[发明专利]一种可根据“潜在语义空间”的旅游景点交互推荐方法

权利要求书

1.一种可根据“潜在语义空间”的旅游景点交互推荐方法，其特征在于，包括如下步骤：

A、旅游地潜语义挖掘：基于大量用户旅游行为数据挖掘城市空间语义；将用户u作为单词，用户去过的城市i和景点作为文档，借助LDA主题模型，提取用户旅游行为中蕴含的潜在语义特征，构建潜在语义空间，并借助层次聚类方法将各语义主题进行聚类后，作为推荐模型输入；

B、高阶信息嵌入：通过embedding向量e_u∈R^d或e_i∈R^d分别描述一个用户或一个城市，d表示向量的维数，通过向量嵌入构建一个如公式(5.1)的查询表：

E＝[e_u1，……，e_un，e_i1，……，e_im] (5.1)；

其中，用户向量是基于原始交互中与用户存在交互关系的城市，而城市向量是基于潜在语义空间中增强交互后的城市向量嵌入表达；e_u1，……，e_un，e_i1，……，e_im分别表示的是用户u1，……，用户un，城市i1，……，城市im；

C、高阶信息传播：为了捕捉用户-项目图中的协同信号并提炼用户和目的地的嵌入表达，构建图神经网络上的消息传递结构作为嵌入传播层，在消息构建过程中，将一个用户去过某个城市定义为一个用户城市对(u,i)，通过i的嵌入传入到u的信息如公式(5.2)：

m_i→u＝f(e_i,e_u,p_ui) (5.2)；

m_i→u表示将与用户u显式连接的城市i的嵌入信息传递给用户u，f(*)为信息传递的编码函数，f(*)将嵌入向量e_i，e_u作为输入，函数f(*)定义如公式(5.3)，折扣因子p_ui的定义如公式(5.4)；

其中，Du和Di表示用户u和城市i的度，所述度包含结点的入度和出度，

W₁,W₂∈R^d′×d是用来挖掘高阶嵌入传播中有用信息的训练矩阵，d′是传播层数大小，l层传播取决于l-1层嵌入表达，用户u经过l层嵌入传播后所更新的嵌入如公式(5.5)：

是训练转移矩阵，d_l为第l层嵌入转移矩阵的大小，和分别是用户u或城市i上一步信息传递的嵌入，记录了来自l-1层的信息，并将影响用户u或城市i在第l层的嵌入表示；

D、模型求解：模型的整合函数定义如公式(5.6)：

和分别表示用户u和城市i经过l层嵌入传播更新后的表示，为用户u的初始化嵌入；激活函数LeakyReLU允许同时编码积极和消极信号；整合用户u所有显式邻居的Du的l层嵌入传播，还进一步考虑能直接反应用户偏好的显式邻居的Du，用户u的自环：m_u→u＝W₁e_u，W₁与函数f(*)中保持一致；经过多阶嵌入传播后，我们显式地将高阶连通信息注入用户城市对，并更新用户经过多层嵌入传播后的多元嵌入表示经过l层嵌入传播后，分别获得用户u和城市i的多元嵌入表示和得到包含每一层嵌入传播信息的最终表示如公式(5.7)：

公式中||为拼接操作；

E、推荐结果：将来自不同层的嵌入顺序拼接在一起，同时将初始化嵌入也添加进来更好的捕捉用户偏好；根据输入用户和目标城市的最终表示进行内积操作的得分生成候选集topK如公式(5.8)：

将候选集中各景点与用户的距离dist∈{dist₁,dist₂…dist_k}当作推荐排序的依据，基于空间距离dist与用户历史记录中各景点平均距离的欧式距离对候选城市排序，得到加入空间距离条件约束的城市推荐集；最后，根据候选城市下所包含的景点在用户旅游行为记录中的出现频次，选出候选城市中用户最可能感兴趣的景点作为推荐结果。