[发明专利]一种基于多旅游上下文建模的旅游推荐方法

说明书

本发明公开了一种基于多旅游上下文建模的旅游推荐方法，包括：采集数据并进行预处理，对用户、景点及其属性数据进行编号；构建旅游序列轨迹和景点知识图谱；通过深度学习模型训练得到游客访问行为序列上下文和景点旅游属性上下文的特征表示；融合多旅游上下文信息得到最终的用户向量和景点向量；计算用户向量与各景点向量的空间距离相似度，得到Top‑K旅游景点推荐。本发明利用向量融合的方法将由游客访问行为序列上下文和景点旅游属性上下文分别得到的用户向量和景点向量合并为最终的用户向量和景点向量，该特征表示有效地融合了多旅游上下文，提高了特征表示中的高级旅游语义，确保了推荐的有效性。

技术领域

本发明涉及旅游景点推荐技术领域，尤其涉及一种基于多旅游上下文建模的旅游推荐方法。

背景技术

随着社会的不断进步和人们生活质量的提高，越来越多的人选择外出旅游。但旅游业的蓬勃发展以及大众旅游热情的高涨，使得目前主流旅游信息服务平台提供的海量旅游信息过载，如何从海量的旅游信息中筛选出游客喜欢的景点已经成为亟待解决的问题。

目前传统的旅游推荐方法，主要借助历史行为数据获取游客的行为序列，使用协同过滤、概率图模型等方法来生成兴趣点推荐。在这些推荐方法中仅仅对用户行为中的低级行为上下文进行建模，如访问频率、访问序列、频繁模式等。而没有将游客对于景点旅游特征上下文融入推荐过程。例如：景点地理位置、景点的旅游类型、适宜游玩的季节、游玩时长、评分等级、门票价格等等上下文。而这些上下文对于个性化旅游推荐尤为重要。

发明内容

有鉴于此，本发明的目的是提供一种基于多旅游上下文建模的旅游推荐方法，利用互联网数据来构建游客访问行为序列上下文和景点旅游属性上下文，采用一种将游客访问行为序列上下文和景点旅游属性上下文相结合进行建模的方法，将多旅游上下文信息融入推荐过程，达到个性化旅游推荐的目的。

本发明通过以下技术手段解决上述技术问题：

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；

从游记数据中抽取出景点名称，构建游客的旅游序列轨迹，并抽取旅游景点属性数据中旅游景点的实体、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属性上下文的特征表示；

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，通过所有的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。

进一步，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，具体包括：

利用爬虫工具从旅游网站爬取游客历史游览景点序列；

将游客、景点和景点属性进行统一编号，为游客、景点和景点属性分别设置唯一的ID表示。