基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术提供一种基于神经网络的旅行计划推荐方法，包括：获取多个用户的旅行历史记录作为旅行计划推荐模型的训练样本，所述旅行计划推荐模型包括第一门控循环单元网络、第二门控循环单元网络、注意力网络及负对数似然损失函数模型；将每个用户的旅行历史记录分别输入到所述第一门控循环单元网络以生成旅行历史表示向量；将所述旅行历史表示向量与所述用户的嵌入向量连接输入到所述注意力网络得到用户表示向量，根据所述训练样本中景点之间的共现获取每个景点的景点转移向量；将所述用户表示向量和所述景点转移向量输入至所述第二门控循环单元网络以生成带有顺序的旅行推荐景点列表；将训练好的旅行计划推荐模型接收用户的输入并生成旅行计划推荐列表。

【技术实现步骤摘要】
基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质
本专利技术涉及推荐方法领域，尤其涉及一种基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质。
技术介绍
随着在线旅游服务平台的蓬勃发展，人们通常会购买一些旅行产品，并在这些平台上分享他们的旅行经历，这一趋势使大量的旅行数据积累在这些平台上，这可能导致信息过载的问题。为了解决这个问题，推荐系统被广泛地部署在这些平台上。当前大多数的旅行推荐系统的功能包括在给定的时间约束下生成从旅行起点到旅行终点的最短路径，或者根据用户访问记录推荐下一个可能感兴趣的地点，又或者提醒用户各种景点的排队时间。总之，这些系统可以看作是一个旅行助理，用于帮助游客解决旅行中遇到的问题。目前常用的旅行推荐系统有兴趣点推荐和旅行推荐，兴趣点推荐的目的是向用户推荐兴趣点的排名列表。从技术上讲，以往的兴趣点推荐算法可分为三类：基于因式分解的算法、基于马尔可夫链的算法和基于神经网络的算法。基于矩阵因式分解的方法是推荐系统中有竞争力的方法。已经有方法采用线性插值，将地理影响纳入矩阵本文档来自技高网...

【技术保护点】
1.一种基于神经网络的旅行计划推荐方法，其特征在于，包括以下步骤：/nS1：获取多个用户的旅行历史记录作为旅行计划推荐模型的训练样本，所述旅行计划推荐模型包括第一门控循环单元网络、第二门控循环单元网络、注意力网络及负对数似然损失函数模型；/nS2：将每个用户的旅行历史记录分别输入到所述第一门控循环单元网络以生成旅行历史表示向量；/nS3：将各个所述旅行历史表示向量与其对应的所述用户的嵌入向量连接输入到所述注意力网络，得到用户表示向量，根据所述训练样本中景点之间的共现获取每个景点的景点转移向量；/nS4：将所述用户表示向量和所述景点转移向量输入至所述第二门控循环单元网络，生成隐藏状态向量，通过单...

【技术特征摘要】
1.一种基于神经网络的旅行计划推荐方法，其特征在于，包括以下步骤：
S1：获取多个用户的旅行历史记录作为旅行计划推荐模型的训练样本，所述旅行计划推荐模型包括第一门控循环单元网络、第二门控循环单元网络、注意力网络及负对数似然损失函数模型；
S2：将每个用户的旅行历史记录分别输入到所述第一门控循环单元网络以生成旅行历史表示向量；
S3：将各个所述旅行历史表示向量与其对应的所述用户的嵌入向量连接输入到所述注意力网络，得到用户表示向量，根据所述训练样本中景点之间的共现获取每个景点的景点转移向量；
S4：将所述用户表示向量和所述景点转移向量输入至所述第二门控循环单元网络，生成隐藏状态向量，通过单层softmax分类器对所述隐藏状态向量处理，得到一个城市所有景点在每个时刻推荐的概率，将概率最高的景点作为该时刻的推荐景点并输出带有顺序的旅行推荐景点列表；
S5：将所述旅行推荐景点列表与所述用户的实际旅行历史记录输入到所述负对数似然损失函数模型进行损失函数值运算，得到损失函数值最小时的目标损失函数；
S6：基于所述训练样本，根据所述目标损失函数对所述旅行计划推荐模型进行训练；
S7：训练好的所述旅行计划推荐模型接收用户的输入并生成相应的旅行计划推荐列表。


2.根据权利要求1所述的基于神经网络的旅行计划推荐方法，其特征在于，在步骤S2中，所述旅行历史记录Lui＝{T1ui,T2ui,...,Tnui}，其中，ui为用户，Tn＝{a1,a2,...,am}为每次的旅行记录，am是所述用户在这次旅行中访问的景点，n是所述旅行历史记录的长度，m为所述旅行记录的长度，所述第一门控循环单元网络中每个时刻t，隐藏状态ot的计算公式如下：
ot＝GRU(at,ot-1),t＝1,...,m，
其中，at为景点的嵌入向量，ot-1是时刻t-1处的隐藏状态，t＝0时，o0＝0为空向量，将所述隐藏状态om作为所述旅行记录Tn的旅行表示向量，此时，所述旅行历史表示向量为{o1ui,o2ui,...,onui}。


3.根据权利要求2所述的基于神经网络的旅行计划推荐方法，其特征在于，在步骤S3中，所述旅行历史表示向量{o1ui,o2ui,...,onui}与所述用户ui的嵌入向量ui连接输入到所述注意力网络，通过ReLU作为隐藏层的激活函数运算，得出运算结果后通过softmax函数进行归一化，运算公式和归一化计算公式如下：
s(i,j)＝hTReLU(Moojui+Muui+b)，



其中，Mo和Mu为所述注意力网络的权重矩阵，其分别将所述旅行历史表示向量{o1ui,o2ui,...,onui}和所述用户ui的嵌入向量ui转换为隐藏层，hT是所述注意力网络的权重向量，b是所述隐藏层的偏置向量，所述用户表示向量的计算公式如下：





4.根据权利要求1所述的基于神经网络的旅行计划推荐方法，其特征在于，在步骤S3中，通过可学习的参数矩阵Wr将所述景点转移向量从稀疏向量投...

【专利技术属性】
技术研发人员：曹达，陈燃，缪莲海，高春鸣，陈浩，秦拯，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43