【技术实现步骤摘要】
一种多任务图神经网络的个性化景区推荐方法
[0001]本专利技术属于大数据挖掘领域，具体涉及一种多任务图神经网络的个性化景区推荐方法。
技术介绍
[0002]随着社会的发展，人们的生活水平不断提高，从而使得人们越来越喜欢旅游。当前，国内的旅游行业发展正处于向全球旅游和现代化旅游转型升级的关键期，旅游行业属于信息密集型产业，具有综合性强、关联度大的特点，如何利用多域海量旅游信息，并利用借助互联网、云计算等信息技术开展业务和服务模式创新，是实现旅游业转型升级的必然选择。另一方面旅游的迅猛发展给旅游产业带来了巨大的商机，同时也迎来了不小的挑战。随着智慧旅游建设不断加快，产生了信息采集、消费点评、产品推荐等海量旅游数据。对于获得的这些旅游数据，如何运用成熟的大数据技术挖掘旅游数据中的价值成为了智慧旅游发展的重点。
[0003]为实现智慧旅游，可以通过个性化推荐技术对旅游胜地进行图推荐。个性化推荐系统在电子商务领域己经得到了广泛应用，并且也取得了很大的成功，据统计Amazon销售额的35％都是来自推荐系统的帮助。虽然个性化推荐...
【技术保护点】
【技术特征摘要】
1.一种多任务图神经网络的个性化景区推荐方法，其特征在于，包括：实时获取用户数据，并对获取的用户数据进行预处理；将预处理后的数据输入到训练好的推荐模型中，得到推荐结果；所述推荐模型由用户图神经网络、景区神经网络、推荐网络构成以及交叉单元；训练推荐模型的过程包括：S1：获取原始数据，对原始数据进行预处理；所述原始数据包括用户属性数据、景区属性数据以及景区交互数据；S2：提取预处理后数据的用户特征集和景区特征集；根据用户特征集构建用户知识图谱，根据景区特征集构建景区知识图谱；S3：将用户知识图谱中的三元组数据输入到用户图神经网络中进行训练，学习用户在用户知识图谱中的向量表达；将景区知识图谱中的三元组数据输入到景区图神经网络中进行训练，学习景区在景区知识图谱中向量表达；S4：通过交叉单元将用户图神经网络提取的用户潜在特征和景区图神经网络提取的景区潜在特征分别输入到推荐网络中，得到用户融合后的潜在特征向量以及景区融合后的潜在特征向量；根据融合后的用户潜在特征向量与融合后的景区潜在特征向量形成用户对景区的预测评分；S5：在对推荐模型进行训练过程中，将推荐网络评分预测任务、用户图神经网络对用户知识图谱的表示学习任务和景区图神经网络对景区知识图谱的表示学习任务进行多任务训练；S6：计算模型的损失函数，模型的损失函数包括景区图神经网络损失、用户图神经网络损失、推荐网络损失以及正则项损失；S7：当模型的损失函数值最小时，完成模型的训练。2.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，对用户数据进行预处理的过程包括：对用户数据进行清洗，删除无效数据和异常数据；对清洗后的数据进行z
‑
score标准化。3.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，提取的用户特征集包括生物学属性特征和社会学属性特征；提取的景区特征集包括景区资源特征和景区主导功能特征。4.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，用户图神经网络结构包括包含L层全连接的神经网络和包含H层全连接神经网络两个部分；包含L层全连接的神经网络用于提取用户知识图谱中头实体与关系的潜在特征向量；包含H层全连接神经网络用于将特征提取层提取到头实体与关系的潜在特征向量进行高阶特征组合，形成预测的尾实体；其中，L、H为模型超参数。5.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，景区图神经网络的结构与用户图神经网络结构相同；其中，包含L层全连接的神经网络用于提取景区知识图谱中头实体与关系潜在特征向量；包含H层全连接的神经网络用于将特征提取层提取到头实体与关系的潜在特征向量进行高阶特征组合，形成预测的尾实体；其中，L、H为模型超参数。6.根据权利要求1所述的一种多任务图神经网络的个性化景区推荐方法，其特征在于，推荐网络的结构包括包含L层全连接的神经网络和包含H层全连接的神经网络两个部分；所
述包含L层全连接的神经网络用于提取推荐网络中输入的用户与景区潜在特征，其中用户对应用户图神经网络输入的头实体、景区对应景区图神经网络输入的头实体；所述包含H层全连接的神经网络用于将特征提取层提取到用户与景区的潜在特征向量进行高阶特征组合，预测用...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。