CN107436950B - 一种旅行路线推荐方法及系统 - Google Patents

一种旅行路线推荐方法及系统 Download PDF

Info

Publication number
CN107436950B
CN107436950B CN201710666777.5A CN201710666777A CN107436950B CN 107436950 B CN107436950 B CN 107436950B CN 201710666777 A CN201710666777 A CN 201710666777A CN 107436950 B CN107436950 B CN 107436950B
Authority
CN
China
Prior art keywords
interest
point
user
historical access
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710666777.5A
Other languages
English (en)
Other versions
CN107436950A (zh
Inventor
赵朋朋
徐协峰
周晓方
郑凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN201710666777.5A priority Critical patent/CN107436950B/zh
Publication of CN107436950A publication Critical patent/CN107436950A/zh
Application granted granted Critical
Publication of CN107436950B publication Critical patent/CN107436950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种旅行路线推荐方法及系统，包括获取用户的历史访问记录，并依据历史访问记录得到历史访问信息；采用预先建立的协同过滤模型对历史访问信息进行处理，得出与用户对应的各个兴趣点及各个兴趣点的兴趣值；获取各个兴趣点的流行度；依据约束条件及目标函数对各个兴趣点的流行度及各个兴趣点的兴趣值进行处理，得到具有最大兴趣值的兴趣点序列。本发明实施例在使用的过程中提高了所推荐的兴趣点的准确度及旅行路线的准确性，还可以使所推荐的旅行路线个性化，进一步增加了用户体验。

Description

一种旅行路线推荐方法及系统
技术领域
本发明实施例涉及旅游推荐技术领域，特别是涉及一种旅行路线推荐方法及系统。
背景技术
随着旅游业的发展及人们生活水平的提高，旅游已成为人们生活中的重要部分。为了提高用户的旅行体验，对用户旅游路线的推荐也越来越普遍，所推荐出的旅行路线可以为用户的旅行提供一定的参考。
在对用户进行旅行路线推荐时，需要先对用户没有访问过的兴趣点进行推荐，再将推荐出的兴趣点进行优化处理得到旅行路线。现有技术中，是根据兴趣点的平均持续访问时间来确定用户的兴趣点，也就是将平均持续访问时间大于某一个值的兴趣点确定为用户的兴趣点，从而对用户没有访问过的兴趣点进行推荐的。但是，现有技术中在向用户推荐没有访问过的兴趣点时并没有考虑用户自身的偏好，致使所推荐的兴趣点可能是用户不感兴趣的兴趣点，从而使所推荐的兴趣点的准确度降低，进一步使所推荐的旅行路线的准确性降低，降低了用户体验。
因此，如何提供一种解决上述问题的旅行路线推荐方法及系统成为本领域的技术人员目前需要解决的问题。
发明内容
本发明实施例的目的是提供一种旅行路线推荐方法及系统，在使用的过程中提高了所推荐的兴趣点的准确度及旅行路线的准确性，还可以使所推荐的旅行路线个性化，进一步增加了用户体验。
为解决上述技术问题，本发明实施例提供了一种旅行路线推荐方法，包括：
获取用户的历史访问记录，并依据所述历史访问记录得到历史访问信息；
采用预先建立的协同过滤模型对所述历史访问信息进行处理，得出与所述用户对应的各个兴趣点及各个所述兴趣点的兴趣值；
获取所述各个兴趣点的流行度；
依据约束条件及目标函数对各个所述兴趣点的流行度及各个所述兴趣点的兴趣值进行处理，得到具有最大兴趣值的兴趣点序列。
可选的，所述协同过滤模型为概率矩阵分解模型。
可选的，所述采用预先建立的协同过滤模型对所述历史访问信息进行处理，得出与所述用户对应的各个兴趣点及各个所述兴趣点的兴趣值的过程具体为：
采用预先建立的概率矩阵分解模型通过最大化后验概率及梯度下降法对所述历史访问信息进行处理，得出与所述用户对应的各个兴趣点及各个所述兴趣点的兴趣值。
可选的，所述协同过滤模型为视觉增强型概率矩阵分解模型；所述历史访问信息包括与历史访问记录中的历史照片对应的视觉特征。
可选的，所述采用预先建立的协同过滤模型对所述历史访问信息进行处理，得出与所述用户对应的各个兴趣点及各个所述兴趣点的兴趣值的过程具体为：
采用预先建立的视觉增强型概率矩阵分解模型通过视觉邻域算法、最大化后验概率及梯度下降法对所述历史访问信息进行处理，得出与所述用户对应的各个兴趣点及各个所述兴趣点的兴趣值。
可选的，所述视觉特征包括颜色直方图特征、尺度不变特征及卷积神经网络特征中的一种或多种的组合。
可选的，如上述所述的旅游路线推荐方法，所述目标函数为：
Figure BDA0001372010760000021
其中，N表示兴趣点的总数量，cat（pi）表示兴趣点pi的类别标签，Int（Cat（pi））表示所述用户对所述兴趣点pi的兴趣值，Pop(pi)表示兴趣点pi的流行度，η表示流行度和兴趣值的权重，xi,j表示0/1变量；
所述约束条件包括：
起始兴趣点p1和终止兴趣点pn的约束条件、每个兴趣点最多被访问一次的约束条件、最大行程时间的约束条件、无子路线消费的约束条件。
为解决上述技术问题，本发明实施例提供了一种旅行路线推荐系统，包括：
获取模块，用于获取用户的历史访问记录，并依据所述历史访问记录得到历史访问信息；还用于获取各个兴趣点的流行度；
预测模块，用于采用预先建立的协同过滤模型对所述历史访问信息进行处理，预测出与所述用户对应的各个所述兴趣点及各个所述兴趣点的兴趣值；
处理模块，用于依据约束条件及目标函数对各个所述兴趣点的流行度及各个所述兴趣点的兴趣值进行处理，得到具有最大兴趣值的兴趣点序列。
可选的，所述协同过滤模型为概率矩阵分解模型。
可选的，所述协同过滤模型为视觉增强型概率矩阵分解模型；所述历史访问信息包括与历史访问记录中的历史照片对应的视觉特征。
本发明实施例提供了一种旅行路线推荐方法及系统，包括获取用户的历史访问记录，并依据历史访问记录得到历史访问信息；采用预先建立的协同过滤模型对历史访问信息进行处理，得出与用户对应的各个兴趣点及各个兴趣点的兴趣值；获取各个兴趣点的流行度；依据约束条件及目标函数对各个兴趣点的流行度及各个兴趣点的兴趣值进行处理，得到具有最大兴趣值的兴趣点序列。
可见，本发明实施例通过预先建立的协同过滤模型对用户的历史访问记录中的历史访问信息进行处理，即可预测出与该用户对应的兴趣点及该用户对各个相应的兴趣点的兴趣值，并根据相应的约束条件及目标函数对各个兴趣点的兴趣值及流行度进行处理，即可得到使兴趣值达到最大时的兴趣点序列，该兴趣点序列即为通过本发明实施例所提供的方法得到的旅行路线。本发明实施例在使用的过程中提高了所推荐的兴趣点的准确度及旅行路线的准确性，还可以使所推荐的旅行路线个性化，进一步增加了用户体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例提供的一种旅行路线推荐方法的流程示意图；
图2为本发明实施例提供的一种旅行路线推荐系统的结构示意图。
具体实施方式
本发明实施例提供了一种旅行路线推荐方法及系统，在使用的过程中提高了所推荐的兴趣点的准确度及旅行路线的准确性，还可以使所推荐的旅行路线个性化，进一步增加了用户体验。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
请参照图1，图1为本发明实施例提供的一种旅行路线推荐方法的流程示意图。
该方法包括：
S11：获取用户的历史访问记录，并依据历史访问记录得到历史访问信息；
S12：采用预先建立的协同过滤模型对历史访问信息进行处理，得出与用户对应的各个兴趣点及各个兴趣点的兴趣值；
S13：获取各个兴趣点的流行度；
S14：依据约束条件及目标函数对各个兴趣点的流行度及各个兴趣点的兴趣值进行处理，得到具有最大兴趣值的兴趣点序列。
需要说明的是，本发明实施例中某个兴趣点(例如兴趣点p)的流行度表示的是该兴趣点被访问的次数，也可以理解为该兴趣点的热度，例如兴趣点p的流行度可以用符号Pop(p)表示；某个兴趣点的兴趣值是基于时间的用户兴趣，即个人访问持续时间与所有用户的平均访问持续时间之间的比值，用户对兴趣点p的兴趣值可以用符号Int(p)表示。
具体的，历史访问记录中包括用户访问过的兴趣点、访问各个兴趣点的访问时间、在每个兴趣点停留的时间等信息；通过预先建立的协同过滤模型可以对所获取的历史访问记录进行处理分析，可以得出用户偏好信息，并依据该用户偏好信息预测出与该用户的偏好对应的兴趣点，偏好信息可以包括兴趣点的类别，例如该用户对历史性的兴趣点比较感兴趣，则可以依据该偏好信息预测出符合用户偏好的兴趣点，从而提高所推荐的兴趣点的精确度。
在预测出相应的用户感兴趣的兴趣点后，可以通过相应的目标函数和约束条件对各个兴趣点的兴趣值及流行度进行处理，最终得到使用户兴趣值最大的兴趣点序列，即具有一定顺序的兴趣点序列，该兴趣点序列就是最终向用户推荐的旅行路线。
具体的，旅游推荐指的是在城市的m个兴趣点中，每个兴趣点pi都有一个类别标签cat(pi)和经纬度位置，用户u的起始兴趣点为p1和结束兴趣点为pn，旅行的时间预算为B，则需要找到一个最优旅行路线I＝(p1，...，pn)，并在相应的约束条件下使目标函数达到最大用户满意度(及具有最大兴趣值)。
还需要说明的是，本发明实施例中的协同过滤模型可以同时对多个用户的兴趣点进行预测，也即将与各个用户对应用历史访问信息输入至该协同过滤模型中即可得到与各个用户对于的各个兴趣点及分别与各个相应的兴趣点对于的兴趣值。从而，再通过目标函数及约束条件得出与每个用户对于的最优的旅行路线。本发明实施例提供了一种旅行路线推荐方法，包括获取用户的历史访问记录，并依据历史访问记录得到历史访问信息；采用预先建立的协同过滤模型对历史访问信息进行处理，得出与用户对应的各个兴趣点及各个兴趣点的兴趣值；获取各个兴趣点的流行度；依据约束条件及目标函数对各个兴趣点的流行度及各个兴趣点的兴趣值进行处理，得到具有最大兴趣值的兴趣点序列。
可见，本发明实施例通过预先建立的协同过滤模型对用户的历史访问记录中的历史访问信息进行处理，即可预测出与该用户对应的兴趣点及该用户对各个相应的兴趣点的兴趣值，并根据相应的约束条件及目标函数对各个兴趣点的兴趣值及流行度进行处理，即可得到使兴趣值达到最大时的兴趣点序列，该兴趣点序列即为通过本发明实施例所提供的方法得到的旅行路线。本发明实施例在使用的过程中提高了所推荐的兴趣点的准确度及旅行路线的准确性，还可以使所推荐的旅行路线个性化，进一步增加了用户体验。
本发明实施例公开了一种旅行路线推荐方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
具体的，上述协同过滤模型可以为概率矩阵分解模型。
进一步的，上述S12中，采用预先建立的协同过滤模型对历史访问信息进行处理，得出与用户对应的各个兴趣点及各个兴趣点的兴趣值的过程，具体可以为：
采用预先建立的概率矩阵分解模型通过最大化后验概率及梯度下降法对历史访问信息进行处理，得出与用户对应的各个兴趣点及各个兴趣点的兴趣值。
需要说明的是，概率矩阵分解模型(Probabilistic Matrix Factorization,PMF)是一种简单、高效的协同过滤模型，PMF 不仅可以处理非常大的数据集，而且还可以在推荐系统提供很少评级的情况下为用户提供建议。
矩阵分解方法通过构建潜在的低等级维空间来表示每个用户和与该用户相对应的兴趣点，并且从潜在特征的线性组合，可以估计用户和兴趣点之间的缺失和未观察到的关系。采用初始矩阵
Figure BDA0001372010760000061
作为训练数据，以通过概率矩阵分解模型对这些训练数据进行处理并得到训练后的各个参数，其中该矩阵中的元素Rij是用户ui在兴趣点p中的基于时间的用户兴趣(即用户ui在兴趣点p中的兴趣值)，矩阵
Figure BDA0001372010760000062
和矩阵
Figure BDA0001372010760000063
可以使用矩阵因式分解技术学习得到，以便它们可以利用近似矩阵
Figure BDA0001372010760000064
来表示R，且
Figure BDA0001372010760000065
Rij的值为Ui TVj。PMF表示的是在贝叶斯概率框架中学习的过程，其中，矩阵R中的用户-兴趣点关系是观察值，采用矩阵U和V描述系统内部特征，并需要对其中的某些元素进行评估，其中U和V是从零均值正态分布中抽出来的。
具体的，概率矩阵分解模型为依据第一计算关系式及第二计算关系式建立的，其中：
第一计算关系式为
Figure BDA0001372010760000066
第二计算关系式为
Figure BDA0001372010760000067
通过在R中对与第一计算关系式和第二计算关系式相应的正态分布进行观察，得到用户与兴趣点的关系可以用第三计算关系式进行表示，其中，第三计算关系式为
Figure BDA0001372010760000068
其中
Figure BDA0001372010760000069
表示平均值为μ、方差为σ的正太分布；Iij表示一个指数函数，当Rij为已知时Iij＝1，当Rij为未知时Iij＝0。此时，通过贝叶斯推理可以得到U和V的后验概率如下：
Figure BDA0001372010760000071
通过最大化给定的观察值R的后验概率及梯度下降法即可得到用户偏好矩阵U和兴趣点属性矩阵V，进一步通过Rij＝Ui TVj即可得到各个兴趣点的兴趣值。
进一步依据约束条件及目标函数对各个兴趣点的流行度及各个兴趣点的兴趣值进行处理，即可得到具有最大兴趣值的兴趣点序列。
作为一种具体实施方式，协同过滤模型还可以为视觉增强型概率矩阵分解模型；历史访问信息包括与历史访问记录中的历史照片对应的视觉特征。
需要说明的是，本发明实施例中的协同过滤模型不仅可以采用概率矩阵分解模型，还可以采用视觉增强型概率矩阵分解模型，即视觉增强型PMF，也即VPMF。
由于，用户拍摄的带有地理标签的照片中的可视化功能可以为预测用户访问的兴趣点提供重要的上下文信息，也即用户所拍摄的照片也可以在一定程度上揭示用户的行为和偏好，所以本发明实施例中采用视觉增强型概率矩阵分解模型对用户所拍摄的历史照片中的视觉及其他的历史访问信息进行处理，从而得到与用户对应的各个兴趣点及各个兴趣点的兴趣值，并且使得到的各个兴趣点和各个兴趣点的兴趣值更加精确。
具体的，可以通过公共照片共享网站获取用户的历史照片，还可以从维基百科获取兴趣点列表，并将这些历史照片映射到用户-兴趣点的访问中，并通过可视化工具箱提取出各个历史照片的视觉特征，再通过视觉增强型概率矩阵分解模型来预测用户的兴趣点。
进一步的，在上述S12中采用预先建立的协同过滤模型对历史访问信息进行处理，得出与用户对应的各个兴趣点及各个兴趣点的兴趣值的过程，具体可以为：
采用预先建立的视觉增强型概率矩阵分解模型通过视觉邻域算法、最大化后验概率及梯度下降法对历史访问信息进行处理，得出与用户对应的各个兴趣点及各个兴趣点的兴趣值。
具体的，可以根据基于邻居协同过滤算法(即视觉领域算法)，假设用户的访问行为和视觉爱好与邻居的访问行为和视觉爱好相似，相似视觉特征的兴趣点的兴趣值也是类似的。在具体实施时，首先可以根据兴趣点的照片和用户拍摄的历史照片的视觉上下文的相似度，并分别为每个兴趣点和每个用户选择top-k最邻近的邻居，然后，再将构建的视觉邻域纳入PMF的学习过程。
其中，两个兴趣点的相似度可以通过计算这两个兴趣点的视觉特征向量的余弦相似度来测量。由于每个兴趣点可能都有多张照片，为了获得兴趣点的代表性视觉特征向量，可以采用最大池化方法合并从兴趣点照片中提取的每个维度的视觉向量。可以通过线性组合不同视觉特征的多个相似之处，以获得两个兴趣点的最终相似度s（pi,pj），同样可以通过用户所拍摄的历史照片的视觉矢量余弦相似度来计算两个用户的最终相似度s（ui,uj)。
基于上述PMF中的各个相关计算关系式，在概率矩阵分解过程中，用户ui和兴趣点pj的潜在特征应该分别与他们的领域
Figure BDA0001372010760000081
和
Figure BDA0001372010760000082
类似。基于此，可以向用户和兴趣点的潜在特征矢量添加高斯先验，以确保Ui和Vj围绕在其邻域的平均值集中，并且满足以下计算关系式：
Figure BDA0001372010760000083
和
Figure BDA0001372010760000084
其中，s(i,l)表示用户i与用户l的相似度，s(j,l)表示兴趣点j和兴趣点l的相似度。
在上述两个计算关系式中，每个用户和每个兴趣点的潜在特征向量包括两个术语，上述两个计算关系式中的第一项表示用户或兴趣点的邻域相关特征，以确保在
Figure BDA0001372010760000085
在
Figure BDA0001372010760000086
上述两个计算关系式中的第一项强调每个用户和每个兴趣点的独特特征。其中，方差
Figure BDA0001372010760000087
和
Figure BDA0001372010760000088
用于控制发散度，方差越小它们的特征向量与邻近点的特征向量偏差越小。
在包含视觉邻域的情况下，观察到的R的条件分布依旧如上述第三计算关系式为
Figure BDA0001372010760000089
所示。
故，基于贝叶斯公式，用户和兴趣点潜在因素的后验分布如下：
Figure BDA00013720107600000810
给定超参数σ2、
Figure BDA00013720107600000811
和
Figure BDA00013720107600000812
最大化后验概率后找到U和V。
具体的，还可以将上述计算关系式等价于将以下第二目标函数最下化，即将
Figure BDA0001372010760000091
最小化，其中：
Figure BDA0001372010760000092
表示Frobennius规范，通过参数λU和λV平滑上述所给出的第二目标函数，参数λU和λV基于误差目标函数(即第二目标函数)来控制用户和兴趣点的邻域影响。λU和λV的值越低，视觉邻域信息所依赖的越小。并通过随机梯度下降法对Ui和Vj进行更新处理，从而找到上述第二目标函数的局部最小值。更新公式如下：
Figure BDA0001372010760000093
更进一步的，视觉特征包括颜色直方图特征、尺度不变特征及卷积神经网络特征中的一种或多种的组合。
需要说明的是，对于颜色直方图特征具体为：
在兴趣点照片中，颜色是人们的第一印象，例如，蓝色天空，金色海滩和蓝色海水等大型彩色区域的兴趣点照片使得用户对此有深刻的印象。颜色直方图特征是广泛使用的视觉特征，在具体实现时可以采用标准颜色直方图特征，并为每张照片提取一个512维色彩特征向量，RGB颜色空间中的联合直方图在每个通道中都有8个空格。
尺度不变特征(SIFT)具体为：
对于点描述而言，SIFT的主题是尺度不变特征，尺度不变特征广泛用于基于对象识别和基于内容的图像搜索中，其具有良好的分类精度。SIFT找到兴趣点，并使用边缘方向直方图捕获周围的局部形，SIFT特征在过亮情况下，噪音和视点的小角度差异很健壮。在具体实施时可以将每个兴趣点照片的大小调整为256*256像素后提取128维SIFT特征。
对于卷积神经网络特征，可以将每张照片的大小调整为224*224像素作为VGG16(深度卷积神经网络)的输入，并获得4096维度的视觉特征向量作为第二个完全连接的图层的输出。
更具体的，如上述的旅游路线推荐方法，目标函数为：
Figure BDA0001372010760000101
其中，N表示兴趣点的总数量，Cat（pi）表示兴趣点pi的类别标签，Int(Cay（pi）)表示用户对兴趣点pi的兴趣值，Pop(pi)表示兴趣点pi的流行度，η表示流行度和兴趣值的权重，xi,j表示0/1变量；
约束条件包括：
起始兴趣点p1和终止兴趣点pn的约束条件、每个兴趣点最多被访问一次的约束条件、最大行程时间的约束条件、无子路线消费的约束条件。
需要说明的是，本发明实施例中的第一目标函数优选为
Figure BDA0001372010760000102
xi,j为0/1变量，即对于从兴趣点p1到兴趣点pn的路径，如果兴趣点pi后跟兴趣点pj，可以设置变量xi,j＝1，否则，设置变量xi,j＝0。
其中，起始兴趣点p1和终止兴趣点pn的约束条件可以用关系式
Figure BDA0001372010760000103
表示，该约束条件时为了确保旅行从兴趣点p1开始，以兴趣点pn结尾；每个兴趣点最多被访问一次的约束条件可以用关系式
Figure BDA0001372010760000104
且k＝2,...,N-1表示，该约束条件时为了确保行程连接并且每个兴趣点最多被访问一次；最大行程时间的约束条件可以用关系式
Figure BDA0001372010760000105
表示，以确保旅行符合时间预算B，该时间预算B是基于考虑旅行时间和个性化兴趣点访问持续时间的函数Cost（pi，pj）；无子路线消费的约束条件可以用关系式2≤pi≤N和pi-pj+1≤(N-1)(1-xi,j)表示，其中i＝2,...,N，i,j＝2,...,N，以确保所行程中没有子路线消费。
其中，旅行时间表示的是游客从兴趣点pi移动至兴趣点pj的时间成本，其与两个兴趣点之间的距离及给定的移动速度有关。
在满足以上约束条件的基础上，找到是第一目标函数取最大值时的兴趣点序列，即为最优的旅行路线。
相应的本发明实施例还公开了一种旅行路线推荐系统，具体请参照图2，图2为本发明实施例提供的一种旅行路线推荐系统的结构示意图。在上述实施例的基础上：
该系统包括：
获取模块1，用于获取用户的历史访问记录，并依据历史访问记录得到历史访问信息；还用于获取各个兴趣点的流行度；
预测模块2，用于采用预先建立的协同过滤模型对历史访问信息进行处理，预测出与用户对应的各个兴趣点及各个兴趣点的兴趣值；
处理模块3，用于依据约束条件及目标函数对各个兴趣点的流行度及各个兴趣点的兴趣值进行处理，得到具有最大兴趣值的兴趣点序列。
可选的，协同过滤模型为概率矩阵分解模型。
可选的，协同过滤模型为视觉增强型概率矩阵分解模型；历史访问信息包括与历史访问记录中的历史照片对应的视觉特征。
可见，本发明实施例通过预先建立的协同过滤模型对用户的历史访问记录中的历史访问信息进行处理，即可预测出与该用户对应的兴趣点及该用户对各个相应的兴趣点的兴趣值，并根据相应的约束条件及目标函数对各个兴趣点的兴趣值及流行度进行处理，即可得到使兴趣值达到最大时的兴趣点序列，该兴趣点序列即为通过本发明实施例所提供的方法得到的旅行路线。本发明实施例在使用的过程中提高了所推荐的兴趣点的准确度及旅行路线的准确性，还可以使所推荐的旅行路线个性化，进一步增加了用户体验。
另外，对于本发明实施例中所涉及到的旅行路线推荐方法的具体介绍，请参照上述方法实施例，本申请在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种旅行路线推荐方法，其特征在于，包括：
获取用户的历史访问记录，并依据所述历史访问记录得到历史访问信息；
采用预先建立的协同过滤模型对所述历史访问信息进行处理，得出与所述用户对应的各个兴趣点及各个所述兴趣点的兴趣值，所述兴趣值为个人访问持续时间与所有用户的平均访问持续时间之间的比值；
获取所述各个兴趣点的流行度，所述流行度为各个兴趣点被访问的次数；
依据约束条件及目标函数对各个所述兴趣点的流行度及各个所述兴趣点的兴趣值进行处理，得到具有最大兴趣值的兴趣点序列；
其中，所述目标函数为：
Figure FDA0002648664230000011
其中，N表示兴趣点的总数量，Cat(pi)表示兴趣点pi的类别标签，Int(Cat(pi))表示所述用户对所述兴趣点pi的兴趣值，Pop(pi)表示兴趣点pi的流行度，η表示流行度和兴趣值的权重，xi,j表示0/1变量；
所述约束条件包括：
起始兴趣点p1和终止兴趣点pn的约束条件、每个兴趣点最多被访问一次的约束条件、最大行程时间的约束条件、无子路线消费的约束条件。
2.根据权利要求1所述的旅行路线推荐方法，其特征在于，所述协同过滤模型为概率矩阵分解模型。
3.根据权利要求2所述的旅行路线推荐方法，其特征在于，所述采用预先建立的协同过滤模型对所述历史访问信息进行处理，得出与所述用户对应的各个兴趣点及各个所述兴趣点的兴趣值的过程具体为：
采用预先建立的概率矩阵分解模型通过最大化后验概率及梯度下降法对所述历史访问信息进行处理，得出与所述用户对应的各个兴趣点及各个所述兴趣点的兴趣值。
4.根据权利要求1所述的旅行路线推荐方法，其特征在于，所述协同过滤模型为视觉增强型概率矩阵分解模型；所述历史访问信息包括与历史访问记录中的历史照片对应的视觉特征。
5.根据权利要求4所述的旅行路线推荐方法，其特征在于，所述采用预先建立的协同过滤模型对所述历史访问信息进行处理，得出与所述用户对应的各个兴趣点及各个所述兴趣点的兴趣值的过程具体为：
采用预先建立的视觉增强型概率矩阵分解模型通过视觉邻域算法、最大化后验概率及梯度下降法对所述历史访问信息进行处理，得出与所述用户对应的各个兴趣点及各个所述兴趣点的兴趣值。
6.根据权利要求4所述的旅行路线推荐方法，其特征在于，所述视觉特征包括颜色直方图特征、尺度不变特征及卷积神经网络特征中的一种或多种的组合。
7.一种旅行路线推荐系统，其特征在于，包括：
获取模块，用于获取用户的历史访问记录，并依据所述历史访问记录得到历史访问信息；还用于获取各个兴趣点的流行度，所述流行度为各个兴趣点被访问的次数；
预测模块，用于采用预先建立的协同过滤模型对所述历史访问信息进行处理，预测出与所述用户对应的各个所述兴趣点及各个所述兴趣点的兴趣值，所述兴趣值为个人访问持续时间与所有用户的平均访问持续时间之间的比值；
处理模块，用于依据约束条件及目标函数对各个所述兴趣点的流行度及各个所述兴趣点的兴趣值进行处理，得到具有最大兴趣值的兴趣点序列，其中，所述目标函数为：
Figure FDA0002648664230000021
其中，N表示兴趣点的总数量，Cat(pi)表示兴趣点pi的类别标签，Int(Cat(pi))表示所述用户对所述兴趣点pi的兴趣值，Pop(pi)表示兴趣点pi的流行度，η表示流行度和兴趣值的权重，xi,j表示0/1变量；
所述约束条件包括：
起始兴趣点p1和终止兴趣点pn的约束条件、每个兴趣点最多被访问一次的约束条件、最大行程时间的约束条件、无子路线消费的约束条件。
8.根据权利要求7所述的旅行路线推荐系统，其特征在于，所述协同过滤模型为概率矩阵分解模型。
9.根据权利要求7所述的旅行路线推荐系统，其特征在于，所述协同过滤模型为视觉增强型概率矩阵分解模型；所述历史访问信息包括与历史访问记录中的历史照片对应的视觉特征。
CN201710666777.5A 2017-08-07 2017-08-07 一种旅行路线推荐方法及系统 Active CN107436950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710666777.5A CN107436950B (zh) 2017-08-07 2017-08-07 一种旅行路线推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710666777.5A CN107436950B (zh) 2017-08-07 2017-08-07 一种旅行路线推荐方法及系统

Publications (2)

Publication Number Publication Date
CN107436950A CN107436950A (zh) 2017-12-05
CN107436950B true CN107436950B (zh) 2020-12-29

Family

ID=60461021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710666777.5A Active CN107436950B (zh) 2017-08-07 2017-08-07 一种旅行路线推荐方法及系统

Country Status (1)

Country Link
CN (1) CN107436950B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110309398A (zh) * 2018-02-06 2019-10-08 腾讯科技（深圳）有限公司 用户数据处理方法、装置、计算设备以及存储介质
CN108537373A (zh) * 2018-03-27 2018-09-14 黄晓鸣 旅游信息推荐方法和装置
CN108470308B (zh) * 2018-03-29 2022-04-01 百度在线网络技术（北京）有限公司 航空旅行信息推荐方法和装置
CN108958247A (zh) * 2018-07-02 2018-12-07 深圳市益鑫智能科技有限公司 一种引导机器人
CN111382368A (zh) * 2018-12-29 2020-07-07 北京奇虎科技有限公司 对兴趣点poi进行评价的方法和装置
CN109918573A (zh) * 2019-03-28 2019-06-21 黑龙江大学 一种基于位置社交网络的个性化线路推荐系统和方法
CN109993668B (zh) * 2019-04-09 2021-07-13 桂林电子科技大学 一种基于门控循环单元神经网络的景点推荐方法
CN110096645B (zh) * 2019-05-07 2022-02-25 北京百度网讯科技有限公司 信息推荐方法、装置、设备和介质
CN111914159B (zh) * 2019-05-10 2024-03-12 招商证券股份有限公司 一种信息推荐方法及终端
US11783436B2 (en) * 2019-06-04 2023-10-10 Visa International Service Association Magellan: a context-aware itinerary recommendation system built only using card-transaction data
CN110782284A (zh) * 2019-10-24 2020-02-11 腾讯科技（深圳）有限公司 信息推送方法、装置以及可读存储介质
CN110929162B (zh) * 2019-12-04 2021-08-03 腾讯科技（深圳）有限公司 基于兴趣点的推荐方法、装置、计算机设备和存储介质
US11719548B2 (en) * 2019-12-31 2023-08-08 Beijing Didi Infinity Technology And Development Co., Ltd. System and method for alternative destination recommendation on ridesharing platforms
CN111177572B (zh) * 2020-01-16 2023-07-28 西北大学 一种基于用户动态兴趣的个性化旅游路线推荐方法
CN111400602A (zh) * 2020-03-20 2020-07-10 珠海读书郎网络教育有限公司 一种基于个性化推荐的在线学习系统和方法
CN111797320B (zh) * 2020-07-02 2023-06-06 中国联合网络通信集团有限公司 数据处理方法、装置、设备及存储介质
CN111915395A (zh) * 2020-07-07 2020-11-10 云境商务智能研究院南京有限公司 一种基于多视图注意力机制的旅游包推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463730A (zh) * 2014-12-29 2015-03-25 广州神马移动信息科技有限公司 基于旅游目标地域来挖掘旅游路线的方法和设备
CN105069717A (zh) * 2015-07-29 2015-11-18 陕西师范大学 一种基于游客信任度的个性化旅游线路推荐方法
CN106095973A (zh) * 2016-06-20 2016-11-09 东北大学 一种结合短时流量预测的旅游路线推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10866100B2 (en) * 2012-10-15 2020-12-15 Kamino Labs, Inc. Method of providing urban hiking trails

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463730A (zh) * 2014-12-29 2015-03-25 广州神马移动信息科技有限公司 基于旅游目标地域来挖掘旅游路线的方法和设备
CN105069717A (zh) * 2015-07-29 2015-11-18 陕西师范大学 一种基于游客信任度的个性化旅游线路推荐方法
CN106095973A (zh) * 2016-06-20 2016-11-09 东北大学 一种结合短时流量预测的旅游路线推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于空间数据挖掘的个性化旅游景点推荐系统研究;肖政;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第02(2017)期);第I138-4503页，第I138-4503页 *

Also Published As

Publication number Publication date
CN107436950A (zh) 2017-12-05

Similar Documents

Publication Publication Date Title
CN107436950B (zh) 一种旅行路线推荐方法及系统
CN108132968B (zh) 网络文本与图像中关联语义基元的弱监督学习方法
CN109711481B (zh) 用于画作多标签识别的神经网络、相关方法、介质和设备
Zhong et al. Spectral–spatial residual network for hyperspectral image classification: A 3-D deep learning framework
CN107704877B (zh) 一种基于深度学习的图像隐私感知方法
CN109544306B (zh) 一种基于用户行为序列特征的跨领域推荐方法及装置
US8594385B2 (en) Predicting the aesthetic value of an image
US6738494B1 (en) Method for varying an image processing path based on image emphasis and appeal
JP2017062781A (ja) 深層ｃｎｎプーリング層を特徴として用いる、類似度に基づく重要な対象の検知
CN114298122B (zh) 数据分类方法、装置、设备、存储介质及计算机程序产品
CN115017418A (zh) 基于强化学习的遥感影像推荐系统及方法
US10733483B2 (en) Method and system for classification of data
JP2010157118A (ja) パターン識別装置及びパターン識別装置の学習方法ならびにコンピュータプログラム
Takimoto et al. Image aesthetics assessment based on multi-stream CNN architecture and saliency features
CN112801107A (zh) 一种图像分割方法和电子设备
Chang et al. DeepPIM: A deep neural point-of-interest imputation model
Mao et al. Visual arts search on mobile devices
Indu et al. Survey on sketch based image retrieval methods
CN112016592A (zh) 基于交叉领域类别感知的领域适应语义分割方法及装置
CN116310545A (zh) 一种基于深度层次化最优传输的跨域舌头图像分类方法
CN110136185A (zh) 一种单目深度估计方法及系统
Chen et al. Quality assessment on remote sensing image based on neural networks
CN107038169B (zh) 对象推荐方法和对象推荐设备
CN115017413A (zh) 推荐方法、装置、计算设备及计算机存储介质
Zhao et al. Height estimation from single aerial imagery using contrastive learning based multi-scale refinement network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant