[发明专利]一种基于多旅游上下文建模的旅游推荐方法

权利要求书

1.一种基于多旅游上下文建模的旅游推荐方法，其特征在于，包括：

采集游客的游记数据和旅游景点属性数据作为原始数据，对原始数据进行预处理后，对原始数据中的游客、景点及其属性进行编号；

从游记数据中抽取游客去过景点的序列，并从旅游景点属性数据中抽取旅游景点的实体、属性以及属性值，构建景点知识图谱，将旅游序列轨迹和景点知识图谱中的数据进行数字化；

利用深度学习模型将旅游序列轨迹和景点知识图谱映射到特征向量空间中，得到游客访问行为序列上下文的特征表示和景点旅游属性上下文的特征表示，具体为：通过Traj2vec模型对旅游序列轨迹进行训练，优化旅游序列轨迹的特征表示，得到游客访问行为序列上下文的特征表示；

通过TKG2vec模型对景点知识图谱进行训练，优化景点知识图谱的特征表示，得到景点旅游属性上下文的特征表示；

通过Traj2vec模型对旅游序列轨迹进行训练，优化旅游序列轨迹的特征表示，得到游客访问行为序列上下文的特征表示，具体步骤包括：

从数字形式的旅游序列轨迹中抽取出景点ID；

将构建好的数字形式的旅游序列轨迹用一个低维的序列特征向量d_i来表示，将所有用户旅游序列轨迹的序列特征向量按序排列构成用户编号矩阵D,其中，每个用户的旅游序列轨迹表示为矩阵D中的一列,旅游序列轨迹的索引号对应矩阵D的列号；将抽取的所有景点ID各用一个低维的景点特征向量w_i表示，再由所有用户的旅游序列轨迹中的景点ID对应的景点特征向量w_i按序排列构成景点编号矩阵W,其中每个景点ID的景点特征向量为矩阵W的一列；用正态分布的随机值初始化用户编号矩阵D和景点编号矩阵W；

通过Traj2vec模型对用户编号矩阵D和景点编号矩阵W进行训练,其初始的目标函数如下：

其中，

w_t表示当前旅游序列轨迹中所对应的景点向量，w_t-k，...，w_t+k是w_t对应的上下文景点向量；公式(2)中hO函数表示的是矩阵D中用户旅游序列轨迹向量d_i与矩阵W中w_t的景点上下文向量之和；θ^u分别表示景点向量w_t和景点向量u对应的一个向量，为待训练参数；表示上下文为w_t-k，...，w_t+k时，预测景点向量为w_t的概率，则表示上下文为w_t-k，...，w_t+k时，预测景点向量为u的概率；NEG(w_t)是关于w_t的负采样子集，负采样方法的原理是根据景点出现的频率将景点编号矩阵中的所有景点表示为[0，1]上的一段，将所有线段首尾相连拼接在一起，形成一个长度为1的单位线段，通过随机地往这个单位线段上打点来进行负采样；以用户编号矩阵D作为段落矩阵，景点编号矩阵W构成词矩阵，通过最大化平均对数概率，来更新用户编号矩阵D和景点编号矩阵W，包含游客访问行为序列上下文信息；

通过Traj2vec模型进行如上训练后，得到的用户编号矩阵D中每一列作为游客访问行为序列上下文的用户向量其中i代表每个用户的编号，同时也是用户编号矩阵D的列号；将得到的景点编号矩阵W中每一列作为游客访问行为序列上下文的景点向量SE_pj，其中j代表景点的编号，同时也是景点编号矩阵的列号；

其中，TKG2vec模型基于node2vec模型，该模型利用随机游走策略和CBOW模型，来学习图节点的属性及结果信息；将每一个游客的游客访问行为序列上下文的特征表示学习为一个用户向量，通过所有游客访问行为序列上下文的特征表示，学习到每个景点的景点向量；

根据景点旅游属性上下文的特征表示学习得到景点旅游属性上下文的每个景点向量，再由用户旅游序列轨迹中访问的历史景点在景点旅游属性上下文中所对应的景点向量的均值来表示景点旅游属性上下文的用户向量；

将分别由游客访问行为序列上下文和景点旅游属性上下文得到的用户向量和景点向量进行融合，得到包含多旅游上下文信息的用户向量和景点向量；

将得到的包含多旅游上下文信息的用户向量和景点向量进行相似度计算，对每个用户向量关于所有景点向量的相似度度量值进行排序，按照度量值的大小选出排名前K的旅游景点，为用户生成Top-K旅游景点推荐。