8月14日至18日|kdd2021在线上正式举行ai技术应用紧密结合( 二 )

文章图片
POI检索、推荐等为用户提供更好、更便捷的智能化位置服务
作为国内智能化位置服务的代表产品之一，百度地图日均位置服务请求已突破了1200亿次。
怎样让用户在使用百度地图时能够获得更好、更快、更方便的服务？KDD2021中选论文中，百度延续以往在百度地图方面的技术研究、进行了升级和创新，覆盖POI即时检索、多语言POI检索、POI推荐和基于自监督元学习的路线耗时预估办法等。
3.MST-PAC：基于元学习的时空个性化POI即时检索
Meta-LearnedSpatial-TemporalPOIAuto-CompletionfortheSearchEngineatBaiduMaps
POI即时检索（POIAuto-Completion）是百度地图POI搜索引擎的特色功能之一。 POI即时检索旨在帮助用户以最少的输入（理想情况下只需要用户输入一个字符），在搜索结果列表页的首位即时给出用户想找的POI ，因此能够大幅降低输入成本并显著提升搜索效率。 POI即时检索效果不仅与用户输入的字符以及输入习惯有关，也与用户发起检索的时间与空间相关。统计数据显示17.9%的地图用户在不同的时间或地点使用过相同的前缀寻找过不同的POI 。考虑到时空数据分布的不均衡性，我们提出了一种基于元学习的时空个性化POI即时检索方法，并使用高效MapReduce算法对其进行训练（缩写为MST-PAC）。 MST-PAC能够显著克服时空数据分布不均的问题，并能以较少的训练样本快速适应冷启动的时空场景。 MST-PAC已在百度地图成功部署，每天处理数十亿检索请求，这表明MST-PAC是一种具有实用价值且能够大规模落地的POI即时检索工业解决方案。

文章图片
4.基于异构图与注意力匹配网络的多语言POI检索
HGAMN:HeterogeneousGraphAttentionMatchingNetworkforMultilingualPOIRetrievalatBaiduMaps
多语言POI检索旨在帮助用户使用自己熟悉的语言查找到由其他语言所描述的POI 。该功能在出境旅游时尤为重要，因为本地POI往往缺乏多语言翻译，要用完全陌生的语言进行查询对大部分用户来说不太现实。数据稀疏是多语言检索任务面临的挑战之一。为此，我们提出了一种基于异构图的注意力匹配网络（HGAMN）。首先，在异构图的帮助下，我们能够有效建立起低频POI与高频POI之间，以及POI与其不同语言的查询表达之间的关联。其次，我们使用基于注意力的网络对该图的节点表示进行学习后，能够显著缓解数据稀疏问题。 HGAMN已在百度地图成功部署，每天响应数亿搜索请求，这表明HGAMN是一种实用且鲁棒的多语言POI检索工业解决方案。

文章图片
5.SSML:基于自监督元学习的在途路线耗时预估方法
SSML:Self-SupervisedMeta-LearnerforEnRouteTravelTimeEstimationatBaiduMaps
路线耗时预估旨在根据路线和出发时间预测用户的到达时间，是地图产品必不可少的基础功能之一。在途路线耗时预估是路线耗时预估在用户驾驶过程中的细分场景任务，旨在估算出从用户当前位置到目的地的剩余时间。然而，现有方法未考虑从起点到当前位置的用户驾驶行为，从而很难快速适应用户的驾驶习惯，并据此及时调整剩余的预估耗时。为此，本文提出利用已行驶路线所观察到的少量用户驾驶行为，来提升在途路线耗时预估的准确率。我们将该任务建模为一个小样本学习问题，把已行驶路线中观察到的用户行为作为训练样本，同时把剩余路线中未发生的行为作为测试样本。我们提出了一种基于自监督元学习的在途路线耗时预估方法（SSML），并使用自监督学习进行数据增强，从而得以快速适应用户的驾驶行为、提升模型的预测效果。基于百度地图大规模真实数据集的实验表明， SSML是一种具有实用价值与稳健性的在途路线耗时预估工业解决方案。