[发明专利]一种基于多数据集和协同张量分解的旅游景点推荐方法

摘要

本发明涉及一种基于多数据集和协同张量分解的旅游景点推荐方法，通过利用不同数据源的用户行为信息为用户提供细粒度的旅游推荐服务。本发明首先从社交网站中获取多个数据集的信息；然后基于用户旅行历史信息构建用户‑景点‑时间张量，并结合协同张量分解模型对该张量进行分解和补全，获得用户的旅行偏爱；最后根据补全的用户‑景点‑时间张量以及用户输入的旅游城市和时间情景信息为用户推荐合适的旅游景点。该方法能够为用户提供基于时间感知的旅游景点推荐服务。

主权项

一种基于多数据集和协同张量分解的旅游景点推荐方法，其特征在于，包括如下步骤：1)获取并处理得到多个数据集信息：1.1)利用照片分享网站的公用API下载旅游城市中带有地理位置信息的照片数据集Dphoto，并利用基于熵的流动性方法对照片数据集中的非旅游照片进行过滤，去除照片数据集中的噪音照片；1.2)利用基于位置的社交媒体网站的公用API下载用户在旅游城市中的签到信息Dcheck‑in，签到信息包含用户签到的时间信息、签到地点的经纬度信息、签到地点的类别信息；其中签到地点即兴趣点；1.3)从用户在兴趣点的历史签到信息中提取用户为兴趣点添加的类别信息并统计，获得兴趣点的所有类别信息，即兴趣点的类别数据集Dcategory；2)推断用户旅行偏爱信息阶段：2.1)利用基于密度的聚类方法对带有地理位置信息的照片进行空间聚类，得到旅游城市中旅游景点集合L；2.2)基于用户在城市中的访问景点的历史签到信息，统计用户在不同时间段访问景点时拍摄照片的数目，构建用户‑景点‑时间张量X；2.3)根据用户的历史行为信息分别构建景点‑特征矩阵A、景点‑时间矩阵B、以及结合余弦函数构建用户‑用户相似性矩阵C；2.4)根据建立的X、A、B、以及C，构建协同张量分解模型，协同分解用户‑景点‑时间张量X，获得最优的用户、景点、以及时间的潜在特征向量和核心张量S；2.5)根据协同张量分解的结果，补全用户‑景点‑时间张量X并获得用户旅行偏爱；3)推荐旅游景点阶段：3.1)根据用户的ID、用户旅游城市c、以及旅行时间t，在补全的用户‑景点‑时间张量X中进行查找，获得该旅游城市c中适合在时间段t访问的景点集合L'；3.2)根据景点集合L'和补全的用户‑景点‑时间张量X获得用户对集合中景点的打分，即获得用户对景点的偏爱；3.3)根据打分结果对所有景点进行排序，选择top k旅游景点推荐给用户。