本申请涉及信息处理领域，特别是涉及一种旅游信息推荐方法和装置。
背景技术：
目前，关于旅游方面的应用程序(app)在为用户推荐旅游景点时，一般采用如下几种方法。一种方法是需要用户自行选择想去的目标景点，根据用户的选择推荐景点并且制作行程表，该方法需要用户输入目标景点后进行计算，当用户不知道想去哪个景点或者不太清楚景点信息时，该方法并不适用，因此实用性较低，不适合一般大众。还有一种方法由旅行社的专业定制师通过人工来完成，首先，定制师需要了解大量的旅游信息与资讯，对各地的特点非常了解；其次，定制师需要花费大量的时间与用户沟通并根据沟通结果对推荐的景点进行调整，该方法需要花费大量的人力资源，效率很低。
技术实现要素：
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面，提供了一种旅游信息推荐方法，该方法包括：
用户信息获取步骤：获取第一用户数据，所述第一用户数据包括第一用户的身份信息和用户历史信息；
推荐信息生成步骤：将所述第一用户数据输入经过训练的深度神经网络，生成旅游信息推荐结果，所述旅游信息推荐结果表征所述第一用户将去至少一个景点旅游的概率；
其中，深度神经网络通过训练步骤得到，所述训练步骤包括：
用户数据标注步骤：对于用户集合中的每一个用户，获取该用户的旅游历史数据，将所述旅游历史数据中发生在时间点t之前的数据作为训练数据的输入数据，将所述时间点t后该用户到过的第一个旅游景点和该旅游景点之外的其他景点分别进行标记，得到实际旅游结果数据；
景点数据获取步骤：对于景点集合中的每一个景点，获取景点数据，所述景点数据包括该景点的基本信息数据和每一个用户对该景点的行为数据；
模型预测步骤：将所述景点数据、所述每一个用户的身份信息和该用户的所述训练数据输入到深度神经网络中，得到所述每一个用户去每个景点旅游的概率集合；
模型修正步骤：将所述实际旅游结果数据和概率集合进行比对，对所述深度神经网络进行修正，得到所述经过训练的深度神经网络。
该方法采用机器学习的方法，通过景点图片及社交分享等方法获取并且分析用户的行为数据，自动为用户推荐旅游景点，用户无需事先选择要去的旅游景点就能得到符合用户内心期望的结果，节省了用户的时间，带来了全新的更好的用户体验。社交分享等在本申请的数据分析中占有重要的地位，能够为模型提供数据来源，并且为捕捉用户行为提供了良好的平台。
可选地，所述模型预测步骤包括：
输入步骤：将所述训练数据和所述景点数据输入到所述深度神经网络的输入层；
处理步骤：将所述训练数据中的每一项数据和所述景点数据中的每一项数据分别转化为对应的特征数据；
转化步骤：将与所述训练数据对应的特征数据转化为用户特征矩阵，并且将与所述景点数据对应的特征数据转化为景点特征矩阵；
关联步骤：将所述用户特征矩阵与每一个景点的景点特征矩阵相关联，计算所述用户特征矩阵所代表的用户去该景点的概率；
输出步骤：计算所述用户集合中的每一个用户去每个景点旅游的概率集合并输出所述概率集合。
通过该方法能够训练出更加符合用户习惯、与用户近期的行为和心理一致的深度神经网络模型，从而使得通过该模型进行预测的结果更加准确。
可选地，所述模型修正步骤包括：
数据类型转化步骤：将所述概率集合中的概率数据与预设的阈值进行比较，将所述概率数据转化为整数类型的数据；
残差计算步骤：将所述整数类型的数据与所述实际旅游结果数据进行比较，得到残差数据；
修正步骤：利用所述残差数据通过反向神经传播对所述深度神经网络进行修正。
该方法通过对用户的实际行为进行分析并作为反馈结果对模型进行修正，从而使模型更加准确，计算出更加接近用户的真实要求和期望的旅游推荐结果。
可选地，该方法在所述推荐信息生成步骤后还包括：
景点优选步骤：每隔预定的时间间隔或者响应于所述第一用户的路线规划指令，根据所述旅游信息推荐结果中包括的至少一个景点和所述第一用户对所述至少一个景点的行为数据确定优选景点；
路线规划步骤：根据目标函数和约束条件，对所述优选景点进行路径规划，生成旅行线路。
该方法在推荐旅游景点后还增加了路线规划步骤，将旅游心理学的观点融入该方法的设计当中，使得结果更加符合用户需求。
可选地，该方法在所述路线规划步骤后还包括：
用户意向判断步骤：判断所述旅行线路是否符合所述第一用户的预期，如果是，则执行线路确定步骤，如果否，则执行景点标注步骤；
路线确定步骤：判断所述旅行线路是否需要修改，如果需要修改，则根据所述第一用户对所述旅行线路中的景点的修改，重新规划路径；
景点标记步骤：根据所述第一用户的反馈，将所述优选景点标记为所述第一用户的行为数据，以便作为所述训练步骤所需的数据。
通过该方法能够获得用户真实的反馈数据，将该数据作为修正模型的数据能够使得模型更加准确。
根据本申请的另一个方面，提供了一种旅游信息推荐装置，包括：
用户信息获取模块，其配置成获取第一用户数据，所述第一用户数据包括第一用户的身份信息和用户历史信息；
推荐信息生成模块，其配置成将所述第一用户数据输入经过训练的深度神经网络，生成旅游信息推荐结果，所述旅游信息推荐结果表征所述第一用户将去至少一个景点旅游的概率；
其中，深度神经网络通过训练模块得到，所述训练模块包括：
用户数据标注模块，其配置成对于用户集合中的每一个用户，获取该用户的旅游历史数据，将所述旅游历史数据中发生在时间点t之前的数据作为训练数据的输入数据，将所述时间点t后该用户到过的第一个旅游景点和该旅游景点之外的其他景点分别进行标记，得到实际旅游结果数据；
景点数据获取模块，其配置成对于景点集合中的每一个景点，获取景点数据，所述景点数据包括该景点的基本信息数据和该用户对该景点的行为数据；
模型预测模块，其配置成将所述训练数据和所述景点数据输入到深度神经网络中，得到所述用户集合中的每一个用户去每个景点旅游的概率集合；
模型修正模块，其配置成将所述实际旅游结果数据和概率集合进行比对，对所述深度神经网络进行修正，得到所述经过训练的深度神经网络。
该装置采用机器学习的方法，通过获取并且分析用户的行为数据，自动为用户推荐旅游景点，用户无需事先选择要去的旅游景点就能得到符合用户内心期望的结果，节省了用户的时间，带来了全新的更好的用户体验。
可选地，所述模型预测模块包括：
输入模块，其配置成将所述训练数据和所述景点数据输入到所述深度神经网络的输入层；
处理模块，其配置成将所述训练数据中的每一项数据和所述景点数据中的每一项数据分别转化为对应的特征数据；
转化模块，其配置成将与所述训练数据对应的特征数据转化为用户特征矩阵，并且将与所述景点数据对应的特征数据转化为景点特征矩阵；
关联模块，其配置成将所述用户特征矩阵与每一个景点的景点特征矩阵相关联，计算所述用户特征矩阵所代表的用户去该景点的概率；
输出模块，其配置成计算所述用户集合中的每一个用户去每个景点旅游的概率集合并输出所述概率集合。
可选地，该装置在所述推荐信息生成装置后还连接有：
景点优选模块，其配置成每隔预定的时间间隔或者响应于所述第一用户的路线规划指令，根据所述旅游信息推荐结果中包括的至少一个景点和所述第一用户对所述至少一个景点的行为数据确定优选景点；
路线规划模块，其配置成根据目标函数和约束条件，对所述优选景点进行路径规划，生成旅行线路。
根据本申请的另一个方面，提供了一种计算机设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的旅游信息推荐方法。
根据本申请的另一个方面，提供了一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上所述的旅游信息推荐方法。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本申请的旅游信息推荐方法的一个实施例的流程图；
图2是根据本申请的方法的训练步骤的一个实施例的流程图；
图3是根据本申请的方法的模型预测步骤的一个实施例的流程图；
图4是根据本申请的方法的模型修正步骤的一个实施例的流程图；
图5是根据本申请的旅游信息推荐方法的另一个实施例的流程图；
图6是根据本申请的深度神经网络的一个实施例的框图；
图7是根据本申请的旅游信息推荐装置的一个实施例的框图；
图8是根据本申请的装置的训练模块的一个实施例的框图；
图9是根据本申请的装置的模型预测模块的一个实施例的框图；
图10是根据本申请的旅游信息推荐装置的另一个实施例的框图。
具体实施方式
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
根据本申请的一个方面，提供了一种旅游信息推荐方法。图1是根据本申请的旅游信息推荐方法的一个实施例的流程图。该方法包括：
用户信息获取步骤：获取第一用户数据，所述第一用户数据包括第一用户的身份信息和用户历史信息；
推荐信息生成步骤：将所述第一用户数据输入经过训练的深度神经网络，生成旅游信息推荐结果，所述旅游信息推荐结果表征所述第一用户将去至少一个景点旅游的概率。
第一用户数据用于描述用户的基本信息和历史信息，基本信息可以是身份信息，基本信息可以包括以下数据中的一种或者多种：用户标识信息(用户id)、姓名、性别、年龄、职业、家庭状况、用户标签。用户标签可以包括旅游偏好和个人爱好例如：探险、运动、沙滩、休闲、观光、活动、文化、探险、聚会、人、食物、海洋、山河、自然、城市、博物馆、旅行、安静、背包、户外、建筑、湖泊、日落、森林、日出、温暖、寒冷等。历史信息用于描述用户在的社交平台上的行为历史例如，社交平台可以包括社交网站和/或应用程序(app)。该历史信息可以包括以下数据中的一种或者多种：用户旅游历史数据、用户与旅游相关的检索记录、消费习惯、及关注内容。在一个优选实施方案中，用户旅游历史数据可以用于描述用户在上的旅游历史。例如，用户去过的每个景点的“特征”。例如，用户在社交平台上发表的关于该用户去哪些景点旅游的记录，该数据可以是图片和/或文字，文字可以包括日志、留言、发表的状态等。用户检索数据可以包括用户在社交平台上对某个景点或者与该景点相关的信息进行检索的记录。与该景点相关的信息可以包括以下数据中的一种或者多种：景点周围的美食、住宿、交通、车票、与该景点相关的其他景点。
然后，将所述第一用户数据输入经过训练的深度神经网络，生成旅游信息推荐结果，所述旅游信息推荐结果表征所述第一用户将去至少一个景点旅游的概率。如果得到用户将去多个景点的概率，则将概率按照从大到小的顺序排序。可以优先推荐和显示概率最高的景点，也可以显示前若干个景点。
深度神经网络模型也称多层感知器模型，是一种具有前向结构的人工神经网络，映射一组输入数据到一组输出数据。其可以被看作是一个有向图，由多个节点层组成，每一层全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元(或称处理单元)。深度神经网络一般包括输入层、隐藏层和输出层，其中隐藏层包括至少一层，也可以是两层以上。神经网络的流程分为前向过程和反向过程。前向过程一般用于预测，反向过程一般用于训练。
在前向过程中，每个神经元上都具有针对一个输入的权值、偏置和激活函数。激活函数可以包括identity、sigmoid、relu及其变体中的一种或几种。在使用该深度神经网络进行预测的过程中，将所述数据输入输入层，即第一层，经过神经元运算后得到输出结果，然后，将第一层的输出结果作为第二层的输入，以此类推，直到输出层输出最终结果。如果该深度神经网络是训练好的，则权值和偏置已经确定。对于一个新的输入，通过上述过程，能够输出预测结果。在本申请中，深度神经网络中建立了用户数据与景点数据之间的关联关系，因此将所述第一用户数据输入深度神经网络，能够得到旅游信息推荐结果，该结果可以表征所述第一用户将去至少一个景点旅游的概率。
在反向过程中，深度神经网络通过如下训练步骤得到，图2是根据本申请的方法的训练步骤的一个实施例的流程图。所述训练步骤包括：
用户数据标注步骤：对于用户集合中的每一个用户，获取该用户的旅游历史数据，将所述旅游历史数据中发生在时间点t之前的数据作为训练数据的输入数据，将所述时间点t后该用户到过的第一个旅游景点和该旅游景点之外的其他景点分别进行标记，得到实际旅游结果数据。训练数据也可以包括用户的基本信息。
用户集合可以是注册一个或者多个和旅游相关的社交平台的所有用户。在一个可选的实施方案中，该社交平台可以是根据本申请的需求研发的特定平台，该平台可以是以旅游为主题的平台，用户可以在该平台上发表与旅游相关的文章、图片、评论，此外，用户还可以点赞、点击平台推荐的连接、支付等等。
用户的旅游历史数据可以是用户在该平台上进行操作后已经产生的与旅游相关的数据。以某个时间点，例如时间点t为节点，将该旅游历史数据分成两个部分，将所述旅游历史数据中发生在时间点t之前的数据进行提取，将该数据作为训练数据的输入数据。对所述时间点t后直至当前时刻之间的旅游历史数据进行分析，能够得到该用户是否去某个或某些景点旅游。如果用户到过至少一个旅游景点，则将该用户去到的第一个旅游景点标记为1，将其他旅游景点标注为0，其他景点可以是用户在去过第一个领域景点之后去过的，也可以是用户没有去过的。该没有去的旅游景点可以是去过的旅游景点周围一定范围内的景点。可以理解的是，也可以采用其他的标识方式，只要能够将去过的第一个旅游景点和其他旅游景点区分开来即可。将各个景点进行标记后，所得到的结果是实际旅游结果数据。对于一个用户，可以设置若干个时间点t，例如，t可以取2015年1月1日，2016年7月1日等等，通过这样的方式可以将一个用户的整个数据生成多个训练数据，形成多个样本，从而增加训练数据集的数据量，使得深度神经网络模型的训练结果更加准确。
所述训练步骤还包括：景点数据获取步骤。对于景点集合中的每一个景点，获取景点数据，所述景点数据包括该景点的基本信息数据和每一个用户对该景点的行为数据；
景点集合可以包括：该用户所在的国家范围内的景点、世界范围内的景点和活动场地。其中，活动场地包括但不限于：联谊聚会场所，演唱会场地，时装秀场地等。景点的基本信息数据可以包括以下数据中的一种或者几种：景点标识信息(景点id)、景点类型、文章、图片、评分、评论。其中，文章包括描述和/或介绍该景点的文章，介绍该景点内店铺、商家的文章。文章可以是日志。评论包括对景点、文章、图片、景点周边的评论。日志和评论的智能分析可以采用语义分析技术实现。景点的基本信息数据是针对用户集合中所有用户进行的统计分析。
所述用户集合中的用户对该景点的行为数据也可以被称为用户依赖数据，该行为数据表征该用户对于该景点的依赖程度。例如，对于第一用户，在进行景点数据获取步骤时，对于某个景点，该行为数据包括第一用户对该景点的点赞，浏览与该景点有关的文章、图片的时长、次数、评论。行为数据是针对数据标记步骤中的某一用户的行为进行的统计分析。
所述训练步骤还包括：模型预测步骤。将所述景点数据、所述每一个用户的身份信息和该用户的所述训练数据输入到深度神经网络中，得到所述每一个用户去每个景点旅游的概率集合。
图3是根据本申请的方法的模型预测步骤的一个实施例的流程图。在一个可选实施方案中，所述模型预测步骤可以包括：输入步骤：将所述训练数据和所述景点数据输入到所述深度神经网络的输入层。
所述模型预测步骤还可以包括处理步骤：将所述训练数据中的每一项数据和所述景点数据中的每一项数据分别转化为对应的特征数据。特征数据可以是向量的形式。每一项数据与特征数据是一一对应的关系。例如，将id信息转化为id特征，将文章在转化为文章特征。输入层将输入的数据进行处理后，将得到的特征数据传输到隐藏层。对于用户的旅游历史数据和用于与旅游相关的检索记录这两种数据，在输入时，可以输入多个记录，在处理步骤中得到的特征数据是多个记录的平均特征数据。以用户的旅游历史数据为例，由于在某一个时间段内，旅游历史数据量可能很大，对每一条旅游历史数据进行特征转化时，均能得到一个向量，由于模型对数据输入格式的限制，在进行模型训练时，将一个用户的多个每一条旅游历史数据对应的特征数据取平均值后得到的平均特征数据代入深度神经网络进行运算。通过将旅游历史数据求和再取均值的方式得到“用户旅游历史信息特征”，所得结果既可以满足模型对数据格式的要求，也能体现所有的旅游历史。
所述模型预测步骤还可以包括转化步骤：将与所述训练数据对应的特征数据转化为用户特征矩阵，并且将与所述景点数据对应的特征数据转化为景点特征矩阵。转化步骤可以在隐藏层进行，隐藏层对特征数据进一步进行计算和处理，得到特征矩阵，计算所使用的隐藏层可以是一层，也可以是多层。可选地，与用户相关的所有特征数据可以被转化为一个用户特征矩阵，与景点相关的所有特征数据可以被转化为一个景点特征矩阵。
所述模型预测步骤还可以包括关联步骤：将所述用户特征矩阵与每一个景点的景点特征矩阵相关联，计算所述用户特征矩阵所代表的用户去该景点的概率。关联步骤也可以在在隐藏层进行。
所述模型预测步骤还可以包括输出步骤：计算所述用户集合中的每一个用户去每个景点旅游的概率集合并输出所述概率集合。该步骤可以在输出层进行。在训练过程中，深度神经网络的输出层输出的是概率，其表征了用户去该景点旅游的可能性。
图6是根据本申请的深度神经网络的一个实施例的框图，可选地，深度神经网络模型包括三层，在该图中，最低层表示输入层，倒数第二次层为隐藏层，倒数第三层为输出层。输入层中的部分数据与隐藏层中处理的数据通过全连接层连接，例如，训练数据中的用户id、性别、职业、年龄、旅游偏好、用户的旅游历史数据、用户检索记录，以及景点数据中的景点id、景点类型、景点名称、评分、评论、点赞和第一用户对景点的点赞、对图片或日志浏览的时长和次数。对于景点数据中的日志，输入层和隐藏层之间采用卷积神经网络(cnn)连接。对于景点数据中的图片，输入层和隐藏层之前采用递归神经网络(rnn)连接。该图中“用户景点相关度”为概率值。训练模型的损失函数是交叉熵。在输入n个景点信息后，可得n个“用户景点相关度特征”概率值，根据该概率值进行排序。用户特征与用户景点相关度特征之间采用softmax激活函数实现，该函数可以应用于多层神经网络、卷积神经网络等不同种类的神经网络中。
本申请通过深度学习提取特征，例如使用深度神经网络模型计算用户与景点的关联性。在模型隐藏层中特征相近的数据将会逐渐靠近，最后得到特征矩阵，输出层可以对景点和/或活动进行排序并向用户推荐。
所述训练步骤还包括：模型修正步骤。图4是根据本申请的方法的模型修正步骤的一个实施例的流程图。在修正步骤中，将所述实际旅游结果数据和概率集合进行比对，对所述深度神经网络进行修正，得到所述经过训练的深度神经网络。
其中，所述模型修正步骤包括数据类型转化步骤：将所述概率集合中的概率数据与预设的阈值进行比较，将所述概率数据转化为整数类型的数据。该步骤的目的是将概率数据与实际旅游结果数据的类型一致。
所述模型修正步骤还包括残差计算步骤：将所述整数类型的数据与所述实际旅游结果数据进行比较，得到残差数据。可以将概率数据转化为整数后与实际旅游结果作差，得到残差数据。
所述模型修正步骤还包括修正步骤：利用所述残差数据通过反向神经传播对所述深度神经网络进行修正。修正方法可以包括：异常值检验、方差齐性检验、误差的正态性检验、相关性检验以及相伴随的方差稳定化变换，正态化变换等。
通过该方法，不需要用户输入想要去的目标景点，也不要专门的规划师对用户进行咨询，通过对用户的行为进行分析就能自动分析出客户想要去的旅游景点。本方法在设计时考虑了旅游心理学的知识，因此更加智能和人性化，推荐结果也较为准确。
参见图1，可选地，该方法在所述推荐信息生成步骤后还可以包括景点优选步骤和路线规划步骤。景点优选步骤包括：每隔预定的时间间隔或者响应于所述第一用户的路线规划指令，根据所述旅游信息推荐结果中包括的至少一个景点和所述第一用户对所述至少一个景点的行为数据确定优选景点。该路线规划步骤根据目标函数和约束条件，对所述优选景点进行路径规划，生成旅行线路。
在推荐旅游景点步骤后可以采用两种方法进行路径规划。第一种是采用定期推荐旅游路线的方法。例如，每隔固定的时间间隔，例如，一个星期或者一个月，根据旅游信息推荐结果，根据其中的一个或者几个旅游景点进行路径规划。在采用多个景点进行规划时，这些景点优选地属于一个城市或者距离比较近。例如，根据周末、短假期、长假期的时间长度为用户选择景点的个数、景点名称，并且进行路径规划。采用该方法，能够节省用户时间，并且能够为用户提供切实可行的出行方案。
在另一个可选的实施方案中，可以采用区域化路径推荐的方法。在该实施方案中，用户可以选择至少一个城市或者一个区域范围，然后系统从推荐旅游景点中选择属于该城市或者该区域范围的景点进行路径规划。采用该方法，制定出的旅游线路更加符合用户心理预期。
可选地，该方法也可以在所述推荐信息生成步骤直接进行路线规划步骤。该路线规划步骤包括：根据目标函数和约束条件，对所述旅游信息推荐结果中包括的全部或者部分景点进行路径规划，生成旅行线路。
采用该方法，能够根据用户的行为数据进行智能分析得到旅游景点概率，根据旅游景点概率进行路径规划，该方法将用户行为与旅游心理学进行了结合，更加符合用户的需求和心理预期。
在一个可选的实施方案中，路径规划的目标函数可以如公式(1)所示：
其中，r为规划的总体距离最小的路径，cij为景点i到景点j的距离，xij表示从景点i到景点j是否存在路径，如果xij＝1，表示两个景点之间存在连通的路径，如果xij＝0，则表示，两个景点之间不存在路径，n表示景点的总数。
该目标函数的约束条件包括：
0≤xij≤1,i＝1,...,n,j＝1,...,n(2)
其中，公式(3)表示其他景点中只有一个景点到达景点j，公式(4)表示从景点i出发只能到达其他景点中一个景点。
可选地，该目标函数的约束条件还可以包括以下条件中的至少一个：
(1)景点开放时间，该数据可以从用户在本申请的社交平台上发表的文章、评论、其他网站或者渠道获得；
(2游览景点所需的时间，该时间可以是通常情况下游览某个景点所需的时间或者采用统计情况下，计算多个用户浏览该景点时间的平均值；
(3)交通工具，该约束条件可以根据用户的选择确定，也可以根据对其他用户的分析确定，或者根据该用户的旅游历史数据、检索记录等分析得到该用户的旅游出行习惯；
(4)用户的最大承载量，最大承载量表明该用户每天外出时间的最大时长。该数据可以通过机器学习计算对用户历史旅游偏好学习并预测得到，也可以通过行程安排，如航班信息来获取。例如，如果通过机器学习计算，分析出该用户为悠闲型，则表明其最大承载量偏小，则可以每天给该用户安排较少的景点；如果该用户是打卡型，则其最大承载量偏大，则可以每天给该用户安排较多的景点。
(5)行程的起始点和终点，可以理解的是，起始点和终点可以相同也可以不同，该数据可通过用户定义来获取；
(6)一天路程长度或者路程时间的总量不超过第一阈值。路程长度或时间的总量不包括参观景点的路程和时间。第一阈值可以由机器学习对用户历史旅游数据进行预测而获取，或者通过用户自定义获取。
(7)一天参观景点时间总量不超过第二阈值。参观景点时间总量不包括路程上消耗时间。第二阈值可以由机器学习对用户历史旅游数据预测获取，或用户自定义获取。可以理解的是，也可以将第6点和第7点结合形成一个约束条件。
(8)进程关联度。具体地，例如：如果用户要求景点a必须排在景点b之前参观，系统则判断限制条件。例如，根据应用场景确定景点的优先级。其中，应用场景可以是时间。如果时间有限，则景点a和景点b相比，景点a的优先级高于景点b，景点b可以不在路径规划结果当中。优先级的数据可以通过旅游信息推荐结果中对景点的排序获取。
图5是根据本申请的旅游信息推荐方法的另一个实施例的流程图。该实施例中，旅游信息推荐方法在所述路线规划步骤后还可以包括：
用户意向判断步骤：判断所述旅行线路是否符合所述第一用户的预期，如果是，则执行线路确定步骤，如果否，则执行景点标注步骤；
路线确定步骤：判断所述旅行线路是否需要修改，如果需要修改，则根据所述第一用户对所述旅行线路中的景点的修改，重新规划路径；
景点标记步骤：根据所述第一用户的反馈，将所述优选景点标记为所述第一用户的行为数据，以便作为所述训练步骤所需的数据。
根据本申请的另一个方面，还提供了一种旅游信息推荐装置，图7是根据本申请的旅游信息推荐装置的一个实施例的框图。该装置包括：
用户信息获取模块，其配置成获取第一用户数据，所述第一用户数据包括第一用户的身份信息和用户历史信息；
推荐信息生成模块，其配置成将所述第一用户数据输入经过训练的深度神经网络，生成旅游信息推荐结果，所述旅游信息推荐结果表征所述第一用户将去至少一个景点旅游的概率；
其中，深度神经网络通过训练模块得到，所述训练模块包括：
用户数据标注模块，其配置成对于用户集合中的每一个用户，获取该用户的旅游历史数据，将所述旅游历史数据中发生在时间点t之前的数据作为训练数据的输入数据，将所述时间点t后该用户到过的第一个旅游景点和该旅游景点之外的其他景点分别进行标记，得到实际旅游结果数据；
景点数据获取模块，其配置成对于景点集合中的每一个景点，获取景点数据，所述景点数据包括该景点的基本信息数据和该用户对该景点的行为数据；
模型预测模块，其配置成将所述训练数据和所述景点数据输入到深度神经网络中，得到所述用户集合中的每一个用户去每个景点旅游的概率集合；
模型修正模块，其配置成将所述实际旅游结果数据和概率集合进行比对，对所述深度神经网络进行修正，得到所述经过训练的深度神经网络。
该装置采用机器学习的方法，通过获取并且分析用户的行为数据，自动为用户推荐旅游景点，用户无需事先选择要去的旅游景点就能得到符合用户内心期望的结果，节省了用户的时间，带来了全新的更好的用户体验。
图8是根据本申请的装置的训练装置的一个实施例的框图。在该实施例中，模型修正模块包括：
数据类型转化模块，其配置成用于将所述概率集合中的概率数据与预设的阈值进行比较，将所述概率数据转化为整数类型的数据；
残差计算模块，其配置成用于将所述整数类型的数据与所述实际旅游结果数据进行比较，得到残差数据；
修正模块，其配置成用于利用所述残差数据对所述深度神经网络进行修正。
图9是根据本申请的装置的模型训练装置的一个实施例的框图。可选地，所述模型预测模块包括：
输入模块，其配置成将所述训练数据和所述景点数据输入到所述深度神经网络的输入层；
处理模块，其配置成将所述训练数据中的每一项数据和所述景点数据中的每一项数据分别转化为对应的特征数据；
转化模块，其配置成将与所述训练数据对应的特征数据转化为用户特征矩阵，并且将与所述景点数据对应的特征数据转化为景点特征矩阵；
关联模块，其配置成将所述用户特征矩阵与每一个景点的景点特征矩阵相关联，计算所述用户特征矩阵所代表的用户去该景点的概率；
输出模块，其配置成计算所述用户集合中的每一个用户去每个景点旅游的概率集合并输出所述概率集合。
参见图7，可选地，该装置在所述推荐信息生成装置后还连接有：
景点优选模块，其配置成每隔预定的时间间隔或者响应于所述第一用户的路线规划指令，根据所述旅游信息推荐结果中包括的至少一个景点和所述第一用户对所述至少一个景点的行为数据确定优选景点；
路线规划模块，其配置成根据目标函数和约束条件，对所述优选景点进行路径规划，生成旅行线路。
图10是根据本申请的旅游信息推荐装置的另一个实施例的框图。可选地，在该装置中，所述路线规划模块还连接有：
用户意向判断模块，判断所述旅行线路是否符合所述第一用户的预期，如果是，则执行线路确定模块，如果否，则执行景点标注模块；
路线确定模块，其配置成用于判断所述旅行线路是否需要修改，如果需要修改，则根据所述第一用户对所述旅行线路中的景点的修改，重新规划路径；和
景点标记模块，其配置成用于根据所述第一用户的反馈，将所述优选景点标记为所述第一用户的行为数据，以便作为所述训练步骤所需的数据。
本申请采用利用人工智能代替人进行决策，先通过特定渠道获取数据信息，最终实现全自动化生成符合用户图像的个性化旅行路线的推荐功能。
本申请通过社交平台获取用户的旅行行为特征，这些信息从用户的旅游行为及社交行为中获取。本申请主要利用人工智能进行预测和推荐，并且利用线性规划算法来进行路径规划。本申请在景点推荐部分，利用旅游心理学的基本理论对用户的旅行行为特征进行验证及解释，采用机器学习算法实现对用户进行旅游行为的预测和推荐。使用本发明的方法和装置，能够节省用户的时间，并且能够根据用户的行为自动为其推荐景点信息和路径信息，更加方便、快捷和人性化。本申请在路径规划方面，通过整数线性规划算法针对用户在旅行过程中的行进方式制定旅行路线。由于人工智能在精准计算方面并不具备非常强的优势，因此本申请结合线性规划算法来计算需要精准运算的部分，从而真正实现了“定制”的效果。算法考虑的主要参数包括：用户在用户终端自行选择去的景点或用人工智能预测得到的用户最优选择的景点、将会选择的通工具的类型、到达的景点、用户最有可能选项的路径、用户对景点观看的时间要求等等。利用目标函数和约束条件进行路径规划，设计模拟路线。再通过本平台的设计，获取对应的用户的反馈及要求，例如是否需要修改该路线、时间安排是否合理、用户是否愿意购买该路线上的景点门票或者交通票并参考该路线出行等，初步确定结果。由于现有的技术在路径规划时，仅采用了线性规划方法，而本申请是将人工智能和路径规划进行了结合，因此能够得到更加精准的计算结果，从而满足不同类型的客户的需要。
通过本平台中移动互联网应用，能够获得大量的用户反馈，再以此修改特征数据，对算法参数进行优化。一旦用户确定最终路线并且参考路线进行旅游活动，平台也将能够通过大数据收集，例如用户对景点的评价，其他用户推荐的沿途餐馆，更加准确的交通信息等。
根据本申请的另一个方面，还提供了一种计算机设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的旅游信息推荐方法中的任意一个。
根据本申请的另一个方面，还提供了一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上所述的旅游信息推荐方法中的任意一个。
根据本申请的另一个方面，还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行上述旅游信息推荐方法中的任意一个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。
专业人员应该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申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(英文：non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(英文：magnetictape)，软盘(英文：floppydisk)，光盘(英文：opticaldisc)及其任意组合。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。