CN113343127B - 一种旅游路线推荐方法、系统、服务器及存储介质 - Google Patents
一种旅游路线推荐方法、系统、服务器及存储介质 Download PDFInfo
- Publication number
- CN113343127B CN113343127B CN202110452179.4A CN202110452179A CN113343127B CN 113343127 B CN113343127 B CN 113343127B CN 202110452179 A CN202110452179 A CN 202110452179A CN 113343127 B CN113343127 B CN 113343127B
- Authority
- CN
- China
- Prior art keywords
- user
- travel
- tour
- portrait
- routes
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000006399 behavior Effects 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims description 16
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种旅游路线推荐方法、系统、服务器及存储介质,本发明通过根据用户行为构建用户内容画像,根据用户基础信息构建用户基础画像以获取用户基础需求,过滤不符合用户基础需求的旅游路线,并通过提高旅行团中同类景点旅游经验较为丰富的用户的选择权重,以确定旅游团的群组偏好,而后将景点特点与群组偏好进行匹配,选择匹配度较高的旅游路线作为推荐结果,解决了现有技术中缺乏群组旅游路线推荐的技术问题,达到了面向群组用户推荐旅游路线的技术效果。
Description
技术领域
本发明涉及深度学习技术领域,特别涉及一种旅游路线推荐方法、系统、服务器及存储介质。
背景技术
随着大众生活水平的逐步提高,旅游作为人们日常休闲的重要活动已经变得极为普遍。丰富的旅游数据提供了海量多源信息,同时带来了信息过载问题,这就可能造成游客在制定旅游路线时需要花费大量的时间和精力。旅游路线推荐作为缓解这一问题的重要方式已经成为当前旅游数据挖掘领域中的热点方向,满足不同游客的个性化偏好需求并提升游客的旅行体验是智能化旅游路线推荐的目标。
当前绝大多数的旅游路线推荐方法主要考虑的是面向个体用户的独自出游场景,常用的推荐方案一般是采用传统静态搜索匹配的方式。该方法是首先获取用户的访问记录,然后通过访问记录在已有的旅游路线数据库中依据相似度进行搜索匹配或者利用贪心算法等优化算法获取最优路线,然而由于多源旅游信息的逐步增多,数据稀疏性问题随之产生,这就导致了传统方法高维特征建模不可靠、表征效果不理想、智能化水平较低、推荐性能欠佳,严重降低了用户的旅游体验。而且,现有的大多数方法侧重于用户对景点的单一偏好,并未充分考虑用户的多意图旅游需求。此外,在实际生活中结伴出行也是一种比较常见的旅游方式,但是群组旅游路线推荐的研究较为匮乏。相比于面向个体用户的旅游路线推荐,群组旅游路线推荐需要综合考虑每个群组成员的个性化差异及其对于群组决策的不同影响。所以,现有的针对个体用户的旅游路线推荐方法一定程度上并不能很好地适用于面向群组用户的旅游路线推荐。
发明内容
本发明提供一种旅游路线推荐方法及系统,通过获取用户的基础需求得到群组用户的基本需求以筛选不符合基本需求的旅游路线,并通过提高旅行团中同类景点旅游经验较为丰富的用户的选择权重,以确定旅游团的群组偏好,而后将景点特点与群组偏好进行匹配,选择匹配度较高的旅游路线作为推荐结果,解决了现有技术中缺乏群组旅游路线推荐的技术问题,达到了面向群组用户推荐旅游路线的技术效果,提高了用户体验。
本发明提出的旅游路线推荐方法包括以下步骤:
根据用户行为构建用户内容画像,并根据用户基础信息构建用户基础画像,而后根据所述用户内容画像及所述用户基础画像得到用户基础需求;
根据用户的出行记录获取用户的旅游记录,根据预设景点分类表,提高用户游览过的景点对应分类的权重,对旅行团中的权重高于预设阈值的用户进行聚类分析,得到旅行团的群组偏好模型;
获取所有旅游路线,根据所有用户的所述用户基础需求对所述所有旅游线路进行过滤,滤除不满足用户基础需求的旅游路线,并将过滤后的旅游路线中的景点与所述群组偏好模型进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果。
优选地,所述根据用户行为构建用户内容画像,并根据用户基础信息构建用户基础画像,而后根据所述用户内容画像及所述用户基础画像得到用户基础需求的步骤具体包括:
根据用户行为提取用户行为特征,根据用户行为特征生成用户标签,而后将用户标签映射为向量后获得用户内容画像;
根据用户性别、年龄和地理信息构建用户基础画像;
将所述用户内容画像和用户基础画像进行多视图特征融合,得到用户基础需求。
优选地,所述多视图特征融合方法具体包括:
优选地,所述获取所有旅游路线,根据所有用户的所述用户基础需求对所述所有旅游线路进行过滤,滤除不满足用户基础需求的旅游路线,并将过滤后的旅游路线中的景点与所述群组偏好模型进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果的步骤具体包括:
获取全部旅游路线信息,使用降维算法将所述全部旅游路线信息映射到低维语义空间,并对降维后的全部旅游路线信息进行聚类,生成旅游路线集合;
根据所有用户的用户偏好,对所述旅游路线集合中的所有旅游路线在预设的多个旅行条件进行评价,过滤不满足任一用户在所述预设的多个旅行条件的最低需求的旅游路线;
使用所述群组偏好模型对过滤后的旅游路线集合进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果。
优选地,所述聚类分析具体还包括:
其中,λinf为影响力权重,Gm为旅游团,gm为群组偏好模型,uj为群组成员。
本发明还提出一种旅游路线推荐系统,所述旅游路线推荐系统包括:
用户画像单元,用于根据用户行为构建用户内容画像,并根据用户基础信息构建用户基础画像,而后根据所述用户内容画像及所述用户基础画像得到用户基础需求;
群组分析单元,用于根据用户的出行记录获取用户的旅游记录,根据预设景点分类表,提高用户游览过的景点对应分类的权重,对旅行团中的权重高于预设阈值的用户进行聚类分析,得到旅行团的群组偏好模型;
路线获取单元,用于获取所有旅游路线,根据所有用户的所述用户基础需求对所述所有旅游线路进行过滤,滤除不满足用户基础需求的旅游路线,并将过滤后的旅游路线中的景点与所述群组偏好模型进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果。
本发明还提出一种服务器,所述服务器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行旅游路线推荐程序,所述旅游路线推荐程序被所述处理器执行时实现如上所述的旅游路线推荐方法的步骤。
本发明还提出一种可读存储介质,所述可读存储介质上存储有旅游路线推荐程序,所述旅游路线推荐程序被处理器执行时实现根据权利要求1至5中任一项所述的旅游路线推荐方法的步骤。
本发明通过根据用户行为构建用户内容画像,根据用户基础信息构建用户基础画像以获取用户基础需求,过滤不符合用户基础需求的旅游路线,并通过提高旅行团中同类景点旅游经验较为丰富的用户的选择权重,以确定旅游团的群组偏好,而后将景点特点与群组偏好进行匹配,选择匹配度较高的旅游路线作为推荐结果,解决了现有技术中缺乏群组旅游路线推荐的技术问题,达到了面向群组用户推荐旅游路线的技术效果,提升了用户体验。
附图说明
图1是本发明旅游路线推荐方法实施例方案涉及的硬件运行环境的服务器结构示意图;
图2为本发明旅游路线推荐方法另一实施例的流程示意图;
图3为本发明旅游路线推荐方法另一实施例的流程示意图;
图4为本发明旅游路线推荐方法另一实施例的流程示意图;
图5为本发明旅游路线推荐系统的功能模块图。
具体实施方式
以下结合具体实施方式对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
参照图1,图1是本发明实施例方案涉及的硬件运行环境的服务器结构示意图。
如图1所示,所述服务器可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储服务器。
本领域技术人员可以理解,图1中示出的结构并不构成对所述服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及旅游路线推荐程序。
在图1所示的网络设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接外设;所述网络设备通过处理器1001调用存储器1005中存储的旅游路线推荐程序,并执行以下操作:
根据用户行为构建用户内容画像,并根据用户基础信息构建用户基础画像,而后根据所述用户内容画像及所述用户基础画像得到用户基础需求;
根据用户的出行记录获取用户的旅游记录,根据预设景点分类表,提高用户游览过的景点对应分类的权重,对旅行团中的权重高于预设阈值的用户进行聚类分析,得到旅行团的群组偏好模型;
获取所有旅游路线,根据所有用户的所述用户基础需求对所述所有旅游线路进行过滤,滤除不满足用户基础需求的旅游路线,并将过滤后的旅游路线中的景点与所述群组偏好模型进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果。
进一步地,所述根据用户行为构建用户内容画像,并根据用户基础信息构建用户基础画像,而后根据所述用户内容画像及所述用户基础画像得到用户基础需求的步骤具体包括:
根据用户行为提取用户行为特征,根据用户行为特征生成用户标签,而后将用户标签映射为向量后获得用户内容画像;
根据用户性别、年龄和地理信息构建用户基础画像;
将所述用户内容画像和用户基础画像进行多视图特征融合,得到用户基础需求。
进一步地,所述多视图特征融合方法具体包括:
进一步地,所述获取所有旅游路线,根据所有用户的所述用户基础需求对所述所有旅游线路进行过滤,滤除不满足用户基础需求的旅游路线,并将过滤后的旅游路线中的景点与所述群组偏好模型进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果的步骤具体包括:
获取全部旅游路线信息,使用降维算法将所述全部旅游路线信息映射到低维语义空间,并对降维后的全部旅游路线信息进行聚类,生成旅游路线集合;
根据所有用户的用户偏好,对所述旅游路线集合中的所有旅游路线在预设的多个旅行条件进行评价,过滤不满足任一用户在所述预设的多个旅行条件的最低需求的旅游路线;
使用所述群组偏好模型对过滤后的旅游路线集合进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果。
进一步地,所述聚类分析具体还包括:
其中,λinf为影响力权重,Gm为旅游团,gm为群组偏好模型,uj为群组成员。
本发明通过根据用户行为构建用户内容画像,根据用户基础信息构建用户基础画像以获取用户基础需求,过滤不符合用户基础需求的旅游路线,并通过提高旅行团中同类景点旅游经验较为丰富的用户的选择权重,以确定旅游团的群组偏好,而后将景点特点与群组偏好进行匹配,选择匹配度较高的旅游路线作为推荐结果,解决了现有技术中缺乏群组旅游路线推荐的技术问题,达到了面向群组用户推荐旅游路线的技术效果,提升了用户体验。
基于上述硬件结构,提出本发明旅游路线推荐方法的实施例。
参照图2所述旅游路线推荐方法包括以下步骤:
S10、根据用户行为构建用户内容画像,并根据用户基础信息构建用户基础画像,而后根据所述用户内容画像及所述用户基础画像得到用户基础需求;
易于理解的是,本实施例通过用户的基础信息匹配与用户基础信息接近的用户画像构建用户基础画像,在构建用户内容画像时,则摒弃用户基础信息的影响,提高用户内容画像的准确程度。
S20、根据用户的出行记录获取用户的旅游记录,根据预设景点分类表,提高用户游览过的景点对应分类的权重,对旅行团中的权重高于预设阈值的用户进行聚类分析,得到旅行团的群组偏好模型;
需要说明的是,本实施例在群组中依据不同个体的出行记录、对特定景点的旅游经验差异等可以区分不同用户在不同群组中的影响力,如在一个群组中某一游客对名胜古迹类的景点相对于其他成员有较为丰富的旅游经验,那么在含名胜古迹的旅游路线规划中此游客在此群组中的影响力一定程度上就大于其他成员,因此提升此游客在群组决策中的贡献度,可以尽可能的提升群组整体的出行体验和满意度。。
S30、获取所有旅游路线,根据所有用户的所述用户基础需求对所述所有旅游线路进行过滤,滤除不满足用户基础需求的旅游路线,并将过滤后的旅游路线中的景点与所述群组偏好模型进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果。
值得强调的是,用户的基础需求即旅游线路能否满足用户的物质条件及身体健康的需求,例如当游客中有老年人时,则过滤需要爬山的线路,过滤救护车无法到达的线路,而当游客全部为大学生时,则无需过滤上述线路。
本实施例通过根据用户行为构建用户内容画像,根据用户基础信息构建用户基础画像以获取用户基础需求,过滤不符合用户基础需求的旅游路线,并通过提高旅行团中同类景点旅游经验较为丰富的用户的选择权重,以确定旅游团的群组偏好,而后将景点特点与群组偏好进行匹配,选择匹配度较高的旅游路线作为推荐结果,解决了现有技术中缺乏群组旅游路线推荐的技术问题,达到了面向群组用户推荐旅游路线的技术效果,提升了用户体验。
参照图3,所述根据用户行为构建用户内容画像,并根据用户基础信息构建用户基础画像,而后根据所述用户内容画像及所述用户基础画像得到用户基础需求的步骤具体包括:
S11、根据用户行为提取用户行为特征,根据用户行为特征生成用户标签,而后将用户标签映射为向量后获得用户内容画像;
易于理解的是,用户的行为可以从应用软件的使用中获取,还可根据用户的旅游记录获取,若用户行为的样本数量较小,可通过出行前以调查问卷的方式获取部分用户行为特征。
S12、根据用户性别、年龄和地理信息构建用户基础画像;
需要说明的是,在本实施例中,用户基础画像的构建还包括用户的职业、性格等基础信息,此处的基础信息可由平台的应用软件中获取,也可由导游自行填写。
S13、将所述用户内容画像和用户基础画像进行多视图特征融合,得到用户基础需求;
需要强调的是,在本实施例中,用户内容画像和用户基础画像的融合,还可获取单一用户的用户偏好,但该偏好可能并不符合用户该次出行的旅行目标,因此并不适用该偏好推荐该次的旅行路线。
具体地,所述多视图特征融合方法具体包括:
值得说明的是,用户内容画像还可根据用户的高频词汇进行完善,多视图特征融合利用包含在多个视图的信息来全面的表示用户需求,当发现用户的其它特征时,可以构建更多的用户画像来完善用户的基础需求。
参照图4,所述获取所有旅游路线,根据所有用户的所述用户基础需求对所述所有旅游线路进行过滤,滤除不满足用户基础需求的旅游路线,并将过滤后的旅游路线中的景点与所述群组偏好模型进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果的步骤具体包括:
S31、获取全部旅游路线信息,使用降维算法将所述全部旅游路线信息映射到低维语义空间,并对降维后的全部旅游路线信息进行聚类,生成旅游路线集合;
值得强调的是,由于现有的旅游路线较为丰富,因此本实施例直接读取系统中的现有旅游路线信息进行推荐,然而由于旅游路线过多,因此需要将路由路线进行聚类,以便于进行筛选。
S32、根据所有用户的用户偏好,对所述旅游路线集合中的所有旅游路线在预设的多个旅行条件进行评价,过滤不满足任一用户在所述预设的多个旅行条件的最低需求的旅游路线;
易于理解的是,所述预设的多个旅行条件包括餐饮、住宿、交通、游览、购物及娱乐等方面的基础条件,由于群组推荐需要满足群组用户的最低需求,因此需要先将不满足最低需求的路线进行排除,例如群组中存在某一用户身体欠佳,无法应对极端环境,则过滤高原、沙漠及雨林环境的旅游路线。
S33、使用所述群组偏好模型对过滤后的旅游路线集合进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果。
需要说明的是,导游可以通过意见征集的方式确定群组中影响力较大的用户,以及确定群组的旅游目标,则可提高包含目标景点的旅游路线的匹配度。
具体地,所述聚类分析具体还包括:
其中,λinf为影响力权重,Gm为旅游团,gm为群组偏好模型,uj为群组成员。
值得强调的是,该聚类分析方法可以将个体偏好按照不同权重的方式进行聚类,以数字的形式对各种偏好进行评价,便于将其与景点的类别进行匹配,简化了匹配过程。
本实施例通过公开用户画像的融合方法,进一步完善了技术方案,使得在选取旅行路线时,可以根据每个用户的情况排除会给单一用户造成困扰的旅游路线,且利用聚类分析算法,进一步完善了技术方案,提高了推荐路线的准确程度,提高了匹配速度,减少了匹配的计算量。
参照图5,本发明还提出一种旅游路线推荐系统,所述旅游路线推荐系统包括:
用户画像单元10,用于根据用户行为构建用户内容画像,并根据用户基础信息构建用户基础画像,而后根据所述用户内容画像及所述用户基础画像得到用户基础需求;
群组分析单元20,用于根据用户的出行记录获取用户的旅游记录,根据预设景点分类表,提高用户游览过的景点对应分类的权重,对旅行团中的权重高于预设阈值的用户进行聚类分析,得到旅行团的群组偏好模型;
路线获取单元30,用于获取所有旅游路线,根据所有用户的所述用户基础需求对所述所有旅游线路进行过滤,滤除不满足用户基础需求的旅游路线,并将过滤后的旅游路线中的景点与所述群组偏好模型进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果。
由于本系统采用了上述所有实施例的全部技术方案,因此之上具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
本发明还提出一种服务器,所述服务器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的旅游路线推荐程序,所述旅游路线推荐程序被所述处理器执行时实现如上所述的旅游路线推荐方法的步骤,由于本服务器采用了上述所有实施例的全部技术方案,因此之上具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
本发明还提出一种可读存储介质,所述可读存储介质上存储有旅游路线推荐程序,所述旅游路线推荐程序被处理器执行时实现如上所述的旅游路线推荐方法的步骤,由于本存储介质采用了上述所有实施例的全部技术方案,因此之上具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种旅游路线推荐方法,其特征在于,包括:
根据用户行为构建用户内容画像,并根据用户基础信息构建用户基础画像,而后根据所述用户内容画像及所述用户基础画像得到用户基础需求;根据用户行为提取用户行为特征,根据用户行为特征生成用户标签,而后将用户标签映射为向量后获得用户内容画像;根据用户性别、年龄和地理信息构建用户基础画像;将所述用户内容画像和用户基础画像进行多视图特征融合,得到用户基础需求;所述多视图特征融合方法具体包括:
根据用户的出行记录获取用户的旅游记录,根据预设景点分类表,提高用户游览过的景点对应分类的权重,对旅行团中的权重高于预设阈值的用户进行聚类分析,得到旅行团的群组偏好模型;所述聚类分析具体还包括:
其中,λinf为影响力权重,Gm为旅游团,gm为群组偏好模型,uj为群组成员;
获取所有旅游路线,根据所有用户的所述用户基础需求对所述所有旅游路线进行过滤,滤除不满足用户基础需求的旅游路线,并将过滤后的旅游路线中的景点与所述群组偏好模型进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果:获取全部旅游路线信息,使用降维算法将所述全部旅游路线信息映射到低维语义空间,并对降维后的全部旅游路线信息进行聚类,生成旅游路线集合;根据所有用户的用户偏好,对所述旅游路线集合中的所有旅游路线在预设的多个旅行条件进行评价,过滤不满足任一用户在所述预设的多个旅行条件的最低需求的旅游路线;使用所述群组偏好模型对过滤后的旅游路线集合进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果。
2.一种基于权利要求1的旅游路线推荐方法的旅游路线推荐系统,其特征在于,所述旅游路线推荐系统包括:
用户画像单元,用于根据用户行为构建用户内容画像,并根据用户基础信息构建用户基础画像,而后根据所述用户内容画像及所述用户基础画像得到用户基础需求;根据用户行为提取用户行为特征,根据用户行为特征生成用户标签,而后将用户标签映射为向量后获得用户内容画像;根据用户性别、年龄和地理信息构建用户基础画像;将所述用户内容画像和用户基础画像进行多视图特征融合,得到用户基础需求;所述多视图特征融合方法具体包括:
群组分析单元,用于根据用户的出行记录获取用户的旅游记录,根据预设景点分类表,提高用户游览过的景点对应分类的权重,对旅行团中的权重高于预设阈值的用户进行聚类分析,得到旅行团的群组偏好模型;所述聚类分析具体还包括:
其中,λinf为影响力权重,Gm为旅游团,gm为群组偏好模型,uj为群组成员;
路线获取单元,用于获取所有旅游路线,根据所有用户的所述用户基础需求对所述所有旅游路线进行过滤,滤除不满足用户基础需求的旅游路线,并将过滤后的旅游路线中的景点与所述群组偏好模型进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果:获取全部旅游路线信息,使用降维算法将所述全部旅游路线信息映射到低维语义空间,并对降维后的全部旅游路线信息进行聚类,生成旅游路线集合;根据所有用户的用户偏好,对所述旅游路线集合中的所有旅游路线在预设的多个旅行条件进行评价,过滤不满足任一用户在所述预设的多个旅行条件的最低需求的旅游路线;使用所述群组偏好模型对过滤后的旅游路线集合进行匹配,根据匹配结果选择预设数量的旅游路线作为推荐结果。
3.一种服务器,其特征在于,所述服务器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行旅游路线推荐程序,所述旅游路线推荐程序被所述处理器执行时实现如权利要求1所述的旅游路线推荐方法的步骤。
4.一种可读存储介质,其特征在于,所述可读存储介质上存储有旅游路线推荐程序,所述旅游路线推荐程序被处理器执行时实现根据权利要求1所述的旅游路线推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452179.4A CN113343127B (zh) | 2021-04-25 | 2021-04-25 | 一种旅游路线推荐方法、系统、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452179.4A CN113343127B (zh) | 2021-04-25 | 2021-04-25 | 一种旅游路线推荐方法、系统、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343127A CN113343127A (zh) | 2021-09-03 |
CN113343127B true CN113343127B (zh) | 2023-03-21 |
Family
ID=77468567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110452179.4A Active CN113343127B (zh) | 2021-04-25 | 2021-04-25 | 一种旅游路线推荐方法、系统、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343127B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505315B (zh) * | 2021-09-09 | 2021-12-07 | 环球数科集团有限公司 | 多用户的旅行攻略制定方法、装置和计算机设备 |
CN114692004B (zh) * | 2022-04-28 | 2022-11-18 | 南通智慧交通科技有限公司 | 一种基于大数据的路线推荐方法和系统 |
CN116304362B (zh) * | 2022-12-21 | 2023-12-15 | 山东省人工智能研究院 | 一种基于相关性注意力的群组推荐方法 |
CN117252731A (zh) * | 2023-06-29 | 2023-12-19 | 广州智游信息科技有限公司 | 一种便捷式旅游服务系统 |
CN117237061B (zh) * | 2023-11-13 | 2024-03-19 | 贵州优特云科技有限公司 | 基于跨业态的旅游产品自动生成方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110942337A (zh) * | 2019-10-31 | 2020-03-31 | 天津中科智能识别产业技术研究院有限公司 | 一种基于互联网大数据的精准旅游营销方法 |
CN112307332A (zh) * | 2020-10-16 | 2021-02-02 | 四川大学 | 基于用户画像聚类的协同过滤推荐方法、系统及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10332039B2 (en) * | 2016-08-17 | 2019-06-25 | International Business Machines Corporation | Intelligent travel planning |
WO2020219462A1 (en) * | 2019-04-23 | 2020-10-29 | The Mewah Corporation | Methods and systems for generating restaurant recommendations |
CN111160954B (zh) * | 2019-12-16 | 2022-09-06 | 南京理工大学 | 基于图卷积网络模型的面向群组对象的推荐方法 |
CN111709812A (zh) * | 2020-06-19 | 2020-09-25 | 山东财经大学 | 基于用户动态分类的电商平台商品推荐方法及系统 |
-
2021
- 2021-04-25 CN CN202110452179.4A patent/CN113343127B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110942337A (zh) * | 2019-10-31 | 2020-03-31 | 天津中科智能识别产业技术研究院有限公司 | 一种基于互联网大数据的精准旅游营销方法 |
CN112307332A (zh) * | 2020-10-16 | 2021-02-02 | 四川大学 | 基于用户画像聚类的协同过滤推荐方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘业政等.基于群偏好与用户偏好协同演化的群推荐方法.2020,第41卷(第41期),1-17. * |
许晓明等.基于偏好融合的群组推荐方法研究综述.2020,第41卷(第41期),1-9. * |
Also Published As
Publication number | Publication date |
---|---|
CN113343127A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343127B (zh) | 一种旅游路线推荐方法、系统、服务器及存储介质 | |
CN107729444B (zh) | 一种基于知识图谱的个性化旅游景点推荐方法 | |
WO2019184833A1 (zh) | 旅游信息推荐方法和装置 | |
US8577962B2 (en) | Server apparatus, client apparatus, content recommendation method, and program | |
US20170103343A1 (en) | Methods, systems, and media for recommending content items based on topics | |
US20120174006A1 (en) | System, method, apparatus and computer program for generating and modeling a scene | |
US20090259606A1 (en) | Diversified, self-organizing map system and method | |
CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
KR102654884B1 (ko) | 대화형 정보 제공 서비스 방법 및 이를 위한 장치 | |
CN105894089A (zh) | 一种征信模型的建立方法、征信确定方法及对应装置 | |
CN111078931B (zh) | 歌单推送方法、装置、计算机设备及存储介质 | |
CN104423621A (zh) | 拼音字符串处理方法和装置 | |
CN106776701B (zh) | 用于物品推荐的问题确定方法和装置 | |
CN113505204B (zh) | 召回模型训练方法、搜索召回方法、装置和计算机设备 | |
KR20080089545A (ko) | 정보 처리 장치 및 방법, 및 프로그램 | |
CN113254711B (zh) | 一种互动图像的显示方法、装置、计算机设备和存储介质 | |
CN112199609A (zh) | 自注意力下时空语义间隔感知的poi推荐系统及方法 | |
CN116595398A (zh) | 基于元宇宙的资源智能匹配方法及相关装置 | |
CN111143689A (zh) | 根据用户需求和用户画像构建推荐引擎的方法 | |
EP2849095A1 (en) | Information processing device, information processing method, and program | |
CN110855487B (zh) | 网络用户相似度管理方法、装置及存储介质 | |
KR20200133976A (ko) | 콘텐츠 큐레이션 방법 및 장치 | |
CN112287241B (zh) | 旅游推荐方法及系统 | |
KR20170036422A (ko) | 지식 공유 서비스 제공 장치, 방법 및 컴퓨터 프로그램 | |
CN115408618B (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 |
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 |