CN110287335A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110287335A CN110287335A CN201910522015.7A CN201910522015A CN110287335A CN 110287335 A CN110287335 A CN 110287335A CN 201910522015 A CN201910522015 A CN 201910522015A CN 110287335 A CN110287335 A CN 110287335A
- Authority
- CN
- China
- Prior art keywords
- sight spot
- tourist
- spot
- sight
- preference
- 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
- G06F16/30—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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Abstract
本发明提出一种基于知识图谱和用户长短期偏好的个性化景点推荐方法,包括:对游客的历史游览景点序列进行预处理并进行景点‑编码转换;使用node2vec随机游走得到景点序列,利用word2vec中的Skip‑gram模型,得到游客和景点的特征向量;将景点的特征向量加上偏置得将作为GRU网络的输入,然后利用GRU网络进行训练输出每个景点的潜在向量;为每个景点分配不同的权重,将每个景点的权重与景点的潜在向量相乘做累加得到当前游客的长期偏好,将当前游客的长期偏好与游客的当前偏好做拼接操作后乘以权重得最终向量;对最终向量与游客的当前偏好进行点积操作得景点的预估评分,对景点的预估评分进行归一化处理得每个景点的预测概率,取前K个分数对应的景点,得到top_k景点推荐列表。
Description
技术领域
本发明涉及智能推荐等技术领域,具体是涉及一种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。
背景技术
随着中国人民消费水平的提高,人民对外出旅游的需求日益增加。有相关数据可知,人民出行旅游次数呈上涨趋势。推荐系统技术也应运而生,但目前的推荐系统大多并不能完全满足用户的个性化需求。具体原因是现有旅游推荐方法仅仅根据用户的历史访问位置构建用户偏好特征表示,以此做出个性化推荐。但由于用户的旅游兴趣可能随着时间的流转而发生变化。因此已有的景点推荐方法难以捕捉用户的长短期兴趣特征。因此,如何构建一个能够准确扑捉用户的长短期偏好,进而做出准确性和时效性推荐的方法显得尤为必要。
目前,基于循环神经网络的会话推荐在视频,购物网站等方面达到了不错的效果,但是它们都没有考虑同一会话间项目与项目之间的关系,以及没有考虑不同用户会话中项目与项目之间的关系,由于部分项目之间会存在一定的相似性,如果没有考虑上述这一点,这大大降低了推荐系统的准确度。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种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,以解决目前深度学习中推荐精度不高和推荐结果个性化程度低等问题。
为实现上述目的及其他相关目的,本发明提供一种基于知识图谱和用户长短期偏好的个性化景点推荐方法,该方法包括以下步骤:
获取游客的历史游览景点序列;
对所述游客的历史游览景点序列进行预处理;
对所有游客的历史游览景点序列进行景点-编码转换;
使用网络表示学习方法node2vec随机游走得到景点序列,利用神经网络语言方法word2vec中的Skip-gram模型,将随机游走得到的景点序列映射到低维空间中,得到游客和景点的特征向量;
将景点的特征向量加上一个随机化的偏置得将作为GRU网络的输入,然后利用GRU网络对数据进行训练输出每个景点的潜在向量;
为每个景点分配不同的权重,将每个景点的权重与景点的潜在向量相乘做累加得到当前游客的长期偏好,然后将当前游客的长期偏好与游客的当前偏好做拼接操作,拼接操作的结果乘以权重得最终向量;
对最终向量与游客的当前偏好进行点积操作得景点的预估评分,对景点的预估评分进行归一化处理得每个景点的预测概率,将所述预测概率从高到低排序,取前K个分数对应的景点,得到top_k景点推荐列表。
可选地,使用注意力机制将每个景点的权重与景点向量相乘。
可选地,使用softmax函数对Sh进行归一化处理。
可选地,在景点-编码转换过程中,通过编码为每个景点赋值一个唯一的id。
为实现上述目的及其他相关目的,本发明还一种基于知识图谱和用户长短期偏好的个性化景点推荐装置,该装置包括:
数据获取模块,用于获取游客的历史游览景点序列;
预处理模块,用于对所述游客的历史游览景点序列进行预处理;
编码模块,用于对所有游客的历史游览景点序列进行景点-编码转换;
特征向量获取模块,用于使用网络表示学习方法node2vec随机游走得到景点序列,利用神经网络语言方法word2vec中的Skip-gram模型,将随机游走得到的景点序列映射到低维空间中,得到游客和景点的特征向量;
潜在向量获取模块,用于将景点的特征向量加上一个随机化的偏置得将作为GRU网络的输入,然后利用GRU网络对数据进行训练输出每个景点的潜在向量;
最终向量获取模块,用于为每个景点分配不同的权重,将每个景点的权重与景点的潜在向量相乘做累加得到当前游客的长期偏好,然后将当前游客的长期偏好与游客的当前偏好做拼接操作,拼接操作的结果乘以权重得到最终向量;
推荐模块,用于对最终向量与游客的当前偏好进行点积操作得Sh,对Sh进行归一化处理得每个景点的概率,将所述概率从高到低排序,取前K个分数对应的景点,得到top_k景点推荐列表。
可选地,使用注意力机制将每个景点的权重与景点向量相乘。
可选地,使用softmax函数对Sh进行归一化处理。
可选地,在景点-编码转换过程中,通过编码为每个景点赋值一个唯一的id。
为实现上述目的及其他相关目的,本发明还一种电子终端,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器存储的计算机程序,以使所述设备执行所述的推荐方法。
为实现上述目的及其他相关目的,本发明还一种计算机可读存储介质,存储计算机程序,所述计算机程序被处理器运行时执行所述的的推荐方法。
如上所述,本发明的一种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,具有以下有益效果:
本发明通过游客对景点的评分构建知识图谱属性子图,使用node2vec作为预训练得到景点向量具有很大优势:如果不同的游客对同一个景点的评分相同或接近,那么映射到特征空间中两个游客向量的距离会比较接近。同样,如果同一个游客对不同的景点打分相同或者接近,那么映射到二维空间中的两个景点的向量距离会比较接近,提高了推荐准确度。而现有的方法倾向于将每个会话视为一个单独的项目链,导致无法识别不同会话中的景点关系。
本发明将知识图谱和循环神经网络结合。得到的景点向量既包含景点属性语义信息,又包含景点的序列信息。而目前的方法仅仅是建模用户的序列信息。
本发明考虑到了游客的长期偏好和当前偏好,因为随着时间的推移,用户偏好可能发生变化,通过注意力网络为游客不同景点分配一个权重。较喜欢的景点权重要比不喜欢的景点的权重高,对要预测的景点提高了推荐的准确度。
本发明首次将知识图谱属性子图与深度网络起来应用到旅游景点推荐领域,优化了模型的建模能力,提高了推荐的准确度。
附图说明
为了进一步阐述本发明所描述的内容,下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解,这些附图仅作为典型示例,而不应看作是对本发明的范围的限定。
图1为构建用户长短期偏好的图神经网络旅游景点推荐方法整体框架图;
图2a为构造游客对景点的评分知识图谱属性子图;
图2b为部分景点游客随机游走过程示例图;
图2c为部分景点游客映射到低维空间示例图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明以一种基于知识图谱和用户长短期偏好的个性化景点推荐方法作为实例描述本发明方法的具体实施过程。其旅游景点推荐的整体结构的框架图如图1所示。具体包括以下步骤:
步骤1、获取游客的历史游览景点序列。
具体地,利用网络爬虫工具从飞猪,携程,途牛等主流旅游网站爬取游客的历史游览景点序列。如游客小明游览的景点按时间序列为:象山公园(4.6分)→日月双塔(4.9分)→步行街(4.3分)→靖江王府(3.8分)→芦笛岩(4.2分)→漓江竹筏(4.6分)→十里画廊(4.5分)→兴坪古镇(4.5分)。
步骤2.对所述游客的历史游览景点序列进行预处理,即清洗数据。
具体地,对不合理数据进行删除,如删除景点序列长度小于2的游客序列,删除个别几乎没人去过的冷门景点,操作为删除景点次数少于5的景点。
步骤3.对所有游客的历史游览景点序列进行景点-编码转换。
具体地,通过编码为每个实体赋值一个唯一的id,按照此方式对所有序列进行景点-编码转换,如从1开始编码,象山公园赋值为1,日月双塔赋值为2,以此类推。图2a展示了部分用户对景点的知识图谱。
步骤4、构造游客对景点的评分属性子图。
根据游客对景点的评分,使用网络表示学习方法Node2vec随机游走得到景点序列,利用神经网络语言方法word2vec中的Skip-gram模型,将随机游走得到的序列节点映射到低维空间中,得到游客和景点的特征向量。本发明默认取每个景点人特征向量维度d=100,具有相似结构和相同属性的景点的语义值会比较接近。部分景点游客序列示意图如图2b所示,部分景点游客映射的低维空间中的相对位置如图2c所示。
步骤5、将步骤4中得到的景点的特征向量加上一个随机化的偏置得将作为GRU网络的输入,然后利用GRU网络对数据进行训练,输出每个景点的潜在向量。其中,
b表示随机化的偏置,作为GRU网络重置门的输入,重置门控制前一状态有多少信息被写入到当前的候选集,即评估景点序列中靠前面的景点对后面景点的影响有多大,重置门值越小,表示前一状态的信息被写入的越少。
t时刻重置门的输出表示为:
Wz和Uz是重置门的权重矩阵,σ是sigmoid函数。
同时,可以作为GRU网络更新门的输入。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多。
t时刻更新门的输出表示为:
Wr和Ur是更新门的权重矩阵。
表示某个景点的向量,由前一时刻隐藏层状态,当前状态和重置门组成。是上一时刻隐藏层的输出,是当前时刻隐藏层的输出。从初始时刻开始,直至过程结束,最终输出结果得到的是每个景点的潜在向量。
Wo和Uo是候选状态下权重矩阵。⊙是hadamard函数,tanh是双曲正切函数。
经过上述步骤,虽然已经得到每个景点的向量,按照传统方式可以根据余弦公式计算相似度,然后再做推荐排序。但是本发明考虑到游客的偏好可能会随着时间的推移而发生改变,因此提出一种策略,将游客的长期偏好与当前偏好结合,以便更准确的预测游客下一个要游玩的景点。
步骤6、为每个景点(序列最后一个景点除外)分配不同的权重,权重与景点向量相乘做累加得到当前游客的长期偏好sl,然后与游客的当前偏好ss做拼接操作,乘以权重得该会话的向量。
步骤61、利用上述得到的每个景点向量,计算每个景点的权重。这样做的原因是对于游客的游玩序列,游客对其不同的景点关注度是不一样的,因此有必要为每个景点分配不一样的权重。第i个景点的权重ai表示如下:
ai=qTσ(W1vn+W2vi+c) (6)
qT,W1,W2随机初始化,qT,W1,W2都是控制景点项目的权重,c表示偏置。
步骤62、使用注意力机制将每个景点的权重(序列中的最后一个景点除外,最后一个景点作为游客的当前偏好)与景点向量相乘后累加得到该游客的长期偏好sl,即公式(7)
步骤63、将游客的长期偏好sl与当前偏好ss做线性拼接得该游客的最终向量。
sh=W3[sl;ss] (8)
W3是该游客的当前偏好的景点向量,当前偏好ss的计算方式同步骤62。sh是游客最终向量的权重表示。
步骤7、对游客的最终向量与游客的当前偏好进行点积操作得Sh,对Sh进行归一化处理得每个景点的概率,将所述概率从高到低排序,取前K个分数对应的景点,得到top_k景点推荐列表。
具体地,该步骤包括以下子步骤:
步骤71、通过游客向量与第i个景点向量做点积操作,得第i个景点的预估评分。同理得每个待预测景点评分。即公式(9):
步骤72、计算每个景点的预测概率。将步骤71中的使用softmax函数归一化,得到每个景点的预测概率。将所述概率从高到低排序,取前K个分数对应的景点,得到top_k景点推荐列表。
本发明的最大改进之处是于:
目前的基于会话的方法并没有项目与项目之间的关系,本发明考虑将知识图谱属性子图与循环神经网络结合,考虑到了景点与景点之间关系,为循环神经网络提供了良好的输入。
一般的推荐系统并不会考虑用户的长期偏好对当前偏好的影响,而本发明考虑到用户的偏好会随着时间的推移可能会发生改变,因此本发明将用户的长期偏好和当前偏好使用注意力机制结合起来,大大的提高了推荐系统的准确率。
本发明还提供一种基于知识图谱和用户长短期偏好的个性化景点推荐装置,该装置包括:
数据获取模块,用于获取游客的历史游览景点序列;
预处理模块,用于对所述游客的历史游览景点序列进行预处理;
编码模块,用于对所有游客的历史游览景点序列进行景点-编码转换;
特征向量获取模块,用于使用网络表示学习方法node2vec随机游走得到景点序列,利用神经网络语言方法word2vec中的Skip-gram模型,将随机游走得到的景点序列映射到低维空间中,得到游客和景点的特征向量;
潜在向量获取模块,用于将景点的特征向量加上一个随机化的偏置得将作为GRU网络的输入,然后利用GRU网络对数据进行训练输出每个景点的潜在向量;
最终向量获取模块,用于为每个景点分配不同的权重,将每个景点的权重与景点的潜在向量相乘做累加得到当前游客的长期偏好,然后将当前游客的长期偏好与游客的当前偏好做拼接操作,拼接操作的结果乘以权重得到最终向量;
推荐模块,用于对最终向量与游客的当前偏好进行点积操作得Sh,对Sh进行归一化处理得每个景点的概率,将所述概率从高到低排序,取前K个分数对应的景点,得到top_k景点推荐列表。
于一实施例中,使用注意力机制将每个景点的权重与景点向量相乘。
于一实施例中,使用softmax函数对Sh进行归一化处理。
于一实施例中,在景点-编码转换过程中,通过编码为每个景点赋值一个唯一的id。
需要说明的是,由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例的内容请参见方法部分的实施例的描述,这里暂不赘述。
本发明还提供一种存储介质,存储计算机程序,所述计算机程序被处理器运行时执行前述的推荐方法。
本发明还提供一种电子终端,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器存储的计算机程序,以使所述设备执行前述的推荐方法。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是内部存储单元或外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字卡(Secure Digital,SD),闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括内部存储单元,也包括外部存储设备。所述存储器用于存储所述计算机程序以及其他程序和数据。所述存储器还可以用于暂时地存储己经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于知识图谱和用户长短期偏好的个性化景点推荐方法,其特征在于,该方法包括以下步骤:
获取游客的历史游览景点序列;
对所述游客的历史游览景点序列进行预处理;
对所有游客的历史游览景点序列进行景点-编码转换;
使用网络表示学习方法node2vec随机游走得到景点序列,利用神经网络语言方法word2vec中的Skip-gram模型,将随机游走得到的景点序列映射到低维空间中,得到游客和景点的特征向量;
将景点的特征向量加上一个随机化的偏置得将作为GRU网络的输入,然后利用GRU网络对数据进行训练输出每个景点的潜在向量;
为每个景点分配不同的权重,将每个景点的权重与景点的潜在向量相乘做累加得到当前游客的长期偏好,然后将当前游客的长期偏好与游客的当前偏好做拼接操作,拼接操作的结果乘以权重得最终向量;
对最终向量与游客的当前偏好进行点积操作得景点的预估评分,对景点的预估评分进行归一化处理得每个景点的预测概率,将所述预测概率从高到低排序,取前K个分数对应的景点,得到top_k景点推荐列表。
2.根据权利要求1所述的一种基于知识图谱和用户长短期偏好的个性化景点推荐方法,其特征在于,使用注意力机制将每个景点的权重与景点向量相乘。
3.根据权利要求1所述的一种基于知识图谱和用户长短期偏好的个性化景点推荐方法,其特征在于,使用softmax函数对Sh进行归一化处理。
4.根据权利要求1所述的一种基于知识图谱和用户长短期偏好的个性化景点推荐方法,其特征在于,在景点-编码转换过程中,通过编码为每个景点赋值一个唯一的id。
5.一种基于知识图谱和用户长短期偏好的个性化景点推荐装置,其特征在于,该装置包括:
数据获取模块,用于获取游客的历史游览景点序列;
预处理模块,用于对所述游客的历史游览景点序列进行预处理;
编码模块,用于对所有游客的历史游览景点序列进行景点-编码转换;
特征向量获取模块,用于使用网络表示学习方法node2vec随机游走得到景点序列,利用神经网络语言方法word2vec中的Skip-gram模型,将随机游走得到的景点序列映射到低维空间中,得到游客和景点的特征向量;
潜在向量获取模块,用于将景点的特征向量加上一个随机化的偏置得将作为GRU网络的输入,然后利用GRU网络对数据进行训练输出每个景点的潜在向量;
最终向量获取模块,用于为每个景点分配不同的权重,将每个景点的权重与景点的潜在向量相乘做累加得到当前游客的长期偏好,然后将当前游客的长期偏好与游客的当前偏好做拼接操作,拼接操作的结果乘以权重得到最终向量;
推荐模块,用于对最终向量与游客的当前偏好进行点积操作得Sh,对Sh进行归一化处理得每个景点的概率,将所述概率从高到低排序,取前K个分数对应的景点,得到top_k景点推荐列表。
6.根据权利要求5所述的一种基于知识图谱和用户长短期偏好的个性化景点推荐装置,其特征在于,使用注意力机制将每个景点的权重与景点向量相乘。
7.根据权利要求5所述的一种基于知识图谱和用户长短期偏好的个性化景点推荐装置,其特征在于,使用softmax函数对Sh进行归一化处理。
8.根据权利要求5所述的一种基于知识图谱和用户长短期偏好的个性化景点推荐装置,其特征在于,在景点-编码转换过程中,通过编码为每个景点赋值一个唯一的id。
9.一种电子终端,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器存储的计算机程序,以使所述设备执行权利要求1~4任意一项的推荐方法。
10.一种计算机可读存储介质,存储计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1~4任意一项的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910522015.7A CN110287335B (zh) | 2019-06-17 | 2019-06-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910522015.7A CN110287335B (zh) | 2019-06-17 | 2019-06-17 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110287335A true CN110287335A (zh) | 2019-09-27 |
CN110287335B CN110287335B (zh) | 2021-08-27 |
Family
ID=68005067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910522015.7A Active CN110287335B (zh) | 2019-06-17 | 2019-06-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287335B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN110955828A (zh) * | 2019-11-19 | 2020-04-03 | 浙江鸿程计算机系统有限公司 | 一种基于深度神经网络的多因素嵌入个性化套餐推荐方法 |
CN111091410A (zh) * | 2019-11-04 | 2020-05-01 | 南京光普信息技术有限公司 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
CN111222039A (zh) * | 2019-11-14 | 2020-06-02 | 电子科技大学 | 一种基于长短期兴趣组合的会话推荐方法及系统 |
CN111241419A (zh) * | 2020-01-09 | 2020-06-05 | 辽宁工程技术大学 | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 |
CN111522962A (zh) * | 2020-04-09 | 2020-08-11 | 苏州大学 | 序列推荐方法、装置及计算机可读存储介质 |
CN111797321A (zh) * | 2020-07-07 | 2020-10-20 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及系统 |
CN111949865A (zh) * | 2020-08-10 | 2020-11-17 | 杭州电子科技大学 | 基于图神经网络与用户长短期偏好的兴趣点推荐方法 |
CN112184341A (zh) * | 2020-11-10 | 2021-01-05 | 电子科技大学 | 一种基于档案网络的美食推荐方法 |
CN112214677A (zh) * | 2020-10-19 | 2021-01-12 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
CN113139140A (zh) * | 2021-05-17 | 2021-07-20 | 辽宁工程技术大学 | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 |
CN113449176A (zh) * | 2020-03-24 | 2021-09-28 | 华为技术有限公司 | 基于知识图谱的推荐方法及装置 |
CN113537572A (zh) * | 2021-06-22 | 2021-10-22 | 东莞市绿灯网络科技有限公司 | 基于人工智能的旅游路线规划方法与系统 |
JP7399216B2 (ja) | 2021-12-20 | 2023-12-15 | ネイバー コーポレーション | ユーザ嗜好に基づいた場所個人化推薦のための方法、コンピュータシステム、およびコンピュータプログラム |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729444A (zh) * | 2017-09-30 | 2018-02-23 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
US20180090023A1 (en) * | 2016-09-29 | 2018-03-29 | Indiavidual Learning Pvt. Ltd. | Adaptive learning machine for score improvement and parts thereof |
CN108829852A (zh) * | 2018-06-21 | 2018-11-16 | 桂林电子科技大学 | 一种个性化旅游路线推荐方法 |
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 |
CN109190030A (zh) * | 2018-08-22 | 2019-01-11 | 南京工业大学 | 融合node2vec和深度神经网络的隐式反馈推荐方法 |
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 |
CN109255033A (zh) * | 2018-11-05 | 2019-01-22 | 桂林电子科技大学 | 一种基于位置服务领域的知识图谱的推荐方法 |
-
2019
- 2019-06-17 CN CN201910522015.7A patent/CN110287335B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180090023A1 (en) * | 2016-09-29 | 2018-03-29 | Indiavidual Learning Pvt. Ltd. | Adaptive learning machine for score improvement and parts thereof |
CN107729444A (zh) * | 2017-09-30 | 2018-02-23 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
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 |
CN108829852A (zh) * | 2018-06-21 | 2018-11-16 | 桂林电子科技大学 | 一种个性化旅游路线推荐方法 |
CN109190030A (zh) * | 2018-08-22 | 2019-01-11 | 南京工业大学 | 融合node2vec和深度神经网络的隐式反馈推荐方法 |
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 |
CN109255033A (zh) * | 2018-11-05 | 2019-01-22 | 桂林电子科技大学 | 一种基于位置服务领域的知识图谱的推荐方法 |
Non-Patent Citations (4)
Title |
---|
TAKAFUMI HASEGAWA等: "Collaborative filtering based spot recommendation seamlessly available in home and away areas", 《2013 IEEE/ACIS 12TH INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION SCIENCE》 * |
张舜尧: ""基于序列学习的旅游景点推荐研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张舜尧: ""基于轨迹挖掘模型的旅游景点推荐"", 《模式识别与人工智能》 * |
贾中浩: ""旅游知识图谱特征学习的景点推荐"", 《智能系统学报》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091410A (zh) * | 2019-11-04 | 2020-05-01 | 南京光普信息技术有限公司 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
CN111091410B (zh) * | 2019-11-04 | 2022-03-11 | 南京光普信息技术有限公司 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
CN111222039A (zh) * | 2019-11-14 | 2020-06-02 | 电子科技大学 | 一种基于长短期兴趣组合的会话推荐方法及系统 |
CN111222039B (zh) * | 2019-11-14 | 2022-05-20 | 电子科技大学 | 一种基于长短期兴趣组合的会话推荐方法及系统 |
CN110955828A (zh) * | 2019-11-19 | 2020-04-03 | 浙江鸿程计算机系统有限公司 | 一种基于深度神经网络的多因素嵌入个性化套餐推荐方法 |
CN110955828B (zh) * | 2019-11-19 | 2023-08-01 | 浙江鸿程计算机系统有限公司 | 一种基于深度神经网络的多因素嵌入个性化套餐推荐方法 |
CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN110929164B (zh) * | 2019-12-09 | 2023-04-21 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN111241419A (zh) * | 2020-01-09 | 2020-06-05 | 辽宁工程技术大学 | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 |
CN111241419B (zh) * | 2020-01-09 | 2023-11-24 | 辽宁工程技术大学 | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 |
CN113449176A (zh) * | 2020-03-24 | 2021-09-28 | 华为技术有限公司 | 基于知识图谱的推荐方法及装置 |
CN111522962A (zh) * | 2020-04-09 | 2020-08-11 | 苏州大学 | 序列推荐方法、装置及计算机可读存储介质 |
CN111522962B (zh) * | 2020-04-09 | 2023-05-02 | 苏州大学 | 序列推荐方法、装置及计算机可读存储介质 |
CN111797321B (zh) * | 2020-07-07 | 2021-04-27 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及系统 |
CN111797321A (zh) * | 2020-07-07 | 2020-10-20 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及系统 |
CN111949865A (zh) * | 2020-08-10 | 2020-11-17 | 杭州电子科技大学 | 基于图神经网络与用户长短期偏好的兴趣点推荐方法 |
CN112214677A (zh) * | 2020-10-19 | 2021-01-12 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
CN112214677B (zh) * | 2020-10-19 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
CN112184341A (zh) * | 2020-11-10 | 2021-01-05 | 电子科技大学 | 一种基于档案网络的美食推荐方法 |
CN113139140A (zh) * | 2021-05-17 | 2021-07-20 | 辽宁工程技术大学 | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 |
CN113139140B (zh) * | 2021-05-17 | 2024-01-16 | 辽宁工程技术大学 | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 |
CN113537572A (zh) * | 2021-06-22 | 2021-10-22 | 东莞市绿灯网络科技有限公司 | 基于人工智能的旅游路线规划方法与系统 |
JP7399216B2 (ja) | 2021-12-20 | 2023-12-15 | ネイバー コーポレーション | ユーザ嗜好に基づいた場所個人化推薦のための方法、コンピュータシステム、およびコンピュータプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN110287335B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287335A (zh) | 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 | |
CN110489547A (zh) | 一种基于混合式监督学习的旅游景点推荐方法及装置 | |
Ong et al. | Memetic computation—past, present & future [research frontier] | |
CN109902798A (zh) | 深度神经网络的训练方法和装置 | |
CN110288436A (zh) | 一种基于游客偏好建模的个性化景点推荐方法 | |
CN110209770B (zh) | 一种基于策略价值网络和树搜索增强的命名实体识别方法 | |
CN109472248A (zh) | 一种行人重识别方法、系统及电子设备和存储介质 | |
CN110070239A (zh) | 一种基于a星搜索和深度学习的个性化路线推荐方法 | |
CN109902706A (zh) | 推荐方法及装置 | |
CN110287336B (zh) | 一种面向旅游景点推荐的游客画像构建方法 | |
CN106951512A (zh) | 一种基于混合编码网络的端到端对话控制方法 | |
CN108287864A (zh) | 一种兴趣群组划分方法、装置、介质及计算设备 | |
CN109544306A (zh) | 一种基于用户行为序列特征的跨领域推荐方法及装置 | |
CN107633100A (zh) | 一种基于嵌入模型的兴趣点推荐方法及装置 | |
CN112380426A (zh) | 一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法、系统 | |
CN109753608A (zh) | 确定用户标签的方法、自编码网络的训练方法及装置 | |
CN109978836A (zh) | 基于元学习的用户个性化图像美感评价方法、系统、介质和设备 | |
CN107870964A (zh) | 一种应用于答案融合系统的语句排序方法及系统 | |
CN104156464A (zh) | 基于微视频特征数据库的微视频检索方法及装置 | |
CN109871736A (zh) | 自然语言描述信息的生成方法及装置 | |
CN101482876A (zh) | 基于权重的链接多属性的实体识别方法 | |
CN110019650A (zh) | 提供搜索联想词的方法、装置、存储介质及电子设备 | |
CN110447039A (zh) | 预测对象类别的系统和方法 | |
CN110033089A (zh) | 基于分布式估计算法的深度神经网络参数优化方法及系统 | |
CN109948242A (zh) | 基于特征哈希的网络表示学习方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190927 Assignee: Guilin ruiweisaide Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2022450000191 Denomination of invention: Personalized scenic spot recommendation method and device based on knowledge map and users' long-term and short-term preferences Granted publication date: 20210827 License type: Common License Record date: 20221125 |