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 PDF

Info

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
Application number
CN201810455575.0A
Other languages
English (en)
Other versions
CN108681586A (zh
Inventor
郑孝遥
尤浩
徐致云
罗永龙
汪祥舜
胡朝焱
孙丽萍
胡桂银
郭良敏
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.)
Anhui Normal University
Original Assignee
Anhui Normal 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 Anhui Normal University filed Critical Anhui Normal University
Priority to CN201810455575.0A priority Critical patent/CN108681586B/zh
Publication of CN108681586A publication Critical patent/CN108681586A/zh
Application granted granted Critical
Publication of CN108681586B publication Critical patent/CN108681586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

基于群智感知的旅游路线个性化推荐方法
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；
构建用户ud的多元约束兴趣模型：
Figure BDA0001659578020000021
其中，
Figure BDA0001659578020000022
为景点aj与用户ud终点
Figure BDA0001659578020000023
的最短路网距离，
Figure BDA0001659578020000024
为景点aj的推荐游玩时间，
Figure BDA0001659578020000025
为景点aj的开放时间，
Figure BDA0001659578020000026
分别为用户ud设置的时间约束、费用约束和景点个数约束，Cj为景点aj的门票费用。
此外，
Figure BDA0001659578020000027
为游完景点aj的结束时间，即
Figure BDA0001659578020000028
Figure BDA0001659578020000029
为到达景点aj的时间，即
Figure BDA00016595780200000210
定义TA＝{ta1,ta2,ta3,…,tam}为景点的标签总集合，TR＝{tr1,tr2,tr3,…,trn}为餐馆的标签总集合，用户ud的兴趣标签为
Figure BDA00016595780200000211
景点ai标签为
Figure BDA0001659578020000031
餐馆rj标签
Figure BDA0001659578020000032
所述S3具体包括如下步骤：
S31、构建用户-项目(景点、餐馆)模型，然后构建兴趣匹配布尔矩阵
Figure BDA0001659578020000033
然后得到用户与景点、餐馆的兴趣匹配分值
Figure BDA0001659578020000034
S32、计算景点群智感知社交评分
Figure BDA0001659578020000035
餐馆群智感知社交评分
Figure BDA0001659578020000036
以及宾馆群智感知社交评分
Figure BDA0001659578020000037
S33、计算景点区位分布对景点评分贡献的群智感知区位评分
Figure BDA0001659578020000038
餐馆区位分布对景点评分贡献的群智感知区位评分
Figure BDA0001659578020000039
以及宾馆区位分布对景点评分贡献的群智感知区位评分
Figure BDA00016595780200000310
S34、在景点、餐馆、宾馆对景点的群智感知区位评分的基础上，引入参数ka、kr和kh三个权重系数来平衡各类POI的群智感知评分，得到综合群智感知区位评分
Figure BDA00016595780200000311
Figure BDA00016595780200000312
其中，
Figure BDA00016595780200000313
分别为景点ai半径r内餐馆数、宾馆数和除景点ai外的景点数。
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
Figure BDA00016595780200000314
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。
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，设
Figure BDA0001659578020000041
为用户ud出发位置，
Figure BDA0001659578020000042
为用户终点位置，
Figure BDA0001659578020000043
用户出发时间，NAd为用户必去景点集合，A为所有景点集合。
具体算法如下：
算法1变近邻贪心旅游路线推荐算法
Figure BDA0001659578020000044
Figure BDA0001659578020000051
Figure BDA0001659578020000061
Figure BDA0001659578020000071
首先，计算各景点与用户ud出发点
Figure BDA0001659578020000072
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
Figure BDA0001659578020000073
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
Figure BDA0001659578020000075
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
Figure BDA0001659578020000081
Figure BDA0001659578020000091
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
Figure BDA0001659578020000101
Figure BDA0001659578020000111
Figure BDA0001659578020000121
Figure BDA0001659578020000131
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。
在本发明实施例中，我们以图3为参照，
Figure BDA0001659578020000141
为用户ud起始位置，接下来在{a1,a2,…,an}中选取若干个点，加入到路径集合中。
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
Figure BDA0001659578020000151
此约束针对加入路线集合的任意单个POI。
在这里，景点aj满足条件加入旅游路线后,aj的到达时间是时刻变化的，为了更清晰地表示，记到达时间为
Figure BDA0001659578020000152
所以景点aj到达时间
Figure BDA0001659578020000153
相应地，游完景点aj的结束时间为
Figure BDA0001659578020000154
因此，景点aj须满足
Figure BDA0001659578020000155
Figure BDA0001659578020000156
约束2费用约束
Figure BDA0001659578020000157
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
Figure BDA0001659578020000158
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
Figure BDA0001659578020000161
其中，TES为景点aj与用户ud起始点
Figure BDA0001659578020000162
的最短路网距离。
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。
S31、首先构建用户-项目(景点、餐馆)模型，在所述用户-项目模型基础上构建兴趣匹配布尔矩阵
Figure BDA0001659578020000165
其中，
Figure BDA0001659578020000163
通过公式
Figure BDA0001659578020000164
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：
Figure BDA0001659578020000171
S32、通过公式
Figure BDA0001659578020000172
计算景点群智感知社交评分。其中
Figure BDA0001659578020000173
为景点ai的评价人数，用户uy对景点ai的评分为
Figure BDA0001659578020000174
通过公式
Figure BDA0001659578020000175
将
Figure BDA0001659578020000176
归一化。
通过公式
Figure BDA0001659578020000177
计算餐馆群智感知社交评分。其中，
Figure BDA0001659578020000178
为参与餐馆评分的用户总人数，
Figure BDA0001659578020000179
为用户uy对餐馆rj的评分，
Figure BDA00016595780200001710
为餐馆rj的综合评分，
Figure BDA00016595780200001711
表示口味评分
Figure BDA00016595780200001712
表示环境评分、
Figure BDA00016595780200001713
表示服务评分，口味、环境、服务评分等级为NR，
Figure BDA00016595780200001714
表示餐馆rj的评分星级。
通过公式
Figure BDA0001659578020000181
计算宾馆群智感知社交评分。其中，
Figure BDA0001659578020000182
为宾馆hk的评价人数，用户uy对宾馆hk的评分为
Figure BDA0001659578020000183
S33、在POI已聚类的基础上给定半径r，通过公式
Figure BDA0001659578020000184
得到半径范围内景点对景点的群智感知区位评分。其中，
Figure BDA0001659578020000185
为景点ai半径范围内的景点个数。
在POI已聚类的基础上给定半径r，通过公式
Figure BDA0001659578020000186
得到半径范围内餐馆对景点的群智感知区位评分。其中，
Figure BDA0001659578020000187
为景点ai半径范围内的餐馆个数。
在POI已聚类的基础上给定半径r，通过公式
Figure BDA0001659578020000188
得到半径范围内宾馆对景点的群智感知区位评分。其中，
Figure BDA0001659578020000189
为景点ai半径范围内的宾馆个数。
S34、在景点、餐馆、宾馆对景点的群智感知区位评分的基础上，引入参数ka、kr和kh三个权重系数来平衡各类POI的群智感知评分，得到综合群智感知区位评分
Figure BDA0001659578020000191
Figure BDA0001659578020000192
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：
Figure BDA0001659578020000193
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
Figure BDA0001659578020000194
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：
Figure FDA0003298118420000011
其中，
Figure FDA0003298118420000012
为景点aj与用户ud终点
Figure FDA0003298118420000013
的最短路网距离，
Figure FDA0003298118420000014
为景点aj的推荐游玩时间，
Figure FDA0003298118420000015
为景点aj的开放时间，
Figure FDA0003298118420000016
分别为用户ud设置的时间约束、费用约束和景点个数约束，Cj为景点aj的门票费用；
此外，
Figure FDA0003298118420000017
为游完景点aj的结束时间，即
Figure FDA0003298118420000021
Figure FDA0003298118420000022
为到达景点aj的时间，即
Figure FDA0003298118420000023
所述S3包括以下步骤：
定义TA＝{ta1,ta2,ta3,…,tam}为景点的标签总集合，TR＝{tr1,tr2,tr3,…,trn}为餐馆的标签总集合，用户ud的兴趣标签为
Figure FDA0003298118420000024
景点ai标签为
Figure FDA0003298118420000025
餐馆rj标签
Figure FDA0003298118420000026
S31、构建用户景点、餐馆模型，然后构建兴趣匹配布尔矩阵
Figure FDA0003298118420000027
之后得到用户与景点、餐馆的兴趣匹配分值
Figure FDA0003298118420000028
S32、计算景点群智感知社交评分
Figure FDA0003298118420000029
餐馆群智感知社交评分
Figure FDA00032981184200000210
以及宾馆群智感知社交评分
Figure FDA00032981184200000211
S33、计算景点区位分布对景点评分贡献的群智感知区位评分
Figure FDA00032981184200000212
餐馆区位分布对景点评分贡献的群智感知区位评分
Figure FDA00032981184200000213
以及宾馆区位分布对景点评分贡献的群智感知区位评分
Figure FDA00032981184200000214
S34、在景点、餐馆、宾馆对景点的群智感知区位评分的基础上，引入参数ka、kr和kh三个权重系数来平衡各类POI的群智感知评分，得到综合群智感知区位评分
Figure FDA00032981184200000215
Figure FDA00032981184200000216
其中，
Figure FDA00032981184200000217
分别为景点ai半径r内餐馆数、宾馆数和除景点ai外的景点数；
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：
Figure FDA0003298118420000031
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：
设
Figure FDA0003298118420000032
为用户ud出发位置，
Figure FDA0003298118420000033
为用户终点位置，
Figure FDA0003298118420000034
用户出发时间，NAd为用户必去景点集合，A为所有景点集合；
首先，计算各景点与用户ud出发点
Figure FDA0003298118420000035
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
Figure FDA0003298118420000036
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
Figure FDA0003298118420000037
费用预算
Figure FDA0003298118420000038
以及游览该景点后的结束时间
Figure FDA0003298118420000039
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。
CN201810455575.0A 2018-05-14 2018-05-14 基于群智感知的旅游路线个性化推荐方法 Active CN108681586B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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