具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

下面对本申请涉及的技术和名词进行说明：

AI(Artificial Intelligence,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。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。

在本申请中，可以机器学习/深度学习等方向。

其中，ML(Machine Learning,机器学习)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

在本申请实施例提供的地块选择方法中，可以采用机器学习相关技术针对少量的样本对象数据进行处理，采用深度学习相关技术针对数量大的地块数据进行处理。

地块选择，是指在建筑之前对地址进行选取的过程。地块选择需要考量的因素多种多样，如人口密度、交通、现有建筑等等，导致在地块选择时需要考虑数据量庞大的基础数据；另外，地块选择还需要结合城市或企业自身的发展需求进行考量，也即在地块选择时还需要考虑数据量较少的需求数据。

然而，在相关技术中，由于无法同时适应数据量庞大的基础数据以及数据量较少的需求数据进行数据挖掘，无法充分利用各种数据特征，导致最终所选地块的合理性非常差。另外，相关技术中针对用户知识嵌入的方式主要是直接指定权重做线性计算，然而对于海量的数据，类似简单的处理并不能充分利用挖掘数据本身的特征表达能力，也难以贴合场景使用。

为解决上述至少一个问题，本申请提供一种地块选择方法、装置、电子设备和计算机可读存储介质；可以用于地图、车联网等场景。具体地，可以充分利用用户提供的样本对象数据和已有的地块画像数据，支持海量数据的自动机器学习AutoML地块选择分析，还可以融合用户的经验。本申请提出的算法框架贴合场景进行设计，可以有效提升地块选择的合理性。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

本申请实施例中提供了一种地块选择方法，如图1所示，图1示出了本申请实施例提供的一种地块选择方法的流程示意图，其中，该方法可以由任一电子设备执行，如可以是用户终端，也可以是服务器，用户终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载设备等，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器，但本申请并不局限于此。

下面首先针对本申请实施例所提供地块选择方法的相关内容进行说明。

以企业的选择地块设立线下门店为例，假设处于一种开设店铺的地块选择场景中，本申请实施例提供的地块选择方法可以实现基于用户提供的样本店铺数据，以该样本店铺选取适宜开设店铺的地块。其中，地块在一定的地理空间分布范围内，可以用于一定的应用目的，如规划，地块选择等；针对形状而言，地块可以包括规则地块和不规则地块。在本申请实施例中，可以将一定的地理空间分布范围(如某一行政区域)划分为设定长度的矩形地块，基于划分所得的地块作为本申请实施的基础；但本申请实施例也可以应用于其他地块的规划方式中，本申请实施例对此不作限定。

具体地，结合图1、图2和图8，对该方法包括的下述步骤S101-S102进行说明：

步骤S101：获取到与地块选择相关的样本对象数据，基于预设的地块画像数据与所述样本对象数据，确定与样本对象所在地块相应的候选地块。

其中，在地块选择的场景中，用户可以将已知的一些样本对象的相关数据上传至地块选择平台，地块选择平台可以融合用户提供的数据与已有的地块数据进行处理，筛选出与样本对象所在地块相应的候选地块(也即，基于样本对象与所在地块的对应关系寻找出相关性较高的候选地块)。

其中，样本对象数据可以包括样本对象本身的属性信息，如样本对象为服装店时，可以包括该服装店的经营数据、店铺面积、店铺所在位置(可以对应于地块位置)等。可选地，步骤S101中可以获取到的样本对象数据以样本对象为单位进行存储，也即一个样本对象对应于一份样本对象数据，而样本对象数据的多少取决于用户所能提供的数据。

其中，地块画像数据是在大数据的基础下，将地块的每个具体信息抽象成标签，利用标签将地块形象具体化，进而用于分析服务的数据。如地块1的画像数据可以包括所处地理位置、以所在地理位置为中心的一定范围内人口信息、交通信息等；地块画像数据所能包括的特征多种多样。具体地，地块画像数据包括基于地理空间划分所得地块相应的画像数据。

将样本对象数据与地块画像数据的数据量相比较而言，样本对象数据属于数据量较少的待分析数据，地块画像数据属于数据量庞大的已有数据。

具体地，上述步骤S101的实施可以通过机器学习相关技术实现，具体的实现过程将在后续实施例中说明。

步骤S102：基于预设的地块画像数据对所述候选地块进行相似度检索，以在候选地块中确定与所述样本对象所在地块相应的目标地块。

在本申请实施例中，考虑到基于步骤S101筛选所得的地块选择结果较为粗糙，也即候选地块可以包括很多地块，其地块选择的精度不高，在此基础上，本申请采用步骤S102执行基于地块画像数据的相似度匹配过滤步骤，对候选地块进行相似度检索，以进一步缩小地块选择结果中所包括的地块数量，提高地块选择的合理性与精确度。

其中，相似度检索可以是采用向量检索算法进行的特征检索，其用于对候选地块作进一步的优选，也即候选地块的数量大于目标地块的数量。可选地，目标地块可以包括至少一块地块。

具体地，上述步骤S102的实施可以通过深度学习相关技术实现，具体的实现过程将在后续实施例中说明。

在一可行的实施例中，本申请实施例提供的地块选择方法还可以是仅包括步骤S101，也即将候选地块作为地块选择结果输出；也还可以仅包括步骤S102，也即在不融合用户提供的样本对象数据的基础上，直接基于地块画像数据进行地块选择处理。

下面针对如何确定与样本对象所在地块相应的候选地块的具体过程进行说明。

在一实施例中，步骤S101中基于预设的地块画像数据与所述样本对象数据，确定与样本对象所在地块相应的候选地块，包括步骤A1-A2：

步骤A1：基于预设的地块画像数据与所述样本对象数据，进行模型的自动化训练，得到目标推理模型。

在本申请实施例中，考虑到在一些地块选择场景中，用户提交样本对象数据后，需要地块选择算法自动化给出地块选择结果，但是相关技术中并不支持自动学习和推理，且相关技术中的地块选择算法难以批量复制，存在运维困难的问题(如针对样本对象为餐饮店铺和服装店铺时，学习所得的地块选择算法不同，若需要一一针对不同的类型进行处理，其计算复杂度非常大，运维成本非常高)。因此，本申请实施例采用自动机器学习AutoML解决该问题。

其中，自动机器学习AutoML是将机器学习应用于现实问题的端到端流程自动化过程，采用机动化训练的方式对机器学习模型和AI模型进行训练。具体地，结合图3和图4所示，AutoML可以从特征工程、模型构建和参数优化三方面实现自动化。

具体地，可以采用预设的地块画像数据与样本对象数据构建推理模型的自动学习训练的训练数据(特征工程)，进而通过自动化训练在融合有多个模型的框架结构中选择合适的模型进行构建，并最终实现自动化调参，完成目标推理模型的构建。

步骤A2：基于所述目标推理模型确定与样本对象所在地块相应的候选地块。

具体地，目标推理模型是基于用户当前提供的样本对象数据与已有的地块画像数据训练得到的模型，可以通过目标推理模型基于样本对象数据在已有的地块(通过地块画像数据可知)中选取相对适宜的候选地块作为模型的输出。如用户提供的样本对象数据为餐饮类店铺的数据时，可以通过目标推理模型筛选出其他相对适宜开设餐饮类店铺的候选地块。

在本申请实施例中，目标推理模型可以为通过半监督自动学习训练的方式在多融合的模型中选取至少一种模型构建所得的推理模型。下面针对目标推理模型的自动学习训练过程进行说明。

在一实施例中，步骤A1中基于预设的地块画像数据与所述样本对象数据，进行模型的自动化训练，得到目标推理模型，包括步骤A11-A14：

步骤A11：基于所述样本对象数据针对预设的地块画像数据进行自动化特征选择，得到各地块的地块样本特征。

具体地，步骤A11属于AutoML中自动特征工程的执行步骤。在机器学习步骤中，特征工程所耗费的人力和时间成本较高，可以通过自动特征工程进行操作自动化，提高模型训练的效率。

其中，特征是从具体物体到用数值表示的抽象数值化变换，而特征工程是指将原始数据转化为特征的过程，特征可以更好地向模型表达，提高模型对数据处理的准确性。

可选地，自动特征工程的处理可以包括特征补全、归一化、异常值处理等。

其中，自动化特征选择的过程中，考虑到基于地块画像数据可以收到到成千上百个特征，且特征的数目远远大于样本对象的数目，且并非所有特征都有利于机器理解和并非所有特征均与建模内容相关，因此可以选择一些重要性较高的特征，并适应生成本申请构建模型所需的地块样本特征。可选地，如样本对象数据中包括店铺A的人流量，则可以在地块画像数据中选择与店铺A人流量相关性较高的数据生成地块样本特征。在一些实施例中，自动化特征选择还可以无需基于样本对象数据进行，也即可以仅仅对地块画像数据进行特征选择；如地块画像数据可以应用于多种场景，适应本申请的地块选择方法，可以针对地块选择的应用角度进行特征选择。

可选地，自动化特征选择后，各地块对应的地块样本特征中特征类型可以是相同的，也可以是不同的；其可以根据实际需求进行设置。

步骤A12：基于由样本对象所在地块与所述地块样本特征的对应关系确定的训练数据，进行模型的自动化训练，得到第一推理模型。

具体地，基于用户提供的样本对象数据可以确定出样本对象所在地块，进而可以确定该所在地块与地块样本特征之间的对应关系。如样本对象A所在地块B与地块样本特征C、D和E具有对应关系；可以理解的是，相对于地块样本特征C、D和E而言，具有配置的标签地块B，而地块B与样本对象A具有映射关系。

其中，样本对象所在地块与地块样本特征的对应关系可以构建出正样本的训练数据，进而可以基于该正样本训练数据进行模型的自动化训练，得到第一推理模型。也即，第一推理模型是基于用户提供的样本对象数据所构建的正样本训练数据训练而得的。

在一实施例中，步骤A12中基于由样本对象所在地块与所述地块样本特征的对应关系确定的训练数据，进行模型的自动化训练，得到第一推理模型，包括以下步骤A121-A123：

步骤A121：基于样本对象所在地块与所述地块样本特征的对应关系确定初始训练数据；

步骤A122：对所述初始训练数据进行采样处理，得到处理后的训练数据；

步骤A123：基于处理后的训练数据进行模型的自动化训练，得到第一推理模型。

具体地，考虑到用户提供的样本对象数据的数据量较少，为进一步提高正样本的训练数据比例，可以执行训练数据增强步骤，采用增强后的训练数据对模型进行自动化训练。其中，训练数据增强可以采用Borderline-SMOT(边界线合成少数类过采样)等的技术进行过采样处理，其主要是面向不平衡数据集(如本申请中，样本对象数据较少，而地块样本特征的数据量较大)的一种精化方法。

可选地，对初始训练数据进行的采样处理可以是上采样也可以是下采样。上采样处理可以提升训练数据的数据量；下采样处理则可以对训练数据进行抽取，进而提升训练数据中的正样本比例。

步骤A13：基于所述第一推理模型对未配置地块的地块样本特征进行推理，并将置信度高于预设阈值的推理结果数据与所述训练数据进行合并，得到合并后的训练数据。

具体地，由于用户提供的样本对象数据的数据量较少，可能存在大量未配置地块的地块样本特征，也即没有标签的训练数据，针对没有标签的训练数据本申请实施例可以采用第一推理模型进行推理，也即将没有标签的训练数据作为第一推理模型的输入数据，由第一推理模型推理出相关特征对应的地块。

其中，考虑到第一推理模型的推理准确度较低，在后续步骤的执行中，可以选择置信度高于预设阈值的推理结果数据与训练数据(基于样本对象数据构建的用于训练第一推理模型的数据)进行合并，得到合并后的训练数据。

其中，未配置地块的地块样本特征包括与样本对象所在地块不具有对应关系的地块特征。

步骤A14：采用合并后的训练数据进行自动化训练得到目标推理模型。

具体地，可以采用合并后的训练数据继续对第一推理模型进行训练，也可以重新对初始化的模型进行训练，得到最终的目标推理模型。

可选地，本申请实施例体提供的AutoML自动训练中属于模型构建的过程，其可以是在多模型融合的框架中，充分利用各种数据的特点，选取其中一个或多个合适的模型构建本申请所需的推理模型。可以理解的是，适应地块选择需求的不同，构建推理模型所采用的算法可能不同。例如，目标推理模型可以是聚类模型、多分类模型等。

其中，自动化训练包括采用分类模型评价指标自动化调整模型参数。

具体地，自动化训练过程中包括模型参数的自动化调整，本申请实施例可以采用基于KS值的贪心搜索方法进行自动化调参。其中，KS值是在模型中用于区分预测正负样本分隔程度的评价指标，每个样本的预测结果为概率probability或者一个分数范围，从最小的概率probability或者最低分到最大的概率probability或者最高分，正负样本的累积分布；KS值为两个分布中最大差值的绝对值。KS值的取值范围是[0,1]，KS值越大，表明正负样本区分的程度越好。其中，贪心搜索(greedy search)是在每一步中选择概率最大的输出值，进而得到解码的输出序列(即给出对应搜索空间的搜索路径)；可以理解的是，一个经模型推理得到的标签可以对应多条路径，因此，概率最大的路径并不等于最终标签的概率值最大。具体地，基于KS值的贪心搜索方法进行自动化调参时，每次仅考虑单个参数进行前向和后向搜索，以获取最优参数。

在本申请实施例中，结合图3和图4所示，通过步骤A11-A14的实施，其具体采用的是一种半监督自动学习的模型训练方法。

在一可行的实施例中，步骤A14中采用合并后的训练数据进行自动化训练得到目标推理模型，包括步骤A141-A143：

步骤A141：采用合并后的训练数据进行自动化训练得到第二推理模型；

步骤A142：基于接收到的自定义特征信息与自定义权重系数，调整所述合并后的训练数据；

步骤A143：采用调整后的训练数据进行自动化训练得到目标推理模型。

如图3所示，在基于合并后的训练数据进行自动化训练得到第二推理模型后，可以提取并向用户展示第二推理模型训练过程中所采用的特征信息(可以是特征类型)及其权重系数；若用户根据自身需求，确定特征类型和相应的权重系数需要进行调整时，可以输入自定义特征信息及相应的权重系数，该处理可以是在样本地块特征集合中进行相关特征的增加和滤除。也即，在本申请实施例中，用户可以根据实际经验，动态添加或删减样本地块特征，可以有效提高地块选择结果与用户自身需求的切合度，提高用户体验。

具体地，在训练得到第二推理模型后，可以提取训练第二推理模型所采用的至少一种训练特征信息及该训练特征信息对应的训练权重系数在客户端的用户界面进行显示；用户可以通过显示的训练特征信息及相应的训练权重系数考虑是否需要根据地块选择需求调整对训练目标推理模型的数据进行调整，以便得到更切合自身需求的地块选择结果。进而，用户可以直接对训练特征信息及其训练权重系数进行调整，也可以自行输入新的特征信息及其相应的权重系数，用户在用户界面的操作过程中所产生的数据可以视为对应的自定义特征信息及自定义权重系数；在该基础上，可以得到调整后的训练数据。

下面针对如何确定与样本对象所在地块相应的目标地块的具体过程进行说明。

在一实施例中，步骤S102中基于预设的地块画像数据对所述候选地块进行相似度检索，以在候选地块中确定与所述样本对象所在地块相应的目标地块，包括步骤B1-B3：

步骤B1：获取基于预设的地块画像数据构建的基础特征。

具体地，如图5所示，本申请实施例中已有的地块画像数据可以是基于基础数据而构建的，可以是在基础数据下，这对每一划分的地块构建相应的地块画像数据。另外，考虑到地块画像数据与本申请实施例提供的地块选择方法的适应性，在特征数据的构建中，除了地块的交通、兴趣点POI(Point of Interest)和人口等画像特征以外，还需要构建内面向地块选择的特征。可选地，特征数据可以包括基于尺度的邻近熵、竞争度、jensen质量(不同地块空间相关作用)、人口转移密度、转移质量和地租特征等。本申请实施例可以针对地块选择的实际应用设定一套指标体系，确定出各项指标对应的特征值；可以理解的是，步骤B1是针对地块画像数据进行特征提取和预处理的执行步骤。

其中，POI在地理信息系统中，一个POI可以是指一栋房子、一个商铺、一个邮筒、一个公交站等具有物理意义的点。

在一实施例中，基于预设的地块画像数据构建基础特征，包括步骤C1-C3：

步骤C1：基于预设的地块画像数据确定预设指标的特征值。

具体地，本申请可以从地块选择的实际应用角度进行指标体系的设定，针对涉及类型的指标时，结合尺度因素进行考虑。其中，如样本对象为店铺时，类型可以是指服装店、餐饮店、玩具店等。

在一可行的实施例中，在步骤C1中基于预设的地块画像数据确定预设指标的特征值，包括以下步骤C11-C14中的至少一项：

步骤C11：在设定尺度下，基于地块所在位置的预设半径的邻近范围内样本对象的类型数量，确定邻近熵的特征值。

具体地，基于尺度的邻近熵x_l(r)可以采用如下公式(1)进行计算：

其中，l表示地块位置，r表示预设半径；Nr(l,r)表示l位置对应r半径的邻近范围内的类型数量；可以理解的是，在不同的地块比例尺上，采用不同精细度的分类系统。ST指所有指定尺度的所有类型。

基于上述公式(1)可见，邻近熵越大，则该区域的类型多样性越大。

步骤C12：在设定尺度下，基于地块所在位置的预设半径的邻近范围内样本对象的类型相同的数量，确定竞争度的特征值。

具体地，基于尺度的竞争度x_l(r)可以采用如下公式(2)进行计算：

其中，l表示地块位置，r表示预设半径；N_Srl(l,r)指在特定尺度下的一定半径r的相同类型数目。这里的类型也是与尺度相关联，不同的尺度具有对应的分类体系。

步骤C13：在设定尺度下，基于地块所在位置的预设半径的邻近范围内样本对象的设定类型数量，与样本对象的类型之间的吸引系数，确定地块空间相关作用的特征值。

具体地，基于尺度的Jensen质量x_l(r)(地块空间相关作用)可以采用如下公式(3)进行计算；

其中，l表示地块位置，r表示预设半径；指在指定尺度下，在指定类型rl的位置下，平均有多少个类型r_p被观测到。ST指指定尺度的类型集合。k_rp→rl指类型之间的吸引系数。

步骤C14：在设定尺度下，基于地块所在位置的预设半径的邻近范围内用户的到访数量，以及样本对象的类型之间的转移概率，确定转移质量的特征值。

具体地，基于尺度的转移质量指标x_l(r)可以采用如下公式(4)进行计算：

其中，l表示地块位置，r表示预设半径；C_p是指指定位置P的用户到访数目；σ_Srp→Srl指一定尺度下的两个类型Srp和Srl的转移概率。

具体地，该指标可以用于衡量在一定尺度下的指定位置对区域内其他位置的用户吸引力。如在一定尺度A下指定位置1(如餐饮店B)对区域内其他位置2和3(如餐饮店C和D)的用户吸引力。

步骤C2：对所述特征值进行下采样处理，得到降维后的特征值。

考虑到由于与地块相关的特征的数据量非常大，因此本申请实施例可以对特征进行数据降维，并降低数据稀疏性。

步骤C3：基于所述降维后的特征值进行特征重要性分析，得到基础特征。

具体地，步骤C3的执行可以理解为特征重要性分析和特征筛选的处理步骤，可以采用xgboost(eXtreme Gradient Boosting，极端梯度提升)和线性回归等算法进行特征重要性分析。另外，还可以同时结合地理探测器进行特征权重的加权分析，进行特征的筛选，得到基础特征。

可选地，步骤C3还涉及到特征的删除处理，在基于应用于重要性分析的模型中进行特征的多轮删除时，可以通过监控模型的KS指标值和PSI指标值进行处理，若指标值没有变化(差异小)或趋向变化好的，可以删除相应的特征。其中，KS指标值可以采用上述的KS值进行确定，PSI指标值为群体稳定性指标，PSI数值越小，两个分布之间的差异越小，代表越稳定。

可选地，如图6所示，步骤C1-C3的处理可以对应于特征工程与特征Embedding提取的执行过程。

在一可行的实施例中，应用于基于地块数据的相似度匹配过滤中的基础特征，与应用于针对少量样本对象数据的自动学习训练中的地块样本特征可以不同也可以相同。

步骤B2：提取所述候选地块的候选特征。

具体地，候选地块的候选特征可以是基于如图6中的特征工程和特征Embedding提取的，也可以是直接在基础特征的基础上，通过创建基础特征与地块之间的索引关系而得的。通过索引建立，可以快速进行特征的搜索，提高后续特征检索的效率。

步骤B3：对所述基础特征与候选特征进行特征相似度检索，确定与样本对象所在地块相应的目标地块。

具体地，可以基于深度学习和向量引擎进行候选地块的相似度检索，其中，候选地块的相似度检索通过对基础特征与候选特征进行特征相似度检索实现。该步骤B3的实施是基于地块画像数据的基础特征，在候选地块中进行地块选择，得到与样本对象所在地块相应的目标地块。

如图6所示，在执行特征检索后，可以获取近似地块数据，该近似地块数据对应为目标地块的相关数据。

在一实施例中，在步骤B3中对所述基础特征与候选特征进行特征相似度检索，确定与样本对象所在地块相应的目标地块，包括步骤B31-B32：

步骤B31：对所述基础特征与候选特征进行特征相似度检索，以在候选地块中确定第一地块。

步骤B32：基于兴趣点POI的交易次数和自定义选择信息中的至少一项，在所述第一地块中确定与样本对象所在地块相应的目标地块。

具体地，如图7所示，本申请实施例为进一步提高地块选择的合理性以及与用户需求的切合度，可以在基于候选地块进行相似匹配过滤得到的第一地块的基础上，然后基于POI交易次数，用户自定义的选择信息等数据作地块的进一步过滤，得到进行精过滤后的精选地块(目标地块)。

可选地，如图7所示，模型加载spark计算引擎，spark是一种针对大规模数据处理而设计的快速通用的计算引擎，其可以应用于完成各种各样的运算，在本申请实施例中，加载spark可以应用于机器学习，也即通过模型加载spark完成步骤B31确定第一地块(也即可以对应于步骤B3目标地块)的处理。

其中，自定义选择信息可以基于用户个性化的地块选择需求设定，如“距离地铁站不能多于300米”、“100米内不能存在竞争对手店铺”等地块选择信息，也即可以根据用户需求，结合地理空间分析，对第一地块进行筛选，得到精选地块(最终的目标地块)。

在一可行的实施例中，在步骤S101获取到与地块选择相关的样本对象数据之前，还包括：响应于客户端的地块选择请求操作。

具体地，在本申请实施例中，可以是响应于用户通过客户端发起的地块选择请求操作，进行样本对象数据的获取。

可选地，用户在发起地块选择请求操作的同时，可以提出地块选择需求，如限定地块选择的行政区域(地理空间)、地块选择的对象类型(如某一企业待开设实体店铺时，该店铺的具体类型)等。

在步骤S102确定目标地块之后，还包括：在所述客户端显示与目标地块相应的地块选择信息。

其中，显示与目标地块相应的地块选择信息包括：在地图界面上基于预设标记形式显示目标地块所在位置。

具体地，预设标记形式可以包括在目标地块所处位置显示位置指示标签，在地图界面上对应目标地块所处位置显示经纬度信息、地块大小、地块坐向等。

具体地，在确定出与样本对象所在地块相应的目标地块之后，可以在客户端的用户界面显示与目标地块相应的地块选择信息。其中，地块选择信息可以包括地块的经纬度坐标、地块的大小、地块的坐向、选取该地块所用的特征信息等。其中，地块选择信息的显示方式可以是采用地图的形式在地图上通过特定的标签或效果显示目标地块所在的位置。其中，传输至客户端的前端的数据格式可以采用json(JavaScript Object Notation，对象表示法)格式。

可选地，在本申请实施例中，目标地块包括至少一块，当目标地块多于一块时，可以基于用户当前所处的地理位置，对目标地块进行距离由近至远的排序，并最终显示排序后的各项地块选择信息。

下面结合图8和图9，针对本申请实施例提供的地块选择方法给出一种可行的应用例。

以用户为企业A，希望在行政区域B开设一间实体的电影院为例进行说明。

用户可以通过终端100上传与电影院有关的数据(样本对象数据)，其中，与电影院有关的数据并非仅限定电影院自身的数据，还可以包括电影院邻近范围内其他对象的数据，如开设在电影院隔壁的餐饮店、玩具店等的相关数据。其中，虽然用户希望在行政区域B中进行地块选择，但是并不限定用户上传的样本对象数据中样本对象所处的行政区域；因为即使是处于其他行政区域的样本对象数据对在行政区域B中进行地块选择也是具有一定参考价值的。

基于用户的地块选择需求(可以是在用户上传与电影院有关的数据后，在终端100的用户界面触发地块选择请求操作提交的地块选择需求)，可以获取已有的地块画像数据进行地块选择。其中，已有的地块画像数据包括基于地理空间划分所得地块的画像数据，在本申请实施例中，考虑到用户希望在行政区域B进行地块选择，以及地块画像数据的数量较为庞大的问题，可以仅获取行政区域B对应的地块画像数据进行地块选择处理。

其中，如图8所示，在接收到用户上传的与电影院有关的数据后，可以获取地块样本特征(在特征工程模块中获取)，进而基于用户上传的样本对象数据与地块样本特征构建训练数据；另，考虑到由于用户上传的样本对象数据的数据量较少，相应的训练数据的数据量也较少，因此，可以对构建后的训练数据进行数据增强处理(过采样处理)，以基于增强后的训练数据进行AutoML自动训练，得到第一推理模型。进一步地，本申请实施例采用的是半监督自动学习的训练方式，因此，可以采用第一推理模型对未配置地块的地块样本特征进行推理，进而将置信度高于预设阈值的推理结果数据与训练数据(可以是增强后的训练数据)进行合并，得到合并后的训练数据；继而采用合并后的训练数据进行自动化训练得到第二推理模型。此时，可以提取并在客户端的用户界面向用户反馈构建第二推理模型所采用的特征类型及相应的权重，若用户认为结合自身的地块选择需求有必要对特征类型与权重系数进行调整时，可以输入自定义特征类型与自定义权重系数，以进一步采用用户微调后的训练数据再一次进行AutoML自动训练，并最终得到目标推理模型。该目标推理模型是在用户提交与电影院有关的数据之后，地块选择算法的框架自动化进行模型训练得到的推理模型。此时，在地块选择算法的大框架下，目标推理模型可以基于用户上传的与电影院有关的数据确定出候选地块。其中，候选地块是基于用户上传的样本对象所在地块确定出来的。样本对象可以包括一个，也可以包括多个；适应一个样本对象所在的一个地块可以确定至少一个候选地块。

如图8所示，候选地块作为模型输出，是最终确定精选地块的基础数据。其中，在基于地块数据的相似匹配过滤中，其处理的基础数据也是目标推理模型的输出，也即候选地块。可以理解的是，基于地块画像数据在候选地块中进行地块选择，确定出第一地块。

其中，基于地块数据的相似匹配过滤的输入数据可以是基于地块画像数据提取的特征数据，还可以是对应预设指标的各项特征值或基础特征。在基于地块数据的相似匹配过滤的处理中，首先针对地块画像数据进行特征提取(包括特征提取之间的特征工程)和预处理(如索引建立)；继而可以基于深度学习和向量引擎，针对候选地块进行相似度检索。其中，可以将基础特征与候选特征处理为基础特征向量和候选特征向量。执行特征检索后，可以获取到近似地块数据(与第一地块相关的数据)。可以理解的是，第一地块的数量少于候选地块的数量，而第一地块可以包括至少一个。

如图8所示，可以将第一地块的相关数据输入加载spark的模型中进行处于，该机器学习模型可以仅对第一地块进行过滤得到粗选地块，还可以结合候选地块的相关数据进行过滤得到粗选地块；另，在获得粗选地块之后，还可以基于POI交易次数等级和/或用户自定义的选择信息进行精过滤，最终得到精选地块(目标地块)。其中，用户自定义的选择信息可以是在发起地块选择请求的同时输入的，也可以是在进行地块选择过程中任一时间点输入的自定义选择信息。具体地，自定义选择信息可以是“在同一商业圈内不能存在其他电影院”、“与地铁站或公交站的距离不能超过100米”、“非工作日的人流量大于工作日人流量的三倍”等。

在最终确定出目标地块后，可以在客户端的用户界面显示与目标地块相应的地块选择信息。如在地图界面上星标显示目标地块所在的地理位置(在行政区域B中)。

如图9所示，本申请实施例提供的地块选择方法可以在终端100上执行，也可以在服务器200上执行。

当地块选择方法在终端100上执行时，预设的地块画像数据可以是存储在服务器200中或服务器200对应的数据库中，进而终端100在执行地块选择方法时可以通过网络300向服务器200获取地块画像数据。

当地块选择方法在服务器200上执行时，用户在终端100通过网络300向服务器200上传样本对象数据后，服务器200执行地块选择方法确定出目标地块后通过网络300向终端100反馈，并最终在终端100的用户界面显示与目标地块相应的地块选择信息。

本申请实施例提供了一种地块选择装置，如图10所示，该地块选择装置900可以包括：第一确定模块101和第二确定模块102。

其中，第一确定模块101用于获取到与地块选择相关的样本对象数据，基于预设的地块画像数据与所述样本对象数据，确定与样本对象所在地块相应的候选地块；第二确定模块102用于基于预设的地块画像数据对所述候选地块进行相似度检索，以在候选地块中确定与所述样本对象所在地块相应的目标地块；其中，地块画像数据包括基于地理空间划分所得地块相应的画像数据。

在一实施例中，第一确定模块101在用于执行基于预设的地块画像数据与所述样本对象数据，确定与样本对象所在地块相应的候选地块时，具体用于：

基于预设的地块画像数据与所述样本对象数据，进行模型的自动化训练，得到目标推理模型；

基于所述目标推理模型确定与样本对象所在地块相应的候选地块；

其中，所述目标推理模型为通过半监督自动学习训练的方式在多融合的模型中选取至少一种模型构建所得的推理模型。

在一实施例中，第一确定模块101在用于执行基于预设的地块画像数据与所述样本对象数据，进行模型的自动化训练，得到目标推理模型时，具体用于：

基于所述样本对象数据针对预设的地块画像数据进行自动化特征选择，得到各地块的地块样本特征；

基于由样本对象所在地块与所述地块样本特征的对应关系确定的训练数据，进行模型的自动化训练，得到第一推理模型；

基于所述第一推理模型对未配置地块的地块样本特征进行推理，并将置信度高于预设阈值的推理结果数据与所述训练数据进行合并，得到合并后的训练数据；所述未配置地块的地块样本特征包括与所述样本对象所在地块不具有对应关系的地块特征；

采用合并后的训练数据进行自动化训练得到目标推理模型；

其中，自动化训练包括采用分类模型评价指标自动化调整模型参数。

在一实施例中，第一确定模块101在用于执行基于由样本对象所在地块与所述地块样本特征的对应关系确定的训练数据，进行模型的自动化训练，得到第一推理模型时，具体用于：

基于样本对象所在地块与所述地块样本特征的对应关系确定初始训练数据；

对所述初始训练数据进行采样处理，得到处理后的训练数据；

基于处理后的训练数据进行模型的自动化训练，得到第一推理模型。

在一实施例中，第一确定模块101在用于执行采用合并后的训练数据进行自动化训练得到目标推理模型时，具体用于：

采用合并后的训练数据进行自动化训练得到第二推理模型；

基于接收到的自定义特征信息与自定义权重系数，调整所述合并后的训练数据；

采用调整后的训练数据进行自动化训练得到目标推理模型。

在一实施例中，第一确定模块101在用于执行基于接收到的自定义特征信息与自定义权重系数，调整所述合并后的训练数据时，具体用于：

提取训练所述第二推理模型采用的至少一种训练特征信息及其训练权重系数在客户端的用户界面进行显示；

基于接收到自定义特征信息与自定义权重系数，调整所述训练特征信息及其训练权重系数，得到调整后的训练数据。

在一实施例中，第二确定模块102在用于执行基于预设的地块画像数据对所述候选地块进行相似度检索，以在候选地块中确定与所述样本对象所在地块相应的目标地块，包括：

获取基于预设的地块画像数据构建的基础特征；

提取所述候选地块的候选特征；

对所述基础特征与候选特征进行特征相似度检索，确定与样本对象所在地块相应的目标地块。

在一实施例中，基于预设的地块画像数据构建基础特征，包括：

基于预设的地块画像数据确定预设指标的特征值；

对所述特征值进行下采样处理，得到降维后的特征值；

基于所述降维后的特征值进行特征重要性分析，得到基础特征。

在一实施例中，基于预设的地块画像数据确定预设指标的特征值，包括以下至少一项：

在设定尺度下，基于地块所在位置的预设半径的邻近范围内样本对象的类型数量，确定邻近熵的特征值；

在设定尺度下，基于地块所在位置的预设半径的邻近范围内样本对象的类型相同的数量，确定竞争度的特征值；

在设定尺度下，基于地块所在位置的预设半径的邻近范围内样本对象的设定类型数量，与样本对象的类型之间的吸引系数，确定地块空间相关作用的特征值；

在设定尺度下，基于地块所在位置的预设半径的邻近范围内用户的到访数量，以及样本对象的类型之间的转移概率，确定转移质量的特征值。

在一实施例中，第二确定模块102在用于执行对所述基础特征与候选特征进行特征相似度检索，确定与样本对象所在地块相应的目标地块，包括：

对所述基础特征与候选特征进行特征相似度检索，以在候选地块中确定第一地块；

基于兴趣点POI的交易次数和自定义选择信息中的至少一项，在所述第一地块中确定与样本对象所在地块相应的目标地块。

在一实施例中，第一确定模块101在执行获取到与地块选择相关的样本对象数据之前，还用于：响应于客户端的地块选择请求操作；

第二确定模块102在执行确定目标地块之后，还用于：在所述客户端显示与目标地块相应的地块选择信息；

所述显示与目标地块相应的地块选择信息包括：在地图界面上基于预设标记形式显示目标地块所在位置。

本申请实施例的装置可执行本申请的实施例所提供的方法，其实现原理相类似，本申请各实施例中的装置中的各模块所执行的动作是与本申请各实施例中的方法中的步骤相对应的，对于装置的各模块的详细功能描述具体可以参见前文中所示的对应的方法中的描述，此处不再赘述。

本申请实施例中提供了一种电子设备，该电子设备包括：存储器和处理器；至少一个程序，存储于存储器中，用于被处理器执行时，与现有技术相比可实现：在本申请中，获取到与地块选择相关的样本对象数据时，首先基于预设的地块画像数据与样本对象数据确定出与样本对象所在地块相应的候选地块，此时所得到的候选地块数量较多，且地块选择结果相对粗糙；在此基础上，本申请还基于预设的地块画像数据对候选地块进行相似度检索，进一步缩小地块选择结果，提高地块选择的精度，以在候选地块中确定与样本对象所在地块相应的目标地块；其中，地块画像数据包括基于地理空间划分所得地块相应的画像数据。本申请方案的实施可以有效挖掘已有的地块画像数据与用户提供的样本对象数据，有利于提高地块选择的合理性，使得所选地块更切合用户需求。

在一个可选实施例中提供了一种电子设备，如图11所示，图11所示的电子设备1100包括：处理器1101和存储器1103。其中，处理器1101和存储器1103相连，如通过总线1102相连。可选地，电子设备1100还可以包括收发器1104，收发器1104可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器1104不限于一个，该电子设备1100的结构并不构成对本申请实施例的限定。

处理器1101可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1101也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线1102可包括一通路，在上述组件之间传送信息。总线1102可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线1102可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器1103可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器1103用于存储执行本申请方案的应用程序代码(计算机程序)，并由处理器1101来控制执行。处理器1101用于执行存储器1103中存储的应用程序代码，以实现前述方法实施例所示的内容。

其中，电子设备包括但不限于：智能手机、平板电脑、笔记本电脑、智能音箱、智能手表、车载设备等。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的地块选择方法。

本申请实施例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，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。