一种兴趣点列表确定方法和系统与流程

本申请涉及网约车领域，特别涉及一种兴趣点列表确定方法和系统。
背景技术：
：近年来，随着移动通信技术的快速发展，大量基于智能终端的应用软件涌现了出来。叫车类应用是其中很受大众欢迎的一类。乘客通过客户端输入起始地和目的地信息，发送用车请求。司机根据乘客的起始地信息前去接驾并将乘客送到目的地。乘客在输入起始地与目的地信息时，可通过在客户端输入搜索关键词(query)来查找兴趣点(poi，pointofinterest)，并从所获得的兴趣点列表中选择起始地和/或目的地。技术实现要素：本申请的一方面提供一种兴趣点列表确定方法。所述兴趣点列表确定方法包括：根据搜索关键词获取初始兴趣点列表；确定所述初始兴趣点列表中每个初始兴趣点与所述搜索关键词的相关性；至少根据所述每个初始兴趣点与所述搜索关键词的相关性，确定最终兴趣点列表。在一些实施例中，所述兴趣点列表确定方法还包括：利用训练好的相关性质检模型确定所述每个初始兴趣点与所述搜索关键词的相关性。在一些实施例中，所述利用训练好的相关性质检模型确定所述每个初始兴趣点与所述搜索关键词的相关性包括：提取所述搜索关键词的第一基础特征和第一深度相关性特征，以及所述每个初始兴趣点的第二基础特征和第二深度相关性特征；根据所述搜索关键词的第一基础特征和第一深度相关性特征以及所述每个初始兴趣点的第二基础特征和第二深度相关性特征，确定所述每个初始兴趣点与所述搜索关键词的相关性。在一些实施例中，所述第一基础特征至少包括关键词文本；所述第一深度相关性特征至少包括关键词的语义特征；所述第二基础特征至少包括兴趣点名称；所述第二深度相关性特征至少包括兴趣点名称的语义特征。在一些实施例中，所述训练好的相关性质检模型为机器学习模型；训练所述相关性质检模型包括：获取多个训练关键词，以及与每个所述训练关键词对应的多个对应兴趣点；提取每个所述训练关键词的第一基础特征和第一深度相关性特征，以及每个所述对应兴趣点的第二基础特征和第二深度相关性特征；基于每个所述训练关键词的第一基础特征和第一深度相关性特征以及每个所述对应兴趣点的第二基础特征和第二深度相关性特征，并根据每个所述训练关键词和与其对应的每个所述对应兴趣点的相关性，训练机器学习模型，获得所述训练好的相关性质检模型。在一些实施例中，所述获取多个训练关键词，以及与每个所述训练关键词对应的多个对应兴趣点包括：获取历史兴趣点列表确定记录；从所述历史兴趣点列表确定记录中提取所述多个训练关键词，以及与每个所述训练关键词对应的多个对应兴趣点。在一些实施例中，所述每个训练关键词和与其对应的每个所述对应兴趣点的相关性由人工标注获得。在一些实施例中，所述机器学习模型为梯度提升树模型。在一些实施例中，所述至少根据所述每个初始兴趣点与所述搜索关键词的相关性，确定最终兴趣点列表包括：当所述初始兴趣点列表中前第一阈值个初始兴趣点与所述搜索关键词的相关性均小于第二阈值时，根据所述搜索关键词从第三方检索系统中获取替补兴趣点列表；将所述替补兴趣点列表确定为所述最终兴趣点列表。在一些实施例中，所述至少根据所述每个初始兴趣点与所述搜索关键词的相关性，确定最终兴趣点列表还包括：剔除所述初始兴趣点列表中与所述搜索关键词的相关性小于第三阈值的初始兴趣点；将经过所述剔除操作的初始兴趣点列表确定为所述最终兴趣点列表。在一些实施例中，所述兴趣点列表确定方法还包括：对所述最终兴趣点列表进行排序；将所述排序后的最终兴趣点列表发送给终端。本申请的另一方面提供一种兴趣点列表确定系统。所述兴趣点列表确定系统包括：初始兴趣点获取模块、相关性确定模块和最终兴趣点确定模块。其中，所述初始兴趣点获取模块用于根据搜索关键词获取初始兴趣点列表；所述相关性确定模块用于确定所述初始兴趣点列表中每个初始兴趣点与所述搜索关键词的相关性；所述最终兴趣点确定模块用于至少根据所述每个初始兴趣点与所述搜索关键词的相关性，确定最终兴趣点列表。在一些实施例中，所述相关性确定模块还用于：利用训练好的相关性质检模型确定所述每个初始兴趣点与所述搜索关键词的相关性。在一些实施例中，所述相关性确定模块进一步包括特征提取单元和相关性确定单元；所述特征提取单元用于提取所述搜索关键词的第一基础特征和第一深度相关性特征，以及所述每个初始兴趣点的第二基础特征和第二深度相关性特征；所述相关性确定单元用于根据所述搜索关键词的第一基础特征和第一深度相关性特征以及所述每个初始兴趣点的第二基础特征和第二深度相关性特征，确定所述每个初始兴趣点与所述搜索关键词的相关性。在一些实施例中，所述第一基础特征至少包括关键词文本；所述第一深度相关性特征至少包括关键词的语义特征；所述第二基础特征至少包括兴趣点名称；所述第二深度相关性特征至少包括兴趣点名称的语义特征。在一些实施例中，所述训练好的相关性质检模型为机器学习模型。在一些实施例中，所述兴趣点列表确定系统进一步包括训练模块，所述训练模块用于训练所述相关性质检模型；所述训练模块包括获取单元、特征提取单元和训练单元；其中，所述获取单元用于获取多个训练关键词，以及与每个所述训练关键词对应的多个对应兴趣点；所述特征提取单元用于提取每个所述训练关键词的第一基础特征和第一深度相关性特征，以及每个所述对应兴趣点的第二基础特征和第二深度相关性特征；所述训练单元用于基于每个所述训练关键词的第一基础特征和第一深度相关性特征以及每个所述对应兴趣点的第二基础特征和第二深度相关性特征，并根据每个所述训练关键词和与其对应的每个所述对应兴趣点的相关性，训练机器学习模型，获得所述训练好的相关性质检模型。在一些实施例中，所述获取单元还用于：获取历史兴趣点列表确定记录；从所述历史兴趣点列表确定记录中提取所述多个训练关键词，以及与每个所述训练关键词对应的多个对应兴趣点。在一些实施例中，所述每个训练关键词和与其对应的每个所述对应兴趣点的相关性由人工标注获得。在一些实施例中，所述机器学习模型为梯度提升树模型。在一些实施例中，所述最终兴趣点确定模块还包括替补兴趣点获取单元和最终兴趣点确定单元；当所述初始兴趣点列表中前第一阈值个初始兴趣点与所述搜索关键词的相关性均小于第二阈值时，所述替补兴趣点获取单元用于根据所述搜索关键词从第三方检索系统中获取替补兴趣点列表；所述最终兴趣点确定单元用于将所述替补兴趣点列表确定为所述最终兴趣点列表。在一些实施例中，所述最终兴趣点列表确定模块还包括剔除单元和最终兴趣点确定单元；所述剔除单元用于剔除所述初始兴趣点列表中与所述搜索关键词的相关性小于第三阈值的初始兴趣点；所述最终兴趣点确定单元用于将经过所述剔除操作的初始兴趣点列表确定为所述最终兴趣点列表。在一些实施例中，所述兴趣点列表确定系统还包括：排序模块和发送模块；所述排序模块用于对所述最终兴趣点列表进行排序；所述发送模块用于将所述排序后的最终兴趣点列表发送给终端。本申请的另一方面提供一种兴趣点列表确定装置。所述兴趣点列表确定装置包括至少一个处理器以及至少一个存储器，所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现兴趣点列表确定方法。本申请的另一方面提供一种计算机可读存储介质。所述计算机可读存储介质存储计算机指令，当所述计算机指令被处理器执行时实现兴趣点列表确定方法。附图说明本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：图1是根据本申请一些实施例所示的兴趣点列表确定系统的应用场景示意图；图2是根据本申请一些实施例所示的一种示例性计算设备的示意图；图3是根据本申请一些实施例所示的移动设备的示例性硬件和/或软件的示意图；图4是根据本申请一些实施例所示的兴趣点列表确定系统的模块图；图5是根据本申请一些实施例所示的兴趣点列表确定方法的示例性流程图；图6是根据本申请一些实施例所示的训练相关性质检模型的示例性流程图；图7是根据本申请一些实施例所示的确定最终兴趣点列表的示例性流程图；图8是根据本申请一些实施例所示的确定最终兴趣点列表的示例性流程图。具体实施方式为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用，然而，任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。本申请的实施例可以应用于不同的交通服务系统，不同的交通服务系统包括但不限于陆地、河道、湖泊、海洋、航空等中的一种或几种的组合。例如，人力车、代步工具、汽车(例如，小型车、巴士、大型运输车等)、轨道交通(例如，火车、动车、高铁、地铁等)、船舶、飞机、飞行器、热气球、无人驾驶的交通工具、收/送快递等应用了搜索兴趣点的运输系统等。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。例如，地图服务系统、导航系统、停车引导系统等。图1是根据本申请一些实施例所示的兴趣点列表确定系统的应用场景示意图。兴趣点列表确定系统100可以确定兴趣点列表并显示在用户界面上，便于用户选择符合其要求的兴趣点。兴趣点列表确定系统100可以是用于互联网服务的线上服务平台。例如，兴趣点列表确定系统100可以是运输服务的线上运输服务平台。在一些实施例中，兴趣点列表确定系统100可以应用于网约车服务，例如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等。在一些实施例中，兴趣点列表确定系统100还可以应用于代驾、快递、外卖等服务。兴趣点列表确定系统100可以是一个线上服务平台，包含服务器110、网络120、用户终端130以及数据库140。服务器110可包含处理设备112。在一些实施例中，服务器110可以用于处理与确定兴趣点列表相关的信息和/或数据。服务器110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如：服务器110可以是分布系统)。在一些实施例中该服务器110可以是区域的或者远程的。例如，服务器110可通过网络120访问存储于用户终端130、数据库140中的信息和/或资料。在一些实施例中，服务器110可直接与用户终端130、数据库140连接以访问存储于其中的信息和/或资料。在一些实施例中，服务器110可在云平台上执行。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。在一些实施例中，服务器110可包含处理设备112。该处理设备112可处理与服务请求(如搜索请求)有关的数据和/或信息以执行一个或多个本申请中描述的功能。例如处理设备112可以接收用户终端130发送的兴趣点搜索请求信号，向用户提供兴趣点列表。在一些实施例中，处理设备112可包含一个或多个子处理设备(例如，单芯处理设备或多核多芯处理设备)。仅仅作为范例，处理设备112可包含中央处理器(cpu)、专用集成电路(asic)、专用指令处理器(asip)、图形处理器(gpu)、物理处理器(ppu)、数字信号处理器(dsp)、现场可编程门阵列(fpga)、可编辑逻辑电路(pld)、控制器、微控制器单元、精简指令集电脑(risc)、微处理器等或以上任意组合。网络120可促进数据和/或信息的交换。在一些实施例中，兴趣点列表确定系统100中的一个或多个组件(例如，服务器110、用户终端130、数据库140)可通过网络120发送数据和/或信息给兴趣点列表确定系统100中的其他组件。在一些实施例中，网络120可以是任意类型的有线或无线网络。例如，网络120可包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络(lan)、广域网络(wan)、无线区域网络(wlan)、都会区域网络(man)、公共电话交换网络(pstn)、蓝牙网络、zigbee网络、近场通讯(nfc)网络等或以上任意组合。在一些实施例中，网络120可包括一个或多个网络进出点。例如，网络120可包含有线或无线网络进出点，如基站和/或网际网络交换点120-1、120-2、…，通过这些进出点，兴趣点列表确定系统100的一个或多个组件可连接到网络120上以交换数据和/或信息。在一些实施例中，用户可以通过用户终端130获取兴趣点列表。在一些实施例中，用户终端130可包括移动装置130-1、平板电脑130-2、笔记本电脑130-3、机动车内建装置130-4等中的一种或其任意组合。在一些实施例中，移动装置130-1可包括智能家居装置、可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。在一些实施例中，智能家具装置可包括智能照明装置、智能电器的控制装置、智能监测装置、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴装置可包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或其任意组合。在一些实施例中，智能行动装置可包括智能电话、个人数字助理(pda)、游戏装置、导航装置、pos装置等或其任意组合。在一些实施例中，虚拟实境装置和/或增强实境装置可包括虚拟实境头盔、虚拟实境眼镜、虚拟实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或以上任意组合。在一些实施例中，用户终端130可包括具有定位功能的装置，以确定用户和/或用户终端130的位置。数据库140可存储资料和/或指令。在一些实施例中，数据库140可存储从用户终端130获取的资料。在一些实施例中，数据库140可存储供服务器110执行或使用的信息和/或指令，以执行本申请中描述的示例性方法。在一些实施例中，数据库140可包括大容量存储器、可移动存储器、挥发性读写存储器(例如，随机存取存储器ram)、只读存储器(rom)等或以上任意组合。在一些实施例中，数据库140可在云平台上实现。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等或以上任意组合。在一些实施例中，数据库140可与网络120连接以与兴趣点列表确定系统100的一个或多个组件(例如，服务器110、用户终端130等)通讯。兴趣点列表确定系统100的一个或多个组件可通过网络120访问存储于数据库140中的资料或指令。在一些实施例中，数据库140可直接与兴趣点列表确定系统100中的一个或多个组件(如，服务器110、用户终端130)连接或通讯。在一些实施例中，数据库140可以是服务器110的一部分。图2是根据本申请一些实施例所示的一种示例性计算设备的示意图。在一些实施例中，服务器110和/或用户终端130可以在计算设备200上实现。例如，处理设备112可以在计算设备200上实施并执行本申请所公开的处理设备112的功能。如图2所示，计算设备200可以包括总线210、处理器220、只读存储器230、随机存储器240、通信端口250、输入/输出接口260和硬盘270。处理器220可以执行计算指令(程序代码)并执行本申请描述的兴趣点确定系统100的功能。所述计算指令可以包括程序、对象、组件、数据结构、过程、模块和功能(所述功能指本申请中描述的特定功能)。例如，处理器220可以处理从兴趣点确定系统100的其他任何组件获取的与确定兴趣点列表相关的数据。在一些实施例中，处理器220可以包括微控制器、微处理器、精简指令集计算机(risc)、专用集成电路(asic)、应用特定指令集处理器(asip)、中央处理器(cpu)、图形处理单元(gpu)、物理处理单元(ppu)、微控制器单元、数字信号处理器(dsp)、现场可编程门阵列(fpga)、高级risc机(arm)、可编程逻辑器件以及能够执行一个或多个功能的任何电路和处理器等，或其任意组合。仅为了说明，图2中的计算设备200只描述了一个处理器，但需要注意的是，本申请中的计算设备200还可以包括多个处理器。计算设备200的存储器(例如，只读存储器(rom)230、随机存储器(ram)240、硬盘270等)可以存储从兴趣点列表确定系统100的任何其他组件获取的数据/信息。示例性的rom可以包括掩模rom(mrom)、可编程rom(prom)、可擦除可编程rom(perom)、电可擦除可编程rom(eeprom)、光盘rom(cd-rom)和数字通用盘rom等。示例性的ram可以包括动态ram(dram)、双倍速率同步动态ram(ddrsdram)、静态ram(sram)、晶闸管ram(t-ram)和零电容(z-ram)等。输入/输出接口260可以用于输入或输出信号、数据或信息。在一些实施例中，输入/输出接口260可以使用户与兴趣点列表确定系统100进行联系。在一些实施例中，输入/输出接口260可以包括输入装置和输出装置。示例性输入装置可以包括键盘、鼠标、触摸屏和麦克风等，或其任意组合。示例性输出装置可以包括显示设备、扬声器、打印机、投影仪等或其任意组合。示例性显示装置可以包括液晶显示器(lcd)、基于发光二极管(led)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管(crt)等或其任意组合。通信端口250可以连接到网络以便数据通信。所述连接可以是有线连接、无线连接或两者的组合。有线连接可以包括电缆、光缆或电话线等或其任意组合。无线连接可以包括蓝牙、wi-fi、wimax、wlan、zigbee、移动网络(例如，3g、4g或5g等)等或其任意组合。在一些实施例中，通信端口250可以是标准化端口，如rs232、rs485等。在一些实施例中，通信端口250可以是专门设计的端口。图3是根据本申请一些实施例所示的移动设备的示例性硬件和/或软件的示意图。如图3所示，移动设备300可以包括通信单元310、显示单元320、图形处理器(gpu)330、中央处理器(cpu)340、输入/输出单元350、内存360、存储单元370等。在一些实施例中，操作系统361(例如，ios、android、windowsphone等)和应用程序362可以从存储单元370加载到内存360中，以便由cpu340执行。应用程序362可以包括浏览器或用于从兴趣点列表确定系统100接收文本、图像、音频或其他相关信息的应用程序。为了实现在本申请中描述的各种模块、单元及其功能，计算设备或移动设备可以用作本申请所描述的一个或多个组件的硬件平台。这些计算机或移动设备的硬件元件、操作系统和编程语言本质上是常规的，并且本领域技术人员熟悉这些技术后可将这些技术适应于本申请所描述的兴趣点列表确定系统。具有用户界面元件的计算机可以用于实现个人计算机(pc)或其他类型的工作站或终端设备，如果适当地编程，计算机也可以充当服务器。图4是根据本申请一些实施例所示的兴趣点列表确定系统的模块图。如图4所示，该兴趣点列表确定系统400可以包括初始兴趣点获取模块410、相关性确定模块420、最终兴趣点确定模块430、训练模块440、排序模块450和发送模块460。初始兴趣点获取模块410可以用于获取初始兴趣点列表。在一些实施例中，初始兴趣点获取模块410可基于搜索关键词生成/获取初始兴趣点列表。在一些实施例中，初始兴趣点获取模块410可以基于关键词匹配技术检索出名称与搜索关键词相同或相近的兴趣点作为初始兴趣点。在一些实施例中，初始兴趣点获取模块410还可以根据用户输入的关键词所对应的地址获取初始兴趣点。在一些实施例中，初始兴趣点获取模块410还可以根据用户位置获取初始兴趣点。在一些实施例中，初始兴趣点获取模块410还可以根据用户需求(例如，猜测用户可能想去的地方)获取初始兴趣点。在一些实施例中，初始兴趣点获取模块410还可以基于搜索关键词，根据其他任意合理方式获取初始兴趣点。在一些实施例中，初始兴趣点获取模块410可以根据上述一种或多种方式获取初始兴趣点并组成初始兴趣点列表。例如，初始兴趣点获取模块410可以获取符合上述任意一种方式的初始兴趣点，进而获得初始兴趣点列表。相关性确定模块420可以用于确定兴趣点与搜索关键词的相关性。例如，相关性确定模块420可以确定初始兴趣点列表中每个初始兴趣点与搜索关键词的相关性。在一些实施例中，相关性确定模块420可以利用训练好的相关性质检模型确定每个初始兴趣点与搜索关键词的相关性。相关性确定模块可以进一步包括特征提取单元422和相关性确定单元424。特征提取单元422可以提取搜索关键词的特征信息以及每个初始兴趣点的特征信息。如相关性确定单元424可以将搜索关键词的特征和每个初始兴趣点的特征作为输入，利用训练好的相关性质检模型输出每个初始兴趣点与搜索关键词的相关性。在一些实施例中，搜索关键词的特征可以包括搜索关键词的第一基础特征和第一深度相关性特征。在一些实施例中，初始兴趣点的特征可以包括初始兴趣点的第二基础特征和第二深度相关性特征。最终兴趣点确定模块430可以用于确定最终兴趣点列表。例如，最终兴趣点确定模块430可以至少根据每个初始兴趣点与搜索关键词的相关性，确定最终兴趣点列表。在一些实施例中，最终兴趣点确定模块430可以根据初始兴趣点列表中部分或全部初始兴趣点与搜索关键词的相关性，判定该初始兴趣点列表是否合理。最终兴趣点确定模块430可以进一步包括替补兴趣点获取单元432、剔除单元434和最终兴趣点确定单元436。替补兴趣点获取单元432可以用于当初始兴趣点列表中前第一阈值个初始兴趣点与搜索关键词的相关性均小于第二阈值时，根据搜索关键词从第三方检索系统中获取替补兴趣点列表。剔除单元434可以用于剔除初始兴趣点列表中与搜索关键词的相关性小于第三阈值的初始兴趣点。在一些实施例中，最终兴趣点确定单元436可以将替补兴趣点列表确定为最终兴趣点列表。在一些实施例中，最终兴趣点确定单元436可以用于将经过剔除操作的初始兴趣点列表确定为最终兴趣点列表。训练模块440可以用于训练相关性质检模型。在一些实施例中，训练模块440可以利用多个训练关键词及其对应的多个对应兴趣点训练机器学习模型，从而获得训练好的相关性质检模型。具体的，训练模块440可以将每个训练关键词的特征以及每个对应兴趣点的特征作为输入，并将两者已知的相关性作为标签对机器学习模型进行训练。相关性质检模型可以包括但不限于梯度提升树模型(gradientboostingdecisiontree,gbdt)。在一些实施例中，排序模块450可以用于对最终兴趣点列表进行排序。发送模块460可以用于将排序后的最终兴趣点列表发送给终端。应当理解，图4所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，图4中披露的初始兴趣点获取模块410、相关性确定模块420、最终兴趣点确定模块430、训练模块440、排序模块450和发送模块460可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，排序模块450、发送模块460可以是两个模块，也可以是一个模块同时具有排序和发送功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本申请的保护范围之内。图5是根据本申请一些实施例所示的兴趣点列表确定方法的示例性流程图。如图5所示，该兴趣点列表确定方法500可以包括：步骤510，根据搜索关键词获取初始兴趣点列表。具体的，该步骤510可以由初始兴趣点获取模块410执行。在一些实施例中，搜索关键词可以由用户通过用户终端130输入的各种类型的文字、字母、数字、字符等或其组合。当用户在用户终端130输入搜索关键词后，用户终端130可以将该搜索关键词通过网络120发送给服务器110，处理设备112可以接收该搜索关键词并对其进行处理。在一些实施例中，用户输入搜索关键词的方式可以包括但不限于打字输入、手写输入、选择输入、语音输入、扫描输入等一种或多种的任意组合。具体地，打字输入根据语言的不同可以包括英文输入、中文输入等。选择输入可以包括从选择列表中选择关键词等。扫描输入可以包括扫描条形码输入、扫描二维码输入、扫描文本输入、扫描图片输入等。例如，搜索关键词可以是用户直接手写输入的中文文字。又例如，搜索关键词可以是根据用户扫描图片输入识别的文字或字母。又例如，搜索关键词可以是根据用户输入的语音识别出的文字或字母。在一些实施例中，搜索关键词可以用于搜索获得用户感兴趣的地点。例如，当用户使用打车软件打车时，可以通过输入搜索关键词获取起始地、上车点和/或目的地相关的关键词。例如，用户为其他用户叫车时，可以在叫车平台上输入与其他用户的上下车位置相关的搜索关键词。在一些实施例中，用户输入搜索关键词可以包括与地名、商圈、地点属性(如酒店、商场、电影院等)、地址等相关的关键词。在一些实施例中，根据搜索关键词确定初始兴趣点列表还可以应用于地图、导航等领域。在一些实施例中，初始兴趣点获取模块410可基于搜索关键词生成/获取初始兴趣点列表。初始兴趣点列表可以包括至少一个初始兴趣点。初始兴趣点可以为与搜索关键词相关的地点。具体的，初始兴趣点可以包括名称、类别、经纬度、历史搜索热度、历史被选择概率等信息。在一些实施例中，初始兴趣点获取模块410可以基于关键词匹配技术检索出名称与搜索关键词相同或相近的兴趣点作为初始兴趣点。兴趣点信息可以存储在数据库140中。具体的，初始兴趣点获取模块410可以通过计算数据库140中各兴趣点的名称与搜索关键词的文本相似度，从而检索出文本相似度较高的兴趣点作为初始兴趣点，并组成初始兴趣点列表。例如，可以选择文本相似度前n个(如10个、15个、20个、30个等)兴趣点作为初始兴趣点。又例如，可以选择文本相似度大于某一阈值(如60％、80％等)的兴趣点作为初始兴趣点。关于文本相似度的计算可以采用现有技术中任意一种可行的计算方法。例如，文本相似度计算可以包括计算两者之间的杰卡德(jaccard)相似系数、余弦相似度、曼哈顿距离、欧几里得距离、明式距离、编辑距离等一种或以上任意组合。在一些替代性实施例中，根据搜索关键词获取初始兴趣点列表的方法还可以为现有技术中任一种合适的方法。例如，可以是基于搜索关键词的前缀、核心词或短语等确定初始兴趣点列表。又例如，可以是基于搜索关键词的语音、语义等确定初始兴趣点列表。在一些实施例中，初始兴趣点获取模块410还可以根据用户输入的关键词所对应的地址获取初始兴趣点。例如，用户输入了“清华大学”，兴趣点获取模块410可以获取与“清华大学”相关的地铁站(如“五道口地铁站”)。在一些实施例中，初始兴趣点获取模块410还可以根据用户位置获取初始兴趣点。例如，初始兴趣点获取模块410可以仅获取与用户距离一定范围内(或与用户同个城市等)的兴趣点作为初始兴趣点。在一些实施例中，初始兴趣点获取模块410还可以根据用户需求(例如，猜测用户可能想去的地方)获取初始兴趣点。例如，当中午时分用户输入某商圈作为关键词时，可以猜测该用户可能想去吃饭，从而初始兴趣点获取模块410可以获取该商圈中一些餐馆作为初始兴趣点。在一些实施例中，在根据搜索关键词确定初始兴趣点列表前，还可以对该搜索关键词进行分析(如语义分析、语音分析等)、改写(如去掉助词、介词、标点等)、纠错(如纠正错别字、错词等)等操作处理。在一些实施例中，初始兴趣点获取模块410还可以基于搜索关键词，根据其他任意合理方式获取初始兴趣点。在一些实施例中，初始兴趣点获取模块410可以根据上述一种或多种方式获取初始兴趣点并组成初始兴趣点列表。例如，初始兴趣点获取模块410可以获取符合上述任意一种方式的初始兴趣点，进而获得初始兴趣点列表。在一些实施例中，可以对初始兴趣点列表进行排序。例如，可以根据初始兴趣点与搜索关键词的文本相似度、初始兴趣点与用户的距离、初始兴趣点的热度、初始兴趣点被选择概率等一种或多种因素对初始兴趣点列表进行排序。步骤520，确定初始兴趣点列表中每个初始兴趣点与搜索关键词的相关性。具体的，该步骤520可以由相关性确定模块420执行。在一些实施例中，相关性确定模块420可以利用训练好的相关性质检模型确定每个初始兴趣点与搜索关键词的相关性。具体的，相关性确定模块420(如，特征提取单元422)可以提取搜索关键词的特征信息以及每个初始兴趣点的特征信息。相关性确定模块420(如相关性确定单元424)可以进一步将搜索关键词的特征和每个初始兴趣点的特征作为输入，利用训练好的相关性质检模型输出每个初始兴趣点与搜索关键词的相关性。在一些实施例中，搜索关键词的特征可以包括搜索关键词的第一基础特征和第一深度相关性特征。在一些实施例中，初始兴趣点的特征可以包括初始兴趣点的第二基础特征和第二深度相关性特征。在一些实施例中，搜索关键词的第一基础特征可以至少包括关键词文本。在一些实施例中，第一基础特征还可以包括搜索关键词的历史特征。例如，搜索关键词历史上被用户搜索的频率、用户基于该搜索关键词搜索出兴趣点列表后最终选择的兴趣点等。在一些实施例中，搜索关键词的第一基础特征还可以包括该搜索关键词的语言特征。具体的，语言特征可以包括搜索关键词的词长、词性(如名词、动词、形容词)、词分类(如人名、地名、商品名、品牌名)等中的一个或其任意组合。在一些实施例中，第一基础特征还可以包括任意与该搜索关键词文本相关的特征。在一些实施例中，搜索关键词的第一深度相关性特征可以至少包括该搜索关键词的语义特征。其中，语义特征可以包括与该搜索关键词(或者该搜索关键词的部分)意义相同或相近的词。例如，对于搜索关键词“学校”，其语义特征可以为“技校”、“中专”、“高中”、“中学”、“职校”等。又例如，对于搜索关键词“地铁”，其语义特征可以为“轻轨”、“地铁口”、“城铁”、“火车”、“高铁”等。再例如，对于搜索关键词“邮局”，其语义特征可以为“投递部”、“ems”、“专递”、“邮电局”、“邮政局”等。在一些实施例中，搜索关键词的第一深度相关性特征还可以包括该搜索关键词的语音特征、字形特征等一种或多种的组合。具体的，语音特征可以包括与该搜索关键词(或该搜索关键词的部分)语音相同或相近的词。例如，对于搜索关键词“背景大学”，其语音特征可以为“北京大学”、“北京的大学”等。字形特征可以包括与该搜索关键词(或该搜索关键词的部分)字形相同或相近的词。例如，对于搜索关键词“陜西”，其字形特征可以为“陕西”。在一些实施例中，初始兴趣点的第二基础特征可以至少包括初始兴趣点的名称。在一些实施例中，初始兴趣点的第二基础特征还可以包括初始兴趣点的历史特征。例如，初始兴趣点历史上被用户选择的频率、初始兴趣点被选择时所对应的搜索关键词、初始兴趣点被选择的概率等。在一些实施例中，初始兴趣点的第二基础特征还可以包括兴趣点名称的语言特征、兴趣点的地理位置等。在一些实施例中，初始兴趣点的第二深度相关性特征可以至少包括初始兴趣点名称的语义特征。其中，语义特征可以包括与该初始兴趣点名称(或者该名称的部分)意义相同或相近的词。在一些实施例中，初始兴趣点的第二深度相关特征还可以包括该初始兴趣点名称的语音特征、字形特征等一种或多种的组合。在一些实施例中，相关性确定模块420在确定初始兴趣点与搜索关键词的相关性时还可以考虑其他因素，例如，用户当前位置与初始兴趣点的距离、用户的历史发单及选择情况、用户特征(如年龄、职业、家庭住址等)等一种或多种的任意组合。在一些实施例中，相关性确定单元424基于搜索关键词以及每个初始兴趣点的特征(如上述特征的部分或全部)，可以利用训练好的相关性质检模型确定初始兴趣点与搜索关键词的相关性。在一些实施例中，初始兴趣点与搜索关键词的相关性可以划分为多个等级。例如，初始兴趣点与搜索关键词的相关性可以分为相关性好和相关性不好两级。又例如，初始兴趣点与搜索关键词的相关性可以分为四级：完全相关、相关、低相关和不相关。在一些实施例中，初始兴趣点与搜索关键词的相关性可以使用相关性分数值表示。例如，相关性分数值可以用0-3表示；相关性分数值3可以映射为完全相关、相关性分数值2可以映射为相关、相关性分数值1可以映射为低相关、相关性分数值0可以映射为不相关。在一些实施例中，初始兴趣点与搜索关键词的相关性分数值也可以为非整数的分数值。例如，相关性分数值可以为0.2分、1.7分等。在一些实施例中，相关性质检模型可以是机器学习模型，例如，梯度提升树模型(gradientboostingdecisiontree,gbdt)。在一些实施例中，训练模块440可以利用多个训练关键词及其对应的多个对应兴趣点训练机器学习模型，从而获得训练好的相关性质检模型。具体的，训练模块440可以将每个训练关键词的特征以及每个对应兴趣点的特征作为输入，并将两者已知的相关性作为标签对机器学习模型进行训练。关于训练相关性质检模型的更多细节可以参见图6及其相关描述。步骤530，至少根据每个初始兴趣点与搜索关键词的相关性，确定最终兴趣点列表。具体的，该步骤530可以由最终兴趣点确定模块430执行。在一些实施例中，最终兴趣点确定模块430可以根据初始兴趣点列表中部分或全部初始兴趣点与搜索关键词的相关性，判定该初始兴趣点列表是否合理。例如，当初始兴趣点列表中前第一阈值(如2、3、4、5等)个初始兴趣点与搜索关键词的相关性均小于第二阈值(如相关性分数值2)时，可以判定该初始兴趣点列表不合理。当初始兴趣点列表不合理时，最终兴趣点确定模块430可以根据搜索关键词从第三方检索系统中获取替补兴趣点列表，并将该替补兴趣点列表确定为最终兴趣点列表。在一些实施例中，最终兴趣点确定模块430还可以根据初始兴趣点列表中每个初始兴趣点与搜索关键词的相关性，剔除掉一些相关性很低的兴趣点。例如，最终兴趣点确定模块430可以剔除初始兴趣点列表中与所述搜索关键词的相关性小于第三阈值(如相关性分值1)的初始兴趣点，并将经过剔除操作的初始兴趣点列表确定为最终兴趣点列表。关于确定最终兴趣点列表的更多细节可以参见图7、图8及其相关描述。在一些实施例中，在确定最终兴趣点列表后，排序模块450可以进一步对最终兴趣点列表进行排序。发送模块460可以将排序后的最终兴趣点列表发送给用户终端130。在一些实施例中，可以根据每个最终兴趣点与搜索关键词的相关性对该最终兴趣点列表进行排序。在一些实施例中，还可以根据其他因素对该最终兴趣点列表进行排序。其他因素包括但不限于最终兴趣点与用户的距离、最终兴趣点的热度、最终兴趣点历史上被特定用户选择的情况等一种或多种的任意组合。在一些实施例中，也可以通过建立排序模型对该最终兴趣点列表进行排序。例如，可以建立学习排序(learningtorank，ltr)模型，并基于最终兴趣点的一个或多个特征，对该最终兴趣点列表进行排序。在一些实施例中，还可以利用本领域技术人员熟知的任意一种现有排序方法对该最终兴趣点列表进行排序。应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程500进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，步骤530中，可以省略判定初始兴趣点列表是否合理以及从第三方检索系统中获取替补兴趣点列表的操作。又例如，步骤530中，可以省略对相关性很低的兴趣点的剔除操作，而是将相关性很低的兴趣点在排序时排到列表最后。图6是根据本申请一些实施例所示的训练相关性质检模型的示例性流程图。如图6所示，该训练相关性质检模型的流程600可以包括：步骤610，获取多个训练关键词，以及与每个训练关键词对应的多个对应兴趣点。具体的，该步骤610可以由获取单元442执行。在一些实施例中，获取单元442可以获取用户的历史发单日志(如历史兴趣点列表确定记录)，并从中提取出多个训练关键词，以及与每个训练关键词对应的多个对应兴趣点。具体的，用户的历史发单日志可以包括发单时间、发单地点、发单类型、用户信息、输入的搜索关键词、搜索获得的兴趣点列表、用户发单时距离每个兴趣点的距离、用户发单时每个兴趣点的热度、用户最终选择的兴趣点等一种或多种的任意组合。其中，可以提取用户输入的搜索关键词作为训练关键词，并将搜索获得的兴趣点列表作为与该训练关键词对应的多个兴趣点。关于训练关键词的更多细节与步骤510中所描述的搜索关键词类似，在此不再赘述。关于对应兴趣点的更多细节与步骤510中所描述的初始兴趣点类似，在此亦不再赘述。在一些实施例中，也可以仅从用户的历史发单日志中获取训练关键词，并由初始兴趣点获取模块410根据该训练关键词获取兴趣点列表，以作为与该训练关键词对应的多个对应兴趣点。在一些实施例中，训练关键词也可以人工设定。在一些实施例中，还可以通过其他任意合理的方式获取多个训练关键词以及与每个训练关键词对应的多个对应兴趣点，本申请对此不做限制。步骤620，提取每个训练关键词的第一基础特征和第一深度相关性特征，以及每个对应兴趣点的第二基础特征和第二深度相关性特征。具体的，该步骤620可以由特征提取单元444执行。在一些实施例中，训练关键词的第一基础特征可以包括关键词文本、关键词的历史特征、关键词的语言特征等一种或多种的组合。在一些实施例中，训练关键词的第一深度相关性特征可以包括关键词的语义特征、语音特征、字形特征等一种或多种的任意组合。具体的，此处所涉及的训练关键词的第一基础特征、第一深度相关性特征与图5中所描述的搜索关键词的第一基础特征、第一深度相关性特征类似，在此不再赘述。在一些实施例中，对应兴趣点的第二基础特征可以包括兴趣点的名称、兴趣点的历史特征、兴趣点名称的语言特征、兴趣点的地理位置等一种或多种的任意组合。在一些实施例中，对应兴趣点的第二深度相关性特征可以包括兴趣点名称的语义特征、语音特征、字形特征等一种或多种的组合。具体的，此处所涉及的对应兴趣点的第二基础特征、第二深度相关性特征与图5中所描述的初始兴趣点的第二基础特征、第二深度相关性特征类似，在此不再赘述。在一些实施例中，特征提取单元444还可以提取与训练关键词和/或对应兴趣点相关的其他因素特征，例如，其他因素特征可以包括用户发单时位置与对应兴趣点的距离、用户选择对应兴趣点的情况、用户特征(如年龄、职业、家庭住址等)等一种或多种的任意组合。步骤630，基于每个训练关键词的第一基础特征和第一深度相关性特征以及每个对应兴趣点的第二基础特征和第二深度相关性特征，并根据每个训练关键词和与其对应的每个对应兴趣点的相关性，训练机器学习模型，获得训练好的相关性质检模型。具体的，该步骤630可以由训练单元446执行。在一些实施例中，机器学习模型可以包括梯度提升树模型(gbdt)、支持向量机模型(supportvectormachine，svm)、神经网络模型、逻辑回归模型、泊松回归模型、lasso算法、决策树、随机森林算法等其中一种或其任意组合的回归和/或分类模型。优选地，机器学习模型可以为梯度提升树模型(gbdt)。gbdt是通过采用加法模型(即基函数的线性组合)，以及不断减小训练过程产生的残差来达到将数据分类或者回归的算法。此处采用gbdt模型进行训练，可以使训练过程收敛更快，同时所获得的相关性质检模型对相关性的判断更加精准。在一些实施例中，训练单元446可以将每个训练关键词的第一基础特征和第一深度相关性特征以及每个对应兴趣点的第二基础特征和第二深度相关性特征作为机器学习模型的输入，将每个训练关键词和与其对应的每个对应兴趣点的相关性分数值作为标签，训练机器学习模型。其中，作为标签的训练关键词和与其对应的每个对应兴趣点的相关性可以由人工标注、人工标注与机器标注相结合、或依据用户反馈信息进行标注等多种方式获得。在一些实施例中，可以采用人工标注的方式确定训练关键词和与其对应的每个对应兴趣点的相关性分值。具体的，人工可以制定相关性打分标准，然后依据该打分标准对训练关键词和与其对应的每个对应兴趣点的相关性进行打分标注。其中，打分标准可以是依据每个对应兴趣点与训练关键词的意思是否相同或相近、文本是否相同或相近等。在一些实施例中，训练关键词和与其对应的每个对应兴趣点的相关性的标注类型可以包括完全相关(3分)、相关(2分)、低相关(1分)和不相关(0分)。示例性的训练关键词和与其对应的每个对应兴趣点的相关性标注可以如下表1所示。表1训练关键词和与其对应的每个对应兴趣点的相关性标注示例。标注搜索关键词兴趣点名称相关营创美创美轩相关营创美创美专业美发相关营创美创美造型相关营创美创美发艺不相关营创美北京毅铭兴源集成房屋研究院低相关营创美北京彼拓贸易有限公司低相关营创美美称教育不相关营创美北京熙晨文化发展有限公司不相关营创美北京毅铭兴源集成房屋有限公司在一些实施例中，可以采用人工标注与机器标注相结合的方式确定训练关键词和与其对应的每个对应兴趣点的相关性分值。具体的，可以通过机器先进行简单的相关性标注，再由人工标注剩下的复杂情况。例如，若对应兴趣点的名称中包含了搜索关键词的整个文本，则可以将该对应兴趣点与该搜索关键词的相关性标注为完全相关。又例如，若对应兴趣点的名称与搜索关键词没有任何字(或字母)相同，则可以将该对应兴趣点与该搜索关键词的相关性标注为不相关。在一些实施例中，也可以依据用户反馈信息标注训练关键词和与其对应的每个对应兴趣点的相关性分值。例如，可以向用户询问某对应兴趣点与其所输入的关键词是否相关，并由用户选择相关性分值。在一些实施例中，可以获取多组标注好相关性的训练关键词和与其对应的每个对应兴趣点作为机器学习模型训练的样本数据集。进一步地，可以将该样本数据集分为训练数据集和测试数据集。例如，训练数据集和测试数据集的样本数量比可以为8:2。具体的，训练数据集可以用于训练机器学习模型，调节模型参数。测试数据集可以用于检测所训练的机器学习模型的相关性判断效果。进一步地，可以基于机器学习模型对测试数据集的相关性判断效果以及测试数据集的相关性标签构建损失函数，当损失函数收敛时视为训练完成。训练完成后的机器学习模型即可作为相关性质检模型。应该注意的是，关于流程600的描述仅出于说明性目的，并不用于限制本申请的保护范围。对于本领域技术人员来说，在本申请的指导下可以对流程600进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，步骤620中特征提取单元444所提取的其他因素特征也可以用于对机器学习模型进行训练。又例如，样本数据集还可以包括验证数据集，用户在训练过程中对机器学习模型进行验证，以辅助模型的构建。再例如，可以基于相关性质检模型在使用过程中所搜集的数据，对训练好的相关性质检模型进行定期/不定期更新。图7是根据本申请一些实施例所示的确定最终兴趣点列表的示例性流程图。如图7所示，该确定最终兴趣点列表的方法700可以包括：步骤710，当初始兴趣点列表中前第一阈值个初始兴趣点与搜索关键词的相关性均小于第二阈值时，根据搜索关键词从第三方检索系统中获取替补兴趣点列表。具体的，该步骤710可以由替补兴趣点获取单元432执行。步骤720，最终兴趣点确定单元436将替补兴趣点列表确定为最终兴趣点列表。在一些实施例中，若初始兴趣点列表中前第一阈值(如2、3、4、5等)个初始兴趣点与搜索关键词的相关性均较低时，可以认为整个初始兴趣点列表不合理。例如，若初始兴趣点列表中前第一阈值(如2、3、4、5等)个初始兴趣点与搜索关键词的相关性均小于第二阈值(如相关性分数值2)时，可以判定该初始兴趣点列表不合理。初始兴趣点不合理可能是由多方面原因造成的，例如，数据库140中兴趣点数据不全、用户输入的搜索关键词不够合理、根据搜索关键词检索获得初始兴趣点的过程不合理等。若将该不合理的列表发送给用户将很可能导致用户体验下降。因此，当初始兴趣点列表被判定不合理时，替补兴趣点获取单元可以从第三方检索系统中获取替补兴趣点列表。具体的，服务器110(如替补兴趣点获取单元432)可以将搜索关键词通过网络120发送给第三方检索系统；第三方检索系统基于该搜索关键词检索获得兴趣点列表后返回给服务器110，服务器110可以将第三方检索系统返回的兴趣点列表作为替补兴趣点列表。在一些实施例中，第三方检索系统可以包括地图服务系统、导航服务系统、定位系统等。在一些实施例中，替补兴趣点获取单元432获取替补兴趣点列表后，最终兴趣点确定单元436可以将该替补兴趣点列表确定为最终兴趣点列表。在一些替代性实施例中，替补兴趣点获取单元432获取替补兴趣点列表后，还可以对该替补兴趣点列表进行相关性质检，最终兴趣点确定单元436可以将质检后的替补兴趣点列表确定为最终兴趣点列表。图8是根据本申请一些实施例所示的确定最终兴趣点列表的示例性流程图。如图8所示，该确定最终兴趣点列表的方法800可以包括：步骤810，剔除初始兴趣点列表中与搜索关键词的相关性小于第三阈值的初始兴趣点。具体的，该步骤810可以由剔除单元434执行。步骤820，最终兴趣点确定单元436将经过剔除操作的初始兴趣点列表确定为最终兴趣点列表。在一些实施例中，可以人为设定第三阈值，例如，第三阈值可以为低相关(即相关性分值为1)。当初始兴趣点的相关性小于该第三阈值时，即认为该初始兴趣点与搜索关键词不相关(或比较不相关)。若将不相关(或比较不相关)的兴趣点展示给用户，容易造成用户体验下降，因此，有必要将不相关(或比较不相关)的兴趣点予以剔除。在一些实施例中，剔除单元434可以剔除所有初始兴趣点列表中与搜索关键词的相关性小于第三阈值的初始兴趣点。在一些实施例中，剔除单元434也可以仅剔除合理的初始兴趣点列表中与搜索关键词的相关性小于第三阈值的初始兴趣点；而对于不合理的初始兴趣点列表和/或替补兴趣点列表则不进行剔除操作。在一些实施例中，第三阈值可以视具体情况进行调整。例如，当初始兴趣点列表整体相关性(如各初始兴趣点与搜索关键词的相关性均值)较高时，可以将该第三阈值调高。具体的，例如第三阈值可以为相关(即相关性分数值3)；或者，第三阈值对应的相关性分数值可以为2.3、2.5、2.8等。本申请实施例可能带来的有益效果包括但不限于：(1)使发送给用户的兴趣点列表更合理，提升用户体验；(2)所得的兴趣点列表中各兴趣点与搜索关键词的相关性更高；(3)对兴趣点与搜索关键词的相关性判断更加合理。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。当前第1页12