一种个性化差旅路线推荐方法及系统与流程

本发明涉及差旅路线推荐领域，特别是一种个性化差旅路线推荐方法及系统。

背景技术：

1、在传统的个性化差旅路线推荐方法中，主要使用基于内容的推荐算法或协同过滤算法。基于内容的算法通过分析用户历史行为和景点属性推荐与用户喜好相似的景点。协同过滤算法则是根据用户的历史偏好和其他用户的行为找到与用户相似的用户群体，并推荐这些用户喜欢的景点。

2、然而，这些方法存在一些不足之处。首先，数据稀疏性是个性化推荐方法的一个主要挑战，为了准确推荐用户可能喜欢的景点，个性化推荐方法通常需要大量的用户历史数据进行训练和预测。然而，在实际应用中，用户的历史数据往往是有限和稀疏的，因此推荐效果可能不尽如人意。其次，个性化推荐方法还面临着用户行为变化和新用户冷启动问题。用户的兴趣和偏好可能会随着时间的推移和外部环境的变化而发生变化。传统的方法很难准确反映用户的最新兴趣，尤其是对于新用户而言，由于缺乏足够的历史数据，很难进行个性化推荐。

技术实现思路

1、鉴于现有的个性化差旅路线推荐方法在数据稀疏性和用户行为变化及新用户冷启动问题方面的不足，提出了本发明。

2、因此，本发明所要解决的问题在于如何利用深度学习模型和大数据分析技术，综合考虑用户历史差旅数据、景点流行度、用户兴趣偏好和景点特征等多个因素，以提供更准确和精确的个性化路线推荐。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种个性化差旅路线推荐方法，其包括收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列，同时对景点进行分类以获取景点类别、景点流行度和景点位置；基于差旅序列和景点流行度计算用户对景点类别和景点本身的兴趣偏好值，以构建用户兴趣向量；使用卷积神经网络提取景点图片的视觉特征向量，将访问过此景点的所有用户的兴趣向量进行聚合以获得景点上下文信息矩阵，并提取景点上下文信息矩阵的特征以获得景点特征向量；通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值，并将用户对路线中每个景点的动态兴趣值进行叠加，以计算路线推荐评分；建立并训练个性化路线推荐模型，根据模型的预测结果对所有路线进行排序，并按照综合得分由高到低的顺序输出推荐结果；使用交互式推荐算法与用户互动，展示推荐结果并收集用户反馈以改进个性化路线推荐模型。

5、作为本发明所述个性化差旅路线推荐方法的一种优选方案，其中：构建用户兴趣向量包括以下步骤：初始化用户兴趣向量；根据景点类别c和停留总时间计算用户对景点类别c的兴趣偏好值；根据景点的流行度和用户在该景点的逗留时间计算用户对景点本身i的流行度偏好值；将用户对景点类别的兴趣偏好值和用户对景点本身的流行度偏好值按照一定的权重进行融合，以得到用户兴趣向量；用户对景点类别c的兴趣偏好值的具体公式如下：

6、

7、其中，表示用户对景点类别c的兴趣偏好值，表示用户的意愿度常数，表示与用户意愿度相关的调节参数，表示其他因素对用户意愿度的影响程度，表示用户在此景点类别所有景点的停留总时间，c表示景点类别。

8、作为本发明所述个性化差旅路线推荐方法的一种优选方案，其中：获得景点特征向量包括以下步骤：收集每个景点的代表图片，并对这些图片进行图像预处理；通过卷积神经网络对每个景点的代表图片进行特征提取以获得图像的视觉特征向量；对每个景点i，收集所有访问过此景点的用户兴趣向量，并以此构建景点i的用户兴趣矩阵；对用户兴趣矩阵进行聚合以获得景点i的上下文特征向量；将图像的视觉特征向量和上下文特征向量拼接形成景点i的原始特征原始向量；将输入至全连接网络进行特征提取以获得景点i的景点特征向量；迭代执行上述步骤，直至获取所有景点特征向量。

9、作为本发明所述个性化差旅路线推荐方法的一种优选方案，其中：用户对景点的动态兴趣值的具体公式如下：

10、

11、其中，表示用户兴趣向量，表示景点特征向量，和表示调节参数。

12、路线推荐评分的具体公式如下：

13、

14、其中，表示路线上景点j的动态兴趣值，表示路线上的景点数量。

15、作为本发明所述个性化差旅路线推荐方法的一种优选方案，其中：建立并训练个性化路线推荐模型包括以下步骤：建立个性化路线推荐模型；将用户的历史差旅数据划分为训练集和测试集；通过反向传播算法和梯度下降优化算法对个性化路线推荐模型进行训练更新，使模型能够准确地预测用户对不同路线的喜好程度；将用户兴趣向量、景点特征向量、路线推荐评分、用户出发地坐标以、用户目的地坐标以及预算金额输入训练好的个性化路线推荐模型，得到对所有路线的预测结果；根据预测路线评分进行排序，并输出满足用户出发和目的地要求的个性化路线进行推荐；通过梯度下降优化算法对个性化路线推荐模型进行训练更新的具体公式如下：

16、

17、其中，表示损失函数，表示学习率，表示t轮参数，表示训练样本总数。

18、作为本发明所述个性化差旅路线推荐方法的一种优选方案，其中：使用交互式推荐算法与用户互动包括以下步骤：将模型输出的个性化路线展示给用户，收集用户对推荐路线的反馈；让用户给每条路线进行打分以表示喜好程度，并将客户对条路线的分数进行相加得到满意度总分；收集用户对每条路线的打分，其中表示第条路线的打分；根据满意度总分将用户满意度划分为4个等级，根据用户满意度等级执行相对应的交互策略以改进个性化路线推荐模型；用户满意度等级包括低级满意度、中低级满意度、中高级满意度以及高级满意度。

19、作为本发明所述个性化差旅路线推荐方法的一种优选方案，其中：交互策略包括以下内容：低级满意度，当时，表示用户非常不满意，系统将允许用户自定路线，并利用用户自定义路线信息来挖掘潜在的需求，同时根据用户的需求和偏好生成完全不同的新路线，并通过用户反馈调整模型结构和重新训练个性化路线推荐模型，直至用户的满意度达到中高级满意度以上；中低级满意度，当时，表示用户不太满意，系统会根据用户反馈替换部分景点，同时调整景点顺序和停留时间以提升用户体验，并进行在线问卷调查分析用户不满意的原因，同时根据用户反馈和调查结果调整个性化路线推荐模型的参数和特征权重，直至用户满意度达到中高级满意度以上；中高级满意度，若时，表示用户比较满意，系统将根据用户反馈提出景点替换建议和微调景点顺序，并随机选取部分用户进行轻度的交互，根据抽样用户的反馈进行个性化路线推荐模型的微调和迭代更新；高级满意度，若时，表示用户非常满意，系统将鼓励用户分享推荐，并赠送红包和优惠券作为回馈，同时跟踪长期满意用户的特征，根据用户反馈强化个性化路线推荐模型效果，保存模型并持续监控效果。

20、第二方面，本发明实施例提供了一种个性化差旅路线推荐系统，其包括：数据收集与整理模块，用于收集用户的历史差旅数据并按时间顺序重新组织成多个差旅序列，同时对景点进行分类以获取景点类别、景点流行度和景点位置；用户兴趣向量构建模块，用于基于差旅序列和景点流行度计算用户对景点类别和景点本身的兴趣偏好值，以构建用户兴趣向量；景点特征向量提取模块，用于使用卷积神经网络提取景点图片的视觉特征向量，将访问过此景点的所有用户的兴趣向量进行聚合以获得景点上下文信息矩阵，并提取景点上下文信息矩阵的特征以获得景点特征向量；动态兴趣值计算与路线评分模块，用于通过计算用户兴趣向量与景点特征向量的相似度确定用户对景点的动态兴趣值，并将用户对路线中每个景点的动态兴趣值进行叠加，以计算路线推荐评分；个性化路线推荐模块，用于建立并训练个性化路线推荐模型，根据模型的预测结果对所有路线进行排序，并按照综合得分由高到低的顺序输出推荐结果；用户交互与反馈模块，用于使用交互式推荐算法与用户互动，展示推荐结果并收集用户反馈以改进个性化路线推荐模型。

21、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的个性化差旅路线推荐方法的步骤。

22、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的个性化差旅路线推荐方法的步骤。

23、本发明有益效果为：本发明结合用户历史差旅数据、景点流行度、用户兴趣偏好和景点特征等多个因素，实现更准确和精确的个性化路线推荐；通过收集和分析用户的历史差旅数据，并结合景点流行度和用户兴趣向量计算，本发明能够准确把握用户的动态兴趣偏好；本发明通过与用户的交互和收集用户反馈，不断改进和优化个性化推荐模型，并根据用户的满意度等级和反馈意见，进行相应的模型调整和更新以提升推荐效果并满足用户的期望。