一种兴趣点名称比对方法、装置、电子设备和存储介质与流程

本申请实施例涉及互联网技术领域，尤其涉及人工智能技术领域，具体涉及了一种兴趣点名称比对方法、装置、电子设备和存储介质。

背景技术：

在处理海量地图兴趣点情报数据时，需要判断不同的情报数据是否为描述同一个兴趣点。不同兴趣点之间的名称相似度是最重要的判断依据，名称相似度计算的准确性直接影响了后续计算流程的准确性。

地图兴趣点名称的相似度计算，目前普遍采用下面两种方案：

(1)基于双向lstm(longshort-termmemory，长短期记忆网络)模型的深度语义匹配方法：这种方案使用基于双向lstm的深度神经网络进行名称相似度计算，得到一个相似度概率(0-1连续值，0代表不相似，1代表相似)；(2)基于attention(注意力)的深度语义匹配方法：这种方案使用了transformer框架的attention思想构造深度神经网络进行名称相似度计算，得到一个相似度概率(0-1连续值，0代表不相似，1代表相似)。

然而，这两种方案仍存在一定的不足：方案(1)在计算两个地图兴趣点名称相似度的时候，存在正反向问题，即当调换被比较的两个名称的前后顺序的时候，模型计算出的名称相似度差异很大；方案(2)可以解决方案(1)的问题，但是对于兴趣点名称有一定相似性，但是属于不同行业的情况，相似度计算不准确。

技术实现要素：

本申请实施例公开一种兴趣点名称比对方法、装置、电子设备和介质，以达到准确计算兴趣点名称相似度的目的。

第一方面，本申请实施例公开了一种兴趣点名称比对方法，包括：

获取待比对的第一兴趣点名称和第二兴趣点名称；

根据与第一兴趣点名称和第二兴趣点名称分别对应的语义表示特征，计算第一兴趣点名称与第二兴趣点名称之间的相似度；

其中，所述语义表示特征中包括：兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征；

所述兴趣点名称语义相似度特征为兴趣点名称与其他兴趣点名称间的差异化语义特征，所述兴趣点名称关联语义特征为与兴趣点名称关联的其他属性的语义特征。

上述申请中的一个实施例具有如下优点或有益效果：同时根据兴趣点名称语义相似度特征和至少一个兴趣点名称关联语义特征，计算两个兴趣点名称的相似度，相比于只根据兴趣点名称的特征表示计算两个兴趣点名称相似度，提升计算兴趣点名称相似度的准确性。

另外，根据本申请上述实施例的兴趣点名称比对方法，还可以具有如下附加的技术特征：

可选的，所述兴趣点名称关联语义特征包括：兴趣点名称的行业属性特征，和/或兴趣点名称中各分词的词语属性特征；

所述兴趣点名称的行业属性特征为兴趣点名称所属行业的行业属性的语义特征，所述兴趣点名称中各分词的词语属性特征为兴趣点名称中各分词所属的词语属性的语义特征。

上述申请中的一个实施例具有如下优点或有益效果：确定两个兴趣点名称相似度时，结合兴趣点名称的行业属性特征，和/或兴趣点名称中各分词的词语属性特征，可进一步提高相似度识别的准确性。

可选的，根据与第一兴趣点名称和第二兴趣点名称分别对应的语义表示特征，计算第一兴趣点名称与第二兴趣点名称之间的相似度，包括：

将第一兴趣点名称和第二兴趣点名称分别输入至预先训练的多任务学习模型中；

获取所述多任务学习模型输出的所述第一兴趣点名称与第二兴趣点名称之间的相似度；

所述多任务学习模型包括：并行设置的兴趣点名称相似度识别子模型，以及至少一个兴趣点名称关联特征识别子模型；兴趣点名称相似度识别子模型与各兴趣点名称关联特征识别子模型共用同一语义表示层；

所述语义表示层，用于获取与第一兴趣点名称和第二兴趣点名称分别对应的所述语义表示特征；所述兴趣点名称相似度识别子模型，用于输出第一兴趣点名称和第二兴趣点名称之间的相似度。

上述申请中的一个实施例具有如下优点或有益效果：通过将多个单任务深度神经网络中的语义表示层进行参数共享，多个单任务神经网络合并成一个多任务神经网络学习模型，由于参数共享的语义表示层可以学习到兴趣点更深层的语义表达，因此可以保证兴趣点相似度识别的准确性。

可选的，在获取待比对的第一兴趣点名称和第二兴趣点名称之前，还包括：

获取与兴趣点名称相似度识别子模型以及各兴趣点名称关联特征识别子模型分别匹配的训练样本；

使用所述训练样本对所述多任务学习模型进行训练，并在满足训练结束条件时，得到训练后的所述多任务学习模型。

上述申请中的一个实施例具有如下优点或有益效果：利用不同的训练样本，分别对多任务模型进行训练，使得共享的语义表示层可以学习到兴趣点更深层的语义表达，进而保证训练后的多任务模型的兴趣点相似度识别的准确性。

可选的，所述兴趣点名称相似度识别子模型具体包括：所述语义表示层以及交叉注意力比较层；

所述语义表示层用于获取与输入的两个兴趣点名称分别对应的语义表示特征，并将各所述语义表示特征输入至所述交叉注意力比较层进行相似度比对；

所述交叉注意力比较层，用于输出两个兴趣点名称间的相似度。

可选的，所述兴趣点名称关联特征识别子模型包括兴趣点名称行业分类子模型；所述兴趣点名称关联特征识别子模型包括：所述语义表示层以及全连接分类层；

所述语义表示层，用于获取与输入的兴趣点名称对应的语义表示特征，并将所述语义表示特征输入至所述全连接分类层进行行业分类；

所述全连接分类层，用于输出所述兴趣点名称的行业分类结果。

可选的，所述兴趣点名称关联特征识别子模型还包括兴趣点名称分词解析子模型；所述兴趣点名称分词解析子模型包括：所述语义表示层以及条件随机场层；

所述语义表示层，用于获取与输入的兴趣点名称对应的语义表示特征，并将所述语义表示特征输入至所述条件随机场层进行词语属性的识别；

所述条件随机场层，用于输出所述兴趣点名称中各分词的词语属性。

可选的，使用所述训练样本对所述多任务学习模型进行训练，并在满足训练结束条件时，得到训练后的所述多任务学习模型，包括：

获取与兴趣点名称相似度识别子模型匹配的第一训练样本集合，以及与各所述兴趣点名称关联特征识别子模型分别对应的第二训练样本集合；

分别从所述第一训练样本集合和各所述第二训练样本集合中获取设定数量的训练样本，并顺序加入至新建的多任务训练样本集合中；

使用所述多任务训练样本集合对所述多任务学习模型进行训练后，判断所述多任务学习模型是否满足训练结束条件；

若否，则返回执行分别从所述第一训练样本集合和各所述第二训练样本集合中获取设定数量的训练样本的操作，直至在满足训练结束条件时，得到训练后的所述多任务学习模型。

可选的，判断所述多任务学习模型是否满足训练结束条件包括：

使用测试样本集对所述兴趣点名称相似度识别子模型进行识别准确度测试；

如果所述兴趣点名称相似度识别子模型的识别准确性超过设定阈值，则确定满足所述训练结束条件。

上述申请中的一个实施例具有如下优点或有益效果：通过验证样本进行验证，可以保证训练的多任务模型的相似度识别的准确定。

第二方面，本申请实施例公开了一种兴趣点名称比对装置，包括：

兴趣点名称获取模块，用于获取待比对的第一兴趣点名称和第二兴趣点名称；

相似度计算模块，用于根据与第一兴趣点名称和第二兴趣点名称分别对应的语义表示特征，计算第一兴趣点名称与第二兴趣点名称之间的相似度；

其中，所述语义表示特征中包括：兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征；

所述兴趣点名称的行业属性特征为兴趣点名称所属行业的行业属性的语义特征，所述兴趣点名称中各分词的词语属性特征为兴趣点名称中各分词所属的词语属性的语义特征。

第三方面，本申请实施例还提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的兴趣点名称比对方法。

第四方面，本本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的兴趣点名称比对方法。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的兴趣点名称比对方法的流程示意图；

图2是根据本申请第二实施例的兴趣点名称比对方法的流程示意图；

图3a是根据本申请第三实施例的多任务学习模型训练方法的流程示意图；

图3b是根据本申请第三实施例的多任务学习模型的结构示意图；

图4是根据本申请第四实施例的兴趣点名称比对装置的结构示意图；

图5是用来实现本申请实施例的兴趣点名称比对方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是本申请实施例的兴趣点名称比对方法的流程示意图，本实施例可适用于处理海量地图兴趣点情报数据的情况，例如判断不同的情报数据是否为描述同一个兴趣点的情况。该方法可由一种兴趣点名称比对装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如服务器或计算机设备。如图1所示，该方法具体包括如下：

s101、获取待比对的第一兴趣点名称和第二兴趣点名称。

兴趣点(pointofinterest，poi)是地理信息的表现形式，可以是一个建筑、一个商家或一个公交站点，每个poi的属性信息一般包括名称、地址以及坐标。由此在处理海量地图兴趣点情报数据时，可基于待比对兴趣点的属性信息中，获取待比对的第一兴趣点名称和第二兴趣点名称。

s102、根据与第一兴趣点名称和第二兴趣点名称分别对应的语义表示特征，计算第一兴趣点名称与第二兴趣点名称之间的相似度。

可选的，可通过自然语言处理技术或基于预先训练的模型(例如多任务模型)，从第一兴趣点名称和第二兴趣点名称中分别提取各自对应的语义表示特征，其中，语义表示特征示例性的以特征向量或张量的形式进行表示，该语义表示特征为兴趣点名称的数字化表现形式。在计算第一兴趣点名称与第二兴趣点名称之间的相似度时，可示例性的通过第一兴趣点名称的语义表示特征和第二兴趣点名称的语义表示特征之间的余弦距离或欧式距离，来确定第一兴趣点名称和第二兴趣点名称的相似度。

在本申请实施例中，语义表示特征中包括：兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征。所述兴趣点名称语义相似度特征为兴趣点名称与其他兴趣点名称间的差异化语义特征，所述兴趣点名称关联语义特征为与兴趣点名称关联的其他属性的语义特征。

其中，兴趣点名称语义相似度特征可选的为与名称对应的特征表示，例如可以为名称的特征向量表示；为了使得计算两个兴趣点名称之间的名称相似度时，计算结果准确，需要尽可能的拉大不同兴趣点名称的兴趣点名称语义相似度特征之间的差异，相应的，最终计算得到相似度距离时，计算结果也越准确。因此，计算得到的兴趣点名称的兴趣点名称语义相似度特征，为兴趣点名称与其他兴趣点名称间的差异化语义特征。

其中，获取该差异化语义特征的方式可以为，预先通过训练样本得到一个兴趣点名称相似度识别模型，其中，该训练样本中包括：预先标注有相似度计算结果的两个兴趣点名称，在该兴趣点名称相似度识别模型成功训练得到后，可以使用该兴趣点名称相似度识别模型中的语义表示层，获取与兴趣点名称对应的兴趣点名称语义相似度特征。

通过上述设置，在计算两个兴趣点名称间的相似度时，还同样可以区分名称接近而行业属性不同的兴趣点名称，以提高计算准确性。

在本实施例中，为了使得计算两个兴趣点名称之间的名称相似度时，计算结果更加准确，除了考虑使用兴趣点名称语义相似度特征之外，还进一步使用了兴趣点名称关联语义特征，所述兴趣点名称关联语义特征为与兴趣点名称关联的其他属性的语义特征，以进一步区分不同兴趣点名称的语义特征的差异值。

可选的，兴趣点名称关联语义特征可以包括：兴趣点名称的行业属性特征，和/或兴趣点名称中各分词的词语属性特征。例如，兴趣点名称为“沙县小吃”，其行业属性为“美食”，又如兴趣点名称“北京大学”，包括分词“北京”和“大学”，分词“北京”的词语属性为地理位置，分词“大学”的词语属性为“学校”。

其中，获取一个或者多个兴趣点名称关联语义特征的方式可以为，预先通过训练样本训练得到兴趣点名称关联特征识别模型，例如，兴趣点名称行业分类模型，通过使用预先标注有兴趣点行业分类结果的兴趣点名称作为训练样本对兴趣点名称行业分类模型进行训练，在该兴趣点名称行业分类模型成功训练得到后，可以使用该兴趣点名称行业分类模型中的语义表示层，获取与兴趣点名称对应的兴趣点名称的行业属性特征。

在本实施例的一个可选的实施方式中，可以预先训练与兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征分别对应的机器学习模型，并通过训练得到机器学习模型中的语义表示层，计算得到第一兴趣点与第二兴趣点分别对应的兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征，通过将上述兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征进行组合，得到与第一兴趣点名称和第二兴趣点名称分别对应的语义表示特征。

在本实施例的另一个可选的实施方式中，可以整体训练一个多任务学习模型，该多任务学习模型的不同学习分支分别对应不同的机器学习模型，而上述各机器学习模型均共用同一个语义表示层，在该多任务学习模型训练生成后，通过该语义表示层得到的语义表示特征，可以同时学习到兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征。

相应的，如果所述第一兴趣点名称和第二兴趣点名称的语义表示特征中的兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征是独立可分的，在计算第一兴趣点名称与第二兴趣点名称之间的相似度时，可选的，计算第一兴趣点名称的语义相似度特征与第二兴趣点名称的语义相似度特征之间的相似度结果、以及计算第一兴趣点名称的关联语义特征与第二兴趣点名称的关联语义特征之间的相似度结果，并将得到的相似度结果进行加权求和，得到最终的第一兴趣点名称和第二兴趣点名称的相似度。或者，如果所述第一兴趣点名称和第二兴趣点名称的语义表示特征中同时融合有兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征，则可以直接计算第一兴趣点名称的语义表示特征与第二兴趣点名称的语义表示特征之间的相似度结果，作为第一兴趣点名称和第二兴趣点名称的相似度。

本申请实施例中，同时根据兴趣点名称语义相似度特征和至少一个兴趣点名称关联语义特征，计算两个兴趣点名称的相似度，相比于只根据兴趣点名称的特征表示计算两个兴趣点名称相似度，提升了计算兴趣点名称相似度的准确性。

图2是本申请实施例的兴趣点名称比对方法的流程示意图，本实施例是在上述实施例的基础上进行优化得到的，参见图2，该方法具体包括：

s201、获取待比对的第一兴趣点名称和第二兴趣点名称。

s202、将第一兴趣点名称和第二兴趣点名称分别输入至预先训练的多任务学习模型中。

本申请实施例中，预先训练的多任务学习模型包括：并行设置的兴趣点名称相似度识别子模型，以及至少一个兴趣点名称关联特征识别子模型。其中，兴趣点名称相似度识别子模型，用于输出第一兴趣点名称和第二兴趣点名称之间的相似度，兴趣点名称相似度识别子模型与各兴趣点名称关联特征识别子模型共用同一语义表示层。

在此需要说明的是，至少一个兴趣点名称关联特征识别子模型只适用于多任务学习模型的训练过程中，而在利用训练好的多任务学习模型计算两个兴趣点名称相似度时，实质上只利用多任务模型中的兴趣点名称相似度识别子模型。而且，由于兴趣点名称相似度识别子模型与各兴趣点名称关联特征识别子模型共用同一语义表示层，因此在利用与兴趣点名称相似度识别子模型和各兴趣点名称关联特征识别子模型分别匹配的训练样本，对所述多任务学习模型进行训练后，共用的语义表示层可以全面准确的提取各兴趣点名称对应的语义表示特征，例如同时获取到兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征，进而保证后续识别两个兴趣点相似度的准确性。

由此，在得到训练好的多任务学习模型后，只需将待比对的第一兴趣点名称和第二兴趣点名称分别输入至该多任务学习模型中，即可根据多任务模型输出确定两个兴趣点名称的相似度。

s203、获取所述多任务学习模型输出的所述第一兴趣点名称与第二兴趣点名称之间的相似度。

在将第一兴趣点名称和第二兴趣点名称分别输入至预先训练的多任务学习模型中以后，多任务学习模型的语义表示层获取与第一兴趣点名称和第二兴趣点名称分别对应的语义表示特征，进而基于两个兴趣点名称各自的语义表示特征，计算两个兴趣点名称的相似度。

其中，所述兴趣点名称语义相似度特征为兴趣点名称与其他兴趣点名称间的差异化语义特征，所述兴趣点名称关联语义特征为与兴趣点名称关联的其他属性的语义特征。

本实施例中，通过将多个单任务深度神经网络中的语义表示层进行参数共享，多个单任务神经网络合并成一个多任务学习模型，由于参数共享的语义表示层可以识别到兴趣点更深层的语义表达，因此可以保证兴趣点相似度识别的准确性。

图3a是本申请实施例提供的多任务学习模型的训练方法的流程示意图，参见图3a，该方法具体包括：

s301、获取与兴趣点名称相似度识别子模型以及各兴趣点名称关联特征识别子模型分别匹配的训练样本。

s302、使用所述训练样本对所述多任务学习模型进行训练，并在满足训练结束条件时，得到训练后的所述多任务学习模型。

参见图3b，其示出了多任务学习模型的结构示意图，该多任务学习模型包括：并行设置的兴趣点名称相似度识别子模型、兴趣点名称行业分类子模型、兴趣点名称分词解析子模型，且该三个子模型共用同一个语义表示层。其中兴趣点名称行业分类子模型和兴趣点名称分词解析子模型为兴趣点名称关联特征识别子模型。

其中，兴趣点名称相似度识别子模型具体包括：所述语义表示层以及交叉注意力比较层；与该子模型匹配的训练样本包括两个兴趣点名称，以及所述两个兴趣点间的相似度结果，例如“中国邮政大学-中国政法大学-不相似”。在训练兴趣点名称相似度识别子模型时，所述语义表示层用于获取与输入的两个兴趣点名称分别对应的语义表示特征，并将各所述语义表示特征输入至所述交叉注意力比较层进行相似度比对；所述交叉注意力比较层，用于输出两个兴趣点名称间的相似度。

兴趣点名称行业分类子模型包括：所述语义表示层以及全连接分类层；与该子模型匹配的训练样本包括兴趣点名称，以及与所述兴趣点名称匹配的行业分类，例如“沙县小吃”-“美食”，在训练兴趣点名称行业分类子模型时，所述语义表示层，用于获取与输入的兴趣点名称对应的语义表示特征，并将所述语义表示特征输入至所述全连接分类层进行行业分类；所述全连接分类层，用于输出所述兴趣点名称的行业分类结果。

兴趣点名称分词解析子模型包括：所述语义表示层以及条件随机场(crf)层；与该子模型匹配的训练样本包括兴趣点名称的分词结果，以及与各分词对应的词语属性，在训练兴趣点名称分词解析子模型时，所述语义表示层，用于获取与输入的兴趣点名称对应的语义表示特征，并将所述语义表示特征输入至所述条件随机场层进行词语属性的识别；所述条件随机场层，用于输出所述兴趣点名称中各分词的词语属性。由于兴趣点名称相似度识别子模型与兴趣点名称行业分类子模型、兴趣点名称分词解析子模型共用同一语义表示层，因此在利用对应的训练样本，对多任务学习模型进行训练后，共用的语义表示层可以全面准确的提取各兴趣点名称对应的语义表示特征。

而在具体训练多任务模型时，首先获取一定数量的与兴趣点名称相似度识别子模型匹配的训练样本，对该多任务学习模型中的兴趣点名称相似度识别子模型进行训练，其次再获取一定数量的与兴趣点名称行业分类子模型匹配的训练样本，对该多任务学习模型中的兴趣点名称行业分类子模型进行训练，最后再获取一定数量的与兴趣点名称分词解析子模型对应的训练样本，对该多任务学习模型中的兴趣点名称分词解析子模型进行训练。上述训练过程作为一轮，然后按照上述过程，一轮一轮的对该多任务学习模型进行训练，并在满足训练结束条件时，得到训练后的所述多任务学习模型。

在一种可选的实施方式中，使用所述训练样本对所述多任务学习模型进行训练，并在满足训练结束条件时，得到训练后的所述多任务学习模型的操作，包括：

s1.获取与兴趣点名称相似度识别子模型匹配的第一训练样本集合，以及与各所述兴趣点名称关联特征识别子模型分别对应的第二训练样本集合。

s2.分别从所述第一训练样本集合和各所述第二训练样本集合中获取设定数量的训练样本，并顺序加入至新建的多任务训练样本集合中。

s3.使用所述多任务训练样本集合对所述多任务学习模型进行训练后，判断所述多任务学习模型是否满足训练结束条件。

s4.若否，则返回执行分别从所述第一训练样本集合和各所述第二训练样本集合中获取设定数量的训练样本的操作，直至在满足训练结束条件时，得到训练后的所述多任务学习模型。

其中，判断所述多任务学习模型是否满足训练结束条件包括：使用测试样本集对所述兴趣点名称相似度识别子模型进行识别准确度测试；如果所述兴趣点名称相似度识别子模型的识别准确性超过设定阈值，则确定满足所述训练结束条件。

本申请实施例中，通过构建一个共用语义表示层的多任务模型，并利用样本数据进行训练，使得到的多任务学习模型的语义表示层能够更加准确全面的提取兴趣点名称的语义表示特征，进而保证计算两个兴趣点名称的准确性。

图4是本申请实施例的兴趣点名称比对装置的结构示意图，本实施例可适用于处理海量地图兴趣点情报数据的情况。该装置可实现本申请任意实施例所述的兴趣点名称比对方法。该装置400具体包括如下：

兴趣点名称获取模块401，用于获取待比对的第一兴趣点名称和第二兴趣点名称；

相似度计算模块402，用于根据与第一兴趣点名称和第二兴趣点名称分别对应的语义表示特征，计算第一兴趣点名称与第二兴趣点名称之间的相似度；

其中，所述语义表示特征中包括：兴趣点名称语义相似度特征，以及至少一个兴趣点名称关联语义特征；

所述兴趣点名称语义相似度特征为兴趣点名称与其他兴趣点名称间的差异化语义特征，所述兴趣点名称关联语义特征为与兴趣点名称关联的其他属性的语义特征。

可选的，所述兴趣点名称关联语义特征包括：兴趣点名称的行业属性特征，和/或兴趣点名称中各分词的词语属性特征；

所述兴趣点名称的行业属性特征为兴趣点名称所属行业的行业属性的语义特征，所述兴趣点名称中各分词的词语属性特征为兴趣点名称中各分词所属的词语属性的语义特征。

可选的，所述相似度计算模块包括：

输入单元，用于将第一兴趣点名称和第二兴趣点名称分别输入至预先训练的多任务学习模型中；

相似度计算单元，获取所述多任务学习模型输出的所述第一兴趣点名称与第二兴趣点名称之间的相似度；

所述多任务学习模型包括：并行设置的兴趣点名称相似度识别子模型，以及至少一个兴趣点名称关联特征识别子模型；兴趣点名称相似度识别子模型与各兴趣点名称关联特征识别子模型共用同一语义表示层；

所述语义表示层，用于获取与第一兴趣点名称和第二兴趣点名称分别对应的所述语义表示特征；所述兴趣点名称相似度识别子模型，用于输出第一兴趣点名称和第二兴趣点名称之间的相似度。

可选的，所述装置还包括：

样本获取模块，用于获取与兴趣点名称相似度识别子模型以及各兴趣点名称关联特征识别子模型分别匹配的训练样本；

训练模块，用于使用所述训练样本对所述多任务学习模型进行训练，并在满足训练结束条件时，得到训练后的所述多任务学习模型。

可选的，所述兴趣点名称相似度识别子模型具体包括：所述语义表示层以及交叉注意力比较层；

所述语义表示层用于获取与输入的两个兴趣点名称分别对应的语义表示特征，并将各所述语义表示特征输入至所述交叉注意力比较层进行相似度比对；

所述交叉注意力比较层，用于输出两个兴趣点名称间的相似度。

可选的，所述兴趣点名称关联特征识别子模型包括兴趣点名称行业分类子模型；所述兴趣点名称关联特征识别子模型包括：所述语义表示层以及全连接分类层；

所述语义表示层，用于获取与输入的兴趣点名称对应的语义表示特征，并将所述语义表示特征输入至所述全连接分类层进行行业分类；

所述全连接分类层，用于输出所述兴趣点名称的行业分类结果。

可选的，所述兴趣点名称关联特征识别子模型还包括兴趣点名称分词解析子模型；所述兴趣点名称分词解析子模型包括：所述语义表示层以及条件随机场层；

所述语义表示层，用于获取与输入的兴趣点名称对应的语义表示特征，并将所述语义表示特征输入至所述条件随机场层进行词语属性的识别；

所述条件随机场层，用于输出所述兴趣点名称中各分词的词语属性。

可选的，所述训练模块包括：

获取单元，用于获取与兴趣点名称相似度识别子模型匹配的第一训练样本集合，以及与各所述兴趣点名称关联特征识别子模型分别对应的第二训练样本集合；

选择单元，用于分别从所述第一训练样本集合和各所述第二训练样本集合中获取设定数量的训练样本，并顺序加入至新建的多任务训练样本集合中；

训练单元，用于使用所述多任务训练样本集合对所述多任务学习模型进行训练后，判断所述多任务学习模型是否满足训练结束条件；

判断单元，用于若判断不满足训练结束条件，则返回执行分别从所述第一训练样本集合和各所述第二训练样本集合中获取设定数量的训练样本的操作，直至在满足训练结束条件时，得到训练后的所述多任务学习模型。

可选的，判断所述多任务学习模型是否满足训练结束条件包括：

使用测试样本集对所述兴趣点名称相似度识别子模型进行识别准确度测试；

如果所述兴趣点名称相似度识别子模型的识别准确性超过设定阈值，则确定满足所述训练结束条件。

本申请实施例所提供的兴趣点名称比对装置可执行本申请任意实施例所提供的兴趣点名称比对方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是根据本申请实施例的兴趣点名称比对方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的兴趣点名称比对方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的兴趣点名称比对方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的兴趣点名称比对方法对应的程序指令/模块(例如，附图4所示的兴趣点名称获取模块401、相似度计算模块40)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的兴趣点名称比对方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据实现兴趣点名称比对方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至实现兴趣点名称比对方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现兴趣点名称比对方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与实现兴趣点名称比对方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、互联网和区块链联网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，同时根据兴趣点名称语义相似度特征和至少一个兴趣点名称关联语义特征，计算两个兴趣点名称的相似度，相比于只根据兴趣点名称的特征表示计算两个兴趣点名称相似度，提升了计算兴趣点名称相似度的准确性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。