一种基于知识图谱的个性化旅游景点推荐方法技术

本发明专利技术公开一种基于知识图谱的个性化旅游景点推荐方法，通过互联网上海量的数据构建旅游领域知识图谱，利用改进的TransE模型对知识图谱中的信息进行编码，将景点以及用户结点依据链接属性的个数训练为一个n维的向量(假设有n个属性)，将用户与景点之间的关系也表示为n维向量，得到用户以及景点的向量表示之后计算用户与用户以及景点与景点之间的相似度，将相似度代入预测评分公式得到两个预测评分，然后将f(h,r,t)所计算得到的向量之间的差值归一化到评分阈值之间，得到第三个预测评分，最后对三个预测评分进行加权平均得到最后的评分列表为用户做出推荐。本发明专利技术解决了现有技术中的语义差、推荐准确度低以及冷启动问题，具有良好的实用性。

【技术实现步骤摘要】
一种基于知识图谱的个性化旅游景点推荐方法
本专利技术涉及知识图谱及机器学习
，具体涉及一种基于知识图谱的个性化旅游景点推荐方法。
技术介绍
近年来，云计算、物联网、移动互联网、人工智能等技术的迅速发展为人们的工作生活带来了很多便利。在旅游休闲方面，用户可以方便地通过网络来搜索旅游信息并对旅游产品和服务进行选购，享受信息化技术带来的便利。然而，当面对爆炸式增长的网络信息时，用户反而难以进行高效的选择。推荐系统的出现为解决信息超载提供了一条有效途径。推荐系统是信息过滤系统的一个子集，旨在根据用户的喜好、习惯、个性化需求以及商品的特性来预测用户对商品的喜好，为用户推荐最合适的商品，帮助用户快速地做出决策，提高用户满意度。推荐系统的价值在于能够提供尽量合适的选择和推荐而不需要用户明确提供他们所想要的内容。传统的推荐系统分为基于内容的推荐系统、基于协同过滤的推荐系统、基于知识的推荐系统、基于人口统计学的推荐系统和混合型推荐系统。这些推荐系统在垂直领域取得了许多突破性进展，在对新闻和网页的推荐以及对图书、电影等传统商品的推荐上取得了很好的效果，但在将它们应用于旅游推荐时仍然存在诸多挑战。旅本文档来自技高网...

【技术保护点】
一种基于知识图谱的个性化旅游景点推荐方法，其特征是，包括步骤如下：步骤1、从现有知识库中获取景点、用户、景点相关属性和用户相关属性信息，并据此建立1个旅游领域知识图谱；步骤2、将旅游领域知识图谱的用户和景点均分别表示为用户向量和景点向量，同时，将游领域知识图谱中用户对景点的喜好关系也表示为用户与景点之间的关系向量；步骤3、根据模型h+r＝t建立用户向量、景点向量、以及用户和景点之间关系向量的损失函数，并通过最小化损失函数，使用户向量、景点向量、以及用户与景点之间的关系向量循环收敛到最优，以达到优化目标的目的；其中损失函数为L：

【技术特征摘要】
1.一种基于知识图谱的个性化旅游景点推荐方法，其特征是，包括步骤如下：步骤1、从现有知识库中获取景点、用户、景点相关属性和用户相关属性信息，并据此建立1个旅游领域知识图谱；步骤2、将旅游领域知识图谱的用户和景点均分别表示为用户向量和景点向量，同时，将游领域知识图谱中用户对景点的喜好关系也表示为用户与景点之间的关系向量；步骤3、根据模型h+r＝t建立用户向量、景点向量、以及用户和景点之间关系向量的损失函数，并通过最小化损失函数，使用户向量、景点向量、以及用户与景点之间的关系向量循环收敛到最优，以达到优化目标的目的；其中损失函数为L：步骤4、利用已经训练好的用户向量、景点向量、以及用户和景点之间关系向量，通过余弦相似度去计算景点相似度和用户相似度，并得到根据景点相似度计算出的景点预测评分和根据用户相似度计算出的用户预测评分；其中景点预测评分pred(h,t)t为：用户预测评分pred(h,t)h为：步骤5、利用已经训练好的用户向量、景点向量、以及用户和景点之间关系向量，并通过关键函数去计算关键预测评分；其中关键预测评分pred(h,t)为：步骤6、对上述景点预测评分、用户预测评分和关键预测评分进行加权平均作为用户的最终预测评分，并对最终预测评分进行排序后，将最高得分的景点推荐给用户；其中最终预测评分predfinal为：

【专利技术属性】
技术研发人员：常亮，张伟涛，孙文平，古天龙，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西,45