[發明專利]使用標注模型召回興趣點的系統和方法

有效

• 申請號: 201811249879.8
• 申請日: 2018-10-25
• 公開（公告）號: CN111191107B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 胡娟;陳歡;宋奇;馬利
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9537;G06F40/289
• 代理公司: 成都七星天知識產權代理有限公司 51253
• 代理人: 袁春曉

1.一種訓練標注模型的方法，其特征在于，所述方法包括：

獲取至少兩個訓練樣本，所述至少兩個訓練樣本對應于至少兩個歷史查詢請求，所述至少兩個歷史查詢請求的每一個包括一個或以上術語和對應于所述一個或以上術語的一個或以上標簽；其中，所述歷史查詢請求無法成功召回興趣點，所述歷史查詢請求由用戶輸入，以及所述方法進一步包括：

獲取可成功召回一個或以上興趣點的修改的歷史查詢請求，所述修改的歷史查詢請求由所述用戶通過刪除所述歷史查詢請求中的至少一個術語來確定，所述修改的歷史查詢請求包括一個或以上剩余的術語；

使用第一標簽標記被刪除的至少一個術語，并且使用第二標簽標記所述一個或以上剩余的術語；

將所述一個或以上標記的術語確定為訓練樣本；

通過使用所述至少兩個訓練樣本訓練初始標注模型來生成訓練后的標注模型，其中所述初始標注模型包括一個或以上特征層，所述一個或以上特征層被配置為提取一個或以上術語的每一個術語的特征向量。

2.根據權利要求1所述的訓練標注模型的方法，其特征在于，進一步包括：

對所述歷史查詢請求執行分詞，以確定所述一個或以上術語。

3.根據權利要求1所述的訓練標注模型的方法，其特征在于，所述一個或以上特征層中的每一個對應于特征屬性，所述特征屬性具有權重。

4.根據權利要求3所述的訓練標注模型的方法，其特征在于，所述特征屬性包括位置屬性和城市屬性中的至少一個。

5.根據權利要求1所述的訓練標注模型的方法，其特征在于，所述初始標注模型包括詞嵌入層，所述詞嵌入層被配置為確定所述每個術語的詞嵌入向量，并且所述方法進一步包括：

組合所述每個術語的所述特征向量與所述每個術語的所述詞嵌入向量，以確定所述每個術語的組合向量。

6.根據權利要求1所述的訓練標注模型的方法，其特征在于，所述初始標注模型是基于Bi_LSTM_CRF模型、LSTM_CRF模型、LSTM模型或CRF模型中的至少一個。

7.一種訓練標注模型的系統，其特征在于，包括獲取模塊和訓練模塊：

所述獲取模塊用于獲取至少兩個訓練樣本，所述至少兩個訓練樣本對應于至少兩個歷史查詢請求，所述至少兩個歷史查詢請求的每一個包括一個或以上術語和對應于所述一個或以上術語的一個或以上標簽；所述歷史查詢請求無法成功召回興趣點，所述歷史查詢請求由用戶輸入，以及所述系統進一步包括訓練樣本生成模塊：

所述訓練樣本生成模塊用于獲取可成功召回一個或以上興趣點的修改的歷史查詢請求，所述修改的歷史查詢請求由所述用戶通過刪除所述歷史查詢請求中的至少一個術語來確定，所述修改的歷史查詢請求包括一個或以上剩余的術語；

所述訓練樣本生成模塊還用于使用第一標簽標記被刪除的至少一個術語，并且使用第二標簽標記所述一個或以上剩余的術語；以及

所述訓練樣本生成模塊還用于將所述一個或以上標記的術語確定為訓練樣本；

所述訓練模塊用于通過使用所述至少兩個訓練樣本訓練初始標注模型來生成訓練后的標注模型，其中所述初始標注模型包括一個或以上特征層，所述一個或以上特征層被配置為提取一個或以上術語的每一個術語的特征向量。

8.根據權利要求7所述的訓練標注模型的系統，其特征在于，所述獲取模塊還用于對所述歷史查詢請求執行分詞，以確定所述一個或以上術語。

9.根據權利要求7所述的訓練標注模型的系統，其特征在于，所述一個或以上特征層中的每一個對應于特征屬性，所述特征屬性具有權重。

10.根據權利要求9所述的訓練標注模型的系統，其特征在于，所述特征屬性包括位置屬性和城市屬性中的至少一個。