一种地图兴趣点判重的方法、装置及电子设备与流程

本发明涉及地理信息系统领域，特别涉及一种地图兴趣点判重的方法、装置及电子设备。

背景技术：

在地理信息系统领域，通常会设置兴趣点(pointofinteresting，poi)，用来形容地图上的点。地图上，每一个需要被检索的点都可以是一个poi，存储在数据库中，用户需要查找的时候，根据用户所输入的关键词，找到对应poi，并显示在搜索界面上。

一个poi的表达形式有多种，例如：“清华大学”、“清华大学北门”、“北京市海淀区双清路30号”可能表示的是同一个poi，为此，需要一个对poi判重的过程，判定数据库中的两条poi是否是同一个点，为检索提供更准确结果。现有的poi判重的处理方法，通常是通过条件判断方法来实现，例如：分别计算两个poi对应的名称相似度、地址相似度、坐标距离等属性特征，若名称相似度满足条件1、地址相似度满足条件2、坐标距离满足条件3则认为这两个poi相同或不相同的poi。这种条件判断的方法往往只适用于简单的poi判重，对于包含多个属性特征的poi，条件设置的复杂度呈几何倍数增加、其综合性越来越差，导致判重的准确率大大降低。

技术实现要素：

本发明实施例提供一种地图兴趣点判重的方法、装置及电子设备，用于解决现有技术中poi判重存在的准确率差的技术问题。

第一方面，本发明实施例提供一种地图兴趣点判重的方法，该方法包括：

获取待判定的第一地图兴趣点的第一属性特征和第二地图兴趣点的第二属性特征，所述第一属性特征和所述第二属性特征中均包含n个类型的属性特征，n≥1；

获取所述第一属性特征与所述第二属性特征中相同类型的属性特征之间的相似度，并将所述相似度作为所述第一地图兴趣点和所述第二地图兴趣点之间的交叉特征；

将所述第一属性特征、所述第二属性特征以及所述交叉特征输入预先训练好的机器学习模型中，通过所述机器学习模型对所述第一地图兴趣点和所述第二地图兴趣点是否相同进行判定，并输出判定结果。

可选的，所述在输出判定结果之前，所述方法还包括：

将所述第一地图兴趣点和所述第二地图兴趣点与预设的地图兴趣点白名单和/或黑名单进行对比；

若预设的地图兴趣点白名单和/或黑名单中包含与所述第一地图兴趣点和所述第二地图兴趣点相同的地图兴趣点对，获取预设的地图兴趣点白名单和/或黑名单中所述地图兴趣点对的重复标识；

基于所述重复标识修正所述判定结果；

所述输出判定结果包括：输出修正后的所述判定结果。

可选的，所述预先训练好的机器学习模型的训练方法包括：

获取参考实例集，所述参考实例集中每个参考实例包括两个地图兴趣点、所述两个地图兴趣点的属性信息以及表征所述两个地图兴趣点是否相同的重复标识；

针对所述每个参考实例，对所述两个地图兴趣点的属性信息进行特征提取并向量化，获得每个地图兴趣点的属性特征；获取所述两个地图兴趣点对应的相同类型的属性特征之间的相似度，并将所述相似度作为所述两个兴趣点之间的交叉特征；

将每个参考实例的两个地图兴趣点对应的所述属性特征、所述交叉特征及所述重复标识作为训练样本进行机器学习模型训练。

可选的，所述训练样本包括预设比例的正样本和负样本，其中，所述正样本对应的两个地图兴趣点相同，所述负样本对应的两个地图兴趣点不相同。

可选的，所述属性特征包括：地图兴趣点的名称、地址、坐标和/或类别；

所述交叉特征包括：名称相似度、地址相似度、坐标之间的距离和/或类别相似度。

可选的，所述机器学习模型包括：

线性回归、决策树、随机森林、梯度提升树或者神经网络。

第二方面，本发明实施例提供一种地图兴趣点判重的装置，所述装置包括：

获取单元，用于获取待判定的第一地图兴趣点的第一属性特征和第二地图兴趣点的第二属性特征，所述第一属性特征和所述第二属性特征中均包含n个类型的属性特征，n≥1；

计算单元，用于获取所述第一属性特征与所述第二属性特征中相同类型的属性特征之间的相似度，并将所述相似度作为所述第一地图兴趣点和所述第二地图兴趣点之间的交叉特征；

判断单元，用于将所述第一属性特征、所述第二属性特征以及所述交叉特征输入预先训练好的机器学习模型中，通过所述机器学习模型对所述第一地图兴趣点和所述第二地图兴趣点是否相同进行判定，获得判定结果；

输出单元，用于输出所述判定结果。

可选的，所述装置还包括：

比较单元，用于在输出判定结果之前，将所述第一地图兴趣点和所述第二地图兴趣点与预设的地图兴趣点白名单和/或黑名单进行对比；若预设的地图兴趣点白名单和/或黑名单中包含与所述第一地图兴趣点和所述第二地图兴趣点相同的地图兴趣点对，获取预设的地图兴趣点白名单和/或黑名单中所述地图兴趣点对的重复标识；

所述判断单元，还用于基于所述重复标识修正所述判定结果；

所述输出单元，还用于输出修正后的所述判定结果。

可选的，所述装置还包括训练单元，所述训练单元用于：

获取参考实例集，所述参考实例集中每个参考实例包括两个地图兴趣点、所述两个地图兴趣点的属性信息以及表征所述两个地图兴趣点是否相同的重复标识；

针对所述每个参考实例，对所述两个地图兴趣点的属性信息进行特征提取并向量化，获得每个地图兴趣点的属性特征；获取所述两个地图兴趣点对应的相同类型的属性特征之间的相似度，并将所述相似度作为所述两个兴趣点之间的交叉特征；

将每个参考实例的两个地图兴趣点对应的所述属性特征、所述交叉特征及所述重复标识作为训练样本进行机器学习模型训练。

可选的，所述训练样本包括预设比例的正样本和负样本，其中，所述正样本对应的两个地图兴趣点相同，所述负样本对应的两个地图兴趣点不相同。

可选的，所述属性特征包括：地图兴趣点的名称、地址、坐标和/或类别；

所述交叉特征包括：名称相似度、地址相似度、坐标之间的距离和/或类别相似度。

可选的，所述机器学习模型包括：线性回归、决策树、随机森林、梯度提升树或者神经网络。

第三方面，本发明实施例提供一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获取待判定的第一地图兴趣点的第一属性特征和第二地图兴趣点的第二属性特征，所述第一属性特征和所述第二属性特征中均包含n个类型的属性特征，n≥1；

获取所述第一属性特征与所述第二属性特征中相同类型的属性特征之间的相似度，并将所述相似度作为所述第一地图兴趣点和所述第二地图兴趣点之间的交叉特征；

将所述第一属性特征、所述第二属性特征以及所述交叉特征输入预先训练好的机器学习模型中，通过所述机器学习模型对所述第一地图兴趣点和所述第二地图兴趣点是否相同进行判定，并输出判定结果。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

获取待判定的第一地图兴趣点的第一属性特征和第二地图兴趣点的第二属性特征，所述第一属性特征和所述第二属性特征中均包含n个类型的属性特征，n≥1；

获取所述第一属性特征与所述第二属性特征中相同类型的属性特征之间的相似度，并将所述相似度作为所述第一地图兴趣点和所述第二地图兴趣点之间的交叉特征；

将所述第一属性特征、所述第二属性特征以及所述交叉特征输入预先训练好的机器学习模型中，通过所述机器学习模型对所述第一地图兴趣点和所述第二地图兴趣点是否相同进行判定，并输出判定结果。

本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果：

本申请实施例提供一种地图兴趣点判重的方法，获取待判定的第一地图兴趣点的第一属性特征和第二地图兴趣点的第二属性特征；以及获取第一属性特征与第二属性特征中相同类型的属性特征之间的相似度，并将该相似度作为第一地图兴趣点和所述第二地图兴趣点之间的交叉特征；进而，将第一属性特征、第二属性特征以及交叉特征输入预先训练好的机器学习模型中，通过机器学习模型对第一地图兴趣点和所述第二地图兴趣点是否相同进行判定并输出判定结果，使得兴趣点的判重基于兴趣点的多个维度特征并以全局最优的方式进行判定，判重准确率大大提高，解决了现有技术中poi判重存在的准确率差的技术问题。

附图说明

图1为本申请实施例提供的一种地图兴趣点判重的方法的流程示意图；

图2为本申请实施例提供的一种地图兴趣点判重的装置的方框图；

图3为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

在本申请实施例提供的技术方案中，提供一种地图兴趣点判重的方法，获取两个兴趣点多个维度的属性特征及交叉特征，通过预先训练的机器学习模型来对兴趣点进行判重，使得兴趣点的判重以全局最优的方式进行，以解决现有技术中poi判重存在的准确率差的技术问题。

下面结合附图对本申请实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细的阐述。

实施例

请参考图1，本申请实施例提供一种地图兴趣点判重的方法，所述方法包括：

s11：获取待判定的第一地图兴趣点的第一属性特征和第二地图兴趣点的第二属性特征；

s12：获取所述第一属性特征与所述第二属性特征中相同类型的属性特征之间的相似度，并将所述相似度作为所述第一地图兴趣点和所述第二地图兴趣点之间的交叉特征；

s13：将所述第一属性特征、所述第二属性特征以及所述交叉特征输入预先训练好的机器学习模型中，通过所述机器学习模型对所述第一地图兴趣点和所述第二地图兴趣点是否相同进行判定，并输出判定结果。

针对待判重的第一地图兴趣点和第二地图兴趣点，执行s11时可以根据地图兴趣点poi的属性信息，获取第一地图兴趣点的第一属性特征和第二地图兴趣点的第二属性特征。其中，第一属性特征和第二属性特征中均包含n个类型的属性特征，n≥1。

其中，地图兴趣点poi可以是一条路、一座桥、一幢楼、一个餐厅、一个公交站等，每条存储在数据库中的poi的属性信息主要包括：名称、地址、坐标等，进一步的，为了更有效的区分poi，poi的属性信息还可以包括：编号、别名、类别、品牌等。这些属性信息可以通过人工获取(通过实地考察、人工联系确认等方式)，也可以通过互联网抓取。在根据poi的属性信息获取属性特征时，可以直接对每条属性信息进行向量化以获得对应的属性特征；也可以先对每条信息属性信息进行规范化处理如特征提取、信息分类等，然后对规范化后的信息进行向量转化以获得对应的属性特征。其中，由于poi的属性信息往往不规范或包含一些噪声，先进行规范化处理再向量化获得的属性特征更为准确，能够提高判重的准确性。例如：对于名称进行规范化处理，可以先进行名称关键词提取再进行向量化，假设第一兴趣点的名称为“万达广场对面的肯德基”，可以提取“万达广场”、“肯德基”并将提取的文本进行向量化，获得其名称属性特征作为其第一属性特征。对于地址进行规范为处理，可以提取地址中的省、市、区、县、路、街道、楼、门牌号等特征，然后对提取到的特征进行向量化，获得其地址属性特征作为其第一属性特征。

需要说明的是，本实施例并不限制向量化的具体方法，可以通过one–hot向量化训练、word2vec向量化训练、lstm向量化训练等方法来进行向量化。

对于s11获取到的第一属性特征和第二属性特征，继续执行s12获得第一地图兴趣点和第二地图兴趣点之间的交叉特征。通常情况下，第一地图兴趣点和第二地图兴趣点的属性特征均有多个，且包含相同类型的属性特征，例如：均包含属性特征：名称、地址、类别等。两个相同类型的属性特征之间的相似度，往往能够一定程度上反映地图兴趣点poi之间的相似度，为此，获取第一属性特征和第二属性特征中相同类型的属性特征之间的相似度，将该相似度作为第一地图兴趣点和第二地图兴趣点之间的交叉特征，与第一属性特征和第二属性特征一起来进行poi判重，通过多个维度的特征来提高poi判重的准确性。

属性特征之间的相似度，可以通过计算其向量相似度来获取，也可以通过其它相似度计算方法来获取，本实施例不作具体限定。例如：对于第一属性特征和第二属性特征中包含的名称、地址、类别等属性特征的，由于这些属性特征均为用向量表示的文本类特征，可以直接计算对应两个向量之间的相似度，将其向量相似度作为其属性特征之间的相似度。对于坐标、品牌等属性特征，则可以采用个性化的方式来计算其相似度，如：对于坐标可以计算两个坐标之间的距离，将坐标之间的距离作为坐标属性特征之间的相似度，对于品牌可以计算品牌之间的关联度来计算其相似度，如“肯德基”与“kfc”虽然其字符完全不同，但其为同一个品牌，其关联度为100％，可以将其关联度作为其相似度。

在s12获得第一地图兴趣点和第二地图兴趣点之间的交叉特征之后，进一步执行s13将获得的第一属性特征、第二属性特征以及交叉特征输入预先训练好的机器学习模型中，通过该机器学习模型对第一地图兴趣点和第二地图兴趣点是否相同进行判定，并输出判定结果。

其中，预先训练好的机器学习模型，具体通过如下步骤1～3训练获得：

步骤1：获取参考实例集。

参考实例集中包含多个参考实例，即包含多个poi数据对。参考实例集中每个参考实例包括两个地图兴趣点poi、这两个地图兴趣点poi的属性信息以及表征这两个地图兴趣点poi是否相同的重复标识。

获取参考实例时，可以获取人工确认判重结果的两个地图兴趣点poi及其属性信息作为参考实例，也可以获取具有主子结构关系(即一个poi包含另一个poi)的两个地图兴趣点poi及其属性信息作为参考实例，还可以获取在地图检索过程中报错poi、与报错poi对应的正确poi及其对应的属性信息作为参考实例。将获取到的多个参考实例打包形成参考实例集合。在形成参考实例集合时，可以获取正例(参考实例中的两个poi相同)和/或负例(参考实例中的两个poi不相同)作为参考实例集合中的元素。

步骤2：交叉特征提取。

针对参考实例集合中的每个参考实例，对每个参考实例中的两个地图兴趣点的属性信息进行特征提取并向量化，获得每个地图兴趣点的属性特征；然后，获取每个参考实例中的两个地图兴趣点对应的相同类型的属性特征之间的相似度，并将该相似度作为对应两个兴趣点之间的交叉特征。具体的交叉特征提取方式参考s12。

步骤3：样本训练。

将每个参考实例的两个地图兴趣点对应的属性特征、交叉特征及重复标识作为训练样本进行机器学习模型训练。具体的，将每个参考实例的两个地图兴趣点的属性特征和交叉特征作为机器学习模型的输入数据，将每个参考实例的重复标识作为机器学习模型的输出结果，来进行机器学习模型训练，通过多个训练样本完成机器学习模型的训练。其中，机器学习模型可以采用线性回归、决策树、随机森林、梯度提升树或者神经网络等模型，本申请实施例并不限制机器学习模型的类型。

在具体实施过程中，正样本(参考实例中的两个poi相同)、负样本(参考实例中的两个poi不相同)的数量比例会影响到最终机器学习模型的结果的准确性，若正例样本过多，在模型训练时，因为模型算法为求解全局最优解，可能会导致所训练出的模型倾向于预测正例，反之亦然。为此，进行样本训练时，选择预设比例的正样本和负样本，使用于机器学习模型训练的正、负样本尽可能贴近真实世界样本分布。具体的，正样本和负样本的预设比例可以为1:1，即正样本和负样本的数量比例为1:1，以提高训练获得的机器学习模型的准确性。

下面以一个具体例子来对机器学习模型的训练进行举例说明：

假设获得的正例为：

负例为：

其中，重复标识1代表正例，名称、地址是poi的属性信息，此处省略了坐标、电话等属性信息。

对上述参考实例进行特征提取，下述表格为对正例的地址的特征提取，负例的地址特征提取类似：

接下来，对每个参考实例(包含正例和负例)中的两个poi进行交叉特征提取，正例的交叉特征提取如下表所示，负例的交叉特征提取类似：

最后，对提取的属性特征和交叉特征进行向量转换，获得最终的训练样本进行机器学习模型训练，获得训练好的机器学习模型。需要说明的是，本示例中是先对属性特征进行交叉特征提取然后进行向量转换，实施过程中，也可以先对提取到的属性特征进行向量转换，然后基于向量化后的属性特征进行交叉特征提取，直接获得向量化的交叉特征，避免再进行向量转换。

对于机器学习模型的训练，在面对新的属性特征出现时，只需在原有训练数据上添加某一维新特征形成新的训练样本，并将新的训练样本输入机器学习中进行训练，训练获得的模型即可较为简便的解决新增特征的poi的判重问题。在保证模型判定准确率的同时，缩短了后期维护模型的时间。

s13通过上述训练好的机器学习模型对第一地图兴趣点和第二地图兴趣点是否相同进行判定后，可以直接输出判定结果，也可以进一步执行下述步骤对判断结果进行修正，输出修正后的判定结果，进一步提高判定结果的准确性。

修正步骤具体为：将第一地图兴趣点和第二地图兴趣点与预设的地图兴趣点白名单和/或黑名单进行对比；若预设的地图兴趣点白名单和/或黑名单中包含与第一地图兴趣点和第二地图兴趣点相同的地图兴趣点对，获取预设的地图兴趣点白名单和/或黑名单中对应地图兴趣点对的重复标识；基于获得的重复标识修正机器学习模型的判定结果。其中，预设的地图兴趣点白名单和/或黑名单为poi特例，即预先收集的不符合常规判重规则的相同地图兴趣点和/或不同兴趣点形成地图兴趣点对，白名单中的地图兴趣点对中包含的两个地图兴趣点可能名称差别较大，但对应的是同一个位置，对应的重复标识表征这两个地图兴趣点相同，可以用“1”表示；黑名单中的地图兴趣点对中包含的两个地图兴趣点可能名称非常相似，但对应的是不同位置，对应的重复标识表征这两个地图兴趣点不同，可以用“0”表示。第一地图兴趣点与某一地图兴趣点对中的一个地图兴趣点相同，第二地图兴趣点与同一地图兴趣点对中的另一地图兴趣点相同，即第一地图兴趣点和第二地图兴趣点与该地图兴趣点对相同。若与第一地图兴趣点和第二地图兴趣点相同的地图兴趣点对的重复标识为“1”，则将判定结果修正为相同。若与第一地图兴趣点和第二地图兴趣点相同的地图兴趣点对的重复标识为“0”，则将判定结果修正为不相同。通过在机器学习模型对poi判重之后添加特例校正步骤，使机器学习对特例的判定不准的特点得以补充，从而进一步提高整体准确率。

针对上述实施例提供一种地图兴趣点判重的方法，本申请实施例还对应提供一种地图兴趣点判重的装置，请参考图2，该装置包括：

获取单元21，用于获取待判定的第一地图兴趣点的第一属性特征和第二地图兴趣点的第二属性特征，所述第一属性特征和所述第二属性特征中均包含n个类型的属性特征，n≥1；

计算单元22，用于获取所述第一属性特征与所述第二属性特征中相同类型的属性特征之间的相似度，并将所述相似度作为所述第一地图兴趣点和所述第二地图兴趣点之间的交叉特征；

判断单元23，用于将所述第一属性特征、所述第二属性特征以及所述交叉特征输入预先训练好的机器学习模型中，通过所述机器学习模型对所述第一地图兴趣点和所述第二地图兴趣点是否相同进行判定，获得判定结果；

输出单元24，用于输出所述判定结果。

作为一种可选的实施方式，所述装置还可以包括比较单元25，用于在输出判定结果之前，将所述第一地图兴趣点和所述第二地图兴趣点与预设的地图兴趣点白名单和/或黑名单进行对比；若预设的地图兴趣点白名单和/或黑名单中包含与所述第一地图兴趣点和所述第二地图兴趣点相同的地图兴趣点对，获取预设的地图兴趣点白名单和/或黑名单中所述地图兴趣点对的重复标识。进一步的，所述判断单元23，还用于基于比较单元25获得的所述重复标识修正所述判定结果；所述输出单元24，还用于输出修正后的所述判定结果。

作为一种可选的实施方式，所述装置还可以包括训练单元26，用于：

获取参考实例集，所述参考实例集中每个参考实例包括两个地图兴趣点、所述两个地图兴趣点的属性信息以及表征所述两个地图兴趣点是否相同的重复标识；

针对所述每个参考实例，对所述两个地图兴趣点的属性信息进行特征提取并向量化，获得每个地图兴趣点的属性特征；获取所述两个地图兴趣点对应的相同类型的属性特征之间的相似度，并将所述相似度作为所述两个兴趣点之间的交叉特征；

将每个参考实例的两个地图兴趣点对应的所述属性特征、所述交叉特征及所述重复标识作为训练样本进行所述机器学习模型训练。

作为一种可选的实施方式，上述机器学习模型的训练样本包括预设比例的正样本和负样本，其中，所述正样本对应的两个地图兴趣点相同，所述负样本对应的两个地图兴趣点不相同。所述机器学习模型包括：线性回归、决策树、随机森林、梯度提升树或者神经网络。

作为一种可选的实施方式，所述属性特征包括：地图兴趣点的名称、地址、坐标和/或类别；所述交叉特征包括：名称相似度、地址相似度、坐标之间的距离和/或类别相似度。

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。

图3是根据一示例性实施例示出的一种用于实现地图兴趣点判重的电子设备800的框图。例如，电子设备800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。

参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/展现(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800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。处理元件802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理部件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800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804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，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806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800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个展现接口的屏幕。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808包括一个前置摄像头和/或后置摄像头。当设备800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一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为展现和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于展现音频信号。

i/o接口812为处理组件802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。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800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800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信部件816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，所述通信部件816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。

在示例性实施例中，电子设备800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。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，所述非临时性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。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种一种地图兴趣点判重的方法，所述方法包括：

获取待判定的第一地图兴趣点的第一属性特征和第二地图兴趣点的第二属性特征，所述第一属性特征和所述第二属性特征中均包含n个类型的属性特征，n≥1；获取所述第一属性特征与所述第二属性特征中相同类型的属性特征之间的相似度，并将所述相似度作为所述第一地图兴趣点和所述第二地图兴趣点之间的交叉特征；将所述第一属性特征、所述第二属性特征以及所述交叉特征输入预先训练好的机器学习模型中，通过所述机器学习模型对所述第一地图兴趣点和所述第二地图兴趣点是否相同进行判定，并输出判定结果。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明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，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限制

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。