[發(fā)明專利]一種基于用戶動態(tài)興趣的個性化旅游路線推薦方法

有效

• 申請?zhí)枺?/td>: 202010049443.5
• 申請日: 2020-01-16
• 公開（公告）號: CN111177572B
• 公開（公告）日: 2023-07-28
• 發(fā)明（設(shè)計）人: 段治州;史維峰;王潔;田夢允
• 申請（專利權(quán)）人: 西北大學(xué)
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9537;G06Q50/14
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 高博

1.一種基于用戶動態(tài)興趣的個性化旅游路線推薦方法，其特征在于，包括以下步驟：

S1、將用戶u的歷史訪問記錄S劃分為多個旅游序列Seq，如果用戶u訪問兩個POI之間的時間間隔大于閾值τ，將用戶u的歷史訪問記錄劃分為新的旅游序列；

S2、構(gòu)建用戶興趣向量，提取景點特征，具體為：

S201、利用用戶u在某個POI類別的持續(xù)訪問時間和所有用戶在該POI上的平均訪問時間的比值刻畫用戶u對Cat(v)的個性化興趣，確定用戶u對POI類別的興趣偏好值；

S202、考慮用戶u對POI類別的興趣偏好值，融入用戶u對該POI流行度的興趣值，對于每一個POI，先對流行度進行歸一化處理得到該POI的流行指數(shù)，再將流行指數(shù)等差的劃分到一個流行度集合P中，得到用戶u對POIv的興趣；

S203、根據(jù)上下文信息矩陣V_matrix將訪問某個POI的所有用戶興趣向量組成POI的上下文信息矩陣，經(jīng)過CNN網(wǎng)絡(luò)的卷積和池化操作，將CNN網(wǎng)絡(luò)中全連接層的特征向量作為提取的一維特征向量，表示景點上下文信息向量Vec；

S204、分別計算用戶u訪問過POI的特征向量vec與興趣向量IntP(u)的余弦相似度和用戶u未訪問POI的特征向量vec與興趣向量IntP(u)的余弦相似度，得到用戶對某個POI類別的興趣偏好值以及對POI流行度的興趣偏好值，結(jié)合POI通過卷積神經(jīng)網(wǎng)絡(luò)提取到的特征信息，得到用戶的動態(tài)偏好；

S3、旅行者選擇旅游路線的起點和終點，考慮經(jīng)過旅游路線的時間或距離預(yù)算B，距離預(yù)算B反映旅行者消耗在路上的時間和他旅游路線的距離長短，給定POI集合P，預(yù)算B，起點POIp₁∈P，終點POIp_N∈P，在起點、終點和預(yù)算條件下推薦得分最高的旅游路線。

2.根據(jù)權(quán)利要求1所述的基于用戶動態(tài)興趣的個性化旅游路線推薦方法，其特征在于，步驟S1中，歷史訪問記錄S具體為：

其中，v_i表示用戶u訪問的第i個POI，t_i^s表示用戶u到達(dá)POI的時間，t_i^e表示用戶u離開POI的時間。

3.根據(jù)權(quán)利要求1所述的基于用戶動態(tài)興趣的個性化旅游路線推薦方法，其特征在于，步驟S1中，旅游序列是由各個POI組成的集合，每個POIv都有一個類別標(biāo)簽，其類別記為：Cat(v)，Cat為POI的類別集合，旅游序列為：

V＝{v₁,v₂,v₃…v_m}

其中，v_m為用戶u訪問的第m個POI。

4.根據(jù)權(quán)利要求1所述的基于用戶動態(tài)興趣的個性化旅游路線推薦方法，其特征在于，步驟S201中，用戶u對Cat(v)的個性化興趣為：

其中，

5.根據(jù)權(quán)利要求1所述的基于用戶動態(tài)興趣的個性化旅游路線推薦方法，其特征在于，步驟S202中，用戶u對POI流行度的興趣偏好值為：

POI的流行指數(shù)為：

其中，max代表景點集合中最大的流行度，min代表景點集合中最小的流行度，pop(v)代表POIv的流行度，得到的pop_num(v)即第v個POI的流行指數(shù)。

6.根據(jù)權(quán)利要求1所述的基于用戶動態(tài)興趣的個性化旅游路線推薦方法，其特征在于，步驟S203中，景點v上下文信息由所有訪問景點v的用戶偏好向量構(gòu)成，其上下文信息矩陣V_matrix記為：

其中，Int?P(u₁)為用戶u對該景點的興趣向量。

7.根據(jù)權(quán)利要求1所述的基于用戶動態(tài)興趣的個性化旅游路線推薦方法，其特征在于，步驟S204中，用戶的動態(tài)偏好為：

其中，s＜Vec,u＞表示用戶u的興趣向量和景點特征的相似度，θ為調(diào)節(jié)參數(shù)。