[发明专利]一种基于混合式监督学习的旅游景点推荐方法及装置

说明书

本发明提出一种基于混合式监督学习的旅游景点推荐方法，包括：获取游客历史游览数据；构建景点知识图谱；对景点知识图谱根据景点的属性类别进行相应的属性子图抽取；生成景点序列；对景点序列进行训练将景点序列映射到低维向量空间中，生成特征向量；对每个景点在不同属性下的向量进行相加平均得到每个景点的融合语义特征向量；学习游客向量和景点潜在向量；将所述游客向量和融合语义特征通过矩阵分解得到第一交互向量；利用多层感知机得到游客向量和景点潜在向量的第二交互向量；将第一交互向量与第二交互向量拼接并做归一化处理得到游客对景点的评分；将游客对景点的评分从高到低排序，取前K个分数最高对应的景点，得到top_k景点推荐列表。

技术领域

本发明涉及机器学习、知识图谱以及智能推荐等技术领域，具体是涉及一种基于混合式监督学习的旅游景点推荐方法及装置。

背景技术

根据中国旅游局相关数据可知，近年来，中国人民出行旅游次数逐年上涨。人民对于个性化旅游推荐的需求变得越来越大。推荐系统的目的旨在根据用户的偏好以及商品的特征帮助用户推荐其可能喜欢的商品，进而提高推荐效率和用户满意度。传统的推荐系统虽然能够给用户提供一些推荐，但用户在海量的旅游信息推荐面前，反而难以做出抉择。因此，一个能够根据用户画像以及历史游玩信息做出准确推荐的旅游推荐系统显得至关重要。

根据以往的推荐系统研究，大致可以分为两类，一类是无监督式学习，如基于Word2vec,TransE，这类方法无标签，推荐的结果准确率不高。一类是有监督式学习，如基于深度学习做推荐，这类方法学习到的项目向量包含的语义信息不全，可解释性低，交互矩阵数据稀疏。

目前，NCF(神经协同过滤)在电影推荐方面达到了不错的效果，但是它采用one-hot编码，假设词语之间是相关独立的，但通常情况下，电影与电影之间是相互影响；其次在数据量的较多情况下会造成数据矩阵稀疏和维度爆炸。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于混合式监督学习的旅游景点推荐方法及装置，以解决目前深度学习中推荐精度不高和推荐结果个性化程度低等问题。

为实现上述目的及其他相关目的，本发明提供一种基于混合式监督学习的旅游景点推荐方法，该推荐方法包括：

获取游客历史游览数据，包括景点以及各个景点的景点属性值；

为所有景点以及景点属性值设置一个唯一的id编码；

将景点及景点属性值转化为三元组，构建景点知识图谱并可视化；

对所述景点知识图谱根据景点的属性类别进行相应的属性子图抽取；

利用随机游走方法根据景点知识图谱中的每种属性子图生成景点序列，所述景点序列中的元素包括景点实体、属性和景点属性值；

利用神经网络语言模型对所述景点序列进行训练将所述景点序列映射到低维向量空间中，将景点实体和景点属性值转化成特征向量；

对每个景点在不同属性下的向量进行相加平均得到每个景点的融合语义特征向量；

通过神经网络学习游客向量和景点潜在向量；

将所述游客向量和融合语义向量通过矩阵分解得到第一交互向量；

利用多层感知机得到游客向量和潜在向量的第二交互向量；

将所述第一交互向量与所述第二交互向量拼接并做归一化处理得到游客对景点的评分；

将游客对景点的评分从高到低排序，取前K个分数最高对应的景点，得到top_k景点推荐列表。

可选地，该方法还包括对所述历史游览数据进行去重和实体消岐。

可选地，将历史游览数据中的景点属性值按照区间划分。