一种个性化路径推荐的方法及装置与流程

本发明涉及路径推荐领域，特别是涉及一种个性化路径推荐的方法及装置。

背景技术：

随着生活水平的提高，购物以及旅游成为了不可或缺的消遣方式。在进行购物或者是旅游等活动时，购物路径或者是旅游路径的选择是至关重要的。

由于互联网技术以及机器学习技术的进步，可以结合互联网以及机器学习等技术来为用户推荐路径。现有的推荐路径方法一般是根据用户的兴趣、需求以及地点评分高低等因素，为用户推荐兴趣点（point of interest，POI）。其方法可以利用协同过滤的方法，寻找与用户的兴趣爱好相似的其它用户，获取其它用户的POI并推荐给用户。或者可以利用模型来计算得出用户的潜在访问地点的概率，根据概率的高低来选取出推荐地点。在选取出推荐地点后，会将到达这些推荐地点的路径推荐给用户。

但是，现有技术的方法只满足了用户的基本需求，即没有考虑到所推荐路径上发生的临时事件对用户的影响。其临时事件是指一些有一定规律性的临时性事件，例如，临时的促销活动、临时的广告活动以及临时的明星演出。这些临时事件可能会给用户带来额外的惊喜和幸福感，也可能会给用户带来厌恶以及不适感。故在推荐路径时，需要将临时事件对用户感受的影响考虑进去，现有技术中只是单纯地推荐路径，没有考虑到推荐路径上是否有临时事件的发生，以及临时事件对用户体验的影响。如何在推荐路径时考虑到临时事件的发生进而最大化用户体验是本领域亟待解决的问题，基于此，本发明提出了一种个性化路径推荐的方法及装置。

技术实现要素：

本发明的目的是提供一种个性化路径推荐的方法，目的在于解决现有技术中在推荐路径时没有考虑到临时事件的发生对用户体验的影响从而使用户体验较差的问题；本发明的另一目标是提供一种个性化路径推荐的装置，其推荐的路径可以最大化用户体验。

为解决上述技术问题，本发明提供一种个性化路径推荐的方法，该方法包括：

根据用户的偏好数据从预选地点中选取出预设数量的地点；

根据所述地点得出路径图，寻找出所述路径图中有临时事件的路径；

调用预训练的分类器，判断所述用户是否属于偏好所述临时事件的用户类别，所述分类器包含偏好临时事件以及非偏好临时事件的两类用户；

当判断出所述用户属于所述用户类别时，则根据预训练得出的所述临时事件的评分以及预设限制条件得出所述路径的路径评分；

根据所述路径评分，将所述路径推荐给所述用户。

可选地，所述根据用户的偏好数据从预选地点中选取出预设数量的地点包括：

分别计算所述用户的所述偏好数据和所述预选地点的相似度；

从所述预选地点中，根据所述相似度的高低选取出从高到低地选取出所述预设数量的所述预选地点，将选取出的所述预选地点作为所述地点。

可选地，所述寻找出所述路径图中有临时事件的路径包括：

计算所述临时事件与所述路径图中的原始路径的距离；

将所述距离与预设阈值相比较；

当所述距离小于所述预设阈值时，则判断所述原始路径上有所述临时事件，将所述原始路径作为所述路径。

可选地，所述预设限制条件为以下一种或任意组合：

时间限制、出发地点、用户需求以及用户兴趣爱好。

可选地，所述当判断出所述用户属于所述用户类别时，则根据预训练得出的所述临时事件的评分以及预设限制条件得出所述路径的路径评分包括：

获取所述预设限制条件；

根据所述评分以及所述预设限制条件，更新所述路径的权重；

利用所述权重计算出所述路径的所述路径评分。

可选地，所述根据所述偏好数据从预选地点中选取出预设数量的地点之前还包括：

获取与所述用户具有相同兴趣爱好的历史用户的轨迹数据；

根据所述轨迹数据训练得出所述分类器，所述分类器包含偏好临时事件以及非偏好临时事件的两类用户；

根据所述分类器以及万有引力模型，推导出用于计算所述临时事件的所述评分的计算公式；

利用所述计算公式得出所述临时事件的所述评分。

此外，本发明还提供了一种个性化路径推荐的装置，包括：

地点筛选模块，根据用户的偏好数据从预选地点中选取出预设数量的地点；

路径寻找模块，根据所述地点得出路径图，寻找出所述路径图中有临时事件的路径；

判断模块，调用预训练的分类器，判断所述用户是否属于偏好所述临时事件的用户类别，所述分类器包含偏好临时事件以及非偏好临时事件的两类用户；

路径评分模块，当判断出所述用户属于所述用户类别时，则根据预训练得出的所述临时事件的评分以及预设限制条件得出所述路径的路径评分；

推荐模块，根据所述路径评分，将所述路径推荐给所述用户。

可选地，所述地点筛选模块包括：

相似度计算单元，用于分别计算所述用户的所述偏好数据和所述预选地点的相似度；

选取排序单元，用于从所述预选地点中，根据所述相似度的高低选取出从高到低地选取出所述预设数量的所述预选地点，将选取出的所述预选地点作为所述地点。

可选地，所述路径寻找模块包括：

距离计算单元，用于计算所述临时事件与所述路径图中的原始路径的距离；

比较单元，用于将所述距离与预设阈值相比较；

确定单元，用于当所述距离小于所述预设阈值时，则判断所述原始路径上有所述临时事件，将所述原始路径作为所述路径。

可选地，还包括：

历史轨迹数据获取模块，用于获取与所述用户具有相同兴趣爱好的历史用户的轨迹数据；

分类器训练模块，用于根据所述轨迹数据训练得出分类器，所述分类器包含偏好临时事件以及非偏好临时事件的两类用户；

推导模块，用于根据所述分类器以及万有引力模型，推导出用于计算所述临时事件的所述评分的计算公式；

计算模块，用于利用所述计算公式得出所述临时事件的所述评分。

本发明所提供的一种个性化路径推荐的方法及装置，根据用户的偏好数据从预选地点中选取出预设数量的地点；根据所述地点得出路径图，寻找出所述路径图中有临时事件的路径；调用预训练的分类器，判断所述用户是否属于偏好所述临时事件的用户类别，所述分类器包含偏好临时事件以及非偏好临时事件的两类用户；当判断出所述用户属于所述用户类别时，则根据预训练得出的所述临时事件的评分以及预设限制条件得出所述路径的路径评分；根据所述路径评分，将所述路径推荐给所述用户。在路径推荐时，考虑到推荐的路径上临时事件的发生，并且考虑到临时事件是否为用户的兴趣爱好所在，当判断出临时事件为用户的兴趣爱好所在之后，利用训练得出临时事件的评分来以及一些限制条件对路径进行整体评分，然后基于路径的整体评分将个性化路径推荐给用户。可见，本申请利用临时事件的评分来为推荐路径加分，向用户推荐包含属于用户兴趣爱好范畴的临时事件的路径，使得推荐路径上包含着一些潜在惊喜，可以最大化用户体验。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的个性化路径推荐方法的一种具体实施方式的流程示意图；

图2为本发明实施例提供的个性化路径推荐装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，图1为本发明实施例所提供的个性化路径推荐方法的一种具体实施方式的流程示意图。

步骤101：根据用户的偏好数据从预选地点中选取出预设数量的地点；

需要说明的是，当用户为新用户时，可以提示用户输入用户的兴趣爱好，根据用户输入的兴趣爱好得出用户的偏好数据。例如，可以在用户注册时，在注册界面增设个人爱好填写项。而当用户为老用户时，可以对用户的一些数据进行保存，当用户再次进入相应地点时，在一些特殊的情况下不再筛选该用户的地点，特殊的情况是指用户的兴趣、需求以及地点与之前相比没有改变。但是因为每次用户的需求不一定相同，地点也会相应地增加或者减少，而且用户的兴趣爱好也可能不同，故可以根据老用户的兴趣爱好来筛选出预设数量的场地。个人爱好的内容可以是用户自己随意输入，也可以是系统给出多个兴趣爱好的类别，用户根据给出的类别输入相应的内容。当然，用户的偏好数据的获取方式不限于上述方式。

获取到用户的偏好数据，从多个预选地点中筛选出预设数量的预选地点，将筛选出的预选地点作为用户的感兴趣的地点。预选地点可以是指某一个区域内的所有地点，该区域可以是指某个旅游景区或者某个购物商城。例如，预选地点为某一个购物商城的所有店铺，根据用户的兴趣爱好从所有商铺中筛选出预设数量的店铺，预设数量的商铺是用户访问意向较强烈的店铺。需要说明的是，本发明所提到的地点又名空间项目（spatial items）。

地点是基于用户的兴趣爱好筛选出来的，有些用户的兴趣爱好比较广泛，那么筛选出的地点就会比较多，而有些用户的兴趣爱好相对较少，那么筛选出的地点就会相对较少。为了使筛选出的地点个数尽可能地相同，故可以对筛选出的地点个数进行提前限定，即预设数量的地点是指选取多少个用户感兴趣的地点是预先设定，例如，可以设定预设数量为K个，K为正整数。

根据用户的偏好数据来筛选出用户感兴趣的地点，可以先计算偏好数据与地点的相似度，然后再根据相似度的高低进行筛选。相似度表征个体间差异的大小，评价个体的相似性和类别，相似度的值越小，说明个体间相似度越小，差异越大。故在本发明的一些实施例中，根据相似度筛选的过程可以具体为：分别计算所述用户的所述偏好数据和所述预选地点的相似度；从所述预选地点中，根据所述相似度的高低选取出从高到低地选取出所述预设数量的所述预选地点，将选取出的所述预选地点作为所述地点。计算得出相似度，可以将地点根据相似度的值的大小进行排序，地点与用户的相似度的值较大，表明该地点是用户比较感兴趣的地点。将预选地点从大到小的排序后，可以从多个预选地点中选取前K个(top-k)地点。显而易见地，筛选出top-k个地点后，地点的相似度是已知，可以将筛选出的地点形成合适的顺序。

步骤102：根据所述地点得出路径图，寻找出所述路径图中有临时事件的路径；

筛选出用户感兴趣的地点后，根据地点的位置关系，构成合适的有向图，即各个地点之间的路径图，该有向图的边表示路径。每一条路径上都有可能发生临时事件，需要找出路径图中有临时事件发生的路径。临时事件（temporal events）是指临时发生的事件，例如临时的促销活动、广告以及明星演出等。

临时事件以及发生的地点具有不确定性，临时事件可能刚刚好发生在路径上，也可能发生在路径的附近。故需要判断临时事件发生的地点与路径之间的距离来判断该临时事件的归属，在本发明的一些实施例中，其寻找路径的过程可以具体为：计算所述临时事件与所述路径图中的原始路径的距离；将所述距离与预设阈值相比较；当所述距离小于所述预设阈值时，则判断所述原始路径上有所述临时事件，将所述原始路径作为所述路径。预设阈值是人为设定的，比较距离和预设阈值的大小，确定临时事件的归属路径，进而确定有临时事件发生的路径。

步骤103：调用预训练的分类器，判断所述用户是否属于偏好所述临时事件的用户类别，所述分类器包含偏好临时事件以及非偏好临时事件的两类用户；

确定路径图中有临时事件发生的路径之后，临时事件可能属于用户的偏好，也可能不属于用户的偏好，考虑临时事件对用户感受的影响，可以先判断临时事件是否是用户喜爱的事件。可以根据分类器以及用户的偏好数据来判断出用户是否落在临时事件的区域，即用户是否为偏好临时事件对应的用户类别。

分类器是通过预先训练大量的样本数据获得的，分类器包含着偏好临时事件的用户集以及非偏好临时事件的用户集。训练除了可以得到分类器，还可以根据训练出来的分类器估算临时事件的事件评分，故在本发明的一些实施例中，训练的过程可以具体为：获取与所述用户具有相同兴趣爱好的历史用户的轨迹数据；根据所述轨迹数据训练得出所述分类器，所述分类器包含偏好临时事件以及非偏好临时事件的两类用户；根据所述分类器以及万有引力模型，推导出用于计算所述临时事件的所述评分的计算公式；利用所述计算公式得出所述临时事件的所述评分。将得到的用户轨迹数据、地点以及临时事件以一定的映射关系映射到一个高维空间，该高维空间可以称为种类空间（category space）。在种类空间里根据分类器以及引力模型可以得出临时事件的评分。

需要说明的是，映射之后，可以得到种类空间内相应的点。而地点和临时事件在种类空间内的点指的是种类向量，例如，当有鞋子、服装以及中餐三大种类时，将这三大种类（鞋子，服装，中餐）映射到三维空间即种类空间里，当地点特指鞋店，该地点在三维空间内可以表示为（1，0，0）。相应地，其它的临时事件以及地点也可按照相应的操作进行映射。

训练大量的样本数据以得出分类器以及临时事件的评分，需要以结合具体的场景来形象地介绍训练的过程。例如，从商店1（shop1）到达商店2（shop2）的路径附近有一个临时事件1（event1），此时用户可以直接从shop1到shop2，即路径shop1→shop2，也可以从shop1先到event1，再到shop2，即路径shop1→event1→shop2。为了判断用户的选择倾向，需要收集大量的用户轨迹数据，收集统计经过路径shop1→shop2的用户们，用集合U2表示。同样可以收集经过路径 shop1→event1→shop2的用户们，用集合U1表示。U1以及U2中的数据是用户们的偏好数据。将shop2、event1、U1以及U2映射到category space， shop2和event1两个点确定出一条直线，找出U1集合和U2集合里垂直于该直线的两条切线，得出两条切线之后，继续找出两条切线的中线。此时，该中线则为分类器，在category space里区分event1和shop2，即确定用户是选择路径shop1→shop2，还是选择路径shop1→event1→shop2。在三维种类空间内，中线为分类器，而在高维空间内，分类器应该为一个超平面。显而易见地，当地点为景点时，其训练过程和上述过程类似，在此不再赘述。

通过训练历史数据得出分类器，高维空间内的分类器为一个超平面，根据得出的超平面以及万有引力模型可以计算得出临时事件的评分。例如，找到了一对shop和event的分类器后，假设shop和event对落在超平面上的点的引力是一样的，即超平面上的点受到shop的引力和受到event的引力相等。利用万有引力模型（，G为引力常量，m、M分别为两物体质量，r为两物体距离）可以推导出临时事件的评分公式。将shop的评分和event的评分作为引力模型中的物体质量，shop的评分可以通过收集网络上的商店评分得知，例如，收集大众点评上该商店的评分。此时，临时事件的评分和r值成反比，即临时事件的评分和临时事件到超平面的距离成反比。推导出相应的计算公式，代入相应的距离即可得出临时事件的评分。训练过程得出的临时事件的评分用作后续推荐路径时的依据。

步骤104：当判断出所述用户属于所述用户类别时，则根据预训练得出的所述临时事件的评分以及预设限制条件得出所述路径的路径评分；

判断出临时事件属于用户的兴趣爱好所在，即用户属于偏好该临时事件的用户类别，为了最大化用户的体验，可以增加限制条件对推荐路径进一步地限定。该预设限制条件可以为时间限制、出发地点、用户需求以及用户兴趣爱好的任意一种或者是任意组合，预设限制条件可以为用户输入相应的限制条件，而当用户没有给出相应的限制条件时，可以将用户的兴趣爱好作为限制条件。综合衡量临时事件的评分以及预设限制条件的利弊权重，来计算每一条包含临时事件的路径的整体评分。

向用户推荐的路径是基于路径的路径评分的，路径评分由该路径上包含的临时事件的评分和预设限制条件共同决定的，故在本发明的一些实施例中，路径评分的过程可以具体为：获取所述预设限制条件；根据所述评分以及所述预设限制条件，更新所述路径的权重；利用所述权重计算出所述路径的所述路径评分。路径图是一个有向图，图中的边为有向边，根据临时事件的评分以及预设限制条件来更新边的权值。边的权值可以用来衡量为用户推荐的路径的优劣，路径的优劣用路径评分来衡量，路径评分是利用路径的权重来计算的。

步骤105：根据所述路径评分，将所述路径推荐给所述用户。

计算出路径的整体评分后，利用推荐算法将一条路径或者是多条路径推荐给用户。可以将路径评分最高的路径推荐给用户，也可以将路径评分比较高的多条路径一起推荐给用户，用户可以从推荐的多条路径自主选择路径，进一步增加用户体验。当向用户推荐多条路径时，为了尽可能地满足用户的需求，可以使推荐的多条路径上所包含的临时事件都不一样，即每一条路径上包含的临时事件都不同。显而易见地，推荐算法是本领域技术人员较熟悉的算法，在此不再赘述。

本发明实施例所提供的个性化路径推荐方法，根据用户的偏好数据从预选地点中选取出预设数量的地点；根据地点得出路径图，寻找出路径图中有临时事件的路径；调用预训练的分类器，判断所述用户是否属于偏好所述临时事件的用户类别，分类器包含偏好临时事件以及非偏好临时事件的两类用户；当判断出所述用户属于用户类别时，则根据预训练得出的临时事件的评分以及预设限制条件得出路径的路径评分；根据路径评分，将路径推荐给所述用户。在路径推荐时，考虑到推荐的路径上临时事件的发生，并且考虑到临时事件是否为用户的兴趣爱好所在，当判断出临时事件为用户的兴趣爱好所在之后，利用训练得出临时事件的评分来以及一些限制条件对路径进行整体评分，然后基于路径的整体评分将个性化路径推荐给用户。可见，本申请利用临时事件的评分来为推荐路径加分，向用户推荐包含属于用户兴趣爱好范畴的临时事件的路径，使得推荐路径上包含着一些潜在惊喜，可以最大化用户体验。

下面对本发明实施例提供的个性化路推荐装置进行介绍，下文描述的个性化路径推荐装置与上文描述的个性化推荐方法可相互对应参照。

图2为本发明实施例提供的个性化路径推荐装置的结构框图，参照图2个性化路径推荐装置可以包括：

地点筛选模块201，根据用户的偏好数据从预选地点中选取出预设数量的地点；

路径寻找模块202，根据所述地点得出路径图，寻找出所述路径图中有临时事件的路径；

判断模块203，调用预训练的分类器，判断所述用户是否属于偏好所述临时事件的用户类别，所述分类器包含偏好临时事件以及非偏好临时事件的两类用户；

路径评分模块204，当判断出所述用户属于所述用户类别时，则根据预训练得出的所述临时事件的评分以及预设限制条件得出所述路径的路径评分；

推荐模块205，根据所述路径评分，将所述路径推荐给所述用户。

可选地，所述地点筛选模块201包括：

相似度计算单元，用于分别计算所述用户的所述偏好数据和所述预选地点的相似度；

选取排序单元，用于从所述预选地点中，根据所述相似度的高低选取出从高到低地选取出所述预设数量的所述预选地点，将选取出的所述预选地点作为所述地点。

可选地，所述路径寻找模块202包括：

距离计算单元，用于计算所述临时事件与所述路径图中的原始路径的距离；

比较单元，用于将所述距离与预设阈值相比较；

确定单元，用于当所述距离小于所述预设阈值时，则判断所述原始路径上有所述临时事件，将所述原始路径作为所述路径。

可选地，还包括：

历史轨迹数据获取模块，用于获取与所述用户具有相同兴趣爱好的历史用户的轨迹数据；

分类器训练模块，用于根据所述轨迹数据训练得出分类器，所述分类器包含偏好临时事件以及非偏好临时事件的两类用户；

推导模块，用于根据所述分类器以及万有引力模型，推导出用于计算所述临时事件的所述评分的计算公式；

计算模块，用于利用所述计算公式得出所述临时事件的所述评分。

本发明实施例所提供的个性化路径推荐的装置，该装置在路径推荐时，考虑到推荐的路径上临时事件的发生，并且考虑到临时事件是否为用户的兴趣爱好所在，当判断出临时事件为用户的兴趣爱好所在之后，利用训练得出临时事件的评分来以及一些限制条件对路径进行整体评分，然后基于路径的整体评分将个性化路径推荐给用户。可见，本申请利用临时事件的评分来为推荐路径加分，向用户推荐包含属于用户兴趣爱好范畴的临时事件的路径，使得推荐路径上包含着一些潜在惊喜，可以最大化用户体验。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的个性化路径推荐的方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。