投放区域确定方法、装置、模型训练方法及存储介质.pdf

《投放区域确定方法、装置、模型训练方法及存储介质.pdf》由会员分享，可在线阅读，更多相关《投放区域确定方法、装置、模型训练方法及存储介质.pdf（33页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010005007.8 (22)申请日 2020.01.03 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518000 广东省深圳市南山区高新区 科技中一路腾讯大厦35层 (72)发明人 刘志煌 (74)专利代理机构 北京派特恩知识产权代理有 限公司 11270 代理人 赵翠萍张颖玲 (51)Int.Cl. G06Q 30/02(2012.01) G06K 9/62(2006.01) (54)发明名称 投放区域确定方法、 装置、 模型训练方法及 存储介质 (57)摘。

2、要 本申请实施例提供一种投放区域确定方法、 装置、 相似度模型训练方法及存储介质， 其中方 法包括： 对候选区域集合中的每一候选区域进行 特征提取得到每一候选区域的第一特征向量， 对 已投放区域集合中的每一已投放区域进行特征 提取得到每一已投放区域的第二特征向量； 对于 每一候选区域， 根据第一特征向量和第二特征向 量， 确定对应候选区域与每一已投放区域之间形 成的多个区域对的多个相似度； 根据相似度确定 目标区域对， 并根据目标区域对中的已投放区域 的预设分值， 确定对应候选区域的预测分值； 根 据每一候选区域对应的预测分值， 为投放对象确 定目标投放区域。 通过本申请， 能够简化投放区 域。

3、的确定过程， 提高确定投放区域的效率。 权利要求书3页 说明书20页 附图9页 CN 111222916 A 2020.06.02 CN 111222916 A 1.一种投放区域确定方法， 其特征在于， 包括： 获取投放对象的候选区域集合和已投放区域集合； 对所述候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一特征 向量， 对所述已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域的第 二特征向量； 对于所述每一候选区域， 根据所述第一特征向量和所述第二特征向量， 确定对应候选 区域与每一已投放区域之间形成的多个区域对的多个相似度； 根据所述相似度确定出满足条件的区域对。

4、为目标区域对； 根据所述目标区域对中的已投放区域的预设分值， 确定对应候选区域的预测分值； 根据每一候选区域对应的预测分值， 为所述投放对象确定目标投放区域。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述相似度确定出满足条件的区 域对为目标区域对， 包括： 在所述已投放区域集合中， 按照所述相似度从大到小的顺序， 依次确定出第一数量的 区域对为所述目标区域对； 对应地， 所述根据所述目标区域对中的已投放区域的预设分值， 确定对应候选区域的 预测分值， 包括： 将所述第一数量的目标区域对中的已投放区域， 确定为对应候选区域的相似区域； 根据所述相似区域对应的预设分值， 确定对应候选。

5、区域的预测分值。 3.根据权利要求2所述的方法， 其特征在于， 所述根据所述相似区域对应的预设分值， 确定对应候选区域的预测分值， 包括： 在所述第一数量的相似区域对应的预设分值中， 将具有最高占比的预设分值， 确定为 对应候选区域的预测分值。 4.根据权利要求2所述的方法， 其特征在于， 所述根据所述相似区域对应的预设分值， 确定对应候选区域的预测分值， 包括： 在所述第一数量的相似区域中， 将具有最高相似度的已投放区域对应的预设分值， 确 定为对应候选区域的预测分值。 5.根据权利要求1所述的方法， 其特征在于， 所述第一特征向量包括第一组合特征向 量； 所述第二特征向量包括第二组合特征向。

6、量； 所述对所述候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一 特征向量， 包括： 对所述候选区域集合中的每一候选区域进行组合特征提取， 对应得到每一候选区域的 第一组合特征向量； 所述对所述已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域 的第二特征向量， 包括： 对所述已投放区域集合中的每一已投放区域进行组合特征提取， 对应得到每一已投放 区域的第二组合特征向量。 6.根据权利要求5所述的方法， 其特征在于， 所述第一组合特征向量包括第一区域特征 和第一支付特征； 所述第二组合特征向量包括第二区域特征和第二支付特征； 所述对所述候选区域集合中的每一候选区域进行。

7、组合特征提取， 对应得到每一候选区 权利要求书 1/3 页 2 CN 111222916 A 2 域的第一组合特征向量， 包括： 对所述候选区域集合中的每一候选区域， 分别进行区域特征提取和支付特征提取， 对 应得到每一候选区域的所述第一区域特征和所述第一支付特征； 所述对所述已投放区域集合中的每一已投放区域进行组合特征提取， 对应得到每一已 投放区域的第二组合特征向量， 包括： 对所述已投放区域集合中的每一已投放区域， 分别进行区域特征提取和支付特征提 取， 对应得到每一已投放区域的所述第二区域特征和所述第二支付特征。 7.根据权利要求1所述的方法， 其特征在于， 所述方法还包括： 在得到每。

8、一候选区域的第一特征向量之前， 对每一候选区域的第一特征值进行数据预 处理， 得到处理后的第一特征值； 对应地， 采用所述处理后的第一特征值， 对对应候选区域进行特征提取， 得到每一候选 区域的所述第一特征向量。 8.根据权利要求1所述的方法， 其特征在于， 所述方法还包括： 在得到每一已投放区域的第二特征向量之前， 对每一已投放区域的第二特征值进行数 据预处理， 得到处理后的第二特征值； 对应地， 采用所述处理后的第二特征值， 对对应已投放区域进行特征提取， 得到每一已 投放区域的所述第二特征向量。 9.根据权利要求1所述的方法， 其特征在于， 所述根据每一候选区域对应的预测分值， 为所述投。

9、放对象确定目标投放区域， 包括： 在所述候选区域集合中， 按照所述预测分值从大到小的顺序， 依次确定第二数量的候 选区域为所述投放对象的目标投放区域。 10.根据权利要求1所述的方法， 其特征在于， 所述方法还包括： 确定位置相邻范围； 当位于同一位置相邻范围之内的目标投放区域的数量大于数量阈值时， 确定位于同一 位置相邻范围之内的目标投放区域对之间的区域相似度； 根据所述区域相似度， 删减所述位置相邻范围内的目标投放区域。 11.根据权利要求10所述的方法， 其特征在于， 所述根据所述区域相似度， 删减所述位 置相邻区域内的目标投放区域， 包括： 按照所述区域相似度从大到小的顺序， 依次选择。

10、出第三数量的目标投放区域； 其中， 所 述第三数量小于所述位置相邻范围内的所述目标投放区域的总数量； 所述方法还包括： 将选择后所剩余的目标投放区域对应的区域相似度， 设置为低于所 述位置相邻区域中的其他目标投放区域对应的区域相似度。 12.根据权利要求1至11任一项所述的方法， 其特征在于， 所述方法还包括： 采用相似度模型， 对每一候选区域进行特征提取， 得到所述第一特征向量， 对每一已投 放区域进行特征提取， 得到所述第二特征向量； 并根据所述第一特征向量和所述第二特征 向量， 确定所述候选区域与每一已投放区域之间形成的多个区域对的多个相似度。 13.一种相似度模型训练方法， 其特征在于。

11、， 包括： 将样本数据中的候选区域的特征值和已投放区域的特征值， 输入至特征提取模型， 对 应得到候选区域的第一特征向量和已投放区域的第二特征向量； 权利要求书 2/3 页 3 CN 111222916 A 3 将所述第一特征向量和所述第二特征向量输入至相似度计算模型中， 得到所述候选区 域与所述已投放区域之间形成的区域对的相似度； 将所述相似度输入至预设损失模型中， 得到损失结果； 根据所述损失结果， 对所述特征提取模型和所述相似度计算模型进行修正， 得到所述 相似度模型。 14.一种投放区域确定装置， 其特征在于， 包括： 获取模块， 用于获取投放对象的候选区域集合和已投放区域集合； 特征。

12、提取模块， 用于对所述候选区域集合中的每一候选区域进行特征提取得到每一候 选区域的第一特征向量， 对所述已投放区域集合中的每一已投放区域进行特征提取得到每 一已投放区域的第二特征向量； 第一确定模块， 用于对于所述每一候选区域， 根据所述第一特征向量和所述第二特征 向量， 确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相似度； 第二确定模块， 用于根据所述相似度确定出满足条件的区域对为目标区域对； 并根据 所述目标区域对中的已投放区域的预设分值， 确定对应候选区域的预测分值； 第三确定模块， 用于根据每一候选区域对应的预测分值， 为所述投放对象确定目标投 放区域。 15.一种存储介。

13、质， 其特征在于， 存储有可执行指令， 用于引起处理器执行时， 实现权利 要求1至12任一项所述的方法。 权利要求书 3/3 页 4 CN 111222916 A 4 投放区域确定方法、 装置、 模型训练方法及存储介质 技术领域 0001 本申请实施例涉及互联网技术领域， 涉及但不限于一种投放区域确定方法、 装置、 相似度模型训练方法及存储介质。 背景技术 0002 商户选址、 自贩机选址和线下广告投放等在商业领域中十分常见， 对商家而言选 择正确的投资区域能够得到理想的获客渠道和目标人群， 从而直接刺激和带动产品和业务 的营收增长。 0003 相关技术中在确定投放区域时， 通常是基于目标值数。

14、据建立回归分类模型来进行 分类选址， 或者构建深度学习模型对区域进行打分实现选址， 或者是基于聚类模型进行选 址。 0004 但是， 相关技术中的选址方法， 需要训练出能够实现为候选区域打分的模型来为 候选区域打分， 或者需要专家先验知识指定科学准确的量化评价指标来实现为候选区域打 分， 约束条件较多， 且当数据量大时非常耗时， 效率上难以满足工业级应用需求。 发明内容 0005 本申请实施例提供一种投放区域确定方法、 装置、 相似度模型训练方法及存储介 质， 不仅能够简化投放区域的确定过程， 而且无需指定量化评价指标， 能够提高确定投放区 域的效率。 0006 本申请实施例的技术方案是这样实。

15、现的： 0007 本申请实施例提供一种投放区域确定方法， 包括： 0008 获取投放对象的候选区域集合和已投放区域集合； 0009 对所述候选区域集合中的每一候选区域进行特征提取得到每一候选区域的第一 特征向量， 对所述已投放区域集合中的每一已投放区域进行特征提取得到每一已投放区域 的第二特征向量； 0010 对于所述每一候选区域， 根据所述第一特征向量和所述第二特征向量， 确定对应 候选区域与每一已投放区域之间形成的多个区域对的多个相似度； 0011 根据所述相似度确定出满足条件的区域对为目标区域对； 0012 根据所述目标区域对中的已投放区域的预设分值， 确定对应候选区域的预测分 值； 0。

16、013 根据每一候选区域对应的预测分值， 为所述投放对象确定目标投放区域。 0014 本申请实施例提供一种相似度模型训练方法， 包括： 0015 将样本数据中的候选区域的特征值和已投放区域的特征值， 输入至特征提取模 型， 对应得到候选区域的第一特征向量和已投放区域的第二特征向量； 0016 将所述第一特征向量和所述第二特征向量输入至相似度计算模型中， 得到所述候 选区域与所述已投放区域之间形成的区域对的相似度； 说明书 1/20 页 5 CN 111222916 A 5 0017 将所述相似度输入至预设损失模型中， 得到损失结果； 0018 根据所述损失结果， 对所述特征提取模型和所述相似度。

17、计算模型进行修正， 得到 所述相似度模型。 0019 本申请实施例提供一种投放区域确定装置， 包括： 0020 获取模块， 用于获取投放对象的候选区域集合和已投放区域集合； 0021 特征提取模块， 用于对所述候选区域集合中的每一候选区域进行特征提取得到每 一候选区域的第一特征向量， 对所述已投放区域集合中的每一已投放区域进行特征提取得 到每一已投放区域的第二特征向量； 0022 第一确定模块， 用于对于所述每一候选区域， 根据所述第一特征向量和所述第二 特征向量， 确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相似度； 0023 第二确定模块， 用于根据所述相似度确定出满足条件的。

18、区域对为目标区域对； 并 根据所述目标区域对中的已投放区域的预设分值， 确定对应候选区域的预测分值； 0024 第三确定模块， 用于根据每一候选区域对应的预测分值， 为所述投放对象确定目 标投放区域。 0025 本申请实施例提供一种存储介质， 存储有可执行指令， 用于引起处理器执行时， 实 现上述的方法。 0026 本申请实施例具有以下有益效果： 0027 由于对每一候选区域， 根据候选区域的第一特征向量和已投放区域的第二特征向 量， 确定对应候选区域与已投放区域之间形成的多个区域对的多个相似度， 并根据相似度 确定出满足条件的区域对为目标区域对， 根据目标区域对中的已投放区域的预设分值， 确。

19、 定出对应候选区域的预测分值， 如此， 将已投放区域的预设分值确定为候选区域的预测分 值， 无需先验知识来对候选区域进行评价打分， 也无需训练打分模型， 只需确定出候选区域 与已投放区域之间的相似度即可， 从而可以简化投放区域的确定过程， 能够提高确定投放 区域的效率。 附图说明 0028 图1是本申请实施例提供的投放区域确定系统的一个可选的架构示意图； 0029 图2A是本申请实施例提供的投放区域确定系统应用于区块链系统的一个可选的 结构示意图； 0030 图2B是本申请实施例提供的区块结构的一个可选的示意图； 0031 图3是本申请实施例提供的服务器的结构示意图； 0032 图4是本申请实。

20、施例提供的投放区域确定方法的一个可选的流程示意图； 0033 图5是本申请实施例提供的投放区域确定方法的一个可选的流程示意图； 0034 图6是本申请实施例提供的投放区域确定方法的一个可选的流程示意图； 0035 图7是本申请实施例提供的投放区域确定方法的一个可选的流程示意图； 0036 图8是本申请实施例提供的投放区域确定方法的一个可选的流程示意图； 0037 图9是本申请实施例提供的投放区域确定方法的一个可选的流程示意图； 0038 图10是本申请实施例提供的相似度模型训练方法的流程示意图； 0039 图11是本申请实施例提供的选址方法的一个可选的流程示意图； 说明书 2/20 页 6 C。

21、N 111222916 A 6 0040 图12是本申请实施例提供的相似度计算模型的结构图。 具体实施方式 0041 为了使本申请的目的、 技术方案和优点更加清楚， 下面将结合附图对本申请作进 一步地详细描述， 所描述的实施例不应视为对本申请的限制， 本领域普通技术人员在没有 做出创造性劳动前提下所获得的所有其它实施例， 都属于本申请保护的范围。 0042 在以下的描述中， 涉及到 “一些实施例” ， 其描述了所有可能实施例的子集， 但是可 以理解，“一些实施例” 可以是所有可能实施例的相同子集或不同子集， 并且可以在不冲突 的情况下相互结合。 除非另有定义， 本申请实施例所使用的所有的技术和。

22、科学术语与属于 本申请实施例的技术领域的技术人员通常理解的含义相同。 本申请实施例所使用的术语只 是为了描述本申请实施例的目的， 不是旨在限制本申请。 0043 为了更好地理解本申请实施例中提供的投放区域确定方法， 首先对相关技术中的 投放区域确定方法进行说明： 0044 相关技术中， 在确定投放区域时， 通常是基于目标值数据建立回归分类模型来进 行分类选址， 或者构建深度学习模型对区域进行打分实现选址， 或者是基于聚类模型进行 选址。 0045 基于目标值数据建立回归分类模型的方法， 首先确立目标值的选取， 如销售额、 转 化率或某些指标的交叉组合等， 同时以最小化总成本为目标计算， 然后根。

23、据各区域选取的 属性特征和区域特征， 如环境信息、 人群信息构建回归模型， 以已投放区域的经纬度、 相关 特征和销售额训练拟合得到回归模型或分类模型， 再利用该模型预测未投放区域的销售额 和分类标签。 0046 基于深度学习模型进行商户选址的方法， 主要是基于卷积神经网络方法， 该方法 将已投放区域的样本打分作为训练集， 对于每一个区域ID， 形成如商户ID、 区域ID、 选址分 数的标签， 构建多层卷积神经网络对打分模型进行训练， 再利用打分模型进行预测， 预测结 果如： 商户ID、 区域ID、 选址推荐评分。 0047 基于聚类模型选址， 包括基于k均值聚类算法(k-means clust。

24、ering algorithm， kmeans)、 层次聚类等方法， 将区域按照相似性进行划分， 遵循同个类别之间距离较小、 不同 类别之间距离较大原则， 以最小化总成本为目标计算， 或参考其他评价指标进行优选， 即基 于聚类思想实现快速选址， 同时采用量化的评价指标实现最优选址规划， 为规划方案评价 提供科学依据。 0048 但是， 对于相关技术中的上述选址方法， 至少存在以下问题： 0049 对于基于目标值数据建立回归分类模型的方法， 从已投放区域特征拟合预测得到 目标值(即预测分值)， 对于跨地域的区域， 则忽略了区域之间的差异性， 模型难以学习地域 之间的地区差异特征， 即区域之间的关。

25、系， 因此难以泛化； 并且， 通过线性回归来拟合得到 候选区域的目标值， 存在一定的误差。 0050 对于基于聚类模型选址的方法， 需要根据专家先验知识指定科学准确的量化评价 指标， 即最终结果依赖于方案提供的科学依据， 聚类结果的可解释性较差。 0051 对于基于深度学习模型进行商户选址的方法， 卷积神经网络构建打分模型泛化已 有评分的方法， 能够抽取较深层特征， 但是当数据量大时非常耗时， 效率上难以满足工业级 说明书 3/20 页 7 CN 111222916 A 7 应用需求； 并且， 由于需要先训练打分模型， 然后利用打分模型再进行预测打分， 得到目标 值， 也就是说， 在预测的时候。

26、还要再计算相似度， 进行相似度匹配等步骤， 显然整体的步骤 较多， 实现起来较繁琐。 0052 基于相关技术中所存在的上述至少一个问题， 本申请实施例提供一种投放区域确 定方法， 该方法首先从监督数据中以标签分布构建区域评分库， 然后通过构造相似度模型 进行区域之间组合特征的相似度计算， 泛化已投放区域评分至候选区域， 从而预测候选区 域的投放潜力， 筛选出候选区域中的高价值区域， 达到商户选址目标值最大化的目的。 在本 申请实施例的投放区域确定方法中， 由于对每一候选区域， 根据候选区域的第一特征向量 和已投放区域的第二特征向量， 确定对应候选区域与已投放区域之间形成的多个区域对的 多个相似。

27、度， 并根据相似度确定出满足条件的区域对为目标区域对， 根据目标区域对中的 已投放区域的预设分值， 确定对应候选区域的预测分值， 如此， 将已投放区域的预设分值确 定为候选区域的预测分值， 无需先验知识来对候选区域进行评价打分， 也无需训练打分模 型， 只需确定出候选区域与已投放区域之间的相似度即可， 从而可以简化投放区域的确定 过程， 能够提高确定投放区域的效率， 并且， 本申请实施例还可以通过训练好的相似度模型 确定候选区域与已投放区域之间的相似度。 本申请实施例的方法对商户选址、 自贩机选址、 广告线下投放等应用领域具有较高的参考价值和实践意义。 0053 另外， 本申请实施例提供的方案。

28、还涉及人工智能的网络模型训练技术和投放区域 筛选技术， 比如， 可以通过人工智能技术实现训练用于对候选区域和每一已投放区域分别 进行特征提取， 对应得到第一特征向量和第二特征向量； 并根据第一特征向量和每一第二 特征向量， 确定候选区域与每一已投放区域之间形成的区域对的相似度的相似度模型， 将 在下文进行说明。 0054 这里， 需要说明的是， 人工智能是利用数字计算机或者数字计算机控制的机器模 拟、 延伸和扩展人的智能， 感知环境、 获取知识并使用知识获得最佳结果的理论、 方法、 技术 及应用系统。 换句话说， 人工智能是计算机科学的一个综合技术， 它企图了解智能的实质， 并生产出一种新的能。

29、以人类智能相似的方式做出反应的智能机器。 人工智能也就是研究各 种智能机器的设计原理与实现方法， 使机器具有感知、 推理与决策的功能。 0055 人工智能技术是一门综合学科， 涉及领域广泛， 既有硬件层面的技术也有软件层 面的技术。 人工智能基础技术一般包括如传感器、 专用人工智能芯片、 云计算、 分布式存储、 大数据处理技术、 操作/交互系统、 机电一体化等技术。 人工智能软件技术主要包括计算机 视觉技术、 语音处理技术、 自然语言处理技术以及机器学习/深度学习等几大方向。 0056 下面说明本申请实施例提供的投放区域确定设备的示例性应用， 本申请实施例提 供的投放区域确定设备可以实施为笔记。

30、本电脑， 平板电脑， 台式计算机， 移动设备(例如， 移 动电话， 便携式音乐播放器， 个人数字助理， 专用消息设备， 便携式游戏设备)等各种类型的 终端， 也可以实施为服务器。 下面， 将说明投放区域确定设备实施为服务器时的示例性应 用。 0057 参见图1， 图1是本申请实施例提供的投放区域确定系统10的一个可选的架构示意 图。 为实现支撑一个投放区域确定应用(例如商户选址应用)， 投放区域确定系统10中的终 端(示例性示出了第一终端100-1和第二终端100-2)通过网络200连接投放区域确定应用的 客户端对应的服务器300， 并通过客户端将投放对象(例如某品牌商户)的候选区域集合和 说。

31、明书 4/20 页 8 CN 111222916 A 8 已投放区域集合发送给服务器300， 服务器300对候选区域集合中的每一候选区域进行特征 提取， 对应得到候选区域的第一特征向量， 对已投放区域集合中的每一已投放区域进行特 征提取， 对应得到已投放区域的第二特征向量； 并对于每一候选区域， 根据第一特征向量和 每一第二特征向量， 确定对应候选区域与每一已投放区域之间形成的多个区域对的多个相 似度； 根据相似度确定出满足条件的区域对为目标区域对， 根据目标区域对中的已投放区 域的预设分值， 确定对应候选区域的预测分值； 根据每一候选区域对应的预测分值， 为投放 对象确定目标投放区域。 在服。

32、务器300确定出目标投放区域之后， 将目标投放区域通过网络 200发送给终端(例如第一终端100-1或者第二终端100-2)。 终端在接收到目标投放区域后， 可以在当前界面(例如， 第一终端100-1的当前界面110-1或者第二终端100-2的当前界面 110-2)上显示目标投放区域以及目标投放区域的属性信息， 或者还可以显示目标投放区域 的预测分值等信息。 本申请实施例中， 网络200可以是广域网或者局域网， 又或者是二者的 组合。 0058 本申请实施例涉及的投放区域确定系统10也可以是区块链系统的分布式系统 101， 参见图2A， 图2A是本申请实施例提供的投放区域确定系统10应用于区块。

33、链系统的一个 可选的结构示意图， 其中， 所述分布式系统101可以是由多个节点102(接入网络中的任意形 式的计算设备， 如服务器、 用户终端)和客户端103形成的分布式节点， 节点之间形成组成的 点对点(P2P， Peer To P eer)网络， P2P协议是一个运行在传输控制协议(TCP， Transmission Control Protocol)协议之上的应用层协议。 在分布式系统中， 任何机器如 服务器、 终端都可以加入而成为节点， 节点包括硬件层、 中间层、 操作系统层和应用层。 0059 参见图2A示出的区块链系统中各节点的功能， 涉及的功能包括： 0060 1)路由， 节点具。

34、有的基本功能， 用于支持节点之间的通信。 0061 节点除具有路由功能外， 还可以具有以下功能： 0062 2)应用， 用于部署在区块链中， 根据实际业务需求而实现特定业务， 记录实现功能 相关的数据形成记录数据， 在记录数据中携带数字签名以表示任务数据的来源， 将记录数 据发送到区块链系统中的其他节点， 供其他节点在验证记录数据来源以及完整性成功时， 将记录数据添加到临时区块中。 0063 例如， 应用实现的业务包括： 0064 2.1)钱包， 用于提供进行电子货币的交易的功能， 包括发起交易(即， 将当前交易 的交易记录发送给区块链系统中的其他节点， 其他节点验证成功后， 作为承认交易有效。

35、的 响应， 将交易的记录数据存入区块链的临时区块中； 当然， 钱包还支持查询电子货币地址中 剩余的电子货币。 0065 2.2)共享账本， 用于提供账目数据的存储、 查询和修改等操作的功能， 将对账目数 据的操作的记录数据发送到区块链系统中的其他节点， 其他节点验证有效后， 作为承认账 目数据有效的响应， 将记录数据存入临时区块中， 还可以向发起操作的节点发送确认。 0066 2.3)智能合约， 计算机化的协议， 可以执行某个合约的条款， 通过部署在共享账本 上的用于在满足一定条件时而执行的代码实现， 根据实际的业务需求代码用于完成自动化 的交易， 例如查询买家所购买商品的物流状态， 在买家签。

36、收货物后将买家的电子货币转移 到商户的地址； 当然， 智能合约不仅限于执行用于交易的合约， 还可以执行对接收的信息进 行处理的合约。 说明书 5/20 页 9 CN 111222916 A 9 0067 3)区块链， 包括一系列按照产生的先后时间顺序相互接续的区块(Block)， 新区块 一旦加入到区块链中就不会再被移除， 区块中记录了区块链系统中节点提交的记录数据。 0068 4)共识(Consensus)， 是区块链网络中的一个过程， 用于在涉及的多个节点之间对 区块中的交易达成一致， 达成一致的区块将被追加到区块链的尾部， 实现共识的机制包括 工作量证明(PoW， Proof of Wo。

37、rk)、 权益证明(PoS， Pr oof of Stake)、 股份授权证明 (DPoS， Delegated Proof-of-Stake)、 消逝时间量证明(PoET， Proof of Elapsed Time)等。 0069 参见图2B， 图2B是本申请实施例提供的区块结构(Block Structure)的一个可选 的示意图， 每个区块中包括本区块存储交易记录的哈希值(本区块的哈希值)、 以及前一区 块的哈希值， 各区块通过哈希值连接形成区块链。 另外， 区块中还可以包括有区块生成时的 时间戳等信息。 区块链(Blockchain)， 本质上是一个去中心化的数据库， 是一串使用密码。

38、学 方法相关联产生的数据块， 每一个数据块中包含了相关的信息， 用于验证其信息的有效性 (防伪)和生成下一个区块。 0070 参见图3， 图3是本申请实施例提供的服务器300的结构示意图， 图3所示的服务器 300包括： 至少一个处理器310、 存储器350、 至少一个网络接口320和用户接口330。 服务器 300中的各个组件通过总线系统340耦合在一起。 可理解， 总线系统340用于实现这些组件之 间的连接通信。 总线系统340除包括数据总线之外， 还包括电源总线、 控制总线和状态信号 总线。 但是为了清楚说明起见， 在图3中将各种总线都标为总线系统340。 0071 处理器310可以是一。

39、种集成电路芯片， 具有信号的处理能力， 例如通用处理器、 数 字信号处理器(DSP， Digital Signal Processor)， 或者其他可编程逻辑器件、 分立门或者 晶体管逻辑器件、 分立硬件组件等， 其中， 通用处理器可以是微处理器或者任何常规的处理 器等。 0072 用户接口330包括使得能够呈现媒体内容的一个或多个输出装置331， 包括一个或 多个扬声器和/或一个或多个视觉显示屏。 用户接口330还包括一个或多个输入装置332， 包 括有助于用户输入的用户接口部件， 比如键盘、 鼠标、 麦克风、 触屏显示屏、 摄像头、 其他输 入按钮和控件。 0073 存储器350可以是可移。

40、除的， 不可移除的或其组合。 示例性的硬件设备包括固态存 储器， 硬盘驱动器， 光盘驱动器等。 存储器350可选地包括在物理位置上远离处理器310的一 个或多个存储设备。 存储器350包括易失性存储器或非易失性存储器， 也可包括易失性和非 易失性存储器两者。 非易失性存储器可以是只读存储器(ROM， Read Only Memory)， 易失性 存储器可以是随机存取存储器(RAM， Random Access Memory)。 本申请实施例描述的存储器 350旨在包括任意适合类型的存储器。 在一些实施例中， 存储器350能够存储数据以支持各 种操作， 这些数据的示例包括程序、 模块和数据结构或。

41、者其子集或超集， 下面示例性说明。 0074 操作系统351， 包括用于处理各种基本系统服务和执行硬件相关任务的系统程序， 例如框架层、 核心库层、 驱动层等， 用于实现各种基础业务以及处理基于硬件的任务； 0075 网络通信模块352， 用于经由一个或多个(有线或无线)网络接口320到达其他计算 设备， 示例性的网络接口320包括： 蓝牙、 无线相容性认证(WiFi)、 和通用串行总线(USB， Universal Serial Bus)等； 0076 输入处理模块353， 用于对一个或多个来自一个或多个输入装置332之一的一个或 多个用户输入或互动进行检测以及翻译所检测的输入或互动。 说明。

42、书 6/20 页 10 CN 111222916 A 10 0077 在一些实施例中， 本申请实施例提供的装置可以采用软件方式实现， 图3示出了存 储在存储器350中的一种投放区域确定装置354， 该投放区域确定装置354可以是服务器300 中的投放区域确定装置， 其可以是程序和插件等形式的软件， 包括以下软件模块： 获取模块 3541、 特征提取模块3542、 第一确定模块3543、 第二确定模块3544和第三确定模块3545， 这 些模块是逻辑上的， 因此根据所实现的功能可以进行任意的组合或进一步拆分。 将在下文 中说明各个模块的功能。 0078 在另一些实施例中， 本申请实施例还提供一种。

43、相似度模型训练设备， 该相似度模 型训练设备也可以实施为服务器， 所述服务器包括图3中所示的各个组件。 其中， 本申请实 施例提供的相似度模型训练设备中的相似度模型训练装置也可以采用软件方式实现， 该相 似度模型训练装置可以是服务器中的相似度模型训练装置， 其可以是程序和插件等形式的 软件， 包括以下软件模块(图中未示出)： 第一输入模块、 第二输入模块、 第三输入模块和修 正模块， 这些模块是逻辑上的， 因此根据所实现的功能可以进行任意的组合或进一步拆分。 0079 在又一些实施例中， 本申请实施例提供的装置可以采用硬件方式实现， 作为示例， 本申请实施例提供的装置可以是采用硬件译码处理器形。

44、式的处理器， 其被编程以执行本申 请实施例提供的投放区域确定方法， 例如， 硬件译码处理器形式的处理器可以采用一个或 多个应用专用集成电路(ASIC， Application S pecific Integrated Circuit)、 DSP、 可编 程逻辑器件(PLD， Programmable Logi c Device)、 复杂可编程逻辑器件(CPLD， Complex Programmable Logic Devi ce)、 现场可编程门阵列(FPGA， Field-Programmable Gate Array)或其他电子元件。 0080 下面将结合本申请实施例提供的服务器300的。

45、示例性应用和实施， 说明本申请实 施例提供的投放区域确定方法。 参见图4， 图4是本申请实施例提供的投放区域确定方法的 一个可选的流程示意图， 将结合图4示出的步骤进行说明。 0081 步骤S401， 获取投放对象的候选区域集合和已投放区域集合。 0082 这里， 投放对象可以是任意一种待投放的物体， 例如， 可以是门店、 商品、 自助贩卖 机等物体， 当然也可以是商业活动， 例如， 售卖活动或者明星演唱会等活动。 本申请实施例 中， 不仅可以为待投放的物体选择目标投放区域， 也可以为商业活动选择活动的举办区域。 0083 候选区域集合中包括至少一个候选区域， 候选区域是商家预先列举出的多个待。

46、选 择的区域， 本申请实施例的方法即是在这些候选区域中最终选择出一个或多个要投放上述 投放对象的区域， 以作为最终的目标投放区域。 0084 已投放区域集合中包括至少一个已投放区域， 已投放区域是商家在历史时间段内 已经投放了与投放对象对应的其他对象的区域， 已投放区域可以是位于任意位置的区域。 0085 本申请实施例中， 在获取到候选区域集合和已投放区域集合的同时， 还获取到候 选区域集合中的每一候选区域的相关特征参数， 这里的特征参数包括但不限于以下至少之 一： 该候选区域的客流量、 候选区域的位置、 候选区域的人均消费水平、 候选区域的相关门 店数等参数。 同时， 在获取到已投放区域集合。

47、的同时， 也还获取到已投放区域集合中的每一 已投放区域的相关特征参数， 这里的特征参数包括但不限于以下至少之一： 该已投放区域 的客流量、 已投放区域的位置、 已投放区域的人均消费水平、 已投放区域的相关门店数等参 数。 当然， 在其他实施例中， 上述候选区域的相关特征参数和上述已投放区域的相关特征参 数并不限于上述所列举出的参数， 可以根据实际需要确定相关特征参数的类别， 并获取对 说明书 7/20 页 11 CN 111222916 A 11 应类别的参数。 0086 步骤S402， 对候选区域集合中的每一候选区域进行特征提取得到每一候选区域的 第一特征向量， 对已投放区域集合中的每一已投。

48、放区域进行特征提取得到每一已投放区域 的第二特征向量。 0087 这里， 在对每一候选区域和已投放区域进行特征提取时， 可以是对候选区域的相 关特征参数和已投放区域的相关特征参数进行特征提取， 对应得到候选区域的第一特征向 量和已投放区域的第二特征向量。 通过第一特征向量来表征对应候选区域， 通过第二特征 向量来表征对应已投放区域。 0088 步骤S403， 对于每一候选区域， 根据第一特征向量和每一第二特征向量， 确定对应 候选区域与已投放区域之间形成的多个区域对的多个相似度。 0089 这里， 可以通过计算第一特征向量与第二特征向量之间的距离， 来确定对应候选 区域与对应已投放区域之间的相。

49、似度。 当第一特征向量与第二特征向量之间的距离越小， 则表明对应候选区域与对应已投放区域之间的相似度越高。 0090 需要说明的是， 对于每一候选区域， 会与已投放区域集合中的每一已投放区域进 行相似度计算， 也就是说， 每一候选区域与已投放区域集合中的全部已投放区域分别形成 区域对， 然后， 计算所形成的多个区域对对应的多个相似度。 0091 步骤S404， 根据所述相似度确定出满足条件的区域对为目标区域对。 0092 这里， 在确定出候选区域与每一已投放区域之间所形成的区域对的相似度之后， 可以按照相似度大小， 选择一定数量的区域对为目标区域对。 例如， 可以按照相似度从大到 小的顺序选择。

50、一定数量的区域对为目标区域对。 0093 步骤S405， 根据所述目标区域对中的已投放区域的预设分值， 确定对应候选区域 的预测分值。 0094 这里， 每一已投放区域具有一预设分值， 该预设分值用于表征对应已投放区域在 特定标签下所对应的分数大小， 例如， 在销售额标签下， 预设分值越高的话， 则表明对应的 已投放区域的销售额越高， 当然， 也可以直接采用销售额的数字表示预设分值， 本申请实施 例不做限定。 0095 本申请实施例中， 在确定出候选区域与每一已投放区域的相似度之后， 可以按照 相似度选择一定数量的目标区域对， 并将目标区域对中的已投放区域作为目标已投放区 域， 然后， 获取目。