训练样本景点的特征属性作为输入向量，该景点对应的用户评分作为输出向量；
[0042]步骤S33，利用训练后得到的BP神经网络模型，预测用户对未评分景点的喜好，将用户未评分景点的特征属性作为输入向量，经过BP神经网络模型的计算后，得到的输出向量为用户未评分景点的预测评分；
[0043]步骤S34，综合用户评分和预测评分，对所有的景点进行排序，该景点排序与用户的喜好相关。
[0044]步骤S4，服务器根据计算所得的该用户的特定排序的景点信息进行样本选取，选取出第一预设数量的景点信息作为样本，再根据用户当前的地理位置信息，计算出用户当前距离样本中每个景点的距离，再依据距离远近进行距离排序，根据该距离的排序选取第二预设数量的景点信息，推送给该用户的客户端。
[0045]步骤S5，用户在客户端上选择确定一个景点后，获取该景点的地理位置信息，启动导航模块，通过导航模块为用户规划从当前位置到景点的导航路线。
[0046]步骤S6，当用户到达景点，服务器根据获取到的用户的地理位置信息与景点地理位置信息进行匹配成功后，服务器向该客户端推送当前景点的语音导游信息，或者客户端根据用户的地理位置信息与景点地理位置信息进行匹配成功后，获取客户端预先存储的语音导游信息，并开始进行当前景点的语音导游。语音导游信息包括景点图片信息、景点语音解说信息、景点文字解说信息、景点标示信息、景点位置信息和景点线路信息。每条语音讲解结束后，景点的导游讲解根据位置的变换进行语音更换，实现自动语音导游讲解。
[0047]客户端进行语音导游的过程包括以下步骤:
[0048]步骤S61，将景点的景区范围内规划出特定数量的子区域，每个子区域内限定了相应的地理位置信息范围，并且每个子区域对应一段语音解说信息；
[0049]步骤S62，客户端不断更新用户当前的地理位置信息；
[0050]步骤S63，当客户端检测到当前的地理位置信息落入某一个子区域的地理位置信息范围内，表明用户到达该子区域，则触发该子区域对应的语音解说信息的播放。
[0051]步骤S64，显示该子区域对应的景点图片信息、景点文字解说信息、景点标示信息、景点位置信息和景点线路信息。
[0052]现结合一具体的实施例对景点排序的计算方法进行具体描述，然后值得注意的是该实施例仅是为了更好地描述本发明，并不构成对本发明的不当限定。
[0053]该实施例的景点排序的计算方法:
[0054](I)构建景点特征向量数据库
[0055]每个景点均有各自的特征属性，如景区星级、服务质量、交通便利等。并且每个游客在旅游时选择景点，都要基于这些特征属性进行比较和选择。一个景点可以有多个特征属性，基于景点的特征属性可以描述一个景点。将每一个景点的特征属性组成一组向量:
[0056]P ⑴=[Pil, Pi2,…，Pim]
[0057]在上述的定义中，Pik表示景点i的第k个特征属性，k = I,为景点的特征属性个数。其中，Plk= O时，该景点不具有该特征属性；plk= I时，该景点具有该特征属性。
[0058]以鼓浪屿风景区为例，将它的景点划分为三个特征属性:门票价格、交通和景区质量等级，门票价格属性中包含0-30、31-80、81-150、150以上；可到达交通方式:公交、汽车、火车、轮船、飞机；景区质量等级包含AAAAA、AAAA、AAA、AA、A级旅游景区。鼓浪屿景区中“海上花园里的藏海园林”这个景点的门票价格为30、交通方式为轮船、景区质量等级为5A，那么“海上花园里的藏海园林”的特征向量为:p = [I, O, O, O, O, O, O, I, O, I, O, O, O, O]。
[0059]游客对游览过的景点进行评分，用R(i)表示游客对景点i的评分值。景点特征向量数据库的景点可分为游客已评分景点和游客未评分景点。
[0060](2)确定样本集
[0061]将游客已评分的景点构成训练样本集，游客未评分的景点构成预测样本集，从训练样本集中选择η个训练样本，用于训练BP神经网络模型。为了及时跟踪游客的兴趣变化，η个训练样本的选择原则是时间上最近产生的样本，即以游客最新评分的η个景点为训练样本。
[0062](3)构造BP神经网络模型
[0063]建立一个具有一个输入层，一个隐含层和一个输出层的三层BP神经网络，该BP神经网络的结构如图1所示。一个景点的特征属性作为输入向量，该实施例的输入层为景点的特征向量，即BP神经网络的输入向量维数为景点的特征向量维数。依据景点的特征属性个数确定输入层的神经元数量，且隐含层神经元数量与输入层神经元数量相同，依据输出向量确定输出层神经元数量。
[0064]该实施例的景点的特征向量为P = [Pl，P2，…，P14]，故该实施例构造的BP神经网络模型，输入层有14个人工神经元，隐含层与输入层的神经元数量相同，隐含层也有14个人工神经元，输出层由I个人工神经元。
[0065]设PpP2,…，P14分别表示输入层中14个人工神经元的输入，用w D W2，…，W14表示隐含层中14个人工神经元，用R表示输出层的I个人工神经元。输入层与隐含层的关系为Wi= C i.Pi, Ci= f (p ；)，其中，Ci为用于对景点的某一特征P i的喜好程度，定义为[O?I]上的一个连续函数。I为最喜欢，O为最不喜欢。用户是否喜欢这个景点的介绍是用户对该景点各个特征的喜好程度共同作用的结果。
[0066]隐含层与输出层的关系为R = g(w!, w2,…，W1JJI^ci= f (Pi)和R= g (W1, W2,…，W14)及其变换关系W1= c i.P1，得到一个统一的BP神经网络模型:
[0067]R=I(PoPf1P14)
[0068]上式表明游客对一个景点的喜好程度由该景点的所有特征属性所决定。上述函数用来描述用户的喜好模型，函数关系是很复杂的，很难直接准确得到，因此需要借助BP神经网络来模拟该用户喜好模型。
[0069](4)计算用户未评分景点的预测评分
[0070]使用训练样本集的样本对BP神经网络模型进行训练，确定BP神经网络各层之间的关系。针对用户未给出评分的景点，未评分景点构成预测样本集，利用训练好的BP神经网络模型对预测样本集中的样本进行预测，得到未评分景点的预测评分。
[0071](5)景点排序
[0072]将已评分景点和预测评分景点的评分按照评分值的大小从高到低给出景点排序。该景点排序与用户的喜好相关，不同用户得到的景点排序不同，实现景点排序的个性化定制。
[0073]需要说明的是，当用户第一次使用该客户端或者用户并没有对景点评分，则所有景点的评分置为零，为用户推送根据距离排序的景点。
[0074]参阅图2所示，为该实施例的景点排序算法流程图，从训练样本集中选择训练样本，构建BP神经网络，再用选择的训练样本对BP神经网络进行训练，得到BP神经网络模型。从用户未评分的景点样本集中选择样本，利用BP神经网络模型对未评分景点进行计算，得到为评分景点的预测评分。综合已评分景点的评分值和未评分景点的预测评分值，按照评分值的大小给出景点排序。用户游玩未评分景点后，给出该景点的评分信息，则一个未评分景点变成已评分景点，将这个已评分景点添加到训练样本集中。
[0075]在实际应用中，通过BP神经网络模型进行景点排序的同时，用户在游玩未评分景点后可得到用户对该景点的评价信息，这样训练样本集可得到新的样本。这些新近产生的样本提供了用户喜好行为的最新信息。如此，在实际景点排序中，需要实时更新单用户的训练样本集。如当前的BP神经网络模型为Net (i)，当有η个新训练样本加入训练样本集时，对BP神经网络重新进行训练的条件满足。利用新增的η个训练样本重新对BP神经网络进行训练后，得到新的BP神经网络模型Net (i+1)。为了训练的准确性，需要调整训练样本，将早先使用的η个训练样本用新加入训练样本集中的η个训练样本进行替换，得到新的训练样本。对于新BP神