【技术实现步骤摘要】
兴趣引导的旅行路线景点联动推荐规划系统
[0001]本申请涉及一种旅游路线景点规划系统,特别涉及一种兴趣引导的旅行路线景点联动推荐规划系统,属于旅游智能推荐规划
技术介绍
[0002]旅游业作为一个传统行业,一直以来保持着较高的热度和关注度,曾经这个行业存在信息极端不对等的情况,使得热爱旅行者出行满意度大打折扣。往往只能通过旅行社或者宣传广告的主观信息来了解旅行的目的地和行程。网络信息还没有成为打破这一壁垒的武器,几年,巨大的商机和行业缺口终于被发觉,旅行行业开始了迈向互联网化的重要一步。
[0003]旅行需求跨越了几乎所有的年龄层次,旅行是现代大部分的社会人的需求,与之相关的服务必不可少。由于传统落后的旅行观念和条件早已让人厌倦,与众不同的旅行路线,人少景美的精致景点,全面配套的旅行服务成为了现代旅行中的更优选择。同时,由于互联网的迅速发展,人们可以轻易从网络上搜寻各种旅行信息。然而信息爆炸带来的不是单纯的好处,如何去辨别其中的真伪信息,如何去寻找自己需要的有效信息成为了旅行者的巨大难题。于是,传统的旅行社模式升级换代,成为了互联网旅行信息与服务提供者继续为旅行者服务。旅行推荐系统也替代了以前的店面中坐着的工作人员来向旅行者们提供相关的信息服务。
[0004]旅行推荐系统分为一般性的推荐和个性化推荐,对于两个兴趣爱好不同的人来说,他们使用同一个系统得到的推荐结果可能截然不同的,亟需让个性化旅行推荐系统推荐的结果更加符合用户的需求。
[0005]旅游推荐系统与其它的图书、音乐等推荐系 ...
【技术保护点】
【技术特征摘要】
1.兴趣引导的旅行路线景点联动推荐规划系统,其特征在于,包括景点推荐算法和旅行行程路线算法,景点推荐算法采用一种全新的多智能体加权协同推荐模型,包含三层级智能体:E1
‑
基于内容和兴趣特征的分级协同推荐智能体:包括发掘用户近邻和通过特征矩阵筛选用户近邻加入,基于内容的方法来筛选相似用户,确保近邻集中的相似用户与当前用户对景点有相同偏好,根据相似用户的偏好来对当前用户进行推荐;E2
‑
基于旅行效用和性格模型的分级推荐智能体:从景点属性出发,通过基于粗略集的效用推荐算法,分析用户对于各种景点属性的偏好,得到各个景点的属性对于用户的效用程度,作为推荐的权重;基于变精度粗略集的用户偏好解析寻找近邻,结合效用权重和近邻偏好推荐景点,实现基于性格模型的旅行效用分级推荐;E3
‑
基于联动规则和性格模型的景点推荐智能体,基于矩阵的联动先验方法,通过用户本身的属性而非偏好寻找与当前用户相似的用户,同时寻找景点之间的内在关系,同时基于性格模型景点相似度权重算法得到的景点相似度作为权重;结合相似度权重和联动规则挑选推荐的景点;三个智能体通过多层加权综合得出结果,行程路线算法基于最高推荐度景点为起始,采用一种多元权衡趋势逼近方法,每次选择最近的景点为下一个备选景点,根据推荐的景点以及旅行天数、每日游览时间、预算多个约束条件制订行程;个性化旅行路线景点联动推荐规划系统:基于Flask框架,以python实现后台,Bootstrap框架实现前端,数据库基于MySQL数据库,数据来源包括从各个旅行网站爬取的景点以及标签信息、用户提供的个人信息、用户行为信息,以结合内容、效用、联动规则、性格模型、多约束的协同推荐模型为用户推荐个性化的旅行行程,最终构建三大模块,包括用户注册登录与个人信息管理、行程定制与管理、景点信息查看,后台由注册登陆模块、用户信息管理模块、景点信息管理模块、行程信息管理模块、行程定制模块、搜索模块、数据采集模块、数据处理模块八大模块组成。2.根据权利要求1所述兴趣引导的旅行路线景点联动推荐规划系统,其特征在于,发掘用户近邻:以用户对景点的评分数量和分数来衡量景点热度,景点热度越高表明其越受旅行者亲睐,通过景点评分数据组成矩阵,定义景点P的热度PH计算式如下:其中,M代表所有用户数量,r
s,p
代表用户s对于景点p的评分,热度由评分的人数和总分数共同决定,采用皮尔逊相关系数计算用户相似度;设用户集合为U,景点集合为P,用户的评分矩阵为R,表示全部用户对景点p评分的平均值(用户可以重复评分),则用户s1和用户s2的相似度表示如下:由于热门景点很容易发生共同关注的情况,为消除景点热度的影响,对式2改良,加入景点热度参数P
H
,修正后的公式如下:
通过修正后的公式计算与当前用户相似的近邻,依据TOP
‑
N规则选出前N个近邻。3.根据权利要求1所述兴趣引导的旅行路线景点联动推荐规划系统,其特征在于,通过特征矩阵筛选用户近邻:通过用户真正感兴趣的内容来进行筛选,提取景点的特征组成特征引导标签,然后利用特征引导标签矩阵和用户的评分矩阵来构建用户偏好模型;1)提取景点特征通过文本处理,从各种旅行网站的用户对景点的评论中,以及搜索引擎搜索景点名称的结果文本中抽取关键词,每个景点归纳出若干符合的关键词为标签,并存放在景点信息表中,全体标签的集合称为景点标签库,存放在数据库标签表中,在建立标签矩阵时,根据不同的维度区分;2)构建用户偏好模型根据用户评分超过3的景点,记录每种类型出现的频次,在频度不小于一定值的情况下取前四个类型标签作为当前用户最喜爱的景点类型,同理获取其它维度的用户最喜爱标签,所有维度结合起来就是用户的偏好模型;3)计算相似度采用欧几里德距离计算空间中点之间的绝对距离,如式4:通过用户偏好模型来计算用户的相似度,具体如下:其中x代表标签,w代表权重,L代表两个用户喜欢的景点类型标签数量之和,对于其中的某种景点类型y,u
iy
代表它在用户si的兴趣模型中存在情况,存在为l,不存在为0,将所有维度的标签都代入公式,获取到两个用户的相似度;经过两层筛选后,得到该用户的近邻就是对景点偏好类似的真近邻用户。4.根据权利要求1所述兴趣引导的旅行路线景点联动推荐规划系统,其特征在于,基于内容和兴趣特征的推荐流程:输入:用户对景点的评分矩阵;输出:包含景点和推荐评分的字典r;流程:1)根据用户对景点的评分形成的矩阵和式1计算每个景点的热度;2:计算当前用户的相似近邻用户,并基于TOP
‑
N方法得出前N个用户组成近邻集;3)建立近邻集中所有用户和当前用户的兴趣模型,并计算出当前用户与近邻集中用户的偏好相似度,根据相似度从大到小对近邻集的用户重构新排序,并选择前M个用户作为最终的用户近邻;
4)由M个用户来推测当前用户对未知景点的评分,设当前用户为s,被评分景点为p,则该用户对该景点的评分r的计算式如下:5)所有用户对所有景点评分和TOP
‑
N方法得到一个包含用户偏好的景点和评分r的字典集。5.根据权利要求1所述兴趣引导的旅行路线景点联动推荐规划系统,其特征在于,基于粗略集的效用推荐算法:采用粗略集挖掘用户偏好,然后评价效用,最终得出用户的偏好排序,粗略集挖掘不需要了解先验知识;定义1:设四元组S={U,R,V,f}为一个旅行表达系统,其中U代表对象的集合,R代表属性的集合,由条件属性和决策属性组成,即R=C∪D,其中C代表条件属性的集合,D代表决策属性的集合,V代表所有属性可能取值的总集合,f是一个函数,代表的对象的属性在V中对应值。定义2:不可分辨关系,即分类时被归于同一类的类似个体间的关系,不可分辨关系简化粗略集将进行的运算,通过聚类将其转化为一个基本集,对于R的非空子集P,P在U上的不可分辨关系定义如下:IND(P)={(x,y)∈U
×
U:f(x,p)=f(y,p),p∈P}式7定义3:IND(P)将U划分为n个不相交的等价类,U|IND(P);定义4:变精度粗略集模型,引入噪音因素β,它的值代表数据中的噪音程度,设由C导出的等价类为设P为U的子集,则有:β正域:β负域:β边界:其中:定义5:基于定义4,定义C与D的相关性:
其中,POS
C
(D)=∪
i
POS
c
(D
i
),NEG
C
(D)=∪
i
NEG
c
(D
i
)。6.根据权利要求1所述兴趣引导的旅行路线景点联动推荐规划系统,其特征在于,基于变精...
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。