技术特征：
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，基于变精度粗略集的用户偏好解析：首先建立决策信息表，其中s为用户偏好表，u为用户集合，c是条件属性集合，包括景点的所有标签类型，d是决策属性，包括用户对景点的偏好，判定方式包括评分或收藏行为，通过该决策信息表计算用户对景点的偏好受各种属性的影响权重；基于变精度粗略集的景点属性权重算法：输入：决策表s＝(u，c∪d，v，f)，其中c＝{p1，p2，p3，
…
，p
n
]，d＝{d}，系数β；输出：属性权重向量；流程：1)根据式11计算k
β
(c,d)；2)计算3)根据1)、2)的结果计算imp
β
(p
i
，c，d)；4)计算p
i
的权重：5)将所有的属性权重计算出来，组成一个权重向量算法结束。7.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，基于性格模型的旅行效用分级推荐流程：输入：属性权重向量w，近邻数目m，推荐经典数目n；输出：包含推荐景点和推荐评分的字典r；开始：1)计算用户距离，并得到最近的m个近邻；2)根据m个近邻的评分和收藏记录计算未评分的景点，并选出前n个组成后备集e；3)对于后备集e，建立效用矩阵a，其中，一行代表一个景点的所有属性，一列代表所有景点的同一属性：4)通过极差变换法对矩阵a进行去量纲化，正指标使用式17处理，负指标使用式18处理：
5)采用式19对矩阵a规范化处理：6)采用属性权重向量通过式20对矩阵进行处理，得到加权矩阵a
*
：v
ij
＝w
j
v
ij
，(i＝1，2，
…
，n)，(j＝1，2，
…
，m)式207)根据值v
ij
得出正负理想解，其中j
+
j-于分别代表正负指标：于分别代表正负指标：8)s
i
为e中元素，根据式23计算e中所有元素的理想接近度k
i
，值在0-1之间，数值越大越贴合理想推荐结果：9)根据k
i
将e重新排序，得到字典r。8.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，基于矩阵的联动先验方法：只扫描数据库一次的情况下生成频繁项集，步骤包括：输入：行程-景点数据库、最小支持度s、最小置信度c；输出：联动规则库r；步骤1：首先建立事务矩阵，基于旅行特点，建立一个旅行行程-景点矩阵t，其中包含m个行程，n个景点：其中，一行代表一个行程，一列代表一个景点，如果在第i个行程中包含景点j，则t
ij
＝1,如果不包含则t
ij
＝0，则矩阵每一列之和即为景点p
j
的支持度：删除矩阵t中支持度小于s的景点列，得到频繁一项集t1；步骤2：由t1产生候选二项集c2，计算矩阵t的每一行之和，删除小于2的行，这些行不可能产生频繁二项集，计算c2中每个元素p
i
p
j
的支持度：
删除支持度小于s的候选项得到频繁二项集t2：t2＝{c∈c
k
|sup(p
i
p
j
)≥s}式27步骤3：设q≥3，由频繁q-1项集t
q-1
生成候选q项集c
q
，删除矩阵t中每行之和的值小于q的行以减少计算量，c
q
中元素的支持度为：删除支持度小于s的候选项，得到频繁q项集t
q
：t
q
＝{c∈c
k
|sup(p
i
p
j
...)≥s}式29步骤4：当不存在更多项的频繁集时，根据频繁项集生成联动规则库r。9.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，基于性格模型景点相似度权重算法：如果u代表给景点p1和景点p2评分的用户总集u，代表景点p1的平均得分，代表用户s对p1的评分，得到式29：由式30计算任意景点间的皮尔逊相关系数，将其作为景点相似度权重。10.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，旅行行程路线推荐：旅行者每日的游玩时间为8个小时，包括通勤时间；不计算旅行者从所在地到目标城市的时间和路费；景点之间的路费以1rmb/2km计算，小于2km的不计算；通勤时间按照40km/h的速度计算；住宿餐食等费用按照平均每人每天300rmb计算；假设列表p是存放完整景点信息对象的栈，pq是一个零时存放景点信息对象的队列，初始为空，并设出行天数为d，人均预算为w，接下来的步骤包括：第1步：设置一个计数器count＝0，设计时参数t＝0，单位是小时，计费参数w＝0，单位为元，设剩余预算c＝w-300*d，单位为元，开始执行第2步；第2步：如果count＜d，从pq和p中取出前x项放入集合x，使得x为满足的最大值，即取出游览时间总和不超过8小时的前x个景点，执行第3步；如果count≥d，中止；第3步：根据高德地图提供的api接口得到x个景点的地理位置，并抽象为一张具有x个顶点的完全无向图,选择推荐度最高的景点作为起点，采用多元权衡趋势逼近方法得到旅行路线；令t＝通勤时长与景点耗时的总和,w＝路程花费与门票花费的总和，若t＜8且w＞c，执行第4步；若t＞8，执行第5步；若t＜8且w＜c,执行第6步；第4步：判定d-count的值，若d-count＝1，判定8-t的值，若8-t＞2，则将门票最贵的景点从集合x中移除，执行第3步；若d-count＞1,则将门票最贵的景点从集合x中移除,执行第3步；第5步：将最末一个景点放入pq，执行第3步；第6步：搜索p中满足p.time＜t-8的第一项，如果存在该项，则将其加入到x末尾，执行第2步；若rpd中没有符合p.time＜t-8的项，则count增加1，c＝c-w，参数t、w清零，将当前路线作为第count天的行程记录下来，执行第2步；
最后中止时系统获得最终的行程推荐。
技术总结
本申请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：一是基于内容和兴趣特征的分级协同推荐智能体，基于内容的方法来筛选相似用户，根据相似用户的偏好来对当前用户进行推荐；二是基于旅行效用和性格模型的分级推荐智能体，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，实现基于性格模型的旅行效用分级推荐；三是基于联动规则和性格模型的景点推荐智能体，寻找景点之间的内在关系，结合相似度权重和联动规则挑选推荐的景点；综合三个智能体采用多个协同模型再次加权，以达到减小冷启动效应，提高算法稳定性、有效性的作用，使得旅行推荐系统更加势能高效并满足个性化需求。系统更加势能高效并满足个性化需求。系统更加势能高效并满足个性化需求。
技术研发人员：王义明
受保护的技术使用者：王义明
技术研发日：2022.06.25
技术公布日：2022/9/23