参考档案集合确定出各个出行点位对应的位置信息，并计算出两两出行点位之间的距离；
[0112]
根据两两出行点位之间的距离，确定出两两出行点位之间的距离相似度。
[0113]
可选的，处理器201执行的基于相似度集合对待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到参考档案集合之后，还包括：
[0114]
根据参考档案集合确定各个时间段用户在出行点位的出现次数；
[0115]
根据出现次数构建出行次数矩阵，并基于出行次数矩阵进行归一化处理，得到出行次数矩阵对应的矩阵向量；
[0116]
基于矩阵向量进行计算，确定出两两出行点位之间的时间相似度。
[0117]
可选的，处理器201执行的根据目标档案信息和当前点位信息确定出对应的出行次数矩阵，包括：
[0118]
根据目标档案信息，确定用户到过的历史到访点位；
[0119]
根据当前点位信息，确定用户的点位推荐范围；
[0120]
将历史到访点位中，处于点位推荐范围内的历史到访点位作为待推荐点位；
[0121]
基于用户在待推荐点位被采集的抓拍图像信息，确定对应的出行次数矩阵。
[0122]
可选的，处理器201执行的基于出行次数矩阵确定出目标兴趣点位，并根据目标兴
趣点位进行推荐，包括：
[0123]
基于出行次数矩阵对应的出行点位，确定出行点位对应的时间相似度和距离相似度；
[0124]
根据时间相似度和距离相似度进行计算，得到总相似度；
[0125]
根据总相似度确定出目标兴趣点位，并根据目标兴趣点位进行推荐。
[0126]
可选的，处理器201执行的根据总相似度确定出目标兴趣点位，并根据目标兴趣点位进行推荐，包括：
[0127]
根据总相似度对各个出行点位进行排序，确定出总相似度满足预定条件的目标出行点位；
[0128]
将目标出行点位对应的兴趣点地址作为目标兴趣点位，并根据目标兴趣点位进行推荐。
[0129]
即，在本发明的具体实施例中，电子设备20的处理器201执行计算机程序时实现上述点位推荐方法的步骤，从而使得兴趣点推荐具有明显的合理性，能够解决不同时间和不同地点对应的用户兴趣需求，提升了推荐的准确性和召回率。
[0130]
需要说明的是，由于电子设备20的处理器201执行计算机程序时实现上述点位推荐方法的步骤，因此上述点位推荐方法的所有实施例均适用于该电子设备20，且均能达到相同或相似的有益效果。
[0131]
本发明实施例中提供的计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的点位推荐方法或应用端点位推荐方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0132]
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)或随机存取存储器(random access memory，简称ram)等。
[0133]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0134]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

技术特征：
1.一种点位推荐方法，其特征在于，包括：获取用户的当前抓拍图像信息；所述当前抓拍图像信息包括用户抓拍图像、所述用户抓拍图像对应的当前时间信息和所述用户抓拍图像对应的当前点位信息；将所述用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与所述用户抓拍图像对应的目标档案信息；根据所述目标档案信息和所述当前点位信息确定出对应的出行次数矩阵；所述目标档案信息包括所述用户在多个出行点位被采集的抓拍图像信息，所述出行次数矩阵用于描述所述用户在不同时间出现在每个出行点位的次数，多个所述出行点位之间包括预先计算的距离相似度和时间相似度；基于所述当前时间信息与所述当前点位信息，在所述出行次数矩阵中确定出目标兴趣点位，并根据所述目标兴趣点位进行点位推荐。2.根据权利要求1所述的点位推荐方法，其特征在于，所述获取用户的当前抓拍图像信息之前，包括：根据各个出行点位抓拍的待归档图像对应的人员图像特征，确定出所述待归档图像之间的相似度集合；基于所述相似度集合对所述待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到所述参考档案集合。3.根据权利要求2所述的点位推荐方法，其特征在于，所述基于所述相似度集合对所述待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到所述参考档案集合之后，包括：根据所述参考档案集合确定出各个出行点位对应的位置信息，并计算出两两出行点位之间的距离；根据所述两两出行点位之间的距离，确定出所述两两出行点位之间的距离相似度。4.根据权利要求2所述的点位推荐方法，其特征在于，所述基于所述相似度集合对所述待归档图像进行聚类，并将满足相似度阈值的待归档图像进行归档，得到所述参考档案集合之后，还包括：根据所述参考档案集合确定各个时间段用户在所述出行点位的出现次数；根据所述出现次数构建出行次数矩阵，并基于所述出行次数矩阵进行归一化处理，得到所述出行次数矩阵对应的矩阵向量；基于所述矩阵向量进行计算，确定出两两出行点位之间的时间相似度。5.根据权利要求1所述的点位推荐方法，其特征在于，所述根据所述目标档案信息和所述当前点位信息确定出对应的出行次数矩阵，包括：根据所述目标档案信息，确定所述用户到过的历史到访点位；根据所述当前点位信息，确定所述用户的点位推荐范围；将所述历史到访点位中，处于所述点位推荐范围内的历史到访点位作为待推荐点位；基于所述用户在待推荐点位被采集的抓拍图像信息，确定对应的出行次数矩阵。6.根据权利要求1所述的点位推荐方法，其特征在于，所述基于所述出行次数矩阵确定出目标兴趣点位，并根据所述目标兴趣点位进行推荐，包括：基于所述出行次数矩阵对应的出行点位，确定所述出行点位对应的时间相似度和距离
相似度；根据所述时间相似度和距离相似度进行计算，得到总相似度；根据所述总相似度确定出目标兴趣点位，并根据所述目标兴趣点位进行推荐。7.根据权利要求6所述的点位推荐方法，其特征在于，所述根据所述总相似度确定出目标兴趣点位，并根据所述目标兴趣点位进行推荐，包括：根据所述总相似度对各个出行点位进行排序，确定出总相似度满足预定条件的目标出行点位；将所述目标出行点位对应的兴趣点地址作为目标兴趣点位，并根据所述目标兴趣点位进行推荐。8.一种点位推荐装置，其特征在于，包括：获取模块，用于获取用户的当前抓拍图像信息；所述当前抓拍图像信息包括用户抓拍图像、所述用户抓拍图像对应的当前时间信息和所述用户抓拍图像对应的当前点位信息；比对模块，用于将所述用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与所述用户抓拍图像对应的目标档案信息；确定模块，用于根据所述目标档案信息和所述当前点位信息确定出对应的出行次数矩阵；所述目标档案信息包括所述用户在多个出行点位被采集的抓拍图像信息，所述出行次数矩阵用于描述所述用户在不同时间出现在每个出行点位的次数，多个所述出行点位之间包括预先计算的距离相似度和时间相似度；推荐模块，用于基于所述当前时间信息与所述当前点位信息，在所述出行次数矩阵中确定出目标兴趣点位，并根据所述目标兴趣点位进行点位推荐。9.一种电子设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至7任一项所述的点位推荐方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的点位推荐方法的步骤。

技术总结
本发明公开了一种点位推荐方法、装置、电子设备及存储介质，该方法包括：获取用户的当前抓拍图像信息；将用户抓拍图像与参考档案集合的多个档案信息进行比对，确定出与用户抓拍图像对应的目标档案信息；根据目标档案信息和当前点位信息确定出对应的出行次数矩阵；目标档案信息包括用户在多个出行点位被采集的抓拍图像信息，出行次数矩阵用于描述用户在不同时间出现在每个出行点位的次数，多个出行点位之间包括预先计算的距离相似度和时间相似度；基于出行次数矩阵确定出目标兴趣点位，并根据目标兴趣点位进行点位推荐。从而使得兴趣点推荐具有明显的合理性，能够解决不同时间和不同地点对应的用户兴趣需求，提升了推荐的准确性和召回率。和召回率。和召回率。


技术研发人员：刘国伟
受保护的技术使用者：深圳云天励飞技术股份有限公司
技术研发日：2023.02.03
技术公布日：2023/7/11