用于优化兴趣点标签的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于优化兴趣点标签的方法和装置。

背景技术：

兴趣点(pointofinterest，poi)的标签(tag)是地图类应用提供服务的重要基础数据。在地图类应用中，兴趣点的标签可以帮助用户快速的找到对应的兴趣点。例如，当用户搜索“酒店”时，所有包含“酒店”的标签的兴趣点都可以返回给用户，以方便用户快速的找到提供相关服务的兴趣点。此外，在兴趣点推荐，基于位置的广告等场景中，兴趣点的标签都具有重要的作用。

目前，常见的兴趣点标签获取方式主要包括以下两种。其一，通过用户众包标注的方式，由人工手工标注兴趣点的标签。其二，通过使用自然语言处理的技术，从兴趣点的相关评论中提取标签信息。

技术实现要素：

本申请实施例提出了用于优化兴趣点标签的方法和装置。

第一方面，本申请实施例提供了一种用于优化兴趣点标签的方法，包括：获取兴趣点集合和兴趣点集合中的兴趣点的标签集合；基于兴趣点集合和兴趣点集合中的兴趣点的标签集合，生成兴趣点-标签矩阵；提取兴趣点-标签矩阵中的兴趣点-标签的特征；将兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵；基于兴趣点-标签分数矩阵，优化兴趣点集合中的兴趣点的标签集合。

在一些实施例中，兴趣点-标签的特征包括以下至少一项：兴趣点的属性特征、兴趣点的画像特征、标签的画像特征、兴趣点的标签特征和标签的标签特征。

在一些实施例中，提取兴趣点-标签矩阵中的兴趣点-标签的特征，包括：对于兴趣点-标签矩阵中的兴趣点，确定该兴趣点的历史访问用户和/或历史检索用户；聚合该兴趣点的历史访问用户和/或历史检索用户的用户画像，得到该兴趣点的画像特征；对于兴趣点-标签矩阵中的标签，确定属于该标签的兴趣点；基于属于该标签的兴趣点的画像特征，生成该标签的画像特征；和/或对于兴趣点-标签矩阵中的兴趣点，基于地图检索数据，确定该兴趣点的临接兴趣点；统计该兴趣点的临接兴趣点的标签分布，得到该兴趣点的标签特征；对于兴趣点-标签矩阵中的标签，确定属于该标签的兴趣点；基于属于该标签的兴趣点的标签特征，生成该标签的标签特征。

在一些实施例中，基于属于该标签的兴趣点的画像特征，生成该标签的画像特征，包括：计算属于该标签的兴趣点的画像特征的平均值，作为该标签的画像特征，以及基于属于该标签的兴趣点的标签特征，生成该标签的标签特征，包括：计算属于该标签的兴趣点的标签特征的平均值，作为该标签的标签特征。

在一些实施例中，在将兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵之前，还包括：将预先训练的第一机器学习模型、第二机器学习模型和预测模型相融合，得到三元自适应协同学习模型，其中，第一机器学习模型是基于兴趣点-标签矩阵中的兴趣点建立的，第二机器学习模型是基于兴趣点-标签矩阵中的标签建立的，预测模型是基于兴趣点-标签矩阵中的兴趣点建立的。

在一些实施例中，第一机器学习模型、第二机器学习模型和预测模型通过如下步骤训练得到：通过非负矩阵分解的方式，建立从兴趣点-标签矩阵到qr的分解过程，得到分解损失函数，其中，qr是兴趣点-标签矩阵正交三角分解的结果，q是正交矩阵，r是上三角矩阵；建立从兴趣点到标签的匹配模型，其中，匹配模型是基于第一机器学习模型与第二机器学习模型的转置的乘积建立的；通过交叉熵的方式优化第一机器学习模型和第二机器学习模型，得到第一损失函数；基于第一机器学习模型、第二机器学习模型和qr，得到第二损失函数、第三损失函数和第四损失函数；对第一损失函数、第二损失函数、第三损失函数和第四损失函数进行加权求和，得到第一机器学习模型和第二机器学习模型的损失函数；通过交叉熵的方式优化预测模型，得到第五损失函数；基于预测模型和qr，得到第六损失函数；对第五损失函数和第六损失函数进行加权求和，得到预测模型的损失函数；最小化分解损失函数、第一机器学习模型和第二机器学习模型的损失函数以及预测模型的损失函数的加权和，训练得到第一机器学习模型、第二机器学习模型和预测模型的。

在一些实施例中，通过交叉熵的方式优化第一机器学习模型和第二机器学习模型，得到第一损失函数，包括：基于兴趣点-标签矩阵、第一机器学习模型和第二机器学习模型，计算第一损失函数。

在一些实施例中，基于第一机器学习模型、第二机器学习模型和qr，得到第二损失函数、第三损失函数和第四损失函数，包括：计算第一机器学习模型与第二机器学习模型的乘积和qr的差值的列和范数，得到第二损失函数；计算第一机器学习模型与第一机器学习模型的转置的乘积和qr与qr的转置的乘积的差值的谱范数，得到第三损失函数；计算第二机器学习模型与第二机器学习模型的转置的乘积和qr的转置与qr的乘积的差值的谱范数，得到第四损失函数。

在一些实施例中，通过交叉熵的方式优化预测模型，得到第五损失函数，包括：基于兴趣点-标签矩阵和预测模型，计算第五损失函数。

在一些实施例中，基于预测模型和qr，得到第六损失函数，包括：计算预测模型与qr的差值的谱范数，得到第六损失函数。

在一些实施例中，基于兴趣点-标签分数矩阵，优化兴趣点集合中的兴趣点的标签集合，包括：对于兴趣点-标签分数矩阵中的兴趣点-标签分数，若该兴趣点-标签分数高于第一预设分数，且该兴趣点-标签分数对应的兴趣点的标签集合中不包括该兴趣点-标签对应的标签，将该兴趣点-标签对应的标签添加到该兴趣点-标签分数对应的兴趣点的标签集合中；若该兴趣点-标签分数低于第二预设分数，且该兴趣点-标签分数对应的兴趣点的标签集合中包括该兴趣点-标签对应的标签，将该兴趣点-标签对应的标签从该兴趣点-标签分数对应的兴趣点的标签集合中删除。

第二方面，本申请实施例提供了一种用于优化兴趣点标签的装置，包括：获取单元，被配置成获取兴趣点集合和兴趣点集合中的兴趣点的标签集合；生成单元，被配置成基于兴趣点集合和兴趣点集合中的兴趣点的标签集合，生成兴趣点-标签矩阵；提取单元，被配置成提取兴趣点-标签矩阵中的兴趣点-标签的特征；学习单元，被配置成将兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵；优化单元，被配置成基于兴趣点-标签分数矩阵，优化兴趣点集合中的兴趣点的标签集合。

在一些实施例中，兴趣点-标签的特征包括以下至少一项：兴趣点的属性特征、兴趣点的画像特征、标签的画像特征、兴趣点的标签特征和标签的标签特征。

在一些实施例中，提取单元包括：第一确定子单元，被配置成对于兴趣点-标签矩阵中的兴趣点，确定该兴趣点的历史访问用户和/或历史检索用户；聚合子单元，被配置成聚合该兴趣点的历史访问用户和/或历史检索用户的用户画像，得到该兴趣点的画像特征；第二确定子单元，被配置成对于兴趣点-标签矩阵中的标签，确定属于该标签的兴趣点；第一生成子单元，被配置成基于属于该标签的兴趣点的画像特征，生成该标签的画像特征；和/或第三确定子单元，被配置成对于兴趣点-标签矩阵中的兴趣点，基于地图检索数据，确定该兴趣点的临接兴趣点；统计子单元，被配置成统计该兴趣点的临接兴趣点的标签分布，得到该兴趣点的标签特征；第四确定子单元，被配置成对于兴趣点-标签矩阵中的标签，确定属于该标签的兴趣点；第二生成子单元，被配置成基于属于该标签的兴趣点的标签特征，生成该标签的标签特征。

在一些实施例中，第一生成子单元进一步被配置成：计算属于该标签的兴趣点的画像特征的平均值，作为该标签的画像特征，以及第二生成子单元进一步被配置成：计算属于该标签的兴趣点的标签特征的平均值，作为该标签的标签特征。

在一些实施例中，该装置还包括：融合单元，被配置成将预先训练的第一机器学习模型、第二机器学习模型和预测模型相融合，得到三元自适应协同学习模型，其中，第一机器学习模型是基于兴趣点-标签矩阵中的兴趣点建立的，第二机器学习模型是基于兴趣点-标签矩阵中的标签建立的，预测模型是基于兴趣点-标签矩阵中的兴趣点建立的。

在一些实施例中，第一机器学习模型、第二机器学习模型和预测模型通过如下步骤训练得到：通过非负矩阵分解的方式，建立从兴趣点-标签矩阵到qr的分解过程，得到分解损失函数，其中，qr是兴趣点-标签矩阵正交三角分解的结果，q是正交矩阵，r是上三角矩阵；建立从兴趣点到标签的匹配模型，其中，匹配模型是基于第一机器学习模型与第二机器学习模型的转置的乘积建立的；通过交叉熵的方式优化第一机器学习模型和第二机器学习模型，得到第一损失函数；基于第一机器学习模型、第二机器学习模型和qr，得到第二损失函数、第三损失函数和第四损失函数；对第一损失函数、第二损失函数、第三损失函数和第四损失函数进行加权求和，得到第一机器学习模型和第二机器学习模型的损失函数；通过交叉熵的方式优化预测模型，得到第五损失函数；基于预测模型和qr，得到第六损失函数；对第五损失函数和第六损失函数进行加权求和，得到预测模型的损失函数；最小化分解损失函数、第一机器学习模型和第二机器学习模型的损失函数以及预测模型的损失函数的加权和，训练得到第一机器学习模型、第二机器学习模型和预测模型的。

在一些实施例中，通过交叉熵的方式优化第一机器学习模型和第二机器学习模型，得到第一损失函数，包括：基于兴趣点-标签矩阵、第一机器学习模型和第二机器学习模型，计算第一损失函数。

在一些实施例中，基于第一机器学习模型、第二机器学习模型和qr，得到第二损失函数、第三损失函数和第四损失函数，包括：计算第一机器学习模型与第二机器学习模型的乘积和qr的差值的列和范数，得到第二损失函数；计算第一机器学习模型与第一机器学习模型的转置的乘积和qr与qr的转置的乘积的差值的谱范数，得到第三损失函数；计算第二机器学习模型与第二机器学习模型的转置的乘积和qr的转置与qr的乘积的差值的谱范数，得到第四损失函数。

在一些实施例中，通过交叉熵的方式优化预测模型，得到第五损失函数，包括：基于兴趣点-标签矩阵和预测模型，计算第五损失函数。

在一些实施例中，基于预测模型和qr，得到第六损失函数，包括：计算预测模型与qr的差值的谱范数，得到第六损失函数。

在一些实施例中，优化单元包括：添加子单元，被配置成对于兴趣点-标签分数矩阵中的兴趣点-标签分数，若该兴趣点-标签分数高于第一预设分数，且该兴趣点-标签分数对应的兴趣点的标签集合中不包括该兴趣点-标签对应的标签，将该兴趣点-标签对应的标签添加到该兴趣点-标签分数对应的兴趣点的标签集合中；删除子单元，被配置成若该兴趣点-标签分数低于第二预设分数，且该兴趣点-标签分数对应的兴趣点的标签集合中包括该兴趣点-标签对应的标签，将该兴趣点-标签对应的标签从该兴趣点-标签分数对应的兴趣点的标签集合中删除。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于优化兴趣点标签的方法和装置，首先获取兴趣点集合和兴趣点集合中的兴趣点的标签集合；之后基于兴趣点集合和兴趣点集合中的兴趣点的标签集合，生成兴趣点-标签矩阵；而后提取兴趣点-标签矩阵中的兴趣点-标签的特征；然后将兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵；最后基于兴趣点-标签分数矩阵，优化兴趣点集合中的兴趣点的标签集合。从而提高了兴趣点与标签的匹配度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构；

图2是根据本申请的用于优化兴趣点标签的方法的一个实施例的流程图；

图3是根据本申请的用于训练第一机器学习模型、第二机器学习模型和预测模型的方法的一个实施例的流程图；

图4是根据本申请的用于优化兴趣点标签的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于优化兴趣点标签的方法或用于优化兴趣点标签的装置的实施例的示例性系统架构100。

如图1所示，系统架构100中可以包括数据库服务器101、网络102和服务器103。网络102用以在数据库服务器101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

数据库服务器101可以用于存储地图类应用的兴趣点和兴趣点的标签。

服务器103可以是提供各种服务的服务器。例如标签优化服务器。标签优化服务器可以对兴趣点集合和兴趣点集合中的兴趣点的标签集合等数据进行分析等处理，并基于处理结果(例如兴趣点-标签分数矩阵)优化兴趣点集合中的兴趣点的标签集合。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于优化兴趣点标签的方法一般由服务器103执行，相应地，用于优化兴趣点标签的装置一般设置于服务器103中。

应该理解，图1中的数据库服务器、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的数据库服务器、网络和服务器。需要说明的是，在服务器103中存储有兴趣点集合和兴趣点集合中的兴趣点的标签集合的情况下，系统架构100可以不设置数据库服务器101。

继续参考图2，其示出了根据本申请的用于优化兴趣点标签的方法的一个实施例的流程200。该用于优化兴趣点标签的方法，包括以下步骤：

步骤201，获取兴趣点集合和兴趣点集合中的兴趣点的标签集合。

在本实施例中，用于优化兴趣点标签的方法的执行主体(例如图1所示的服务器103)可以获取兴趣点集合和兴趣点集合中的兴趣点的标签集合。其中，在地理信息系统中，兴趣点可以包括但不限于用户感兴趣的商铺、公交车站、大厦、地铁站等等。兴趣点的标签可以是兴趣点的信息，包括但不限于兴趣点的类别、属性等信息。

通常，兴趣点的标签集合的获取方式可以包括但不限于以下至少两种：

其一，兴趣点的标签集合可以是通过人工标注的方式得到的。由于人工标注的标签与兴趣点的匹配度取决于人工标注的认真程度，不可避免的会引入一些错误标签。

其二，兴趣点的标签集合可以是通过从文本数据中挖掘的方式得到的。然而除少数头部兴趣点之外，大部分的尾部兴趣点没有大量的评论，而导致提取出的标签集合中的标签匮乏。

步骤202，基于兴趣点集合和兴趣点集合中的兴趣点的标签集合，生成兴趣点-标签矩阵。

在本实施例中，上述执行主体可以基于兴趣点集合和兴趣点集合中的兴趣点的标签集合，生成兴趣点-标签矩阵。其中，兴趣点-标签矩阵的行与兴趣点对应，且兴趣点-标签矩阵的行数等于兴趣点集合中的兴趣点的数目。兴趣点-标签矩阵的列与标签对应，且兴趣点-标签矩阵的列数等于兴趣点集合中的所有兴趣点的标签集合的并集中的标签的数目。兴趣点-标签矩阵的元素可以用于表示对应兴趣点的标签集合中是否包括对应标签。

例如，兴趣点集合是p＝{p1,p2,...,pn}，那么兴趣点集合p中包括n个兴趣点，其中，第i个兴趣点是pi，n为正整数，1≤i≤n。所有兴趣点的标签集合的并集是t＝{t1,t2,...,tm}，那么所有兴趣点的标签集合的并集t包括m个标签，其中，第j个标签是tj，m为正整数，1≤j≤m。这里，建立一个n行m列的兴趣点-标签矩阵兴趣点-标签矩阵的行与兴趣点集合p中的兴趣点一一对应。兴趣点-标签矩阵的列与所有兴趣点的标签集合的并集t中的标签一一对应。若兴趣点-标签矩阵中的第(i,j)个元素的值为1，表示兴趣点pi的标签集合中包括标签tj。若兴趣点-标签矩阵中的第(i,j)元素的值为0，表示兴趣点pi的标签集合中不包括标签tj。

步骤203，提取兴趣点-标签矩阵中的兴趣点-标签的特征。

在本实施例中，上述执行主体可以提取兴趣点-标签矩阵中的兴趣点-标签的特征。其中，兴趣点-标签的特征可以包括但不限于以下至少一项：兴趣点的属性特征、兴趣点的画像特征、标签的画像特征、兴趣点的标签特征和标签的标签特征等等。通常，兴趣点-标签的特征可以以向量的形式进行表示。例如，兴趣点-标签矩阵的兴趣点的特征可以是兴趣点-标签矩阵的标签的特征可以是

在本实施例的一些可选的实现方式中，提取兴趣点-标签矩阵中的兴趣点-标签的特征的方式可以包括但不限于以下至少两种。

具体地，对于第一种提取兴趣点-标签矩阵中的兴趣点-标签的特征的方式：

首先，对于兴趣点-标签矩阵中的兴趣点，定该兴趣点的历史访问用户和/或历史检索用户。

之后，聚合该兴趣点的历史访问用户和/或历史检索用户的用户画像，得到该兴趣点的画像特征。

然后，对于兴趣点-标签矩阵中的标签，确定属于该标签的兴趣点。

最后，基于属于该标签的兴趣点的画像特征，生成该标签的画像特征。

通常，上述执行主体可以计算属于该标签的兴趣点的画像特征的平均值，作为该标签的画像特征。

具体地，对于第二种提取兴趣点-标签矩阵中的兴趣点-标签的特征的方式：

首先，对于兴趣点-标签矩阵中的兴趣点，基于地图检索数据，确定该兴趣点的临接兴趣点。

其中，若历史检索用户在很短时间内(例如30分钟内)连续检索了该兴趣点和另一个兴趣点，那么可以认为该兴趣点与另一个兴趣点之间有一条边。如果存在多个历史检索用户在很短的时间内连续检索了该兴趣点和另一个兴趣点，那么可以认为该兴趣点与另一个兴趣点之间的边的权重是连续检索该兴趣点和另一个兴趣点的历史检索用户的数量。此时，若该兴趣点与另一个兴趣点之间的边的权重超过预设权重阈值，那么可以认为另一个兴趣点是该兴趣点的临接兴趣点。

之后，统计该兴趣点的临接兴趣点的标签分布，得到该兴趣点的标签特征。

然后，对于兴趣点-标签矩阵中的标签，确定属于该标签的兴趣点。

最后，基于属于该标签的兴趣点的标签特征，生成该标签的标签特征。

通常，上述执行主体可以计算属于该标签的兴趣点的标签特征的平均值，作为该标签的标签特征。

步骤204，将兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵。

在本实施例中，上述执行主体可以将兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵。其中，三元自适应协同学习模型可以用于预测兴趣点对标签的置信度，表示兴趣点的标签集合中包括该标签的概率。

在本实施例的一些可选的实现方式中，三元自适应协同学习模型可以是利用机器学习方法和训练样本对现有的机器学习模型进行有监督训练而得到的。通常，三元自适应协同学习模型可以是将预先训练的第一机器学习模型、第二机器学习模型和预测模型相融合而得到的。其中，第一机器学习模型可以是基于兴趣点-标签矩阵中的兴趣点建立的。第二机器学习模型可以是基于兴趣点-标签矩阵中的标签建立的。预测模型可以是基于兴趣点-标签矩阵中的兴趣点建立的。

步骤205，基于兴趣点-标签分数矩阵，优化兴趣点集合中的兴趣点的标签集合。

在本实施例中，上述执行主体可以基于兴趣点-标签分数矩阵，优化兴趣点集合中的兴趣点的标签集合。

在本实施例的一些可选的实现方式中，对于兴趣点-标签分数矩阵中的兴趣点-标签分数，若该兴趣点-标签分数高于第一预设分数，且该兴趣点-标签分数对应的兴趣点的标签集合中不包括该兴趣点-标签对应的标签，上述执行主体可以将该兴趣点-标签对应的标签添加到该兴趣点-标签分数对应的兴趣点的标签集合中。从而实现对兴趣点的标签的扩充。

在本实施例的一些可选的实现方式中，对于兴趣点-标签分数矩阵中的兴趣点-标签分数，若该兴趣点-标签分数低于第二预设分数，且该兴趣点-标签分数对应的兴趣点的标签集合中包括该兴趣点-标签对应的标签，上述执行主体可以将该兴趣点-标签对应的标签从该兴趣点-标签分数对应的兴趣点的标签集合中删除。从而实现对兴趣点的标签的纠错。

本申请实施例提供的用于优化兴趣点标签的方法，首先获取兴趣点集合和兴趣点集合中的兴趣点的标签集合；之后基于兴趣点集合和兴趣点集合中的兴趣点的标签集合，生成兴趣点-标签矩阵；而后提取兴趣点-标签矩阵中的兴趣点-标签的特征；然后将兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵；最后基于兴趣点-标签分数矩阵，优化兴趣点集合中的兴趣点的标签集合。从而提高了兴趣点与标签的匹配度。

进一步参考图3，其示出了根据本申请的用于训练第一机器学习模型、第二机器学习模型和预测模型的方法的一个实施例的流程300。该用于训练第一机器学习模型、第二机器学习模型和预测模型的方法，包括以下步骤：

步骤301，通过非负矩阵分解的方式，建立从兴趣点-标签矩阵到qr的分解过程，得到分解损失函数。

在本实施例中，用于训练第一机器学习模型、第二机器学习模型和预测模型的方法的执行主体(例如图1所示的服务器103)可以通过非负矩阵分解的方式，建立从兴趣点-标签矩阵到qr的分解过程，得到分解损失函数。其中，qr可以是兴趣点-标签矩阵正交三角分解的结果。通常，兴趣点-标签矩阵可以被分解为正交矩阵与上三角矩阵的乘积。q可以是兴趣点-标签矩阵被正交三角分解出的正交矩阵。r可以是兴趣点-标签矩阵被正交三角分解出的上三角矩阵。qr可以是q与r的乘积。

例如，上述执行主体可以通过如下公式建立从兴趣点-标签矩阵到qr的分解过程：

其中，是分解损失函数。是兴趣点-标签矩阵。q是正交矩阵，且q≥0。r是上三角矩阵，且r≥0。qr是q与r的乘积。‖‖f是矩阵的f(frobenius)范数，即矩阵元素绝对值的平方和再开平方。

步骤302，建立从兴趣点到标签的匹配模型。

在本实施例中，上述执行主体可以建立从兴趣点到标签的匹配模型。其中，匹配模型可以是基于第一机器学习模型与第二机器学习模型的转置的乘积建立的。第一机器学习模型与第二机器学习模型可以是任意的机器学习模型。

例如，上述执行主体可以通过如下公式建立从兴趣点到标签的匹配模型：

s＝f(p)g(t)^t；

其中，s是匹配模型。f(p)是第一机器学习模型。g(t)是第二机器学习模型。是兴趣点-标签矩阵的兴趣点的特征。是兴趣点-标签矩阵的标签的特征。

步骤303，通过交叉熵的方式优化第一机器学习模型和第二机器学习模型，得到第一损失函数。

在本实施例中，上述执行主体可以通过交叉熵的方式优化第一机器学习模型和第二机器学习模型，得到第一损失函数。

在本实施例的一些可选的实现方式中，上述执行主体可以基于兴趣点-标签矩阵、第一机器学习模型和第二机器学习模型，计算第一损失函数。

例如，上述执行主体可以通过如下公式计算第一损失函数：

其中，是第一损失函数，n是兴趣点-标签矩阵的行数。m是兴趣点-标签矩阵的列数。是兴趣点-标签矩阵中的第(i,j)个元素。是兴趣点-标签矩阵的第i行对应的兴趣点pi的特征。是兴趣点-标签矩阵的第j列对应的标签tj的特征。

步骤304，基于第一机器学习模型、第二机器学习模型和qr，得到第二损失函数、第三损失函数和第四损失函数。

在本实施例中，上述执行主体可以基于第一机器学习模型、第二机器学习模型和qr，得到第二损失函数、第三损失函数和第四损失函数。

在本实施例的一些可选的实现方式中，上述执行主体可以计算第一机器学习模型与第二机器学习模型的乘积和qr的差值的列和范数，得到第二损失函数。

例如，上述执行主体可以通过如下公式计算第二损失函数：

其中，是第二损失函数。‖‖是矩阵的列和范数，即所有矩阵列向量绝对值之和的最大值。

在本实施例的一些可选的实现方式中，上述执行主体可以计算第一机器学习模型与第一机器学习模型的转置的乘积和qr与qr的转置的乘积的差值的谱范数，得到第三损失函数。

例如，上述执行主体可以通过如下公式计算第三损失函数：

其中，是第三损失函数。||||2是矩阵的谱范数，即矩阵的最大特征值的开平方。

在本实施例的一些可选的实现方式中，上述执行主体可以计算第二机器学习模型与第二机器学习模型的转置的乘积和qr的转置与qr的乘积的差值的谱范数，得到第四损失函数。

例如，上述执行主体可以通过如下公式计算第四损失函数：

其中，是第四损失函数。

步骤305，对第一损失函数、第二损失函数、第三损失函数和第四损失函数进行加权求和，得到第一机器学习模型和第二机器学习模型的损失函数。

在本实施例中，上述执行主体可以对第一损失函数、第二损失函数、第三损失函数和第四损失函数进行加权求和，得到第一机器学习模型和第二机器学习模型的损失函数。

例如，上述执行主体可以通过如下公式计算第一机器学习模型和第二机器学习模型的损失函数：

其中，是第一机器学习模型和第二机器学习模型的损失函数。λps1是的权重。λps2是的权重。λpp是的权重。λtt是的权重。

步骤306，通过交叉熵的方式优化预测模型，得到第五损失函数。

在本实施例中，上述执行主体可以通过交叉熵的方式优化预测模型，得到第五损失函数。

在本实施例的一些可选的实现方式中，上述执行主体可以基于兴趣点-标签矩阵和预测模型，计算第五损失函数。

例如，上述执行主体可以通过如下公式计算第五损失函数：

其中，是第五损失函数。是兴趣点pi的兴趣点-标签矩阵中的向量，表示兴趣点pi的标签集合中的标签。是预测函数。

步骤307，基于预测模型和qr，得到第六损失函数。

在本实施例中，上述执行主体可以基于预测模型和qr，得到第六损失函数。

在本实施例的一些可选的实现方式中，上述执行主体可以计算预测模型与qr的差值的谱范数，得到第六损失函数。

例如，上述执行主体可以通过如下公式计算第六损失函数：

其中，是第六损失函数。

步骤308，对第五损失函数和第六损失函数进行加权求和，得到预测模型的损失函数。

在本实施例中，上述执行主体可以对第五损失函数和第六损失函数进行加权求和，得到预测模型的损失函数。

例如，上述执行主体可以通过如下公式计算预测模型的损失函数：

其中，是预测模型的损失函数。λc1是的权重。λc2是的权重。

步骤309，最小化分解损失函数、第一机器学习模型和第二机器学习模型的损失函数以及预测模型的损失函数的加权和，训练得到第一机器学习模型、第二机器学习模型和预测模型的。

在本实施例中，上述执行主体可以最小化分解损失函数、第一机器学习模型和第二机器学习模型的损失函数以及预测模型的损失函数的加权和，训练得到第一机器学习模型、第二机器学习模型和预测模型的。

例如，上述执行主体可以通过如下公式最小化分解损失函数、第一机器学习模型和第二机器学习模型的损失函数以及预测模型的损失函数的加权和：

其中，是分解损失函数、第一机器学习模型和第二机器学习模型的损失函数以及预测模型的损失函数的加权和。λmf是的权重。λps是的权重。λc是的权重。λθ是所有参数的权重。θ是所有参数，即第一机器学习模型、第二机器学习模型和预测模型的所有参数。

随后，上述执行主体可以将预先训练的第一机器学习模型、第二机器学习模型和预测模型相融合，得到三元自适应协同学习模型。例如，三元自适应协同学习模型可以通过如下公式学习兴趣点p0的兴趣点-标签分数：

其中，y0,*是兴趣点p0的兴趣点-标签分数。是兴趣点p0对应的分解损失函数。是兴趣点p0对应的第一机器学习模型和第二机器学习模型的损失函数。是兴趣点p0对应的预测模型的损失函数。α是的权重。β是的权重。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于优化兴趣点标签的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于优化兴趣点标签的装置400可以包括：获取单元401、生成单元402、提取单元403、学习单元404和优化单元405。其中，获取单元401，被配置成获取兴趣点集合和兴趣点集合中的兴趣点的标签集合；生成单元402，被配置成基于兴趣点集合和兴趣点集合中的兴趣点的标签集合，生成兴趣点-标签矩阵；提取单元403，被配置成提取兴趣点-标签矩阵中的兴趣点-标签的特征；学习单元404，被配置成将兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵；优化单元405，被配置成基于兴趣点-标签分数矩阵，优化兴趣点集合中的兴趣点的标签集合。

在本实施例中，用于优化兴趣点标签的装置400中：获取单元401、生成单元402、提取单元403、学习单元404和优化单元405的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，兴趣点-标签的特征包括以下至少一项：兴趣点的属性特征、兴趣点的画像特征、标签的画像特征、兴趣点的标签特征和标签的标签特征。

在本实施例的一些可选的实现方式中，提取单元403包括：第一确定子单元(图中未示出)，被配置成对于兴趣点-标签矩阵中的兴趣点，确定该兴趣点的历史访问用户和/或历史检索用户；聚合子单元(图中未示出)，被配置成聚合该兴趣点的历史访问用户和/或历史检索用户的用户画像，得到该兴趣点的画像特征；第二确定子单元(图中未示出)，被配置成对于兴趣点-标签矩阵中的标签，确定属于该标签的兴趣点；第一生成子单元(图中未示出)，被配置成基于属于该标签的兴趣点的画像特征，生成该标签的画像特征；和/或第三确定子单元(图中未示出)，被配置成对于兴趣点-标签矩阵中的兴趣点，基于地图检索数据，确定该兴趣点的临接兴趣点；统计子单元(图中未示出)，被配置成统计该兴趣点的临接兴趣点的标签分布，得到该兴趣点的标签特征；第四确定子单元(图中未示出)，被配置成对于兴趣点-标签矩阵中的标签，确定属于该标签的兴趣点；第二生成子单元(图中未示出)，被配置成基于属于该标签的兴趣点的标签特征，生成该标签的标签特征。

在本实施例的一些可选的实现方式中，第一生成子单元进一步被配置成：计算属于该标签的兴趣点的画像特征的平均值，作为该标签的画像特征，以及第二生成子单元进一步被配置成：计算属于该标签的兴趣点的标签特征的平均值，作为该标签的标签特征。

在本实施例的一些可选的实现方式中，用于优化兴趣点标签的装置400还包括：融合单元(图中未示出)，被配置成将预先训练的第一机器学习模型、第二机器学习模型和预测模型相融合，得到三元自适应协同学习模型，其中，第一机器学习模型是基于兴趣点-标签矩阵中的兴趣点建立的，第二机器学习模型是基于兴趣点-标签矩阵中的标签建立的，预测模型是基于兴趣点-标签矩阵中的兴趣点建立的。

在本实施例的一些可选的实现方式中，第一机器学习模型、第二机器学习模型和预测模型通过如下步骤训练得到：通过非负矩阵分解的方式，建立从兴趣点-标签矩阵到qr的分解过程，得到分解损失函数，其中，qr是兴趣点-标签矩阵正交三角分解的结果，q是正交矩阵，r是上三角矩阵；建立从兴趣点到标签的匹配模型，其中，匹配模型是基于第一机器学习模型与第二机器学习模型的转置的乘积建立的；通过交叉熵的方式优化第一机器学习模型和第二机器学习模型，得到第一损失函数；基于第一机器学习模型、第二机器学习模型和qr，得到第二损失函数、第三损失函数和第四损失函数；对第一损失函数、第二损失函数、第三损失函数和第四损失函数进行加权求和，得到第一机器学习模型和第二机器学习模型的损失函数；通过交叉熵的方式优化预测模型，得到第五损失函数；基于预测模型和qr，得到第六损失函数；对第五损失函数和第六损失函数进行加权求和，得到预测模型的损失函数；最小化分解损失函数、第一机器学习模型和第二机器学习模型的损失函数以及预测模型的损失函数的加权和，训练得到第一机器学习模型、第二机器学习模型和预测模型的。

在本实施例的一些可选的实现方式中，通过交叉熵的方式优化第一机器学习模型和第二机器学习模型，得到第一损失函数，包括：基于兴趣点-标签矩阵、第一机器学习模型和第二机器学习模型，计算第一损失函数。

在本实施例的一些可选的实现方式中，基于第一机器学习模型、第二机器学习模型和qr，得到第二损失函数、第三损失函数和第四损失函数，包括：计算第一机器学习模型与第二机器学习模型的乘积和qr的差值的列和范数，得到第二损失函数；计算第一机器学习模型与第一机器学习模型的转置的乘积和qr与qr的转置的乘积的差值的谱范数，得到第三损失函数；计算第二机器学习模型与第二机器学习模型的转置的乘积和qr的转置与qr的乘积的差值的谱范数，得到第四损失函数。

在本实施例的一些可选的实现方式中，通过交叉熵的方式优化预测模型，得到第五损失函数，包括：基于兴趣点-标签矩阵和预测模型，计算第五损失函数。

在本实施例的一些可选的实现方式中，基于预测模型和qr，得到第六损失函数，包括：计算预测模型与qr的差值的谱范数，得到第六损失函数。

在本实施例的一些可选的实现方式中，优化单元405包括：添加子单元(图中未示出)，被配置成对于兴趣点-标签分数矩阵中的兴趣点-标签分数，若该兴趣点-标签分数高于第一预设分数，且该兴趣点-标签分数对应的兴趣点的标签集合中不包括该兴趣点-标签对应的标签，将该兴趣点-标签对应的标签添加到该兴趣点-标签分数对应的兴趣点的标签集合中；删除子单元(图中未示出)，被配置成若该兴趣点-标签分数低于第二预设分数，且该兴趣点-标签分数对应的兴趣点的标签集合中包括该兴趣点-标签对应的标签，将该兴趣点-标签对应的标签从该兴趣点-标签分数对应的兴趣点的标签集合中删除。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器103)的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、生成单元、提取单元、学习单元和优化单元。其中，这些单元的名称在种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取兴趣点集合和兴趣点集合中的兴趣点的标签集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取兴趣点集合和兴趣点集合中的兴趣点的标签集合；基于兴趣点集合和兴趣点集合中的兴趣点的标签集合，生成兴趣点-标签矩阵；提取兴趣点-标签矩阵中的兴趣点-标签的特征；将兴趣点-标签矩阵中的兴趣点-标签的特征输入至预先训练的三元自适应协同学习模型，得到兴趣点-标签分数矩阵；基于兴趣点-标签分数矩阵，优化兴趣点集合中的兴趣点的标签集合。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。