CN107729444A - 一种基于知识图谱的个性化旅游景点推荐方法 - Google Patents
一种基于知识图谱的个性化旅游景点推荐方法 Download PDFInfo
- Publication number
- CN107729444A CN107729444A CN201710917772.5A CN201710917772A CN107729444A CN 107729444 A CN107729444 A CN 107729444A CN 201710917772 A CN201710917772 A CN 201710917772A CN 107729444 A CN107729444 A CN 107729444A
- Authority
- CN
- China
- Prior art keywords
- mrow
- user
- sight spot
- msub
- vector
- 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
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于知识图谱的个性化旅游景点推荐方法,通过互联网上海量的数据构建旅游领域知识图谱,利用改进的TransE模型对知识图谱中的信息进行编码,将景点以及用户结点依据链接属性的个数训练为一个n维的向量(假设有n个属性),将用户与景点之间的关系也表示为n维向量,得到用户以及景点的向量表示之后计算用户与用户以及景点与景点之间的相似度,将相似度代入预测评分公式得到两个预测评分,然后将f(h,r,t)所计算得到的向量之间的差值归一化到评分阈值之间,得到第三个预测评分,最后对三个预测评分进行加权平均得到最后的评分列表为用户做出推荐。本发明解决了现有技术中的语义差、推荐准确度低以及冷启动问题,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技术领域,具体涉及一种基于知识图谱的个性化旅游景点推荐方法。
背景技术
近年来,云计算、物联网、移动互联网、人工智能等技术的迅速发展为人们的工作生活带来了很多便利。在旅游休闲方面,用户可以方便地通过网络来搜索旅游信息并对旅游产品和服务进行选购,享受信息化技术带来的便利。然而,当面对爆炸式增长的网络信息时,用户反而难以进行高效的选择。推荐系统的出现为解决信息超载提供了一条有效途径。推荐系统是信息过滤系统的一个子集,旨在根据用户的喜好、习惯、个性化需求以及商品的特性来预测用户对商品的喜好,为用户推荐最合适的商品,帮助用户快速地做出决策,提高用户满意度。推荐系统的价值在于能够提供尽量合适的选择和推荐而不需要用户明确提供他们所想要的内容。
传统的推荐系统分为基于内容的推荐系统、基于协同过滤的推荐系统、基于知识的推荐系统、基于人口统计学的推荐系统和混合型推荐系统。这些推荐系统在垂直领域取得了许多突破性进展,在对新闻和网页的推荐以及对图书、电影等传统商品的推荐上取得了很好的效果,但在将它们应用于旅游推荐时仍然存在诸多挑战。旅游产品的冷启动问题更为严重,对于系统中新用户没有任何的浏览或者购买记录就无法刻画其特征,进而无法进行推荐物品的匹配。
发明内容
本发明所要解决的是现有个性化推荐方法所存在的推荐准确度低以及推荐系统所固有的冷启动而无法适用于旅游景点的推荐的问题,提供一种基于知识图谱的个性化旅游景点推荐方法。
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景点推荐方法,包括步骤如下:
步骤1、从现有知识库中获取景点、用户、景点相关属性和用户相关属性信息,并据此建立1个旅游领域知识图谱;
步骤2、将旅游领域知识图谱的用户和景点均分别表示为用户向量和景点向量,同时,将游领域知识图谱中用户对景点的喜好关系也表示为用户与景点之间的关系向量;
步骤3、根据模型h+r=t建立用户向量、景点向量、以及用户和景点之间关系向量的损失函数,并通过最小化损失函数,使用户向量、景点向量、以及用户与景点之间的关系向量循环收敛到最优,以达到优化目标的目的;其中损失函数为L:
步骤4、利用已经训练好的用户向量、景点向量、以及用户和景点之间关系向量,通过余弦相似度去计算景点相似度和用户相似度,并得到根据景点相似度计算出的景点预测评分和根据用户相似度计算出的用户预测评分;其中
景点预测评分pred(h,t)t为:
用户预测评分pred(h,t)h为:
步骤5、利用已经训练好的用户向量、景点向量、以及用户和景点之间关系向量,并通过关键函数去计算关键预测评分;其中关键预测评分pred(h,t)为:
步骤6、对上述景点预测评分、用户预测评分和关键预测评分进行加权平均作为用户的最终预测评分,并对最终预测评分进行排序后,将最高得分的景点推荐给用户;其中最终预测评分predfinal为:
其中,h表示用户向量,r表示景点向量,t表示用户与景点之间的关系向量;γ为设定的边际值,f(h,r,t)表示正例三元组的关联函数,S(h,r,t)表示正例三元组集合,f(h′,r,t′)表示负例三元组的关联函数,S(h′,r,t′)表示负例三元组集合,L1表示L1范式,L2表示L2范式;sim(t,ti)表示景点t与景点ti之间的相似度,Tsim(t)表示与景点t相似度大于0的景点集合,表示用户h对景点ti的评分;sim(h,hj)表示用户h与用户hj之间的相似度,Hsim(h)表示与用户h相似度大于0的用户的集合,表示用户hj对景点t的评分,表示用户hj已评分过景点的平均得分,示用户h对已评分过景点的平均评分;max表示取最大函数,min表示取最小函数,floor表示向下取整函数,P表示评分的最高值,a、b和c为景点、用户和关键权值系数。
上述步骤1中,将景点和用户作为旅游领域知识图谱中的概念实体结点,景点相关属性信息和用户相关属性信息作为旅游领域知识图谱中个性化推荐中描述景点和用户的特征标签结点,2个概念实体结点和/或特征标签结点之间的语义联系作为旅游领域知识图谱中的边。
上述步骤1中,在所建立的旅游领域知识图谱中,景点相关属性的个数和用户相关属性的个数均为n。
上述步骤2、根据每个用户所链接的用户相关属性的个数n,将旅游领域知识图谱中的每个用户表示为1个n维的用户向量;同时,根据每个景点所链接的景点相关属性的个数n,将旅游领域知识图谱中的每个景点表示为1个n维的景点向量;另外,将游领域知识图谱中用户对景点的喜好关系也表示为一个n维的用户与景点之间的关系向量。
上述步骤2中,景点向量的每一维对应游领域知识图谱中景点所链接的一个景点相关属性,每一维的初始值是该景点相关属性所占权重;用户向量的每一维对应游领域知识图谱中用户所链接的一个用户相关属性,每一维的初始值是该用户相关属性所占权重;用户与景点之间的关系向量的每一维对应用户对景点的喜好程度,每一维的初始值为单位向量。
上述正例三元组f(h,r,t)表示用户h和景点r之间存在喜欢关系t的三元组;负例三元组f(h,r,t)表示用户h和景点r之间存在不喜欢关系t的三元组。
与现有技术相比,本发明充分考虑了知识图谱中实体语义信息的丰富,利用改进的TransE算法将知识图谱中的景点、用户以及用户与景点之间的关系训练为向量的表示形式。通过向量间相似度的计算分别得到用户与用户以及景点与景点相似度,然后通过预测评分公式以及归一化f(h,r,t)所得到的h+r与t的差值计算得到三个预测评分,最后将三个预测评分加权平均得到最后的评分,通过最终评分列表为用户做出推荐。本发明基于知识图谱的丰富的语义信息以及改进的TransE算法,解决了现有技术中的语义差、推荐准确度低以及冷启动问题,具有良好的实用性。
附图说明
图1为一种基于知识图谱的个性化旅游景点推荐方法。
图2一种基于知识图谱的个性化旅游景点推荐方法的原理框图。
图3旅游领域知识图谱的模式示例。
图4改进的TransE模型构建示例。
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推荐系统固有的冷启动以及推荐准确度低等问题提供了一个可能的解决方案。知识图谱作为一种新的数据表示形式,属于语义网范畴,其目标是描述真实世界中存在的各种实体和概念,以及这些实体、概念之间的关联,捕捉并呈现领域概念之间的语义关系,提供更为丰富的语义关联信息。利用知识图谱可以更加准确的描绘用户画像,可以更为精确的表示用户与项目之间的语义关联,为用户提供精准推荐。本发明基于知识图谱的特点,利用百科网站以及旅游垂直网站中的相关旅游数据构建旅游领域知识图谱,结合知识图谱语义丰富的特点,分析知识图谱中景点以及用户之间的关系,对一个用户和一组候选的待推荐景点,他们各自用一组属性来刻画其特征,借助景点知识图谱和用户知识图谱以及改进的TransE模型,从候选景点中找到最匹配该用户的景点作为推荐的结果,结合基于知识图谱的个性化旅游景点推荐方法,为用户提供更为精准的推荐。
本发明利用旅游领域知识图谱中的实体概念的属性关系来度量其相互之间的相似性,首先利用一种改进的TransE方法将旅游领域知识图谱中的每个实体结点景点和用户以及用户与景点之间的关系训练为向量,然后通过相似度公式计算景点与景点以及用户与用户之间的相似度,进而分别在评分预测公式中利用上一步所得到的相似度计算预测评分,然后通过将f(h,r,t)所计算得到的差值规范化至1-5,最后对所得到的三个预测评分进行加权平均为用户做出推荐。
一种基于知识图谱的个性化旅游景点推荐方法,如图1所示,包括建立旅游领域知识图谱,利用改进的TransE模型将用户、景点以及用户与景点之间的关系表示为向量模式,通过计算向量相似度得到用户与用户以及景点与景点之间的相似度,并通过评分预测公式计算预测评分,规范化f(h,r,t)所计算得到的差值至1-5作为预测评分,最后将三个预测评分加权平均得到最终得分。通过以上几个步骤得到最匹配用户偏好的个性化旅游景点,如图2所示,整个推荐方法以旅游领域知识图谱为基础,输入用户以及景点的信息,以方法得到的最优候选景点结果作为输出,即为用户推荐的最佳旅游景点结果。
步骤1、从现有知识库中获取景点、用户、景点相关属性和用户相关属性信息,并据此建立1个旅游领域知识图谱。
现有知识库包括携程、去哪儿、百度旅游等旅游垂直网站,以及百度百科,维基百科等百科网站。将从这些网站中所抓取到的将景点和用户作为旅游领域知识图谱中的概念实体结点,景点相关属性信息和用户相关属性信息作为旅游领域知识图谱中个性化推荐中描述景点和用户的特征标签结点,2个概念实体结点和/或特征标签结点之间的语义联系作为旅游领域知识图谱中的边,以此来构建1个旅游领域知识图谱,这里的旅游领域知识图谱是一个由许多结点和有向边组成的网络。在本发明中,每个景点所抓取的景点相关属性个数均为n,每个用户所抓取的用户相关属性个数均为n,如果所抓取到的景点相关属性个数和用户相关属性个数达不到预定的个数n,需要在旅游领域知识图谱中补足。参见图3。
步骤2、将旅游领域知识图谱的用户和景点均分别表示为用户向量和景点向量,同时,将游领域知识图谱中用户对景点的喜好关系也表示为用户与景点之间的关系向量。
根据每个景点所链接的景点相关属性的个数n,将旅游领域知识图谱中的每个用户表示为1个n维的景点向量。景点向量的每一维对应游领域知识图谱中景点所链接的一个景点相关属性,每一维的初始值是该景点相关属性所占权重。同时,根据每个用户所链接的用户相关属性的个数n,将旅游领域知识图谱中的每个用户表示为1个n维的用户向量。用户向量的每一维对应游领域知识图谱中用户所链接的一个用户相关属性,每一维的初始值是该用户相关属性所占权重。另外,将游领域知识图谱中用户与景点的关系也表示为一个n维的用户与景点之间的关系向量。用户与景点之间的关系向量的每一维对应用户对景点的喜好程度,每一维的初始值为单位向量。
步骤21、将用户向量、景点向量以及用户和景点之间的关系向量设定一个关联函数,具体为:
其中h表示用户向量、t表示景点向量、r表示用户和景点之间的关系向量,L1表示L1范式,L2表示L2范式。
步骤22、建立用户向量、景点向量以及用户和景点之间关系向量的损失函数,并通过最小化损失函数,达到优化目标的目的。具体为:
其中[f(h,r,t)+γ-f(h′,r,t′)]+=max(0,f(h,r,t)+γ-f(h′,r,t′)),γ为设定的边际值;(h,r,t)中的h,r,t分别表示用户向量、关系向量以及景点向量,f(h,r,t)表示正例三元组的关联函数,正例三元组f(h,r,t)表示用户h和景点r之间存在喜欢关系t的三元组,在本实施例中,定义大于等于3分为喜欢,S(h,r,t)表示正例三元组集合;f(h′,r,t′)表示负例三元组的关联函数,S(h′,r,t′)表示负例三元组集合,负例三元组f(h,r,t)表示用户h和景点r之间存在不喜欢关系t的三元组,在本实施例中,定义小于3为不喜欢。
步骤3、根据模型h+r=t建立用户向量、景点向量、以及用户和景点之间关系向量的损失函数,并通过最小化损失函数,使用户向量、景点向量、以及用户与景点之间的关系向量循环收敛到最优,以达到优化目标的目的;其中损失函数为:
为了更好的刻画用户和待推荐景点的特征,构建改进的TransE模型,如图4所示。TransE模型,基于翻译的模型,最早于2013年被Bordes等人提出。TransE模型的提出为度量实体之间关系提供了科学且可量化的标准。构建的改进的TransE模型是以最初的TransE模型为基础,并结合上一步中构建的旅游领域知识图谱,为旅游领域实体概念之间语义联系提供了科学依据。通过模型h+r=t训练将实体以及关系向量循环收敛到最优,其中h表示用户向量、t表示景点向量、r表示用户和景点之间的关系向量。
步骤4、利用已经训练好的用户向量、景点向量、以及用户和景点之间关系向量,通过余弦相似度去计算景点相似度和用户相似度,并得到根据景点相似度计算出的景点预测评分和根据用户相似度计算出的用户预测评分。
景点预测评分pred(h,t)t为:
用户预测评分pred(h,t)h为:
其中sim(t,ti)表示景点t与景点ti之间的相似度,Tsim(t)表示与景点t相似度大于0的景点集合,表示用户h对景点ti的评分;sim(h,hj)表示用户h与用户hj之间的相似度,Hsim(h)表示与用户h相似度大于0的用户的集合,表示用户hj对景点t的评分,表示用户hj已评分过景点的平均得分,示用户h对已评分过景点的平均评分。
步骤5、利用已经训练好的用户向量、景点向量、以及用户和景点之间关系向量,并通过关键函数去计算关键预测评分。
经过改进的TransE模型的训练,用户向量h和关系向量r的和约等于景点向量t,所以在h+r-t越小的时候表示用户与景点之间存在喜欢这个关系的可能性越大。则关键预测评分pred(h,t)为:
其中max表示取最大函数,min表示取最小函数,floor表示向下取整函数,P表示评分的最高值。在本实施例中,P=5,此时关键预测评分是将h+r和t的差值规约在1-5之间得到一个预测评分。
步骤6、对上述景点预测评分、用户预测评分和关键预测评分进行加权平均作为用户的最终预测评分,并对最终预测评分进行排序后,将最高得分的景点推荐给用户。
最终预测评分predfinal为:
其中a、b和c为景点、用户和关键权值系数。在本实施例中,a=b=c=1。
由于此方法充分的利用了知识图谱中丰富的语义信息来计算知识图谱中实体之间的语义上的相似性,并结合改进的TransE模型和预测评分公式做最后的评分的预测,很好的提高了推荐的准确度。
图4为基于知识图谱的个性化旅游推荐的核心方法,改进的TransE模型,主要是通过改进TransE中向量模型的初始生成,TransE是将知识图谱中的每个三元组都训练为向量h,r,t,并不区分三元组是实体-关系-实体还是实体-属性-属性值。针对于景点的推荐,我们只想知道一条关系,用户喜欢某个景点,所以我们依据景点以及用户在旅游领域知识图谱中所链接的属性的个数n,将景点以及用户初始化为一个n维的向量,向量的初始值我们利用SVDFeature获得,同时将用户和景点之间的关系初始化为一个n维的单位向量。最后通过模型h+r=t使得训练得到的景点向量、用户的向量以及关系向量能够充分的代表相关实体和关系的语义信息。
本发明提供了一种基于知识图谱的个性化旅游景点推荐方法,该方法包括:通过互联网上海量的数据构建旅游领域知识图谱,利用改进的TransE模型对知识图谱中的信息进行编码,将景点以及用户结点依据链接属性的个数训练为一个n维的向量(假设有n个属性),将用户与景点之间的关系也表示为n维向量,得到用户以及景点的向量表示之后计算用户与用户以及景点与景点之间的相似度,将相似度代入预测评分公式得到两个预测评分,然后将f(h,r,t)所计算得到的向量之间的差值归一化到1-5之间,得到第三个预测评分,最后对三个预测评分进行加权平均得到最后的评分列表为用户做出推荐。
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 (6)
1.一种基于知识图谱的个性化旅游景点推荐方法,其特征是,包括步骤如下:
步骤1、从现有知识库中获取景点、用户、景点相关属性和用户相关属性信息,并据此建立1个旅游领域知识图谱;
步骤2、将旅游领域知识图谱的用户和景点均分别表示为用户向量和景点向量,同时,将游领域知识图谱中用户对景点的喜好关系也表示为用户与景点之间的关系向量;
步骤3、根据模型h+r=t建立用户向量、景点向量、以及用户和景点之间关系向量的损失函数,并通过最小化损失函数,使用户向量、景点向量、以及用户与景点之间的关系向量循环收敛到最优,以达到优化目标的目的;其中损失函数为L:
<mrow>
<mi>L</mi>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>h</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<msup>
<mi>t</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
<mo>&Element;</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&prime;</mo>
</msubsup>
</mrow>
</munder>
<msub>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>h</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<msup>
<mi>h</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>+</mo>
</msub>
<mo>;</mo>
</mrow>
步骤4、利用已经训练好的用户向量、景点向量、以及用户和景点之间关系向量,通过余弦相似度去计算景点相似度和用户相似度,并得到根据景点相似度计算出的景点预测评分和根据用户相似度计算出的用户预测评分;其中
景点预测评分pred(h,t)t为:
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>d</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>h</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
用户预测评分pred(h,t)h为:
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>d</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>h</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>H</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>r</mi>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>H</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mover>
<mi>r</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mo>;</mo>
</mrow>
步骤5、利用已经训练好的用户向量、景点向量、以及用户和景点之间关系向量,并通过关键函数去计算关键预测评分;其中关键预测评分pred(h,t)为:
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mi>l</mi>
<mi>o</mi>
<mi>o</mi>
<mi>r</mi>
<mo>{</mo>
<mi>P</mi>
<mo>*</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mi>min</mi>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mfrac>
<mo>}</mo>
<mo>;</mo>
</mrow>
步骤6、对上述景点预测评分、用户预测评分和关键预测评分进行加权平均作为用户的最终预测评分,并对最终预测评分进行排序后,将最高得分的景点推荐给用户;其中最终预测评分predfinal为:
<mrow>
<msub>
<mi>pred</mi>
<mrow>
<mi>f</mi>
<mi>i</mi>
<mi>n</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>a</mi>
<mo>&times;</mo>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>d</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>t</mi>
</msub>
<mo>+</mo>
<mi>b</mi>
<mo>&times;</mo>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>d</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>h</mi>
</msub>
<mo>+</mo>
<mi>c</mi>
<mo>&times;</mo>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>3</mn>
</mfrac>
<mo>;</mo>
</mrow>
其中,h表示用户向量,r表示景点向量,t表示用户与景点之间的关系向量;γ为设定的边际值,f(h,r,t)表示正例三元组的关联函数,S(h,r,t)表示正例三元组集合,f(h′,r,t′)表示负例三元组的关联函数,S(h′,r,t′)表示负例三元组集合,L1表示L1范式,L2表示L2范式;sim(t,ti)表示景点t与景点ti之间的相似度,Tsim(t)表示与景点t相似度大于0的景点集合,表示用户h对景点ti的评分;sim(h,hj)表示用户h与用户hj之间的相似度,Hsim(h)表示与用户h相似度大于0的用户的集合,表示用户hj对景点t的评分,表示用户hj已评分过景点的平均得分,示用户h对已评分过景点的平均评分;max表示取最大函数,min表示取最小函数,floor表示向下取整函数,P表示评分的最高值,a、b和c为景点、用户和关键权值系数。
2.根据权利要求1所述一种基于知识图谱的个性化旅游景点推荐方法,其特征是,步骤1中,将景点和用户作为旅游领域知识图谱中的概念实体结点,景点相关属性信息和用户相关属性信息作为旅游领域知识图谱中个性化推荐中描述景点和用户的特征标签结点,2个概念实体结点和/或特征标签结点之间的语义联系作为旅游领域知识图谱中的边。
3.根据权利要求1或2所述一种基于知识图谱的个性化旅游景点推荐方法,其特征是,步骤1中,在所建立的旅游领域知识图谱中,景点相关属性的个数和用户相关属性的个数均为n。
4.根据权利要求3所述一种基于知识图谱的个性化旅游景点推荐方法,其特征是,步骤2、根据每个用户所链接的用户相关属性的个数n,将旅游领域知识图谱中的每个用户表示为1个n维的用户向量;同时,根据每个景点所链接的景点相关属性的个数n,将旅游领域知识图谱中的每个景点表示为1个n维的景点向量;另外,将游领域知识图谱中用户对景点的喜好关系也表示为一个n维的用户与景点之间的关系向量。
5.根据权利要求1所述一种基于知识图谱的个性化旅游景点推荐方法,其特征是,步骤2中,
景点向量的每一维对应游领域知识图谱中景点所链接的一个景点相关属性,每一维的初始值是该景点相关属性所占权重;
用户向量的每一维对应游领域知识图谱中用户所链接的一个用户相关属性,每一维的初始值是该用户相关属性所占权重;
用户与景点之间的关系向量的每一维对应用户对景点的喜好程度,每一维的初始值为单位向量。
6.根据权利要求1所述一种基于知识图谱的个性化旅游景点推荐方法,其特征是,正例三元组f(h,r,t)表示用户h和景点r之间存在喜欢关系t的三元组;负例三元组f(h,r,t)表示用户h和景点r之间存在不喜欢关系t的三元组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710917772.5A CN107729444B (zh) | 2017-09-30 | 2017-09-30 | 一种基于知识图谱的个性化旅游景点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710917772.5A CN107729444B (zh) | 2017-09-30 | 2017-09-30 | 一种基于知识图谱的个性化旅游景点推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107729444A true CN107729444A (zh) | 2018-02-23 |
CN107729444B CN107729444B (zh) | 2021-01-12 |
Family
ID=61209321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710917772.5A Active CN107729444B (zh) | 2017-09-30 | 2017-09-30 | 一种基于知识图谱的个性化旅游景点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729444B (zh) |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733798A (zh) * | 2018-05-17 | 2018-11-02 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN108875910A (zh) * | 2018-05-23 | 2018-11-23 | 山东大学 | 基于注意力知识提取的服装搭配方法、系统及存储介质 |
CN108920527A (zh) * | 2018-06-07 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
CN109189944A (zh) * | 2018-09-27 | 2019-01-11 | 桂林电子科技大学 | 基于用户正负反馈画像编码的个性化景点推荐方法及系统 |
CN109299389A (zh) * | 2018-11-16 | 2019-02-01 | 西北工业大学 | 一种旅游景点推荐方法及装置 |
CN109447713A (zh) * | 2018-10-31 | 2019-03-08 | 国家电网公司 | 一种基于知识图谱的推荐方法及装置 |
CN109684548A (zh) * | 2018-11-30 | 2019-04-26 | 内江亿橙网络科技有限公司 | 一种基于用户图谱的数据推荐方法 |
CN109816482A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 电商平台的知识图谱构建方法、装置、设备及存储介质 |
CN110210892A (zh) * | 2019-05-05 | 2019-09-06 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、可读存储介质和程序产品 |
CN110287335A (zh) * | 2019-06-17 | 2019-09-27 | 桂林电子科技大学 | 基于知识图谱和用户长短期偏好的个性化景点推荐方法及装置 |
CN110288436A (zh) * | 2019-06-19 | 2019-09-27 | 桂林电子科技大学 | 一种基于游客偏好建模的个性化景点推荐方法 |
CN110287336A (zh) * | 2019-06-19 | 2019-09-27 | 桂林电子科技大学 | 一种面向旅游景点推荐的游客画像构建方法 |
CN110309405A (zh) * | 2018-03-08 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种项目推荐方法、装置及存储介质 |
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 |
CN110377829A (zh) * | 2019-07-24 | 2019-10-25 | 中国工商银行股份有限公司 | 应用于电子设备的功能推荐方法和装置 |
CN110737774A (zh) * | 2018-07-03 | 2020-01-31 | 百度在线网络技术(北京)有限公司 | 图书知识图谱的构建、图书推荐方法、装置、设备及介质 |
CN110781300A (zh) * | 2019-09-20 | 2020-02-11 | 南宁师范大学 | 基于百度百科知识图谱的旅游资源文化特色评分算法 |
CN110795571A (zh) * | 2019-10-24 | 2020-02-14 | 南宁师范大学 | 基于深度学习和知识图谱的文化旅游资源推荐方法 |
CN110895554A (zh) * | 2018-09-12 | 2020-03-20 | 清华大学 | 目的地推荐方法、装置、计算机设备和存储介质 |
CN110968698A (zh) * | 2018-09-29 | 2020-04-07 | 上海博泰悦臻网络技术服务有限公司 | 基于知识图谱的用户用车体验调研方法、系统和云服务器 |
CN111125540A (zh) * | 2019-11-12 | 2020-05-08 | 华侨大学 | 一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 |
CN111177559A (zh) * | 2019-12-30 | 2020-05-19 | 中国联合网络通信集团有限公司 | 文旅服务推荐方法、装置、电子设备及存储介质 |
CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
CN111445308A (zh) * | 2020-03-26 | 2020-07-24 | 四川旅游学院 | 基于用户画像的旅游景点推荐方法 |
CN111507796A (zh) * | 2020-04-07 | 2020-08-07 | 桂林电子科技大学 | 一种基于知识图谱的网上商城商品推荐方法 |
CN111949885A (zh) * | 2020-08-27 | 2020-11-17 | 桂林电子科技大学 | 一种面向旅游景点的个性化推荐方法 |
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 |
CN112269882A (zh) * | 2020-10-12 | 2021-01-26 | 西安工程大学 | 一种面向知识图谱的旅游景点推荐方法 |
CN112348291A (zh) * | 2020-12-07 | 2021-02-09 | 福州市长乐区三互信息科技有限公司 | 旅游出行信息管理方法 |
CN112765458A (zh) * | 2021-01-07 | 2021-05-07 | 同济大学 | 基于度量分解和标签自适应分配权重的混合推荐方法 |
CN112784153A (zh) * | 2020-12-31 | 2021-05-11 | 山西大学 | 融合属性特征注意力与异质类型信息的旅游景点推荐方法 |
CN112801751A (zh) * | 2021-02-04 | 2021-05-14 | 重庆邮电大学 | 一种多任务图神经网络的个性化景区推荐方法 |
CN113312854A (zh) * | 2021-07-19 | 2021-08-27 | 成都数之联科技有限公司 | 选型推荐方法、装置、电子设备和可读存储介质 |
CN113449200A (zh) * | 2020-03-26 | 2021-09-28 | 杭州海康威视数字技术股份有限公司 | 物品推荐方法、装置及计算机存储介质 |
CN115712780A (zh) * | 2022-11-04 | 2023-02-24 | 深圳数字动能信息技术有限公司 | 一种基于云计算和大数据的信息推送方法及装置 |
CN117573803A (zh) * | 2023-11-14 | 2024-02-20 | 安徽省征信股份有限公司 | 基于知识图谱的新客识别方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130024391A1 (en) * | 2011-06-09 | 2013-01-24 | Tripadvisor Llc | Social travel recommendations |
CN103309972A (zh) * | 2013-06-08 | 2013-09-18 | 清华大学 | 基于链路预测的推荐方法和系统 |
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 |
CN104616221A (zh) * | 2014-07-30 | 2015-05-13 | 江苏物泰信息科技有限公司 | 一种智慧旅游推荐系统 |
CN105447185A (zh) * | 2015-12-15 | 2016-03-30 | 西安电子科技大学 | 基于知识与位置的个性化旅游景点推荐方法 |
CN106909622A (zh) * | 2017-01-20 | 2017-06-30 | 中国科学院计算技术研究所 | 知识图谱向量表示方法、知识图谱关系推理方法及系统 |
-
2017
- 2017-09-30 CN CN201710917772.5A patent/CN107729444B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130024391A1 (en) * | 2011-06-09 | 2013-01-24 | Tripadvisor Llc | Social travel recommendations |
CN103309972A (zh) * | 2013-06-08 | 2013-09-18 | 清华大学 | 基于链路预测的推荐方法和系统 |
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 |
CN104616221A (zh) * | 2014-07-30 | 2015-05-13 | 江苏物泰信息科技有限公司 | 一种智慧旅游推荐系统 |
CN105447185A (zh) * | 2015-12-15 | 2016-03-30 | 西安电子科技大学 | 基于知识与位置的个性化旅游景点推荐方法 |
CN106909622A (zh) * | 2017-01-20 | 2017-06-30 | 中国科学院计算技术研究所 | 知识图谱向量表示方法、知识图谱关系推理方法及系统 |
Non-Patent Citations (2)
Title |
---|
陈国柱: "旅游目的地研究的科学知识图谱分析", 《资源开发与市场》 * |
陈曦 等: "规则增强的知识图谱表示学习方法", 《情报工程》 * |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309405A (zh) * | 2018-03-08 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种项目推荐方法、装置及存储介质 |
CN108733798B (zh) * | 2018-05-17 | 2021-11-19 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN108733798A (zh) * | 2018-05-17 | 2018-11-02 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN108875910A (zh) * | 2018-05-23 | 2018-11-23 | 山东大学 | 基于注意力知识提取的服装搭配方法、系统及存储介质 |
CN108920527A (zh) * | 2018-06-07 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN110737774B (zh) * | 2018-07-03 | 2024-05-24 | 百度在线网络技术(北京)有限公司 | 图书知识图谱的构建、图书推荐方法、装置、设备及介质 |
CN110737774A (zh) * | 2018-07-03 | 2020-01-31 | 百度在线网络技术(北京)有限公司 | 图书知识图谱的构建、图书推荐方法、装置、设备及介质 |
CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
CN110895554A (zh) * | 2018-09-12 | 2020-03-20 | 清华大学 | 目的地推荐方法、装置、计算机设备和存储介质 |
CN109189944A (zh) * | 2018-09-27 | 2019-01-11 | 桂林电子科技大学 | 基于用户正负反馈画像编码的个性化景点推荐方法及系统 |
CN110968698B (zh) * | 2018-09-29 | 2022-07-29 | 上海博泰悦臻网络技术服务有限公司 | 基于知识图谱的用户用车体验调研方法、系统和云服务器 |
CN110968698A (zh) * | 2018-09-29 | 2020-04-07 | 上海博泰悦臻网络技术服务有限公司 | 基于知识图谱的用户用车体验调研方法、系统和云服务器 |
CN109447713A (zh) * | 2018-10-31 | 2019-03-08 | 国家电网公司 | 一种基于知识图谱的推荐方法及装置 |
CN109299389A (zh) * | 2018-11-16 | 2019-02-01 | 西北工业大学 | 一种旅游景点推荐方法及装置 |
CN109299389B (zh) * | 2018-11-16 | 2022-03-25 | 西北工业大学 | 一种旅游景点推荐方法及装置 |
CN109684548B (zh) * | 2018-11-30 | 2024-02-09 | 索信达(深圳)软件技术有限公司 | 一种基于用户图谱的数据推荐方法 |
CN109684548A (zh) * | 2018-11-30 | 2019-04-26 | 内江亿橙网络科技有限公司 | 一种基于用户图谱的数据推荐方法 |
CN109816482B (zh) * | 2019-01-04 | 2023-08-29 | 平安科技(深圳)有限公司 | 电商平台的知识图谱构建方法、装置、设备及存储介质 |
CN109816482A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 电商平台的知识图谱构建方法、装置、设备及存储介质 |
CN110210892B (zh) * | 2019-05-05 | 2023-05-30 | 平安科技(深圳)有限公司 | 产品推荐方法、装置和可读存储介质 |
CN110210892A (zh) * | 2019-05-05 | 2019-09-06 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、可读存储介质和程序产品 |
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 |
CN110347842B (zh) * | 2019-05-21 | 2020-07-10 | 成都信息工程大学 | 基于智能腕表的知识图谱导游系统 |
CN110287335B (zh) * | 2019-06-17 | 2021-08-27 | 桂林电子科技大学 | 基于知识图谱和用户长短期偏好的个性化景点推荐方法及装置 |
CN110287335A (zh) * | 2019-06-17 | 2019-09-27 | 桂林电子科技大学 | 基于知识图谱和用户长短期偏好的个性化景点推荐方法及装置 |
CN110288436A (zh) * | 2019-06-19 | 2019-09-27 | 桂林电子科技大学 | 一种基于游客偏好建模的个性化景点推荐方法 |
CN110287336A (zh) * | 2019-06-19 | 2019-09-27 | 桂林电子科技大学 | 一种面向旅游景点推荐的游客画像构建方法 |
CN110287336B (zh) * | 2019-06-19 | 2021-08-27 | 桂林电子科技大学 | 一种面向旅游景点推荐的游客画像构建方法 |
CN110377829A (zh) * | 2019-07-24 | 2019-10-25 | 中国工商银行股份有限公司 | 应用于电子设备的功能推荐方法和装置 |
CN110781300B (zh) * | 2019-09-20 | 2022-08-23 | 南宁师范大学 | 基于百度百科知识图谱的旅游资源文化特色评分算法 |
CN110781300A (zh) * | 2019-09-20 | 2020-02-11 | 南宁师范大学 | 基于百度百科知识图谱的旅游资源文化特色评分算法 |
CN110795571B (zh) * | 2019-10-24 | 2023-05-05 | 南宁师范大学 | 基于深度学习和知识图谱的文化旅游资源推荐方法 |
CN110795571A (zh) * | 2019-10-24 | 2020-02-14 | 南宁师范大学 | 基于深度学习和知识图谱的文化旅游资源推荐方法 |
CN111125540A (zh) * | 2019-11-12 | 2020-05-08 | 华侨大学 | 一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 |
CN111177559B (zh) * | 2019-12-30 | 2023-05-30 | 中国联合网络通信集团有限公司 | 文旅服务推荐方法、装置、电子设备及存储介质 |
CN111177559A (zh) * | 2019-12-30 | 2020-05-19 | 中国联合网络通信集团有限公司 | 文旅服务推荐方法、装置、电子设备及存储介质 |
CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
CN111369318B (zh) * | 2020-02-28 | 2024-02-02 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
CN113449200B (zh) * | 2020-03-26 | 2023-04-18 | 杭州海康威视数字技术股份有限公司 | 物品推荐方法、装置及计算机存储介质 |
CN113449200A (zh) * | 2020-03-26 | 2021-09-28 | 杭州海康威视数字技术股份有限公司 | 物品推荐方法、装置及计算机存储介质 |
CN111445308A (zh) * | 2020-03-26 | 2020-07-24 | 四川旅游学院 | 基于用户画像的旅游景点推荐方法 |
CN111507796A (zh) * | 2020-04-07 | 2020-08-07 | 桂林电子科技大学 | 一种基于知识图谱的网上商城商品推荐方法 |
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 |
CN111949885A (zh) * | 2020-08-27 | 2020-11-17 | 桂林电子科技大学 | 一种面向旅游景点的个性化推荐方法 |
CN112269882A (zh) * | 2020-10-12 | 2021-01-26 | 西安工程大学 | 一种面向知识图谱的旅游景点推荐方法 |
CN112269882B (zh) * | 2020-10-12 | 2022-10-18 | 西安工程大学 | 一种面向知识图谱的旅游景点推荐方法 |
CN112348291A (zh) * | 2020-12-07 | 2021-02-09 | 福州市长乐区三互信息科技有限公司 | 旅游出行信息管理方法 |
CN112784153A (zh) * | 2020-12-31 | 2021-05-11 | 山西大学 | 融合属性特征注意力与异质类型信息的旅游景点推荐方法 |
CN112765458A (zh) * | 2021-01-07 | 2021-05-07 | 同济大学 | 基于度量分解和标签自适应分配权重的混合推荐方法 |
CN112801751A (zh) * | 2021-02-04 | 2021-05-14 | 重庆邮电大学 | 一种多任务图神经网络的个性化景区推荐方法 |
CN113312854A (zh) * | 2021-07-19 | 2021-08-27 | 成都数之联科技有限公司 | 选型推荐方法、装置、电子设备和可读存储介质 |
CN115712780A (zh) * | 2022-11-04 | 2023-02-24 | 深圳数字动能信息技术有限公司 | 一种基于云计算和大数据的信息推送方法及装置 |
CN117573803A (zh) * | 2023-11-14 | 2024-02-20 | 安徽省征信股份有限公司 | 基于知识图谱的新客识别方法和装置 |
CN117573803B (zh) * | 2023-11-14 | 2024-04-19 | 安徽省征信股份有限公司 | 基于知识图谱的新客识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107729444B (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729444A (zh) | 一种基于知识图谱的个性化旅游景点推荐方法 | |
CN110795571B (zh) | 基于深度学习和知识图谱的文化旅游资源推荐方法 | |
CN108920527A (zh) | 一种基于知识图谱的个性化推荐方法 | |
CN108920641A (zh) | 一种信息融合个性化推荐方法 | |
CN108363804A (zh) | 基于用户聚类的局部模型加权融合Top-N电影推荐方法 | |
CN109271582A (zh) | 一种基于带属性元路径的个性化信息推荐方法 | |
CN107767279A (zh) | 一种基于lda的加权平均的个性化好友推荐方法 | |
CN109584006A (zh) | 一种基于深度匹配模型的跨平台商品匹配方法 | |
CN107944035A (zh) | 一种融合视觉特征和用户评分的图像推荐方法 | |
CN109190030A (zh) | 融合node2vec和深度神经网络的隐式反馈推荐方法 | |
CN112084307B (zh) | 一种数据处理方法、装置、服务器及计算机可读存储介质 | |
JP7393060B2 (ja) | 注意メカニズムを融合したパーソナライズド検索方法及び検索システム | |
CN108241619A (zh) | 一种基于用户多兴趣的推荐方法 | |
CN109034960A (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
CN110347897A (zh) | 基于事件检测的微博网络情感社区识别方法 | |
CN107832295A (zh) | 阅读机器人的标题选择方法及系统 | |
Liu et al. | Using collaborative filtering algorithms combined with Doc2Vec for movie recommendation | |
CN108629671A (zh) | 一种融合用户行为信息的餐馆推荐方法 | |
CN110119479A (zh) | 一种餐馆推荐方法、装置、设备及可读存储介质 | |
CN108389113B (zh) | 一种协同过滤推荐方法和系统 | |
CN115270007B (zh) | 一种基于混合图神经网络的poi推荐方法及系统 | |
CN113806630A (zh) | 基于注意力的多视角特征融合跨域推荐方法及装置 | |
CN107016566A (zh) | 基于本体的用户模型构建方法 | |
Yang et al. | Rethinking Label-Wise Cross-Modal Retrieval from A Semantic Sharing Perspective. | |
CN114998613A (zh) | 一种基于深度互学习的多标记零样本学习方法 |
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 |