一种基于用户多意图的群组动态旅游路线推荐方法及系统与流程

1.本发明涉及旅游路线推荐领域，尤其涉及一种基于用户多意图的群组动态旅游路线推荐方法及系统。


背景技术：

2.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，同时也带来了信息过载问题，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该问题的重要方式，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。
3.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，一般是采用传统静态搜索匹配的方式，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并利用聚类排序算法对基础路线进行扩充，从而生成符合用户偏好的推荐结果。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，对群组旅游路线推荐的研究较为匮乏。
4.因此，针对当前旅游路线仅考虑个人出游场景，以及个体旅游推荐算法中存在的诸多问题，提出了一种基于用户多意图的群组动态旅游路线推荐方法及系统。


技术实现要素：

5.有鉴于此，本发明实施例提供了一种基于用户多意图的群组动态旅游路线推荐方法及系统，以解决现有旅游路线推荐仅考虑个体用户出游的问题。
6.在本发明实施例的第一方面，提供了一种基于用户多意图的群组动态旅游路线推荐方法，包括：
7.基于多视图表征学习构建用户画像，所述用户画像包括用户基础画像和内容画像，基于用户基础画像和内容画像建立用户偏好表示；
8.根据个体影响的差异构建群组动态偏好模型，最大化满足群组用户的偏好需求；
9.基于用户多意图偏好和群组偏好，对深度聚类分析得到的旅游路线进行筛选和推荐。
10.在本发明实施例的第二方面，提供了一种基于用户多意图的群组动态旅游路线推荐系统，包括：
11.用户画像构建模块，用于基于多视图表征学习构建用户画像，所述用户画像包括用户基础画像和内容画像，基于用户基础画像和内容画像建立用户偏好表示；
12.群组偏好表示模块，用于根据个体影响的差异构建群组动态偏好模型，最大化满
足群组用户的偏好需求；
13.旅游路线推荐模块，用于基于用户多意图偏好和群组偏好，对深度聚类分析得到的旅游路线进行筛选和推荐。
14.在本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
15.本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
16.本发明实施例中，通过多视图表征学习实现用户偏好表示，基于同一个体在不同群组中的影响力差异，结合深度学习技术动态学习不同个体在群组中的影响力，构建动态群组偏好建模；考虑到用户在选取旅游路线时的多个意图，通过深度聚类分析实现旅游路线的过滤筛选，以此生成候选集合，进而在候选集合中评分预测生成更为准确有效的旅游路线推荐结果。从而可以解决传统旅游路线推荐方法仅面向对象单一化的问题，充分考虑用户在旅游中的多个意图需求，实现精准的个性化群组旅游路线推荐，提升结伴出游中游客的旅行体验。利用多视图表征融合和深度学习技术实现可靠有效的用户偏好表示，充分挖掘群组成员的不同影响力，能有效解决了当前旅游路线推荐中面向对象单一化、信息利用不充分、表征学习能力差等问题。
附图说明
17.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述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取其他附图。
18.图1为本发明的一个实施例提供的一种基于用户多意图的群组动态旅游路线推荐方法的流程示意图；
19.图2为本发明的一个实施例提供的构建群组动态偏好模型的流程示意图；
20.图3为本发明的一个实施例提供的旅游路线推荐过程的流程示意图；
21.图4为本发明的一个实施例提供的一种基于用户多意图的群组动态旅游路线推荐系统的结构示意图。
具体实施方式
22.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围以下结合附图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。
23.本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表
述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
24.请参阅图1，图1为本发明实施例提供的一种基于用户多意图的群组动态旅游路线推荐方法的流程示意图，包括：
25.s101、基于多视图表征学习构建用户画像，所述用户画像包括用户基础画像和内容画像，基于用户基础画像和内容画像建立用户偏好表示；
26.所述多视图表征学习为对某一用户从多个角度进行特征描述，并进行特征学习，用户的多视图表征中可以包括用户基本特征和行为特征。通过多视图表征可以获得数据高维特征，提升数据表征效果。所述用户画像为基于用户特征的数据表示方式，可以对不同视图角度采用不同特征集表示。
27.其中，根据用户性别、年龄和地理信息的平均嵌入，构建用户基础画像；根据从用户行为中提取的用户高频标签和类别的嵌入，构建用户内容画像。嵌入是指将特征信息以嵌入形式表示。
28.基于用户画像构建模型，通过多视图表征学习可以构建用户画像，用户画像包含了丰富的用户信息，用户画像构建模型中主要包括用户基础画像(basic profile)和内容画像(content profile)这两个视图的特征。其中，用户基础画像构建是性别、年龄和地理信息的平均嵌入；根据从用户行为中提取出的用户高频的的标签和类别嵌入，构建用户内容画像。由此，可以得到用户基础画像和内容画像两个视图的特征信息。
29.通过多视图表征融合可以表示用户偏好。视图表征融合利用包含在多个视图中的互补知识来全面地表示用户偏好。
30.具体的，基于用户基础画像和内容画像，通过多视图表征融合表示用户偏好，其中，所述多视图表征融合公式为：
31.式中，h为融合后的用户偏好表示，x1,x2分别为用户基础画像和用户内容画像，是多视图表征融合的方式，可以为求和(sum)、最大(max)或级联(concatenation)融合等方式。
32.s102、根据个体影响的差异构建群组动态偏好模型，最大化满足群组用户的偏好需求；
33.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，如在一个群组中成员k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成员k在此群组中的影响力一定程度上就大于其他成员，因此提升成员k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。
34.所述群组动态偏好模型用于根据群组中不同用户的兴趣(偏好)影响，构建的群组偏好模型，该模型需要最大化满足群组用户的偏好需求，即以群组用户的偏好满足最大化为优化目标，保障群组中所有用户的满意度(或偏好需求)都较高。
35.在一个实施例中，如图2所示，群组动态偏好模型的构建过程为：
36.根据不同用户的出行记录、景点的旅游经验差异区分不同用户在不同群组的影响力；
37.基于深度学习技术动态学习不同用户在不同群组中的影响力权重；
38.为每个群组成员赋予对应的影响力权重，将附有影响力权重的群组成员聚合表示，具体公式为：
[0039][0040]
式中，λ
inf
为由深度神经网络获取到的影响力权重，g
m
是由用户组成的第m个群组，u
j
表示第j个用户，g
m
为聚合后的第m个群组偏好表示。
[0041]
与传统基于统计方法的权重赋值的方法相比，采用深度学习技术动态地学习不同用户在不同群组中的影响力权重，避免传统方法灵活性差、准确性低等问题。以此方式，每个群组成员均被赋予一定的影响力权重，然后将附有影响力权重的群组成员聚合表示
[0042]
s103、基于用户多意图偏好和群组偏好，对深度聚类分析得到的旅游路线进行筛选和推荐。
[0043]
根据步骤s101中的用户偏好表示以及步骤s102中的群组偏好表示，利用深度学习技术将其与景点表征分别进行交互学习，最大化地挖掘线性交互和非线性交互关系，更好地学习到隐式特征，一定程度上可以解决冷启动问题和数据稀疏性问题。
[0044]
所述深度聚类分析结合深度学习和聚类分析方法，对特征进行学习并迭代聚类，最终可以得到旅游路线集合。
[0045]
在获取到的旅游路线中利用深度聚类分析生成旅游路线集合，即利用深度聚类分析技术将其属性信息映射到低维－强语义空间，进而对低维－强语义空间进行划分，生成旅游路线集合。然后，考虑用户得多个意图信息，构建用户意图特征的初始表示，即考虑用户在餐饮(吃)、住宿(住)、交通(行)、游览(游)、购物(购)和娱乐(娱)这六个方面的意图需求，利用深度学习对群组用户的多意图进行表征学习；根据用户的多意图表征并利用排序学习生成过滤后的旅游路线集合。最后，通过评分函数计算已过滤的旅游路线中每个景点的分值，按分值大小取top－n个旅游路线作为群组旅游路线的推荐结果。
[0046]
具体的，在一个实施例中，如图3所示，基于用户偏好和群组偏好的旅游路线推荐过程包括：
[0047]
s301、获取旅游路线信息；
[0048]
从系统数据库或网络中获取已有的旅游路线信息。
[0049]
s302、基于深度聚类分析生成旅游路线集合；
[0050]
s303、基于用户多意图的旅游路线过滤；
[0051]
基于用户多意图信息，构建用户意图特征的表示，并根据用户多意图对旅游路线进行过滤；
[0052]
s304、基于群组偏好计算路线中每个景点的分值；
[0053]
基于群组偏好，计算旅游路线中各景点的价值评分。
[0054]
其中，根据如下公式，计算各景点的价值评分：
[0055]
f
g
(g
m,
l
i
)＝g
m
·
l
i
；
[0056]
式中，f
g
为评分函数，表示景点的价值评分，g
m
表示聚合后的群组偏好，l
i
表示景点，
·
表示相乘。
[0057]
s305、取top－n个路线生成推荐结果。
[0058]
根据旅游路线中景点分值的大小，取排名靠前一定数量的旅游路线作为群组推荐
路线。计算旅游路线中每个景点评分后，可以根据旅游路线总评分或平均评分等方式，选取一定数量旅游路线进行推荐。
[0059]
在上述实施例中，充分考虑了用户基础画像和内容画像两个视图中的多个特征信息，利用多视图表征融合和深度学习技术实现可靠有效的用户偏好表示，解决了传统方法特征建模不可靠、表征能力弱、信息利用不完全等问题；同时，采用深度神经网络对群组成员的不同影响力进行挖掘，充分考虑了群组成员对群组决策的贡献度，提升了动态群组偏好建模的准确性。基于用户多意图实现群组动态旅游路线推荐，不仅可以解决传统旅游路线推荐方法面向对象单一化的问题，而且也充分考虑了用户在旅游中的多个意图需求，有助于实现精准的个性化旅游路线推荐。
[0060]
可以理解的是，基于深度学习技术的智能化旅游路线推荐方法通过深度学习技术将高维稀疏的特征映射为低维稠密的特征，有效地缓解了传统方法表征建模不理想、信息利用不充分及偏好动态变化的问题。
[0061]
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0062]
图4为本发明实施例提供的一种基于用户多意图的群组动态旅游路线推荐系统的结构示意图，该系统包括：
[0063]
用户画像构建模块410，用于基于多视图表征学习构建用户画像，所述用户画像包括用户基础画像和内容画像，基于用户基础画像和内容画像建立用户偏好表示；
[0064]
其中，根据用户性别、年龄和地理信息的平均嵌入，构建用户基础画像；根据从用户行为中提取的用户高频标签和类别的嵌入，构建用户内容画像。
[0065]
具体的，所述基于用户基础画像和内容画像建立用户偏好表示具体为：
[0066]
基于用户基础画像和内容画像，通过多视图表征融合表示用户偏好，其中，所述多视图表征融合公式为：
[0067]
式中，h为融合后的用户偏好表示，x1,x2分别为用户基础画像和用户内容画像，是多视图表征融合的方式。
[0068]
群组偏好表示模块420，用于根据个体影响的差异构建群组动态偏好模型，最大化满足群组用户的偏好需求；
[0069]
可选的的，所述群组偏好表示模块420包括：
[0070]
影响力表示单元，用于根据不同用户的出行记录、景点的旅游经验差异区分不同用户在不同群组的影响力；
[0071]
动态学习单元，用于基于深度学习技术动态学习不同用户在不同群组中的影响力权重；
[0072]
聚合表示单元，用于为每个群组成员赋予对应的影响力权重，将附有影响力权重的群组成员聚合表示，具体公式为：
[0073][0074]
式中，λ
inf
为由深度神经网络获取到的影响力权重，g
m
是由用户组成的群组，u
j
表示第j个用户，g
m
为聚合后的群组偏好表示。
[0075]
旅游路线推荐模块430，用于基于用户多意图偏好和群组偏好，对深度聚类分析得
到的旅游路线进行筛选和推荐。
[0076]
具体的，所述旅游路线推荐模块430包括：
[0077]
深度聚类分析单元，用于获取旅游路线信息，通过深度聚类分析生成旅游路线集合；
[0078]
路线过滤单元，用于基于用户多意图信息，构建用户意图特征的表示，并根据用户多意图对旅游路线进行过滤；
[0079]
评分计算单元，用于基于群组偏好，计算旅游路线中各景点的价值评分；
[0080]
路线推荐单元，用于根据旅游路线中景点分值的大小，取排名靠前一定数量的旅游路线作为群组推荐路线。
[0081]
所述基于群组偏好，计算旅游路线中各景点的价值评分具体为：
[0082]
根据如下公式，计算各景点的价值评分：
[0083]
f
g
(g
m,
l
i
)＝g
m
·
l
i
；
[0084]
式中，f
g
为评分函数，表示景点的价值评分，g
m
表示聚合后的群组偏好，l
i
表示景点。
[0085]
可以理解的是，在一个实施例中，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现步骤s101至s103以实现群组旅游路线推荐。
[0086]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括步骤s101至s103，所述的存储介质包括如rom/ram等。
[0087]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0088]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。