CN112287241A - 旅游推荐方法及系统 - Google Patents

旅游推荐方法及系统 Download PDF

Info

Publication number
CN112287241A
CN112287241A CN202011108107.XA CN202011108107A CN112287241A CN 112287241 A CN112287241 A CN 112287241A CN 202011108107 A CN202011108107 A CN 202011108107A CN 112287241 A CN112287241 A CN 112287241A
Authority
CN
China
Prior art keywords
recommendation
user
data
label
travel
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
Application number
CN202011108107.XA
Other languages
English (en)
Other versions
CN112287241B (zh
Inventor
殷明康
章韵
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202011108107.XA priority Critical patent/CN112287241B/zh
Publication of CN112287241A publication Critical patent/CN112287241A/zh
Application granted granted Critical
Publication of CN112287241B publication Critical patent/CN112287241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种旅游推荐方法，用于分析用户的旅游偏好，主要包括以下步骤：获取用户行为信息，包括标签数据和评分数据，判断是否属于冷启动；获取用户的标签数据，并判断该用户是否有评分数据；若无评分数据，则使用基于标签的推荐算法，按照标签权重进行排序，生成推荐结果；使用基于标签的推荐算法和基于用户的协同过滤推荐算法，将标签权重融入评分数据，生成推荐结果；对推荐结果进行过滤，选取Top N的数据进行缓存以供系统调用，向用户进行个性化推荐。本发明旨在通过获取并分析用户的旅游偏好数据，结合基于标签的推荐算法和基于用户的协同过滤推荐算法，向用户提供个性化的推荐结果，提高用户的旅游体验。

Description

旅游推荐方法及系统
技术领域
本发明涉及一种旅游推荐方法及系统，属于旅游服务领域。
背景技术
随着国民经济水平的不断提升，人们更加注重自己的生活质量，旅游业随之蓬勃发展。但是，不同景点都有其自己的特点和地方特色，用户也有不同的旅游偏好，所以用户在自行挑选旅行地点时往往耗费时间和精力。为了更好地利用旅游资源，满足用户的旅游需求，应该深入挖掘用户和旅游资源之间的关系和特点，提升用户体验，构建个性化旅游推荐系统。推荐系统是解决信息过载的一种比较好的方法，良好的推荐算法不仅可以让用户找到适合自己的旅游景点，节约搜索和考虑时间，而且还能促进旅游平台的健康良性发展。
目前国内外对推荐算法的应用做了许多研究，涌现出许多推荐技术，常见的有基于内容的推荐方法、协同过滤方法等，还有混合多种推荐技术的方法。由于在不同的应用场景下，推荐算法的适用性和易用性都不一样，所以要选择合适的方法；推荐系统还需要大量用户行为数据的支持，数据少会导致推荐性能指标下降，而数据多又会导致计算量大，影响系统的实时性。
有鉴于此，确有必要提出一种旅游推荐方法及系统，以解决上述问题。
发明内容
本发明的目的在于提供一种旅游推荐方法及系统，采用混合推荐算法，向用户提供个性化的旅游方案。
为实现上述目的，本发明提供了一种旅游推荐方法，用于分析用户的旅游偏好，主要包括以下步骤：
步骤S1、获取用户行为信息，包括标签数据和评分数据，判断是否属于冷启动；若为冷启动，则采用默认推荐机制，生成推荐结果，并转到步骤S4；若不为冷启动，则转到步骤S2；
步骤S2、获取用户的标签数据，并判断该用户是否有评分数据；若无评分数据，则使用基于标签的推荐算法，按照标签权重进行排序，生成推荐结果，并转到步骤S4；若有评分数据，则转到步骤S3；
步骤S3、使用基于标签的推荐算法和基于用户的协同过滤推荐算法，将标签权重融入评分数据，生成推荐结果；
步骤S4、对推荐结果进行过滤，选取Top N的数据进行缓存以供系统调用，向用户进行个性化推荐。
可选的，步骤S1中，所述默认推荐机制为将近期人流量大的热门景点作为推荐结果。
可选的，步骤S2中，所述标签数据包括默认标签和自定义标签，所述默认标签为默认设置的景点固有属性，所述自定义标签为用户输入的个性化标签。
可选的，步骤S3具体为：在用户只有标签数据时，计算标签权重并对标签进行扩展，即计算标签之间的相似度，对于标签b，N(b)表示为有标签b的景点的集合，nb,i为给景点i打上标签b的用户数，可以通过如下余弦相似度公式计算标签b和标签b'的相似度：
Figure BDA0002727646090000021
将相似度接近的标签归为一类，并对热门景点进行惩罚，可以得到表示用户u对景点i的兴趣公式：
Figure BDA0002727646090000022
其中，nu,b表示用户u打过标签b的次数，nb,i表示景点i被打过标签b的次数，
Figure BDA0002727646090000031
表示标签b被多少个不同的用户使用过，
Figure BDA0002727646090000032
表示景点i被多少个不同的用户打过标签。
可选的，所述标签权重使用TF-IDF算法计算获得。
可选的，步骤S3中，当用户有评分数据时，构建评分矩阵并进行预处理，将标签权重和价格权重归一化后融入到评分数据中，得到完整的评分矩阵后对评分用户进行聚类，最后使用基于用户的协同过滤算法生成推荐结果。
可选的，所述预处理包括采用Weight Slope One算法填充评分数据的未评分项，以降低数据的稀疏性。
可选的，在得到有完整数据的评分矩阵后，通过K-means算法对评分用户进行聚类。
可选的，步骤S4中，所述过滤用于排除季节性的景点和用户近期已经旅行过的景点，以保证数据的新颖性。
为实现上述目的，本发明还提供了一种旅游推荐系统，应用上述的旅游推荐方法，包括：
数据存储模块，用于获取并储存用户产生的行为信息，供推荐引擎模块进行分析；
默认推荐机制模块，用于对无历史数据的用户采用默认方案作为推荐结果；
推荐引擎模块，用于分析用户的行为信息，并向用户进行个性化推荐；
数据缓存模块，用于缓存默认推荐机制模块和推荐引擎模块的推荐结果；
效果评估模块，用于对数据缓存模块中的推荐结果进行优化，并及时更新推荐结果。
本发明的有益效果是：本发明旨在通过获取并分析用户的旅游偏好数据，结合基于标签的推荐算法和基于用户的协同过滤推荐算法，向用户提供个性化的推荐结果，提高用户的旅游体验。
附图说明
图1为本发明旅游推荐系统的框架流程图。
图2为图1中推荐引擎模块的流程图。
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，下面结合附图和具体实施例对本发明进行详细描述。
如图1和图2所示，本发明揭示了一种旅游推荐方法，用于分析用户的旅游偏好，主要包括以下步骤：
步骤S1、获取用户行为信息，包括标签数据和评分数据，判断是否属于冷启动；若为冷启动，则采用默认推荐机制，生成推荐结果，并转到步骤S4；若不为冷启动，则转到步骤S2；
步骤S2、获取用户的标签数据，并判断该用户是否有评分数据；若无评分数据，则使用基于标签的推荐算法，按照标签权重进行排序，生成推荐结果，并转到步骤S4；若有评分数据，则转到步骤S3；
步骤S3、使用基于标签的推荐算法和基于用户的协同过滤推荐算法，将标签权重融入评分数据，生成推荐结果；
步骤S4、对推荐结果进行过滤，选取Top N的数据进行缓存以供系统调用，向用户进行个性化推荐。
以下将对步骤S1-步骤S4进行详细说明。
步骤S1中，当用户刚注册，尚未产生任何数据，此时使用默认推荐机制解决冷启动问题；所述默认推荐机制为将近期人流量大的热门景点作为推荐结果。
步骤S2中，所述标签数据包括默认标签和自定义标签，所述默认标签为默认设置的景点固有属性，所述自定义标签为用户输入的个性化标签，可让用户更加便捷地构建自己的兴趣偏向，在系统上可以统一进行管理。由于用户自定义的标签可能是无意义的，或者含义相近，所以需要进行标签清理，去停用词、分词等等。
当碰到冷启动问题时，系统采取默认推荐机制，因为每个景点都有其固有特点，所以用户注册后可以选择自己的旅游偏好标签。如果用户注册后没有选择旅游偏好标签，则将近期人流量大的热门景点作为推荐结果，否则，先过滤掉用户不感兴趣的景点，然后进行标签特征比较，通过向量空间模型计算两组标签的空间夹角的余弦值，将其作为标签间的相似度，两个标签之间的计算公式如下：
Figure BDA0002727646090000051
在用户没有历史数据的情况下，系统就会选择相似度最高的热门景点进行推荐。通过标签特征比较可以简单地得到与用户偏好较为匹配的景点信息，如果用户选择了偏好特征，那么需要比较用户偏好特征和景点固有属性，找到相似度较高的所有相关的景点。
为了保证基于标签的推荐算法的性能，需要进行标签扩展，即计算标签之间的相似度。如果认为同一个景点上的不同标签具有某种相似度，那么当两个标签同时出现在很多景点的标签集合中时，我们就可以认为这两个标签具有较大的相似度。
在用户只有标签数据时，使用TF-IDF算法计算标签权重并对标签进行扩展，对于标签b，N(b)表示为有标签b的景点的集合，nb,i为给景点i打上标签b的用户数，可以通过如下余弦相似度公式计算标签b和标签b'的相似度：
Figure BDA0002727646090000052
将相似度接近的标签归为一类，并对热门景点进行惩罚，可以得到表示用户u对景点i的兴趣公式：
Figure BDA0002727646090000061
其中，nu,b表示用户u打过标签b的次数，nb,i表示景点i被打过标签b的次数，
Figure BDA0002727646090000062
表示标签b被多少个不同的用户使用过，
Figure BDA0002727646090000063
表示景点i被多少个不同的用户打过标签。
步骤S3中，当用户没有产生一定量的评分数据时，直接将用户对景点的兴趣度进行排序，获取Top N数据；否则就把评分数据转化为m行n列的用户—景点评分矩阵Rm,n。由于评分矩阵是稀疏的，即有些数据是缺失的，就需要进行预处理，通过Weighted Slope One算法填充未评分项，尽可能降低评分数据稀疏性并保证评分能相对准确。假设有用户u，其已评分景点为i，Iu为用户u所有已评分的项目集合，即i∈Iu,用户待预测评分的景点为j。首先计算景点i与景点j之间的评分偏差disi,j，计算公式如下：
Figure BDA0002727646090000064
其中，Ui,j为对项目i和项目j都评过分的用户集合，u′是集合Ui,j中的用户，是用户u′对项目i的评分，ru′,j是用户u′对项目j的评分，numi,j为集合Ui,j中元素的数量。
然后根据评分偏差disi,j和目标用户u对项目i的评分ru,i计算目标用户u对项目j的预测评分preu,j，计算公式如下：
Figure BDA0002727646090000065
在得到有完整数据的评分矩阵后，融入标签权重和价格权重，即每个评分乘以对应权重。标签权重即该用户对景点的兴趣度，由于这个值不同，需要进行归一化，即将值压缩到0到1这个区间；价格权重通过在不同的价格区间设置不同的权重，表示价格因素对用户选择的影响。
最后通过K-means算法，融入密度和距离优化初始聚类中心，对评分用户进行聚类，缩小相似用户的搜索空间，并使用基于用户的协同过滤推荐算法，比较用户之间的相似度，进行阈值过滤，选择最合适的近邻做个性化预测，生成推荐结果。
步骤S4中，所述过滤用于排除季节性的景点和用户近期已经旅行过的景点，接下来还要考虑时间和价格因素，对结果进行条件过滤并去重，以保证数据的新颖性，最终得到Top N个数据进行缓存，以保证高并发情况下能正常访问，提高数据读取速度。
本发明还提供了一种应用上述旅游推荐方法的旅游推荐系统，包括：
数据存储模块，用于获取并储存用户产生的行为信息，包括标签数据和评分数据，供推荐引擎模块进行分析。
默认推荐机制模块，是为了解决用户冷启动的问题，用户在刚注册时，是没有历史数据的，系统就会采取默认的推荐方案。每个景点有自己的固有属性，实质也是一组标签。如果用户一开始没有选择偏好标签，系统就会根据近期景点的旅游人次进行排序，将最热门的Top N景点推荐给用户。
推荐引擎模块，用于分析用户的行为信息，并向用户进行个性化推荐。推荐引擎模块是本发明最核心的模块，决定了推荐结果是否准确，主要体现为：从数据库中取出用户的行为信息并格式化，得到有结果的数据，接着继续模型训练，即计算并分析用户的行为信息，最后再进行过滤，得到生成推荐结果。
数据缓存模块，用于缓存默认推荐机制模块和推荐引擎模块的推荐结果。由于用户产生的数据的增多，系统运算时长会增大，所以可以通过定时重新计算并缓存结果的方式，提高用户访问体验，减轻后台运算的负担。
效果评估模块，用于对数据缓存模块中的推荐结果进行优化，并及时更新推荐结果。效果评估模块是对推荐结果的一个评估，评估的指标包括平均绝对误差、均方根误差、覆盖率、新颖性等评估指标。当发现某项指标不是很理想时，需要及时调整参数到合适的值，并每隔一段时间及时更新推荐数据，保证相对实时性。
综上所述，本发明旨在通过获取并分析用户的旅游偏好数据，结合基于标签的推荐算法和基于用户的协同过滤推荐算法，向用户提供个性化的推荐结果，提高用户的旅游体验。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种旅游推荐方法，用于分析用户的旅游偏好，其特征在于，主要包括以下步骤：
步骤S1、获取用户行为信息，包括标签数据和评分数据，判断是否属于冷启动；若为冷启动，则采用默认推荐机制，生成推荐结果，并转到步骤S4；若不为冷启动，则转到步骤S2；
步骤S2、获取用户的标签数据，并判断该用户是否有评分数据；若无评分数据，则使用基于标签的推荐算法，按照标签权重进行排序，生成推荐结果，并转到步骤S4；若有评分数据，则转到步骤S3；
步骤S3、使用基于标签的推荐算法和基于用户的协同过滤推荐算法，将标签权重融入评分数据，生成推荐结果；
步骤S4、对推荐结果进行过滤，选取Top N的数据进行缓存以供系统调用，向用户进行个性化推荐。
2.根据权利要求1所述的旅游推荐方法，其特征在于：步骤S1中，所述默认推荐机制为将近期人流量大的热门景点作为推荐结果。
3.根据权利要求1所述的旅游推荐方法，其特征在于：步骤S2中，所述标签数据包括默认标签和自定义标签，所述默认标签为默认设置的景点固有属性，所述自定义标签为用户输入的个性化标签。
4.根据权利要求1所述的旅游推荐方法，其特征在于，步骤S3具体为：在用户只有标签数据时，计算标签权重并对标签进行扩展，即计算标签之间的相似度，对于标签b，N(b)表示为有标签b的景点的集合，nb,i为给景点i打上标签b的用户数，可以通过如下余弦相似度公式计算标签b和标签b'的相似度：
Figure FDA0002727646080000011
将相似度接近的标签归为一类，并对热门景点进行惩罚，可以得到表示用户u对景点i的兴趣公式：
Figure FDA0002727646080000021
其中，nu,b表示用户u打过标签b的次数，nb,i表示景点i被打过标签b的次数，
Figure FDA0002727646080000022
表示标签b被多少个不同的用户使用过，
Figure FDA0002727646080000023
表示景点i被多少个不同的用户打过标签。
5.根据权利要求4所述的旅游推荐方法，其特征在于：所述标签权重使用TF-IDF算法计算获得。
6.根据权利要求1所述的旅游推荐方法，其特征在于，步骤S3中，当用户有评分数据时，构建评分矩阵并进行预处理，将标签权重和价格权重归一化后融入到评分数据中，得到完整的评分矩阵后对评分用户进行聚类，最后使用基于用户的协同过滤算法生成推荐结果。
7.根据权利要求6所述的旅游推荐方法，其特征在于：所述预处理包括采用WeightSlope One算法填充评分数据的未评分项，以降低数据的稀疏性。
8.根据权利要求6所述的旅游推荐方法，其特征在于：在得到有完整数据的评分矩阵后，通过K-means算法对评分用户进行聚类。
9.根据权利要求1所述的旅游推荐方法，其特征在于：步骤S4中，所述过滤用于排除季节性的景点和用户近期已经旅行过的景点，以保证数据的新颖性。
10.一种旅游推荐系统，其特征在于，应用权利要求1-9中任一项所述的旅游推荐方法，包括：
数据存储模块，用于获取并储存用户产生的行为信息，供推荐引擎模块进行分析；
默认推荐机制模块，用于对无历史数据的用户采用默认方案作为推荐结果；
推荐引擎模块，用于分析用户的行为信息，并向用户进行个性化推荐；
数据缓存模块，用于缓存默认推荐机制模块和推荐引擎模块的推荐结果；
效果评估模块，用于对数据缓存模块中的推荐结果进行优化，并及时更新推荐结果。
CN202011108107.XA 2020-10-16 2020-10-16 旅游推荐方法及系统 Active CN112287241B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011108107.XA CN112287241B (zh) 2020-10-16 2020-10-16 旅游推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011108107.XA CN112287241B (zh) 2020-10-16 2020-10-16 旅游推荐方法及系统

Publications (2)

Publication Number Publication Date
CN112287241A true CN112287241A (zh) 2021-01-29
CN112287241B CN112287241B (zh) 2022-10-14

Family

ID=74497745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011108107.XA Active CN112287241B (zh) 2020-10-16 2020-10-16 旅游推荐方法及系统

Country Status (1)

Country Link
CN (1) CN112287241B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111266A (zh) * 2021-04-28 2021-07-13 前海七剑科技(深圳)有限公司 目的地推荐方法、装置及计算机可读存储介质
CN113127753A (zh) * 2021-04-15 2021-07-16 广东携龙科技有限公司 一种用户行为分析方法及系统
CN114065045A (zh) * 2021-11-19 2022-02-18 深圳思为科技有限公司 标签管理的方法、装置、设备以及存储介质
CN114154052A (zh) * 2021-08-30 2022-03-08 平安国际融资租赁有限公司 信息推荐方法、装置、计算机设备及存储介质
CN117909575A (zh) * 2023-12-20 2024-04-19 湖北工业大学 一种历史城区旅游景点的数字化推荐方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341204A (zh) * 2017-06-22 2017-11-10 电子科技大学 一种融合物品标签信息的协同过滤推荐方法及系统
CN109345348A (zh) * 2018-09-30 2019-02-15 重庆誉存大数据科技有限公司 基于旅行社用户的多维信息画像的推荐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341204A (zh) * 2017-06-22 2017-11-10 电子科技大学 一种融合物品标签信息的协同过滤推荐方法及系统
CN109345348A (zh) * 2018-09-30 2019-02-15 重庆誉存大数据科技有限公司 基于旅行社用户的多维信息画像的推荐方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113127753A (zh) * 2021-04-15 2021-07-16 广东携龙科技有限公司 一种用户行为分析方法及系统
CN113111266A (zh) * 2021-04-28 2021-07-13 前海七剑科技(深圳)有限公司 目的地推荐方法、装置及计算机可读存储介质
CN114154052A (zh) * 2021-08-30 2022-03-08 平安国际融资租赁有限公司 信息推荐方法、装置、计算机设备及存储介质
CN114065045A (zh) * 2021-11-19 2022-02-18 深圳思为科技有限公司 标签管理的方法、装置、设备以及存储介质
CN117909575A (zh) * 2023-12-20 2024-04-19 湖北工业大学 一种历史城区旅游景点的数字化推荐方法及系统

Also Published As

Publication number Publication date
CN112287241B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN112287241B (zh) 旅游推荐方法及系统
Alegre et al. Repeat visitation in mature sun and sand holiday destinations
US11490220B2 (en) System and method for accurately and efficiently generating ambient point-of-interest recommendations
KR100650404B1 (ko) 온라인 광고 시스템 및 방법
CN105045858B (zh) 基于投票的出租车载客点推荐方法
CN103955464B (zh) 一种基于情境融合感知的推荐方法
CN107424043A (zh) 一种产品推荐方法及装置，电子设备
CN109189904A (zh) 个性化搜索方法及系统
US20110246561A1 (en) Server apparatus, client apparatus, content recommendation method, and program
CN104834686A (zh) 一种基于混合语义矩阵的视频推荐方法
CN102999560A (zh) 用社交网络特征提高姓名和其它搜索查询的搜索引擎结果页面的相关性
CN107357845A (zh) 一种基于Spark的旅游兴趣推荐系统及推荐方法
CN108563749B (zh) 基于多维度信息和知识网络的在线教育系统资源推荐方法
CN112749330B (zh) 信息推送方法、装置、计算机设备和存储介质
CN103309869A (zh) 数据对象的展示关键词推荐方法及系统
WO2010037314A1 (zh) 一种搜索的方法、系统和装置
CN106528812A (zh) 一种基于usdr模型的云推荐方法
CN108897750A (zh) 融合多元上下文信息的个性化地点推荐方法及设备
KR20050050016A (ko) 온라인 광고 시스템 및 방법
Zhang et al. Matching state estimation scheme for content-based sensor search in the Web of things
Zhang et al. Detecting tourist attractions using geo-tagged photo clustering
Li et al. A personalized recommendation algorithm for college books based on user interest
CN110297939A (zh) 一种融合用户行为和文化元数据的音乐个性化系统
KR101818716B1 (ko) 컨셉 키워드 확장 데이터 셋 생성방법, 장치 및 컴퓨터로 판독 가능한 기록매체
CN115098796A (zh) 兴趣引导的旅行路线景点联动推荐规划系统

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