CN108681586B - 基于群智感知的旅游路线个性化推荐方法 - Google Patents
基于群智感知的旅游路线个性化推荐方法 Download PDFInfo
- Publication number
- CN108681586B CN108681586B CN201810455575.0A CN201810455575A CN108681586B CN 108681586 B CN108681586 B CN 108681586B CN 201810455575 A CN201810455575 A CN 201810455575A CN 108681586 B CN108681586 B CN 108681586B
- Authority
- CN
- China
- Prior art keywords
- route
- spot
- scenic
- scenic spot
- user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000003780 insertion Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 10
- 230000037431 insertion Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000000165 glow discharge ionisation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002330 electrospray ionisation mass spectrometry Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Abstract
本发明揭示了一种基于群智感知的旅游路线个性化推荐方法,该方法在用户兴趣匹配的基础上,融入群智感知的POI社交评分以及群智感知的POI区位评分,使得评分细则更加全面。此外,提出的适用于无必去景点的景点推荐算法,即变近邻旅游路线推荐算法以及适用于含有必去景点的单/多POI类型两段式贪心旅游路线推荐算法不仅时间复杂度低,并且更加符合用户的偏好以及更具合理性。
Description
技术领域
本发明涉及基于计算机技术的大数据分析领域,尤其涉及一种基于群智感知的旅游路线个性化推荐方法。
背景技术
近年来,随着互联网的蓬勃发展,各种信息呈爆炸式增长。推荐技术的诞生可以帮助人们获取自己感兴趣的资源。由于推荐技术在电子商务方面发展得已经很成熟,国内代表性的公司如阿里巴巴、腾讯、百度、京东等大公司旗下的产品等都不同程度地采用推荐技术为用户推荐各种相似兴趣内容。现在采用的推荐技术包括协同过滤,基于内容的推荐,基于知识的推荐以及组合推荐等。
然而,由于旅游路线受到影响的因素很多,如实时交通流量、天气、用户偏好等,情况复杂多变。因此旅游路线的推荐现在还处于不成熟阶段。传统的路线推荐不涉及用户兴趣偏好,仅考虑到景点本身信息,因而造成推荐效果不符合用户偏好的问题。
发明内容
本发明所要解决的技术问题是实现一种基于群智感知的旅游路线个性化推荐方法,能够根据用户偏好对旅游路线进行推荐。
为了实现上述目的,本发明采用的技术方案为:基于群智感知的旅游路线个性化推荐方法:
S1、对实际路网进行ArcGIS建模,并基于路网模型构建POI区位关系聚类;
S2、构建用户多元约束兴趣模型;
S3、根据用户多元约束兴趣模型以及POI相关信息,计算用户与景点、餐馆的兴趣匹配分值,融入POI的群智感知社交评分以及POI的群智感知区位评分,得到目标函数;
S4、对于无必去景点的单POI类型(仅包含景点)路线推荐,将距离衰减值融入目标函数得到综合评分,然后采用变近邻贪心旅游路线推荐算法,动态插入综合评分最高的景点得到符合用户偏好的最优路线;
S5、对于含必去景点的推荐,采用单/多POI类型两段式贪心旅游路线推荐算:先利用随机分割旅游路线推荐算法得到只含必去景点的基础路线,再利用聚类排序插队旅游路线推荐算法对基础路线进行扩充,从而得到最终的符合用户偏好的路线;
所述S3具体包括如下步骤:
S35、通过公式融合用户兴趣匹配分、群智感知社交评分以及综合群智感知区位评分,即可以得到所述目标函数
其中,α为平衡因子,用于调节兴趣标签匹配值与群智感知评分的重要程度。
所述S4具体包括如下步骤:
S41、通过公式
GS=θGA+(1-θ)GD(5)
得到将距离因素融入目标函数得到综合评分。其中,GD为距离衰减值,即距离评分。
具体算法如下:
算法1变近邻贪心旅游路线推荐算法
首先,计算各景点与用户ud出发点之间的距离衰减值GD,按GS的分值由高到低进行排序,选出分值最高者对应的景点ai。如果这个满足约束的分值最高的景点存在,则按前后顺序放入集合Route中,执行Update(res)函数,更新时间预算Tisum、费用预算以及游览该景点后的结束时间Tive将该景点放入Route中,并将其从A中移除。之后对A中每一个景点做判断,如果不满足约束,则直接结束,否则以上一个按顺序放入Route的景点为参照,再对景点集合A进行基于路程距离的GD以及景点自身的综合评分GA的排序。如果存在满足约束的拥有最高分值的景点存在,则更新约束,将该景点放入Route中,并将其从A中移除以及将该景点作为下一次循环的参照景点。最后,求得扩充路线集合Route。
假设存在这种情况,景点aA和景点aB都属于路线集合Route,而aB到起点的路程时间比aA离起点的路程时间短,但是因为aA的动态评分高,所以得到的Route中的顺序是aA在aB前面,即先访问aA再访问aB。但实际上,如果约束满足,但是先访问aB再访问aA可能会花费更少的时间,因此,本文将得到的扩充路线集合Route再进行景点顺序调整,得到最优的推荐路线序列。
先找出起点到Route中最近的景点,然后更新相关信息,将其作为上一景点,然后以它为参照,求Route中除了它之外的距离它路程最短的景点。接着判断求出的景点是否能在规定时间内游玩,即到达它的时间大于它的开放时间,并且小于它的关闭时间减去推荐游玩时间的一半。如果不符合,则回溯,将上一个景点置换为该景点,然后以该景点为上一景点,继续求Route中除了它之外的距离它路程最短的景点,直到Route中的景点都已被放入Route′。最后比较调整后与调整之前的路线总时间,从而决定最终的推荐路线是Route还是Route′。
所述S5具体包括如下步骤:
S51、由于用户ud提供必去景点,所以先采用随机分割旅游路线推荐算法生成一条仅含必去景点的基本路线,由于采用贪心的思想,该路线符合局部最优的特点。
S52、在生成的局部最优的路线基础之上,采用聚类排序插队旅游路线推荐算法,将符合用户个性化偏好的可选景点依据目标函数进行排序,然后以必去景点为中心景点,依次插入符合用户约束的可选景点,得到最终的最优路线。
具体算法如下:
算法2随机分割旅游路线推荐算法
随机分割旅游路线推荐算法的思想与变近邻算法的思想类似,其最大不同点在于其效用函数即筛选标准。在随机分割算法中,核心点在于求起点到必去景点集合NAd中时间最短的景点,以及基于前一必去景点搜索NAd中距其时间最短的景点加入推荐路线。在该过程中,需要注意的是把已经筛选出来的必去景点从必去景点集合NAd中移除,并按顺序将其加入到Route中。
算法3聚类排序插队旅游路线推荐算法
基于随机分割算法的必去景点路线,执行第二阶段的聚类排序插队旅游路线推荐算法。首先,将用户要求的必去景点作为中心景点,以一定的半径rM画圆,通过函数AreaSceneDispose(A)得到每个必去景点圆域内其他景点的个数以及景点的相关信息,如景点名称等。
以算法2得出的路线集合Route′为基础,将其转化为列表list,存放必去景点的下标。初始化type和count分别为1和0,type用来区分插入的情况,count用来记录成功插入的景点的个数。由于插入算法针对的是非必去景点,因此,需要遍历景点集合A中的非必去景点,接着将上一个景点的坐标置为-1。之后,判断每一个非必去景点所在圆域的中心景点在list中的下标,此方法自动略过所在圆域的中心景点不在list中的非必去景点。值得注意的是,list会随着插入每次成功的插入而不断变化,所以每一次循环都要重新判断。之后,分三类四种情况进行插入。如果前面的点是起始点,即preLoc为0,则有两种情况。若起点到该非必去景点ai所在圆区域内的圆心景点即Route′中第一个景点的路程时间大于到该点ai的路程时间,插入后能满足多元约束,则插在起点后,否则插在圆心景点后。如果ai后面的点是终点,则又出现两种情况。若终点到ai所在圆区域内的圆心景点的路程时间小于到ai的路程时间,插入后能满足多元约束,则插在该圆心景点前,否则,插在终点前。如果不属于上述两大种类型,并且上一个景点的下标不为负数,则出现两种情况。若前一个景点到该点所在圆区域内的圆心景点的路程时间大于到该点的路程时间,并且插入后能满足多元约束则插在该圆心景点前,否则插在该圆心景点后。此外,每一次循环之后,都要判断插入的非必去景点和必去景点之和是否超出用户限制。
本发明在用户兴趣匹配的基础上,融入群智感知的POI社交评分以及群智感知的POI区位评分,使得评分细则更加全面。此外,提出的适用于无必去景点的景点推荐算法,即变近邻旅游路线推荐算法以及适用于含有必去景点的单/多POI类型两段式贪心旅游路线推荐算法不仅时间复杂度低,并且更加符合用户的偏好以及更具合理性。
附图说明
下面对本发明说明书中每幅附图表达的内容作简要说明:
图1为本发明实施例提供的基于群智感知的旅游路线个性化推荐方法的流程图;
图2为基于ArcGIS的路网建模以及POI分布的图;
图3为用户ud与景点构成的G<v,w>无向图示意图;
图4为部分景点的标签图;
图5为不含必去景点的热点推荐旅游路线图;
图6为含必去景点的随机分割旅游路线推荐算法生成的基础路线图;
图7为含必去景点的聚类排序插队旅游路线推荐算法生成的扩充路线图;
图8为基于群智感知的旅游路线个性化推荐方法的框架图。
具体实施方式
如图1所示,基于群智感知的旅游路线个性化推荐方法包括以下步骤:
S1、对实际路网进行ArcGIS建模,如图2所示。
S2、构建用户ud的多元约束兴趣模型。
约束1时间约束
记待加入点aj与上一点ai的之间的路程距离时间为T(ai,aj),(i∈{0,1,…,n};j∈{0,1,…,n};i<j),则
此约束针对加入路线集合的任意单个POI。
相应地,游完景点aj的结束时间为
因此,景点aj须满足
约束2费用约束
约束3景点约束
景点个数约束
路线集合每加入一个景点,景点个数N←N+1,因此
2)必去景点约束
必去景点反映了用户的独特性偏好,因此,我们必须优先考虑必去景点。即首先考虑必去景点,将其纳入路线集合中。
通过以上三种约束,我们可以得到整体行程约束
S3、根据用户多元约束兴趣模型以及POI相关信息,计算用户与景点、餐馆的兴趣匹配分值,融入POI的群智感知社交评分以及POI的群智感知区位评分,得到目标函数。
其中,
通过公式
得到用户与景点、餐馆的兴趣匹配分值。
如用户ud对景点的偏好为{历史建筑,城市公园,古迹,世界文化遗产},部分景点如故宫、颐和园、恭王府、北海公园,其标签如图4所示,则构成的兴趣匹配布尔矩阵如下所示:
S32、通过公式
通过公式
通过公式
计算餐馆群智感知社交评分。其中,为参与餐馆评分的用户总人数,为用户uy对餐馆rj的评分,为餐馆rj的综合评分,表示口味评分表示环境评分、表示服务评分,口味、环境、服务评分等级为NR,表示餐馆rj的评分星级。
通过公式
S33、在POI已聚类的基础上给定半径r,通过公式
在POI已聚类的基础上给定半径r,通过公式
在POI已聚类的基础上给定半径r,通过公式
S35、通过公式融合用户兴趣匹配分值、群智感知社交评分以及综合群智感知区位评分,即可以得到所述目标函数:
4、基于融合用户兴趣匹配分值、群智感知社交评分以及综合群智感知区位评分的目标函数,将距离评分融入目标函数得到综合评分,然后采用变近邻贪心旅游路线推荐算法,动态插入综合评分最高的景点得到符合用户偏好的最优路线。
S41、路网距离衰减函数,即距离评分
其中,λ为距离衰减系数,Dij为点i到第j点之间的实际路网距离,GD为距离衰减值,μ为权重。
通过公式
GS=θGA+(1-θ)GD(18)
得到将距离因素融入目标函数得到综合评分。
S42、本发明实例在提出的变近邻贪心旅游推荐算法的基础上,假设用户u1打算去首都北京旅游,仅提供出发位置和结束位置,即北京火车站和北京火车西站。在这种情况下,采用变近邻贪心旅游路线算法,该算法默认出发时间为上午8点,旅游时间不超过12个小时,并且提供个人偏好和多种约束,偏好"历史建筑","园林","世界文化遗产","广场"的景点,要求所有景点的花费不超过200元人民币。如图5,该路线考虑到了用户的偏好,但仅针对无必去景点的情况。
S5、对于含必去景点的推荐,采用单/多PO I类型两段式贪心旅游路线推荐算:先利用随机分割旅游路线推荐算法得到只含必去景点的基础路线,再利用聚类排序插队旅游路线推荐算法对基础路线进行扩充从而得到最终的符合用户偏好的路线。
S51、假设用户u2打算去首都北京旅游,由于故宫博物院、颐和园、天安门广场世界闻名,故他希望北京游必须包括上述景点,不强调游玩顺序。鉴于由于其对北京景点不了解,所以仅提供一些其他的基本要求。如,早晨8点半在北京火车站下车,希望游玩的时间不超过12个小时,总花费不超过200元人民币,由于舟车劳顿,不想去太多景点,上限是6个。当然,他明确表示自己偏爱"历史建筑","园林","世界文化遗产","广场"的景点,并且自己必须在11:00-13:00之间吃午饭,在18:00-20:00之间吃晚饭,且午饭餐馆必须去满恒记(清真火锅店),晚饭和住宿宾馆希望系统推荐,个人偏爱吃“涮羊肉”,且餐馆费用不计入总花费。在单/多POI类型两段式贪心旅游路线推荐算法的基础上,再将整体路线分为北京火车站-满恒记和满恒记-宝瑞酒店(系统推荐的宾馆),在每一段中都调用算法2和3,先采用随机分割旅游路线推荐算法生成一条仅含必去景点的基本路线,由于采用贪心的思想,该路线符合局部最优的特点,如图6所示。
S52、在生成的局部最优的路线基础之上,采用聚类排序插队旅游路线推荐算法,将符合用户个性化偏好的可选景点依据目标函数进行排序,然后以必去景点为中心景点,依次插入符合用户约束的可选景点,并且根据用户偏好加入午饭餐馆和晚饭餐馆,得到最终的最优路线,如图7所示。
本发明实施例在用户兴趣匹配的基础上,融入POI群智感知社交评分以及POI群智感知区位评分,使得评分细则更加全面。提出的适用于无必去景点的景点推荐算法即变近邻旅游路线推荐算法、适用于含有必去景点的单/多POI类型两段式贪心旅游路线推荐算法不仅时间复杂度低,并且更加符合用户的偏好以及更具合理性。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (4)
1.基于群智感知的旅游路线个性化推荐方法,其特征在于:
S1、对实际路网进行建模,并根据所建立的路网模型构建POI区位关系聚类;
S2、构建用户多元约束兴趣模型;
S3、据用户多元约束兴趣模型以及POI相关信息,计算用户与景点、餐馆的兴趣匹配分值,融入POI的群智感知社交评分以及POI的群智感知区位评分,得到目标函数;
S4、对于无必去景点的单POI类型路线推荐,将距离衰减值融入目标函数得到综合评分,然后采用变近邻贪心旅游路线推荐算法,动态插入综合评分最高的景点得到符合用户偏好的最优路线;
S5、对于含必去景点的推荐,采用单/多POI类型两段式贪心旅游路线推荐算法:先利用随机分割旅游路线推荐算法得到只含必去景点的基础路线,再利用聚类排序插队旅游路线推荐算法对基础路线进行扩充,从而得到最终的符合用户偏好的路线;
所述S2构建用户ud的多元约束兴趣模型:
所述S3包括以下步骤:
S35、通过公式融合用户兴趣匹配分、群智感知社交评分以及综合群智感知区位评分,得到所述目标函数:
其中,α为平衡因子,用于调节兴趣标签匹配值与群智感知评分的重要程度;
所述S4包括以下步骤:
S41、通过公式GS=θGA+(1-θ)GD得到将距离因素融入目标函数得到综合评分,其中,GD为距离衰减值,也是距离评分;
S42、采用变近邻贪心旅游路线推荐算法,动态插入综合评分最高的景点得到符合用户偏好的最优路线;
所述S41包括以下步骤:
首先,计算各景点与用户ud出发点之间的距离衰减值GD,按GS的分值由高到低进行排序,选出分值最高者对应的景点ai,如果这个满足约束的分值最高的景点存在,则按前后顺序放入集合Route中,执行Update(res)函数,更新时间预算费用预算以及游览该景点后的结束时间将该景点放入Route中,并将其从A中移除,之后对A中每一个景点做判断;如果不满足约束,则直接结束,否则以上一个按顺序放入Route的景点为参照,再对景点集合A进行基于路程距离的GD以及景点自身的综合评分GA的排序,如果存在满足约束的拥有最高分值的景点存在,则更新约束,将该景点放入Route中,并将其从A中移除以及将该景点作为下一次循环的参照景点,最后,求得扩充路线集合Route;
所述步骤S42中,先找出起点到Route中最近的景点,然后更新相关信息,将其作为上一景点,然后以它为参照,求Route中除了它之外的距离它路程最短的景点,接着判断求出的景点是否能在规定时间内游玩,如果不符合,则回溯,将上一个景点置换为该景点,然后以该景点为上一景点,继续求Route中除了它之外的距离它路程最短的景点,直到Route中的景点都已被放入Route′,最后比较调整后与调整之前的路线总时间,从而决定最终的推荐路线是Route还是Route′。
2.根据权利要求1所述的基于群智感知的旅游路线个性化推荐方法,其特征在于:所述步骤S5包括以下步骤:
S51、由于用户ud提供必去景点,先采用随机分割旅游路线推荐算法生成一条仅含必去景点的基本路线,由于采用贪心的思想,该路线符合局部最优的特点;
S52、在生成的局部最优的路线基础之上,采用聚类排序插队旅游路线推荐算法,将符合用户个性化偏好的可选景点依据目标函数进行排序,然后以必去景点为中心景点,依次插入符合用户约束的可选景点,得到最终的最优路线。
3.根据权利要求2所述的基于群智感知的旅游路线个性化推荐方法,其特征在于:所述步骤S51中随机分割旅游路线推荐算法的效用函数为筛选标准,在随机分割旅游路线推荐算法中,计算得到起点到必去景点集合NAd中时间最短的景点,以及基于前一必去景点搜索NAd中距其时间最短的景点加入推荐路线,在计算过程中,将已经筛选出来的必去景点从必去景点集合NAd中移除,并按顺序将其加入到Route中。
4.根据权利要求2所述的基于群智感知的旅游路线个性化推荐方法,其特征在于:所述步骤S52中聚类排序插队旅游路线推荐算法:
首先,将用户要求的必去景点作为中心景点,以一定的半径rM画圆,通过函数AreaSceneDispose(A)得到每个必去景点圆域内其他景点的个数以及景点的相关信息;
以随机分割旅游路线推荐算法得出的路线集合Route′,将路线集合Route′转化为列表list,存放必去景点的下标;
初始化type和count分别为1和0,type用来区分插入的情况,count用来记录成功插入的景点的个数;
判断每一个非必去景点所在圆域的中心景点在list中的下标,之后,分类进行插入;
分类包括:
如果preLoc为0,则有两种情况,若起点到该非必去景点ai所在圆区域内的圆心景点即Route′中第一个景点的路程时间大于到该点ai的路程时间,插入后能满足多元约束,则插在起点后,否则插在圆心景点后;
如果ai后面的点是终点,则存在另两种情况,若终点到ai所在圆区域内的圆心景点的路程时间小于到ai的路程时间,插入后能满足多元约束,则插在该圆心景点前,否则,插在终点前;
若不属于上述两大种类型,并且上一个景点的下标不为负数,则存在另两种情况,若前一个景点到该点所在圆区域内的圆心景点的路程时间大于到该点的路程时间,并且插入后能满足多元约束则插在该圆心景点前,否则插在该圆心景点后。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810455575.0A CN108681586B (zh) | 2018-05-14 | 2018-05-14 | 基于群智感知的旅游路线个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810455575.0A CN108681586B (zh) | 2018-05-14 | 2018-05-14 | 基于群智感知的旅游路线个性化推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681586A CN108681586A (zh) | 2018-10-19 |
CN108681586B true CN108681586B (zh) | 2022-04-19 |
Family
ID=63806417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810455575.0A Active CN108681586B (zh) | 2018-05-14 | 2018-05-14 | 基于群智感知的旅游路线个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681586B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961350B (zh) * | 2019-01-31 | 2022-04-19 | 信阳农林学院 | 一种基于物联网和云计算的虚拟旅游系统 |
CN111143680B (zh) * | 2019-12-27 | 2024-03-26 | 上海携程商务有限公司 | 路线的推荐方法、系统、电子设备及计算机存储介质 |
CN111522888B (zh) | 2020-04-22 | 2023-06-20 | 北京百度网讯科技有限公司 | 挖掘兴趣点之间的竞争关系的方法和装置 |
CN111681138B (zh) * | 2020-05-18 | 2023-07-25 | 北京差旅天下网络科技有限责任公司 | 一种基于旅游票务的云计算推荐软件系统的工作方法 |
CN111680827B (zh) * | 2020-05-18 | 2024-02-02 | 湖南小蝌蚪网络科技有限公司 | 一种基于电子票务的云计算路线规划系统的工作方法 |
CN111797331B (zh) * | 2020-06-09 | 2023-08-04 | 安徽师范大学 | 基于群智感知的多目标多约束路线推荐方法 |
CN112966175B (zh) * | 2021-01-20 | 2023-07-25 | 安徽师范大学 | 一种旅游路线个性化推荐系统 |
CN112733004B (zh) * | 2021-01-22 | 2022-09-30 | 上海交通大学 | 一种基于多臂老虎机算法的影视作品推荐方法 |
CN112907394A (zh) * | 2021-01-28 | 2021-06-04 | 上海携旅信息技术有限公司 | 基于旅游场景的行程推荐方法及系统、设备及存储介质 |
WO2022217685A1 (zh) * | 2021-04-13 | 2022-10-20 | 海南云端信息技术有限公司 | 一种旅游景区智能路径规划方法及系统 |
CN113742584A (zh) * | 2021-08-31 | 2021-12-03 | 胡之乐 | 一种基于大数据的文化旅游智能推广方法及系统 |
CN114611020B (zh) * | 2022-05-09 | 2023-06-16 | 支付宝(杭州)信息技术有限公司 | 行程推荐的方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867015A (zh) * | 2015-04-27 | 2015-08-26 | 福州大学 | 一种基于用户移动预测的物品递送者推荐方法 |
CN104881800A (zh) * | 2015-06-03 | 2015-09-02 | 西北工业大学 | 一种基于移动群智感知的激励机制实现方法 |
CN106682204A (zh) * | 2016-12-30 | 2017-05-17 | 中南大学 | 一种基于众包的语义提取方法 |
CN106709647A (zh) * | 2016-12-25 | 2017-05-24 | 复旦大学 | 一种基于用户观测质量在线学习的群智感知激励方法 |
CN106850106A (zh) * | 2017-01-09 | 2017-06-13 | 重庆邮电大学 | 基于移动群智感知的无线电环境地图数据收集系统及方法 |
CN107480869A (zh) * | 2017-07-27 | 2017-12-15 | 国网江西省电力公司南昌供电分公司 | 基于群智感知的信息交互系统及方法 |
CN107590694A (zh) * | 2017-09-13 | 2018-01-16 | 北京理工大学 | 一种数据交易确定方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170046748A1 (en) * | 2015-08-12 | 2017-02-16 | Juji, Inc. | Method and system for personifying a brand |
-
2018
- 2018-05-14 CN CN201810455575.0A patent/CN108681586B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867015A (zh) * | 2015-04-27 | 2015-08-26 | 福州大学 | 一种基于用户移动预测的物品递送者推荐方法 |
CN104881800A (zh) * | 2015-06-03 | 2015-09-02 | 西北工业大学 | 一种基于移动群智感知的激励机制实现方法 |
CN106709647A (zh) * | 2016-12-25 | 2017-05-24 | 复旦大学 | 一种基于用户观测质量在线学习的群智感知激励方法 |
CN106682204A (zh) * | 2016-12-30 | 2017-05-17 | 中南大学 | 一种基于众包的语义提取方法 |
CN106850106A (zh) * | 2017-01-09 | 2017-06-13 | 重庆邮电大学 | 基于移动群智感知的无线电环境地图数据收集系统及方法 |
CN107480869A (zh) * | 2017-07-27 | 2017-12-15 | 国网江西省电力公司南昌供电分公司 | 基于群智感知的信息交互系统及方法 |
CN107590694A (zh) * | 2017-09-13 | 2018-01-16 | 北京理工大学 | 一种数据交易确定方法及装置 |
Non-Patent Citations (2)
Title |
---|
PERSONALIZED TRIP RECOMMENDATION FOR TOURISTS BASED ON USER INTERESTS,POINTS OF INTEREST VISIT DURATIONS AND VISIT RECENCY;KWAN HUI LIM ET AL.;《KNOWLEDGE AND INFORMATION SYSTEMS》;20170505;第275-406页 * |
基于群智感知的游客行为挖掘和旅游活动识别研究;马志成;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415;I138-1988 * |
Also Published As
Publication number | Publication date |
---|---|
CN108681586A (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681586B (zh) | 基于群智感知的旅游路线个性化推荐方法 | |
Arefieva et al. | A machine learning approach to cluster destination image on Instagram | |
CN109977283B (zh) | 一种基于知识图谱和用户足迹的旅游推荐方法和系统 | |
US10317219B1 (en) | System and method for the calculation and use of travel times in search and other applications | |
US9068837B2 (en) | Method of operating a navigation system | |
Liu et al. | A real-time personalized route recommendation system for self-drive tourists based on vehicle to vehicle communication | |
Zheng et al. | Mining interesting locations and travel sequences from GPS trajectories | |
US8442767B2 (en) | Method of operating a navigation system to provide route guidance | |
US8370060B2 (en) | Method of operating a navigation system to provide route guidance | |
CN105547306B (zh) | 一种路线推送方法及系统 | |
US20110054777A1 (en) | Method of Operating a Navigation System to Provide Route Guidance | |
CN110442662B (zh) | 一种确定用户属性信息的方法以及信息推送方法 | |
CN112149010A (zh) | 基于注意力机制的群体旅游路线推荐方法 | |
Kim et al. | Understanding tourists’ urban images with geotagged photos using convolutional neural networks | |
CN110795571A (zh) | 基于深度学习和知识图谱的文化旅游资源推荐方法 | |
CN107301480B (zh) | 旅游行程推荐方法、系统、可读存储介质及计算机设备 | |
CN111060119B (zh) | 基于街景图视觉要素评分的城市慢行出行导航方法和系统 | |
JP3903712B2 (ja) | 地域検索装置 | |
US8301641B2 (en) | Method of collecting information for a geographic database for use with a navigation system | |
KR102042919B1 (ko) | 가상 캐릭터의 커스터마이징 학습을 통한 ar기반 테마여행 ai 큐레이션 제공시스템 | |
CN110309433A (zh) | 一种数据处理方法、装置及服务器 | |
CN103631813B (zh) | 场所搜索装置、场所搜索方法以及电子设备 | |
CN110532464B (zh) | 一种基于多旅游上下文建模的旅游推荐方法 | |
CN115100395A (zh) | 一种融合poi预分类和图神经网络的城市街区功能分类方法 | |
CN111797331B (zh) | 基于群智感知的多目标多约束路线推荐方法 |
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 |