CN111177572A - 一种基于用户动态兴趣的个性化旅游路线推荐方法 - Google Patents
一种基于用户动态兴趣的个性化旅游路线推荐方法 Download PDFInfo
- Publication number
- CN111177572A CN111177572A CN202010049443.5A CN202010049443A CN111177572A CN 111177572 A CN111177572 A CN 111177572A CN 202010049443 A CN202010049443 A CN 202010049443A CN 111177572 A CN111177572 A CN 111177572A
- Authority
- CN
- China
- Prior art keywords
- user
- poi
- interest
- popularity
- route
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于用户动态兴趣的个性化旅游路线推荐方法,将用户的历史访问记录划分为多个旅游序列,如果用户访问两个POI之间的时间间隔大于阈值,将用户的历史访问记录划分为新旅游序列;构建用户兴趣向量,提取景点特征;旅行者选择旅游路线的起点和终点,考虑经过旅游路线的时间或距离预算,给定POI集合P,预算B,起点POIp1∈P,终点POIpN∈P,在起点、终点和预算条件下推荐得分最高的旅游路线。本发明将用户对景点类别的兴趣偏好值结合景点通过卷积神经网络提取到的特征信息,解决用户对某类景点兴趣度的识别问题,融入用户对每个景点的流行度的兴趣值,实现用户旅游时兴趣动态变化路线推荐。
Description
技术领域
本发明属于时空数据挖掘和城市旅游数据分析技术领域,具体涉及一种基于用户动态兴趣的个性化旅游路线推荐方法。
背景技术
随着移动设备的广泛应用,基于位置的社交网络成为一种新型的社交网络,吸引了数以百万计的用户使用,越来越多的用户将自己的旅游照片分享在Flickr等社交网络中,从而生成大量带有地理标记的照片来访问其足迹或者签到,使得基于用户历史访问数据的分析挖掘研究受到了领域专家和业界的关注。在社交网络中呈现的用户数据蕴含着用户旅游时具体的位置信息,通过分析用户移动设备产生的带有地理标记的照片,挖掘用户旅游兴趣,是建立个性化旅游路线推荐的基础和关键,在很多领域发挥着重要的价值,例如城市景点的交通分析,智能旅游交通的调度更新等。
目前,一些学者只是根据用户在某类景点的时间花费来确定用户对该类景点的喜爱程度,进而在个性化旅游路线推荐中加大该类景点的数量。但是大多数用户并不是把居住地作为旅游的目的地,在用户去往一个不熟悉的城市旅游时,在某类景点的花费时间会受到各种因素的综合作用,因此这种基于用户时间花费的计算方法解释性不强,并且在相关阈值的设定上往往会随着用户的交通模式和活动区域的不同而变化,通用性减弱。另外,用户在不同的城市选择旅游的兴趣地点也是动态变化的,即用户会考虑到自身的兴趣类别景点,同时也会考虑当地流行度靠前的景点,所以在进行个性化旅游路线推荐的过程中,应该充分考虑用户兴趣的动态变化。
综上所述,基于用户历史访问景点数据的旅游路线推荐方法在如下两个方面有待深入研究:1.解决用户对某类景点兴趣度的识别问题;2.实现适合于用户旅游时兴趣动态变化的路线推荐。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于用户动态兴趣的个性化旅游路线推荐方法,解决了在用户旅游的兴趣不明显不固定的情况下,利用用户旅游时产生的历史数据下挖掘其动态兴趣的问题。
本发明采用以下技术方案:
一种基于用户动态兴趣的个性化旅游路线推荐方法,包括以下步骤:
S1、将用户u的历史访问记录S划分为多个旅游序列Seq,如果用户u访问两个POI之间的时间间隔大于阈值τ,将用户u的历史访问记录划分为新的旅游序列;
S2、构建用户兴趣向量,提取景点特征;
S3、旅行者选择旅游路线的起点和终点,考虑经过旅游路线的时间或距离预算B,距离预算B反映旅行者消耗在路上的时间和他旅游路线的距离长短,给定POI集合P,预算B,起点POIp1∈P,终点POIpN∈P,在起点、终点和预算条件下推荐得分最高的旅游路线。
具体的,步骤S1中,历史访问记录S具体为:
具体的,步骤S1中,旅游序列是由各个POI组成的集合,每个POIv都有一个类别标签,其类别记为:Cat(v),Cat为POI的类别集合,旅游序列为:
V={v1,v2,v3…vm}
其中,vm为用户u访问的第m个POI。
具体的,步骤S2具体为:
S201、利用用户u在某个POI类别的持续访问时间和所有用户在该POI上的平均访问时间的比值刻画用户u对Cat(v)的个性化兴趣,确定用户u对POI类别的兴趣偏好值;
S202、考虑用户u对POI类别的兴趣偏好值,融入用户u对该POI流行度的兴趣值,对于每一个POI,先对流行度进行归一化处理得到该POI的流行指数,再将流行指数等差的划分到一个流行度集合P中,得到用户u对POIv的兴趣;
S203、根据上下文信息矩阵V_matrix将访问某个POI的所有用户兴趣向量组成POI的上下文信息矩阵,经过CNN网络的卷积和池化操作,将CNN网络中全连接层的特征向量作为提取的一维特征向量,表示景点上下文信息向量Vec;
S204、分别计算用户u访问过POI的特征向量vec与兴趣向量IntP(u)的余弦相似度和用户u未访问POI的特征向量vec与兴趣向量IntP(u)的余弦相似度,得到用户对某个POI类别的兴趣偏好值以及对POI流行度的兴趣偏好值,结合POI通过卷积神经网络提取到的特征信息,得到用户的动态偏好。
进一步的,步骤S201中,用户u对Cat(v)的个性化兴趣为:
进一步的,步骤S202中,用户u对POI流行度的兴趣偏好值为:
POI的流行指数为:
其中,max代表景点集合中最大的流行度,min代表景点集合中最小的流行度,pop(v)代表POIv的流行度,得到的popnum(v)即第v个POI的流行指数。
进一步的,步骤S203中,景点v上下文信息由所有访问景点v的用户偏好向量构成,其上下文信息矩阵V_matrix记为:
其中,Int P(u1)为用户u对该景点的兴趣向量。
进一步的,步骤S204中,用户的动态偏好为:
其中,s<Vec,u>表示用户u的兴趣向量和景点特征的相似度,θ为调节参数。
具体的,步骤S3中,定义用户从POIvi移动到POIvj的时间成本为用户的旅行时间花费,记为Travel(vi,vj);为用户匹配一个合适的POI需要综合考虑用户偏好和该POI流行度,使用Score(v)来代表一个POI的得分;具体步骤为:
S301、根据POI集合P建立N条旅游路线I=(p1,p2,L,pN),计算每条路线中各个POI所获得的分数,确定分数值最大的一条线路;
S302、对于一个用户,确定推荐的旅游路线的限制条件,保证旅游路线从起点p1开始,于终点pN结束;确保每条路线中没有子循环路线;确保整个旅行所花费的预算小于B;确保推荐路线中至少包括一个从属于cm类的POI。
进一步的,步骤S301中,分数值最大的路线为:
其中,i为某条旅游路线的起点POIvi,j为某条旅游路线的终点,xi,j为POIvi到POIvj的旅游路线,N为旅游路线的总数量。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于用户动态兴趣的个性化旅游路线推荐方法,通过构建用户旅游时选择景点的兴趣向量;提取城市中各个景点特征,实现用户动态兴趣的个性化旅游路线推荐问题,。
进一步的,由于这条旅游路线是在起点、终点和预算条件下推荐得分最高的路线,因此可以更优的实现满足用户动态兴趣的个性化旅游路线推荐问题。
进一步的,对于每一个用户,构建其历史访问记录,其中包括用户到达每一个POI的时刻和离开该POI的时刻,从而可以根据时间阈值划分每一个用户的旅游序列。
进一步的,对于每一个用户,根据其历史访问记录构建该用户的旅游序列,从而将用户的访问景点根据时间有序化。
进一步的,考虑用户u对POI类别的兴趣偏好值,融入用户u对该POI流行度的兴趣值,得到用户u对该POI的兴趣,再结合该POI通过卷积神经网络提取到的特征信息,从而得到用户的动态偏好。
进一步的,定义用户u对POI类别Cat(v)的兴趣偏好值为用户u在某个POI类别的持续访问时间和所有用户在该POI上的平均访问时间的比值,从而可以刻画用户u对Cat(v)的个性化兴趣。
进一步的,定义用户u对某个POI流行度的兴趣值,从而可以和其对该景点类别的兴趣值进行结合,更好的反映用户u对该POI的兴趣值。
进一步的,对于每一个POI,通过卷积神经网络提取其景点特征,从而可以计算用户u的兴趣向量和景点特征的相似度,更好的反映某个POI是否最大程度的符合该用户的兴趣。
进一步的,同时考虑用户旅游时的起点、终点和用户的旅行时间花费,再根据模型得出最符合用户动态兴趣的一条旅游路线,使得问题符合实际。
综上所述,本发明考虑了用户对景点类别的兴趣偏好值,同时结合了景点通过卷积神经网络提取到的特征信息,从用户自身和景点本身两方面出发,解决了用户对某类景点兴趣度的识别问题,此外,本发明还融入了用户对每个景点的流行度的兴趣值,从而实现了用户旅游时兴趣动态变化的路线推荐。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明个性化旅游路线推荐框架图;
图2为卷积神经网络提取景点特征框架图;
图3为用户兴趣向量与其访问过的景点特征向量相似度示意图。
具体实施方式
请参阅图1,本发明提供了一种基于用户动态兴趣的个性化旅游路线推荐方法,包括用户旅游数据预处理模块、用户兴趣向量构建和景点特征提取模块贺用户个性化旅游路线推荐模块。
用户旅游数据预处理模块,将用户原始访问记录序列根据某两个景点之间时间间隔是否超过阈值8小时进一步划分成多个旅游序列;
用户兴趣向量构建和景点特征提取模块,结合用户对POI的类别偏好和POI的流行度偏好共同组成用户兴趣向量,同时通过所有访问某个POI的用户兴趣向量来构造该POI的上下文信息矩阵,进一步使用卷积神经网络进行该POI的特征提取。
用户个性化旅游路线推荐模块,根据预测的用户兴趣POI,同时考虑用户的旅行限制,如时间限制、起始景点限制和目的景点限制等来优化旅游路线。
本发明一种基于用户动态兴趣的个性化旅游路线推荐方法,包括以下步骤:
S1、用户旅游数据预处理
定义1、用户u的历史访问记录序列,记录着用户在各POI上的有序访问所产生的信息。记为:
定义2、用户旅游序列是由各个POI组成的集合,记为:
V={v1,v2,v3…vm}
且每个POIv都有一个类别标签,其类别记为:Cat(v),其中Cat为POI的类别集合。
S2、用户兴趣向量构建和景点特征提取
定义1对于第v个POI,定义其被访问的次数作为该POI的流行度,记为Pop(v)。
定义2对于第v个POI,给定所有访问该POI的用户访问记录集合,则该POI的平均访问时间为
定义3用户兴趣向量由用户对POI的类别偏好和流行度偏好组成,记为:
Int P(u)=<Int(c1,p1),Int(c2,p2),…,Int(ci,pi)…Int(cn,pn)>
其中,ci表示用户u对POIvi类别的偏好程度,pi表示用户u对POIvi流行度的偏好程度。
定义4景点v上下文信息由所有访问景点v的用户偏好向量构成,其上下文信息矩阵V_matrix记为:
其中,Int P(ui)为用户u对该景点的兴趣向量。
S201、用户u对POI类别的兴趣偏好值的确定;
利用用户u在某个POI类别的持续访问时间和所有用户在该POI上的平均访问时间的比值来刻画用户u对Cat(v)的个性化兴趣,用公式描述如下:
S202、用户u对POI流行度的兴趣偏好值的确定;
其中max代表景点集合中最大的流行度,min代表景点集合中最小的流行度,pop(v)代表POIv的流行度,得到的popnum(v)即第v个POI的流行指数。
之后将Popnum(v)等差的划分到一个流行度集合P中,那么P集合中的每一个值都表示为一个区间,利用与步骤S201同样的方式可以定义用户u对POI流行度的兴趣偏好值,用公式描述如下:
根据基于邻居的协同过滤思想,具有相似用户兴趣向量的用户兴趣也是类似的。基于上述分析,可以根据用户兴趣向量的余弦相似度来为用户u选取k个近邻用户,进一步得到用户u对POIv的兴趣,用公式描述如下:
其中,N为近邻集合,sim(ua,ub)表示用户ua和用户ub之间的余弦相似度。
S203、景点特征信息的提取;
为用户匹配适合的POI时,不仅要根据用户的兴趣向量,同时如果POI的特征信息更加精确,匹配的结果也会得到进一步优化,根据定义4将访问某个POI的所有用户兴趣向量组成该POI的上下文信息矩阵,经过图2所示CNN网络的卷积和池化操作,将CNN网络中全连接层的特征向量作为提取的一维特征向量,使用该向量表示景点上下文信息向量Vec。
S204、用户动态偏好的确定;
由于在一个旅游城市中,用户通常不会访问所有的POI,在用户的历史旅游POI记录中,分别计算用户u访问过POI的特征向量vec与兴趣向量IntP(u)的余弦相似度和用户u未访问POI的特征向量vec与兴趣向量IntP(u)的余弦相似度,结果如图3所示,其中圆圈表示用户访问过POI的相似度,星号表示用户未访问过POI的相似度。从图中可以发现,用户访问过的POI特征向量与其兴趣向量IntP(u)的相似度更高。所以可以判断对于用户未访问的POIv,其POI特征向量vec和用户兴趣向量的相似度越高,用户越有可能访问该POI。
在得到用户对某个POI类别的兴趣偏好值以及对此POI流行度的兴趣偏好值后,结合该POI通过卷积神经网络提取到的特征信息,就可以得到用户较为精确的动态偏好,计算公式如下:
其中,s<Vec,u>表示用户u的兴趣向量和景点特征的相似度,θ为调节参数,用来调节用户兴趣偏好和用户u的兴趣向量与景点特征的相似度在用户动态偏好中所占的比重。
S3、用户个性化旅游路线推荐
定义1定义用户从POIvi移动到POIvj的时间成本为用户的旅行时间花费,记为Travel(vi,vj)。这个时间根据两个POI之间的距离和给定的移动速度计算得出,其中将用户的移动速度定义为6km/小时。
定义2为用户匹配一个合适的POI需要综合考虑用户偏好和该POI流行度,使用score(v)来代表一个POI的得分,记为:
score(v)=σC(u,v)+(1-σ)Pop(v)
其中,Pop(v)表示POIv的流行度;σ为调节参数,用来调节用户动态偏好和POI流行度在方法中所占的比重。
当一位旅行者访问一座特定的城市时,需要根据喜好选择自己旅游路线的起点和终点,并且考虑经过这条路线的时间或距离预算B。预算B反映了旅行者消耗在路上的时间和他旅游路线的距离长短。类似地,旅游路线的起点和终点反映了旅行者的用户偏好。因此,给定POI集合P,预算B,起点POIp1∈P,终点POIpN∈P,方法的目标是在起点、终点和预算的限制下,推荐一条得分最高的旅游路线。
S301、最优路线分数的建立;
根据POI集合P建立N条旅游路线I=(p1,p2,…,pN),从而计算每条路线中各个POI所获得的分数,确定分数值最大的一条,记为:
其中,i为某条旅游路线的起点POIvi,j为某条旅游路线的终点,xi,j为POIvi到POIvj的旅游路线,N为旅游路线的总数量;
S302、旅游路线限制条件的确定;
对于一个用户,推荐的旅游路线需要符合实际意义,包括序列有序问题,且路线中各个POI不能重复出现等,将限制条件记为一下四条:
限制条件(1)保证旅游路线从起点p1开始,于终点pN结束。
限制条件(2)确保每条路线中没有子循环路线。
限制条件(3)确保旅行者整个旅行所花费的预算小于B。
限制条件(4)确保推荐路线中至少包括一个从属于cm类的POI。
进一步以整数规划问题的形式解决旅游路线推荐问题。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
现有技术对游客进行旅游路线推荐时,往往是通过用户的历史访问记录确定用户的访问兴趣,这些方法一般通过用户的历史访问偏好,将用户对景点类型的偏好设置为一个固定的值,从而向用户推荐一条符合用户兴趣的旅游路线。但游客在旅游过程的兴趣偏好存在地理区域之间的漂移现象,即用户在不同区域旅行时往往具有不同的兴趣。换句话说,用户的兴趣在旅游过程中是动态变化的,他们需要动态的选择景点进行访问。因此,我们提出了一种个性化旅游路线推荐的方法来解决用户兴趣偏好的动态变化问题,从而更好的挖掘用户偏好。
实施例一
如图1所示,在本实施例中提供了一种基于用户动态兴趣的个性化旅游路线推荐方法,用于对用户在旅游过程中提取用户的动态兴趣。
在本实施例中,首先给定一个待推荐景点集合,每个景点的信息如表1所示,用于向用户推荐一条用户喜欢的旅游路线。
表1待推荐的景点类别和坐标信息
在本实施例中,根据用户的历史访问记录,统计用户在每个类别下的访问时间(即用户逗留时间),如表2所示。
表2用户访问记录中在不同类别的景点访问时间
类别属性 | 访问时间/h |
娱乐 | 0.5 |
公园 | 0.4 |
历史建筑 | 2.3 |
娱乐 | 1.6 |
购物 | 1.0 |
在本实施例中,根据所有用户历史访问数据计算每个景点的平均访问时间,用来表示访问一个景点的所需要的标准时间,如表3所示。
表3每个景点的平均访问时间信息
在本实施例中,通过计算用户访问时间和平均访问时间的比值,得到用户在不同景点类别的偏好程度。然后使用协同过滤算法从用户的签入行为详细分析了用户的历史兴趣,此外,使用如图2所示的深度学习方法来获取用户旅游的目标区域中的景点上下文信息。计算用户历史兴趣和目标区域中景点上下文信息的余弦相似度,获得如图3所示的结果图,确定用户动态兴趣的有效性。
在本实施例中,对用户的动态特征进行提取时,首先,在用户偏好建模中结合了用户对景点类别和景点流行度的偏好,景点的流行度如表4所示。将结合后的用户偏好融入到协同过滤模型中,从而更有效的挖掘用户偏好;其次,对于每一个景点,我们定义景点的上下文信息矩阵由访问过该景点的所有用户兴趣向量构成,使用卷积神经网络来提取景点上下文信息矩阵中的潜在特征,将CNN网络提取的一维潜在特征作为景点上下文信息向量。通过用户兴趣向量和景点上下文向量的相似度来衡量用户对该景点的偏好程度。通过加权用户的历史兴趣和用户在目标区域中对景点的偏好,确定用户的动态兴趣。
表4景点的流行度
通过该方法计算得出的用户动态兴趣和其他方法计算的用户历史兴趣结果如表5所示,在目标景点集合中,娱乐类别的景点流行度偏高,历史建筑类别的流行度偏低,用户在访问目标区域景点时,兴趣会根据目标区域的景点特性产生动态变化。结果验证,使用用户的动态兴趣推荐的旅游路线更满足用户的实际旅游路线。
表5用户动态兴趣和历史兴趣偏好占比
综上所述,本发明考虑了用户对景点类别的兴趣偏好值,同时结合了景点通过卷积神经网络提取到的特征信息,从用户自身和景点本身两方面出发,解决了用户对某类景点兴趣度的识别问题,此外,本发明还融入了用户对每个景点的流行度的兴趣值,从而实现了用户旅游时兴趣动态变化的路线推荐。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于用户动态兴趣的个性化旅游路线推荐方法,其特征在于,包括以下步骤:
S1、将用户u的历史访问记录S划分为多个旅游序列Seq,如果用户u访问两个POI之间的时间间隔大于阈值τ,将用户u的历史访问记录划分为新的旅游序列;
S2、构建用户兴趣向量,提取景点特征;
S3、旅行者选择旅游路线的起点和终点,考虑经过旅游路线的时间或距离预算B,距离预算B反映旅行者消耗在路上的时间和他旅游路线的距离长短,给定POI集合P,预算B,起点POIp1∈P,终点POIpN∈P,在起点、终点和预算条件下推荐得分最高的旅游路线。
3.根据权利要求1所述的基于用户动态兴趣的个性化旅游路线推荐方法,其特征在于,步骤S1中,旅游序列是由各个POI组成的集合,每个POIv都有一个类别标签,其类别记为:Cat(v),Cat为POI的类别集合,旅游序列为:
V={v1,v2,v3…vm}
其中,vm为用户u访问的第m个POI。
4.根据权利要求1所述的基于用户动态兴趣的个性化旅游路线推荐方法,其特征在于,步骤S2具体为:
S201、利用用户u在某个POI类别的持续访问时间和所有用户在该POI上的平均访问时间的比值刻画用户u对Cat(v)的个性化兴趣,确定用户u对POI类别的兴趣偏好值;
S202、考虑用户u对POI类别的兴趣偏好值,融入用户u对该POI流行度的兴趣值,对于每一个POI,先对流行度进行归一化处理得到该POI的流行指数,再将流行指数等差的划分到一个流行度集合P中,得到用户u对POIv的兴趣;
S203、根据上下文信息矩阵V_matrix将访问某个POI的所有用户兴趣向量组成POI的上下文信息矩阵,经过CNN网络的卷积和池化操作,将CNN网络中全连接层的特征向量作为提取的一维特征向量,表示景点上下文信息向量Vec;
S204、分别计算用户u访问过POI的特征向量vec与兴趣向量IntP(u)的余弦相似度和用户u未访问POI的特征向量vec与兴趣向量IntP(u)的余弦相似度,得到用户对某个POI类别的兴趣偏好值以及对POI流行度的兴趣偏好值,结合POI通过卷积神经网络提取到的特征信息,得到用户的动态偏好。
9.根据权利要求1所述的基于用户动态兴趣的个性化旅游路线推荐方法,其特征在于,步骤S3中,定义用户从POIvi移动到POIvj的时间成本为用户的旅行时间花费,记为Travel(vi,vj);为用户匹配一个合适的POI需要综合考虑用户偏好和该POI流行度,使用Score(v)来代表一个POI的得分;具体步骤为:
S301、根据POI集合P建立N条旅游路线I=(p1,p2,L,pN),计算每条路线中各个POI所获得的分数,确定分数值最大的一条线路;
S302、对于一个用户,确定推荐的旅游路线的限制条件,保证旅游路线从起点p1开始,于终点pN结束;确保每条路线中没有子循环路线;确保整个旅行所花费的预算小于B;确保推荐路线中至少包括一个从属于cm类的POI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010049443.5A CN111177572B (zh) | 2020-01-16 | 2020-01-16 | 一种基于用户动态兴趣的个性化旅游路线推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010049443.5A CN111177572B (zh) | 2020-01-16 | 2020-01-16 | 一种基于用户动态兴趣的个性化旅游路线推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111177572A true CN111177572A (zh) | 2020-05-19 |
CN111177572B CN111177572B (zh) | 2023-07-28 |
Family
ID=70656347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010049443.5A Active CN111177572B (zh) | 2020-01-16 | 2020-01-16 | 一种基于用户动态兴趣的个性化旅游路线推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177572B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149010A (zh) * | 2020-11-01 | 2020-12-29 | 云境商务智能研究院南京有限公司 | 基于注意力机制的群体旅游路线推荐方法 |
CN113486237A (zh) * | 2021-06-07 | 2021-10-08 | 海南太美航空股份有限公司 | 一种航班信息的推荐方法、系统、存储介质和电子设备 |
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 |
CN113819916A (zh) * | 2021-08-27 | 2021-12-21 | 西安理工大学 | 一种基于文化基因算法的旅游路线规划方法 |
CN116841299A (zh) * | 2023-08-31 | 2023-10-03 | 之江实验室 | 一种导览机器人的自主巡游控制方法及装置 |
CN117076786A (zh) * | 2023-08-31 | 2023-11-17 | 广州丰石科技有限公司 | 一种基于漫游信息的跨省旅行热门线路推荐方法 |
CN117078362A (zh) * | 2023-10-17 | 2023-11-17 | 北京铭洋商务服务有限公司 | 一种个性化差旅路线推荐方法及系统 |
CN117273860A (zh) * | 2023-09-28 | 2023-12-22 | 北京利通盛达科技有限公司 | 基于大数据的会话推荐反馈处理方法 |
CN117633372A (zh) * | 2024-01-25 | 2024-03-01 | 四川轻化工大学 | 基于物联网的景区游玩路径优化方法、系统、终端及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066649A1 (en) * | 2010-04-27 | 2015-03-05 | Google Inc. | System and method of providing touristic paths |
CN107436950A (zh) * | 2017-08-07 | 2017-12-05 | 苏州大学 | 一种旅行路线推荐方法及系统 |
CN109977283A (zh) * | 2019-03-14 | 2019-07-05 | 中国人民大学 | 一种基于知识图谱和用户足迹的旅游推荐方法和系统 |
-
2020
- 2020-01-16 CN CN202010049443.5A patent/CN111177572B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066649A1 (en) * | 2010-04-27 | 2015-03-05 | Google Inc. | System and method of providing touristic paths |
CN107436950A (zh) * | 2017-08-07 | 2017-12-05 | 苏州大学 | 一种旅行路线推荐方法及系统 |
CN109977283A (zh) * | 2019-03-14 | 2019-07-05 | 中国人民大学 | 一种基于知识图谱和用户足迹的旅游推荐方法和系统 |
Non-Patent Citations (2)
Title |
---|
吴清霞;周娅;文缔尧;贺正红;: "基于用户兴趣和兴趣点流行度的个性化旅游路线推荐" * |
周啸;梁振东;李少梅;李森;朱艳;王庆宝;: "一种基于兴趣场的按需旅游路线优化算法" * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149010A (zh) * | 2020-11-01 | 2020-12-29 | 云境商务智能研究院南京有限公司 | 基于注意力机制的群体旅游路线推荐方法 |
WO2022088661A1 (zh) * | 2020-11-01 | 2022-05-05 | 云境商务智能研究院南京有限公司 | 基于注意力机制的群体旅游路线推荐方法 |
CN113486237A (zh) * | 2021-06-07 | 2021-10-08 | 海南太美航空股份有限公司 | 一种航班信息的推荐方法、系统、存储介质和电子设备 |
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 |
CN113819916A (zh) * | 2021-08-27 | 2021-12-21 | 西安理工大学 | 一种基于文化基因算法的旅游路线规划方法 |
CN113819916B (zh) * | 2021-08-27 | 2024-01-09 | 西安理工大学 | 一种基于文化基因算法的旅游路线规划方法 |
CN117076786A (zh) * | 2023-08-31 | 2023-11-17 | 广州丰石科技有限公司 | 一种基于漫游信息的跨省旅行热门线路推荐方法 |
CN116841299B (zh) * | 2023-08-31 | 2023-12-22 | 之江实验室 | 一种导览机器人的自主巡游控制方法及装置 |
CN116841299A (zh) * | 2023-08-31 | 2023-10-03 | 之江实验室 | 一种导览机器人的自主巡游控制方法及装置 |
CN117076786B (zh) * | 2023-08-31 | 2024-04-16 | 广州丰石科技有限公司 | 一种基于漫游信息的跨省旅行热门线路推荐方法 |
CN117273860A (zh) * | 2023-09-28 | 2023-12-22 | 北京利通盛达科技有限公司 | 基于大数据的会话推荐反馈处理方法 |
CN117078362A (zh) * | 2023-10-17 | 2023-11-17 | 北京铭洋商务服务有限公司 | 一种个性化差旅路线推荐方法及系统 |
CN117078362B (zh) * | 2023-10-17 | 2023-12-29 | 北京铭洋商务服务有限公司 | 一种个性化差旅路线推荐方法及系统 |
CN117633372A (zh) * | 2024-01-25 | 2024-03-01 | 四川轻化工大学 | 基于物联网的景区游玩路径优化方法、系统、终端及介质 |
CN117633372B (zh) * | 2024-01-25 | 2024-04-09 | 四川轻化工大学 | 基于物联网的景区游玩路径优化方法、系统、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111177572B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177572A (zh) | 一种基于用户动态兴趣的个性化旅游路线推荐方法 | |
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 | |
Lim et al. | Personalized trip recommendation for tourists based on user interests, points of interest visit durations and visit recency | |
CN104537027B (zh) | 信息推荐方法及装置 | |
JP7264357B2 (ja) | 交通システム内でのサイト及び場所の間のルート又はルート距離を使用してサイトを検索又は比較するための方法及び装置 | |
CN112766607B (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
JP5932030B2 (ja) | カスタム移動ルートシステム | |
CN111143680B (zh) | 路线的推荐方法、系统、电子设备及计算机存储介质 | |
Wang et al. | Improving personalized trip recommendation by avoiding crowds | |
US20100211308A1 (en) | Identifying interesting locations | |
TW201741993A (zh) | 確定運輸服務路線之系統及方法 | |
WO2004075137A1 (ja) | 情報提供装置 | |
CN104881472B (zh) | 一种基于网络数据收集的旅游线路景点组合推荐方法 | |
CN111326015A (zh) | 一种停车点推荐方法及装置 | |
CN103577509A (zh) | 路线推荐系统及其方法 | |
CN111859178B (zh) | 一种推荐上车点的方法和系统 | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
Zheng et al. | Location-based social networks: Locations | |
CN113505306A (zh) | 基于异质图神经网络的兴趣点推荐方法、系统及介质 | |
Duan et al. | Personalized tourism route recommendation based on user’s active interests | |
CN110532464B (zh) | 一种基于多旅游上下文建模的旅游推荐方法 | |
CN114386664A (zh) | 一种基于强化学习的个性化旅游线路推荐方法 | |
CN116823535B (zh) | 一种基于多模态大模型的行程规划及智能导览系统 | |
Andrade et al. | From mobility data to habits and common pathways | |
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 |