CN109492168B - 一种基于旅游照片的可视化旅游兴趣推荐信息生成方法 - Google Patents

一种基于旅游照片的可视化旅游兴趣推荐信息生成方法 Download PDF

Info

Publication number
CN109492168B
CN109492168B CN201811346553.7A CN201811346553A CN109492168B CN 109492168 B CN109492168 B CN 109492168B CN 201811346553 A CN201811346553 A CN 201811346553A CN 109492168 B CN109492168 B CN 109492168B
Authority
CN
China
Prior art keywords
tourist
photos
interest
travel
photo
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
CN201811346553.7A
Other languages
English (en)
Other versions
CN109492168A (zh
Inventor
钟栎娜
荣佳
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201811346553.7A priority Critical patent/CN109492168B/zh
Publication of CN109492168A publication Critical patent/CN109492168A/zh
Application granted granted Critical
Publication of CN109492168B publication Critical patent/CN109492168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于旅游照片的可视化旅游兴趣推荐信息生成方法，包括如下步骤：获取照片数据集P；提取元数据中的关键词，将出现频率超过预设频率阈值的关键词作为旅游兴趣词汇；识别旅游照片内图像的坐标信息，基于旅游照片内图像的坐标信息生成旅游兴趣位置信息；从与旅游兴趣词汇相关的旅游照片中选出旅游兴趣词的代表照片；将旅游兴趣词汇、旅游兴趣位置信息及代表照片相关联，生成可视化旅游兴趣推荐信息。本发明提供的基于旅游照片的可视化旅游兴趣推荐信息生成方法可根据带有文字标签的照片进行分析并生成可视化的旅游兴趣推荐信息，使得推荐的旅游信息更加准确且使游客对于旅游信息内的景点有一个更加直观的了解。

Description

一种基于旅游照片的可视化旅游兴趣推荐信息生成方法
技术领域
本发明涉及旅游服务技术领域，尤其涉及一种基于旅游照片的可视化旅游兴趣推荐信息生成方法。
背景技术
把握游客的兴趣是景区管理者制定旅游计划和营销战略决策的关键，这种分析需要大量有关游客的兴趣、活动、偏好和满意度的数据。互联网则为此提供了一个很好的信息渠道，尤其是与旅游相关的社交媒体网站。社交媒体网站的快速增长，其包含的大量与游客旅游体验相关的评论，为旅游研究和管理人员提供了丰富的信息。
现有技术中，对于旅游信息的推荐主要有两种：一种是集中于社交网站的在线评论的文本内容，通过在线评论来分析游客感兴趣的旅游信息并进行推荐；而另一种则是通过分析旅游照片来进行旅游信息推荐，越来越多的游客会在社交媒体上附带有文字标签的旅游信息，与分析传统的纯文本评论相比，分析带有文字标签的旅游照片能够更加准确分辨出游客感兴趣的旅游信息。然而，现有的对于旅游照片的分析均采用手动图像评估方法，对于大规模的照片数据集而言，这种方法既费时又不实用。此外，上述两种方式，最终推荐的旅游信息都只是包括了分析得出的游客感兴趣的景点文字信息，不能使接收到推荐信息的游客拥有对景点直观的了解。
因此，如何提供一种新的推荐旅游信息的技术方案，使得推荐的旅游信息更加准确且使游客对于旅游信息内的景点有一个更加直观的了解，成为了本领域技术人员亟需解决的问题。
发明内容
针对现有技术存在的上述不足，本申请公开了一种基于旅游照片的可视化旅游兴趣推荐信息生成方法，可根据带有文字标签的照片进行分析并生成可视化的旅游兴趣推荐信息，使得推荐的旅游信息更加准确且使游客对于旅游信息内的景点有一个更加直观的了解。
一种基于旅游照片的可视化旅游兴趣推荐信息生成方法，包括如下步骤：
获取照片数据集P，所述照片数据集P中包括多张旅游照片及与旅游照片相对应的元数据；
提取所述元数据中的关键词，将出现频率超过预设频率阈值的关键词作为旅游兴趣词汇；
识别所述旅游照片内图像的坐标信息，基于旅游照片内图像的坐标信息生成旅游兴趣位置信息；
从与旅游兴趣词汇相关的旅游照片中选出所述旅游兴趣词汇的代表照片；
将旅游兴趣词汇、旅游兴趣位置信息及代表照片相关联，生成可视化旅游兴趣推荐信息。
优选地，所述元数据包括所述旅游照片所属游客定义的照片标签、照片标题及照片描述中的任意一种或多种。
优选地，所述照片数据集P还包括所述旅游照片及元数据的所属游客信息，所述提取所述元数据中的关键词，将出现频率超过预设频率阈值的关键词作为旅游兴趣词汇包括：
获取旅游兴趣词汇词典；
基于旅游兴趣词汇词典从所述元数据中提取候选关键词，所述候选关键词包括词组、短句及符号中的任意一种或多种；
对所述候选关键词进行预处理，所述预处理包括将候选关键词中的字母标准化为小写格式并去掉候选关键词中的数字及特殊符号，所述特殊符号包括井号、百分号及问号中的任意一种或多种；
判断候选关键词的词性，所述词性包括名词、动词及形容词中的任意一种或多种；
选取词性为名词的候选关键词作为关键词；
构造二元向量v(ui1)，其中，
Figure GDA0003340843300000021
m为关键词的数量，当任一关键词nj1在任意游客ui的旅游照片的元数据中出现过至少一次，则
Figure GDA0003340843300000022
否则
Figure GDA0003340843300000026
计算每个关键词的出现频率supp(nj1)其中，
Figure GDA0003340843300000024
U表示照片数据集P中的游客总数，
Figure GDA0003340843300000025
当supp(nj1)大于预设频率阈值β，则nj1为旅游兴趣词汇。
优选地，所述识别所述旅游照片内图像的坐标信息，基于旅游照片内图像的坐标信息生成旅游兴趣位置信息包括：
步骤1：通过对旅游照片内图像进行识别，获得所述旅游照片内图像的坐标信息，任意一张旅游照片pi2的坐标信息为<xi2,yi2>；
步骤2：计算任意两张不相同的旅游照片pi2和pj2的距离Dis(pi2,pj2)；
步骤3：设r是邻域半径,则旅游照片pi2的邻域照片为Nr(pi2)，其中，Nr(pi2)＝(pj2∈P，Owner(pj2)≠Owner(pi2)|Dis(pi2,pj2)≤r)，Owner(·)表示括号内照片的归属游客的所有权函数；
步骤4：计算拥有相同邻域照片Nr(pi2)的游客的数量NeighborOwner(pi)；
步骤5：当任意一张旅游照片pi2的邻域照片Nr(pi2)对应的NeighborOwner(pi)的值大于或等于预设游客数量值δ，则所述旅游照片pi2为核心照片；
步骤6：当所述旅游照片pi2为核心照片，则将所述旅游照片pi2划分入集群c，否则，舍弃所述旅游照片pi2；
步骤7：若所有旅游照片均在集群c内，则执行步骤8，否则，执行步骤2；
步骤8：集群c内旅游照片的坐标信息即为旅游兴趣位置信息。
优选地，所述从与旅游兴趣词汇相关的旅游照片中选出所述旅游兴趣词汇的代表照片包括：
将旅游照片按照对应的旅游兴趣词分组；
提取每组旅游照片中每张旅游照片的局部区域描述符SURF；
对每组旅游照片中每张旅游照片的局部区域描述符SURF采用k均值聚类算法求得每组旅游照片中每张旅游照片的视觉词，任意一张旅游照片pi2的视觉词集合向量为w(pi2)，其中
Figure GDA0003340843300000031
Figure GDA0003340843300000032
为视觉词wj3出现在旅游照片pi2中的次数，j3＝1,2,3，…，k，k为视觉词的个数；
对视觉词集合向量w(pi2)进行多维缩放，得到视觉词集合向量w(pi2)的低维向量x(pi2)，其中，
Figure GDA0003340843300000033
d为低维向量x(pi2)的维度；
计算每组旅游照片中每张旅游照片的核密度，任意一张旅游照片pi2的核密度为
Figure GDA0003340843300000034
其中，
Figure GDA0003340843300000035
KH(u1)为缩放核函数，
Figure GDA0003340843300000036
u1为任意变量，K(u2)为核函数，
Figure GDA0003340843300000037
u2为任意变量；
将每组旅游照片中核密度最高的前M张旅游照片作为该组旅游照片对应的旅游兴趣词汇的代表照片。
优选地，所述将旅游兴趣词汇、旅游兴趣位置信息及代表照片相关联，生成可视化旅游兴趣推荐信息包括：
将任意一个旅游兴趣词汇，所述旅游兴趣词汇对应的代表照片及包括所述旅游兴趣词汇的元数据对应的旅游照片的旅游兴趣位置信息放入一个数据集中，即所述数据集为可视化旅游兴趣推荐信息，当游客选择所述数据集中的旅游兴趣词汇、代表照片或旅游兴趣位置信息中的任意一项时，同时向游客发送所述数据集中未被游客选择的另外两项数据。
综上所述，本发明公开了一种基于旅游照片的可视化旅游兴趣推荐信息生成方法，包括如下步骤：获取照片数据集P，所述照片数据集P中包括多张旅游照片及与旅游照片相对应的元数据；提取所述元数据中的关键词，将出现频率超过预设频率阈值的关键词作为旅游兴趣词汇；识别所述旅游照片内图像的坐标信息，基于旅游照片内图像的坐标信息生成旅游兴趣位置信息；从与旅游兴趣词汇相关的旅游照片中选出所述旅游兴趣词汇的代表照片；将旅游兴趣词汇、旅游兴趣位置信息及代表照片相关联，生成可视化旅游兴趣推荐信息。与现有技术中仅采用文字评论生成旅游推荐信息或人工分析照片生成旅游推荐信息相比，本发明提供的基于旅游照片的可视化旅游兴趣推荐信息生成方法可根据带有文字标签的照片进行分析并生成可视化的旅游兴趣推荐信息，使得推荐的旅游信息更加准确且使游客对于旅游信息内的景点有一个更加直观的了解。
附图说明
图1为本发明公开的一种基于旅游照片的可视化旅游兴趣推荐信息生成方法的流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述说明。
如图1所示，本发明公开了一种基于旅游照片的可视化旅游兴趣推荐信息生成方法，包括如下步骤：
S101、获取照片数据集P，所述照片数据集P中包括多张旅游照片及与旅游照片相对应的元数据；
本发明中的照片可从各种社交网站上获取，例如从Flickr网站上获取。
S102、提取所述元数据中的关键词，将出现频率超过预设频率阈值的关键词作为旅游兴趣词汇；
S103、识别所述旅游照片内图像的坐标信息，基于旅游照片内图像的坐标信息生成旅游兴趣位置信息；
S104、从与旅游兴趣词汇相关的旅游照片中选出所述旅游兴趣词汇的代表照片；
S105、将旅游兴趣词汇、旅游兴趣位置信息及代表照片相关联，生成可视化旅游兴趣推荐信息。
与现有技术中仅采用文字评论生成旅游推荐信息或人工分析照片生成旅游推荐信息相比，本发明提供的基于旅游照片的可视化旅游兴趣推荐信息生成方法，是根据带有文字标签的照片进行分析并生成可视化的旅游兴趣推荐信息，使推荐的旅游信息更加准确，令游客对于旅游信息内的景点有一个更加直观的了解。
具体实施时，所述元数据包括所述旅游照片所属游客定义的照片标签、照片标题及照片描述中的任意一种或多种。
元数据包括了一切游客定义的与游客上传的照片相关的文字信息，通过对这些文字信息的处理，可以全面有效地获取游客感兴趣的景点的信息。
具体实施时，所述照片数据集P还包括所述旅游照片及元数据的所属游客信息，所述提取所述元数据中的关键词，将出现频率超过预设频率阈值的关键词作为旅游兴趣词汇包括：
获取旅游兴趣词汇词典；
旅游兴趣词汇可采用GATE(General Architecture for Text Engineering，来源于http://gate.ac.uk)工具来获取，GATE是一种文本处理工具。
基于旅游兴趣词汇词典从所述元数据中提取候选关键词，所述候选关键词包括词组、短句及符号中的任意一种或多种；
此处的旅游兴趣词汇词典可以采用GATE自带的描述旅游兴趣的词汇术语的综合列表词典。
对所述候选关键词进行预处理，所述预处理包括将候选关键词中的字母标准化为小写格式并去掉候选关键词中的数字及特殊符号，所述特殊符号包括井号、百分号及问号中的任意一种或多种；
为了减少后续的计算量，需要对候选关键词进行预处理，去掉无意义的数字及符号，并且把用字母表示的信息统一为小写格式。
判断候选关键词的词性，所述词性包括名词、动词及形容词中的任意一种或多种；
选取词性为名词的候选关键词作为关键词；
游客的旅游兴趣通常为名词，因此，选择名词词性的候选关键词作为关键词。
构造二元向量v(ui1)，其中，
Figure GDA0003340843300000061
m为关键词的数量，当任一关键词nj1在任意游客ui的旅游照片的元数据中出现过至少一次，则
Figure GDA0003340843300000062
否则
Figure GDA0003340843300000063
计算每个关键词的出现频率supp(nj1)其中，
Figure GDA0003340843300000064
U表示照片数据集P中的游客总数，
Figure GDA0003340843300000065
当supp(nj1)大于预设频率阈值β，则nj1为旅游兴趣词汇。
通过统计关键词的出现频率，将出现频率大于预设频率阈值的关键词作为旅游兴趣词汇。
具体实施时，所述识别所述旅游照片内图像的坐标信息，基于旅游照片内图像的坐标信息生成旅游兴趣位置信息包括：
步骤1：通过对旅游照片内图像进行识别，获得所述旅游照片内图像的坐标信息，任意一张旅游照片pi2的坐标信息为<xi2,yi2?；
通过对照片内图像的识别从而获得照片内图像的坐标位置为现有技术，在此不再赘述。
步骤2：计算任意两张不相同的旅游照片pi2和pj2的距离Dis(pi2,pj2)；
步骤3：设r是邻域半径,则旅游照片pi2的邻域照片为Nr(pi2)，其中，Nr(pi2)＝(pj2∈P，Owner(pj2)≠Owner(pi2)|Dis(pi2,pj2)≤r)，Owner(·)表示括号内照片的归属游客的所有权函数；
步骤4：计算拥有相同邻域照片Nr(pi2)的游客的数量NeighborOwner(pi)；
步骤5：当任意一张旅游照片pi2的邻域照片Nr(pi2)对应的NeighborOwner(pi)的值大于或等于预设游客数量值δ，则所述旅游照片pi2为核心照片；
步骤6：当所述旅游照片pi2为核心照片，则将所述旅游照片pi2划分入集群c，否则，舍弃所述旅游照片pi2；
步骤7：若所有旅游照片均在集群c内，则执行步骤8，否则，执行步骤2；
步骤8：集群c内旅游照片的坐标信息即为旅游兴趣位置信息。
为准确获取游客因特定兴趣而去的旅游目的地位置，而关于这些地点的照片和拥有这些照片的游客的数量均必须达到一定的数量。因此，应用地理数据的聚类技术来识别游客感兴趣的景点的位置。采用聚类的方式可以有效地标示拥有照片较多且游客较多的景点的位置信息。
具体实施时，所述从与旅游兴趣词汇相关的旅游照片中选出所述旅游兴趣词汇的代表照片包括：
将旅游照片按照对应的旅游兴趣词分组；
提取每组旅游照片中每张旅游照片的局部区域描述符SURF；
对每组旅游照片中每张旅游照片的局部区域描述符SURF采用k均值聚类算法求得每组旅游照片中每张旅游照片的视觉词，任意一张旅游照片pi2的视觉词集合向量为w(pi2)，其中
Figure GDA0003340843300000071
Figure GDA0003340843300000072
为视觉词wj3出现在旅游照片pi2中的次数，j3＝1,2,3，…，k，k为视觉词的个数；
对视觉词集合向量w(pi2)进行多维缩放，得到视觉词集合向量w(pi2)的低维向量x(pi2)，其中，
Figure GDA0003340843300000073
d为低维向量x(pi2)的维度；
计算每组旅游照片中每张旅游照片的核密度，任意一张旅游照片pi2的核密度为
Figure GDA0003340843300000074
其中，
Figure GDA0003340843300000075
KH(u1)为缩放核函数，
Figure GDA0003340843300000076
u1为任意变量，K(u2)为核函数，
Figure GDA0003340843300000077
u2为任意变量；
将每组旅游照片中核密度最高的前M张旅游照片作为该组旅游照片对应的旅游兴趣词汇的代表照片。
每张照片均可通过局部区域描述符(SURF描述符)来表示，具体方式参见Li,F-F.,Fergus,R.,&Torralba,A.(2007).Recognizing and learning object categories(CVPR2007short course ed.)[Computer software manual].Retrieved from http://people.csail.mit.edu/torralba/shortCourseRLOC/index.html及Li,F-F.,&Perona,P.(2005).A Bayesian hierarchical model for learning natural scene categories.InProceedings of IEEE Computer Society Conference on Computer Vision andPattern Recognition(CVPR).San Diego,CA,USA,pp.524-531。
通过核密度计算，可以选取少量的照片作为旅游兴趣词汇的代表照片，游客可以通过查看少量的代表照片直观地了解到该旅游兴趣词汇的主题。
具体实施时，所述将旅游兴趣词汇、旅游兴趣位置信息及代表照片相关联，生成可视化旅游兴趣推荐信息包括：
将任意一个旅游兴趣词汇，所述旅游兴趣词汇对应的代表照片及包括所述旅游兴趣词汇的元数据对应的旅游照片的旅游兴趣位置信息放入一个数据集中，即所述数据集为可视化旅游兴趣推荐信息，当游客选择所述数据集中的旅游兴趣词汇、代表照片或旅游兴趣位置信息中的任意一项时，同时向游客发送所述数据集中未被游客选择的另外两项数据。
将旅游兴趣词汇、旅游兴趣位置信息及代表照片相关联，用户可以在查询任意一项信息时获得其他两项相应的信息，从而对景点有完整且直观的了解。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (4)

1.一种基于旅游照片的可视化旅游兴趣推荐信息生成方法，其特征在于，包括如下步骤：
获取照片数据集P，所述照片数据集P中包括多张旅游照片及与旅游照片相对应的元数据；
提取所述元数据中的关键词，将出现频率超过预设频率阈值的关键词作为旅游兴趣词汇；
识别所述旅游照片内图像的坐标信息，基于旅游照片内图像的坐标信息生成旅游兴趣位置信息；
从与旅游兴趣词汇相关的旅游照片中选出所述旅游兴趣词汇的代表照片；
将旅游兴趣词汇、旅游兴趣位置信息及代表照片相关联，生成可视化旅游兴趣推荐信息；
所述元数据包括所述旅游照片所属游客定义的照片标签、照片标题及照片描述中的任意一种或多种；
所述照片数据集P还包括所述旅游照片及元数据的所属游客信息，所述提取所述元数据中的关键词，将出现频率超过预设频率阈值的关键词作为旅游兴趣词汇包括：
获取旅游兴趣词汇词典；
基于旅游兴趣词汇词典从所述元数据中提取候选关键词，所述候选关键词包括词组、短句及符号中的任意一种或多种；
对所述候选关键词进行预处理，所述预处理包括将候选关键词中的字母标准化为小写格式并去掉候选关键词中的数字及特殊符号，所述特殊符号包括井号、百分号及问号中的任意一种或多种；
判断候选关键词的词性，所述词性包括名词、动词及形容词中的任意一种或多种；
选取词性为名词的候选关键词作为关键词；
构造二元向量v(ui1)，其中，
Figure FDA0003340843290000011
m为关键词的数量，当任一关键词nj1在任意游客ui的旅游照片的元数据中出现过至少一次，则
Figure FDA0003340843290000012
否则
Figure FDA0003340843290000013
计算每个关键词的出现频率supp(nj1)其中，
Figure FDA0003340843290000014
U表示照片数据集P中的游客总数，
Figure FDA0003340843290000021
当supp(nj1)大于预设频率阈值β，则nj1为旅游兴趣词汇。
2.如权利要求1所述的基于旅游照片的可视化旅游兴趣推荐信息生成方法，其特征在于，所述识别所述旅游照片内图像的坐标信息，基于旅游照片内图像的坐标信息生成旅游兴趣位置信息包括：
步骤1：通过对旅游照片内图像进行识别，获得所述旅游照片内图像的坐标信息，任意一张旅游照片pi2的坐标信息为<xi2,yi2>；
步骤2：计算任意两张不相同的旅游照片pi2和pj2的距离Dis(pi2,pj2)；
步骤3：设r是邻域半径,则旅游照片pi2的邻域照片为Nr(pi2)，其中，Nr(pi2)＝(pj2∈P，Owner(pj2)≠Owner(pi2)|Dis(pi2,pj2)≤r)，Owner(·)表示括号内照片的归属游客的所有权函数；
步骤4：计算拥有相同邻域照片Nr(pi2)的游客的数量NeighborOwner(pi)；
步骤5：当任意一张旅游照片pi2的邻域照片Nr(pi2)对应的NeighborOwner(pi)的值大于或等于预设游客数量值δ，则所述旅游照片pi2为核心照片；
步骤6：当所述旅游照片pi2为核心照片，则将所述旅游照片pi2划分入集群c，否则，舍弃所述旅游照片pi2；
步骤7：若所有旅游照片均在集群c内，则执行步骤8，否则，执行步骤2；
步骤8：集群c内旅游照片的坐标信息即为旅游兴趣位置信息。
3.如权利要求1所述的基于旅游照片的可视化旅游兴趣推荐信息生成方法，其特征在于，所述从与旅游兴趣词汇相关的旅游照片中选出所述旅游兴趣词汇的代表照片包括：
将旅游照片按照对应的旅游兴趣词分组；
提取每组旅游照片中每张旅游照片的局部区域描述符SURF；
对每组旅游照片中每张旅游照片的局部区域描述符SURF采用k均值聚类算法求得每组旅游照片中每张旅游照片的视觉词，任意一张旅游照片pi2的视觉词集合向量为w(pi2)，其中
Figure FDA0003340843290000022
Figure FDA0003340843290000023
为视觉词wj3出现在旅游照片pi2中的次数，j3＝1,2,3，…，k，k为视觉词的个数；
对视觉词集合向量w(pi2)进行多维缩放，得到视觉词集合向量w(pi2)的低维向量x(pi2)，其中，
Figure FDA0003340843290000024
d为低维向量x(pi2)的维度；
计算每组旅游照片中每张旅游照片的核密度，任意一张旅游照片pi2的核密度为
Figure FDA0003340843290000031
其中，
Figure FDA0003340843290000032
KH(u1)为缩放核函数，
Figure FDA0003340843290000033
u1为任意变量，K(u2)为核函数，
Figure FDA0003340843290000034
u2为任意变量；
将每组旅游照片中核密度最高的前M张旅游照片作为该组旅游照片对应的旅游兴趣词汇的代表照片。
4.如权利要求1所述的基于旅游照片的可视化旅游兴趣推荐信息生成方法，其特征在于，所述将旅游兴趣词汇、旅游兴趣位置信息及代表照片相关联，生成可视化旅游兴趣推荐信息包括：
将任意一个旅游兴趣词汇，所述旅游兴趣词汇对应的代表照片及包括所述旅游兴趣词汇的元数据对应的旅游照片的旅游兴趣位置信息放入一个数据集中，即所述数据集为可视化旅游兴趣推荐信息，当游客选择所述数据集中的旅游兴趣词汇、代表照片或旅游兴趣位置信息中的任意一项时，同时向游客发送所述数据集中未被游客选择的另外两项数据。
CN201811346553.7A 2018-11-13 2018-11-13 一种基于旅游照片的可视化旅游兴趣推荐信息生成方法 Active CN109492168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811346553.7A CN109492168B (zh) 2018-11-13 2018-11-13 一种基于旅游照片的可视化旅游兴趣推荐信息生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811346553.7A CN109492168B (zh) 2018-11-13 2018-11-13 一种基于旅游照片的可视化旅游兴趣推荐信息生成方法

Publications (2)

Publication Number Publication Date
CN109492168A CN109492168A (zh) 2019-03-19
CN109492168B true CN109492168B (zh) 2022-04-15

Family

ID=65694304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811346553.7A Active CN109492168B (zh) 2018-11-13 2018-11-13 一种基于旅游照片的可视化旅游兴趣推荐信息生成方法

Country Status (1)

Country Link
CN (1) CN109492168B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348694A (zh) * 2019-06-14 2019-10-18 中南大学 一种基于大数据的智慧旅游决策系统及决策方法
TWI742450B (zh) 2019-10-16 2021-10-11 財團法人工業技術研究院 企劃書的自動化產生系統及其方法
CN111274428B (zh) * 2019-12-19 2023-06-30 北京创鑫旅程网络技术有限公司 一种关键词的提取方法及装置、电子设备、存储介质
CN111191127B (zh) * 2019-12-24 2023-02-03 重庆特斯联智慧科技股份有限公司 一种基于关联分析算法的旅行推荐方法和系统
CN112116500B (zh) * 2020-09-21 2024-05-17 博泰车联网(南京)有限公司 旅游路书的生成方法、系统、介质及智能终端

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8411953B2 (en) * 2008-09-30 2013-04-02 International Business Machines Corporation Tagging images by determining a set of similar pre-tagged images and extracting prominent tags from that set
CN103745498B (zh) * 2014-01-16 2017-01-04 中国科学院自动化研究所 一种基于图像的快速定位方法
CN104090929A (zh) * 2014-06-23 2014-10-08 吕志雪 一种个性化图片推荐方法及装置

Also Published As

Publication number Publication date
CN109492168A (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
CN109492168B (zh) 一种基于旅游照片的可视化旅游兴趣推荐信息生成方法
CN111753060B (zh) 信息检索方法、装置、设备及计算机可读存储介质
CN111259215B (zh) 基于多模态的主题分类方法、装置、设备、以及存储介质
CN108509465B (zh) 一种视频数据的推荐方法、装置和服务器
CN105824959B (zh) 舆情监控方法及系统
CN111694965B (zh) 一种基于多模态知识图谱的图像场景检索系统及方法
WO2022116537A1 (zh) 一种资讯推荐方法、装置、电子设备和存储介质
Fang et al. Relational user attribute inference in social media
CN110162591B (zh) 一种面向数字教育资源的实体对齐方法及系统
CN107205016B (zh) 物联网设备的检索方法
CN112148889A (zh) 一种推荐列表的生成方法及设备
US20100205176A1 (en) Discovering City Landmarks from Online Journals
CN112528053A (zh) 多媒体库分类检索管理系统
KR102258420B1 (ko) 지능정보기술기반 애니메이션 콘텐츠 리소스 서비스 시스템 및 방법
CN113806588A (zh) 搜索视频的方法和装置
CN114461890A (zh) 分层多模态的知识产权搜索引擎方法与系统
JP5433396B2 (ja) マンガ画像からテキストを抽出するマンガ画像解析装置、プログラム、検索装置及び方法
Mahapatra et al. Automatic hierarchical table of contents generation for educational videos
CN116882414B (zh) 基于大规模语言模型的评语自动生成方法及相关装置
CN107908749B (zh) 一种基于搜索引擎的人物检索系统及方法
CN112487306A (zh) 基于知识图谱的自动化事件标记与分类方法
CN112163415A (zh) 针对反馈内容的用户意图识别方法、装置及电子设备
CN114706948A (zh) 新闻处理方法、装置、存储介质以及电子设备
Zhang et al. Information enhancement for travelogues via a hybrid clustering model
Evans et al. Livemaps: Learning geo-intent from images of maps on a large scale

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