本申请公开了一种地理信息检索方法、装置、电子设备及可读存储介质，该方法包括：获取用户在终端输入的查询语句和终端当前的经纬度信息；基于所述查询语句，确定至少一个候选兴趣点POI信息，所述候选POI信息包括经纬度信息；基于所述查询语句、所述终端当前的经纬度信息、确定的每个候选POI信息，确定每个候选POI信息与所述查询语句之间的相似度；基于每个所述相似度，从所述至少一个候选POI信息中选择至少一个目标POI信息，并在所述终端进行展示。本申请实施例提供的地理信息检索方法、装置、电子设备及可读存储介质，能够大大提高地理信息检索的速度和准确度。
地理信息检索方法、装置、电子设备及可读存储介质
技术领域
[0001] 本申请涉及检索技术领域，具体而言，涉及一种地理信息检索方法、装置、电子设备及可读存储介质
背景技术
[0002] 目前，用户经常使用移动设备对兴趣点(Points of Interest，POI)信息进行检索，由于移动端的显示尺寸的限制，展示给用户的目标POI个数有限，并且用户在进行POI检索时，往往已有明确的检索意图。因此，需要在用户输入尽可能少的查询语句的情况下，确定准确的目标POI信息。
[0003] 现有的地理信息检索方法，仅基于查询语句和POI信息进行目标POI信息的检索，地理信息检索的速度和准确度均欠佳。
发明内容
[0004] 有鉴于此，本申请实施例的目的在于提供一种地理信息检索方法、装置、电子设备及可读存储介质，能够大大提高地理信息检索的速度和准确度。
[0005] 第一方面，本申请实施例提供一种地理信息检索方法，包括：
[0006] 获取用户在终端输入的查询语句和终端当前的经纬度信息；
[0007] 基于所述查询语句，确定至少一个候选兴趣点POI信息，所述候选POI信息包括经纬度信息；
[0008] 基于所述查询语句、所述终端当前的经纬度信息、确定的每个候选POI信息，确定每个候选POI信息与所述查询语句之间的相似度；
[0009] 基于每个所述相似度，从所述至少一个候选POI信息中选择至少一个目标POI信息，并在所述终端进行展示。
[0010] 一种可能的实施方式中，从所述至少一个候选POI信息中选择至少一个目标POI信息，并在所述终端进行展示之后，还包括：
[0011] 获取用户输入的更新后的查询语句；
[0012] 返回基于查询语句，确定至少一个候选POI信息的步骤。
[0013] 一种可能的实施方式中，
[0014] 所述候选POI信息还包括：候选POI的名称；
[0015] 所述基于所述查询语句、所述终端当前的经纬度信息、确定的每个候选POI信息，确定每个候选POI信息与所述查询语句之间的相似度，包括：
[0016] 针对每个候选POI信息，确定所述查询语句对应的第一语义特征向量，以及该候选POI信息中包括的候选POI的名称对应的第二语义特征向量；
[0017] 基于所述终端当前的经纬度信息和该候选POI信息对应的经纬度信息，确定地理位置特征向量，所述地理位置特征向量用于表征所述终端当前位置与该候选POI信息对应的位置之间的位置关系；
[0018] 基于所述第一语义特征向量、所述第二语义特征向量、和所述地理位置特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0019] 一种可能的实施方式中，所述基于所述第一语义特征向量、所述第二语义特征向量和所述地理位置特征向量，确定该候选POI信息与所述查询语句之间的相似度，包括：
[0020] 将所述地理位置特征向量与所述第一语义特征向量进行拼接，得到第三语义特征向量；
[0021] 基于所述第三语义特征向量和所述第二语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0022] 一种可能的实施方式中，所述基于所述第一语义特征向量、所述第二语义特征向量和所述地理位置特征向量，确定该候选POI信息与所述查询语句之间的相似度，包括：
[0023] 将所述地理位置特征向量与所述第二语义特征向量进行拼接，得到第四语义特征向量；
[0024] 基于所述第一语义特征向量和所述第四语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0025] 一种可能的实施方式中，所述基于所述第一语义特征向量、所述第二语义特征向量和所述地理位置特征向量，确定该候选POI信息与所述查询语句之间的相似度，包括：
[0026] 将所述地理位置特征向量与所述第一语义特征向量进行拼接，得到第五语义特征向量；
[0027] 将所述地理位置特征向量与所述第二语义特征向量进行拼接，得到第六语义特征向量；
[0028] 基于所述第五语义特征向量和所述第六语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0029] 一种可能的实施方式中，所述方法还包括获取候选POI信息对应的经纬度信息的步骤：
[0030] 获取候选POI信息实际定位得到的经纬度信息；
[0031] 将地图划分为预设大小的网格，并根据所述候选POI信息实际定位得到的经纬度信息确定候选POI信息落入的目标网格；
[0032] 根据所述目标网格中预设坐标点的经纬度信息，确定所述候选POI信息对应的经纬度信息。
[0033] 一种可能的实施方式中，所述根据所述目标网格中预设坐标点的经纬度信息，确定所述候选POI信息对应的经纬度信息，包括：
[0034] 获取与所述目标网格相邻的网格中预设坐标点的经纬度信息；
[0035] 对所述目标网格中预设坐标点的经纬度信息和获取的与所述目标网格相邻的网格中预设坐标点的经纬度信息进行加权计算，得到所述候选POI信息对应的经纬度信息。
[0036] 一种可能的实施方式中，所述获取与所述目标网格相邻的网格中预设坐标点的经纬度信息，包括：
[0037] 获取与所述目标网格在经度方向上相邻的至少一个网格中预设坐标点的经度；
[0038] 所述对所述目标网格中预设坐标点的经纬度信息和获取的与所述目标网格相邻的网格中预设坐标点的经纬度信息进行加权计算，得到所述候选POI信息对应的经纬度信息，包括：
[0039] 对所述目标网格中预设坐标点的经度和与所述目标网格在经度方向上相邻的至少一个网格中预设坐标点的经度进行加权计算，得到所述候选POI信息对应的经度。
[0040] 一种可能的实施方式中，所述获取与所述目标网格相邻的网格中预设坐标点的经纬度信息，还包括：
[0041] 获取与所述目标网格在纬度方向上相邻的至少一个网格中预设坐标点的纬度；
[0042] 所述对所述目标网格中预设坐标点的经纬度信息和获取的与所述目标网格相邻的网格中预设坐标点的经纬度信息进行加权计算，得到所述候选POI信息对应的经纬度信息，还包括：
[0043] 对所述目标网格中预设坐标点的纬度和与所述目标网格在纬度方向上相邻的至少一个网格中预设坐标点的纬度进行加权计算，得到所述候选POI信息对应的纬度。
[0044] 一种可能的实施方式中，所述候选POI信息还包括：候选POI的地址；
[0045] 所述方法还包括，确定所述候选POI信息对应的第二语义特征向量的步骤：
[0046] 分别确定所述候选POI的名称对应的第一名称语义向量，和所述候选POI的地址对应的第一地址语义向量；
[0047] 基于所述第一名称语义向量和所述第一地址语义向量，确定所述第二语义特征向量。
[0048] 一种可能的实施方式中，所述基于所述第一名称语义向量和第一所述地址语义向量，确定所述第二语义特征向量，包括：
[0049] 针对所述第一名称语义向量中的每一维特征，确定该维特征与所述地址语义向量中每一维特征的第一特征关联度，并利用所有所述第一特征关联度和所述第一名称语义向量，得到第二名称语义向量；
[0050] 针对所述第一地址语义向量中的每一维特征，确定该维特征与所述名称语义向量中每一维特征的第二特征关联度，并利用所有所述第二特征关联度和所述第一地址语义向量，得到第二地址语义向量；
[0051] 根据所述第二名称语义向量和所述第二地址语义向量，确定所述第二语义特征向量。
[0052] 一种可能的实施方式中，所述确定所述查询语句对应的第一语义特征向量，包括：
[0053] 对所述查询语句进行分词；
[0054] 基于分词得到的各个词汇，确定所述查询语句的语义特征向量；
[0055] 针对所述查询语句的语义特征向量中每一维特征，计算该维特征与所述查询语句的语义特征向量中其余每一维特征的第一相似度；
[0056] 基于所述查询语句的语义特征向量和所有所述第一相似度，确定所述第一语义特征向量。
[0057] 一种可能的实施方式中，基于所述终端当前的经纬度信息和该候选的POI信息对应的经纬度信息，确定地理位置特征向量，包括：
[0058] 提取所述终端当前的经纬度信息以及该候选POI信息对应的经纬度信息的特征，得到经纬度特征向量；
[0059] 针对所述经纬度特征向量中每一维特征，计算该维特征与所述经纬度特征向量中其余每一维特征的第二相似度；
[0060] 基于所述经纬度特征向量和所有所述第二相似度，确定所述地理位置特征向量。
[0061] 一种可能的实施方式中，所述基于所述查询语句、所述终端当前的经纬度信息、确定的每个候选POI信息，确定每个候选POI信息与所述查询语句之间的相似度，包括：
[0062] 针对每个候选POI信息，将所述查询语句、所述终端当前的经纬度信息和该候选POI信息输入预先训练的机器学习模型中，得到该候选POI信息与所述查询语句之间的相似度。
[0063] 一种可能的实施方式中，所述方法还包括，下述训练所述机器学习模型的步骤：
[0064] 获取用户在终端输入的多个历史查询语句、用户在输入每个历史查询语句时终端所在的历史经纬度信息、每个历史查询语句对应的历史候选POI信息和每个历史查询语句对应的历史目标POI信息；
[0065] 使用每个历史查询语句、每个历史查询语句对应的历史经纬度信息、每个历史候选POI信息和每个历史目标POI信息确定训练样本，并利用所述训练样本对初始机器学习模型进行训练，得到所述机器学习模型。
[0066] 一种可能的实施方式中，所述使用每个历史查询语句、每个历史查询语句对应的历史经纬度信息、每个历史候选POI信息和每个历史目标POI信息确定训练样本，包括：
[0067] 针对每个历史查询语句，获取用户输入该历史查询语句后实际点选的历史目标POI信息；
[0068] 使用每个历史查询语句、每个历史查询语句对应的实际点选的历史目标POI信息和每个历史查询语句对应的历史经纬度信息，构建正样本；
[0069] 使用每个历史查询语句、每个历史查询语句对应的没有点选的历史候选POI信息和每个历史查询语句对应的历史经纬度信息，构建负样本。
[0070] 第二方面，本申请实施例还提供一种地理信息检索装置，包括：
[0071] 获取模块，用于获取用户在终端输入的查询语句和终端当前的经纬度信息；
[0072] 确定模块，用于基于所述查询语句，确定至少一个候选兴趣点POI信息，所述候选POI信息包括经纬度信息；
[0073] 相似度计算模块，用于基于所述查询语句、所述终端当前的经纬度信息、确定的每个候选POI信息，确定每个候选POI信息与所述查询语句之间的相似度；
[0074] 结果选择模块，用于基于每个所述相似度，从所述至少一个候选POI信息中选择至少一个目标POI信息，并在所述终端进行展示。
[0075] 一种可能的实施方式中，所述获取模块，还用于获取用户输入的更新后的查询语句；
[0076] 所述确定模块，还用于基于所述更新后的查询语句，确定至少一个候选POI信息。
[0077] 一种可能的实施方式中，所述候选POI信息还包括：候选POI的名称；
[0078] 所述相似度计算模块，包括：
[0079] 语义特征确定模块，用于针对每个候选POI信息，确定所述查询语句对应的第一语义特征向量，以及该候选POI信息中包括的候选POI的名称对应的第二语义特征向量；
[0080] 位置特征确定模块，用于基于所述终端当前的经纬度信息和该候选POI信息对应的经纬度信息，确定地理位置特征向量，所述地理位置特征向量用于表征所述终端当前位置与该候选POI信息对应的位置之间的位置关系；
[0081] 相似度确定模块，用于基于所述第一语义特征向量、所述第二语义特征向量、和所述地理位置特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0082] 一种可能的实施方式中，所述相似度确定模块，还用于：
[0083] 将所述地理位置特征向量与所述第一语义特征向量进行拼接，得到第三语义特征向量；
[0084] 基于所述第三语义特征向量和所述第二语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0085] 一种可能的实施方式中，所述相似度确定模块，还用于：
[0086] 将所述地理位置特征向量与所述第二语义特征向量进行拼接，得到第四语义特征向量；
[0087] 基于所述第一语义特征向量和所述第四语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0088] 一种可能的实施方式中，所述相似度确定模块，还用于：
[0089] 将所述地理位置特征向量与所述第一语义特征向量进行拼接，得到第五语义特征向量；
[0090] 将所述地理位置特征向量与所述第二语义特征向量进行拼接，得到第六语义特征向量；
[0091] 基于所述第五语义特征向量和所述第六语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0092] 一种可能的实施方式中，所述装置还包括经纬度确定模块，用于：
[0093] 获取候选POI信息实际定位得到的经纬度信息；
[0094] 将地图划分为预设大小的网格，并根据所述候选POI信息实际定位得到的经纬度信息确定候选POI信息落入的目标网格；
[0095] 根据所述目标网格中预设坐标点的经纬度信息，确定所述候选POI信息对应的经纬度信息。
[0096] 一种可能的实施方式中，所述经纬度确定模块，还用于：
[0097] 获取与所述目标网格相邻的网格中预设坐标点的经纬度信息；
[0098] 对所述目标网格中预设坐标点的经纬度信息和获取的与所述目标网格相邻的网格中预设坐标点的经纬度信息进行加权计算，得到所述候选POI信息对应的经纬度信息。
[0099] 一种可能的实施方式中，所述经纬度确定模块，还用于：
[0100] 获取与所述目标网格在经度方向上相邻的至少一个网格中预设坐标点的经度；
[0101] 所述对所述目标网格中预设坐标点的经纬度信息和获取的与所述目标网格相邻的网格中预设坐标点的经纬度信息进行加权计算，得到所述候选POI信息对应的经纬度信息，包括：
[0102] 对所述目标网格中预设坐标点的经度和与所述目标网格在经度方向上相邻的至少一个网格中预设坐标点的经度进行加权计算，得到所述候选POI信息对应的经度。
[0103] 一种可能的实施方式中，所述经纬度确定模块，还用于：
[0104] 获取与所述目标网格在纬度方向上相邻的至少一个网格中预设坐标点的纬度；
[0105] 所述对所述目标网格中预设坐标点的经纬度信息和获取的与所述目标网格相邻的网格中预设坐标点的经纬度信息进行加权计算，得到所述候选POI信息对应的经纬度信息，还包括：
[0106] 对所述目标网格中预设坐标点的纬度和与所述目标网格在纬度方向上相邻的至少一个网格中预设坐标点的纬度进行加权计算，得到所述候选POI信息对应的纬度。
[0107] 一种可能的实施方式中，所述候选POI信息还包括：候选POI的地址；
[0108] 所述语义特征确定模块，用于：
[0109] 分别确定所述候选POI的名称对应的第一名称语义向量，和所述候选POI的地址对应的第一地址语义向量；
[0110] 基于所述第一名称语义向量和所述第一地址语义向量，确定所述第二语义特征向量。
[0111] 一种可能的实施方式中，所述语义特征确定模块，还用于：
[0112] 针对所述第一名称语义向量中的每一维特征，确定该维特征与所述地址语义向量中每一维特征的第一特征关联度，并利用所有所述第一特征关联度和所述第一名称语义向量，得到第二名称语义向量；
[0113] 针对所述第一地址语义向量中的每一维特征，确定该维特征与所述名称语义向量中每一维特征的第二特征关联度，并利用所有所述第二特征关联度和所述第一地址语义向量，得到第二地址语义向量；
[0114] 根据所述第二名称语义向量和所述第二地址语义向量，确定所述第二语义特征向量。
[0115] 一种可能的实施方式中，所述语义特征确定模块，还用于：
[0116] 对所述查询语句进行分词；
[0117] 基于分词得到的各个词汇，确定所述查询语句的语义特征向量；
[0118] 针对所述查询语句的语义特征向量中每一维特征，计算该维特征与所述查询语句的语义特征向量中其余每一维特征的第一相似度；
[0119] 基于所述查询语句的语义特征向量和所有所述第一相似度，确定所述第一语义特征向量。
[0120] 一种可能的实施方式中，所述位置特征确定模块，还用于：
[0121] 提取所述终端当前的经纬度信息以及该候选POI信息对应的经纬度信息的特征，得到经纬度特征向量；
[0122] 针对所述经纬度特征向量中每一维特征，计算该维特征与所述经纬度特征向量中其余每一维特征的第二相似度；
[0123] 基于所述经纬度特征向量和所有所述第二相似度，确定所述地理位置特征向量。
[0124] 一种可能的实施方式中，所述相似度计算模块，还用于：
[0125] 针对每个候选POI信息，将所述查询语句、所述终端当前的经纬度信息和该候选POI信息输入预先训练的机器学习模型中，得到该候选POI信息与所述查询语句之间的相似度。
[0126] 一种可能的实施方式中，所述装置还包括，模型训练模块，用于：
[0127] 获取用户在终端输入的多个历史查询语句、用户在输入每个历史查询语句时终端所在的历史经纬度信息、每个历史查询语句对应的历史候选POI信息和每个历史查询语句对应的历史目标POI信息；
[0128] 使用每个历史查询语句、每个历史查询语句对应的历史经纬度信息、每个历史候选POI信息和每个历史目标POI信息确定训练样本，并利用所述训练样本对初始机器学习模型进行训练，得到所述机器学习模型。
[0129] 一种可能的实施方式中，所述模型训练模块，还用于：
[0130] 针对每个历史查询语句，获取用户输入该历史查询语句后实际点选的历史目标POI信息；
[0131] 使用每个历史查询语句、每个历史查询语句对应的实际点选的历史目标POI信息和每个历史查询语句对应的历史经纬度信息，构建正样本；
[0132] 使用每个历史查询语句、每个历史查询语句对应的没有点选的历史候选POI信息和每个历史查询语句对应的历史经纬度信息，构建负样本。
[0133] 第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行第一方面或第一方面中任一种可能的实施方式的地理信息检索方法的步骤。
[0134] 第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面或第一方面中任一种可能的实施方式的地理信息检索方法的步骤。
[0135] 本申请实施例提供的一种地理信息检索方法、装置、电子设备及可读存储介质，不仅获取用户在终端输入的查询语句和候选POI信息，还获取终端当前的经纬度信息，并且候选POI信息中还包括经纬度信息，基于所述查询语句、所述终端当前的经纬度信息、确定的每个候选POI信息及该候选POI信息对应的经纬度信息，确定每个候选POI信息与所述查询语句之间的相似度，从而从所述至少一个候选POI信息中选择至少一个目标POI信息，并在所述终端进行展示。通过在确定每个候选POI信息与所述查询语句之间的相似度的过程中，加入终端当前的经纬度信息和候选POI信息对应的经纬度信息等地理位置信息，大大提高了地理信息检索的速度和准确度。
[0136] 为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0137] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0138] 图1示出了本申请实施例所提供的一种地理信息检索方法的流程图；
[0139] 图2示出了本申请实施例所提供的地理信息检索方法中确定候选POI信息与查询语句之间的相似度的方法的流程图；
[0140] 图3示出了本申请实施例所提供的地理信息检索方法中机器学习模型的模型结构示意图；
[0141] 图4示出了本申请实施例所提供的一种地理信息检索装置的结构示意图；
[0142] 图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0143] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
[0144] 另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0145] 需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
[0146] 本申请中使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS)，罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等，或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
[0147] 用户经常使用移动设备对兴趣点(Points of Interest，POI)信息进行检索，由于移动端的显示尺寸的限制，展示给用户的目标POI个数有限，并且用户在进行POI检索时，往往已有明确的检索意图。因此，需要在用户输入尽可能少的查询语句的情况下，确定准确的目标POI信息。
[0148] 现有的地理信息检索方法，仅基于查询语句和POI信息进行目标POI信息的检索，地理信息检索的速度和准确度均欠佳。即需要用户输入较长的查询语句才能确定目标POI信息，并且确定得到的目标POI信息的准确度较低。
[0149] 基于此，本申请实施例提供了一种地理信息检索方法、装置、电子设备及可读存储介质，不仅获取用户在终端输入的查询语句和候选POI信息，还获取终端当前的经纬度信息，并且候选POI信息中还包括经纬度信息，基于所述查询语句、所述终端当前的经纬度信息、确定的每个候选POI信息及该候选POI信息对应的经纬度信息，确定每个候选POI信息与所述查询语句之间的相似度，从而从所述至少一个候选POI信息中选择至少一个目标POI信息，并在所述终端进行展示。通过在确定每个候选POI信息与所述查询语句之间的相似度的过程中，加入终端当前的经纬度信息和候选POI信息对应的经纬度信息等地理位置信息，大大提高了地理信息检索的速度和准确度。
[0150] 为便于对本实施例进行理解，首先对本申请实施例所公开的一种地理信息检索方法进行详细介绍。
[0151] 实施例一
[0152] 本申请实施例提供的一种地理信息检索方法，可以应用于各个领域中使用的服务器等电子设备中，例如可以应用于网约车、快递、交通、交易服务等各个业务场景中。如图1所示，本实施例的方法包括：
[0153] S101：获取用户在终端输入的兴趣点查询语句和终端当前的经纬度信息。
[0154] 用户在终端检索POI信息的过程中，会不断向检索框中输入查询语句，上述查询语句也可以称为查询语句信息(query)。在进行地理信息检索的过程中，需要实时获取用户在终端输入的查询语句和终端当前的经纬度信息。
[0155] S102：基于所述查询语句，确定至少一个候选兴趣点POI信息，所述候选POI信息包括经纬度信息。
[0156] 在一种可能的实施方式中，可以只将用户实际去过的地址对应的POI信息作为候选POI信息，每个候选POI信息中包括经纬度信息。另外，每个候选POI信息中还包括候选POI的名称和候选POI的地址，候选POI的名称和候选POI的地址均为文本信息。
[0157] S103：基于所述查询语句、所述终端当前的经纬度信息、确定的每个候选POI信息，确定每个候选POI信息与所述查询语句之间的相似度。
[0158] 具体的确定每个候选POI信息与所述查询语句之间的相似度的实施步骤如图2所示，包括：
[0159] S201：针对每个候选POI信息，确定所述查询语句对应的第一语义特征向量，以及该候选POI信息中包括的候选POI的名称对应的第二语义特征向量。
[0160] 具体的，采用下述步骤1到步骤4确定所述查询语句对应的第一语义特征向量：
[0161] 步骤1、对查询语句进行分词。
[0162] 这里，将查询语句的文本拆分为至少一个词汇，上述词汇包括：词语、单词、单字和/或字母。例如，一个查询语句为上地hualian，将上述查询语句进行拆分可以得到：上、地、h、u、a、l、i、a、n；和/或拆分得到上地、hua、lian。
[0163] 由于以单字和/或字母为粒度进行分词，表示保留了不完整输入、错误输入或者混合文本输入情况下的语义特征信息，而以词语和/或单词为力度进行分词，可以获取更复杂语言，如中文，的上下文特征信息。因此，为了更全面的从分词得到的词汇中提取特征，可以在分词时，既基于词语、单词进行拆分，也基于单字、字母进行拆分。具体地，以查询语句为上地hualian为例得到的拆分后的词汇包括：上、地、h、u、a、l、i、a、n、上地、hua和lian。
[0164] 步骤2、基于分词得到的各个词汇，确定所述查询语句的语义特征向量。
[0165] 首先，将每个词汇嵌入(Embed)到低纬度的向量中，上述词汇包括：词语、单词、单字和/或字母。具体地例如，使用一个较低维度的词向量，例如3维、4维或5维的词向量表示对查询语句分词后得到的各个词汇，例如，一个查询语句为上地hualian时，上字对应的词向量可以为{0.1，0.6，-0.5}。
[0166] 现有技术中，通常采用独热编码(one-hotcoding)或者word2vec模型的方法将每个词汇嵌入到向量中，然而独热编码维度很高且不能获取词汇的语义特征，word2vec模型得到的向量虽然是低维度向量，但是word2vec模型在很大程度上依赖于人工标注得到的文本语料库并且需要预先训练才能使用。为了克服上述现有技术中的不足，在一种可能的实施方式中，可以使用预先训练得到的卷积神经网络模型(convolutionalneural networks，CNN)实现上述将每个单词和/或字母嵌入(Embed)到低纬度的特征向量中的步骤。上述CNN模型的初始参数可以采用随机实数，并且随着CNN模型的训练过程不断调整上述初始参数。查询语句的词向量是d维的，可以将查询语句的词向量进行拼接，存储成查询语句的嵌入矩阵的形式，假设查询语句分词后得到的总词汇个数为T，则嵌入矩阵的大小为T*d。
[0167] 之后，对分词得到的各个词汇的词向量进行特征提取，确定所述查询语句的特征向量。示例性的，可以使用CNN模型对上述嵌入矩阵进行卷积，实现特征提取的步骤。优选的，可以采用一个3层的CNN模型，提取查询语句的特征向量。上述CNN模型可以采用n个大小为3d的卷积核，在对嵌入矩阵进行卷积之后，得到T个n维的特征向量，这T个n维的特征向量为查询语句的特征向量。同样的，可以将T个n为的特征向量进行拼接，存储为查询语句的特征矩阵Q的形式，上述特征矩阵Q的大小为T*n。
[0168] 步骤3、针对所述查询语句的语义特征向量中每一维特征，计算该维特征与所述查询语句的语义特征向量中其余每一维特征的第一相似度。
[0169] 由于在一个查询语句中，部分词汇的重要性明显高于其他的词汇，并且对于语言来说，一句话中的每个词汇之间除了紧邻的上下文之间存在语法关系和语义联系，每个词汇和句中的其他每个词汇之间，都可能存在语法关系和语义联系。为了，进一步从查询语句的语义特征向量中区分出重要性高的词汇对应的语义特征向量，并且，针对每个词汇，提取出该词汇与句中其他每个词汇之间的语法关系和语义联系，因此，需要针对所述查询语句的语义特征向量中每一维特征，计算该维特征与所述查询语句的语义特征向量中其余每一维特征的第一相似度。
[0170] 步骤4、基于所述查询语句的语义特征向量和所有所述第一相似度，确定所述第一语义特征向量。
[0171] 同样的，可以采用上述步骤1到步骤4确定该候选POI信息中的候选POI的名称对应的第二语义特征向量。进一步的，为了更好的提取候选POI信息的第二语义特征向量，可以利用候选POI信息中的候选POI的地址，在分别采用上述步骤1到步骤4确定了候选POI的名称对应的第一名称语义向量，和候选POI的地址对应的第一地址语义向量之后，基于所述第一名称语义向量和所述第一地址语义向量，确定所述第二语义特征向量。从而了解两个互补的字段：候选POI的名称和候选POI的地址之间的特征依赖性和特征关联度。
[0172] 具体的，通过下述步骤1到步骤4基于所述第一名称语义向量和第一所述地址语义向量，确定所述第二语义特征向量，包括：
[0173] 步骤1、针对所述第一名称语义向量中的每一维特征，确定该维特征与所述地址语义向量中每一维特征的第一特征关联度，并利用所有所述第一特征关联度和所述第一名称语义向量，得到第二名称语义向量；
[0174] 步骤2、针对所述第一地址语义向量中的每一维特征，确定该维特征与所述名称语义向量中每一维特征的第二特征关联度，并利用所有所述第二特征关联度和所述第一地址语义向量，得到第二地址语义向量；
[0175] 步骤3、根据所述第二名称语义向量和所述第二地址语义向量，确定所述第二语义特征向量。
[0176] S202：基于所述终端当前的经纬度信息和该候选POI信息对应的经纬度信息，确定地理位置特征向量，所述地理位置特征向量用于表征所述终端当前位置与该候选POI信息对应的位置之间的位置关系。
[0177] 为了减少计算量，可以采用下述方式对获取的终端当前的经纬度信息和/或候选POI信息对应的经纬度信息进行简化处理，以候选POI信息对应的经纬度信息为例，具体的步骤包括下述步骤1到步骤3：
[0178] 步骤1、获取候选POI信息实际定位得到的经纬度信息。
[0179] 步骤2、将地图划分为预设大小的网格，并根据所述候选POI信息实际定位得到的经纬度信息确定候选POI信息落入的目标网格。
[0180] 例如，可以将涵盖所有POI信息的数字地图划分为100m乘以100m大小的网格，这样既可以减少计算量，又不会造成地理位置特征的丢失。
[0181] 步骤3、根据所述目标网格中预设坐标点的经纬度信息，确定所述候选POI信息对应的经纬度信息。
[0182] 示例性的，可以采用目标网格中左上角的经纬度信息，作为落入目标网格中的所有候选POI信息的经纬度信息。
[0183] 在具体实施的过程中，对于位于目标网格边界的候选POI信息，相邻网格的经纬度信息可能与该候选POI信息的经纬度信息更加相近，反而是目标网格中预设坐标点的经纬度信息与该候选POI信息的经纬度信息较远。例如，采用目标网格中左上角的经纬度信息作为落入目标网格中的所有候选POI信息的经纬度信息时，对于目标网格中的后下较的候选POI信息来说，比起目标网格中左上角的经纬度信息，目标网格右侧或下侧的网格中左上角的经纬度信息，更能代表该候选POI信息的经纬度信息。
[0184] 在这种情况下，可以采用下述步骤1到步骤2根据所述目标网格中预设坐标点的经纬度信息，确定所述候选POI信息对应的经纬度信息，包括：
[0185] 步骤1、获取与所述目标网格相邻的网格中预设坐标点的经纬度信息；
[0186] 步骤2、对所述目标网格中预设坐标点的经纬度信息和获取的与所述目标网格相邻的网格中预设坐标点的经纬度信息进行加权计算，得到所述候选POI信息对应的经纬度信息。
[0187] 对于候选POI信息的经纬度信息中的经度，可以获取与所述目标网格在经度方向上相邻的至少一个网格中预设坐标点的经度；对所述目标网格中预设坐标点的经度和与所述目标网格在经度方向上相邻的至少一个网格中预设坐标点的经度进行加权计算，得到所述候选POI信息对应的经度。
[0188] 对于候选POI信息的经纬度信息中的纬度，可以获取与所述目标网格在纬度方向上相邻的至少一个网格中预设坐标点的纬度；对所述目标网格中预设坐标点的纬度和与所述目标网格在纬度方向上相邻的至少一个网格中预设坐标点的纬度进行加权计算，得到所述候选POI信息对应的纬度。
[0189] 同样的，终端当前的经纬度信息也可以通过上述步骤获取。
[0190] 获取终端当前的经纬度信息中的经度和维度、该候选POI信息对应的额经纬度信息的经度和维度之后，将终端当前的经纬度信息中的经度和维度、以及该候选POI信息对应的额经纬度信息的经度和维度拼接为一个4维的第一经纬度向量，之后，利用下述步骤1到步骤3，确定地理位置特征向量。
[0191] 步骤1、提取所述终端当前的经纬度信息以及该候选POI信息对应的经纬度信息的特征，得到经纬度特征向量。
[0192] 示例性的，也可以利用一个3层的CNN模型对上述包含终端当前的经纬度信息中的经度和维度、以及该候选POI信息对应的额经纬度信息的经度和维度的第一经纬度向量进行嵌入，得到第二经纬度向量。上述CNN模型的初始参数可以采用随机实数，并且随着CNN模型的训练过程不断调整上述初始参数。
[0193] 并且也可以采用一个3层的CNN模型提取第二经纬度向量的特征，得到经纬度特征向量，从而表征所述终端当前位置与该候选POI信息对应的位置之间的位置关系。
[0194] 步骤2、针对所述经纬度特征向量中每一维特征，计算该维特征与所述经纬度特征向量中其余每一维特征的第二相似度。
[0195] 步骤3、基于所述经纬度特征向量和所有所述第二相似度，确定所述地理位置特征向量。
[0196] S203：基于所述第一语义特征向量、所述第二语义特征向量、和所述地理位置特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0197] 可以采用下述可能的实施方式基于所述第一语义特征向量、所述第二语义特征向量、和所述地理位置特征向量，确定该候选POI信息与所述查询语句之间的相似度：
[0198] A:一种可能的实施方式中，可以将所述地理位置特征向量与所述第一语义特征向量进行拼接，得到第三语义特征向量；基于所述第三语义特征向量和所述第二语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0199] B：另一种可能的实施方式中，可以将所述地理位置特征向量与所述第二语义特征向量进行拼接，得到第四语义特征向量；基于所述第一语义特征向量和所述第四语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0200] C：另一种可能的实施方式中，可以将所述地理位置特征向量与所述第一语义特征向量进行拼接，得到第五语义特征向量；将所述地理位置特征向量与所述第二语义特征向量进行拼接，得到第六语义特征向量；基于所述第五语义特征向量和所述第六语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0201] 示例性的，可以采用全连接的神经网络模型，利用第五语义特征向量和第六语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。也可以计算第五语义特征向量和第六语义特征向量之间的余弦相似度，作为该候选POI信息与所述查询语句之间的相似度。
[0202] 在一种可能的实施方式中，针对每个候选POI信息，将所述查询语句、所述终端当前的经纬度信息和该候选POI信息输入预先训练的机器学习模型中，得到该候选POI信息与所述查询语句之间的相似度。
[0203] 并且，还可以通过下述步骤训练上述机器学习模型：
[0204] 获取用户在终端输入的多个历史查询语句、用户在输入每个历史查询语句时终端所在的历史经纬度信息、每个历史查询语句对应的历史候选POI信息和每个历史查询语句对应的历史目标POI信息；
[0205] 使用每个历史查询语句、每个历史查询语句对应的历史经纬度信息、每个历史候选POI信息和每个历史目标POI信息确定训练样本，并利用所述训练样本对初始机器学习模型进行训练，得到所述机器学习模型。
[0206] 具体地，针对每个历史查询语句，获取用户输入该历史查询语句后实际点选的历史目标POI信息；
[0207] 使用每个历史查询语句、每个历史查询语句对应的实际点选的历史目标POI信息和每个历史查询语句对应的历史经纬度信息，构建正样本；
[0208] 使用每个历史查询语句、每个历史查询语句对应的没有点选的历史候选POI信息和每个历史查询语句对应的历史经纬度信息，构建负样本。
[0209] S104：基于每个所述相似度，从所述至少一个候选POI信息中选择至少一个目标POI信息，并在所述终端进行展示。
[0210] 在具体实施过程中，可以选择1-10个目标POI信息，并在终端进行展示。
[0211] 在所述终端进行展示之后，还可以继续获取用户输入的更新后的查询语句。更新后的查询语句中可以包含更新前的查询语句和新增查询语句；更新后的查询语句也可以包含基于更新前的查询语句进行删除或修改得到的查询语句；更新后的查询语句也可以包含一个全新的查询语句。之后，返回基于查询语句，确定至少一个候选POI信息和对应的经纬度信息的步骤。直到获取到终端发来的，用户从上述目标POI信息中，点击选择了用户所需的目标POI信息位置。
[0212] 本申请实施例提供的地理信息检索方法，通过在确定每个候选POI信息与所述查询语句之间的相似度的过程中，加入终端当前的经纬度信息和候选POI信息对应的经纬度信息等地理位置信息，大大提高了地理信息检索的速度和准确度。
[0213] 实施例二
[0214] 本申请实施例提供的地理信息检索方法中，针对每个候选POI信息，将所述查询语句、所述终端当前的经纬度信息和该候选POI信息输入预先训练的机器学习模型中，得到该候选POI信息与所述查询语句之间的相似度。如图3所示，是本申请实施例提供的地理信息检索方法中，所用的机器学习模型的模型结构示意图。
[0215] 上述机器学习模型包括六层，从输入到输出分别为输入拆分层301、嵌入层302、本地特征提取层303、全局特征提取层304、特征融合层305和输出层306。
[0216] 机器学习模型的输入包括：查询语句q、候选POI信息中的候选POI的名称n和候选POI的地址a、终端当前的经纬度信息和候选POI信息对应的经纬度信息g。
[0217] 经过输入拆分层301，对机器学习模型的输入进行拆分。将文本信息拆分为词汇，上述词汇包括词语、单字、单词和字母，并将经纬度信息划分为纬度和经度。文本信息包括：查询语句q、候选POI信息中的候选POI的名称n和候选POI的地址a。使用输入拆分层301对上述文本信息进行分词，假设查询语句q划分为T个词汇，则q＝{q1，q2，……，qT}，候选POI信息中的候选POI的名称n划分为K个词汇，则n＝{n1，n2，……，nK}，候选POI的地址a划分为J个词汇，则a＝{a1，a2，……，aJ}。经纬度信息包括：终端当前的经纬度信息和候选POI信息对应的经纬度信息。使用输入拆分层301对上述经纬度信息进行拆分，终端当前的经纬度信息中的经度为lat1、纬度为lng1，候选POI信息对应的经纬度信息的经度为lat2、纬度为lng2，因此，经纬度信息g＝{lat1，lng1，lat2，lng2}。
[0218] 经过输入拆分层301拆分后，将查询语句q、候选POI的地址a、候选POI的名称n和经纬度信息g，输入各自的嵌入层302，分别得到查询语句向量q～、候选POI的地址向量a～、候选POI的名称向量n～和经纬度信息向量g～。对于文本信息向量，例如查询语句q、候选POI信息中的候选POI的名称n和候选POI的地址a，嵌入层302可以采用CNN模型，上述CNN采用随机实数作为初始参数，并且上述初始参数随CNN模型的训练过程进行调整，使用训练后的CNN模型，可以基于查询语句q、候选POI的名称n和候选POI的地址a，得到查询语句向量q～、候选POI的地址向量a～、候选POI的名称向量n～。对于经纬度信息g，也可以使用CNN模型进行嵌入操作，基于经纬度信息g，得到经纬度信息向量g～。并且可以采用实施例一的步骤S202中的方法，对经纬度信息进行简化处理。具体地例如，针对候选POI信息对应的经纬度信息，可以将存储有所有经纬度信息的地图划分为100m乘以100m大小的网格，根据候选POI信息实际定位的经纬度信息，获取候选POI信息落入的目标网格。并且，使用目标网格的左上角坐标的经纬度信息作为所有落入上述目标网格的候选POI信息对应的经纬度信息。
[0219] 在具体实施的过程中，对于位于目标网格边界的候选POI信息，相邻网格的经纬度信息可能与候选POI信息的经纬度信息更加相近，反而是目标网格中预设坐标点的经纬度信息与该候选POI信息的经纬度信息较远。例如，采用目标网格中左上角的经纬度信息作为落入目标网格中的所有候选POI信息的经纬度信息时，对于目标网格中的后下较的候选POI信息来说，比起目标网格中左上角的经纬度信息，目标网格右侧或下侧的网格中左上角的经纬度信息，更能代表该候选POI信息的经纬度信息。
[0220] 因此，使用核嵌入的方式得到经纬度信息向量g～＝{lat1～，lng1～，lat2～，lng2～}，具体地，针对候选POI信息的经纬度信息中的经度lat2～，可以采用下述公式得到：
[0221] lat2～＝wi-1lat2～i-1+wilat2～i+wi+1lat2～i+1
[0222] 其中，lat2i-1为候选POI信息落入的目标网格在经度方向上左侧的网格的左上角坐标，lat2i为候选POI信息落入的目标网格的左上角坐标，lat2i+1为候选POI信息落入的目标网格在经度方向上右侧的网格的左上角坐标，wi-1、wi和wi+1分别为lat2i-1、lat2～i和lat2～i+1对应的权重。
[0223] 经过嵌入层302的提取得到的查询语句向量q～、候选POI的地址向量a～、候选POI的名称向量n～和经纬度信息向量g～的维度都为d，因此，例如，针对候选POI的地址a＝{a1，a2，……，aJ}，对每个输入的词汇a1，a2，……aJ，经过嵌入层302的嵌入操作，将每个词汇转换为一个维度为d的向量，为了方便存储和计算，可以将每个词汇的d维向量拼接为一个d行J列的矩阵A1。同样的，将候选POI的名称n中的每个词汇n1，n2，……，nK均转换为d维向量，并将每个词汇的d维向量拼接为一个d行K列的矩阵N1。将查询语句q中的每个词汇q1，q2，……，qT均转换为d维向量，并将每个词汇的d维向量拼接为一个d行T列的矩阵Q1。将经纬度信息g中的每个经度和纬度lat1，lng1，lat2，lng2均转换为d维向量，并将每个词汇的d维向量拼接为一个d行4列的矩阵G1。
[0224] 之后，通过本地特征提取层303,对查询语句向量q～、候选POI的地址向量a～、候选POI的名称向量n～和经纬度信息向量g～进行本地特征提取，其实就是对矩阵A1、N1、Q1和G1进行特征提取。示例性的，可以采用CNN模型实现本地特征提取层303，具体的，针对矩阵A1，CNN模型可以使用m个大小为3d的卷积核，对矩阵A1进行m次卷积，每次卷积可以得到一个J维的候选POI的地址的特征向量，进行m次卷积共得到m个J维的向量，同样的为了方便存储，将m个J维的向量存储为一个J行m列的矩阵A2。同样的，将矩阵N1、Q1和G1均输入CNN模型中，使用m个大小为3d的卷积核进行卷积，分别得到K行m列的矩阵N2、T行m列的矩阵Q2和4行m列的矩阵G2。
[0225] 将矩阵A2、N2、Q2和G2分别输入全局特征提取层304进一步进行特征提取。首先，采用自我注意力机制，对矩阵A2、N2、Q2和G2进行特征提取。以查询语句q为例，采用自我注意力机制从查询语句q的语义特征向量中区分出重要性高的词汇对应的语义特征向量，并且，针对每个词汇，提取出该词汇与句中其他每个词汇之间的语法关系和语义联系，因此，需要针对所述查询语句q的语义特征向量中每一维特征，计算该维特征与所述查询语句q的语义特征向量中其余每一维特征的第一相似度。并基于所述查询语句q的语义特征向量和所有所述第一相似度，确定所述第一语义特征向量Q^。
[0226] 具体地例如，可以采用自我注意力(self-attention)机制，基于查询语句的语义特征向量，得到第一语义特征向量Q^，self-attention可以采用如下公式进行计算：
[0227]
[0228] 其中，Q为存储查询语句的语义特征向量的特征矩阵Q，m为查询语句的语义特征向量的维度。
[0229] 进一步的，可以通过具有两个线性变换和整流线性单元的前馈神经网络优化第一语义特征向量，具体公式如下所示：
[0230] Q^＝max(0，Q^×Wq1+Bq1)×Wq2+Bq2
[0231] 这里，Wq1和Wq2为m行m列的权重矩阵，Bq1和Bq2为T行m列的基础矩阵。
[0232] 使用相同的算法，根据矩阵A2得到第一地址语义向量A^，根据矩阵N2得到第一名称语义向量N^，并且根据矩阵G2得到地理位置特征向量G^。对于第一地址语义向量A^和第一名称语义向量N^，为了了解两个互补的字段：候选POI的名称和候选POI的地址之间的特征依赖性和特征关联度，采用交叉注意力模型提取第一地址语义向量A^和第一名称语义向量N^之间的特征关联度，从而基于第一地址语义向量A^和第一名称语义向量N^得到第二语义特征向量P^。
[0233] 具体地例如，可以通过下列公式基于相互依赖的特征向量A^和N^，得到K行m列的矩阵 和J行m列的矩阵 将矩阵 和矩阵 进行连接后，对连接后的矩阵和矩阵 提取全局语义特征，得到第二语义特征向量P^。
[0234]
[0235]
[0236]
[0237] 其中，Wq1和Wq2为m行m列的权重矩阵，Bq1和Bq2为T行m列的基础矩阵。
[0238] 之后，将第一语义特征向量Q^、第二语义特征向量P^和地理位置特征向量G^输入特征融合层305，将地理位置特征向量G^和第一语义特征向量Q^进行拼接得到第五语义特征向量Q～，将地理位置特征向量G^和第二语义特征向量P^进行拼接得到第六语义特征向量P～。
[0239] 具体可以使用下列公式进行拼接：
[0240] P～＝[P^；G^]×Wp+Bp
[0241] Q～＝[Q^；G^]×Wq+Bq
[0242] 其中，Wp和Wq为2d行d列的权重矩阵，Bp和Bq为1行d列的基础矩阵。
[0243] 使用输出层306，基于特征融合层305得到的第五语义特征向量Q～和第六语义特征向量P～，得到候选POI信息与查询语句之间的相似度。示例性的，可以采用全连接的神经网络模型，利用第五语义特征向量和第六语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。也可以计算第五语义特征向量和第六语义特征向量之间的余弦相关性，基于上述余弦相关性，确定该候选POI信息与所述查询语句之间的相似度。进一步的，也可以基于上述余弦相关性，确定该候选POI信息被用户选择的概率。
[0244] 具体地，可以使用如下公式计算第五语义特征向量和第六语义特征向量之间的余弦相关性：
[0245]
[0246] 具体地，可以使用如下公式，基于余弦相关性，确定该候选POI信息可能被选择的概率。
[0247]
[0248] 其中，r为平滑因子。
[0249] 在对图3所示的机器学习模型进行训练时，使用的正例P+为用户使用终端进行地理信息检索时，实际输入的历史查询语句和用户实际通过点击选择的历史目标POI信息。除此之外，还本申请实施例还构建了负例P-，为用户使用终端进行地理信息检索时，实际输入的历史查询语句和随机的至少一个用户没有点选的历史候选POI信息。在进行机器学习模型的训练时，用到的损失函数为：
[0250]
[0251] 本申请实施例提供的地理信息检索方法，采用图3所示的机器学习模型，通过在确定每个候选POI信息与所述查询语句之间的相似度的过程中，加入终端当前的经纬度信息和候选POI信息对应的经纬度信息等地理位置信息，大大提高了地理信息检索的速度和准确度。
[0252] 基于相同的技术构思，本申请实施例还提供一种地理信息检索装置、电子设备及可读存储介质等，具体可参见以下实施例。
[0253] 实施例三
[0254] 本申请实施例还提供一种地理信息检索装置400，包括：
[0255] 获取模块401，用于获取用户在终端输入的查询语句和终端当前的经纬度信息；
[0256] 确定模块402，用于基于所述查询语句，确定至少一个候选兴趣点POI信息，所述候选POI信息包括经纬度信息；
[0257] 相似度计算模块403，用于基于所述查询语句、所述终端当前的经纬度信息、确定的每个候选POI信息，确定每个候选POI信息与所述查询语句之间的相似度；
[0258] 结果选择模块404，用于基于每个所述相似度，从所述至少一个候选POI信息中选择至少一个目标POI信息，并在所述终端进行展示。
[0259] 一种可能的实施方式中，所述获取模块401，还用于获取用户输入的更新后的查询语句；
[0260] 所述确定模块402，还用于基于所述更新后的查询语句，确定至少一个候选POI信息。
[0261] 一种可能的实施方式中，所述候选POI信息还包括：候选POI的名称；
[0262] 所述相似度计算模块403，包括：
[0263] 语义特征确定模块431，用于针对每个候选POI信息，确定所述查询语句对应的第一语义特征向量，以及该候选POI信息中包括的候选POI的名称对应的第二语义特征向量；
[0264] 位置特征确定模块432，用于基于所述终端当前的经纬度信息和该候选POI信息对应的经纬度信息，确定地理位置特征向量，所述地理位置特征向量用于表征所述终端当前位置与该候选POI信息对应的位置之间的位置关系；
[0265] 相似度确定模块433，用于基于所述第一语义特征向量、所述第二语义特征向量、和所述地理位置特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0266] 一种可能的实施方式中，所述相似度确定模块433，还用于：
[0267] 将所述地理位置特征向量与所述第一语义特征向量进行拼接，得到第三语义特征向量；
[0268] 基于所述第三语义特征向量和所述第二语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0269] 一种可能的实施方式中，所述相似度确定模块433，还用于：
[0270] 将所述地理位置特征向量与所述第二语义特征向量进行拼接，得到第四语义特征向量；
[0271] 基于所述第一语义特征向量和所述第四语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0272] 一种可能的实施方式中，所述相似度确定模块433，还用于：
[0273] 将所述地理位置特征向量与所述第一语义特征向量进行拼接，得到第五语义特征向量；
[0274] 将所述地理位置特征向量与所述第二语义特征向量进行拼接，得到第六语义特征向量；
[0275] 基于所述第五语义特征向量和所述第六语义特征向量，确定该候选POI信息与所述查询语句之间的相似度。
[0276] 一种可能的实施方式中，所述装置还包括经纬度确定模块405，用于：
[0277] 获取候选POI信息实际定位得到的经纬度信息；
[0278] 将地图划分为预设大小的网格，并根据所述候选POI信息实际定位得到的经纬度信息确定候选POI信息落入的目标网格；
[0279] 根据所述目标网格中预设坐标点的经纬度信息，确定所述候选POI信息对应的经纬度信息。
[0280] 一种可能的实施方式中，所述经纬度确定模块405，还用于：
[0281] 获取与所述目标网格相邻的网格中预设坐标点的经纬度信息；
[0282] 对所述目标网格中预设坐标点的经纬度信息和获取的与所述目标网格相邻的网格中预设坐标点的经纬度信息进行加权计算，得到所述候选POI信息对应的经纬度信息。
[0283] 一种可能的实施方式中，所述经纬度确定模块405，还用于：
[0284] 获取与所述目标网格在经度方向上相邻的至少一个网格中预设坐标点的经度；
[0285] 所述对所述目标网格中预设坐标点的经纬度信息和获取的与所述目标网格相邻的网格中预设坐标点的经纬度信息进行加权计算，得到所述候选POI信息对应的经纬度信息，包括：
[0286] 对所述目标网格中预设坐标点的经度和与所述目标网格在经度方向上相邻的至少一个网格中预设坐标点的经度进行加权计算，得到所述候选POI信息对应的经度。
[0287] 一种可能的实施方式中，所述经纬度确定模块405，还用于：
[0288] 获取与所述目标网格在纬度方向上相邻的至少一个网格中预设坐标点的纬度；
[0289] 所述对所述目标网格中预设坐标点的经纬度信息和获取的与所述目标网格相邻的网格中预设坐标点的经纬度信息进行加权计算，得到所述候选POI信息对应的经纬度信息，还包括：
[0290] 对所述目标网格中预设坐标点的纬度和与所述目标网格在纬度方向上相邻的至少一个网格中预设坐标点的纬度进行加权计算，得到所述候选POI信息对应的纬度。
[0291] 一种可能的实施方式中，所述候选POI信息还包括：候选POI的地址；
[0292] 所述语义特征确定模块431，用于：
[0293] 分别确定所述候选POI的名称对应的第一名称语义向量，和所述候选POI的地址对应的第一地址语义向量；
[0294] 基于所述第一名称语义向量和所述第一地址语义向量，确定所述第二语义特征向量。
[0295] 一种可能的实施方式中，所述语义特征确定模块431，还用于：
[0296] 针对所述第一名称语义向量中的每一维特征，确定该维特征与所述地址语义向量中每一维特征的第一特征关联度，并利用所有所述第一特征关联度和所述第一名称语义向量，得到第二名称语义向量；
[0297] 针对所述第一地址语义向量中的每一维特征，确定该维特征与所述名称语义向量中每一维特征的第二特征关联度，并利用所有所述第二特征关联度和所述第一地址语义向量，得到第二地址语义向量；
[0298] 根据所述第二名称语义向量和所述第二地址语义向量，确定所述第二语义特征向量。
[0299] 一种可能的实施方式中，所述语义特征确定模块431，还用于：
[0300] 对所述查询语句进行分词；
[0301] 基于分词得到的各个词汇，确定所述查询语句的语义特征向量；
[0302] 针对所述查询语句的语义特征向量中每一维特征，计算该维特征与所述查询语句的语义特征向量中其余每一维特征的第一相似度；
[0303] 基于所述查询语句的语义特征向量和所有所述第一相似度，确定所述第一语义特征向量。
[0304] 一种可能的实施方式中，所述位置特征确定模块432，还用于：
[0305] 提取所述终端当前的经纬度信息以及该候选POI信息对应的经纬度信息的特征，得到经纬度特征向量；
[0306] 针对所述经纬度特征向量中每一维特征，计算该维特征与所述经纬度特征向量中其余每一维特征的第二相似度；
[0307] 基于所述经纬度特征向量和所有所述第二相似度，确定所述地理位置特征向量。
[0308] 一种可能的实施方式中，所述相似度计算模块403，还用于：
[0309] 针对每个候选POI信息，将所述查询语句、所述终端当前的经纬度信息和该候选POI信息输入预先训练的机器学习模型中，得到该候选POI信息与所述查询语句之间的相似度。
[0310] 一种可能的实施方式中，所述装置还包括，模型训练模块406，用于：
[0311] 获取用户在终端输入的多个历史查询语句、用户在输入每个历史查询语句时终端所在的历史经纬度信息、每个历史查询语句对应的历史候选POI信息和每个历史查询语句对应的历史目标POI信息；
[0312] 使用每个历史查询语句、每个历史查询语句对应的历史经纬度信息、每个历史候选POI信息和每个历史目标POI信息确定训练样本，并利用所述训练样本对初始机器学习模型进行训练，得到所述机器学习模型。
[0313] 一种可能的实施方式中，所述模型训练模块406，还用于：
[0314] 针对每个历史查询语句，获取用户输入该历史查询语句后实际点选的历史目标POI信息；
[0315] 使用每个历史查询语句、每个历史查询语句对应的实际点选的历史目标POI信息和每个历史查询语句对应的历史经纬度信息，构建正样本；
[0316] 使用每个历史查询语句、每个历史查询语句对应的没有点选的历史候选POI信息和每个历史查询语句对应的历史经纬度信息，构建负样本。
[0317] 本申请实施例提供的一种地理信息检索装置，在确定每个候选POI信息与所述查询语句之间的相似度的过程中，加入终端当前的经纬度信息和候选POI信息对应的经纬度信息等地理位置信息，大大提高了地理信息检索的速度和准确度。
[0318] 实施例四
[0319] 参照图5所示，本申请实施例提供的电子设备500，包括处理器501、存储器502、和总线503。
[0320] 所述存储器502存储有所述处理器501可执行的机器可读指令(比如，图4中的获取模块401、确定模块402、相似度计算模块403以及结果选择模块404对应的执行指令等)，当电子设备500运行时，所述处理器501与所述存储器502之间通过总线503通信，所述机器可读指令被所述处理器501执行时执行如下处理：
[0321] 获取用户在终端输入的查询语句和终端当前的经纬度信息；
[0322] 基于所述查询语句，确定至少一个候选兴趣点POI信息，所述候选POI信息包括经纬度信息；
[0323] 基于所述查询语句、所述终端当前的经纬度信息、确定的每个候选POI信息，确定每个候选POI信息与所述查询语句之间的相似度；
[0324] 基于每个所述相似度，从所述至少一个候选POI信息中选择至少一个目标POI信息，并在所述终端进行展示。
[0325] 其中，处理器501的具体处理流程可以参照上述实施例的记载，这里不再赘述。
[0326] 本申请实施例提供的一种电子设备，在确定每个候选POI信息与所述查询语句之间的相似度的过程中，加入终端当前的经纬度信息和候选POI信息对应的经纬度信息等地理位置信息，大大提高了地理信息检索的速度和准确度。
[0327] 实施例五
[0328] 本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行实施例一中的地理信息检索方法和/或实施例二中的地理信息检索方法的步骤。
[0329] 具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述地理信息检索方法，从而在确定每个候选POI信息与所述查询语句之间的相似度的过程中，加入终端当前的经纬度信息和候选POI信息对应的经纬度信息等地理位置信息，大大提高了地理信息检索的速度和准确度。
[0330] 本申请实施例提供的地理信息检索方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
[0331] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0332] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0333] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0334] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0335] 以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
