一种基于时间卷积网络的景点推荐方法与流程

本发明涉及智能旅游推荐，尤其涉及一种基于时间卷积网络的景点推荐方法。

背景技术：

1、随着位置服务、移动信令大数据和智慧旅游平台的发展，基于游客轨迹进行景点识别与下一景点推荐已成为现有技术的重要方向。例如，cn112800348a已公开利用手机信令长周期轨迹、停留行为及惯常地识别旅游行为；cn112182398a已公开通过注意力机制提取长期偏好、通过bilstm提取短期偏好并融合计算下一景点访问概率；cn113158038a进一步公开了将兴趣点嵌入序列输入tcn，并结合时空自注意力获取全局时空相关性进行兴趣点推荐。可见，手机信令轨迹分析、长短期偏好建模以及tcn时序推荐均已有实际公开案例。

2、但是，现有技术在实际旅游推荐业务中仍存在不足：游客本次行程可能因临时绕行、景点关闭、停留时间变化或旅游目的改变而偏离历史习惯，若直接融合长期偏好与短期行为，长期偏好容易抑制当前行程变化，而短期行为权重过高又容易受定位漂移和偶发停留影响；同时，现有时空推荐通常对空间邻近性和时间适配性进行整体融合，当候选景点仅满足空间或时间中的一项条件时，较高的单侧匹配结果可能补偿另一侧偏离，使空间迁移方向与预计到达时间不一致的景点仍获得较高推荐概率，难以兼顾当前行程动态性、历史偏好稳定性及候选景点时空一致性。

3、因此，如何提供一种基于时间卷积网络的景点推荐方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于时间卷积网络的景点推荐方法，本发明充分利用行为嵌入、时间卷积网络、注意力机制和个性化时空聚类技术，对游客历史游览行为进行长短期偏好建模，并结合空间支持与时间支持对候选景点进行校正，生成景点推荐结果，具备游客偏好刻画准确、时空适应能力强和景点推荐准确性高的优点。

2、根据本发明实施例的一种基于时间卷积网络的景点推荐方法，包括如下步骤：

3、步骤一：采集用户位置数据和景点信息数据，生成用户位置活动轨迹和景点地理范围；

4、步骤二：提取用户停留点并与景点地理范围匹配，根据驻留天数剔除景点附近居民和景区工作人员，生成游客景点游览序列；

5、步骤三：剔除异常位置记录，切分旅游行程并过滤短序列，生成游览序列数据集；

6、步骤四：对游客景点游览序列进行行为嵌入，生成游客景点访问嵌入序列并输入时间卷积网络，经膨胀卷积、多尺度卷积、残差连接和自注意力处理，生成游客短期出行特征；

7、步骤五：计算不同旅游行程特征的相似度，经注意力加权聚合生成游客长期偏好特征；

8、步骤六：将游客历史游览数据和长短期特征输入个性化时空聚类模型，根据短期出行特征生成时空聚类迁移量，以长期偏好限定迁移范围，分别生成空间支持集和时间支持集并执行一致性确认，根据一致支持、单侧冲突和无支持状态生成候选景点时空校正权重；

9、步骤七：根据短期出行特征、长期偏好特征和候选景点时空校正权重计算候选景点访问概率，生成景点推荐结果。

10、可选的，所述用户位置数据包括匿名化用户标识、位置记录时间戳、经度和纬度，所述景点信息数据包括景点标识、景点边界坐标和所属旅游区域；

11、将用户位置数据和景点信息数据写入hdfs，由spark按照匿名化用户标识执行并行轨迹处理，由yarn分配对应数据处理任务；

12、按照匿名化用户标识对位置记录进行分组，将位置记录转换至统一时间基准并按照时间戳升序排列，删除相同时间戳下的重复位置记录；相同时间戳存在多个不同坐标时，保留与上一有效位置记录地表距离最小的坐标，并按照时间顺序组织有效位置记录，生成用户位置活动轨迹；

13、将景点边界坐标转换至与用户位置数据一致的地理坐标系，按照景点边界顶点连接关系构建闭合区域，将对应闭合区域与景点标识绑定，生成景点地理范围。

14、可选的，所述步骤二具体包括：

15、计算用户位置活动轨迹中前后位置记录之间的时间间隔，根据记录间隔阈值划分轨迹片段，统计轨迹片段的持续时间及位置记录空间分布，根据片段持续时间及预设空间半径内的位置记录占比筛选停留片段，并根据停留片段内有效位置记录生成用户停留点；

16、将用户停留点与景点地理范围执行空间包含判定，生成景区游览记录；用户停留点同时位于多个景点地理范围内时，分别计算停留点与各景点地理范围几何中心之间的距离，将距离最小的景点标识写入景区游览记录；

17、按照预设统计周期统计用户在对应旅游区域内出现的独立驻留日期数量，将达到驻留日期阈值的用户作为长期驻留用户，并删除对应用户的景区游览记录；

18、按照到达时间排列剩余景区游览记录，将同一景点连续游览记录之间的时间间隔与连续访问间隔阈值进行比较，将时间间隔不超过连续访问间隔阈值的记录进行合并，并按照时间顺序组织为游客景点游览序列。

19、可选的，所述步骤三具体包括：

20、根据游客景点游览序列中相邻位置记录的经纬度计算地表移动距离，将地表移动距离除以对应记录时间差生成平均运动速度，将超过运动速度上限的位置记录写入待校验记录；

21、计算前一有效位置经待校验位置至后一有效位置的经停路径距离，以及前一有效位置至后一有效位置的直接距离，当经停路径距离与直接距离的比值达到异常距离比阈值时，删除待校验位置记录；

22、计算相邻景点游览记录之间由前一景点离开时间至后一景点到达时间的时间间隔，将达到最大间隔时间窗口的相邻景点游览记录划分至不同旅游行程，并根据旅游行程包含的有效景点访问记录数量过滤短序列；

23、对经纬度和停留时长执行min-max归一化，将访问时间转换为星期标识和日内时间槽，对匿名化用户标识、景点标识、日内时间槽和行程标识执行离散索引编码，按照旅游行程长度区间、日内时间槽和景点访问频率建立分层单元，在各分层单元内划分训练集和测试集，生成游览序列数据集。

24、可选的，所述步骤四具体包括：

25、根据星期标识和日内时间槽生成时间类别，根据位置经纬度的geohash编码生成位置类别，根据匿名化用户标识、景点标识、时间类别和位置类别构建行为词汇表，并分别映射至唯一整数索引；

26、采用word2vec的skip-gram结构按照景点访问顺序建立滑动窗口，以当前访问景点作为中心词，将前后访问景点、时间类别及位置类别作为上下文词，通过正样本上下文词和负样本词训练获得连续嵌入向量；

27、根据景点标识、匿名化用户标识、时间类别和位置类别分别生成景点嵌入、游客嵌入、时间嵌入和位置嵌入，并与归一化停留时长进行拼接，经全连接投影、gelu激活和layernorm处理生成景点访问行为嵌入，并按照旅游行程内的真实访问顺序排列，生成游客景点访问嵌入序列；

28、将游客景点访问嵌入序列输入时间卷积网络，经膨胀卷积、多尺度卷积、残差连接和自注意力处理，生成时序卷积特征和全局访问关联特征，对时序卷积特征和全局访问关联特征进行加权融合，生成游客短期出行特征。

29、可选的，所述时间卷积网络包括多个顺序连接的时序卷积块及一个自注意力层，每个时序卷积块包括多个并联膨胀卷积分支、特征拼接层、特征投影层、残差连接层及layernorm层；

30、不同时序卷积块采用递增膨胀率，各并联膨胀卷积分支采用不同尺寸的一维因果卷积核，将各并联膨胀卷积分支输出进行特征拼接，经特征投影后与对应时序卷积块输入执行残差相加，生成时序卷积特征；

31、将最后一个时序卷积块输出输入自注意力层，经查询投影、键投影和值投影生成查询特征、键特征和值特征，对查询特征与键特征的缩放点积结果执行softmax归一化，并根据归一化结果对值特征进行加权聚合，生成全局访问关联特征；

32、采用可训练融合权重对当前旅游行程最后一个有效访问位置对应的时序卷积特征进行加权，并采用一减去可训练融合权重的结果对全局访问关联特征进行加权，将两项加权结果求和并执行layernorm，生成游客短期出行特征；

33、采用实际下一访问景点作为监督标签，以下一访问景点预测结果与实际下一访问景点之间的交叉熵作为训练损失，训练时间卷积网络。

34、可选的，所述步骤五具体包括：

35、采用时间卷积网络分别处理当前旅游行程之前的各历史旅游行程，生成各历史旅游行程对应的游客短期出行特征，并将各历史旅游行程对应的游客短期出行特征作为不同旅游行程特征；

36、计算任意两个不同旅游行程特征之间的余弦相似度，并按照历史旅游行程排列顺序组成旅游行程相似度矩阵；

37、对旅游行程相似度矩阵的每一行执行softmax归一化，生成归一化相似响应，将归一化相似响应分别与对应原始相似度相乘后求和，生成各历史旅游行程的注意力响应；

38、对全部历史旅游行程的注意力响应执行softmax归一化，生成历史旅游行程注意力权重，并按照历史旅游行程注意力权重对对应游客短期出行特征执行加权聚合，生成游客长期偏好特征；

39、将历史旅游行程注意力权重与对应行程标识绑定。

40、可选的，所述步骤六具体包括：

41、构建个性化时空聚类模型，所述个性化时空聚类模型包括依次连接的时空聚类模块、迁移约束模块、双支持生成模块和支持校正模块；

42、时空聚类模块将游客历史游览数据中的景点经纬度转换为旅游区域局部平面坐标，执行空间聚类生成空间簇、空间簇中心和空间支持半径，并按照连续时间片统计景点访问分布，根据相邻时间片的jensen-shannon散度执行时间聚类，生成时间簇、时间簇中心和时间支持半径；

43、迁移约束模块根据当前旅游行程的景点空间位移和时间推进偏差生成基础空间迁移量和基础时间迁移量，根据游客短期出行特征调节基础空间迁移量和基础时间迁移量，生成空间聚类迁移量和时间聚类迁移量，并采用生成游客长期偏好特征时得到的历史旅游行程注意力权重生成游客空间稳定范围和游客时间稳定范围，对超出对应稳定范围的迁移部分执行压缩，生成当前行程空间中心和当前行程时间中心；

44、双支持生成模块根据候选景点至当前行程空间中心的空间距离生成空间支持集，并根据当前景点离开时间和历史景点转移时间生成候选景点预计到达时间，根据预计到达时间与当前行程时间中心的圆周时间距离生成时间支持集，空间支持集生成过程不采用时间支持结果，时间支持集生成过程不采用空间支持结果；

45、支持校正模块对空间支持集和时间支持集执行一致性确认，将候选景点划分为一致支持、时间单侧冲突、空间单侧冲突和无支持状态，并根据对应状态生成候选景点时空校正权重。

46、可选的，所述迁移约束模块具体包括：

47、根据当前旅游行程最近连续访问景点之间的位移生成空间位移向量，按照各位移对应访问时刻至当前访问时刻的时间间隔执行指数衰减并归一化，生成归一化时间权重；计算各空间位移向量与最近一次空间位移向量之间的余弦相似度，将负值赋值为零后生成方向一致权重，对空间位移向量、归一化时间权重和方向一致权重进行加权聚合，生成基础空间迁移量；

48、计算实际停留时长与对应景点历史停留时长中位数之间的停留时间偏差，以及实际转移时间与对应景点组合历史转移时间中位数之间的转移时间偏差，将两类偏差相加并采用归一化时间权重进行加权聚合，生成基础时间迁移量；将游客短期出行特征分别输入空间迁移调节分支和时间迁移调节分支，调节基础空间迁移量和基础时间迁移量，生成空间聚类迁移量和时间聚类迁移量；

49、将历史旅游行程注意力权重按照对应行程的有效迁移记录数量进行分配，分别按照历史空间迁移距离和历史时间偏移绝对值进行排序并累计样本权重，根据累计样本权重达到稳定覆盖比例时对应的空间迁移距离和时间偏移生成游客空间稳定范围和游客时间稳定范围；

50、空间聚类迁移量和时间聚类迁移量位于对应稳定范围内时完整保留，超出对应稳定范围时保留稳定范围内的迁移部分并按照预设压缩比例保留越界迁移部分，生成受限空间迁移量和受限时间迁移量；将受限空间迁移量叠加至当前所属空间簇中心，将受限时间迁移量叠加至当前所属时间簇中心，生成当前行程空间中心和当前行程时间中心。

51、可选的，所述步骤七具体包括：

52、将游客短期出行特征和游客长期偏好特征进行拼接，生成游客综合推荐特征；

53、将游客综合推荐特征输入全连接推荐网络，经第一全连接层和gelu激活层执行特征映射，通过候选景点输出层生成各候选景点对应的基础访问得分；

54、对候选景点时空校正权重增加预设正数后执行自然对数映射，将映射结果乘以校正强度系数后与对应候选景点的基础访问得分相加，生成校正访问得分；

55、对全部候选景点的校正访问得分执行softmax归一化，生成候选景点访问概率；

56、采用实际下一访问景点作为监督标签，以候选景点访问概率与实际下一访问景点之间的交叉熵作为推荐损失，训练全连接推荐网络，并在分阶段训练完成后对时间卷积网络、个性化时空聚类模型中的可训练结构和全连接推荐网络执行联合微调；

57、按照候选景点访问概率由高至低排列候选景点，根据预设推荐数量生成景点推荐结果。

58、本发明的有益效果是：

59、本发明通过用户位置活动轨迹构建、游客停留点识别、异常位置剔除及旅游行程切分形成可靠的游客景点游览序列，并结合行为嵌入、膨胀卷积、多尺度卷积、残差连接和自注意力提取游客短期出行特征，再依据不同历史旅游行程之间的相似度及注意力权重生成游客长期偏好特征。该技术链能够同时保留当前旅游行程的局部变化和历史旅游行为的稳定规律，避免传统长短期特征直接融合时长期偏好抑制当前行程变化或短期异常行为过度影响推荐结果，从而提高游客行为表征对真实出行状态的适应性和下一景点推荐依据的可靠性。

60、进一步地，本发明通过个性化时空聚类模型根据当前旅游行程生成基础空间迁移量和基础时间迁移量，以短期出行特征调节迁移响应，并利用历史旅游行程注意力权重形成空间稳定范围和时间稳定范围，仅对越界迁移部分进行压缩；在此基础上分别独立生成空间支持集和时间支持集，并依据一致支持、时间单侧冲突、空间单侧冲突及无支持状态生成候选景点时空校正权重。由此可抑制定位漂移、临时绕行及异常停留造成的过度迁移，同时避免单一空间邻近或时间匹配对另一侧偏离的错误补偿，使推荐结果同时满足当前行程动态性、历史偏好稳定性及时空一致性，为基于位置服务的实时景点推荐提供更稳定、更具场景适应性的技术路径。