CN112784153B - 融合属性特征注意力与异质类型信息的旅游景点推荐方法 - Google Patents

Abstract

本发明涉及旅游景点推荐技术领域，具体涉及融合属性特征注意力与异质类型信息的旅游景点推荐方法。本发明首先基于注意力机制建模了用户和景点的属性特征；其次将用户和景点的异质类型语义信息进行映射，通过知识表示翻译机制学习预测了用户对景点的评分；最后计算用户对候选集景点的预测评分，并按评分高低进行排序，生成推荐景点列表，同时依据用户和景点的属性解释了评分行为。本发明融合用户景点属性特征注意力与用户景点异质类型语义信息学习了用户的兴趣偏好，并从用户和景点的属性方面解释了用户对景点的评分行为，提高了景点推荐的可解释性，尤其是在热门旅游景点的在线推荐预测方面可以提供极大支持。

Description

融合属性特征注意力与异质类型信息的旅游景点推荐方法

技术领域

本发明涉及旅游景点推荐技术领域，具体涉及融合属性特征注意力与异质类型信息的旅游景点推荐方法。

背景技术

在旅游场景中，用户和景点具有不同的属性类型，用户、景点及用户对景点的评分能够形成异质信息网络。在异质信息网络中，用户对象具有固有的属性信息，如用户的性别、年龄、宗教信仰、爱好等，景点对象则具有自身的类别属性信息，如位置、面积、等级、门票、基础设施等。用户和景点丰富的属性信息和异质的类型信息可以建模用户和景点的特征。在旅游景点推荐系统中，有宗教信仰的用户可能对宗教类的景点评分较高，爱好摄影的用户可能对自然旅游景点的评分较高，基于用户和景点的属性可以解释用户对景点的评分行为。同时，用户对景点的历史评分交互行为，揭示了用户对景点的评分偏好，基于历史评分交互行为也可以学习用户和景点之间的评分关系。注意力机制在深度神经网络中用于聚焦特定的输入特征，分析输入特征各方面的重要性，提高模型的表达能力，已经广泛应用到自然语言处理与视觉图像领域。基于注意力机制可以分析用户和景点的属性语义特征在旅游推荐系统评分预测中的贡献，挖掘用户对景点的评分行为原因，提升用户对推荐景点的满意度。

在旅游景点推荐系统中，异质信息网络中用户、景点对象的类型信息和属性信息可以学习建模并解释用户对景点的评分行为关系。已有的旅游推荐系统专注于推荐性能的提升，忽略了用户和景点的属性、类型信息在提升用户满意度中的作用。因此，如何有效利用用户、景点类型和属性信息，实现用户和景点的特征建模，进而学习用户对景点的评分预测，完成精准的个性化旅游景点推荐是十分必要的。

发明内容

针对已有的旅游推荐系统忽略用户和景点的属性、类型信息在提升用户满意度中的作用，本发明提供了融合属性特征注意力与异质类型信息的旅游景点推荐方法。

为了达到上述目的，本发明采用了下列技术方案：

融合属性特征注意力与异质类型信息的旅游景点推荐方法，包括以下步骤：

步骤S1，根据用户对景点的历史评分记录建模用户的交互特征表示；

步骤S2，根据用户属性通过注意力机制建模用户的属性特征表示；

步骤S3，融合用户的属性特征表示和交互特征表示，建模用户的特征表示；

步骤S4，根据步骤S1-S3，同样地融合景点的类别属性特征表示和交互特征表示，建模景点的特征表示；

步骤S5，融合用户和景点各自的类型信息矩阵，更新用户和景点的特征表示，学习用户和景点在类型信息下的语义嵌入表示；

步骤S6，根据知识表示学习中翻译原理，通过多层感知机学习用户对景点的评分；

步骤S7，根据学习到的用户和景点语义嵌入表示，计算用户对候选集景点的评分，根据评分高低进行排序，生成推荐景点列表；

步骤S8，依据用户和景点的属性，为推荐景点列表中的景点标注评分的原因。

进一步，所述步骤S1中根据用户对景点的历史评分记录建模用户的交互特征表示，具体步骤为：

用户的历史评分记录反映了用户的评分偏好，对用户的决策具有明显的影响。根据用户ID对用户进行one-hot编码为u_one-hot＝{1,0,...,0}，并初始化用户嵌入向量矩阵W_u，实现对用户交互特征表示为：

u_Int＝u_one-hotW_u (1)。

进一步，所述步骤S2中根据用户属性通过注意力机制建模用户的属性特征表示，具体步骤为：

步骤2.1，用户具有不同的属性，例如，性别、年龄、职业等基本属性信息，这些属性一定程度反映了用户的兴趣偏好。在输入层，考虑到用户的所有属性，基于one-hot的编码表示和查询表初始化用户的属性嵌入表示，对用户的属性进行初始化特征表示，定义为：

步骤2.2，考虑到不同属性对于用户的特征表示贡献不同，用户属性a_i的隐层特征输出分数h_i为：

式(3)中，

b_u为神经网络的权重参数；

步骤2.3，定义用户属性a_i的注意力权重为：

式(4)中，α_i为属性a_i在用户所有属性中的归一化注意力权重，t是用户所有属性的个数，exp是指数函数；

步骤2.4，使用注意力机制将用户的所有属性特征进行融合，定义用户的属性特征表示如下：

式(5)中，a_i为不同属性对于用户属性特征表示的贡献程度，t是用户所有属性的个数。

进一步，所述步骤S3中融合用户的属性特征表示和交互特征表示，建模用户的特征表示，具体步骤为：

将用户的属性特征表示和交互特征表示进行拼接得到用户特征表示，定义为：

u＝u_Att‖u_Int (6)。

进一步，所述步骤S4中根据步骤S1-S3，同样地融合景点的类别属性特征表示和交互特征表示，建模景点的特征表示，具体步骤为：

步骤4.1，根据景点ID对景点进行one-hot编码为v_one-hot＝{1,0,...,0}，并初始化景点嵌入向量矩阵W_v，实现对景点交互特征表示为：

v_Int＝v_one-hotW_v (7)

步骤4.2，基于one-hot的编码表示和查询表初始化景点的属性嵌入表示，对景点的属性进行特征表示，可以定义为：

步骤4.3，考虑到不同属性对于景点的特征表示贡献不同，景点属性b_i的隐层特征输出分数

为：

式(9)中，

b_v为神经网络的权重参数。

步骤4.4，定义景点属性b_i的注意力权重为：

式(10)中，β_i为景点属性b_i在景点所有属性中的归一化注意力权重，s是景点所有属性的个数，exp是指数函数。

步骤4.5，使用注意力机制将景点的所有属性特征进行融合，定义景点的属性特征表示如下：

式(11)中，β_i为不同属性对于景点属性特征表示的注意力贡献程度，s是景点所有属性的个数；

步骤4.6，将景点的属性特征表示和交互特征表示进行拼接得到景点特征表示，定义为：

v＝v_Att‖v_Int (12)。

进一步，所述步骤S5中融合用户和景点各自的类型信息矩阵，更新用户和景点的特征表示，学习用户和景点在类型信息下的语义嵌入表示，具体步骤为：

步骤5.1，基于用户的特征表示，融合用户的节点类型信息，学习用户在类型信息下的语义嵌入表示为：

u’＝M_uu (13)

式(10)中，M_u是学习参数，表示用户实体的类型信息矩阵，将用户实体u映射到统一空间；

步骤5.2，将景点的特征表示v与景点的类型信息矩阵M_v进行融合，学习景点在类型信息下的语义嵌入表示为：

v’＝M_vv (14)。

进一步，所述步骤S6中根据知识表示学习中翻译原理，通过多层感知机学习用户对景点的评分，具体步骤为：

步骤6.1，用户u对景点v的评分r视作用户的语义嵌入u’和景点语义嵌入v’在某一空间上的翻译关系r，将用户、景点和评分关系定义为：

u’+r＝v’ (15)

步骤6.2，将用户和景点的距离关系v’-u’送入到多层感知机，考虑到偏置b’，学习用户对景点的评分，即评分预测函数定义为：

进一步，所述步骤S7中根据学习到的用户和景点语义嵌入表示，计算用户对候选集景点的评分，根据评分高低进行排序，生成推荐景点列表，具体步骤为：

对于候选集景点中新的景点v”，与用户组成三元组(u,r,v”)，基于用户u和景点v”的语义表示，根据步骤6.2中的评分预测函数进行评分预测，将预测评分较高的前k个景点进行推荐。

进一步，所述步骤S8中依据用户和景点的属性，为推荐景点列表中的景点标注评分的原因，具体步骤为：

对于评分推荐结果，根据步骤2.3和步骤4.4的注意力权重计算方法，得到用户各个属性的贡献度α_i以及景点属性贡献度β_i，依据贡献度最高的属性信息来对景点推荐的结果生成相应的推荐解释。

与现有技术相比本发明具有以下优点：

本发明中提供的方法区别于现有方法的显著特征在于设计了融合属性特征注意力与异质类型信息的用户和景点语义嵌入表示方法，建立了基于用户和景点语义嵌入翻译学习的评分预测模型，提出了融合属性特征注意力与异质类型信息的旅游景点推荐策略，依据用户和景点的属性解释了推荐结果。本发明融合用户景点属性特征注意力与用户景点异质类型语义信息学习了用户的兴趣偏好，并从用户和景点的属性方面解释了用户对景点的评分行为，提高了景点推荐的可解释性，尤其是在热门旅游景点的在线推荐预测方面可以提供极大支持。

附图说明

图1为本发明的整体模型架构示意图；

图2为本发明用户和景点各个属性权重可视化图。

具体实施方式

本发明所述的融合属性特征注意力与异质类型信息的旅游景点推荐方法通过计算机程序实施。下面将按照流程详述本发明提出的技术方案的具体实施方式。

如图1所示，本发明的融合属性特征注意力与异质类型信息的旅游景点推荐方法，包括以下步骤：

步骤S1，根据用户对景点的历史评分记录建模用户的交互特征表示，具体包括以下步骤：

用户的历史评分记录反映了用户的评分偏好，对用户的决策具有明显的影响。根据用户ID对用户进行one-hot编码为u_one-hot＝{1,0,...,0}，并初始化用户嵌入向量矩阵W_u，实现对用户交互特征表示为：

u_Int＝u_one-hotW_u (1)。

步骤S2，根据用户属性通过注意力机制建模用户的属性特征表示，具体包括以下步骤：

步骤2.1，用户具有不同的属性，例如，性别、年龄、职业等基本属性信息，这些属性一定程度反映了用户的兴趣偏好。在输入层，考虑到用户的所有属性，基于one-hot的编码表示和查询表初始化用户的属性嵌入表示，对用户的属性进行初始化特征表示，定义为：

步骤2.2，考虑到不同属性对于用户的特征表示贡献不同，用户属性a_i的隐层特征输出分数h_i为：

式(3)中，

b_u为神经网络的权重参数；

步骤2.3，定义用户属性a_i的注意力权重为：

式(4)中，α_i为属性a_i在用户所有属性中的归一化注意力权重，t是用户所有属性的个数，exp是指数函数；

步骤2.4，使用注意力机制将用户的所有属性特征进行融合，定义用户的属性特征表示如下：

式(5)中，a_i为不同属性对于用户属性特征表示的贡献程度，t是用户所有属性的个数。

步骤S3，融合用户的属性特征表示和交互特征表示，建模用户的特征表示，包括以下步骤：

将用户的属性特征表示和交互特征表示进行拼接得到用户特征表示，定义为：

u＝u_Att‖u_Int (6)。

步骤S4，根据步骤S1-S3，同样地融合景点的类别属性特征表示和交互特征表示，建模景点的特征表示，包括以下步骤：

步骤4.1，根据景点ID对景点进行one-hot编码为v_one-hot＝{1,0,...,0}，并初始化景点嵌入向量矩阵W_v，实现对景点交互特征表示为：

v_Int＝v_one-hotW_v (7)

步骤4.2，基于one-hot的编码表示和查询表初始化景点的属性嵌入表示，对景点的属性进行特征表示，可以定义为：

步骤4.3，考虑到不同属性对于景点的特征表示贡献不同，景点属性b_i的隐层特征输出分数

为：

式(9)中，

b_v为神经网络的权重参数。

步骤4.4，定义景点属性b_i的注意力权重为：

式(10)中，β_i为景点属性b_i在景点所有属性中的归一化注意力权重，s是景点所有属性的个数，exp是指数函数。

步骤4.5，使用注意力机制将景点的所有属性特征进行融合，定义景点的属性特征表示如下：

式(11)中，β_i为不同属性对于景点属性特征表示的注意力贡献程度，s是景点所有属性的个数；

步骤4.6，将景点的属性特征表示和交互特征表示进行拼接得到景点特征表示，定义为：

v＝v_Att‖v_Int (12)。

步骤S5，融合用户和景点各自的类型信息矩阵，更新用户和景点的特征表示，学习用户和景点在类型信息下的语义嵌入表示，包括以下步骤：

步骤5.1，基于用户的特征表示，融合用户的节点类型信息，学习用户在类型信息下的语义嵌入表示为：

u’＝M_uu (13)

式(10)中，M_u是学习参数，表示用户实体的类型信息矩阵，将用户实体u映射到统一空间；

步骤5.2，将景点的特征表示v与景点的类型信息矩阵M_v进行融合，学习景点在类型信息下的语义嵌入表示为：

v’＝M_vv (14)。

步骤S6，根据知识表示学习中翻译原理，通过多层感知机学习用户对景点的评分，包括以下步骤：

步骤6.1，用户u对景点v的评分r视作用户的语义嵌入u’和景点语义嵌入v’在某一空间上的翻译关系r，将用户、景点和评分关系定义为：

u’+r＝v’ (15)

步骤6.2，将用户和景点的距离关系v’-u’送入到多层感知机，考虑到偏置b’，学习用户对景点的评分，即评分预测函数定义为：

步骤S7，根据学习到的用户和景点语义嵌入表示，计算用户对候选集景点的评分，根据评分高低进行排序，生成推荐景点列表，包括以下步骤：

对于候选集景点中新的景点v”，与用户组成三元组(u,r,v”)，基于用户u和景点v”的语义表示，根据步骤6.2中的评分预测函数进行评分预测，将预测评分较高的前k个景点进行推荐。

步骤S8，依据用户和景点的属性，为推荐景点列表中的景点标注评分的原因，包括以下步骤：

对于评分推荐结果，根据步骤2.3和步骤4.4的注意力权重计算方法，得到用户各个属性的贡献度α_i以及景点属性贡献度β_i，依据贡献度最高的属性信息来对景点推荐的结果生成相应的推荐解释。

为了验证方法的有效性，我们在Yelp数据集(https://www.kaggle.com/yelp-dataset/yelp-dataset？select＝yelp_academic_dataset_business.json)上进行了实验，我们筛选出了数据集中类型为’Zoos’(动物园)，’Museums’(博物馆)，’WaterParks’(水上公园)，’Buddhist Temples’(寺庙)的景点以及交互的用户，并对交互记录做了处理，每个用户至少有5次评价记录，每个景点至少被评价过5次，过滤后的数据集信息如表1所示：

表1数据集情况

我们使用的用户属性有2个，分别是用户的评论数量和粉丝数，景点属性有3个，分别是所属州，被评价次数，景点类型。对数据集按照训练集、验证集、测试集8：1：1划分进行了实验，评价指标采用RMSE。为验证本发明提出技术方案的有效性和先进性，选取几种已有的评分推荐预测模型方法进行对比：BiasedMF、SVD++、NCF、ACCM。实验结果如表2所示：

表2实验结果

由表2中结果可以看出，本发明技术方案在进行用户对景点的评分预测时，能获得准确率和可靠性优于已有方法的检测结果。

同时，本发明将用户和景点各个属性权重进行了可视化，如图2所示，可以看到不同属性在学习用户和景点的特征中的贡献程度不同，例如对于右侧景点，特征2和特征3的贡献程度较高，分别为所属州和被评论次数，则可以生成相应的推荐解释如：“该景点在XX地，您可能感兴趣”或“该景点被XX人评价过，您可能感兴趣”，若特征1(景点类型属性)权重较高，则可以解释为“您可能对X类型的景点感兴趣”。在实际场景中，我们可以依据用户的属性(年龄、位置、职业)生成相应的解释，如“根据您的年龄、位置为您推荐”或“根据您的职业为您推荐”。

Claims (3)

1.融合属性特征注意力与异质类型信息的旅游景点推荐方法，其特征在于，包括以下步骤：

步骤S1，根据用户对景点的历史评分记录建模用户的交互特征表示；

步骤S2，根据用户属性通过注意力机制建模用户的属性特征表示；

步骤S3，融合用户的属性特征表示和交互特征表示，建模用户的特征表示；

步骤S4，根据步骤S1-S3，同样地融合景点的类别属性特征表示和交互特征表示，建模景点的特征表示；

步骤S5，融合用户和景点各自的类型信息矩阵，更新用户和景点的特征表示，学习用户和景点在类型信息下的语义嵌入表示；

步骤S6，根据知识表示学习中翻译原理，通过多层感知机学习用户对景点的评分；

步骤S7，根据学习到的用户和景点语义嵌入表示，计算用户对候选集景点的评分，根据评分高低进行排序，生成推荐景点列表；

步骤S8，依据用户和景点的属性，为推荐景点列表中的景点标注评分的原因；

所述步骤S1中根据用户对景点的历史评分记录建模用户的交互特征表示，具体步骤为：

根据用户ID对用户进行one-hot编码为u_one-hot＝{1,0,...,0}，并初始化用户嵌入向量矩阵W_u，实现对用户交互特征表示为：

u_Int＝u_one-hotW_u (1)；

所述步骤S2中根据用户属性通过注意力机制建模用户的属性特征表示，具体步骤为：

步骤2.1，基于one-hot的编码表示和查询表初始化用户的属性嵌入表示，对用户的属性进行初始化特征表示，定义为：

步骤2.2，考虑到不同属性对于用户的特征表示贡献不同，用户属性a_i的隐层特征输出分数h_i为：

式(3)中，

b_u为神经网络的权重参数；

步骤2.3，定义用户属性a_i的注意力权重为：

式(4)中，α_i为属性a_i在用户所有属性中的归一化注意力权重，t是用户所有属性的个数，exp是指数函数；

步骤2.4，使用注意力机制将用户的所有属性特征进行融合，定义用户的属性特征表示如下：

式(5)中，a_i为不同属性对于用户属性特征表示的贡献程度，t是用户所有属性的个数；

所述步骤S3中融合用户的属性特征表示和交互特征表示，建模用户的特征表示，具体步骤为：

将用户的属性特征表示和交互特征表示进行拼接得到用户特征表示，定义为：

u＝u_Att‖u_Int (6)；

所述步骤S4中根据步骤S1-S3，同样地融合景点的类别属性特征表示和交互特征表示，建模景点的特征表示，具体步骤为：

步骤4.1，根据景点ID对景点进行one-hot编码为v_one-hot＝{1,0,...,0}，并初始化景点嵌入向量矩阵W_v，实现对景点交互特征表示为：

v_Int＝v_one-hotW_v (7)

步骤4.2，基于one-hot的编码表示和查询表初始化景点的属性嵌入表示，对景点的属性进行特征表示，可以定义为：

步骤4.3，考虑到不同属性对于景点的特征表示贡献不同，景点属性b_i的隐层特征输出分数

为：

式(9)中，

b_v为神经网络的权重参数；

步骤4.4，定义景点属性b_i的注意力权重为：

式(10)中，β_i为景点属性b_i在景点所有属性中的归一化注意力权重，s是景点所有属性的个数，exp是指数函数；

步骤4.5，使用注意力机制将景点的所有属性特征进行融合，定义景点的属性特征表示如下：

式(11)中，β_i为不同属性对于景点属性特征表示的注意力贡献程度，s是景点所有属性的个数；

步骤4.6，将景点的属性特征表示和交互特征表示进行拼接得到景点特征表示，定义为：

v＝v_Att‖v_Int (12)；

所述步骤S5中融合用户和景点各自的类型信息矩阵，更新用户和景点的特征表示，学习用户和景点在类型信息下的语义嵌入表示，具体步骤为：

步骤5.1，基于用户的特征表示，融合用户的节点类型信息，学习用户在类型信息下的语义嵌入表示为：

u′＝M_uu (13)

式(13)中，M_u是学习参数，表示用户实体的类型信息矩阵，将用户实体u映射到统一空间；

步骤5.2，将景点的特征表示v与景点的类型信息矩阵M_v进行融合，学习景点在类型信息下的语义嵌入表示为：

v'＝M_vv (14)；

所述步骤S6中根据知识表示学习中翻译原理，通过多层感知机学习用户对景点的评分，具体步骤为：

步骤6.1，用户u对景点v的评分r视作用户的语义嵌入u'和景点语义嵌入v'在某一空间上的翻译关系r，将用户、景点和评分关系定义为：

u'+r＝v' (15)

步骤6.2，将用户和景点的距离关系v'-u'送入到多层感知机，考虑到偏置b'，学习用户对景点的评分，即评分预测函数定义为：

2.根据权利要求1所述的融合属性特征注意力与异质类型信息的旅游景点推荐方法，其特征在于，所述步骤S7中根据学习到的用户和景点语义嵌入表示，计算用户对候选集景点的评分，根据评分高低进行排序，生成推荐景点列表，具体步骤为：

对于候选集景点中新的景点v″，与用户组成三元组(u,r,v″)，基于用户u和景点v″的语义表示，根据步骤6.2中的评分预测函数进行评分预测，将预测评分较高的前k个景点进行推荐。

3.根据权利要求2所述的融合属性特征注意力与异质类型信息的旅游景点推荐方法，其特征在于，所述步骤S8中依据用户和景点的属性，为推荐景点列表中的景点标注评分的原因，具体步骤为：

对于评分推荐结果，根据步骤2.3和步骤4.4的注意力权重计算方法，得到用户各个属性的贡献度α_i以及景点属性贡献度β_i，依据贡献度最高的属性信息来对景点推荐的结果生成相应的推荐解释。

Images