【技术实现步骤摘要】
一种个性化差旅路线推荐方法及系统
[0001]本专利技术涉及差旅路线推荐领域，特别是一种个性化差旅路线推荐方法及系统
。
技术介绍
[0002]在传统的个性化差旅路线推荐方法中，主要使用基于内容的推荐算法或协同过滤算法
。
基于内容的算法通过分析用户历史行为和景点属性推荐与用户喜好相似的景点
。
协同过滤算法则是根据用户的历史偏好和其他用户的行为找到与用户相似的用户群体，并推荐这些用户喜欢的景点
。
[0003]然而，这些方法存在一些不足之处
。
首先，数据稀疏性是个性化推荐方法的一个主要挑战，为了准确推荐用户可能喜欢的景点，个性化推荐方法通常需要大量的用户历史数据进行训练和预测
。
然而，在实际应用中，用户的历史数据往往是有限和稀疏的，因此推荐效果可能不尽如人意
。
其次，个性化推荐方法还面临着用户行为变化和新用户冷启动问题
。
用户的兴趣和偏好可能会随着时间的推移和外部环境的变化而发生变化
。<...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种个性化差旅路线推荐方法，其特征在于：包括，收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列，同时对景点进行分类以获取景点类别
、
景点流行度和景点位置；基于差旅序列和景点流行度计算用户对景点类别和景点本身的兴趣偏好值，以构建用户兴趣向量；使用卷积神经网络提取景点图片的视觉特征向量，将访问过此景点的所有用户的兴趣向量进行聚合以获得景点上下文信息矩阵，并提取景点上下文信息矩阵的特征以获得景点特征向量；通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值，并将用户对路线中每个景点的动态兴趣值进行叠加，以计算路线推荐评分；建立并训练个性化路线推荐模型，根据模型的预测结果对所有路线进行排序，并按照综合得分由高到低的顺序输出推荐结果；使用交互式推荐算法与用户互动，展示推荐结果并收集用户反馈以改进个性化路线推荐模型
。2.
如权利要求1所述的个性化差旅路线推荐方法，其特征在于：所述构建用户兴趣向量包括以下步骤：初始化用户兴趣向量；根据景点类别
c
和停留总时间计算用户对景点类别
c
的兴趣偏好值；根据景点的流行度和用户在该景点的逗留时间计算用户对景点本身
i
的流行度偏好值；将用户对景点类别的兴趣偏好值和用户对景点本身的流行度偏好值按照一定的权重进行融合，以得到用户兴趣向量；所述用户对景点类别
c
的兴趣偏好值的具体公式如下：其中，表示用户对景点类别
c
的兴趣偏好值，表示用户的意愿度常数，表示与用户意愿度相关的调节参数，表示其他因素对用户意愿度的影响程度，表示用户在此景点类别所有景点的停留总时间，
c
表示景点类别
。3.
如权利要求1所述的个性化差旅路线推荐方法，其特征在于：所述获得景点特征向量包括以下步骤：收集每个景点的代表图片，并对这些图片进行图像预处理；通过卷积神经网络对每个景点的代表图片进行特征提取以获得图像的视觉特征向量；对每个景点
i
，收集所有访问过此景点的用户兴趣向量，并以此构建景点
i
的用户兴趣矩阵；
对用户兴趣矩阵进行聚合以获得景点
i
的上下文特征向量；将图像的视觉特征向量和上下文特征向量拼接形成景点
i
的原始特征原始向量；将输入至全连接网络进行特征提取以获得景点
i
的景点特征向量；迭代执行上述步骤，直至获取所有景点特征向量
。4.
如权利要求1所述的个性化差旅路线推荐方法，其特征在于：所述用户对景点的动态兴趣值的具体公式如下：其中，表示用户兴趣向量，表示景点特征向量，和表示调节参数；所述路线推荐评分的具体公式如下：其中，表示路线上景点
j
的动态兴趣值，表示路线上的景点数量
。5.
如权利要求1所述的个性化差旅路线推荐方法，其特征在于：所述建立并训练个性化路线推荐模型包括以下步骤：建立个性化路线推荐模型；将用户的历史差旅数据划分为训练集和测试集；通过反向传播算法和梯度下降优化算法对个性化路线推荐模型进行训练更新，使模型能够准确地预测用户对不同路线的喜好程度；将用户兴趣向量
、
景点特征向量
、
路线推荐评分
、
技术研发人员：马思俊，周洁，李海兵，
申请(专利权)人：北京铭洋商务服务有限公司，
类型：发明
国别省市：
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。