[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

说明书

本发明公开了一种可根据“潜在语义空间”的旅游景点交互推荐方法，利用大量用户的旅游行为，借用文本分析的主题模型方法，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，作为本文推荐模型的中间结果挖掘用户偏好。通过向量e_u∈R^d(e_i∈R^d)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(embedding)构建一个用户‑城市查询表。本发明通过主题模型挖掘潜语义空间，然后在潜语义空间中使用高阶连通将用户偏好信息通过空间潜语义串联起来作为旅游推荐模型的输入，并通过加入空间约束条件使本研究的旅游推荐模型生成更完备、合理的推荐结果。

技术领域

本发明涉及旅游景区领域，尤其涉及一种可根据“潜在语义空间”的旅游景点交互推荐方法。

背景技术

大数据时代，海量的数据正以数以亿万计每秒的速度产生，也记录着无数用户行为信息。海量的网络数据一方面为人们提供丰富、全面的信息，给人们日常生活带来便利，但另一方面，如何在数据海洋中寻找有用的信息非常重要。随着人们生活水平的提高，除去那些与生活息息相关的活动，如就餐、购物等，人们日常生活中旅游行为日益增加，有关旅游的网站和手机应用也与日俱增。人们在选择旅游地、计划旅游路线时往往会参考网络上的相关内容。然而网络上关于旅游的信息数量大、类别多，用户时常迷失在网络数据海洋中，无法高效分析利用这些海量数据。数据量级的不断提升造成了信息过载、数据利用率低下等问题，如何根据用户“兴趣偏好”自适应地挖掘满足用户行为习惯的信息成为一大难题，所以迫切需要智能信息检索对海量信息进行过滤，为用户在数据海洋中匹配相关的数据信息。推荐技术作为一种有效的信息过滤技术，近些年快速发展，许多线上服务公司都配备有相应的推荐服务，如亚马逊、淘宝、网易云音乐等。这些公司基于用户与商品间的历史交互行为，向用户推荐可能感兴趣的相关产品，并借助网络上数以万计的不同用户意见，帮助用户发现有用且感兴趣的内容。

随着移动设备的普及和定位技术的发展，目前大部分社交网络公司的应用都具有位置信息采集功能，如国外的Foursquare、Gowalla，国内的微信、马蜂窝等。用户在使用这些APP(Application)的时候会产生大量与位置信息有关的数据，这种新型的网络用户关系同样需要推荐技术。如用户游览过某几个景点，在用户下次出行前，通过用户历史出行记录和景点特征向其推荐下一个景点。这时我们需要根据用户的历史旅游行为刻画用户的“兴趣偏好”，并以此作为向用户推荐下一个景点的依据。如何捕捉用户画像及用户交互信息，为广大用户寻找没去过但感兴趣的景点成为一大热门研究主题。传统推荐方法中将用户去过的那些景点当作属性，计算相似度后进行推荐。尽管诸如此类的个性化推荐技术已成熟应用于各大线上服务，但在旅游场景中，用户和项目在现实生活中均有真实映射，使得用户和项目的交互受到空间约束限制，这种约束对用户下一次出行决策起着至关重要的作用。如果像传统推荐那样将景点项目当作属性对待会丢失很多信息，为此，我们提出一种可根据“潜在语义空间”的旅游景点交互推荐方法。

发明内容

基于背景技术存在的技术问题，本发明提出了一种可根据“潜在语义空间”的旅游景点交互推荐方法，已解决背景技术中提出的问题。

本发明提供如下技术方案：

一种可根据“潜在语义空间”的旅游景点交互推荐方法，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；将用户作为单词，用户去过的城市和景点作为文档，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(e_i∈R^d)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；