[发明专利]一种基于协同记忆网络的旅游推荐方法

说明书

本发明公开一种基于协同记忆网络的旅游推荐方法，首先使用神经网络将用户与景点进行向量化，然后引入了记忆网络，在记忆网络中采用了注意力机制的方法，最后在预测用户对景点的得分时，将隐因子模型的全局结构信息与记忆网络的局部邻域结构信息进行结合。本发明同时考虑用户的局部邻域结构信息以及景点的局部邻域结构信息，并与隐因子模型的协同过滤方法进行融合，实现了一种基于协同记忆网络的旅游推荐方法，以此达到高准确性和高个性化旅游推荐的目标。

技术领域

本发明涉及智能推荐技术领域，具体涉及一种基于协同记忆网络的旅游推荐方法。

背景技术

随着社会的发展和人们生活水平的提高，越来越多的人选择外出旅游，由于近年来旅游业的蓬勃发展以及互联网技术的迅速普及，使得目前一些主流旅游信息服务平台的旅游信息过载，人们对于旅游景点的个性化推荐需求变得越来越大，能在人们外出旅游时推荐合适的景点显得尤为重要。

传统的基于深度学习的旅游推荐方法，主要利用基于隐因子模型的协同过滤方法来构建深度学习框架，并以此来进行推荐。这些推荐方法仅考虑了隐因子模型的全局结构信息，而没有考虑到局部邻域结构信息，这会造成的景点推荐结果准确性不高和个性化不足等问题。

发明内容

本发明所要解决的是现有基于深度学习的旅游推荐方法存在景点推荐结果准确性不高和个性化不足的问题，提供一种基于协同记忆网络的旅游推荐方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种基于协同记忆网络的旅游推荐方法，包括步骤如下：

步骤1、利用爬虫工具从旅游网站上采集用户的游记，从中抽取出各个用户所访问过的景点，并对所有用户及其所有景点进行分别编号；

步骤2、将每个用户访问过的所有景点都分别作为一个集合，构建关于用户的景点邻域集；同时，将访问过每个景点的所有用户都分别作为一个集合，构建关于景点的用户邻域集；

步骤3、利用神经网络将所有用户和所有景点分别映射到两个特征向量空间中，其中一个特征向量空间为用户向量矩阵和景点向量矩阵，另一个特征向量空间为用户外部记忆矩阵和景点外部记忆矩阵；

步骤4、对于每个用户u，基于步骤3所得到的用户向量矩阵和景点向量矩阵，计算用户u与关于景点i的用户邻域集中各个用户v的相似度q_uiv，并对用户u与其用户邻域集中各个用户v的相似度q_uiv进行归一化处理后得到用户u的权重系数p_uiv；其中：

步骤5、将用户u的权重系数p_uiv作为注意力机制中的权重，并将关于景点i的用户邻域集中各个用户v在用户外部记忆矩阵中的用户特征向量进行加权求和，得到关于用户u的邻域结构信息o_ui；

步骤6、对于每个景点i，基于步骤3所得到的用户向量矩阵和景点向量矩阵，计算景点i与关于用户u的景点邻域集中各个景点j的相似度q_iuj，并对景点i与其景点邻域集中各个景点j的相似度q_iuj进行归一化处理后得到景点i的权重系数p_iuj；其中：

步骤7、将景点i的权重系数p_iuj作为注意力机制中的权重，并将用户u的景点领域集中各个景点j在景点外部记忆矩阵中的景点特征向量进行加权求和，得到关于景点i的邻域结构信息o_iu；

步骤8、将用户u在用户向量矩阵中的用户特征向量与景点i在景点向量矩阵中的景点特征向量进行元素积，得到用户u对景点i的全局结构信息；