CN109299389A - 一种旅游景点推荐方法及装置 - Google Patents

Abstract

本发明公开了一种旅游景点推荐方法及装置，涉及推荐技术领域。用于解决旅游景点推荐问题。该方法包括：将景点中获取的景点图像集确定为目标域图像，将从互联网搜索引擎中用景点特征风格关键词获取的风格图像集为辅助域图像，通过最大均值差异表述目标域图像和辅助域图像的分布差异，根据最大均值差异函数和拉普拉斯支持向量机确定最优景点图像分类的目标函数，得到景点图像风格；根据景点所有图像的风格占比量，若风格占比量超过阈值则确定为含有景点风格；根据基于显性交互确定的模型和基于隐性挖掘确定的模型建立用户喜好模型；用户喜好模型和景点风格通过余弦距离公式确定旅游景点推荐列表。

Description

一种旅游景点推荐方法及装置

技术领域

本发明涉及推荐技术领域，更具体的涉及一种旅游景点推荐方法及装置。

背景技术

普通民众生活水平提高后出行意愿不断增加，互联网技术和社会媒体的快速发展，日益生成的旅游信息也在极具增加，用户从海量数据中迅速找到自己所需的旅游信息具有一定困难，尤其是面向喜好风格的景点推荐，目前并没有一种非常好的方法可以智能的实现为用户进行基于视觉喜好建模的旅游景点风格个性化推荐系统。

目前的旅游推荐方法有协同过滤推荐和基于内容的推荐方法。基于统计数据表明，大部分民众每年旅行频次在一到两次，甚至几年一次，旅行数据非常稀疏，协同过滤的推荐方法非常依靠于用户的行为数据和偏好信息，但基于旅游数据的稀疏性，协同过滤面临着冷启动等问题，因此并不是非常适合旅游推荐。基于内容的推荐方法对数据的稀疏性并不敏感，社会媒体和互联网信息中包含着大量的文本、图像和数值等旅游异质信息，这些信息的爆发式增长为基于内容的旅游推荐方法提供了良好的数据资源。

目前的旅游推荐系统，对于景点风格推荐关注较少，而对于已经关注到景点风格检测的旅游系统，其对于每个景点的信息大多数采用人工标记的方法进行风格分类，而没有采用自动的景点风格检测。这里采用社交媒体中的用户上传的图像信息进行推荐，由于文本信息可以随意标注并且容易篡改，并不可靠，而图像信息更为稳定。因此通过对视觉信息的分析进行旅游景点推荐，然而，人工标记景点风格，需要标记人员对所标记的景点很熟悉，但这是不现实的。

综上所述，现有景点推荐大多是利用协同过滤方法，而旅游数据存在很大的稀疏性，影响推荐效果。

发明内容

本发明实施例提供一种旅游景点推荐方法及装置，用于解决现有景点推荐大多是利用协同过滤方法，而旅游数据存在很大的稀疏性，影响推荐效果。

本发明实施例提供一种旅游景点推荐方法，包括：

将景点中获取的景点图像集确定为目标域图像，将从互联网搜索引擎中用景点特征风格关键词获取的风格图像集为辅助域图像；

通过最大均值差异表述所述目标域图像和所述辅助域图像的分布差异，根据最大均值差异函数和拉普拉斯支持向量机确定最优景点图像分类的目标函数，得到景点图像风格；根据景点所有图像的风格占比量，若所述风格占比量超过阈值则确定为含有景点风格；

根据基于显性交互确定的模型和基于隐性挖掘确定的模型建立用户喜好模型；所述用户喜好模型和所述景点风格通过余弦距离公式确定旅游景点推荐列表。

优选地，通过下列公式表述所述目标域图像和所述辅助域图像的分布差异：

其中，ns表示所述辅助域图像包括的风格图像集数量，nt表示所述目标域图像包括的景点图像集数量，表示所述辅助域图像的特征，表示所述目标域图像的特征。

优选地，所述最优景点图像分类的目标函数通过下列公式确定：

其中，H_K表示希尔伯特空间，(1-y_if(x_i))₊表示铰链函数，是耗费正则项惩罚分类器的复杂度，表示控制流形的光滑度，γ_A是正则项的权重系数，γ_I是平衡损失函数，l表示表示标记数量，u表示未标记数量。

优选地，所述基于显性交互确定的模型如下：

所述基于隐性挖掘确定的模型如下：

所述用户喜好模型如下：

其中，l-prefer表示基于显性交互模型，表示用户u_i选择喜欢景点的景点风格向量，t-prefer表示隐性挖掘模型，S^t表示历史足迹景点集合中景点风格向量的集合，表示用户u_j在旅行时间T₁去的景点，表示景点的喜好权重，(t-prefer)’表示l-prefer归一化后的值，(l-prefer)’表示t-prefer归一化后的值，μ表示平衡参数。

优选地，通过下列公式确定旅游景点推荐列表：

其中，表示用户u_i的用户喜好模型，表示景点Lⁱ的景点风格；

所述用户喜好模型和所述景点风格通过余弦距离公式确定旅游景点推荐列表之后，还包括：

根据所述旅游景点推荐列表包括的景点对应的天气情况以及所述旅游景点推荐列表推荐的旅游时间，对所述旅游景点推荐列表进行调整，得到旅游景点个性化推荐列表。

本发明实施例还提供了一种旅游景点推荐装置，包括：

第一确定单元，用于将景点中获取的景点图像集确定为目标域图像，将从互联网搜索引擎中用景点特征风格关键词获取的风格图像集为辅助域图像；

第二确定单元，用于通过最大均值差异表述所述目标域图像和所述辅助域图像的分布差异，根据最大均值差异函数和拉普拉斯支持向量机确定最优景点图像分类的目标函数，得到景点图像风格；根据景点所有图像的风格占比量，若所述风格占比量超过阈值则确定为含有景点风格；

第三确定单元，用于根据基于显性交互确定的模型和基于隐性挖掘确定的模型建立用户喜好模型；所述用户喜好模型和所述景点风格通过余弦距离公式确定旅游景点推荐列表。

优选地，通过下列公式表述所述目标域图像和所述辅助域图像的分布差异：

其中，ns表示所述辅助域图像包括的风格图像集数量，nt表示所述目标域图像包括的景点图像集数量，表示所述辅助域图像的特征，表示所述目标域图像的特征。

优选地，所述最优景点图像分类的目标函数通过下列公式确定：

其中，H_K表示希尔伯特空间，(1-y_if(x_i))₊表示铰链函数，是耗费正则项惩罚分类器的复杂度，表示控制流形的光滑度，γ_A是正则项的权重系数，γ_I是平衡损失函数，l表示表示标记数量，u表示未标记数量。

优选地，所述基于显性交互确定的模型如下：

所述基于隐性挖掘确定的模型如下：

所述用户喜好模型如下：

其中，l-prefer表示基于显性交互模型，表示用户u_i选择喜欢景点的景点风格向量，t-prefer表示隐性挖掘模型，S^t表示历史足迹景点集合中景点风格向量的集合，表示用户u_j在旅行时间T₁去的景点，表示景点的喜好权重，(t-prefer)’表示l-prefer归一化后的值，(l-prefer)’表示t-prefer归一化后的值，μ表示平衡参数。

优选地，通过下列公式确定旅游景点推荐列表：

其中，表示用户u_i的用户喜好模型，表示景点Lⁱ的景点风格；

所述第三确定单元还用于：

根据所述旅游景点推荐列表包括的景点对应的天气情况以及所述旅游景点推荐列表推荐的旅游时间，对所述旅游景点推荐列表进行调整，得到旅游景点个性化推荐列表。

本发明实施例提供一种旅游景点推荐方法及装置，该方法包括：将景点中获取的景点图像集确定为目标域图像，将从互联网搜索引擎中用景点特征风格关键词获取的风格图像集为辅助域图像；通过最大均值差异表述所述目标域图像和所述辅助域图像的分布差异，根据最大均值差异函数和拉普拉斯支持向量机确定最优景点图像分类的目标函数，得到景点图像风格；根据景点所有图像的风格占比量，若所述风格占比量超过阈值则确定为含有景点风格；根据基于显性交互确定的模型和基于隐性挖掘确定的模型建立用户喜好模型；所述用户喜好模型和所述景点风格通过余弦距离公式确定旅游景点推荐列表。该方法中一方面可以充分利用社会媒体中海量的异质信息，通过领域适应的方法去自动对景点进行风格检测分类，从而得到最优景点图像分类的目标函数；另一方面可以通过搜集用户的显性和隐性数据建立用户喜好模型，显性数据是用户在待推荐城市中主动提供的喜好风格，隐性数据是被动的去挖掘用户的旅游历史轨迹；进一步地，根据用户喜好模型和景点风格，找到符合用户喜好风格的景点推荐列表。该方法解决了现有景点推荐大多是利用协同过滤方法，而旅游数据存在很大的稀疏性，影响推荐效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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游景点推荐方法流程示意图；

图2为本发明实施例提供的一种旅游景点推荐装置结构示意图。

具体实施方式

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，所描述的实施例仅仅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。

图1示例性的示出了本发明实施例提供的一种旅游景点推荐方法流程示意图，如图1所示，该方法主要包括以下步骤：

步骤101，将景点中获取的景点图像集确定为目标域图像，将从互联网搜索引擎中用景点特征风格关键词获取的风格图像集为辅助域图像；

步骤102，通过最大均值差异表述所述目标域图像和所述辅助域图像的分布差异，根据最大均值差异函数和拉普拉斯支持向量机确定最优景点图像分类的目标函数，得到景点图像风格；根据景点所有图像的风格占比量，若所述风格占比量超过阈值则确定为含有景点风格；

步骤103，根据基于显性交互确定的模型和基于隐性挖掘确定的模型建立用户喜好模型；所述用户喜好模型和所述景点风格通过余弦距离公式确定旅游景点推荐列表。

在步骤101中，将景点中获取的景点图像集确定为目标于图像，即从互联网中的社交媒体上获取到多个景点的图像确定为景点图像集，然后将景点图像集确定为目标域图像。

由于现有的旅游景点推荐方法只与景点的受欢迎程度，评价度相关，在本发明实施例中，为了避免景点推荐时没有按照内容分析进行推荐，进一步地，需要确定一个辅助域图像，在确定辅助域图像之前，需要先根据景点的风格将景点进行分类，得到景点特征风格。

具体地，可以先通过景点的图像信息对景点的景点特征风格进行检测，需要说明的是，这里的景点可以是待旅游城市的某个景点，也可以是没有去过的某个景点，还可以是已经去过的某个景点。比如，任意选择一个景点的图像信息，根据选择的景点的图像信息确定该景点的景点风格，比如，如选择的景点为故宫，则根据故宫的任意一个图像信息可以确定故宫的景点特征风格为历史古迹。进一步地，根据确定的景点特征风格，从互联网搜索引擎中通过景点特征风格关键词进行检索，从而得到与景点特征风格相对应的风格图像集，然后将得到的风格图像集确定为辅助域图像。

在本发明实施例中，景点列表可以表示为L_c＝{L₁,L₁,...L_i,...}，其中，L_i表示第i个景点，进一步地，第i个景点L_i的目标域图像可以表示为

需要说明的是，在实际应用中，目标域图像是辅助域图像所包括的多个景点的景点图像中的部分或者全部图像。比如，当辅助域图像包括的多个景点具有不同的风格时，则目标域图像包括的多个景点也可能具有不同的风格；而当辅助域图像包括的景点只具有一种风格时，则目标域图像包括的景点也可能只具有一种风格。在本发明实施例中，对辅助域图像和目标域图像所包括的图像的数量不做具体限定。

需要说明的是，在本发明实施例中，当从互联网中的社交媒体上获取到景点的景点图像集之后，需要将获取到的景点图像集中不符合要求的图像删除掉，而在图像删除时主要是利用关于景点的图像的地理定位与实际的景点的地理定位的距离来判断，删除距离真实景点地理定位超过1千米的图像，然后将这个图像集确定为目标域图像。

需要说明的是，在步骤101中的景点特征风格表示的是景点风格的词，比如历史古迹，自然风格这样的景点风格，把这些词在互联网中搜索得到搜索引擎返回的图像集作为辅助域图像。

在步骤102，由于辅助域图像是带有景点特征风格标签的图像数据，在实际应用中，邻域适应是迁移学习中最常见的问题，域不同但任务相同，由于辅助域图像中有图像都带有关于景点特征风格的标签，而目标域图像没有景点特征风格的标签或者很少的图像带有景点特征风格的标签；再者，辅助域图像和目标域图像的数据来自不同的时间，不同地点，数据分布不同，但由于标记空间和特征空间是相同的，因此，可以利用辅助域中的数据来进行目标域图像的学习问题就是属于迁移学习中的邻域适应问题。

在本发明实施例中，为了解决领域适应性问题，即将辅助域图像训练好的模型能够用在目标域图像上，通过最大均值差异法减少了辅助域图像和目标域图像之间的最大均值差异函数，具体地，通过下列公式(1)确定目标域图像的特征和辅助域图像的特征之间的最大均值差异函数：

其中，ns表示辅助域图像包括的样本数，nt表示目标域图像包括的样本数，表示辅助域图像的特征，表示目标域图像的特征，表示目标域图像中景点L_i的集合，表示目标域图像中第it张图像特征；表示辅助域图像中景点特征风格为H_s的图像的集合，表示辅助域图像中第is张图像特征。

在实际应用中，景点特征风格检测被看作为分类问题，其目标是学习一个基于邻域适应的支撑向量机下的分类器。而对于一个景点L_i，它可能同时包含几种风格，被记为风格表示向量其中nl表示景点风格的总数量，如果等于1，则表示含有第一种风格，如果等于0，则表示不包含此风格。

在本发明实施例中，采用基于拉普拉斯图的支撑向量机框架，因此景点图像的风格检测采用支撑向量机框架结合领域适应中的最大均值差异距离确定了最优景点图像分类的目标函数，其中，最优景点图像分类的目标函数通过下列公式(2)表示：

其中，H_K表示希尔伯特空间，(1-y_if(x_i))₊表示铰链函数，是耗费正则项惩罚分类器的复杂度，表示控制流形的光滑度，γ_A是正则项的权重系数，γ_I是平衡损失函数，l表示表示标记数量，u表示未标记数量。

需要说明的是，利用最优化理论得到了最优景点图像分类的目标函数，在实际应用中，最优景点图像分类的目标函数为二分类函数，即就是每个风格都训练一个最优分类函数，一个图像经过该风格的最优分类函数，则得到确定该图像属于该风格或者不属于该风格。

进一步地利用各种风格的最优分类函数，对景点图像进行属于某种风格的判定，则得到一副图像是属于哪几种风格，然后，利用图像的分类的占比(某个风格的图像数量/图像总数量)来判断景点是什么风格。举例来说，当某个风格的景点图像占比超过32％，则认为景点属于该风格，所以得到了景点L_i的风格表示向量例如，若景点L_i的风格向量记为则表示景点L_i具有第一个和第三个风格，即若风格占比量超过阈值则确定为含有景点风格。

需要说明的是，在该步骤中通过最优景点图像分类的目标函数确定的景点风格，其意思是目标函数可以判断景点的每张图像是什么风格，例如一个景点中图像是历史古迹的图像占所有图像的比超过一个阈值，则认为这个景点是历史古迹的风格。

在步骤103中，在应用中，用户的用户喜好模型的挖掘主要分为两类，显性交互和隐性挖掘。其中显性交互主要通过用户交互此刻的景点喜好，称为用户局部喜好；隐形挖掘为分析用户历史足迹得到用户喜好，称为用户时域喜好。

基于显性交互的用户局部喜好建模，系统与用户进行交互，用户直接给出在当前定位城市所倾向喜好的景点，然后叠加所选景点的风格表示向量，则记为基于显性交互确定的模型，公式(3)表示基于显性交互确定的模型：

其中，l-prefer表示基于显性交互模型，表示用户u_i选择喜欢景点的景点风格向量。

在应用中，基于隐性挖掘的用户时域喜好建模时，需要分析用户的旅游历史足迹，同时也需要考虑到随着时间的流逝，用户目前的喜好风格更倾向于近期去的旅游景点，也就是说用户对过去的景点的喜好是受时间影响，在本发明实施例中，引入艾宾浩斯记忆曲线，以模仿用户随着时间对历史足迹喜好变化的趋势，这里遗忘函数通过下列公式(4)表示：

其中，t是旅行时和目前时间的时间间隔(单位：天)，b＝0.42，c＝0.225，t₀＝0.00225。在本发明实施例中，将遗忘函数J(t)的结果作为用户旅游足迹中每个景点的喜好的影响权重。进一步地，根据用户的历史，就得到用户历史足迹的景点喜好的权重集合。

在本发明实施例中，将用户历史足迹的景点喜好的权重记为：其中表示景点的喜好权重，表示用户u_i在旅行时间T₁去过的景点，因此基于隐性挖掘确定的模型如下公式(5)表示：

其中，t-prefer表示隐性挖掘模型，S^t表示历史足迹景点集合中景点风格向量的集合，表示用户u_j在旅行时间T₁去的景点，表示景点的喜好权重。

由以上基于显性交互确定的模型和基于隐性挖掘确定的模型，可以建立用户用户喜好模型，具体如下列公式(6)所示：

其中，(t-prefer)’表示l-prefer归一化后的值，(l-prefer)’表示t-prefer归一化后的值，μ表示平衡参数。

进一步地，根据下列公式(7)计算用户用户喜好模型与景点风格向量的余弦距离：

其中，表示用户u_i的用户喜好模型，表示景点Lⁱ的景点风格。

需要说明的是，在本发明实施例中，通过计算用户用户喜好模型与景点风格向量的余弦距离，将与用户用户喜好模型相近的风格的景点排序靠前，也就是景点的风格向量和用户的喜好风向量越接近，那么就优先推荐给用户，最后根据计算的余弦距离，得到基于用户个性化喜好的面向风格的景点推荐列表。

在实际应用中，可以将上述得到的景点推荐列表确定为初始推荐列表，比如通过对用户的历史信息和当前在待旅游的城市交互的喜好景点，旅游景点推荐列表包括的景点对应的天气情况和旅游景点推荐列表推荐的旅游时间，对旅游景点推荐列表进行调整，从而得到旅游景点个性化推荐列表，即得到最终的推荐列表。

综上所述，本发明实施例提供一种旅游景点推荐方法及装置，该方法包括：将景点中获取的景点图像集确定为目标域图像，将从互联网搜索引擎中用景点特征风格关键词获取的风格图像集为辅助域图像；通过最大均值差异表述所述目标域图像和所述辅助域图像的分布差异，根据最大均值差异函数和拉普拉斯支持向量机确定最优景点图像分类的目标函数，得到景点图像风格；根据景点所有图像的风格占比量，若所述风格占比量超过阈值则确定为含有景点风格；根据基于显性交互确定的模型和基于隐性挖掘确定的模型建立用户喜好模型；所述用户喜好模型和所述景点风格通过余弦距离公式确定旅游景点推荐列表。该方法中一方面可以充分利用社会媒体中海量的异质信息，通过领域适应的方法去自动对景点进行风格检测分类，从而得到最优景点图像分类的目标函数；另一方面可以通过搜集用户的显性和隐性数据建立用户喜好模型，显性数据是用户在待推荐城市中主动提供的喜好风格，隐性数据是被动的去挖掘用户的旅游历史轨迹；进一步地，根据用户喜好模型和景点风格，找到符合用户喜好风格的景点推荐列表。该方法解决了现有景点推荐大多是利用协同过滤方法，而旅游数据存在很大的稀疏性，影响推荐效果。

基于同一发明构思，本发明实施例提供了一种旅游景点推荐装置，由于该装置解决技术问题的原理与一种旅游景点推荐方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

图2为本发明实施例提供的一种旅游景点推荐装置结构示意图，如图2所示，该装置主要包括第一确定单元21，第二确定单元22和第三确定单元23。

第一确定单元21，用于将景点中获取的景点图像集确定为目标域图像，将从互联网搜索引擎中用景点特征风格关键词获取的风格图像集为辅助域图像；

第二确定单元22，用于通过最大均值差异表述所述目标域图像和所述辅助域图像的分布差异，根据最大均值差异函数和拉普拉斯支持向量机确定最优景点图像分类的目标函数，得到景点图像风格；根据景点所有图像的风格占比量，若所述风格占比量超过阈值则确定为含有景点风格；

第三确定单元23，用于根据基于显性交互确定的模型和基于隐性挖掘确定的模型建立用户喜好模型；所述用户喜好模型和所述景点风格通过余弦距离公式确定旅游景点推荐列表。

优选地，通过下列公式表述所述目标域图像和所述辅助域图像的分布差异：

其中，ns表示所述辅助域图像包括的风格图像集数量，nt表示所述目标域图像包括的景点图像集数量，表示所述辅助域图像的特征，表示所述目标域图像的特征。

优选地，所述最优景点图像分类的目标函数通过下列公式确定：

其中，H_K表示希尔伯特空间，(1-y_if(x_i))₊表示铰链函数，是耗费正则项惩罚分类器的复杂度，表示控制流形的光滑度，γ_A是正则项的权重系数，γ_I是平衡损失函数，l表示表示标记数量，u表示未标记数量。

优选地，所述基于显性交互确定的模型如下：

所述基于隐性挖掘确定的模型如下：

所述用户喜好模型如下：

其中，l-prefer表示基于显性交互模型，表示用户u_i选择喜欢景点的景点风格向量，t-prefer表示隐性挖掘模型，S^t表示历史足迹景点集合中景点风格向量的集合，表示用户u_j在旅行时间T₁去的景点，表示景点的喜好权重，(t-prefer)’表示l-prefer归一化后的值，(l-prefer)’表示t-prefer归一化后的值，μ表示平衡参数。

优选地，通过下列公式确定旅游景点推荐列表：

其中，表示用户u_i的用户喜好模型，表示景点Lⁱ的景点风格；

所述第三确定单元23还用于：

根据所述旅游景点推荐列表包括的景点对应的天气情况以及所述旅游景点推荐列表推荐的旅游时间，对所述旅游景点推荐列表进行调整，得到旅游景点个性化推荐列表。

应当理解，以上一种旅游景点推荐装置包括的单元仅为根据该设备装置实现的功能进行的逻辑划分，实际应用中，可以进行上述单元的叠加或拆分。并且该实施例提供的一种旅游景点推荐装置所实现的功能与上述实施例提供的一种旅游景点推荐方法一一对应，对于该装置所实现的更为详细的处理流程，在上述方法实施例一中已做详细描述，此处不再详细描述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种旅游景点推荐方法，其特征在于，包括：

将景点中获取的景点图像集确定为目标域图像，将从互联网搜索引擎中用景点特征风格关键词获取的风格图像集为辅助域图像；

通过最大均值差异表述所述目标域图像和所述辅助域图像的分布差异，根据最大均值差异函数和拉普拉斯支持向量机确定最优景点图像分类的目标函数，得到景点图像风格；根据景点所有图像的风格占比量，若所述风格占比量超过阈值则确定为含有景点风格；

根据基于显性交互确定的模型和基于隐性挖掘确定的模型建立用户喜好模型；所述用户喜好模型和所述景点风格通过余弦距离公式确定旅游景点推荐列表。

2.如权利要求1所述的方法，其特征在于，通过下列公式表述所述目标域图像和所述辅助域图像的分布差异：

其中，ns表示所述辅助域图像包括的风格图像集数量，nt表示所述目标域图像包括的景点图像集数量，表示所述辅助域图像的特征，表示所述目标域图像的特征。

3.如权利要求1所述的方法，其特征在于，所述最优景点图像分类的目标函数通过下列公式确定：

其中，H_K表示希尔伯特空间，(1-y_if(x_i))₊表示铰链函数，是耗费正则项惩罚分类器的复杂度，表示控制流形的光滑度，γ_A是正则项的权重系数，γ_I是平衡损失函数，l表示表示标记数量，u表示未标记数量。

4.如权利要求1所述的方法，其特征在于，所述基于显性交互确定的模型如下：

所述基于隐性挖掘确定的模型如下：

所述用户喜好模型如下：

其中，l-prefer表示基于显性交互模型，表示用户u_i选择喜欢景点的景点风格向量，t-prefer表示隐性挖掘模型，S^t表示历史足迹景点集合中景点风格向量的集合，表示用户u_j在旅行时间T₁去的景点， 表示景点的喜好权重，(t-prefer)’表示l-prefer归一化后的值，(l-prefer)’表示t-prefer归一化后的值，μ表示平衡参数。

5.如权利要求1所述的方法，其特征在于，通过下列公式确定旅游景点推荐列表：

其中，表示用户u_i的用户喜好模型，表示景点Lⁱ的景点风格；

所述用户喜好模型和所述景点风格通过余弦距离公式确定旅游景点推荐列表之后，还包括：

根据所述旅游景点推荐列表包括的景点对应的天气情况以及所述旅游景点推荐列表推荐的旅游时间，对所述旅游景点推荐列表进行调整，得到旅游景点个性化推荐列表。

6.一种旅游景点推荐装置，其特征在于，包括：

第一确定单元，用于将景点中获取的景点图像集确定为目标域图像，将从互联网搜索引擎中用景点特征风格关键词获取的风格图像集为辅助域图像；

第二确定单元，用于通过最大均值差异表述所述目标域图像和所述辅助域图像的分布差异，根据最大均值差异函数和拉普拉斯支持向量机确定最优景点图像分类的目标函数，得到景点图像风格；根据景点所有图像的风格占比量，若所述风格占比量超过阈值则确定为含有景点风格；

第三确定单元，用于根据基于显性交互确定的模型和基于隐性挖掘确定的模型建立用户喜好模型；所述用户喜好模型和所述景点风格通过余弦距离公式确定旅游景点推荐列表。

7.如权利要求6所述的装置，其特征在于，通过下列公式表述所述目标域图像和所述辅助域图像的分布差异：

其中，ns表示所述辅助域图像包括的风格图像集数量，nt表示所述目标域图像包括的景点图像集数量，表示所述辅助域图像的特征，表示所述目标域图像的特征。

8.如权利要求6所述的装置，其特征在于，所述最优景点图像分类的目标函数通过下列公式确定：

其中，H_K表示希尔伯特空间，(1-y_if(x_i))₊表示铰链函数，是耗费正则项惩罚分类器的复杂度，表示控制流形的光滑度，γ_A是正则项的权重系数，γ_I是平衡损失函数，l表示表示标记数量，u表示未标记数量。

9.如权利要求6所述的装置，其特征在于，所述基于显性交互确定的模型如下：

所述基于隐性挖掘确定的模型如下：

所述用户喜好模型如下：

其中，l-prefer表示基于显性交互模型，表示用户u_i选择喜欢景点的景点风格向量，t-prefer表示隐性挖掘模型，S^t表示历史足迹景点集合中景点风格向量的集合，表示用户u_j在旅行时间T₁去的景点， 表示景点的喜好权重，(t-prefer)’表示l-prefer归一化后的值，(l-prefer)’表示t-prefer归一化后的值，μ表示平衡参数。

10.如权利要求6所述的装置，其特征在于，通过下列公式确定旅游景点推荐列表：

其中，表示用户u_i的用户喜好模型，表示景点Lⁱ的景点风格；

所述第三确定单元还用于：

根据所述旅游景点推荐列表包括的景点对应的天气情况以及所述旅游景点推荐列表推荐的旅游时间，对所述旅游景点推荐列表进行调整，得到旅游景点个性化推荐列表。