[发明专利]一种基于多数据集和协同张量分解的旅游景点推荐方法

权利要求书

1.一种基于多数据集和协同张量分解的旅游景点推荐方法，其特征在于，包括如下步骤：

1)获取并处理得到多个数据集信息：

1.1)利用照片分享网站的公用API下载旅游城市中带有地理位置信息的照片数据集D_photo；

并利用基于熵的流动性方法对照片数据集中的非旅游照片进行过滤，去除照片数据集中的噪音照片；其中，去除照片数据集中的噪音照片的方法如下：

(A)根据照片内容以及经验知识对用户的照片集进行人工标注区分旅游照片和非旅游照片；

(B)将城市分成x'×y'个小格子，其中每个小格子表示为(x_i,y_j)，i＝1,2,…,x；j＝1,2,…,y，统计用户的照片在全部小格子中的照片数目，并计算每个小格子中照片占整个照片数量的比例a，根据信息熵的原理计算用户的照片集的流动性熵H_mobility，公式如下所示：

(C)根据H_mobility>ε，调节ε的值，其中ε的值域从0到1，间隔跨度0.1，统计对人工标注照片集的分类准确率，选择准确率高的ε对整个数据集中的照片进行分类，去除非旅游照片；

1.2)利用基于位置的社交媒体网站的公用API下载用户在旅游城市中的签到信息D_check-in，签到信息包含用户签到的时间信息、签到地点的经纬度信息、签到地点的类别信息；其中签到地点即兴趣点；

1.3)从用户在兴趣点的历史签到信息中提取用户为兴趣点添加的类别信息并统计，获得兴趣点的所有类别信息，即兴趣点的类别数据集D_category；

2)推断用户旅行偏爱信息阶段：

2.1)利用基于密度的聚类方法对带有地理位置信息的照片进行空间聚类，得到旅游城市中旅游景点集合L；

2.2)基于用户在城市中的访问景点的历史签到信息，统计用户在不同时间段访问景点时拍摄照片的数目，构建用户-景点-时间张量X；

2.3)根据用户的历史行为信息分别构建景点-特征矩阵A、景点-时间矩阵B、以及结合余弦函数构建用户-用户相似性矩阵C；

2.4)根据建立的X、A、B、以及C，构建协同张量分解模型，协同分解用户-景点-时间张量X，获得最优的用户、景点、以及时间的潜在特征向量和核心张量S；

2.5)根据协同张量分解的结果，补全用户-景点-时间张量X并获得用户旅行偏爱；

3)推荐旅游景点阶段：

3.1)根据用户的ID、用户旅游城市c、以及旅行时间t，在补全的用户-景点-时间张量X中进行查找，获得该旅游城市c中适合在时间段t访问的景点集合L'；

3.2)根据景点集合L'和补全的用户-景点-时间张量X获得用户对集合中景点的打分，即获得用户对景点的偏爱；

3.3)根据打分结果对所有景点进行排序，选择top k旅游景点推荐给用户。

2.根据权利要求1所述的一种基于多数据集和协同张量分解的旅游景点推荐方法，其特征在于：所述步骤1.1)下载旅游城市中带有地理位置信息的照片数据集D_photo的方法如下：

a)通过照片分享网站Flickr提供的公用API，按城市下载在该城市中拍摄的照片及相应的元数据信息；一张带有地理位置信息的照片p表示为：p＝(p_id,p_t,p_g,p_x,p_u)，其中，p_id,p_t,p_g,p_x,p_u分别表示为照片的唯一标识号、用户拍摄照片的时间、照片的经纬度信息、用户为照片添加的文本描述信息、以及照片上传者的唯一标识号；

b)对收集的照片集按照照片的唯一标识信息获得每个用户拍摄的所有照片信息，H_i＝{p₁,p₂,…,p_e}，其中，e为用户i拍摄的所有照片数。