[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

说明书

本发明涉及一种基于多数据集和协同张量分解的旅游景点推荐方法，通过利用不同数据源的用户行为信息为用户提供细粒度的旅游推荐服务。本发明首先从社交网站中获取多个数据集的信息；然后基于用户旅行历史信息构建用户‑景点‑时间张量，并结合协同张量分解模型对该张量进行分解和补全，获得用户的旅行偏爱；最后根据补全的用户‑景点‑时间张量以及用户输入的旅游城市和时间情景信息为用户推荐合适的旅游景点。该方法能够为用户提供基于时间感知的旅游景点推荐服务。

技术领域

本发明涉及信息推荐技术领域，尤其涉及一种基于多数据集和协同张量分解的旅游景点推荐方法。

背景技术

近年来，随着移动互联网、智能手机、以及带有GPS设备的数码相机的广泛应用，人们可以随时随地拍摄一些带有地理位置信息的照片，并将它们上传到类似Flickr的照片分享网站上以与世界各地的人们分享。目前，这种由群体所贡献的带有地理位置信息的照片数量呈现出急剧增长的趋势。这些带有地理位置信息的照片为充分利用集体智慧发现热门景点、获得用户旅游偏爱、以及进一步为用户提供个性化的景点推荐服务创造了可行条件。

目前，基于带有地理位置信息照片挖掘的旅游景点推荐方法通常从用户访问景点的次数信息中获得用户间的相似性信息，并结合基于用户的协同过滤方法为用户推荐景点。然而，由于旅行时间或者金钱花费的限制，用户在旅游城市中通常只会游览少量的景点，导致了基于用户-景点矩阵的推荐系统在建模过程中出现数据稀疏性问题。为解决此问题，目前也出现了考虑用户-景点矩阵额外信息(例如：景点的类别信息)的方法。这些方法通常基于额外信息构建矩阵分解的正则项，限制用户-景点矩阵分解，获得补全的用户-景点矩阵，进一步为用户推荐景点。但是，这些方法通常只考虑照片的元数据中少量的用户或者景点的额外信息，照片内容中的信息却被忽略了(例如：用户拍摄的照片中游客性别的分布)，这些信息对于描述用户或者景点特征是有重要意义的。

此外，在用户的旅游过程中，时间信息通常是比较重要的。它可能会影响用户旅行的行程安排，因为用户在不同的时间段可能会访问不同的旅游景点。例如：用户可能更愿意在晚上(而不是白天)去游览一些具有类似灯光秀特点的景点。然而，引入额外的时间情景信息，则会导致建立的推荐模型遭遇更加严重的数据稀疏性问题，因为建立的用户-景点-时间张量的稀疏度要比用户-景点矩阵的稀疏度要大。仅仅依靠单个数据集的信息不足以去获得大量用户和景点的特征信息，解决数据稀疏性问题，获得用户的旅行偏爱信息。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于多数据集和协同张量分解的旅游景点推荐方法，本发明首先从社交网络中获取多个数据集的信息；然后基于用户旅行历史信息构建用户-景点-时间张量，并结合协同张量分解模型对该张量进行分解和补全，获得用户的旅行偏爱；最后根据补全的用户-景点-时间张量以及用户输入的旅游城市和时间情景信息为用户推荐合适的旅游景点；解决了如何通过多个数据集挖掘用户旅行偏爱信息，为用户提供细粒度的旅游景点推荐服务的问题。

本发明是通过以下技术方案达到上述目的：一种基于多数据集和协同张量分解的旅游景点推荐方法，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；

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：