CN117078362B - 一种个性化差旅路线推荐方法及系统 - Google Patents
一种个性化差旅路线推荐方法及系统 Download PDFInfo
- Publication number
- CN117078362B CN117078362B CN202311340724.6A CN202311340724A CN117078362B CN 117078362 B CN117078362 B CN 117078362B CN 202311340724 A CN202311340724 A CN 202311340724A CN 117078362 B CN117078362 B CN 117078362B
- Authority
- CN
- China
- Prior art keywords
- user
- scenic spot
- route
- interest
- personalized
- 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 60
- 239000013598 vector Substances 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- ZINJLDJMHCUBIP-UHFFFAOYSA-N ethametsulfuron-methyl Chemical compound CCOC1=NC(NC)=NC(NC(=O)NS(=O)(=O)C=2C(=CC=CC=2)C(=O)OC)=N1 ZINJLDJMHCUBIP-UHFFFAOYSA-N 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- ZXQYGBMAQZUVMI-GCMPRSNUSA-N gamma-cyhalothrin Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-GCMPRSNUSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种个性化差旅路线推荐方法及系统,涉及差旅路线推荐领域,包括收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列,同时对景点进行分类;构建用户兴趣向量和景点特征向量;通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值,并将用户对路线中每个景点的动态兴趣值进行叠加以计算路线推荐评分;建立并训练个性化路线推荐模型,根据模型的预测结果对所有路线进行排序,并按照综合得分由高到低的顺序输出推荐结果;展示推荐结果并收集用户反馈以改进个性化路线推荐模型。本发明结合用户历史差旅数据、景点流行度、用户兴趣偏好和景点特征多个因素以实现更准确和精确的个性化路线推荐。
Description
技术领域
本发明涉及差旅路线推荐领域,特别是一种个性化差旅路线推荐方法及系统。
背景技术
在传统的个性化差旅路线推荐方法中,主要使用基于内容的推荐算法或协同过滤算法。基于内容的算法通过分析用户历史行为和景点属性推荐与用户喜好相似的景点。协同过滤算法则是根据用户的历史偏好和其他用户的行为找到与用户相似的用户群体,并推荐这些用户喜欢的景点。
然而,这些方法存在一些不足之处。首先,数据稀疏性是个性化推荐方法的一个主要挑战,为了准确推荐用户可能喜欢的景点,个性化推荐方法通常需要大量的用户历史数据进行训练和预测。然而,在实际应用中,用户的历史数据往往是有限和稀疏的,因此推荐效果可能不尽如人意。其次,个性化推荐方法还面临着用户行为变化和新用户冷启动问题。用户的兴趣和偏好可能会随着时间的推移和外部环境的变化而发生变化。传统的方法很难准确反映用户的最新兴趣,尤其是对于新用户而言,由于缺乏足够的历史数据,很难进行个性化推荐。
发明内容
鉴于现有的个性化差旅路线推荐方法在数据稀疏性和用户行为变化及新用户冷启动问题方面的不足,提出了本发明。
因此,本发明所要解决的问题在于如何利用深度学习模型和大数据分析技术,综合考虑用户历史差旅数据、景点流行度、用户兴趣偏好和景点特征等多个因素,以提供更准确和精确的个性化路线推荐。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明实施例提供了一种个性化差旅路线推荐方法,其包括收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列,同时对景点进行分类以获取景点类别、景点流行度和景点位置;基于差旅序列和景点流行度计算用户对景点类别和景点本身的兴趣偏好值,以构建用户兴趣向量;使用卷积神经网络提取景点图片的视觉特征向量,将访问过此景点的所有用户的兴趣向量进行聚合以获得景点上下文信息矩阵,并提取景点上下文信息矩阵的特征以获得景点特征向量;通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值,并将用户对路线中每个景点的动态兴趣值进行叠加,以计算路线推荐评分;建立并训练个性化路线推荐模型,根据模型的预测结果对所有路线进行排序,并按照综合得分由高到低的顺序输出推荐结果;使用交互式推荐算法与用户互动,展示推荐结果并收集用户反馈以改进/>个性化路线推荐模型。
作为本发明所述个性化差旅路线推荐方法的一种优选方案,其中:构建用户兴趣向量包括以下步骤:初始化用户兴趣向量;根据景点类别c和停留总时间计算用户对景点类别c的兴趣偏好值/>;根据景点的流行度/>和用户在该景点的逗留时间/>计算用户对景点本身i的流行度偏好值/>;将用户对景点类别的兴趣偏好值和用户对景点本身的流行度偏好值按照一定的权重进行融合,以得到用户兴趣向量;用户对景点类别c的兴趣偏好值/>的具体公式如下:
;
其中,表示用户对景点类别c的兴趣偏好值,/>表示用户的意愿度常数,表示与用户意愿度相关的调节参数,/>表示其他因素对用户意愿度的调节参数,表示用户在此景点类别所有景点的停留总时间,c表示景点类别,/>表示其他因素对用户意愿度的影响程度。
作为本发明所述个性化差旅路线推荐方法的一种优选方案,其中:获得景点特征向量包括以下步骤:收集每个景点的代表图片,并对这些图片进行图像预处理;通过卷积神经网络对每个景点的代表图片进行特征提取以获得图像的视觉特征向量;对每个景点i,收集所有访问过此景点的用户兴趣向量/>,并以此构建景点i的用户兴趣矩阵/>;对用户兴趣矩阵/>进行聚合以获得景点i的上下文特征向量/>;将图像的视觉特征向量/>和上下文特征向量拼接形成景点i的原始特征原始向量/>;将/>输入至全连接网络进行特征提取以获得景点i的景点特征向量/>;迭代执行上述步骤,直至获取所有景点特征向量。
作为本发明所述个性化差旅路线推荐方法的一种优选方案,其中:用户对景点的动态兴趣值的具体公式如下:
;
其中,表示用户兴趣向量,/>表示景点特征向量,/>和/>表示调节参数。
路线推荐评分的具体公式如下:
;
其中,表示路线上景点j的动态兴趣值,/>表示路线上的景点数量。
作为本发明所述个性化差旅路线推荐方法的一种优选方案,其中:建立并训练个性化路线推荐模型包括以下步骤:建立/>个性化路线推荐模型;将用户的历史差旅数据划分为训练集和测试集;通过反向传播算法和梯度下降优化算法对个性化路线推荐模型进行训练更新,使模型能够准确地预测用户对不同路线的喜好程度;将用户兴趣向量、景点特征向量、路线推荐评分、用户出发地坐标以、用户目的地坐标以及预算金额输入训练好的/>个性化路线推荐模型,得到对所有路线的预测结果;根据预测路线评分进行排序,并输出满足用户出发和目的地要求的/>个性化路线进行推荐;通过梯度下降优化算法对/>个性化路线推荐模型进行训练更新的具体公式如下:
;
其中,表示损失函数,/>表示学习率,/>表示t轮参数,/>表示训练样本总数。
作为本发明所述个性化差旅路线推荐方法的一种优选方案,其中:使用交互式推荐算法与用户互动包括以下步骤:将模型输出的个性化路线展示给用户,收集用户对推荐路线的反馈;让用户给每条路线进行打分以表示喜好程度,并将客户对/>条路线的分数进行相加得到满意度总分/>;收集用户对每条路线的打分/>,其中/>表示第/>条路线的打分;根据满意度总分/>将用户满意度划分为4个等级,根据用户满意度等级执行相对应的交互策略以改进/>个性化路线推荐模型;用户满意度等级包括低级满意度、中低级满意度、中高级满意度以及高级满意度。
作为本发明所述个性化差旅路线推荐方法的一种优选方案,其中:交互策略包括以下内容:低级满意度,当时,表示用户非常不满意,系统将允许用户自定路线,并利用用户自定义路线信息来挖掘潜在的需求,同时根据用户的需求和偏好生成完全不同的新路线,并通过用户反馈调整模型结构和重新训练/>个性化路线推荐模型,直至用户的满意度达到中高级满意度以上;中低级满意度,当/>时,表示用户不太满意,系统会根据用户反馈替换部分景点,同时调整景点顺序和停留时间以提升用户体验,并进行在线问卷调查分析用户不满意的原因,同时根据用户反馈和调查结果调整/>个性化路线推荐模型的参数和特征权重,直至用户满意度达到中高级满意度以上;中高级满意度,若/>时,表示用户比较满意,系统将根据用户反馈提出景点替换建议和微调景点顺序,并随机选取部分用户进行轻度的交互,根据抽样用户的反馈进行/>个性化路线推荐模型的微调和迭代更新;高级满意度,若时,表示用户非常满意,系统将鼓励用户分享推荐,并赠送红包和优惠券作为回馈,同时跟踪长期满意用户的特征,根据用户反馈强化/>个性化路线推荐模型效果,保存模型并持续监控效果。
第二方面,本发明实施例提供了一种个性化差旅路线推荐系统,其包括:数据收集与整理模块,用于收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列,同时对景点进行分类以获取景点类别、景点流行度和景点位置;用户兴趣向量构建模块,用于基于差旅序列和景点流行度计算用户对景点类别和景点本身的兴趣偏好值,以构建用户兴趣向量;景点特征向量提取模块,用于使用卷积神经网络提取景点图片的视觉特征向量,将访问过此景点的所有用户的兴趣向量进行聚合以获得景点上下文信息矩阵,并提取景点上下文信息矩阵的特征以获得景点特征向量;动态兴趣值计算与路线评分模块,用于通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值,并将用户对路线中每个景点的动态兴趣值进行叠加,以计算路线推荐评分;个性化路线推荐模块,用于建立并训练个性化路线推荐模型,根据模型的预测结果对所有路线进行排序,并按照综合得分由高到低的顺序输出推荐结果;用户交互与反馈模块,用于使用交互式推荐算法与用户互动,展示推荐结果并收集用户反馈以改进/>个性化路线推荐模型。
第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述计算机程序指令被处理器执行时实现如本发明第一方面所述的个性化差旅路线推荐方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序指令被处理器执行时实现如本发明第一方面所述的个性化差旅路线推荐方法的步骤。
本发明有益效果为:本发明结合用户历史差旅数据、景点流行度、用户兴趣偏好和景点特征等多个因素,实现更准确和精确的个性化路线推荐;通过收集和分析用户的历史差旅数据,并结合景点流行度和用户兴趣向量计算,本发明能够准确把握用户的动态兴趣偏好;本发明通过与用户的交互和收集用户反馈,不断改进和优化个性化推荐模型,并根据用户的满意度等级和反馈意见,进行相应的模型调整和更新以提升推荐效果并满足用户的期望。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。其中:
图1为个性化差旅路线推荐方法及系统的方法流程图。
图2为个性化差旅路线推荐方法及系统的交互式推荐算法流程图。
图3为个性化差旅路线推荐方法及系统的计算机设备的内部结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式作详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例
参照图1~图3,为本发明第一个实施例,该实施例提供了一种个性化差旅路线推荐方法,包括,
S1:收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列,同时对景点进行分类以获取景点类别、景点流行度和景点位置。
具体的,从社交媒体、签到应用等渠道收集用户的历史差旅数据包括用户ID、景点ID、到达时间以及离开时间的数据格式,并按照时间顺序对用户的历史差旅数据进行排序,当两个景点之间的间隔时间超过预设阈值,则划分为新的差旅序列。
进一步的,使用爬虫程序从景点官网获取景点ID、景点名称、景点位置(经纬度)以及景点类别等景点数据,并根据景点访问量、景点搜索量、社交媒体参与度以及在线评分衡量景点流行度。
需要说明的是,考虑到一个景点可能有多个类别的情况,故通过设定分类优先级确定最终景点类别,具体包括以下内容:对景点的特征和属性进行预处理;根据景点的特征和属性确定影响分类的关键因素和标准;为每个分类标准设定权重,根据分类标准在景点上的打分以及对应的权重计算综合得分;根据分类的综合得分确定优先级,选择综合得分最高的分类作为景点的最终类别。
需要说明的是,景点i的流行度值的计算公式如下:
;
其中,表示归一化后的景点访问量,/>表示归一化后的景点搜索量,/>表示归一化后的社交媒体参与度,/>表示归一化后的在线评分,/>表示指标景点访问量、景点搜索量、社交媒体参与度以及在线评分所对应的权重。
具体的,归一化的具体过程如下:计算每个指标的最小值和最大值;对每个指标的原始值进行减去最小值,并除以最大值减最小值的差,得到归一化后的值。
S2:基于差旅序列和景点流行度计算用户对景点类别和景点本身的兴趣偏好值,以构建用户兴趣向量。
具体的,包括以下步骤:
S2.1:初始化用户兴趣向量。
具体的,对于每个用户,初始化一个维的向量(其中/>为景点的类别数量),并将此向量初始化为0,此向量将用于表示用户对各个景点类别的兴趣偏好值。
S2.2:根据景点类别c和停留总时间计算用户对景点类别c的兴趣偏好值/>。
优选的,遍历用户的每个差旅序列,对于每个差旅序列中的景点,获取景点类别c,以及通过累加得到用户在景点类别c的所有景点停留总时间,并根据景点类别c和停留总时间/>计算用户对景点类别c的兴趣偏好值/>,具体公式如下:
;
其中,表示用户对景点类别c的兴趣偏好值,/>表示用户的意愿度常数,表示与用户意愿度相关的调节参数,/>表示其他因素对用户意愿度的调节参数,表示用户在此景点类别所有景点的停留总时间,c表示景点类别,/>表示其他因素对用户意愿度的影响程度。
S2.3:根据景点的流行度和用户在该景点的逗留时间/>计算用户对景点本身i的流行度偏好值/>。
对于每个差旅序列中的景点,根据景点的流行度和用户在该景点的逗留时间计算用户对景点本身i的流行度偏好值/>,具体公式如下:
;
其中,表示景点本身i的流行度偏好值,/>表示景点i的流行度值,表示用户的意愿度常数,/>表示用户在景点i的停留时间,/>表示与用户意愿度相关的调节参数。
S2.4:将用户对景点类别的兴趣偏好值和用户对景点本身的流行度偏好值按照一定的权重进行融合,以得到用户兴趣向量。
;
其中,表示用户对景点类别c的兴趣偏好值,/>表示用户对景点本身i的流行度偏好值,/>表示类别兴趣偏好的权重,/>表示流行度偏好的权重,表示用户兴趣向量。
S3:使用卷积神经网络提取景点图片的视觉特征向量,将访问过此景点的所有用户的兴趣向量进行聚合以获得景点上下文信息矩阵,并提取景点上下文信息矩阵的特征以获得景点特征向量。
具体的,收集每个景点的代表图片,并对这些图片进行图像预处理;通过卷积神经网络对每个景点的代表图片进行特征提取以获得图像的视觉特征向量;对每个景点i,收集所有访问过该景点的用户兴趣向量/>,并以此构建景点i的用户兴趣矩阵/>;对用户兴趣矩阵/>进行聚合以获得景点i的上下文特征向量/>;将图像的视觉特征向量/>和上下文特征向量拼接形成景点i的原始特征原始向量/>;将/>输入至全连接网络进行特征提取以获得景点i的景点特征向量/>;迭代执行上述步骤,直至获取所有景点特征向量。
S4:通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值,并将用户对路线中每个景点的动态兴趣值进行叠加,以计算路线推荐评分。
具体的,用户对景点的动态兴趣值的具体公式如下:
;
其中,表示用户兴趣向量,/>表示景点特征向量,/>和/>表示调节参数。
进一步的,假设路线中有n个景点,每个景点的动态兴趣值分别为、...、/>,则将用户对路线中每个景点的动态兴趣值进行叠加以计算路线推荐评分/>,具体公式如下:
;
其中,表示路线上景点j的动态兴趣值,/>表示路线上的景点数量。
S5:建立并训练个性化路线推荐模型,根据模型的预测结果对所有路线进行排序,并按照综合得分由高到低的顺序输出推荐结果。
具体的,包括以下步骤:
S5.1:建立个性化路线推荐模型。
优选的,个性化路线推荐模型包括输入层、粒子群优化层、LSTM层、全连接层以及输出层,其中输入层接收用户兴趣向量、景点特征向量、路线推荐评分、用户出发地坐标以及用户目的地坐标;粒子群优化层用于优化路线的景点排序,其中每个粒子代表一条候选路线,并使用适应度函数考虑出发地和目的地的坐标约束;/>层用于学习路线的时序特征,其输入包含用户出发地坐标和目的地坐标;全连接层综合输入信息预测路线评分;输出层根据预测路线评分输出满足用户出发和目的地要求的/>个性化路线推荐。
S5.2:将用户的历史差旅数据划分为训练集和测试集。
具体的,将用户的历史差旅数据以7:3划分为训练集和测试集,以保证训练集和测试集都包含充足的正负样本。
S5.3:通过反向传播算法和梯度下降优化算法对个性化路线推荐模型进行训练更新,使模型能够准确地预测用户对不同路线的喜好程度。
具体的,初始化个性化路线推荐模型参数,根据定义好的损失函数优化神经网络中参数的取值, 从而使神经网络模型在训练数据集上的损失函数达到一个较小值,其中损失函数/>为/>。
进一步的,通过梯度下降优化算法对个性化路线推荐模型进行参数更新的具体公式如下:
;
其中,表示损失函数,/>表示学习率,/>表示t轮参数,/>表示训练样本总数。
5.4:将用户兴趣向量、景点特征向量、路线推荐评分、用户出发地坐标以、用户目的地坐标以及预算金额输入训练好的个性化路线推荐模型,得到对所有路线的预测结果。
S5.5:根据预测路线评分进行排序,并输出满足用户出发和目的地要求的个性化路线进行推荐。
具体的,个性化路线推荐是基于训练好的/>模型对所有候选路线进行预测和评分,然后选择分数最高的前/>条路线进行推荐。
S6:使用交互式推荐算法与用户互动,展示推荐结果并收集用户反馈以改进个性化路线推荐模型。
进一步的,将模型输出的个性化路线展示给用户,收集用户对推荐路线的反馈,让用户给每条路线进行打分以表示喜好程度,并将客户对/>条路线的分数进行相加得到满意度总分/>。
具体的,每条路线打分范围为1~10分,条路线总分为10/>,收集用户对每条路线的打分/>,其中/>表示第/>条路线的打分,则满意度总分,根据满意度总分/>将用户满意度划分为4个等级,低级满意度,当时,表示用户非常不满意,系统将允许用户自定路线,并利用用户自定义路线信息来挖掘潜在的需求,同时根据用户的需求和偏好生成完全不同的新路线,并通过用户反馈调整模型结构和重新训练/>个性化路线推荐模型,直至用户的满意度达到中高级满意度以上;中低级满意度,当/>时,表示用户不太满意,系统会根据用户反馈替换部分景点,同时调整景点顺序和停留时间以提升用户体验,并进行在线问卷调查分析用户不满意的原因,同时根据用户反馈和调查结果调整/>个性化路线推荐模型的参数和特征权重,直至用户满意度达到中高级满意度以上;中高级满意度,若时,表示用户比较满意,系统将根据用户反馈提出景点替换建议和微调景点顺序,并随机选取部分用户进行轻度的交互,根据抽样用户的反馈进行/>个性化路线推荐模型的微调和迭代更新;高级满意度,若/>时,表示用户非常满意,系统将鼓励用户分享推荐,并赠送红包和优惠券作为回馈,同时跟踪长期满意用户的特征,根据用户反馈强化/>个性化路线推荐模型效果,保存模型并持续监控效果。
要说明的是,在本发明中将用户满意度分为四个等级,并以、/>、/>、为临界点原因如下:将总分/>分成四个等分,每个等分之间有相等的差距可以保持评分的均衡性和对称性;将总分/>的/>倍和/>倍作为临界点可以区分出非常不满意和相对较满意之间的明显差异;将总分/>的/>倍作为临界点可以区分出不太满意和比较满意的满意度级别,以明确界定满意度在中间偏低和中间偏高之间的区别;将满意度范围与总分/>相对应,可以将用户满意度映射到一个具体的分值上。
进一步的,本实施例还提供一种个性化差旅路线推荐系统,包括数据收集与整理模块,用于收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列,同时对景点进行分类以获取景点类别、景点流行度和景点位置;用户兴趣向量构建模块,用于基于差旅序列和景点流行度计算用户对景点类别和景点本身的兴趣偏好值,以构建用户兴趣向量;景点特征向量提取模块,用于使用卷积神经网络提取景点图片的视觉特征向量,将访问过此景点的所有用户的兴趣向量进行聚合以获得景点上下文信息矩阵,并提取景点上下文信息矩阵的特征以获得景点特征向量;动态兴趣值计算与路线评分模块,用于通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值,并将用户对路线中每个景点的动态兴趣值进行叠加,以计算路线推荐评分;个性化路线推荐模块,用于建立并训练个性化路线推荐模型,根据模型的预测结果对所有路线进行排序,并按照综合得分由高到低的顺序输出推荐结果;用户交互与反馈模块,用于使用交互式推荐算法与用户互动,展示推荐结果并收集用户反馈以改进/>个性化路线推荐模型。
本实施例还提供一种计算机设备,适用于个性化差旅路线推荐方法的情况,包括存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的个性化差旅路线推荐方法。
该计算机设备可以是终端,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列,同时对景点进行分类以获取景点类别、景点流行度和景点位置;基于差旅序列和景点流行度计算用户对景点类别和景点本身的兴趣偏好值,以构建用户兴趣向量;使用卷积神经网络提取景点图片的视觉特征向量,将访问过此景点的所有用户的兴趣向量进行聚合以获得景点上下文信息矩阵,并提取景点上下文信息矩阵的特征以获得景点特征向量;通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值,并将用户对路线中每个景点的动态兴趣值进行叠加,以计算路线推荐评分;建立并训练性化路线推荐模型,根据模型的预测结果对所有路线进行排序,并按照综合得分由高到低的顺序输出推荐结果;使用交互式推荐算法与用户互动,展示推荐结果并收集用户反馈以改进/>个性化路线推荐模型。
综上,本发明结合用户历史差旅数据、景点流行度、用户兴趣偏好和景点特征等多个因素,实现更准确和精确的个性化路线推荐;通过收集和分析用户的历史差旅数据,并结合景点流行度和用户兴趣向量计算,本发明能够准确把握用户的动态兴趣偏好;本发明通过与用户的交互和收集用户反馈,不断改进和优化个性化推荐模型,并根据用户的满意度等级和反馈意见,进行相应的模型调整和更新以提升推荐效果并满足用户的期望。
实施例
参照图1~图3,为本发明第二个实施例,该实施例提供了一种个性化差旅路线推荐方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
具体的,从用户A社交软件平台的签到、地图标记、照片分享等模块抓取用户过往一年的历史差旅数据,并对抓取的数据进行清洗,保留用户名称、景点名称、到达时间、离开时间等关键信息,并按照时间顺序对用户的历史差旅数据进行排序,共有196条数据,并以景点访问间隔超过24小时为阈值将数据分割成多个差旅序列,其中部分历史差旅数据具体如表1所示。
表1用户A部分历史差旅数据表
差旅数据ID | 用户名称 | 景点名称 | 到达时间 | 离开时间 |
0001 | 用户A | 天安门广场 | 2022-5-1 8:00 | 2022-5-1 9:30 |
0002 | 用户A | 故宫 | 2022-5-1 11:00 | 2022-5-1 13:00 |
0003 | 用户A | 前门大街 | 2022-5-1 14:00 | 2022-5-1 16:00 |
0004 | 用户A | 清华北大 | 2022-5-2 8:00 | 2022-5-2 12:00 |
0005 | 用户A | 颐和园 | 2022-5-2 13:00 | 2022-5-2 14:00 |
0006 | 用户A | 圆明园 | 2022-5-2 15:00 | 2022-5-2 16:00 |
0007 | 用户A | 天坛公园 | 2022-5-2 17:00 | 2022-5-2 18:00 |
... | ... | ... | ... | ... |
0196 | 用户A | 龙门石窟 | 2022-10-7 12:00 | 2022-10-7 15:00 |
进一步的,当两个景点之间的间隔时间超过12小时,则划分为新的差旅序列,则用户A历史差旅数据可划分为80个差旅序列,其中2条差旅序列如下:[天安门广场、故宫、前门大街],[清华北大、颐和园、圆明园、天坛公园]。
进一步的,通过爬虫程序爬取主要景点官网,获取景点ID、名称、经纬度坐标、介绍、景点类别等信息,使用文本分类算法基于景点介绍提取每个景点的类别,并进行人工校验修正,遍历用户A的所有差旅序列,统计在每个景点类别的停留总时间和在每个景点的停留总时间,并用户的停留时间映射到0-1之间以计算出景点本身流行度偏好值,其中部分景点信息表如表2所示。
表2部分景点信息表
景点ID | 景点名称 | 经纬度信息 | 景点类别 | 介绍 | 流行度 |
10001 | 故宫 | 39.919253,116.391426 | 历史遗迹 | 故宫是... | 0.98 |
10002 | 天坛 | 39.8816, 116.4116 | 宗教景观 | 天坛是... | 0.87 |
10003 | 颐和园 | 40.0060, 116.1620 | 皇家园林 | 颐和园是... | 0.95 |
10004 | 明十三陵 | 40.316667, 116.348056 | 皇家陵寝 | 明十三陵是... | 0.73 |
10005 | 北海公园 | 39.914556, 116.395833 | 市区园林 | 北海公园位于... | 0.65 |
10006 | 国家大剧院 | 39.908058, 116.397451 | 表演场所 | 国家大剧院位于... | 0.72 |
10007 | 司马台长城 | 40.404444,115.968056 | 长城遗迹 | 司马台长城是... | 0.67 |
... | ... | ... | ... | ... | ... |
进一步的,根据景点类别和景点类别停留总时间计算用户对景点类别的兴趣偏好值,并将景点类别的兴趣偏好值和景点本身的流行度偏好值按权重融合,形成用户兴趣向量[0.7、0.5、0.5、0.6]。
优选的,收集每个景点的代表图片,并对这些图片进行图像预处理;通过卷积神经网络对每个景点的代表图片进行特征提取以获得图像的视觉特征向量;并收集所有访问过景点的用户兴趣向量,并以此构建景点的用户兴趣矩阵;对用户兴趣矩阵进行聚合以获得景点的上下文特征向量;将图像的视觉特征向量和上下文特征向量拼接形成景点的原始特征原始向量;将输入至全连接网络进行特征提取以获得景点的景点特征向量;迭代执行上述步骤,直至获取所有景点特征向量,具体如表3所示。
表3所有景点特征向量
景点ID | 景点特征向量 |
10001 | [0.1、0.3、0.4、0.6] |
10002 | [0.3、0.6、0.3、0.7] |
10003 | [0.2、0.7、0.4、0.3] |
10004 | [0.3、0.5、0.6、0.7] |
10005 | [0.6、0.4、0.7、0.8] |
10006 | [0.3、0.5、0.4、0.7] |
10007 | [0.7、0.5、0.8、0.6] |
... | ... |
进一步的,通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值,并将用户对路线中每个景点的动态兴趣值进行叠加,以计算路线推荐评分,将用户兴趣向量、景点特征向量、路线推荐评分、用户出发地坐标以、用户目的地坐标以及预算金额输入训练好的个性化路线推荐模型,得到对所有路线的预测结果,根据预测路线评分进行排序,并输出满足用户出发和目的地要求的/>个性化路线进行推荐。
优选的,将模型输出的6条个性化路线展示给用户,收集用户对推荐路线的反馈,让用户给每条路线进行打分以表示喜好程度,并将客户对6条路线的分数进行相加得到满意度总分为50分,可了解用户满意度为高级,系统将鼓励用户分享推荐,并赠送红包和优惠券作为回馈,同时根据用户反馈强化/>性化路线推荐模型效果,保存模型并持续监控效果。
更进一步的,可得出我方发明与传统路线推荐方法的对比如表4所示。
表4我方发明与传统路线推荐方法的指标对比
对比指标 | 本发明 | 传统路线推荐方法 |
个性推荐准确率(%) | 90% | 75% |
用户满意度(分) | 4.5 | 3.1 |
模型完整度(%) | 85% | 35% |
增长业务收入(%) | 14% | 3% |
模型迭代速度 | 每周 | 每年 |
多源数据融合 | 支持 | 不支持 |
优选的,根据表4可以看出,我方发明的个性推荐准确率达到90%,而传统方法仅有75%,说明本发明可以提供更加准确匹配用户兴趣的个性化路线推荐;用户满意度高达4.5分,而传统方法只有3.1分,说明本发明推荐的路线更加符合用户的个人兴趣;模型完整度方面,我方发明达到85%,而传统方法仅有35%,说明本发明能够建立更全面准确的用户特征图谱;依靠更高的用户满意度,本发明可以带来14%的业务收入增长,而传统方法只有3%,这说明本发明可带来更高的收入;本发明可以实现每周级别的模型迭代更新,而传统方法需时一年,说明本发明可以快速吸收用户反馈进行模型优化。
应说明的是,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,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种个性化差旅路线推荐方法,其特征在于:包括,
收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列,同时对景点进行分类以获取景点类别、景点流行度和景点位置;
基于差旅序列和景点流行度计算用户对景点类别和景点本身的兴趣偏好值,以构建用户兴趣向量;
使用卷积神经网络提取景点图片的视觉特征向量,将访问过此景点的所有用户的兴趣向量进行聚合以获得景点上下文信息矩阵,并提取景点上下文信息矩阵的特征以获得景点特征向量;
通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值,并将用户对路线中每个景点的动态兴趣值进行叠加,以计算路线推荐评分;
建立并训练个性化路线推荐模型,根据模型的预测结果对所有路线进行排序,并按照综合得分由高到低的顺序输出推荐结果;
使用交互式推荐算法与用户互动,展示推荐结果并收集用户反馈以改进个性化路线推荐模型;
所述构建用户兴趣向量包括以下步骤:
初始化用户兴趣向量;
根据景点类别c和停留总时间计算用户对景点类别c的兴趣偏好值;
根据景点的流行度和用户在该景点的逗留时间/>计算用户对景点本身i的流行度偏好值/>;
将用户对景点类别的兴趣偏好值和用户对景点本身的流行度偏好值按照一定的权重进行融合,以得到用户兴趣向量;
所述用户对景点类别c的兴趣偏好值的具体公式如下:
;
其中,表示用户对景点类别c的兴趣偏好值,/>表示用户的意愿度常数,/>表示与用户意愿度相关的调节参数,/>表示其他因素对用户意愿度的调节参数,/>表示用户在此景点类别所有景点的停留总时间,c表示景点类别,/>表示其他因素对用户意愿度的影响程度;
所述获得景点特征向量包括以下步骤:
收集每个景点的代表图片,并对这些图片进行图像预处理;
通过卷积神经网络对每个景点的代表图片进行特征提取以获得图像的视觉特征向量/>;
对每个景点i,收集所有访问过此景点的用户兴趣向量,并以此构建景点i的用户兴趣矩阵/>;
对用户兴趣矩阵进行聚合以获得景点i的上下文特征向量/>;
将图像的视觉特征向量和上下文特征向量/>拼接形成景点i的原始特征原始向量/>;
将入至全连接网络进行特征提取以获得景点i的景点特征向量;
迭代执行上述步骤,直至获取所有景点特征向量;
所述用户对景点的动态兴趣值的具体公式如下:
;
其中,表示用户兴趣向量,/>表示景点特征向量,/>和λ表示调节参数;
所述路线推荐评分的具体公式如下:
;
其中,表示路线上景点j的动态兴趣值,/>表示路线上的景点数量。
2.如权利要求1所述的个性化差旅路线推荐方法,其特征在于:所述建立并训练个性化路线推荐模型包括以下步骤:
建立个性化路线推荐模型;
将用户的历史差旅数据划分为训练集和测试集;
过反向传播算法和梯度下降优化算法对个性化路线推荐模型进行训练更新,使模型能够准确地预测用户对不同路线的喜好程度;
将用户兴趣向量、景点特征向量、路线推荐评分、用户出发地坐标以、用户目的地坐标以及预算金额输入训练好的个性化路线推荐模型,得到对所有路线的预测结果;
根据预测路线评分进行排序,并输出满足用户出发和目的地要求的性化路线进行推荐;
通过梯度下降优化算法对个性化路线推荐模型进行训练更新的具体公式如下:
;
其中,表示损失函数,/>表示学习率,/>表示t轮参数,/>表示训练样本总数。
3.如权利要求1所述的个性化差旅路线推荐方法,其特征在于:所述使用交互式推荐算法与用户互动包括以下步骤:
将模型输出的个性化路线展示给用户,收集用户对推荐路线的反馈;
让用户给每条路线进行打分以表示喜好程度,并将客户对条路线的分数进行相加得到满意度总分/>;
收集用户对每条路线的打分其中/>表示第/>条路线的打分;
根据满意度总分将用户满意度划分为4个等级,根据用户满意度等级执行相对应的交互策略以改进/>个性化路线推荐模型;
所述用户满意度等级包括低级满意度、中低级满意度、中高级满意度以及高级满意度。
4.如权利要求3所述的个性化差旅路线推荐方法,其特征在于:所述交互策略包括以下内容:
低级满意度,当时,表示用户非常不满意,系统将允许用户自定路线,并利用用户自定义路线信息来挖掘潜在的需求,同时根据用户的需求和偏好生成完全不同的新路线,并通过用户反馈调整模型结构和重新训练/>个性化路线推荐模型,直至用户的满意度达到中高级满意度以上;
中低级满意度,当时,表示用户不太满意,系统会根据用户反馈替换部分景点,同时调整景点顺序和停留时间以提升用户体验,并进行在线问卷调查分析用户不满意的原因,同时根据用户反馈和调查结果调整/>个性化路线推荐模型的参数和特征权重,直至用户满意度达到中高级满意度以上;
中高级满意度,若时,表示用户比较满意,系统将根据用户反馈提出景点替换建议和微调景点顺序,并随机选取部分用户进行轻度的交互,根据抽样用户的反馈进行/>个性化路线推荐模型的微调和迭代更新;
高级满意度,若时,表示用户非常满意,系统将鼓励用户分享推荐,并赠送红包和优惠券作为回馈,同时跟踪长期满意用户的特征,根据用户反馈强化/>个性化路线推荐模型效果,保存模型并持续监控效果。
5.一种个性化差旅路线推荐系统,基于权利要求1~4任一所述的个性化差旅路线推荐方法,其特征在于:还包括,
数据收集与整理模块,用于收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列,同时对景点进行分类以获取景点类别、景点流行度和景点位置;
用户兴趣向量构建模块,用于基于差旅序列和景点流行度计算用户对景点类别和景点本身的兴趣偏好值,以构建用户兴趣向量;
景点特征向量提取模块,用于使用卷积神经网络提取景点图片的视觉特征向量,将访问过此景点的所有用户的兴趣向量进行聚合以获得景点上下文信息矩阵,并提取景点上下文信息矩阵的特征以获得景点特征向量;
动态兴趣值计算与路线评分模块,用于通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值,并将用户对路线中每个景点的动态兴趣值进行叠加,以计算路线推荐评分;
个性化路线推荐模块,用于建立并训练个性化路线推荐模型,根据模型的预测结果对所有路线进行排序,并按照综合得分由高到低的顺序输出推荐结果;
用户交互与反馈模块,用于使用交互式推荐算法与用户互动,展示推荐结果并收集用户反馈以改进个性化路线推荐模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340724.6A CN117078362B (zh) | 2023-10-17 | 2023-10-17 | 一种个性化差旅路线推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340724.6A CN117078362B (zh) | 2023-10-17 | 2023-10-17 | 一种个性化差旅路线推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078362A CN117078362A (zh) | 2023-11-17 |
CN117078362B true CN117078362B (zh) | 2023-12-29 |
Family
ID=88706539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311340724.6A Active CN117078362B (zh) | 2023-10-17 | 2023-10-17 | 一种个性化差旅路线推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078362B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915392A (zh) * | 2015-05-26 | 2015-09-16 | 国家计算机网络与信息安全管理中心 | 一种微博转发行为预测方法及装置 |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
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 |
CN111177572A (zh) * | 2020-01-16 | 2020-05-19 | 西北大学 | 一种基于用户动态兴趣的个性化旅游路线推荐方法 |
CN113761365A (zh) * | 2021-09-01 | 2021-12-07 | 杭州云信智策科技有限公司 | 用于确定目标信息的数据处理系统 |
CN115375001A (zh) * | 2022-07-11 | 2022-11-22 | 重庆旅游云信息科技有限公司 | 一种用于景区的游客情绪评估方法及装置 |
WO2023163692A1 (en) * | 2022-02-22 | 2023-08-31 | Google Llc | Using historical user routes to recommend navigational routes |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9618343B2 (en) * | 2013-12-12 | 2017-04-11 | Microsoft Technology Licensing, Llc | Predicted travel intent |
-
2023
- 2023-10-17 CN CN202311340724.6A patent/CN117078362B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915392A (zh) * | 2015-05-26 | 2015-09-16 | 国家计算机网络与信息安全管理中心 | 一种微博转发行为预测方法及装置 |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
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 |
CN111177572A (zh) * | 2020-01-16 | 2020-05-19 | 西北大学 | 一种基于用户动态兴趣的个性化旅游路线推荐方法 |
CN113761365A (zh) * | 2021-09-01 | 2021-12-07 | 杭州云信智策科技有限公司 | 用于确定目标信息的数据处理系统 |
WO2023163692A1 (en) * | 2022-02-22 | 2023-08-31 | Google Llc | Using historical user routes to recommend navigational routes |
CN115375001A (zh) * | 2022-07-11 | 2022-11-22 | 重庆旅游云信息科技有限公司 | 一种用于景区的游客情绪评估方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于社交网络的旅游路线推荐算法研究;宋军;硕士学位论文;第1-73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117078362A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101871747B1 (ko) | 유사성향 기반 사용자-관광상품 추천 방법 및 시스템 | |
Long et al. | Mapping block-level urban areas for all Chinese cities | |
CN107133277A (zh) | 一种基于动态主题模型和矩阵分解的旅游景点推荐方法 | |
CN112749339A (zh) | 一种基于旅游知识图谱的旅游路线推荐方法及系统 | |
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 | |
CN106997389A (zh) | 一种基于多数据集和协同张量分解的旅游景点推荐方法 | |
Li et al. | Where you instagram? associating your instagram photos with points of interest | |
KR20170030379A (ko) | 사용자 선호에 맞춘 여행 큐레이션 서비스 방법 및 시스템 | |
CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
WO2022134478A1 (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
CN115995018A (zh) | 基于样本感知蒸馏的长尾分布视觉分类方法 | |
CN116738066B (zh) | 乡村旅游服务推荐方法、装置、电子设备及存储介质 | |
Zhao et al. | Deep CNN-based methods to evaluate neighborhood-scale urban valuation through street scenes perception | |
Du et al. | Pcard: Personalized restaurants recommendation from card payment transaction records | |
Lin et al. | Extracting urban landmarks from geographical datasets using a random forests classifier | |
CN107944026A (zh) | 一种图集个性化推荐的方法、装置、服务器和存储介质 | |
CN110263250A (zh) | 一种推荐模型的生成方法及装置 | |
CN117078362B (zh) | 一种个性化差旅路线推荐方法及系统 | |
CN113158030A (zh) | 异地兴趣点的推荐方法、装置、电子设备及存储介质 | |
CN110471721B (zh) | 页面展示方法及系统、电子设备和存储介质 | |
Sun et al. | Automatic building age prediction from street view images | |
CN113869366B (zh) | 模型训练方法、亲属关系分类方法、检索方法及相关装置 | |
CN111369029A (zh) | 服务选择预测方法、装置、电子设备及存储介质 | |
EP4047447A1 (en) | Route recommendation method and apparatus, electronic device, and storage medium | |
CN114065024A (zh) | 基于用户个性化生活模式的poi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 |