NEWS INFORMATION

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

1、本发明涉及景点推荐技术领域，具体涉及一种融合属性共现和交互行为特征的景点推荐方法。

背景技术：

2、在旅游场景中，旅游用户和景区往往具有不同的属性类型。例如，旅游用户具有社会化的属性信息，如“性别”、“年龄”、“爱好”、“职业”等特征；景区有自然与社会、“资源类型”、“地理位置”、“品质等级”、“门票价格”等类别属性信息。在旅游景点推荐系统中，用户的社会属性信息反映了用户的一定程度的潜在兴趣，景区的类型属性信息反映了景区的潜在吸引力。基于用户和景区的属性信息可以用来建模和解释用户' s 评价行为与景点的关系。现有的旅游景点推荐系统侧重于提高推荐性能，忽略了用户对景点的偏好原因，使得用户对推荐的景点很难非常满意。因此，如何有效利用用户和景点的属性信息，实现用户和景点的特征建模，进而学习用户对景点的评分和预测，完成精准的个性化旅游景点推荐是非常必要的。让用户对推荐的景点很难很满意。因此，如何有效利用用户和景点的属性信息，实现用户和景点的特征建模，进而学习用户对景点的评分和预测，完成精准的个性化旅游景点推荐是非常必要的。让用户对推荐的景点很难很满意。因此，如何有效利用用户和景点的属性信息，实现用户和景点的特征建模，进而学习用户对景点的评分和预测，完成精准的个性化旅游景点推荐是非常必要的。

技术实施要素：

3、针对现有旅游推荐系统忽视用户和景点的社会化属性信息对提高用户满意度的作用，本发明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。

4.为实现上述目的网络交互行为设计，本发明采用了以下技术方案：

5、本发明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：

6、步骤s1，根据用户的属性集构建用户属性图，基于图神经网络学习用户同质属性的共现特征表示；

7、步骤s2，根据景点属性集构建景点属性图，基于图神经网络学习景点同质属性的共现特征表示；

8、步骤s3，通过注意力机制匹配用户的同质属性同现特征和景区的同质属性同现特征，对用户的异质属性同现特征表示进行建模；

9、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，对用户的属性共现特征表示进行建模；

10、步骤s5，根据用户对景区的交互行为，学习用户的交互行为特征表示；

11、步骤s6，融合属性共现特征表示和交互行为特征表示，对用户的特征表示进行建模；

12、步骤s7，按照步骤s1-s6，类似地整合景区的属性共现特征表示和交互行为特征表示，对景区的特征表示进行建模；

13、步骤s8，根据用户的特征表示和景区的特征表示，通过内积计算用户对景区的评分；

14、步骤s9，根据用户对候选集景点的评分进行排序，生成推荐景点列表；

15、在步骤s10中，根据用户与景区的共现属性，为推荐的景区标注推荐理由。

16、进一步地，步骤s1中，根据用户的属性集构建用户属性图，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：

17、在步骤1.1中，用户有性别、职业、年龄等属性信息，这些属性是相关的。基于这些信息，构造每个用户的属性图ua，其中节点表示用户的属性，表示为ua，边表示用户的同质属性对之间的共现关系；

18. Step 1.2，基于图注意力机制，学习图中不同的属性特征组合，对用户属性之间的共现相关性进行建模。用户属性 i 和 j 的共现相关性表示为：

[0019] [0020]

w

霍姆

，a是神经网络的权重参数，|| 表示拼接，σ为激活函数；

[0021]

Step 1.3，在用户的属性集中，定义用户属性i和j之间的注意力权重为：

[0022] [0023]

其中，是用户所有属性中属性i和j的共现相关性的归一化注意力权重，nu是用户u的属性集；

[0024]

步骤 1.4，考虑用户属性 i 与所有其他属性的相关性，定义用户属性 i 的共现特征为：

[0025] [0026]

其中， 是用户属性 i 和 j 在所有用户属性中的共现相关性的归一化注意力权重，描述了属性 j 在所有用户属性中的贡献度，nu 是用户 u 的属性集。

[0027]

进一步地，在步骤s2中，根据景区的属性集构建景区属性图，并基于图神经网络学习景区的同质属性共现特征表示。具体步骤如下：

[0028]

步骤2.1，景区有位置、等级、门票等属性信息，这些属性是相关的。基于这些信息，构建每个景点的属性图va，其中节点表示景点的属性，表示为va，边表示景点的属性。共现关系；

[0029]

Step 2.2，基于图注意力机制，学习图中不同的属性特征组合，对景点属性之间的共现相关性进行建模。景点属性 m 和 n 的共现相关性表示为：

[0030] [0031]

w

霍姆

，a是神经网络的权重参数，σ是激活函数；

[0032]

Step 2.3，在景区属性集中，定义景区属性m和n之间的注意力权重为：

[0033]

[0034]

其中，为景点所有属性中属性m和n的共现相关性的归一化注意力权重，nv为景点v的属性集；

[0035]

Step 2.4，考虑景点属性m与其他所有属性的相关性，定义景点属性m的共现特征为：

[0036] [0037]

其中， 是该景点所有属性中该景点的属性 m 和 n 的共现相关性的归一化注意力权重，描述了属性 n 在该景点所有属性中的贡献度, nv 为景区 v 的属性集。

[0038]

进一步地，在步骤s3中，通过注意力机制匹配用户的同质属性同现特征和景区的同质属性同现特征，对建模用户的异构属性同现特征表示进行建模。具体步骤如下：

[0039]

步骤3.1，考虑到不同属性的用户可能偏好不同的景点属性，采用注意力机制匹配用户与景点的异质属性的共现特征；用户属性 i 与景点属性 m 的共现相关性表示为：

[0040] [0041]

w

赫特

, b

赫特

是神经网络的权重参数，

⊙

表示逐元素相乘，σ为激活函数；

[0042]

步骤3.2，在景点属性集中，定义用户属性i和景点属性m之间的注意力权重为：

[0043] [0044]

其中ε

我是

是用户属性i和景点属性m的共现相关性，是景点所有属性的归一化注意力权重，nv是景点v的属性集；

[0045]

Step 3.3，考虑用户属性i与景区所有属性的共现相关性，定义用户属性i的异构属性共现特征为：

[0046] [0047]

其中ε

我是

是用户属性i和景点属性m之间的注意力权重，描述了景点属性m对用户属性i的贡献度，nv是景点v的属性集。

[0048]

进一步地，在步骤s4中，将用户同质属性的共现特征表示和用户异质属性的同现特征表示进行融合，对用户属性的共现特征表示进行建模。具体步骤如下：

[0049]

Step 4.1，考虑同质属性的共现特征表示和用户属性i的异质属性的共现特征表示，将它们相加得到用户属性i的共现特征为：

[0050] [0051]

Step 4.2，考虑用户u的所有属性，定义用户u的属性共现特征为：

[0052] [0053]

进一步地，步骤s5中，根据用户对景区的交互行为，学习用户的交互行为特征表示，具体步骤为：

[0054]

根据用户历史评分景区集合ru，学习用户u的交互行为特征表示为：

[0055] [0056]

其中，e

l

是用户历史评分景点集合ru中第l个景点的初始化嵌入向量表示。

[0057]

进一步的，在步骤s6中，融合属性共现特征表示和交互行为特征表示，对用户的特征表示进行建模，具体步骤为：

[0058]

考虑用户u的属性共现特征表示和交互行为特征表示，将用户u的特征表示拼接合并为：

[0059]

你=[你

属性

,u

整数

]

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

(13)。

[0060]

进一步的，在步骤s7中，根据步骤s1-s6，同样将景点的属性共现特征表示和交互行为特征表示进行整合，对景点的特征表示进行建模。具体步骤如下：

[0061]

步骤7.1，吸引力属性m与用户属性i的共现相关性表示为：

[0062] [0063]

w

赫特

, b

赫特

是神经网络的权重参数，

⊙

表示逐元素相乘，σ为激活函数；

[0064]

步骤 7.2，定义吸引力属性 m 和用户属性 i 之间的注意力权重为：

[0065] [0066]

其中ε

米

是吸引力属性 m 和用户属性 i 的共现相关性，是所有用户属性中归一化的注意力权重，nu 是用户 u 的属性集；

[0067]

步骤7.3，考虑景点属性m与用户所有属性的共现相关性，定义景点属性m的异质属性的共现特征表示为：

[0068] [0069]

其中ε

米

是吸引力属性m对用户属性i的贡献度，nu是用户u的属性集；

[0070]

步骤7.4，考虑景点属性m的同质属性的共现特征表示和异质属性的共现特征表示，将它们相加得到景点属性m的属性共现特征表示：

[0071] [0072]

步骤7.5，考虑景点v的所有属性，定义景点v的属性共现特征表示为：

[0073]

[0074]

其中，nv为景区v的属性集；

[0075]

步骤7.6，考虑景点历史评分用户集rv，定义景点v的交互行为特征为：

[0076] [0077]

其中，es为景区历史评分用户集中第s个用户的初始化嵌入向量表示；

[0078]

Step 7.7，考虑景点属性的共现特征表示和交互行为特征表示，将它们拼接合并得到景点的特征表示：

[0079]

v=[v

属性

,v

整数

]

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

(20)。

[0080]

进一步地，在步骤s8中，根据用户的特征表示和景区的特征表示，通过内积计算用户对该景区的评分，具体步骤为：

[0081]

对于用户的特征表示u和景点的特征表示v，根据内积计算用户对景点的评分，即评分预测函数定义为：

[0082] yuv

=你

tvꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

（二十一）。

[0083]

进一步地，步骤s9中，根据用户对候选集合景点的评分，生成推荐景点列表，具体步骤为：

[0084]

对于候选景点集合中的新景点v'，利用用户u和景点v'的特征表示，通过分数预测函数计算用户在该景点的分数，按照分数排序，选择推荐得分较高的前k个景点。.

[0085]

进一步地，在步骤s10中，根据用户与景区的共现属性，为推荐景区标注推荐理由，具体步骤为：

[0086]

对于推荐结果，根据步骤s3中的注意力权重计算方法，得到用户属性与景点属性的匹配共现权重，并根据用户为推荐结果生成相应的推荐原因说明属性和同现权重最高的景点属性。

[0087]

本发明还提供一种计算机可读存储介质，该介质上存储有计算机程序，在执行该计算机程序时，上述结合属性共现和交互行为特征的旅游景点推荐方法被实施。

[0088]

本发明还提供了一种电子设备，包括存储器、处理器，以及存储在存储器中并运行在处理器上的计算机程序，处理器在处理器执行时实现上述融合属性的共现和交互。计算机程序 一种基于行为特征的旅游景点推荐方法。

[0089]

与现有技术相比，本发明具有以下优点：

[0090]

本发明提供的方法与现有方法的区别在于，设计了一种用户和景点的语义嵌入表示方法，同时融合了用户、景点属性和交互行为特征信息，建立了增强用户的评分预测模型。和景点属性。提出一种融合属性共现和交互行为特征的旅游景点推荐策略，并根据用户和景点的属性对推荐结果进行解释。本发明融合用户与景点属性的同质属性共现特征表示和异质属性共现特征表示信息，学习用户' 的兴趣偏好和项目的吸引力，并从用户和景点的属性解释用户对景点的偏好。评分行为提高了景点推荐的可解释性，特别是在热门旅游景点的在线推荐预测中。

图纸说明

[0091]

如图。附图说明图1是本发明方法的整体模型架构示意图。

[0092]

图 2 是景点属性的共现相关权重的可视化。

详细方法

[0093]

本发明的融合属性共现和交互行为特征的旅游景点推荐方法是通过计算机程序实现的。下面按照流程对本发明提出的技术方案的具体实施进行详细说明。

[0094]

如图所示。如图1所示，本发明融合属性共现和交互行为特征的旅游景点推荐方法包括以下步骤：

[0095]

步骤s1，根据用户的属性集构建用户属性图，基于图神经网络学习用户同质属性的共现特征表示，具体包括以下步骤：

[0096]

在步骤1.1中，用户有性别、职业、年龄等属性信息，这些属性是相关的。基于这些信息，构建每个用户的属性图ua，其中节点表示用户的属性，嵌入表示为ua，边表示用户的相同性。定性属性对之间的共现关系；

[0097]

Step 1.2，基于图注意力机制，学习图中不同的属性特征组合，对用户属性之间的共现相关性进行建模。用户属性 i 和 j 的共现相关性表示为：

[0098] [0099]

w

霍姆

，a是神经网络的权重参数，|| 表示拼接，σ为激活函数；

[0100]

Step 1.3，在用户的属性集中，定义用户属性i和j之间的注意力权重为：

[0101] [0102]

其中，是用户所有属性中属性i和j的共现相关性的归一化注意力权重，nu是用户u的属性集；

[0103]

步骤 1.4，考虑用户属性 i 与所有其他属性的相关性，定义用户属性 i 的共现特征为：

[0104] [0105]

其中， 是用户属性 i 和 j 在所有用户属性中的共现相关性的归一化注意力权重，描述了属性 j 在所有用户属性中的贡献度，nu 是用户 u 的属性集。

[0106]

步骤s2，根据景点属性集构建景点属性图，基于图神经网络学习景点同质属性的共现特征表示，具体包括以下步骤：

[0107]

步骤2.1，景区有位置、等级、门票等属性信息，这些属性是相关的。基于这些信息，构建每个景点的属性图va，其中节点表示景点的属性，表示为va，边表示景点的属性。共现关系；

[0108]

Step 2.2，基于图注意力机制网络交互行为设计，学习图中不同的属性特征组合，对景点属性之间的共现相关性进行建模。景点属性 m 和 n 的共现相关性表示为：

[0109] [0110]

w

霍姆

，a是神经网络的权重参数，σ是激活函数；

[0111]

Step 2.3，在景区属性集中，定义景区属性m和n之间的注意力权重为：

[0112] [0113]

其中，为景点所有属性中属性m和n的共现相关性的归一化注意力权重，nv为景点v的属性集；

[0114]

Step 2.4，考虑景点属性m与其他所有属性的相关性，定义景点属性m的共现特征为：

[0115] [0116]

其中， 是该景点所有属性中该景点的属性 m 和 n 的共现相关性的归一化注意力权重，描述了属性 n 在该景点所有属性中的贡献度, nv 为景区 v 的属性集。

[0117]

步骤s3，通过注意力机制匹配用户的同质属性同现特征和景区的同质属性同现特征，对用户的异构属性同现特征表示进行建模，包括以下步骤：

[0118]

步骤3.1，考虑到不同属性的用户可能偏好不同的景点属性，采用注意力机制匹配用户与景点的异质属性的共现特征；用户属性 i 与景点属性 m 的共现相关性表示为：

[0119] [0120]

w

赫特

, b

赫特

是神经网络的权重参数，

⊙

表示逐元素相乘，σ为激活函数；

[0121]

步骤3.2，在景点属性集中，定义用户属性i和景点属性m之间的注意力权重为：

[0122] [0123]

其中ε

我是

是用户属性i和景点属性m的共现相关性，是景点所有属性的归一化注意力权重，nv是景点v的属性集；

[0124]

Step 3.3，考虑用户属性i与景区所有属性的共现相关性，定义用户属性i的异构属性共现特征为：

[0125] [0126]

其中ε

我是

是用户属性i和景点属性m之间的注意力权重，描述了景点属性m对用户属性i的贡献度，nv是景点v的属性集。

[0127]

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，对用户的属性共现特征表示进行建模，包括以下步骤：

[0128]

Step 4.1，考虑同质属性的共现特征表示和用户属性i的异质属性的共现特征表示，将它们相加得到用户属性i的共现特征为：

[0129] [0130]

Step 4.2，考虑用户u的所有属性，定义用户u的属性共现特征为：

[0131] [0132]

其中，nu 为用户 u 的属性集。

[0133]

步骤s5，根据用户在景区的交互行为，学习用户的交互行为特征表示，包括以下步骤：

[0134]

根据用户历史评分景区集合ru，学习用户u的交互行为特征表示为：

[0135] [0136]

其中，e

l

是用户历史评分景点集合ru中第l个景点的初始化嵌入向量表示。

[0137]

步骤s6，融合属性共现特征表示和交互行为特征表示，对用户的特征表示进行建模，包括以下步骤：

[0138]

考虑到用户属性的共现特征表示和交互行为的特征表示，通过拼接合并得到用户的特征表示如下：

[0139]

你=[你

属性

,u

整数

]

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

(13)。

[0140]

步骤s7，按照步骤s1-s6，类似地融合景点的属性共现特征表示和交互行为特征表示，对景点的特征表示进行建模，包括以下步骤：

[0141]

步骤7.1，吸引力属性m与用户属性i的共现相关性表示为：

[0142] [0143]

w

赫特

, b

赫特

是神经网络的权重参数，

⊙

表示逐元素相乘，σ为激活函数；

[0144]

步骤 7.2，定义吸引力属性 m 和用户属性 i 之间的注意力权重为：

[0145] [0146]

其中ε

米

是吸引力属性 m 和用户属性 i 的共现相关性，是所有用户属性中归一化的注意力权重，nu 是用户 u 的属性集；

[0147]

步骤7.3，考虑景点属性m与用户所有属性的共现相关性，定义景点属性m的异质属性的共现特征表示为：

[0148] [0149]

其中ε

米

是吸引力属性m对用户属性i的贡献度，nu是用户u的属性集；

[0150]

步骤7.4，考虑景点属性m的同质属性的共现特征表示和异质属性的共现特征表示，将它们相加得到景点属性m的属性共现特征表示：

[0151]

[0152]

步骤7.5，考虑景点v的所有属性，定义景点v的属性共现特征表示为：

[0153] [0154]

其中，nv为景区v的属性集；

[0155]

步骤7.6，考虑景点历史评分用户集rv，定义景点v的交互行为特征为：

[0156] [0157]

其中，es为景区历史评分用户集中第s个用户的初始化嵌入向量表示；

[0158]

Step 7.7，考虑景点属性的共现特征表示和交互行为特征表示，将它们拼接合并得到景点的特征表示：

[0159]

v=[v

属性

,v

整数

]

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

(20)。

[0160]

在步骤s8中，根据用户的特征表示和景区的特征表示，通过内积计算用户对该景区的评分，包括以下步骤：

[0161]

对于用户的特征表示u和景点的特征表示v，根据内积计算用户对景点的评分，即评分预测函数定义为：

[0162] yuv

=你

tvꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

（二十一）。

[0163]

步骤s9，根据用户对候选集景点的排名，生成推荐景点列表，包括以下步骤：

[0164]

对于候选景点集合中的新景点v'，利用用户u和景点v'的特征表示，通过分数预测函数计算用户在该景点的分数，按照分数排序，选择推荐得分较高的前k个景点。.

[0165]

步骤s10，根据用户与景点的共现属性，标记推荐景点的推荐原因，包括以下步骤：

[0166]

对于推荐结果，根据步骤s3中的注意力权重计算方法，得到用户属性与景点属性的匹配共现权重，并根据用户为推荐结果生成相应的推荐原因说明属性和同现权重最高的景点属性。

[0167]

本实施例根据用户和景点的丰富属性信息对用户和景点的特征进行建模，从而预测用户对景点的偏好，并根据用户的共现属性和景点。同时，用户对景点的评分交互行为揭示了用户对景点的直接评分偏好，也可以根据历史评分交互行为了解用户与景点之间的特征。此外，图注意力用于关注深度神经网络中特定的输入特征，可以分析输入特征各方面的重要性，提高模型的表达能力。基于图注意力机制，

[0168]

为了验证本发明方法的有效性，我们对yelp数据集()进行了实验，筛选出数据集为'zoos'(动物园)、''(博物馆)、'parks'(娱乐park)、''(寺庙)、''(植物园)等景区及其互动用户，并处理互动记录，每个用户至少有5条评价记录，每个景区至少评价5次，过滤后的数据集信息如表1所示：

[0169]

表1 数据集情况

[0170] [0171]

使用的用户和景点属性包括用户id、物品id、景点所在城市、景点评分、景点类型。数据集按6:2:2分为训练集、验证集和测试集。评价指标为auc、ndcg@5和ndcg@10。为了验证本发明提出的技术方案的有效性和先进性，选取现有的几种预测模型方法进行比较：wdl、dcn和afm。实验结果如表2所示：

[0172]

表2 不同预测模型的实验结果

[0173] [0174]

从表2的结果可以看出，本发明的技术方案在用户预测景点时，能够得到比现有方法更准确和可靠的检测结果。

[0175]

同时，本发明随机选取32个景点，将景点属性的共现相关权重可视化。如图2所示，从学习过程中不同属性的共现相关性可以看出景点属性对之间的注意力权重。用户对景点偏好的贡献程度不同。例如，对于第五列属性之间的权重，即游乐园与儿童特征的共现度高，可以生成相应的推荐解释，如：“这个景点有游乐园属性，儿童用户可能感兴趣”；第九列属性对的权重，即 人文类型与老人特征的共现度比较高，可以理解为“这个景区属于人文类型景区，老人可能会感兴趣。在实际旅游推荐领域，我们可以根据用户的属性（性别、年龄、职业）和景点的属性（类型、门票、位置）生成相应的解释，比如“为你推荐基于根据您的年龄和景点类型”或“根据您的职业和景点门票为您推荐。”

[0176]

示例 2

[0177]

本实施例提供一种计算机可读存储介质，该介质存储有计算机程序，在执行该计算机程序时，结合上述实施例的属性同现和交互行为特征的旅游景点推荐方法1实施。

[0178]

示例 3

[0179]

本实施例提供了一种电子设备，包括存储器、处理器和存储在存储器中并运行在处理器上的计算机程序，该处理器实现上述实施例一的融合属性的共现，当计算机程序被执行。基于交互行为特征的旅游景点推荐方法

[0180]

上述实施例为本发明的较佳实施例，但本发明的实施例不受上述实施例的限制。对于本领域的普通技术人员来说，在不脱离本发明的原理的前提下，还可以进行若干修改和改进，均包含在本发明的保护范围内。

[0181]

此外，应当理解，虽然本说明书是以实施例的方式进行描述的，但并不是每个实施例都只包含一个独立的技术方案，说明书中的描述只是为了清楚起见，本领域技术人员应当理解作为整个说明书的一部分，各个实施例中的技术方案还可以适当组合形成本领域技术人员可以理解的其他实施方式。

了解更多学习网络推广知识，就来广西网络推广。

上一篇：“人机交互系统模型”如何分析用户使用流程及心理活动
下一篇： SEO优化网站SEO网站优化的几种方式和方法介绍