一种融合属性共现和交互行为特征的旅游景点推荐方法技术

本发明专利技术涉及旅游景点推荐技术领域，公开了一种融合属性共现和交互行为特征的旅游景点推荐方法，首先构建用户和景点的属性共现图，通过图神经网络学习用户和景点的同质属性共现特征；接着将用户与景点的同质属性共现特征匹配，学习异质属性共现特征；融合同质和异质属性共现特征，获得属性共现特征表示；通过用户与景点的交互行为获得交互行为特征表示；融合属性共现特征和交互行为特征，获得用户和景点的特征表示；通过内积计算用户对候选景点的评分，根据评分高低生成推荐景点列表；依据用户的共现属性和景点共现属性，为景点标注推荐原因。本发明专利技术基于用户共现属性和景点共现属性解释了用户对景点的偏好，对于旅游景点潜在游客挖掘提供极大支持。客挖掘提供极大支持。客挖掘提供极大支持。

【技术实现步骤摘要】
一种融合属性共现和交互行为特征的旅游景点推荐方法


[0001]本专利技术涉及旅游景点推荐
，具体涉及一种融合属性共现和交互行为特征的旅游景点推荐方法。

技术介绍

[0002]在旅游场景中，游客用户和景区景点常常具有不同的属性类型。例如，游客用户具有社会化的属性信息，“性别”、“年龄”、“兴趣爱好”、“职业”等多种特征；景区景点具有自然、社会等类别属性信息，“资源类型”、“地理位置”、“质量等级”、“门票价格”等多种特征。在旅游景点推荐系统中，用户的这些社会化属性信息一定程度上反映了用户的潜在兴趣，而景点的类型属性信息反映了景点的潜在吸引力，基于用户、景点的属性信息可以用来建模并解释用户对景点的评分行为关系。已有的旅游景点推荐系统专注于推荐性能的提升，忽略了用户对景点的喜好原因，使得用户难以对推荐的景点十分满意。因此，如何有效利用用户、景点的属性信息，实现用户和景点的特征建模，进而学习用户对景点的评分预测，完成精准的个性化旅游景点推荐是十分必要的。

技术实现思路

[0003]针对已有的旅游推荐系统忽略用户和景点的社会化属性信息在提升用户满意度中的作用，本专利技术提供了一种融合属性共现和交互行为特征信息的旅游景点推荐方法。
[0004]为了达到上述目的，本专利技术采用了下列技术方案：
[0005]本专利技术提供了一种融合属性共现和交互行为特征信息的旅游景点推荐方法，包括以下步骤：
[0006]步骤S1，根据用户的属性集合构建用户属性图，基于图神经网络学习用户的同质属性共现特征表示；
[0007]步骤S2，根据景点的属性集合构建景点属性图，基于图神经网络学习景点的同质属性共现特征表示；
[0008]步骤S3，通过注意力机制匹配用户的同质属性共现特征与景点的同质属性共现特征，建模用户的异质属性共现特征表示；
[0009]步骤S4，融合用户的同质属性共现特征表示和异质属性共现特征表示，建模用户的属性共现特征表示；
[0010]步骤S5，根据用户对景点的交互行为，学习用户的交互行为特征表示；
[0011]步骤S6，融合属性共现特征表示和交互行为特征表示，建模用户的特征表示；
[0012]步骤S7，根据步骤S1
‑
S6，同样地融合景点的属性共现特征表示和交互行为特征表示，建模景点的特征表示；
[0013]步骤S8，根据用户的特征表示和景点的特征表示，通过内积计算用户对景点的评分；
[0014]步骤S9，根据用户对候选集景点的评分高低进行排序，生成推荐景点列表；
[0015]步骤S10，依据用户和景点的共现属性，为推荐的景点标注推荐原因。
[0016]进一步，所述步骤S1中根据用户的属性集合构建用户属性图，基于图神经网络学习用户的同质属性共现特征表示，具体步骤为：
[0017]步骤1.1，用户具有性别、职业、年龄等属性信息，这些属性之间具有关联，基于这些信息构建每个用户的属性图U
A
，其中节点表示用户的属性，嵌入表示为u
A
，边表示用户的同质属性对之间的共现关系；
[0018]步骤1.2，基于图注意力机制学习图中不同的属性特征组合，建模用户属性之间的共现相关性，用户属性i与j之间共现相关性表示为：
[0019][0020]其中，W
hom
、a为神经网络的权重参数，||表示拼接，σ为LeakyReLU激活函数；
[0021]步骤1.3，在用户的属性集合中，定义用户属性i与j之间的注意力权重为：
[0022][0023]其中，为属性i与j的共现相关性在用户所有属性中的归一化注意力权重，N
u
为用户u的属性集合；
[0024]步骤1.4，考虑到用户属性i与其他所有属性之间的相关性，定义用户属性i 的共现特征表示为：
[0025][0026]其中，为用户属性i与j之间的共现相关性在用户所有属性中的归一化注意力权重，描述了属性j在用户所有属性中的贡献程度，N
u
为用户u的属性集合。
[0027]进一步，所述步骤S2中根据景点的属性集合构建景点属性图，基于图神经网络学习景点的同质属性共现特征表示，具体步骤为：
[0028]步骤2.1，景点具有位置、等级、门票等属性信息，这些属性之间具有关联，基于这些信息构建每个景点的属性图V
A
，其中节点表示景点的属性，嵌入表示为v
A
，边表示景点属性间的共现关系；
[0029]步骤2.2，基于图注意力机制学习图中不同的属性特征组合，建模景点属性之间的共现相关性，景点属性m与n之间的共现相关性表示为：
[0030][0031]其中，W
hom
、a为神经网络的权重参数，σ为LeakyReLU激活函数；
[0032]步骤2.3，在景点的属性集合中，定义景点属性m与n之间的注意力权重为：
[0033][0034]其中，为属性m与n的共现相关性在景点所有属性中的归一化注意力权重，N
v
为景点v的属性集合；
[0035]步骤2.4，考虑到景点属性m与其他所有属性之间的相关性，定义景点属性 m的共现特征表示为：
[0036][0037]其中，为景点属性m与n的共现相关性在景点所有属性中的归一化注意力权重，描述了属性n在景点所有属性中的贡献程度，N
v
为景点v的属性集合。
[0038]进一步，所述步骤S3中通过注意力机制匹配用户的同质属性共现特征与景点的同质属性共现特征，建模用户的异质属性共现特征表示，具体步骤为：
[0039]步骤3.1，考虑到用户的不同属性可能偏好于景点的不同属性，通过注意力机制来匹配用户和景点的异质属性共现特征；用户属性i与景点属性m之间匹配的共现相关性表示为：
[0040][0041]其中，W
het
、b
het
为神经网络的权重参数，
⊙
表示逐元素相乘，σ为 LeakyReLU激活函数；
[0042]步骤3.2，在景点的属性集合中，定义用户属性i与景点属性m之间的注意力权重为：
[0043][0044]其中，ε
im
为用户属性i与景点属性m的共现相关性，在景点所有属性中的归一化注意力权重，N
v
为景点v的属性集合；
[0045]步骤3.3，考虑到用户属性i与景点所有属性之间的共现相关性，定义用户属性i的异质属性共现特征表示为：
[0046][0047]其中，ε
im
为用户属性i与景点属性m之间的注意力权重，描述了景点属性m 对用户属性i的贡献程度，N
v
为景点v的属性集合。
[0048]进一步，所述步骤S4中融合用户的同质属性共现特征表示和异质属性共现特征表示，建模用户的属性共现特征表示，具体步骤为：
[0049]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合属性共现和交互行为特征的旅游景点推荐方法，其特征在于：包括以下步骤：步骤S1，根据用户的属性集合构建用户属性图，基于图神经网络学习用户的同质属性共现特征表示；步骤S2，根据景点的属性集合构建景点属性图，基于图神经网络学习景点的同质属性共现特征表示；步骤S3，通过注意力机制匹配用户的属性共现特征与景点的属性共现特征，建模用户的异质属性共现特征表示；步骤S4，融合用户的同质属性共现特征表示和异质属性共现特征表示，建模用户的属性共现特征表示；步骤S5，根据用户对景点的交互行为，学习用户的交互行为特征表示；步骤S6，融合属性共现特征表示和交互行为特征表示，建模用户的特征表示；步骤S7，根据步骤S1
‑
S6，同样地融合景点的属性共现特征表示和交互行为特征表示，建模景点的特征表示；步骤S8，根据用户的特征表示和景点的特征表示，通过内积计算用户对景点的评分；步骤S9，根据用户对候选集景点的评分高低进行排序，生成推荐景点列表；步骤S10，依据用户和景点的共现属性，为推荐的景点标注推荐原因。2.根据权利要求1所述的融合属性共现和交互行为特征的旅游景点推荐方法，其特征在于：所述步骤S1中根据用户的属性集合构建用户属性图，基于图神经网络学习用户的同质属性共现特征表示，具体步骤为：步骤1.1，用户具有性别、职业、年龄类属性信息，这些属性之间具有关联，基于这些信息构建每个用户的属性图U
A
，其中节点表示用户的属性，嵌入表示为u
A
，边表示用户的同质属性对之间的共现关系；步骤1.2，基于图注意力机制学习图中不同的属性特征组合，建模用户属性之间的共现相关性，用户属性i与j之间共现相关性表示为：其中，W
hom
、a为神经网络的权重参数，||表示拼接，σ为LeakyReLU激活函数；步骤1.3，在用户的属性集合中，定义用户属性i与j之间的注意力权重为：其中，为属性i与j的共现相关性在用户所有属性中的归一化注意力权重，N
u
为用户u的属性集合；步骤1.4，考虑到用户属性i与其他所有属性之间的相关性，定义用户属性i的共现特征表示为：
其中，为用户属性i与j之间的共现相关性在用户所有属性中的归一化注意力权重，描述了属性j在用户所有属性中的贡献程度，N
u
为用户u的属性集合。3.根据权利要求2所述的融合属性共现和交互行为特征的旅游景点推荐方法，其特征在于：所述步骤S2中根据景点的属性集合构建景点属性图，基于图神经网络学习景点的同质属性共现特征表示，具体步骤为：步骤2.1，景点具有位置、等级、门票类属性信息，这些属性之间具有关联，基于这些信息构建每个景点的属性图V
A
，其中节点表示景点的属性，嵌入表示为v
A
，边表示景点属性间的共现关系；步骤2.2，基于图注意力机制学习图中不同的属性特征组合，建模景点属性之间的共现相关性，景点属性m与n之间的共现相关性表示为：其中，W
hom
、a为神经网络的权重参数，σ为LeakyReLU激活函数；步骤2.3，在景点的属性集合中，定义景点属性m与n之间的注意力权重为：其中，为属性m与n的共现相关性在景点所有属性中的归一化注意力权重，N
v
为景点v的属性集合；步骤2.4，考虑到景点属性m与其他所有属性之间的相关性，定义景点属性m的共现特征表示为：其中，为景点属性m与n的共现相关性在景点所有属性中的归一化注意力权重，描述了属性n在景点所有属性中的贡献程度，N
v
为景点v的属性集合。4.根据权利要求3所述的融合属性共现和交互行为特征的旅游景点推荐方法，其特征在于：所述步骤S3中通过注意力机制匹配用户的属性共现特征与景点的属性共现特征，建模用户的异质属性共现特征表示，具体步骤为：步骤3.1，考虑到用户的不同属性可能偏好于景点的不同属性，通过注意力机制来匹配用户和景点的异质属性共现特征；用户属性i与景点属性m之间匹配的共现相关性表示为：其中，W
het
、b
het
为神经网络的权重参数，
⊙
表示逐元素相乘，σ为LeakyReLU激活函数；步骤3.2，在景点的属性集合中，定义用户属性i与景点属性m之间的注意力权重为：
其中，ε
im
为用户属性i与景点属性m的共现相关性，在景点所有属性中的归一化注意力权重，N
v
为景点v的属性集合；步骤3.3，考虑到用户属性i与景点所有属性之间的共现相关性，定义用户属性i的异质属性共现特征表示为：其中，ε
im<...

【专利技术属性】
技术研发人员：郑建兴，廖健，王素格，
申请(专利权)人：山西大学，
类型：发明
国别省市：