CN107679661A - 一种基于知识图谱的个性化旅游路线规划方法 - Google Patents
一种基于知识图谱的个性化旅游路线规划方法 Download PDFInfo
- Publication number
- CN107679661A CN107679661A CN201710919660.3A CN201710919660A CN107679661A CN 107679661 A CN107679661 A CN 107679661A CN 201710919660 A CN201710919660 A CN 201710919660A CN 107679661 A CN107679661 A CN 107679661A
- Authority
- CN
- China
- Prior art keywords
- mrow
- route
- sight spot
- user
- msub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 69
- 238000005065 mining Methods 0.000 claims description 5
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000011524 similarity measure Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 241001591024 Samea Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Navigation (AREA)
Abstract
本发明公开一种基于知识图谱的个性化旅游路线规划方法,利用知识图谱刻画出旅游景点和旅游路线中的语义信息,借助路线生成模型和一种用户‑路线相似度计算法方法,综合考虑用户在旅行中的时间、花费和偏好这三个重要因素,构造出一条最符合用户偏好和约束的个性化旅游路线,解决了现有旅游领域中用户需要花费过多时间制定旅行路线的问题,能够结合用户喜好特征将路线规划问题很好地应用于大规模知识图谱中,从而极大地拓展了知识图谱在个性化旅游路线规划的应用,具有良好的实用性。
Description
技术领域
本发明涉及知识图谱及机器学习和数据挖掘技术领域,具体涉及一种基于知识图谱的个性化旅游路线规划方法。
背景技术
随着互联网技术和旅游业的快速发展,用户可以使用电脑或智能手机等设备在互联网上方便的查看相关旅游信息。尽管如此,在用户进行旅游路线规划时,仍需花费大量时间和精力,如何充分利用当前互联网中的大量相关数据为用户自动提供精确的旅行路线规划服务,是当前旅游领域一个亟待解决的问题。知识图谱的出现为解决该问题提供了一条可行之路。
在传统旅游路线规划研究中,多数工作对旅游路线规划问题进行建模求解,这种求解方法没有考虑到用户实际旅行中的个性化需求,因此往往与现实世界中的旅游路线规划问题有较大出入。一项研究工作指出,超过87%的客户依靠在线用户生成内容为旅行做出决定,在线搜索已成为用户进行旅游路线规划的主要途径之一,在这背后是海量用户生成信息的支持,虽然当前许多旅游网站提供关于目的地和路线选择的信息,但是整合和比较来自海量用户的不同类型的信息需要大量的时间和精力,众多的选择使得消费者很难找到他们正在寻找的东西,所以从这些信息中挖掘出一些用户需要的内容帮助用户做出决策成为当前研究的热点。
发明内容
本发明所要解决的是现有旅游路线结果个性化程度不高的问题,提供一种基于知识图谱的个性化旅游路线规划方法。
为解决上述问题,本发明是通过以下技术方案实现的:
一种基于知识图谱的个性化旅游路线规划方法,包括步骤如下:
步骤1、从互联网网站海量数据中获取旅游景点和路线相关信息,构建旅游知识图谱,该旅游知识图谱包括景点知识图谱和路线知识图谱两部分;
步骤2、利用景点知识图谱的景点类型与用户类型偏好结合,得到用户对不同景点类型的喜好程度和景点类型的隶属度,并据此计算用户与景点间的相似度;其中用户与景点间的相似度S(p,u)为:
其中,I(u,ti)表示用户u对景点类型ti的喜好程度,I(p,ti)表示景点p对景点类型ti的隶属度,ti∈T,T表示景点p的类型特征和用户u类型喜好特征中共同的景点类型集合;
步骤3、将用户约束转换成结构化查询语言,直接在路线知识图谱中查询满足用户约束的路线,并将这些路线作为候选路线加入到候选路线集合中;
步骤4、利用候选路线集合中每条路线所包含的景点信息,并结合用户与景点间的相似度,计算用户与候选路线集合中每条路线的相似度;其中用户与路线的相似度S(r,u)为:
其中,I(r,tj)表示路线r的景点类型tj的隶属度,I(u,tj)表示用户u对景点类型tj的喜好度,tj∈T′,T′表示路线r的类型特征和用户u类型喜好特征中共同的景点类型集合;
步骤5、根据用户与路线的相似度对候选路线集合中每条候选路线进行排序,并将用户与路线的相似度最高的那条候选路线推荐给用户。
上述步骤1的具体子步骤如下:
步骤1.1、构建景点知识图谱,从百科网站中获取旅游景点的结构化信息,获取到景点实体的详细属性信息,映射为景点知识图谱中的景点实体;
步骤1.2、构建路线知识图谱,从旅游网站的旅游游记中抽取游记中的路线信息,获取与路线相关的属性信息,映射为路线知识图谱中的路线节点;
步骤1.3、由步骤1.1所构建的景点知识图谱和步骤1.2所构建的路线知识图谱共同组成旅游知识图谱。
上述步骤3中,将用户约束信息转换成SPARQL结构化查询语言。
作为进一步改进,上述步骤3还进一步包括如下过程:采用频繁模式挖掘算法对路线知识图谱进行挖掘频繁二项集,根据挖掘的结果计算用户基于当前位置前往下一个位置的概率,并将返回的结果依次加入到基于隐马尔可夫模型的路线生成模型中,最终生成一条路线规划结果,将该路线规划结果作为候选路线加入到候选路线集合中。
上述步骤2和4中,用户u对景点类型t的喜好度I(u,t)为:
其中,visit(u,t,r)表示用户u在路线r中访问的景点类型为t的景点数量,visitAll(u,Tr,r)表示用户u在路线r中访问的所有景点类型的景点数量,w(r,t)表示在路线r中景点类型t所占的权重值。
上述步骤4中,景点p对景点类型t的隶属度I(p,t)为:
其中,I(u,t)用户u对景点类型t的喜好度,U为访问过景点p的用户集合,count(p,U)表示访问景点p的用户总数量。
上述步骤4中,路线r的景点类型t的隶属度I(r,t)为:
其中,w(r,t)表示在路线r中景点类型t所占的权重值,w(tk,r)表示在路线r中景点类型tk所占的权重值,n为路线r拥有的景点类型数量。
与现有技术相比,本发明利用构建的旅游知识图谱为深入理解旅游路线和旅游景点之间的语义关联打下基础,能够结合知识图谱中的景点、路线特征与用户偏好,利用用户-路线相似度计算方法快速准确的为用户规划出一条合理的旅游路线,帮助用户节省大量时间。本发明在计算用户-路线相似度时使用的景点的类型隶属度,能够更加准确的刻画景点的类型信息,能够提高对用户进行路线推荐时的个性化程度。本发明推广了知识图谱在旅游领域的应用,为用户进行个性化旅游路线规划提供了高效解决方案。
附图说明
图1为本发明的系统框架。
图2为一种基于知识图谱的个性化旅游路线规划方法流程图。
图3a为旅游知识图谱中景点知识图谱示例图。
图3b为旅游知识图谱中路线知识图谱示例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例,并参照附图,对本发明进一步详细说明。
知识图谱的出现为解决这一问题带来了契机。知识图谱提供了一种从海量数据中抽取结构化知识的方法,能够表达各类实体及其之间的各种语义关系,提供更加丰富的语义关联信息,能够为语义匹配提供丰富的背景知识,作为近两年在大数据时代下新颖的知识组织与检索技术,其知识组织和展示的优势逐渐体现出来,利用知识图谱,可以得到更加完善的用户画像,实现精准的语义匹配和精准推荐,这方面受到众多领域的关注,具有广阔的应用前景。本发明专利基于此点,利用互联网中存在的各种旅游相关数据,构建出旅游知识图谱,综合分析旅游领域中的景点、路线和用户三者的关系,利用提出的基于知识图谱的路线规划方法,准确把握在旅行活动中整条路线和单个用户之间的关联,快速准确的为用户提供个性化的旅游路线规划,这也是本发明专利的主要目的和手段。
本发明的其整体框架图如图1所示,依次包括四个模块,第一模块为构建旅游知识图谱;第二模块为利用基于用户兴趣度和景点类型隶属度的景点-用户相似度方法获取用户偏好的景点信息;第三模块为利用知识图谱结合用户约束与偏好的候选路线生成模型;第四模块为基于用户-路线相似度方法,得到最匹配用户偏好的旅游路线推荐结果。每个模块对应一个具体的实施步骤,即四个步骤。
一种基于知识图谱的个性化旅游路线规划方法,包括建立旅游知识图谱、结合景点特征和用户特征计算用户偏好和景点类型隶属、利用用户-路线相似度计算方法选择候选路线中匹配用户偏好的最优路线进行推荐,通过以上三个步骤得到最匹配用户偏好的个性化旅游路线规划结果。整个路线规划方法以用户偏好特征和用户约束条件作为输入,以方法得到的最优候选路线结果作为输出,即为用户生成的最优旅游路线规划结果。参见图2所示,包括如下具体步骤:
步骤1、从互联网网站海量数据中获取旅游景点和路线相关信息,构建旅游知识图谱。该旅游知识图谱包括景点知识图谱和路线知识图谱两部分。
步骤1.1、构建景点知识图谱,抽取百科网站中的概念实体作为知识图谱中的景点实体结点,获取景点相关属性信息,从Wikidata中获取景点类型分类的层次信息。
首先系统使用爬虫程序从百科网站中获取景点信息的INFOBOX,这些信息中包括了景点的名称、门票价格、地理位置、开放时间、平均游玩时长和景区级别等信息,这些属性都被抽取作为景点实体的属性信息,参照图3a。景点属性信息中,对于景点的类型属性,没有一个结构化的分类层次信息,因此,为了得到景点实体的详细类型特征,从DBpedia中获取全部旅游景点的信息,之后将这些景点实体通过owl:sameAs属性映射到Wikidata中获取景点实体的详细类型信息,最后通过P31和P279属性分别得到景点的类型和层次信息。
本发明系统中在构建景点知识图谱时,抽取了148000个景点实体的类型信息,获得了包含1200多个景点类型分类信息。
步骤1.2、构建路线知识图谱,从旅游游记中抽取旅游路线信息,获取旅游路线的特征信息,建立旅游路线库,将每条路线中的景点映射到步骤1.1景点知识图谱中对应的景点实体,获取每条路线的类型特征。
较国外网站相比,当前国内旅游网站中,没有大量结构化的用户历史轨迹信息、带标签的照片和签到信息,而在用户旅行游记中,较为规整的记录了用户的历史旅行路线,因此本发明系统利用爬虫技术抽取旅游游记中用户的历史旅行路线加入到知识图谱路线库中,构建旅游路线知识图谱。在一篇游记的旅行路线中,通常包括花费、游玩月份、和谁一起、游玩天数等信息,利用这些信息作为路线实体的属性信息,参照图3b。
步骤2、利用步骤1.1构建的景点知识图谱中的景点类型分类信息计算景点的类型隶属度,结合用户的偏好特征信息,计算用户对于不同景点类型的喜好程度。
步骤2.1、将用户的偏好特征与景点知识图谱中的景点分类属性特征结合,计算出用户对于景点类型的喜好度。
利用得到的景点类型信息,计算用户对于不同景点类型的喜好程度,计算公式如下:
其中,visit(u,t,r)为用户u在路线r中访问的景点类型为t的景点数量,visitAll(u,Tr,r)为用户u在路线r中访问的所有景点类型的景点数量,w(t,r)为在路线r中,景点类型t所占的权重值。
步骤2.2、利用景点知识图谱中的景点类型属性,利用景点类型分类层次信息得到景点类型隶属度。
在得到用户对不同景点类型的喜好度后,根据去过一个景点的所有用户的类型喜好度信息,得到该景点的类型隶属度,具体计算公式如下:
其中,U为访问过景点p的用户集合,为用户u对于景点类型t的喜好度,count(p,U)为访问景点p的用户总数量。
步骤2.3、利用用户类型喜好度和景点类型隶属度计算用户与景点间的相似度;
其中,T为用户喜好类型和景点隶属类型中的公共部分,I(u,ti)表示用户u对应的景点类型ti的喜好程度,I(p,ti)表示景点p对应的景点类型ti的隶属度。
步骤3、利用步骤1.2构建的路线知识图谱,首先在路线知识图谱中结合用户约束利用结构化查询语言,查询路线库中是否存在满足用户约束的路线;之后利用路线生成模型生成符合用户偏好的路线加入到候选路线集合中。
步骤3.1、将用户约束信息转换成SPARQL结构化查询语言,直接在路线知识图谱中进行查询,若路线知识图谱中存在满足用户约束的路线,直接返回该路线,作为候选路线。
步骤3.2、利用频繁模式挖掘算法结合隐马尔可夫模型,根据用户喜好的景点,结合用户喜好即历史路线和用户行为习惯,生成路线规划结果,加入候选路线集合。
步骤4、利用候选路线集合中每条路线所包含的景点信息,并结合步骤2中的用户对于景点类型的偏好程度和景点所属类型的隶属度,即用户与景点间的相似度,计算用户与候选路线集合中每条路线的相似度,并利用用户与路线相似度方法得从候选路线集合中获取到最符合用户景点偏好的一条路线推荐给用户。
将用户的偏好特征与景点知识图谱中的景点分类属性特征结合,进一步挖掘用户与路线之间存在的关系。
其中在路线类型属性的计算上,利用了该条路线中全部景点类型属性信息,具体值按如下公式计算:
其中,f(t,r)为路线r中具有景点类型t的不同景点的个数,Tr为路线r中景点类型的集合,max{f(t′,r):t′∈Tr}为路线r中拥有最多类型t′的不同景点的个数;
其中,|R|为路线知识图谱中路线实体的数量,count(t,r)为路线r中拥有类型t的景点数量,其中t∈Tr,r∈R;
路线r的类型t权重计算为:
w(t,r)=tf(t,r)*idf(t,R);
最终路线r的类型t隶属度计算为:
其中n为路线r拥有的景点类型数量;
最终利用用户与路线的相似度计算公式得到用户与路线间的相似度:
其中,I(r,tj)为路线r的类型tj的隶属度,I(u,tj)为用户u对于景点类型tj的喜好度,tj∈T′,T′为路线r的分类特征和用户u类型喜好特征中共同的景点类型集合。
结合用户约束和与路线间的相似度,从而进一步刻画出用户对路线的偏好程度,在候选路线中选取一条最符合用户景点类型偏好的一条路线推荐给用户。
通过上述四个步骤,本发明系统利用构建的旅游知识图谱结合基于知识图谱的个性化路线规划方法,得到了一条符合用户偏好的个性化旅游路线,并将该路线推荐给用户。
本发明利用互联网中海量数据构建旅游知识图谱,通过知识图谱挖掘实体概念间丰富的语义关系,该方法中主要包括一种计算景点与用户之间相似度的模块,之后结合知识图谱中路线内部的序列特性利用路线生成模块和用户-路线相似度计算模块来实现对用户进行个性化的旅游路线规划,该路线规划方法能够综合考虑用户在旅行中的时间、花费和偏好因素,准确的为用户提供一条最匹配该用户偏好信息和相关约束的个性化旅游路线推荐结果。本发明利用知识图谱刻画出旅游景点和旅游路线中的语义信息,借助路线生成模型和一种用户-路线相似度计算法方法,综合考虑用户在旅行中的时间、花费和偏好这三个重要因素,构造出一条最符合用户偏好和约束的个性化旅游路线,解决了现有旅游领域中用户需要花费过多时间制定旅行路线的问题,能够结合用户喜好特征将路线规划问题很好地应用于大规模知识图谱中,从而极大地拓展了知识图谱在个性化旅游路线规划的应用,具有良好的实用性。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (7)
1.一种基于知识图谱的个性化旅游路线规划方法,其特征是,包括步骤如下:
步骤1、从互联网网站海量数据中获取旅游景点和路线相关信息,构建旅游知识图谱,该旅游知识图谱包括景点知识图谱和路线知识图谱两部分;
步骤2、利用景点知识图谱的景点类型与用户类型偏好结合,得到用户对不同景点类型的喜好程度和景点类型的隶属度,并据此计算用户与景点间的相似度;其中用户与景点间的相似度S(p,u)为:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mi>T</mi>
</mrow>
</msub>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,I(u,ti)表示用户u对景点类型ti的喜好程度,I(p,ti)表示景点p对景点类型ti的隶属度,ti∈T,T表示景点p的类型特征和用户u类型喜好特征中共同的景点类型集合;
步骤3、将用户约束转换成结构化查询语言,直接在路线知识图谱中查询满足用户约束的路线,并将这些路线作为候选路线加入到候选路线集合中;
步骤4、利用候选路线集合中每条路线所包含的景点信息,并结合用户与景点间的相似度,计算用户与候选路线集合中每条路线的相似度;其中用户与路线的相似度S(r,u)为:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>,</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mfrac>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msup>
<mi>T</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>|</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
</msup>
</mrow>
其中,I(u,tj)表示用户u对景点类型tj的喜好度,I(r,tj)表示路线r的景点类型tj的隶属度,tj∈T′,T′表示路线r的类型特征和用户u类型喜好特征中共同的景点类型集合;
步骤5、根据用户与路线的相似度对候选路线集合中每条候选路线进行排序,并将用户与路线的相似度最高的那条候选路线推荐给用户。
2.根据权利要求1所述的一种基于知识图谱的个性化旅游路线规划方法,其特征是,步骤1的具体子步骤如下:
步骤1.1、构建景点知识图谱,从百科网站中获取旅游景点的结构化信息,获取到景点实体的详细属性信息,映射为景点知识图谱中的景点实体;
步骤1.2、构建路线知识图谱,从旅游网站的旅游游记中抽取游记中的路线信息,获取与路线相关的属性信息,映射为路线知识图谱中的路线节点;
步骤1.3、由步骤1.1所构建的景点知识图谱和步骤1.2所构建的路线知识图谱共同组成旅游知识图谱。
3.根据权利要求1所述的一种基于知识图谱的个性化旅游路线规划方法,其特征是,步骤3中,将用户约束信息转换成SPARQL结构化查询语言。
4.根据权利要求1所述的一种基于知识图谱的个性化旅游路线规划方法,其特征是,步骤3还进一步包括如下过程,即采用频繁模式挖掘算法对路线知识图谱进行挖掘频繁二项集,根据挖掘的结果计算用户基于当前位置前往下一个位置的概率,并将返回的结果依次加入到基于隐马尔可夫模型的路线生成模型中,最终生成一条路线规划结果,将该路线规划结果作为候选路线加入到候选路线集合中。
5.根据权利要求1所述的一种基于知识图谱的个性化旅游路线规划方法,其特征是,步骤2和4中,用户u对景点类型t的喜好度I(u,t)为:
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mi>i</mi>
<mi>s</mi>
<mi>i</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>t</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>v</mi>
<mi>i</mi>
<mi>s</mi>
<mi>i</mi>
<mi>t</mi>
<mi>A</mi>
<mi>l</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<msub>
<mi>T</mi>
<mi>r</mi>
</msub>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,visit(u,t,r)表示用户u在路线r中访问的景点类型为t的景点数量,visitAll(u,Tr,r)表示用户u在路线r中访问的所有景点类型的景点数量,w(r,t)表示在路线r中景点类型t所占的权重值。
6.根据权利要求1或5所述的一种基于知识图谱的个性化旅游路线规划方法,其特征是,步骤4中,景点p对景点类型t的隶属度I(p,t)为:
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
</mrow>
</msub>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>U</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,I(u,t)用户u对景点类型t的喜好度,U为访问过景点p的用户集合,count(p,U)表示访问景点p的用户总数量。
7.根据权利要求1所述的一种基于知识图谱的个性化旅游路线规划方法,其特征是,步骤4中,路线r的景点类型t的隶属度I(r,t)为:
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,w(r,t)表示在路线r中景点类型t所占的权重值,w(tk,r)表示在路线r中景点类型tk所占的权重值,n为路线r拥有的景点类型数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919660.3A CN107679661B (zh) | 2017-09-30 | 2017-09-30 | 一种基于知识图谱的个性化旅游路线规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919660.3A CN107679661B (zh) | 2017-09-30 | 2017-09-30 | 一种基于知识图谱的个性化旅游路线规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679661A true CN107679661A (zh) | 2018-02-09 |
CN107679661B CN107679661B (zh) | 2021-03-19 |
Family
ID=61139704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710919660.3A Active CN107679661B (zh) | 2017-09-30 | 2017-09-30 | 一种基于知识图谱的个性化旅游路线规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679661B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829852A (zh) * | 2018-06-21 | 2018-11-16 | 桂林电子科技大学 | 一种个性化旅游路线推荐方法 |
CN109002961A (zh) * | 2018-06-13 | 2018-12-14 | 北京大学 | 一种基于网络数据的跨区域文化景观间功能结构规划方法 |
CN109033303A (zh) * | 2018-07-17 | 2018-12-18 | 东南大学 | 一种基于约简锚点的大规模知识图谱融合方法 |
CN109977283A (zh) * | 2019-03-14 | 2019-07-05 | 中国人民大学 | 一种基于知识图谱和用户足迹的旅游推荐方法和系统 |
CN110222277A (zh) * | 2019-05-06 | 2019-09-10 | 特斯联(北京)科技有限公司 | 一种基于大数据分析的旅游信息推荐方法及装置 |
CN110347842A (zh) * | 2019-05-21 | 2019-10-18 | 成都信息工程大学 | 基于智能腕表的知识图谱导游系统 |
CN110553657A (zh) * | 2018-06-01 | 2019-12-10 | 深圳狗尾草智能科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
CN110807147A (zh) * | 2018-08-03 | 2020-02-18 | 阿里巴巴集团控股有限公司 | 旅游信息生成方法、生成装置、存储介质和处理器 |
CN110827657A (zh) * | 2018-08-14 | 2020-02-21 | 北京高德云图科技有限公司 | 一种景区内游览路线的显示方法及显示装置 |
CN111666418A (zh) * | 2020-04-23 | 2020-09-15 | 北京三快在线科技有限公司 | 文本重生成方法、装置、电子设备和计算机可读介质 |
CN111966929A (zh) * | 2020-08-17 | 2020-11-20 | 携程旅游信息技术(上海)有限公司 | 基于标签的旅游路线推送方法、系统、设备及存储介质 |
CN112001538A (zh) * | 2020-08-18 | 2020-11-27 | 马上游科技股份有限公司 | 基于运动步数的旅游路线规划方法及系统 |
CN112084401A (zh) * | 2020-08-18 | 2020-12-15 | 桂林理工大学 | 一种旅游路线定制装置及方法 |
CN112182410A (zh) * | 2020-11-05 | 2021-01-05 | 西南交通大学 | 基于时空轨迹知识图谱的用户出行模式挖掘方法 |
CN112257517A (zh) * | 2020-09-30 | 2021-01-22 | 中国地质大学(武汉) | 一种基于景点聚类和群体情感识别的旅游景点推荐系统 |
CN112884614A (zh) * | 2019-11-29 | 2021-06-01 | 北京金山云网络技术有限公司 | 基于频繁序列的路线推荐方法、装置和电子设备 |
CN112992021A (zh) * | 2021-03-08 | 2021-06-18 | 合肥工业大学 | 一种景区智能导览系统和使用方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020308A (zh) * | 2013-01-07 | 2013-04-03 | 北京趣拿软件科技有限公司 | 旅游攻略项目的推荐方法及装置 |
CN103593792A (zh) * | 2013-11-13 | 2014-02-19 | 复旦大学 | 一种基于中文知识图谱的个性化推荐方法与系统 |
CN103995837A (zh) * | 2014-04-25 | 2014-08-20 | 西北工业大学 | 一种基于群体足迹的个性化旅游路线规划方法 |
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 |
CN106022481A (zh) * | 2016-05-26 | 2016-10-12 | 桂林电子科技大学 | 基于移动社交网的旅游信息推送系统及方法 |
CN106570590A (zh) * | 2016-11-07 | 2017-04-19 | 北京百度网讯科技有限公司 | 基于人工智能的旅游行程规划方法和装置 |
CN106777274A (zh) * | 2016-06-16 | 2017-05-31 | 北京理工大学 | 一种中文旅游领域知识图谱构建方法及系统 |
-
2017
- 2017-09-30 CN CN201710919660.3A patent/CN107679661B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020308A (zh) * | 2013-01-07 | 2013-04-03 | 北京趣拿软件科技有限公司 | 旅游攻略项目的推荐方法及装置 |
CN103593792A (zh) * | 2013-11-13 | 2014-02-19 | 复旦大学 | 一种基于中文知识图谱的个性化推荐方法与系统 |
CN103995837A (zh) * | 2014-04-25 | 2014-08-20 | 西北工业大学 | 一种基于群体足迹的个性化旅游路线规划方法 |
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 |
CN106022481A (zh) * | 2016-05-26 | 2016-10-12 | 桂林电子科技大学 | 基于移动社交网的旅游信息推送系统及方法 |
CN106777274A (zh) * | 2016-06-16 | 2017-05-31 | 北京理工大学 | 一种中文旅游领域知识图谱构建方法及系统 |
CN106570590A (zh) * | 2016-11-07 | 2017-04-19 | 北京百度网讯科技有限公司 | 基于人工智能的旅游行程规划方法和装置 |
Non-Patent Citations (1)
Title |
---|
CHUN LU等: "Travel Attractions Recommendation with Knowledge Graphs", 《EUROPEAN KNOWLEDGE ACQUISITION WORKSHOP》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110553657B (zh) * | 2018-06-01 | 2023-10-27 | 江苏瑞焕激光科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
CN110553657A (zh) * | 2018-06-01 | 2019-12-10 | 深圳狗尾草智能科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
CN109002961A (zh) * | 2018-06-13 | 2018-12-14 | 北京大学 | 一种基于网络数据的跨区域文化景观间功能结构规划方法 |
CN108829852A (zh) * | 2018-06-21 | 2018-11-16 | 桂林电子科技大学 | 一种个性化旅游路线推荐方法 |
CN109033303B (zh) * | 2018-07-17 | 2021-07-02 | 东南大学 | 一种基于约简锚点的大规模知识图谱融合方法 |
CN109033303A (zh) * | 2018-07-17 | 2018-12-18 | 东南大学 | 一种基于约简锚点的大规模知识图谱融合方法 |
CN110807147B (zh) * | 2018-08-03 | 2023-05-02 | 阿里巴巴集团控股有限公司 | 旅游信息生成方法、生成装置、存储介质和处理器 |
CN110807147A (zh) * | 2018-08-03 | 2020-02-18 | 阿里巴巴集团控股有限公司 | 旅游信息生成方法、生成装置、存储介质和处理器 |
CN110827657A (zh) * | 2018-08-14 | 2020-02-21 | 北京高德云图科技有限公司 | 一种景区内游览路线的显示方法及显示装置 |
CN109977283B (zh) * | 2019-03-14 | 2021-03-05 | 中国人民大学 | 一种基于知识图谱和用户足迹的旅游推荐方法和系统 |
CN109977283A (zh) * | 2019-03-14 | 2019-07-05 | 中国人民大学 | 一种基于知识图谱和用户足迹的旅游推荐方法和系统 |
CN110222277B (zh) * | 2019-05-06 | 2020-04-24 | 特斯联(北京)科技有限公司 | 一种基于大数据分析的旅游信息推荐方法及装置 |
CN110222277A (zh) * | 2019-05-06 | 2019-09-10 | 特斯联(北京)科技有限公司 | 一种基于大数据分析的旅游信息推荐方法及装置 |
CN110347842A (zh) * | 2019-05-21 | 2019-10-18 | 成都信息工程大学 | 基于智能腕表的知识图谱导游系统 |
CN112884614B (zh) * | 2019-11-29 | 2024-05-14 | 北京金山云网络技术有限公司 | 基于频繁序列的路线推荐方法、装置和电子设备 |
CN112884614A (zh) * | 2019-11-29 | 2021-06-01 | 北京金山云网络技术有限公司 | 基于频繁序列的路线推荐方法、装置和电子设备 |
CN111666418A (zh) * | 2020-04-23 | 2020-09-15 | 北京三快在线科技有限公司 | 文本重生成方法、装置、电子设备和计算机可读介质 |
CN111666418B (zh) * | 2020-04-23 | 2024-01-16 | 北京三快在线科技有限公司 | 文本重生成方法、装置、电子设备和计算机可读介质 |
CN111966929A (zh) * | 2020-08-17 | 2020-11-20 | 携程旅游信息技术(上海)有限公司 | 基于标签的旅游路线推送方法、系统、设备及存储介质 |
CN112001538A (zh) * | 2020-08-18 | 2020-11-27 | 马上游科技股份有限公司 | 基于运动步数的旅游路线规划方法及系统 |
CN112084401A (zh) * | 2020-08-18 | 2020-12-15 | 桂林理工大学 | 一种旅游路线定制装置及方法 |
CN112257517A (zh) * | 2020-09-30 | 2021-01-22 | 中国地质大学(武汉) | 一种基于景点聚类和群体情感识别的旅游景点推荐系统 |
CN112182410B (zh) * | 2020-11-05 | 2023-04-21 | 西南交通大学 | 基于时空轨迹知识图谱的用户出行模式挖掘方法 |
CN112182410A (zh) * | 2020-11-05 | 2021-01-05 | 西南交通大学 | 基于时空轨迹知识图谱的用户出行模式挖掘方法 |
CN112992021A (zh) * | 2021-03-08 | 2021-06-18 | 合肥工业大学 | 一种景区智能导览系统和使用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107679661B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679661A (zh) | 一种基于知识图谱的个性化旅游路线规划方法 | |
Yu et al. | Personalized travel package with multi-point-of-interest recommendation based on crowdsourced user footprints | |
Scheider et al. | Geo-analytical question-answering with GIS | |
CN103020302B (zh) | 基于复杂网络的学术核心作者挖掘及相关信息抽取方法和系统 | |
CN110347843A (zh) | 一种基于知识图谱的中文旅游领域知识服务平台构建方法 | |
CN109977283A (zh) | 一种基于知识图谱和用户足迹的旅游推荐方法和系统 | |
CN110472066A (zh) | 一种城市地理语义知识图谱的构建方法 | |
CN106960044B (zh) | 一种基于张量分解及加权hits的时间感知个性化poi推荐方法 | |
CN106233288A (zh) | 重新评级位置细化和多样性的搜索结果 | |
CN107084735A (zh) | 适用于减少冗余导航的导航路径框架 | |
CN103198072A (zh) | 一种流行检索词的挖掘、推荐方法及装置 | |
Zhu | Multi-objective route planning problem for cycle-tourists | |
CN104199938A (zh) | 基于rss的农用土地信息发送方法和系统 | |
Li et al. | A fuzzy comprehensive evaluation algorithm for analyzing electronic word-of-mouth | |
Wang et al. | Bayesian intelligent semantic mashup for tourism | |
Kang et al. | Integration of Internet search data to predict tourism trends using spatial-temporal XGBoost composite model | |
Liu et al. | A novel recommendation system for the personalized smart tourism route: Design and implementation | |
Honarparvar et al. | Improvement of a location-aware recommender system using volunteered geographic information | |
Borràs et al. | SigTur/E-Destination: a system for the management of complex tourist regions | |
CN110532464A (zh) | 一种基于多旅游上下文建模的旅游推荐方法 | |
Liao et al. | Fusing geographic information into latent factor model for pick-up region recommendation | |
Huber et al. | Disaggregation of aggregate GPS-based cycling data–How to enrich commercial cycling data sets for detailed cycling behaviour analysis | |
Suresh Kumar et al. | Multi-ontology based points of interests (MO-POIS) and parallel fuzzy clustering (PFC) algorithm for travel sequence recommendation with mobile communication on big social media | |
Li et al. | Visual analysis of retailing store location selection | |
Yang et al. | Optimization of tourism information analysis system based on big data algorithm |
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 |