[发明专利]一种基于用户情感和时间动态的旅游目的地推荐方法

说明书

本发明揭示了一种基于用户情感和时间动态的旅游目的地推荐方法，包括以下步骤：首先使用意见挖掘技术来获得用户的情感倾向的定量值，将情感程度融入矩阵分解模型中，并随着时间的变化采用时间动态机制来表示用户偏好和旅游目的地受欢迎程度。然后结合用户情感和时间影响这两种元素与SVD++方法融合，构建成合成推荐模型。通过分析其显性或隐性反馈，自动学习用户的偏好，使旅游休闲资源的特征与用户需求相匹配。与几种有名的推荐方法相比，本发明提出的方法提高了推荐准确率和质量，并在公开可用的数据集上进行了一系列实验评估，表明所提出的推荐系统是优于现有的推荐系统。

技术领域

本发明涉及旅游推荐领域，尤其涉及一种基于旅游目的地推荐系统。

背景技术

在过去十年中，互联网上可用的信息量和用户数量大大增加，对于计划访问不知名的旅游目的地并且必须安排旅行计划的用户来讲，这些信息会特别有价值。然而，搜索引擎提供的旅游目的地信息的可能性列表时是压倒性的。用户需要花费大量的时间和精力评估收集到的信息，并花费更多的时间来提取有用的信息。

推荐系统可以帮助用户应对信息过载，并向他们提供个性化的推荐、内容和服务。在旅游领域，旅游推荐系统通过分析其显性或隐性反馈，自动学习用户的喜好，使旅游休闲资源的特点与用户需求相匹配。事实上，旅游目的地的推荐比其他旅游目的地更为复杂，因为用户对旅游目的地的评价数量很少，数据更加稀疏，因此，综合概况不容易建立。而且旅游目的地推荐易受到季节、交通、成本等因素的影响，因此很难构建出一个综合了许多有价值的因素的旅游目的地的推荐模型。

发明内容

本发明所要解决的技术问题是实现一种能够基于用户情感和时间动态的旅游目的地推荐系统,提出了一个时间和空间的动态模型，嵌入推荐系统中提高推荐准确性。

为了实现上述目的，本发明采用的技术方案为：一种基于用户情感和时间动态的旅游目的地推荐方法：

S1、提出基于用户情感和时间动态的旅游目的地推荐系统，依据数据集分析影响因素

S2、使用Dirichlet概率分布来量化用户情感倾向程度，同时将情感倾向的量化值整合到SVD++方法中。通过对文本评论的分析，可以得到用户—目的地情感倾向矩阵。

S3、通过两种时间效应，将时间动态机制包含在推荐系统中，这样项目的偏差就会被添加到时间动态中，尝试用不同的时间尺度来捕捉旅游目的地偏差。

S4、约束用户情感特征向量，并从情感倾向矩阵中分解出旅游目的地极性特征向量，并统一在同一个推荐模型中被使用。整合用户情感和时间动态融合到SVD++模型中，合成矩阵分解推荐模型。

S5、对目标函数采用随机梯度下降算法，从情感倾向矩阵中训练和学习用户和项目潜在因子，缓解冷启动问题。

所述S2中，对文本评论的分析使用Dirichlet概率分布来量化用户情感倾向程度，同时将情感倾向的量化值整合到SVD++方法中。

所述S2包括以下步骤：

S21、将文本评论分为几个条款；

S22、识别给出正面或负面意见的条款；

S23、计算情感倾向的用户关于旅游目的地。

所述Dirichlet概率分布定义如下：

计算文本极性公式如下：其中，p、r和α并且分别表示概率变量、极性观测变量和先验基础速率变量，W表示非信息性先验权重，r(L_i)表示具有第i个子句极性的k个可能结果的观察值序列，α(L_i)代表第i个子句极性的结果满足α(L_i)＞0和先验概率；

定义用户对旅游目的地的情感倾向为：