CN112149010A - 基于注意力机制的群体旅游路线推荐方法 - Google Patents

Abstract

本发明公开一种基于注意力机制的群体旅游路线推荐方法，包括如下步骤：获取不同景点之间的移动交通时间，每个景点的平均访问时间；根据用户历史旅游路线、群体历史旅游路线建立群体偏好模型；根据群体偏好模型，景点热度模型，构建景点效用函数模型；根据景点效用函数模型，群体旅游路线约束得到群体共同偏好最匹配的旅游路线作为最终向群体推荐的旅游路线。由于本发明的一种基于注意力机制的群体旅游路线推荐方法，采用了注意力机制，可以学习群体成员之间的交互关系，并为每个群体成员自动分配权重，获得更准确的群体偏好，本发明在群体旅游路线的时空约束条件下，最大化群体偏好，为群体成员推荐满意的旅游路线。

Description

基于注意力机制的群体旅游路线推荐方法

技术领域

本发明涉及旅游应用领域，尤其涉及一种基于注意力机制的群体旅游路线推荐方法。

背景技术

随着全球经济的飞速发展，旅游已成为人们与家人、朋友休闲度假的主要娱乐方式。从经济上说，旅游业是世界上最大，增长最快的服务行业之一，提供了大量的就业机会，为世界经济做出了重大贡献。由于结伴出行是旅游中的常见的现象，研究群体旅游路线推荐具有重要的意义。在实际生活中，群体成员往往具有不同年龄、性别、职业和个性，如何融合群体成员不同的兴趣以获取群体成员的共同兴趣偏好，使推荐结果尽可能满足大部分群体成员的需求，是群体旅游路线推荐方法需要解决的关键问题。同时，制定群体旅游路线还需要考虑路线的时空约束条件(出发地、目的地和旅游路线时间等)。

尽管传统的旅游推荐系统可以为群体游客提供标准的旅游套餐，但这些套餐通常只包含热门景点，而无法满足群体游客的个性化需求。现有的主流方法试图将群体旅游路线推荐问题转化成定向问题的变体形式，并同时考虑群体偏好和时空约束，然后利用优化算法推荐群体路线。具体来说，群体偏好通过预定义的偏好聚合策略进行融合(例如，平均法、最小痛苦法、最大满意度法)。然而，在实际生活中，由于群体是由年龄、性别、职业、个性等差异巨大的成员组成的异构集合。个体的差异影响群体旅游路线的选择。而传统融合策略是数据独立的，缺乏动态调整群体权重的灵活性，同时，也忽略了群体成员之间的交互关系。

为了获取群体的偏好信息，大量的研究将景点划分成不同类别(例如，河流、山川、人文等)，并从群体的历史旅游路线记录中提取群体对景点类别的偏好。然而，由于一些景点类别不存在于历史记录中，造成基于景点类别的方法效果不佳。为了解决这一问题，一些研究者尝试融合景点类别信息和景点文本信息，预测更细粒度的群体偏好。但是，他们忽略了相同的景点文本信息可能对不同群体具有不同的影响。例如，群体1可能会更关注景点描述中的“适合亲子游”，而群体2可能被“海岛”一词吸引。因此，建模景点信息对不同群体偏好的影响有利于捕获更细粒度的群体偏好。

发明内容

发明目的：针对现有技术的缺点，本发明提供一种基于注意力机制的群体旅游路线推荐方法，考虑群体共同偏好和旅游路线的时空约束，为群体游客推荐满意的旅游路线。

技术方案：一种基于注意力机制的群体旅游路线推荐方法，其特征在于，包括如下步骤：

步骤1.获取不同景点之间的移动交通时间，每个景点的平均访问时间；

步骤2.根据用户历史旅游路线、群体历史旅游路线建立群体偏好模型；

步骤3.根据群体偏好模型，景点热度模型，构建景点效用函数模型；

步骤4.根据景点效用函数模型，群体旅游路线约束得到群体共同偏好最匹配的旅游路线作为最终向群体推荐的旅游路线。

进一步地，所述步骤2具体包括如下子步骤：

步骤2.1对每个景点、用户、群体进行独热编码得到独热向量，再经过嵌入层，得到景点、用户、群体的特征表示向量；

步骤2.2.采用自注意力机制，学习群体成员之间的交互关系，得到更新的群体成员特征表示向量，具体计算过程为：

X_l＝Z_lF_l+Z_i

其中，F_l表示群体成员之间的相似性，softmax(·)为归一化指数函数，Z_l表示群体对应的用户特征表示向量聚合成矩阵，D_u表示用户特征表示向量的维度，X_l表示更新的群体成员的特征表示向量；

步骤2.3.采用注意机制，计算每个用户在群组内的权重，基于每个用户的权重，对群体中的用户进行偏好融合，得到更新的群体特征表示向量，具体计算过程为：

其中，g_l表示更新的群体特征表示向量，x_i为所述步骤2.2中得到的更新的群体成员i的特征表示向量，q_l为初始群体特征表示向量，α_i为群体成员i的权重；

步骤2.4.采用注意力机制，计算单词在景点描述文本中的权重，基于每个单词的权重，得到更新后的景点描述表示向量，具体计算过程为：

其中，t_j表示景点描述文本的特征表示向量，β_t为第t个单词在景点描述文本中的权重，x′_t为经过单词嵌入层后的单词表示；

步骤2.5.采用注意力机制，计算景点描述、景点类别、景点ID在景点表示中的权重，基于权重，得到更新后的景点表示向量，具体计算过程为：

p_j＝γ_jt_j+γ′_jt′_j+γ″_jt″_j

其中，P_j表示更新的景点特征表示向量，γ_j，γ′_j，γ″_j分别为景点文本描述、景点类别、景点ID在景点表示中的权重，t_j为描述文本的特征表示向量，t′_j为经过类别嵌入的特征表示向量，t″_j为经过ID嵌入的特征表示向量；

步骤2.6.根据群体历史旅游路线创建群体-景点交互对，根据用户历史旅游路线创建用户-景点交互对，计算用户特征表示向量、更新的群体特征表示向量以及更新的景点特征表示向量之间的交互，采用多目标学习机制，构建用户偏好模型和群体偏好模型。

进一步地，所述步骤3包括如下子步骤：

步骤3.1.根据景点被访问次数，构建景点热度模型；

步骤3.2.加权群体偏好模型和景点热度模型，构建景点效用模型，具体为：

U(g_l，p_j)＝ηQ(g_l，p_j)+(1-η)Pop(p_j)建立所述景点的效用函数模型。

其中，0＜η＜1，Q(g_l，p_j)表示所述群体偏好模型，Pop(p_j)表示所述景点热度模型，η，1-η分别表示所述群体偏好模型和景点热度模型所占权重。

进一步地，所述步骤4包括如下子步骤：

步骤4.1.确定候选景点；

步骤4.2.从候选景点中随机挑选景点，通过局部搜索算法得到群体旅游路线S；

步骤4.3.从群体旅游路线S中随机删除中间景点，通过步骤4.2所述局部搜索算法得到群体旅游路线S′；

步骤4.4.利用景点效用函数U(·)，分别计算群体旅游路线S和S′中包含的景点总效用值，如果U(S′)＞U(S)，那么以一定概率接受群体旅游路线S′，并设置S＝S′；

步骤4.5.跳转至步骤4.3，直至达到预先设置的迭代的次数；

步骤4.6.得到群体共同偏好最匹配的旅游路线S作为最终向群体推荐的旅游路线。

有益效果：本发明提供的基于注意力机制的群体旅游路线推荐方法，通过自注意力机制，学习群体成员之间的交互关系，得到群体成员的特征表示向量。采用注意机制，计算每个用户在群组内的权重，基于每个用户的权重，对群体中的用户进行偏好融合，得到群体的特征表示向量。通过多目标学习机制根据所述景点特征表示向量，群体特征表示向量，用户特征表示向量，构建用户偏好模型和群体偏好模型。通过所述群体偏好模型和景点热度模型，构建景点效用函数模型。根据景点效用函数模型，群体旅游路线约束得到群体共同偏好最匹配的旅游路线作为最终向群体推荐的旅游路线。本发明提供了一种基于注意力机制的群体旅游路线推荐方法，由于本发明采用了注意力机制，可以学习群体成员之间的交互关系，并为每个群体成员自动分配权重，获得更准确的群体偏好。本发明在群体旅游路线的时空约束条件下，最大化群体偏好，为群体成员推荐满意的旅游路线。

附图说明

图1为本发明基于注意力力机制的群体旅游路线推荐方法的一个实施例的流程图。

图2为本发明中基于注意力机制的用户偏好聚合模型图；

图3为本发明中基于注意力机制的景点特征表示模型图；

图4为本发明中基于多任务学习的交互学习模型图；

图5为本发明中生成群体旅游路线流程图；

图6为本发明中局部搜索算法流程图。

具体实施方式

下面结合附图对本发明作进一步说明：

图1为本发明基于注意力力机制的群体旅游路线推荐方法的一个实施例的流程图，则该方法包括：

步骤1.获取不同景点之间的移动交通时间，每个景点的平均访问时间，具体地，包括以下子步骤：

步骤1.1获取不同景点之间的移动交通时间；

获取到的两个景点之间根据距离的长短分为步行、骑行与车行三种方式，如果两个景点之间的距离小于2公里时默认为步行时间、距离在2公里到5公里之间时默认为骑行时间，大于5公里时默认为车行时间。时间通过百度地图API获取到不同的两个景点之间的移动交通时间。景点p_i与景点p_j之间的移动交通时间记做T(p_i，p_j)。

步骤1.2.获取每个景点的平均访问时间；

根据用户历史旅游路线，群体历史旅游路线，统计每个景点的平均访问时间。所述景点访问时间为到达景点和离开景点之间的时间差。景点p_i的平均访问时间记做D(p_i)。

步骤2.根据用户历史旅游路线、群体历史旅游路线建立群体偏好模型，具体地，包括以下子步骤：

步骤2.1.对每个景点、用户、群体进行独热编码(one-hot)，得到独热向量，再经过嵌入层(embedding layer)，得到景点的特征表示向量。

具体地，对景点、用户、群体数据进行编号，得到景点p_j，用户u_i，群体q_l的独热编码(one-hot)，得到独热向量，再经过嵌入层(embedding layer)，得到景点的特征表示向量p_j，用户的特征表示向量u_i，群体特征表示向量q_l。所述独热编码是对景点编号对应位置的值设为1，其他位置全为0。例如，有5个景点，第三个景点的独热向量为[0,0,1,0,0]。而嵌入层可以表示为p＝W^Tx,其中W为嵌入层的权重向量，x为独热向量，p为特征表示向量。

步骤2.2.采用自注意力机制，学习群体成员之间的交互关系，得到更新的群体成员的特征表示向量。

如图2所示，将所述步骤2.1中群体q_l对应的用户特征表示向量聚合成矩阵Z_l，Z_l＝[z₁，z₂，...，z_Nl]，其中，N_l表示所述群体中的群体成员个数，z_i对应于第i个用户的特征表示向量。通过尺度点积创建自注意力得分矩阵F_l，F_l表示群体成员之间的相似性，反映群体成员之间的交互信息，计算方式如下：

其中，D_u表示用户特征表示向量的维度，softmax(·)为归一化指数函数，假设有一个N维数组V，v_i表示V中的第i个元素，那么这个元素的softmax函数值为

其中e(·)为指数函数。

进一步地，将F_l乘以初始群体特征表示Z_l，通过合并来自群体成员的信息来更新群体特征表示向量。此外，考虑到原始成员的偏好不能通过相邻成员的融合来表示，所以通过残差连接的方式，得到更新的群体成员的特征表示X_l，

其中x_i代表更新的群体成员i的特征表示向量，计算方式如下：

X_l＝Z_iF_l+Z_i

步骤2.3.采用注意机制，计算每个用户在群体内的权重，基于每个用户的权重，对群体中的用户进行偏好融合，得到更新的群体特征表示向量。

如图2所示，采用注意力机制，学习每个用户在群体内的权重，得到更新的群体特征表示向量。群体成员权重越高，表示群体成员在群决策中重要程度越高。计算方式如下：

g_l表示更新的群体特征表示向量，x_i为所述步骤2.2中得到的更新的群体成员i的特征表示向量，q_l为初始群体特征表示向量，α_i为群体成员i的权重。

所述步骤2.3中，计算用户在群体内的权重，具体为：

其中，h_t,V_t,W_t表示注意力网络的权值参数，b_t为偏置向量，使用归一化指数函数，计算用户权重。

步骤2.4.采用注意力机制，计算单词在景点描述文本中的权重，基于每个单词的权重，得到更新后的景点描述表示向量。

如图3所示，采用注意力机制，学习每个单词在景点描述文本中的权重，得到更新的景点描述文本表示向量。权重越高，表示单词在景点文本中的重要程度越高。计算方式如下：

其中，t_j表示景点描述文本的特征表示向量，β_t为第t个单词在景点描述文本中的权重。

所述步骤2.4中，计算单词在描述文本中的权重，具体为：

其中，V_s,W_s表示注意力网络的权值参数，b_s为偏置向量，使用归一化指数函数，计算单词权重，x′_t为经过单词嵌入层后的单词特征表示向量，q_l为初始群体特征表示向量。

步骤2.5.采用注意力机制，计算景点描述、景点类别、景点ID在景点表示中的权重，基于权重，得到更新后的景点特征表示向量。

如图3所示，采用注意力机制，学习景点描述、景点类别、景点ID在景点特征表示中的权重。权重越高，表示特征的重要程度越高，计算方式如下：

p_j＝γ_jt_j+γ′_jt′_j+γ″_jt″_j

P_j表示更新的景点特征表示向量，γ_j，γ′_j，γ″_j分别为景点文本描述、景点类别、景点ID在景点表示中的权重，t_j为描述文本的特征表示向量，t′_j为经过类别嵌入的特征表示向量，t″_j为经过ID嵌入的特征表示向量。

所述步骤2.5中，计算景点文本描述、景点类别、景点ID在景点特征表示中的权重，具体为：

其中，V_r，W_r表示注意力网络的权值参数，b_r为偏置向量，使用归一化指数函数，计算景点文本描述、景点类别、景点ID的权重，q_l为初始群体特征表示向量。

步骤2.6.根据群体历史旅游路线创建群体-景点交互对，根据用户历史旅游路线创建用户-景点交互对，计算用户特征表示向量、更新的群体特征表示向量以及更新的景点特征表示向量之间的交互，采用多目标学习机制，构建用户偏好模型和群体偏好模型。

如图4所示，根据群体历史旅游路线创建群体-景点交互对(g_l，p_j)，根据用户历史旅游路线创建用户-景点交互对(u_i，p_j)。通过乘积操作，捕捉群体与景点之间的交互g_l⊙p_j和用户与景点之间的交互u_i⊙p_j，其中⊙为哈达玛(Hadamard)积，为矩阵中对应元素相乘。

根据所述群体与景点之间的交互g_l⊙p_j，通过多层感知机，输出群体对景点的偏好模型Q(g_l，p_j)，计算方式如下：

Q(g_l，p_j)＝Sigmoid(W₂ReLU(W₁(g_l⊙p_j)+b₁)+b₂)

其中，W1和b1分别代表多层感知机第一层的权重矩阵和偏置向量，W₂和b₂分别代表多层感知机第二层的权重矩阵和偏置向量，其中Sigmoid(·)为逻辑回归函数，

ReLU(·)为线性整流函数，ReLU(x)＝max(0，x)。

同理，根据所述用户与景点之间的交互u_i⊙p_j，通过多层感知机，输出用户对景点的偏好模型R(u_i，p_j)，计算方式如下：

R(u_i，p_j)＝Sigmoid(W₂ ReLU(W₁(u_i⊙p_j)+b₁)+b₂)

步骤3.根据群体偏好模型，景点热度模型，构建景点效用函数模型，具体地，包括以下子步骤：

步骤3.1.根据景点被访问次数，构建景点热度模型。

根据景点在群体历史旅游路线和用户历史旅游路线中被访问的总次数，构建景点热度模型Pop(p_j)。

步骤3.2.加权群体偏好模型和景点热度模型，构建景点效用模型。

采用U(g_l，p_j)＝ηQ(g_l，p_j)+(1-η)Pop(p_j)建立所述景点的效用函数模型。其中，0＜η＜1，Q(g_l，p_j)表示所述群体偏好模型，Pop(p_j)表示所述景点所述景点热度模型，η，1-η分别表示所述群体偏好模型和景点热度模型所占权重。

步骤4.如图5所示，根据景点效用函数模型，群体旅游路线约束得到群体共同偏好最匹配的旅游路线作为最终向群体推荐的旅游路线，具体地，包括以下子步骤：

步骤4.1.确定候选景点。

本实施例中，候选景点指设定区域内的推荐访问景点，可以表示为某城市内旅游资源的兴趣点，如在南京市的旅游资源的兴趣点为：中山陵、夫子庙、总统府、栖霞山等。

步骤4.2.从候选景点中随机挑选景点，通过局部搜索得到群体旅游路线S。

具体地，初始化群体旅游路线S₀＝<p1，p_N>，其中p₁为群体旅游路线预定义的出发地，p_N为群体旅游路线预定义的目的地。随机从候选景点中选择景点，通过局部搜索得到群体旅游路线S。

所述局部搜索算法如图6所示，输入群体旅游路线S＝<p₁，...，p_N>，旅游路线已花费时间totalCost和预先设定的群体旅游路线时间预算buget，其中，所述totalCost具体计算方式如下

其中，T(p_k，p_k+1)为所述步骤1.1中计算的景点p_k和景点p_k+1之间的移动交通时间，D(p_k)为所述步骤1.2中计算的景点p_k的平均访问时间。

进一步地，从群体旅游路线S中随机选择景点p_i，并且确保选择的景点p_i不是目的地p_N。从候选景点中随机选择景点p_j，并且确保选择的景点p_j不包含在群体旅游路线S中。判断插入景点p_j后得到的更新的旅游路线时间是否超过时间预算，更新的旅游路线总时间计算过程如下：

ulpdateCost＝totalCost+T(p_i，p_j)+D(p_j)

其中，updateCost为更新的旅游路线总时间，buget为预先设定的时间预算。如果updateCost≤buget，即更新的旅游路线总时间不超过预先设定的时间预算，则可以在旅游路线S中的景点p_i后插入景点p_j，并将totalCost值更新为updateCost。重复以上操作maxLoop次，maxLoop为预定义的迭代次数。迭代结束后，得到群体旅游路线S。

步骤4.3.从群体旅游路线S中随机删除中间景点，通过步骤4.2所述局部搜索算法得到群体旅游路线S′。

步骤4.4.利用景点效用函数U(·)，分别计算群体旅游路线S和S′中包含的景点总效用值，如果U(S′)＞U(S)，那么以一定概率接受群体旅游路线S′，并设置S＝S′。

利用步骤3.2所述景点效用模型U(·)，分别计算群体旅游路线S和S′中包含的景点总效用值，如果U(S′)＞U(S)，那么以概率acceptPro接受群体旅游路线S′，并设置S＝S′。

步骤4.5.跳转至步骤4.3，直至达到预先设置的迭代的次数。

步骤4.6.得到群体共同偏好最匹配的旅游路线S作为最终向群体推荐的旅游路线。

为了验证算法的效果，进行了如下实验，实验数据来自六个公开数据集，前四个数据集抽取自Flickr，包含游客在意大利城市中的旅游路线轨迹。由于没有包含明确的群体信息。我们按照文献中的方法，提取了两种隐式群体：相似群体(FLOR-Simi、ROME-Simi)和随机群体(FLOR-Rand、ROME-Rand)。通过聚合历史记录中访问了相似景点类别的用户得到相似群体，而随机群体不受上述限制。后两个数据集来自基于位置的社交网络平台Gowalla，用户可以在Gowalla上签到访问过的景点，并且可以与朋友建立社交关系。对于Gowalla数据集，我们只抽取来自奥斯汀和洛杉矶两个城市的签到数据，并聚合在社交网络上有关联的并且旅游路线具有相同出发地和目的地的用户作为社交群体(AUS-Social、LA-Social)。这种分组方法模拟了实际生活中朋友结伴旅游的应用场景。为了验证项目推荐的性能，我们随机选择20％、10％的群体旅游路线(包括对应的用户-景点交互和群体-景点交互信息)作为测试集和验证集，剩下的数据作为训练集。S_g、S_r分别表示真实的和算法推荐的群体旅游路线，而p_g(p_r)对应于旅游路线S_g(S_r)中间访问景点。算法推荐结果的准确性由准确率、召回率、F值来衡量。准确率、召回率、F值的定义如下：

准确率(Precision)

召回率(Recall)

F值(F-measure)

同时，采用了如下模型作为对比实验：

1)AGREE:最早提出的采用注意力机制学习偏好融合策略用以解决群体推荐问题的模型。

2)COM：基于概率图模型的群体推荐经典模型。COM通过融合具有不同权重的群体成员偏好获取群体对景点的总体偏好。

3)PIT：基于主题模型的群体推荐经典模型。PIT挑选群体中影响力较大的成员代表群体。

4)PersTour-AVE：为群体成员的设置相同的权重值计算群体对景点的整体偏好。

5)PersTour-LM：采用最小痛苦策略，根据群体成员最低的权重值计算群体对景点的整体偏好。

6)PersTour-MS：采用最大满意度策略，根据群体成员最高的权重值计算群体对景点的整体偏好。

对于所述对比方法，我们在最佳参数设置情况下进行实验。对于我们提出的方法(AMT-IRE)，单词嵌入层采用word2vec模型，并且将单词嵌入维度设置为100。群体、群体成员和景点的嵌入维度设置为128。最优批尺寸(batch-size)从[16，32，64，128，256]中挑选出最优值64。从[0.0001、0.0005、0.001、0.005]中选择学习率，根据验证集的实验结果，FLOR-Rand和ROME-Simi设置为0.0005，而其他四个数据集则设置为0.001效果更好。负采样率ρ从0到10的整数中进行选择，结果表明，对于FLOR-Rand数据集，ρ＝3效果更好，而对于其他数据集，ρ＝4效果更好。在所有梯度下降中选择Adam算法，并且使用dropout策略避免过拟合，dropout比率设置为λ＝0.2。

表1为本发明群体旅游路线推荐方法与其他推荐方法在推荐的召回率、准确率和F值方面的实验结果比较。

根据表1中的实验结果，我们可以发现提出的AMT-IRE算法在六个数据集的召回率上优于所有对比方法，同时与最优对比方法相比，平均召回率提高了11.1％。在36次比较实例中，AMT-IRE 35次在准确率和F值方面优于对比方法。其次，AMT-IRE和AGREE方法在所有情况下均优于COM和PIT方法，显示出神经网络在群体、群体成员、景点交互建模中的优越性。同时AMT-IRE方法优于PersTour-AVG，PersTour-LM和PersTourMS方法，这些方法之间的主要区别在于后三个对比方法既没有充分考虑群体成员的个体的差异，也没有利用群体成员之间的相互影响，而AMT-IRE以动态方式为不同的群体成员分配了不同的权重。此外，基于PersTour的方法(即PersTour-AVG，PersTour-LM和PersTour-MS)中没有明显的优劣之分。例如，在FLOR-Rand数据集中，PersTour-AVG优于PersTour-LM，但在LA-Social数据集中却不及PersTour-LM。这些结果表明使用简单的群体融合策略不足以拟合群体决策的复杂性和动态性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于注意力机制的群体旅游路线推荐方法，其特征在于，包括如下步骤：

步骤1.获取不同景点之间的移动交通时间，每个景点的平均访问时间；

步骤2.根据用户历史旅游路线、群体历史旅游路线建立群体偏好模型；

步骤3.根据群体偏好模型，景点热度模型，构建景点效用函数模型；

步骤4.根据景点效用函数模型，群体旅游路线约束得到群体共同偏好最匹配的旅游路线作为最终向群体推荐的旅游路线。

2.根据权利要求1所述的基于注意力机制的群体旅游路线推荐方法，其特征在于，所述步骤2具体包括如下子步骤：

步骤2.1对每个景点、用户、群体进行独热编码得到独热向量，再经过嵌入层，得到景点、用户、群体的特征表示向量；

步骤2.2.采用自注意力机制，学习群体成员之间的交互关系，得到更新的群体成员特征表示向量，具体计算过程为：

Z_l＝Z_lF_l+Z_l

其中，F_l表示群体成员之间的相似性，softmax(·)为归一化指数函数，Z_l表示群体对应的用户特征表示向量聚合成的矩阵，D_u表示用户特征表示向量的维度，X_l表示更新的群体成员的特征表示向量；

步骤2.3.采用注意机制，计算每个用户在群组内的权重，基于每个用户的权重，对群体中的用户进行偏好融合，得到更新的群体特征表示向量，具体计算过程为：

其中，g_l表示更新的群体特征表示向量，x_i为所述步骤2.2中得到的更新的群体成员i的特征表示向量，q_l为初始群体特征表示向量，α_i为群体成员i的权重；

步骤2.4.采用注意力机制，计算单词在景点描述文本中的权重，基于每个单词的权重，得到更新后的景点描述表示向量，具体计算过程为：

其中，t_j表示景点描述文本的特征表示向量，β_t为第t个单词在景点描述文本中的权重，x′_t为经过单词嵌入层后的单词表示向量；

步骤2.5.采用注意力机制，计算景点描述、景点类别、景点ID在景点表示中的权重，基于权重，得到更新后的景点表示向量，具体计算过程为：

p_j＝γ_jt_j+γ′_jt′_j+γ″_jt″_j

其中，P_j表示更新的景点特征表示向量，γ_j，γ′_j，γ″_j分别为景点文本描述、景点类别、景点ID在景点表示向量中的权重，t_j为描述文本的特征表示向量，t′_j为经过类别嵌入的特征表示向量，t″_j为经过ID嵌入的特征表示向量；

步骤2.6.根据群体历史旅游路线创建群体-景点交互对，根据用户历史旅游路线创建用户-景点交互对，计算用户特征表示向量、更新的群体特征表示向量以及更新的景点特征表示向量之间的交互，采用多目标学习机制，构建用户偏好模型和群体偏好模型。

3.根据权利要求1所述的基于注意力机制的群体旅游路线推荐方法，其特征在于，所述步骤3包括如下子步骤：

步骤3.1.根据景点被访问次数，构建景点热度模型；

步骤3.2.加权群体偏好模型和景点热度模型，构建景点效用模型，具体为：

U(g_l，p_j)＝ηQ(g_l，p_j)+(1-η)Pop(p_j)建立所述景点的效用函数模型。

其中，0＜η＜1，Q(g_l，p_j)表示所述群体偏好模型，Pop(p_j)表示所述景点热度模型，η，1-η分别表示所述群体偏好模型和景点热度模型所占权重。

4.根据权利要求1所述的基于注意力机制的群体旅游路线推荐方法，其特征在于，所述步骤4包括如下子步骤：

步骤4.1.确定候选景点；

步骤4.2.从候选景点中随机挑选景点，通过局部搜索算法得到群体旅游路线S；

步骤4.3.从群体旅游路线S中随机删除中间景点，通过步骤4.2所述局部搜索算法得到群体旅游路线S′；

步骤4.4.利用景点效用函数U(·)，分别计算群体旅游路线S和S′中包含的景点总效用值，如果U(S′)＞U(S)，那么以一定概率接受群体旅游路线S′，并设置S＝S′；

步骤4.5.跳转至步骤4.3，直至达到预先设置的迭代的次数；

步骤4.6.得到群体共同偏好最匹配的旅游路线S作为最终向群体推荐的旅游路线。

Images