首页 > 专利查询

POI信息挖掘方法、装置、设备及存储介质与流程

poi信息挖掘方法、装置、设备及存储介质
技术领域
1.本公开涉及人工智能技术领域，具体涉及图像处理、文本处理、深度学习等技术领域，可应用于向用户提供poi信息检索服务、门店招牌验真等场景下，尤其涉及一种poi信息挖掘方法、装置、设备及存储介质。

背景技术：

2.兴趣点(point of interest，poi)信息(或称为poi数据)一般是指地理信息中某个地理位置点相关的一些信息。例如，地理位置点可以是一栋房子、一个商铺或门店、一个邮筒、一个公交站等。poi信息可以包括地理位置点的名称、地址、坐标、电话、营业时间、品牌等字段。
3.在poi信息中，品牌是是很多门店的重要内容属性。用户在检索某个目标品牌的门店时，检索服务(如地图服务、外卖服务等)需要针对用户连锁检索需求，挖掘poi信息中包含目标品牌或poi信息与目标品牌相关的门店，并向用户展示这些门店的信息供用户选择。
4.目前，挖掘poi信息的主要方式包括两种。一种方式中，检索服务的提供方可以基于商家合作或爬虫的方式，挖掘目标品牌相关的门店的poi信息。另一种方式中，检索服务的提供方可以通过门脸图聚类算法(如kmeans算法)聚类挖掘目标品牌相关的门店的poi信息。

技术实现要素：

5.本公开提供了一种poi信息挖掘方法、装置、设备及存储介质，能够对品牌的poi信息进行智能化地挖掘，实现成本低、且时效性高，且能够大大提高poi信息的挖掘召回率和准确率。
6.根据本公开的第一方面，提供了一种poi信息挖掘方法，所述方法包括：
7.获取目标门店的poi信息，poi信息包括目标门店的招牌图像、目标门店相关的文本；根据预设的招牌图像库，确定招牌图像与目标门店的招牌图像之间的相似度最高的第一预设数量个第一品牌，并根据第一品牌的招牌图像与目标门店的招牌图像之间的相似度，确定每个第一品牌的第一得分，招牌图像库包括至少两个品牌的招牌图像；根据预设的文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，并根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分，文本库包括至少两个品牌相关的文本；根据第一得分和第二得分，确定第一品牌和第二品牌中每个品牌的融合得分；根据第一品牌和第二品牌中每个品牌的融合得分，从第一品牌和第二品牌中确定目标门店的poi信息对应的目标品牌。
8.根据本公开的第二方面，提供了一种poi信息挖掘装置，所述装置包括：
9.获取单元，用于获取目标门店的poi信息，poi信息包括目标门店的招牌图像、目标门店相关的文本；图像处理单元，用于根据预设的招牌图像库，确定招牌图像与目标门店的招牌图像之间的相似度最高的第一预设数量个第一品牌，并根据第一品牌的招牌图像与目
标门店的招牌图像之间的相似度，确定每个第一品牌的第一得分，招牌图像库包括至少两个品牌的招牌图像；文本处理单元，用于根据预设的文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，并根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分，文本库包括至少两个品牌相关的文本；融合单元，用于根据第一得分和第二得分，确定第一品牌和第二品牌中每个品牌的融合得分；识别单元，用于根据第一品牌和第二品牌中每个品牌的融合得分，从第一品牌和第二品牌中确定目标门店的poi信息对应的目标品牌。
10.根据本公开的第三方面，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如第一方面所述的方法。
11.根据本公开的第四方面，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计算机执行根据第一方面所述的方法。
12.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的方法。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.附图用于更好地理解本方案，不构成对本公开的限定。其中：
15.图1为本公开实施例提供的poi信息挖掘方法的流程示意图；
16.图2为本公开实施例提供的图1中s102的一种实现流程示意图；
17.图3为本公开实施例提供的图1中s102的另一种实现流程示意图；
18.图4为本公开实施例提供的图1中s103的一种实现流程示意图；
19.图5为本公开实施例提供的图1中s103的另一种实现流程示意图；
20.图6为本公开实施例提供的poi信息挖掘装置的组成示意图；
21.图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。
具体实施方式
22.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
23.应当理解，在本公开各实施例中，字符“/”一般表示前后关联对象是一种“或”的关系。术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
24.兴趣点(point of interest，poi)信息(或称为poi数据)一般是指地理信息中某个地理位置点相关的一些信息。例如，地理位置点可以是一栋房子、一个商铺或门店、一个邮筒、一个公交站等。poi信息可以包括地理位置点的名称、地址、坐标、电话、营业时间、品
牌等字段。
25.在poi信息中，品牌是是很多门店的重要内容属性。用户在检索某个目标品牌的门店时，检索服务(如地图服务、外卖服务等)需要针对用户连锁检索需求，挖掘poi信息中包含目标品牌或poi信息与目标品牌相关的门店，并向用户展示这些门店的信息供用户选择。
26.目前，挖掘poi信息的主要方式包括两种。一种方式中，检索服务的提供方可以基于商家合作或爬虫的方式，预先获取目标品牌相关的门店的poi信息，在提供检索服务时，可以基于预先获取的目标品牌相关的门店的poi信息，向用户展示目标品牌相关的门店的信息。但这种基于商家合作或爬虫获取的方式，依赖客观因素强，缺乏主动性，需要拓展多元合作，成本高且实效性差。
27.另一种方式中，检索服务的提供方可以通过门脸图聚类算法(如kmeans算法)聚类挖掘目标品牌相关的门店的poi信息。但这种通过门脸图聚类算法聚类挖掘的方式，对品牌poi信息的挖掘准确率和召回率较低。
28.例如，某个目标品牌旗下的门店的招牌可能包括中文文字招牌、图案招牌、英文文字招牌三种，但在挖掘该目标品牌相关的门店的poi信息时，可能会只挖掘到中文文字招牌、图案招牌、以及英文文字招牌中的一种或两种招牌对应的门店的poi信息，导致挖掘召回率低。
29.又例如，在挖掘某目标品牌相关的门店的poi信息时，可能会错误地挖掘其他品牌相似的招牌对应的门店的poi信息，导致挖掘准确率低。
30.本公开提供了一种poi信息挖掘方法，能够对品牌的poi信息进行智能化地挖掘，实现成本低、且时效性高，且能够大大提高poi信息的挖掘召回率和准确率。
31.该方法的执行主体可以是计算机或服务器，或者还可以是其他具有数据处理能力的设备。在此对该方法的执行主体不作限制。
32.示例性地，服务器可以是为用户提供poi信息检索服务(或称为检索服务)的后台服务器。例如，地图应用中可以为用户提供检索某个目标品牌的门店的检索服务，服务器可以是地图应用的后台服务器。又例如，外卖应用中也可以为用户提供检索某个目标品牌的门店的检索服务，服务器可以是外卖应用的后台服务器。
33.一些实施例中，服务器可以是单独的一个服务器，或者，也可以是由多个服务器构成的服务器集。部分实施方式中，服务器集还可以是分布式集。本公开对服务器的具体实现方式也不作限制。
34.下面对该poi信息挖掘方法进行示例性说明。
35.图1为本公开实施例提供的poi信息挖掘方法的流程示意图。如图1所示，该方法可以包括：
36.s101、获取目标门店的poi信息，poi信息包括目标门店的招牌图像、目标门店相关的文本。
37.示例性地，目标门店可以是商铺门店，如饭店、便利店等。目标门店的招牌图像可以是对目标门店进行拍摄得到的图片或视频。目标门店相关的文本可以包括用户对目标门店的评论。
38.s102、根据预设的招牌图像库，确定招牌图像与目标门店的招牌图像之间的相似度最高的第一预设数量个第一品牌，并根据第一品牌的招牌图像与目标门店的招牌图像之
间的相似度，确定每个第一品牌的第一得分，招牌图像库包括至少两个品牌的招牌图像。
39.示例性地，预设的招牌图像库可以包括至少两个品牌的招牌图像。一些实现方式中，招牌图像库可以通过门脸图聚类+人工标注的方式构建得到。例如，可以获取多个品牌的招牌图像(招牌图像是指对品牌的门店进行拍摄得到的图像)，每个招牌图像可以标注属于哪个品牌。可以采用聚类算法(如kmeans算法、bdscan聚类算法等)对这些招牌图像进行聚类，每个聚类簇对应一个品牌。这些聚类得到的簇可以构建生成招牌图像库。
40.对s101中目标门店的招牌图像，可以计算目标门店的招牌图像与招牌图像库中每个簇之间的相似度，作为每个簇对应的品牌的招牌图像与目标门店的招牌图像之间的相似度。根据每个簇对应的品牌的招牌图像与目标门店的招牌图像之间的相似度，可以选择相似度最高的第一预设数量个品牌作为第一品牌。即，第一品牌的数量为第一预设数量。
41.示例性地，第一预设数量可以是10、20等，在此对第一预设数量的大小不作限制。
42.可选地，在计算目标门店的招牌图像与招牌图像库中每个簇之间的相似度时，可以计算每个簇中招牌图像的聚类中心的图像特征(或所有招牌图像的图像特征的平均值)、以及目标门店的招牌图像的图像特征，然后通过resnet+arcface的方法对每个簇中招牌图像的聚类中心的图像特征、以及目标门店的招牌图像的图像特征进行图像特征编码，根据编码后的图像特征进行特征索引计算，得到目标门店的招牌图像与招牌图像库中每个簇之间的相似度。
43.示例性地，s102中根据第一品牌的招牌图像与目标门店的招牌图像之间的相似度，确定每个第一品牌的第一得分的步骤，可以包括：将第一品牌的招牌图像与目标门店的招牌图像之间的相似度，作为第一品牌的第一得分。
44.s103、根据预设的文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，并根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分，文本库包括至少两个品牌相关的文本。
45.示例性地，预设的文本库可以包括至少两个品牌相关的文本。一些实现方式中，文本库也可以通过聚类+人工标注的方式构建得到。例如，可以获取多个品牌相关的文本，每个(或每组)文本可以标注属于哪个品牌。可以采用聚类算法对这些文本进行聚类，每个聚类簇对应一个品牌。这些聚类得到的簇可以构建生成文本库。
46.对s101中目标门店相关的文本，可以计算目标门店相关的文本与文本库中每个簇之间的相似度，作为每个簇对应的品牌的文本与目标门店相关的文本之间的相似度。根据每个簇对应的品牌的文本与目标门店相关的文本之间的相似度，可以选择相似度最高的第二预设数量个品牌作为第二品牌。即，第二品牌的数量为第二预设数量。
47.示例性地，第二预设数量可以是10、20等。第二预设数量与第一预设数量可以相同，也可以不同。在此对第二预设数量的大小也不作限制。
48.可选地，在计算目标门店相关的文本与文本库中每个簇之间的相似度时，可以计算每个簇中文本的聚类中心的文本特征(或所有文本的文本特征的平均值)、以及目标门店相关的文本的文本特征，然后通过bert+cycleloss的方法对每个簇中文本的聚类中心的文本特征、以及目标门店相关的文本的文本特征进行文本特征编码，根据编码后的文本特征进行特征索引计算，得到目标门店相关的文本与文本库中每个簇之间的相似度。
49.示例性地，s103中根据第二品牌相关的文本与目标门店相关的文本之间的相似
度，确定每个第二品牌的第二得分的步骤，可以包括：将第二品牌相关的文本与目标门店相关的文本之间的相似度，作为第二品牌的第二得分。
50.s104、根据第一得分和第二得分，确定第一品牌和第二品牌中每个品牌的融合得分。
51.示例性地，根据第一得分和第二得分，确定第一品牌和第二品牌中每个品牌的融合得分，可以包括：对第一品牌和第二品牌中每个品牌，将每个品牌的第一得分和第二得分进行求和作为该品牌的融合得分。
52.例如，假设第一预设数量和第二预设数量均为5，第一品牌包括：品牌1、品牌2、品牌3、品牌4、品牌5，品牌1对应的第一得分为0.8，品牌2对应的第一得分为0.7，品牌3对应的第一得分为0.7，品牌4对应的第一得分为0.6，品牌5对应的第一得分为0.5；第二品牌包括：品牌1、品牌3、品牌4、品牌6、品牌7，品牌1对应的第二得分为0.9，品牌3对应的第二得分为0.8，品牌4对应的第二得分为0.7，品牌6对应的第二得分为0.6，品牌7对应的第二得分为0.6。则，对品牌1而言，品牌1对应的第一得分为0.8、第二得分为0.9，品牌1对应的融合得分可以为0.8+0.9＝1.7；对品牌2而言，品牌2对应的第一得分为0.7、第二得分为0(即没有第二得分)，品牌2对应的融合得分可以为0.7+0＝0.7；类似地，可以得到其他每个品牌的融合得分。
53.s105、根据第一品牌和第二品牌中每个品牌的融合得分，从第一品牌和第二品牌中确定目标门店的poi信息对应的目标品牌。
54.一些实现方式中，可以根据第一品牌和第二品牌中每个品牌的融合得分，从第一品牌和第二品牌中，选择融合得分最高的一个或多个品牌作为目标门店的poi信息对应的目标品牌。
55.例如，以s104中给出的示例为例，第一品牌和第二品牌中出现的所有品牌包括从品牌1、品牌2、品牌3、品牌4、品牌5、品牌6、以及品牌7，可以从品牌1、品牌2、品牌3、品牌4、品牌5、品牌6、以及品牌7中选择融合得分最高的品牌1作为目标门店的poi信息对应的目标品牌。
56.另外一些实现方式中，也可以将从第一品牌和第二品牌中，选择融合得分大于预设分值的品牌，作为目标门店的poi信息对应的目标品牌。例如，预设分值可以是0.9、0.8等，在此不作限制。
57.本公开实施例中，通过获取目标门店的poi信息，poi信息包括目标门店的招牌图像、目标门店相关的文本，根据预设的招牌图像库，确定招牌图像与目标门店的招牌图像之间的相似度最高的第一预设数量个第一品牌，并根据第一品牌的招牌图像与目标门店的招牌图像之间的相似度，确定每个第一品牌的第一得分，根据预设的文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，并根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分，根据第一得分和第二得分，确定第一品牌和第二品牌中每个品牌的融合得分，根据第一品牌和第二品牌中每个品牌的融合得分，从第一品牌和第二品牌中确定目标门店的poi信息对应的目标品牌，可以实现对品牌的poi信息进行智能化地挖掘，实现成本低、且时效性高。
58.其中，将图像相关的第一得分和文本相关的第二得分进行融合，并根据融合得分来识别目标门店的poi信息对应的目标品牌，可以大大提高poi信息的挖掘召回率和准确
率。
59.示例性地，本公开实施例提供的poi信息挖掘方法可以适用于对新的门店的品牌进行验真的场景。例如，新开了一家门店，但地图数据中暂时没有品牌信息，则可以通过本公开实施例提供的poi信息挖掘方法，来确定这个新开门店的真实品牌。
60.一些实施例中，上述s104也可以包括：以第一得分所占的权重为第一权重、第二得分所占的权重为第二权重，对第一品牌和第二品牌中每个品牌对应的第一得分和第二得分进行求和，得到第一品牌和第二品牌中每个品牌的融合得分。
61.例如，假设第一权重为α，第二权重为β，第一得分为score1，第二得分为score2，则融合得分可以通过下述公式得到。
62.score
融合
＝α*score1+β*score263.其中，score
融合
表示融合得分。
64.本实施例中，通过为第一得分和第二得分分别设置第一权重和第二权重，可以实现灵活调整poi信息挖掘过程中招牌图像和文本分别对挖掘结果的影响。
65.可选地，第一权重和第二权重的和可以为1，也可以不为1，在此不作限制。
66.一些实施例中，文本库包括至少两个，每个文本库对应包括一种类型的文本。
67.上述根据预设的文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌的步骤，可以包括：分别根据每个文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，得到至少两种类型的第二预设数量个第二品牌。
68.上述根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分的步骤，可以包括：对每种类型的第二品牌，根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分。
69.示例性地，文本的类型可以包括以下至少两种：评论类型、推荐类型、网络类型。例如，评论类型的文本可以是指用户在平台(如地图、外卖等)中对目标门店的评价。推荐类型的文本可以是用户或目标门店的商家在平台(如地图、外卖等)中针对目标门店推荐的菜品、商品等。网络类型的文本可以是目标门店的网络ip地址、wifi名称或wifi密码等wifi信息。本公开对文本的类型不作限制。
70.本实施例中，针对每种类型的文本，可以构建该类型的文本对应的文本库。针对每个文本库，可以确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，得到该文本库的文本类型对应的第二预设数量个第二品牌。从而，可以得到至少两种类型的第二预设数量个第二品牌。
71.例如，文本库包括评论文本库、推荐文本库、网络文本库，则可以分别根据每个文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，得到评论类型的第二预设数量个第二品牌、推荐类型的第二预设数量个第二品牌、网络类型的第二预设数量个第二品牌。即，每个文本类型，都可以对应得到第二预设数量个第二品牌。
72.针对对每种类型的第二品牌，可以根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分。
73.本实施例中在根据第一得分和第二得分，确定第一品牌和第二品牌中每个品牌的
融合得分时，同样可以对第一品牌和第二品牌中每个品牌，将每个品牌的第一得分和第二得分进行求和作为该品牌的融合得分。与前述实施例的区别在于，本实施例中，每个品牌的第二得分包括多个类型分别对应的第二得分。
74.例如，假设第一预设数量和第二预设数量均为2，第一权重和第二权重均为0.5，第一品牌包括：品牌1、品牌2，品牌1对应的第一得分为0.8，品牌2对应的第一得分为0.7；第二品牌包括评论类型的第二品牌和网络类型的第二品牌，其中，评论类型的第二品牌包括品牌1、品牌3，评论类型的品牌1对应的第二得分为0.9，评论类型的品牌3对应的第二得分为0.7；网络类型的第二品牌包括品牌2、品牌3，网络类型的品牌2对应的第二得分为0.8，网络类型的品牌3对应的第二得分为0.7。则，对品牌1而言，品牌1对应的第一得分为0.8、评论类型的第二得分为0.9，网络类型的第二得分为0，品牌1对应的融合得分可以为0.8*0.5+0.9*0.5+0*0.5＝0.85。类似地，可以得到其他每个品牌的融合得分。
75.本实施例中，文本库包括至少两个，每个文本库对应包括一种类型的文本，分别根据每个文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，得到至少两种类型的第二预设数量个第二品牌，对每种类型的第二品牌，根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分，可以实现基于多种文本类型来挖掘poi信息，能够进一步提高召回率和准确率。
76.一些实现方式中，对第一品牌和第二品牌中每个品牌对应的第一得分和第二得分进行求和时，不同类型的第二品牌对应的第二得分所占的权重均为第二权重。也即，不同类型的第二品牌对应的第二得分所占的权重均相同。
77.另外一些实现方式中，对第一品牌和第二品牌中每个品牌对应的第一得分和第二得分进行求和时，所有类型的第二品牌对应的第二得分所占的权重之和可以为第二权重，不同类型的第二品牌对应的第二得分所占的权重不同。
78.本实现方式中，不同类型的第二品牌对应的第二得分所占的权重不同，可以实现灵活调整poi信息挖掘过程中不同类型的文本分别对挖掘结果的影响。
79.图2为本公开实施例提供的图1中s102的一种实现流程示意图。如图2所示，一些实施例中，s102中根据第一品牌的招牌图像与目标门店的招牌图像之间的相似度，确定每个第一品牌的第一得分的步骤，可以包括：
80.s201、根据第一品牌的招牌图像与目标门店的招牌图像之间的相似度，确定每个第一品牌的相似度得分。
81.示例性地，假设第一品牌包括品牌1和品牌2，品牌1的招牌图像与目标门店的招牌图像之间的相似度为0.8，品牌2的招牌图像与目标门店的招牌图像之间的相似度为0.7，则品牌1的相似度得分可以为0.8，品牌2的相似度得分可以为0.7。
82.s202、根据第一预设数量个第一品牌中属于同一品牌的第一品牌的数量、以及第一预设数量，确定每个第一品牌的一致性得分。
83.示例性地，在一些场景中，部分门店的招牌可能不同，但这部分门店可能属于同一个品牌。例如，某个品牌的门店招牌可以包括：图案招牌、中文招牌、英文招牌等多种。本公开实施例中所确定的第一预设数量个第一品牌中，可能会出现部分第一品牌属于同一品牌的情况。
84.例如，假设第一预设数量为5，第一品牌包括品牌1、品牌2、品牌3、品牌4、品牌5，其
中，品牌1和品牌3均为a品牌，但品牌1使用的是a品牌的中文招牌，品牌3使用的是a品牌的英文招牌。
85.s202可以包括：对每个第一品牌，将第一预设数量个第一品牌中与该第一品牌属于同一品牌的第一品牌的数量与第一预设数量的比值，作为该第一品牌的一致性得分。
86.以上述第一品牌包括品牌1、品牌2、品牌3、品牌4、品牌5，其中，品牌1和品牌3均为a品牌为例，品牌1和品牌3属于同一品牌，与品牌1属于同一品牌的第一品牌的数量为2，则品牌1的一致性得分可以为0.4；品牌3的一致性得分也为0.4。与品牌2属于同一品牌的第一品牌的数量为1，则品牌2的一致性得分可以为0.2。与品牌4属于同一品牌的第一品牌的数量也为1，品牌4的一致性得分也为0.2。
87.s203、根据第一品牌的相似度得分和一致性得分，确定第一品牌的第一得分。
88.一些实现方式中，s203可以包括：对第一品牌的相似度得分和一致性得分进行求和，得到第一品牌的第一得分。
89.另外，一些实现方式中，s203可以包括：以第一品牌的相似度得分所占的权重为第三权重、第一品牌的一致性得分所占的权重为第四权重、对第一品牌的相似度得分和一致性得分进行求和，得到第一品牌的第一得分。其中，第三权重和第四权重之和可以为1，也可以不为1。
90.本实施例中，通过引入一致性得分，可以提高一致性较好的品牌所占的得分比重，进一步提高poi信息的挖掘召回率和准确率。
91.图3为本公开实施例提供的图1中s102的另一种实现流程示意图。如图3所示，一些实施例中，s102中根据预设的招牌图像库，确定招牌图像与目标门店的招牌图像之间的相似度最高的第一预设数量个第一品牌的步骤，可以包括：
92.s301、将目标门店的招牌图像输入预设的图像识别模型，通过图像识别模型确定招牌图像与目标门店的招牌图像相似的候选第一品牌、以及每个候选第一品牌的置信度，图像识别模型是采用招牌图像库训练得到的。
93.示例性地，可以采用招牌图像库对神经网络进行训练，得到图像识别模型。在此对神经网络的类型不作限制。图像识别模型可以具有预测目标门店的招牌图像属于哪个招牌的功能。将目标门店的招牌图像输入图像识别模型后，图像识别模型可以输出招牌图像与目标门店的招牌图像相似的候选第一品牌、以及每个候选第一品牌的置信度。
94.s302、将候选第一品牌的置信度作为相似度，从候选第一品牌中选择相似度最高的第一预设数量个第一品牌。
95.示例性地，假设第一预设数量为2，候选第一品牌包括品牌1、品牌2、品牌3、品牌4、品牌5，品牌1的置信度为0.9，品牌2的置信度为0.8，品牌3的置信度为0.7，品牌4的置信度为0.6，品牌5的置信度为0.5，则可以选择置信度最高的品牌1和品牌2作为第一品牌。
96.本实施例中，通过引入图像识别模型，结合图像识别模型输出的置信度来选择第一预设数量个第一品牌，可以提高相似度计算结果的准确性，进而提高poi信息的挖掘召回率。
97.图4为本公开实施例提供的图1中s103的一种实现流程示意图。如图4所示，一些实施例中，s103中根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分的步骤，可以包括：
98.s401、根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的相似度得分。
99.s401可以参考s201所述，不再赘述。
100.s402、根据第二预设数量个第二品牌中属于同一品牌的第二品牌的数量、以及第二预设数量，确定每个第二品牌的一致性得分。
101.s402可以参考s202所述，不再赘述。
102.s403、根据第二品牌的相似度得分和一致性得分，确定第二品牌的第二得分。
103.一些实现方式中，s403可以包括：对第二品牌的相似度得分和一致性得分进行求和，得到第二品牌的第二得分。
104.另外，一些实现方式中，s403可以包括：以第二品牌的相似度得分所占的权重为第五权重、第二品牌的一致性得分所占的权重为第六权重、对第二品牌的相似度得分和一致性得分进行求和，得到第二品牌的第二得分。其中，第五权重和第六权重之和可以为1，也可以不为1。
105.本实施例中，通过引入一致性得分，也可以提高一致性较好的品牌所占的得分比重，进一步提高poi信息的挖掘召回率和准确率。
106.图5为本公开实施例提供的图1中s103的另一种实现流程示意图。如图3所示，一些实施例中，s103中根据预设的文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌的步骤，可以包括：
107.s501、将目标门店相关的文本输入预设的文本识别模型，通过文本识别模型确定文本与目标门店相关的文本相似的候选第二品牌、以及每个候选第二品牌的置信度，文本识别模型是采用文本库训练得到的。
108.示例性地，可以采用文本库对神经网络进行训练，得到文本识别模型。在此对神经网络的类型不作限制。文本识别模型可以具有预测目标门店相关的文本属于哪个招牌的功能。将目标门店相关的文本输入文本识别模型后，文本识别模型可以输出文本与目标门店相关的文本相似的候选第二品牌、以及每个候选第二品牌的置信度。
109.可选地，本公开实施例中，针对前述实施例提到的每种类型的文本(即每个文本库)，可以对应训练一个文本识别模型，用于对不同类型的文本进行识别。
110.s502、将候选第二品牌的置信度作为相似度，从候选第二品牌中选择相似度最高的第二预设数量个第二品牌。
111.s502可以参考s302所述，不再赘述，
112.本实施例中，通过引入文本识别模型，结合文本识别模型输出的置信度来选择第二预设数量个第二品牌，也可以提高相似度计算结果的准确性，进而提高poi信息的挖掘召回率。
113.示例性实施例中，本公开实施例还提供一种poi信息挖掘装置，可以用于实现如前述实施例所述的poi信息挖掘方法。图6为本公开实施例提供的poi信息挖掘装置的组成示意图。如图6所示，该装置可以包括：获取单元601、图像处理单元602、文本处理单元603、融合单元604、识别单元605。
114.获取单元601，用于获取目标门店的poi信息，poi信息包括目标门店的招牌图像、目标门店相关的文本。
115.图像处理单元602，用于根据预设的招牌图像库，确定招牌图像与目标门店的招牌图像之间的相似度最高的第一预设数量个第一品牌，并根据第一品牌的招牌图像与目标门店的招牌图像之间的相似度，确定每个第一品牌的第一得分，招牌图像库包括至少两个品牌的招牌图像。
116.文本处理单元603，用于根据预设的文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，并根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分，文本库包括至少两个品牌相关的文本。
117.融合单元604，用于根据第一得分和第二得分，确定第一品牌和第二品牌中每个品牌的融合得分。
118.识别单元605，用于根据第一品牌和第二品牌中每个品牌的融合得分，从第一品牌和第二品牌中确定目标门店的poi信息对应的目标品牌。
119.可选地，融合单元604，具体用于以第一得分所占的权重为第一权重、第二得分所占的权重为第二权重，对第一品牌和第二品牌中每个品牌对应的第一得分和第二得分进行求和，得到第一品牌和第二品牌中每个品牌的融合得分。
120.可选地，文本库包括至少两个，每个文本库对应包括一种类型的文本。
121.文本处理单元603，具体用于分别根据每个文本库，确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，得到至少两种类型的第二预设数量个第二品牌。
122.文本处理单元603，具体还用于对每种类型的第二品牌，根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的第二得分。
123.可选地，对第一品牌和第二品牌中每个品牌对应的第一得分和第二得分进行求和时，不同类型的第二品牌对应的第二得分所占的权重不同。
124.可选地，类型包括以下至少两种：评论类型、推荐类型、网络类型。
125.可选地，图像处理单元602，具体用于根据第一品牌的招牌图像与目标门店的招牌图像之间的相似度，确定每个第一品牌的相似度得分；根据第一预设数量个第一品牌中属于同一品牌的第一品牌的数量、以及第一预设数量，确定每个第一品牌的一致性得分；根据第一品牌的相似度得分和一致性得分，确定第一品牌的第一得分。
126.可选地，图像处理单元602，具体用于将目标门店的招牌图像输入预设的图像识别模型，通过图像识别模型确定招牌图像与目标门店的招牌图像相似的候选第一品牌、以及每个候选第一品牌的置信度，图像识别模型是采用招牌图像库训练得到的；将候选第一品牌的置信度作为相似度，从候选第一品牌中选择相似度最高的第一预设数量个第一品牌。
127.可选地，文本处理单元603，具体用于根据第二品牌相关的文本与目标门店相关的文本之间的相似度，确定每个第二品牌的相似度得分；根据第二预设数量个第二品牌中属于同一品牌的第二品牌的数量、以及第二预设数量，确定每个第二品牌的一致性得分；根据第二品牌的相似度得分和一致性得分，确定第二品牌的第二得分。
128.可选地，文本处理单元603，具体用于将目标门店相关的文本输入预设的文本识别模型，通过文本识别模型确定文本与目标门店相关的文本相似的候选第二品牌、以及每个候选第二品牌的置信度，文本识别模型是采用文本库训练得到的；将候选第二品牌的置信度作为相似度，从候选第二品牌中选择相似度最高的第二预设数量个第二品牌。
129.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
130.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
131.示例性实施例中，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如以上实施例所述的方法。该电子设备可以是上述计算机或服务器。
132.示例性实施例中，可读存储介质可以是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计算机执行根据以上实施例所述的方法。
133.示例性实施例中，计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据以上实施例所述的方法。
134.图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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/或者要求的本公开的实现。
135.如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
136.电子设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
137.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如poi信息挖掘方法。例如，在一些实施例中，poi信息挖掘方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的poi信息挖掘方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行poi信息挖掘方法。
138.本文中以上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、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系
统的系统(soc)、负载可编程逻辑设备(cpld)、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。
139.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
140.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
141.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。
142.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)和互联网。
143.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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
144.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，本公开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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
145.上述具体实施方式，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

技术特征：

1.一种poi信息挖掘方法，所述方法包括：获取目标门店的poi信息，所述poi信息包括所述目标门店的招牌图像、所述目标门店相关的文本；根据预设的招牌图像库，确定招牌图像与所述目标门店的招牌图像之间的相似度最高的第一预设数量个第一品牌，并根据所述第一品牌的招牌图像与所述目标门店的招牌图像之间的相似度，确定每个所述第一品牌的第一得分，所述招牌图像库包括至少两个品牌的招牌图像；根据预设的文本库，确定文本与所述目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，并根据所述第二品牌相关的文本与所述目标门店相关的文本之间的相似度，确定每个所述第二品牌的第二得分，所述文本库包括至少两个品牌相关的文本；根据所述第一得分和所述第二得分，确定所述第一品牌和所述第二品牌中每个品牌的融合得分；根据所述第一品牌和所述第二品牌中每个品牌的融合得分，从所述第一品牌和所述第二品牌中确定所述目标门店的poi信息对应的目标品牌。2.根据权利要求1所述的方法，所述根据所述第一得分和所述第二得分，确定所述第一品牌和所述第二品牌中每个品牌的融合得分，包括：以所述第一得分所占的权重为第一权重、所述第二得分所占的权重为第二权重，对所述第一品牌和所述第二品牌中每个品牌对应的所述第一得分和所述第二得分进行求和，得到所述第一品牌和所述第二品牌中每个品牌的融合得分。3.根据权利要求2所述的方法，所述文本库包括至少两个，每个所述文本库对应包括一种类型的文本；所述根据预设的文本库，确定文本与所述目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，包括：分别根据每个所述文本库，确定文本与所述目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，得到至少两种类型的第二预设数量个第二品牌；所述根据所述第二品牌相关的文本与所述目标门店相关的文本之间的相似度，确定每个所述第二品牌的第二得分，包括：对每种类型的所述第二品牌，根据所述第二品牌相关的文本与所述目标门店相关的文本之间的相似度，确定每个所述第二品牌的第二得分。4.根据权利要求3所述的方法，对所述第一品牌和所述第二品牌中每个品牌对应的所述第一得分和所述第二得分进行求和时，不同类型的所述第二品牌对应的所述第二得分所占的权重不同。5.根据权利要求3或4所述的方法，所述类型包括以下至少两种：评论类型、推荐类型、网络类型。6.根据权利要求1-5任一项所述的方法，所述根据所述第一品牌的招牌图像与所述目标门店的招牌图像之间的相似度，确定每个所述第一品牌的第一得分，包括：根据所述第一品牌的招牌图像与所述目标门店的招牌图像之间的相似度，确定每个所述第一品牌的相似度得分；根据所述第一预设数量个第一品牌中属于同一品牌的第一品牌的数量、以及所述第一
预设数量，确定每个所述第一品牌的一致性得分；根据所述第一品牌的相似度得分和一致性得分，确定所述第一品牌的第一得分。7.根据权利要求6所述的方法，所述根据预设的招牌图像库，确定招牌图像与所述目标门店的招牌图像之间的相似度最高的第一预设数量个第一品牌，包括：将所述目标门店的招牌图像输入预设的图像识别模型，通过所述图像识别模型确定招牌图像与所述目标门店的招牌图像相似的候选第一品牌、以及每个所述候选第一品牌的置信度，所述图像识别模型是采用所述招牌图像库训练得到的；将所述候选第一品牌的置信度作为相似度，从所述候选第一品牌中选择相似度最高的第一预设数量个第一品牌。8.根据权利要求1-7任一项所述的方法，所述根据所述第二品牌相关的文本与所述目标门店相关的文本之间的相似度，确定每个所述第二品牌的第二得分，包括：根据所述第二品牌相关的文本与所述目标门店相关的文本之间的相似度，确定每个所述第二品牌的相似度得分；根据所述第二预设数量个第二品牌中属于同一品牌的第二品牌的数量、以及所述第二预设数量，确定每个所述第二品牌的一致性得分；根据所述第二品牌的相似度得分和一致性得分，确定所述第二品牌的第二得分。9.根据权利要求8所述的方法，所述根据预设的文本库，确定文本与所述目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，包括：将所述目标门店相关的文本输入预设的文本识别模型，通过所述文本识别模型确定文本与所述目标门店相关的文本相似的候选第二品牌、以及每个所述候选第二品牌的置信度，所述文本识别模型是采用所述文本库训练得到的；将所述候选第二品牌的置信度作为相似度，从所述候选第二品牌中选择相似度最高的第二预设数量个第二品牌。10.一种poi信息挖掘装置，所述装置包括：获取单元，用于获取目标门店的poi信息，所述poi信息包括所述目标门店的招牌图像、所述目标门店相关的文本；图像处理单元，用于根据预设的招牌图像库，确定招牌图像与所述目标门店的招牌图像之间的相似度最高的第一预设数量个第一品牌，并根据所述第一品牌的招牌图像与所述目标门店的招牌图像之间的相似度，确定每个所述第一品牌的第一得分，所述招牌图像库包括至少两个品牌的招牌图像；文本处理单元，用于根据预设的文本库，确定文本与所述目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，并根据所述第二品牌相关的文本与所述目标门店相关的文本之间的相似度，确定每个所述第二品牌的第二得分，所述文本库包括至少两个品牌相关的文本；融合单元，用于根据所述第一得分和所述第二得分，确定所述第一品牌和所述第二品牌中每个品牌的融合得分；识别单元，用于根据所述第一品牌和所述第二品牌中每个品牌的融合得分，从所述第一品牌和所述第二品牌中确定所述目标门店的poi信息对应的目标品牌。11.根据权利要求10所述的装置，所述融合单元，具体用于以所述第一得分所占的权重
为第一权重、所述第二得分所占的权重为第二权重，对所述第一品牌和所述第二品牌中每个品牌对应的所述第一得分和所述第二得分进行求和，得到所述第一品牌和所述第二品牌中每个品牌的融合得分。12.根据权利要求11所述的装置，所述文本库包括至少两个，每个所述文本库对应包括一种类型的文本；所述文本处理单元，具体用于分别根据每个所述文本库，确定文本与所述目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌，得到至少两种类型的第二预设数量个第二品牌；所述文本处理单元，具体还用于对每种类型的所述第二品牌，根据所述第二品牌相关的文本与所述目标门店相关的文本之间的相似度，确定每个所述第二品牌的第二得分。13.根据权利要求12所述的装置，对所述第一品牌和所述第二品牌中每个品牌对应的所述第一得分和所述第二得分进行求和时，不同类型的所述第二品牌对应的所述第二得分所占的权重不同。14.根据权利要求10-13任一项所述的装置，所述图像处理单元，具体用于根据所述第一品牌的招牌图像与所述目标门店的招牌图像之间的相似度，确定每个所述第一品牌的相似度得分；根据所述第一预设数量个第一品牌中属于同一品牌的第一品牌的数量、以及所述第一预设数量，确定每个所述第一品牌的一致性得分；根据所述第一品牌的相似度得分和一致性得分，确定所述第一品牌的第一得分。15.根据权利要求14所述的装置，所述图像处理单元，具体用于将所述目标门店的招牌图像输入预设的图像识别模型，通过所述图像识别模型确定招牌图像与所述目标门店的招牌图像相似的候选第一品牌、以及每个所述候选第一品牌的置信度，所述图像识别模型是采用所述招牌图像库训练得到的；将所述候选第一品牌的置信度作为相似度，从所述候选第一品牌中选择相似度最高的第一预设数量个第一品牌。16.根据权利要求10-15任一项所述的装置，所述文本处理单元，具体用于根据所述第二品牌相关的文本与所述目标门店相关的文本之间的相似度，确定每个所述第二品牌的相似度得分；根据所述第二预设数量个第二品牌中属于同一品牌的第二品牌的数量、以及所述第二预设数量，确定每个所述第二品牌的一致性得分；根据所述第二品牌的相似度得分和一致性得分，确定所述第二品牌的第二得分。17.根据权利要求16所述的装置，所述文本处理单元，具体用于将所述目标门店相关的文本输入预设的文本识别模型，通过所述文本识别模型确定文本与所述目标门店相关的文本相似的候选第二品牌、以及每个所述候选第二品牌的置信度，所述文本识别模型是采用所述文本库训练得到的；将所述候选第二品牌的置信度作为相似度，从所述候选第二品牌中选择相似度最高的第二预设数量个第二品牌。18.一种电子设备，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权利要求1-9任一项所述的方法。19.一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计算机执行根据权利要求1-9任一项所述的方法。
20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9任一项所述的方法。

技术总结

本公开提供一种POI信息挖掘方法、装置、设备及存储介质，涉及人工智能技术领域，具体涉及图像处理、文本处理、深度学习等技术领域，可应用于POI信息检索服务、门店招牌验真等场景下。具体实现方案包括：获取POI信息，POI信息包括目标门店的招牌图像、目标门店相关的文本；确定招牌图像与目标门店的招牌图像之间的相似度最高的第一预设数量个第一品牌的第一得分；确定文本与目标门店相关的文本之间的相似度最高的第二预设数量个第二品牌的第二得分；根据第一得分和第二得分，从第一品牌和第二品牌中确定POI信息对应的目标品牌。本公开可以对品牌的POI信息进行智能化地挖掘，实现成本低、且时效性高，且能够大大提高POI信息的挖掘召回率和准确率。召回率和准确率。召回率和准确率。