NEWS INFORMATION

一(yī)種融合屬性共現和交互行爲特征信息的旅遊景點推薦方法

1、本發明涉及景點推薦技術領域，具體(tǐ)涉及一(yī)種融合屬性共現和交互行爲特征的景點推薦方法。

背景技術：

2、在旅遊場景中(zhōng)，旅遊用戶和景區往往具有不同的屬性類型。例如，旅遊用戶具有社會化的屬性信息，如“性别”、“年齡”、“愛好”、“職業”等特征；景區有自然與社會、“資(zī)源類型”、“地理位置”、“品質等級”、“門票(piào)價格”等類别屬性信息。在旅遊景點推薦系統中(zhōng)，用戶的社會屬性信息反映了用戶的一(yī)定程度的潛在興趣，景區的類型屬性信息反映了景區的潛在吸引力。基于用戶和景區的屬性信息可以用來建模和解釋用戶' s 評價行爲與景點的關系。現有的旅遊景點推薦系統側重于提高推薦性能，忽略了用戶對景點的偏好原因，使得用戶對推薦的景點很難非常滿意。因此，如何有效利用用戶和景點的屬性信息，實現用戶和景點的特征建模，進而學習用戶對景點的評分(fēn)和預測，完成精準的個性化旅遊景點推薦是非常必要的。讓用戶對推薦的景點很難很滿意。因此，如何有效利用用戶和景點的屬性信息，實現用戶和景點的特征建模，進而學習用戶對景點的評分(fēn)和預測，完成精準的個性化旅遊景點推薦是非常必要的。讓用戶對推薦的景點很難很滿意。因此，如何有效利用用戶和景點的屬性信息，實現用戶和景點的特征建模，進而學習用戶對景點的評分(fēn)和預測，完成精準的個性化旅遊景點推薦是非常必要的。

技術實施要素：

3、針對現有旅遊推薦系統忽視用戶和景點的社會化屬性信息對提高用戶滿意度的作用，本發明提供了一(yī)種融合屬性共現和交互行爲特征信息的旅遊景點推薦方法。

4.爲實現上述目的網絡交互行爲設計，本發明采用了以下(xià)技術方案：

5、本發明提供了一(yī)種融合屬性共現和交互行爲特征信息的旅遊景點推薦方法，包括以下(xià)步驟：

6、步驟s1，根據用戶的屬性集構建用戶屬性圖，基于圖神經網絡學習用戶同質屬性的共現特征表示；

7、步驟s2，根據景點屬性集構建景點屬性圖，基于圖神經網絡學習景點同質屬性的共現特征表示；

8、步驟s3，通過注意力機制匹配用戶的同質屬性同現特征和景區的同質屬性同現特征，對用戶的異質屬性同現特征表示進行建模；

9、步驟s4，融合用戶的同質屬性共現特征表示和異質屬性共現特征表示，對用戶的屬性共現特征表示進行建模；

10、步驟s5，根據用戶對景區的交互行爲，學習用戶的交互行爲特征表示；

11、步驟s6，融合屬性共現特征表示和交互行爲特征表示，對用戶的特征表示進行建模；

12、步驟s7，按照步驟s1-s6，類似地整合景區的屬性共現特征表示和交互行爲特征表示，對景區的特征表示進行建模；

13、步驟s8，根據用戶的特征表示和景區的特征表示，通過内積計算用戶對景區的評分(fēn)；

14、步驟s9，根據用戶對候選集景點的評分(fēn)進行排序，生(shēng)成推薦景點列表；

15、在步驟s10中(zhōng)，根據用戶與景區的共現屬性，爲推薦的景區标注推薦理由。

16、進一(yī)步地，步驟s1中(zhōng)，根據用戶的屬性集構建用戶屬性圖，基于圖神經網絡學習用戶的同質屬性共現特征表示，具體(tǐ)步驟爲：

17、在步驟1.1中(zhōng)，用戶有性别、職業、年齡等屬性信息，這些屬性是相關的。基于這些信息，構造每個用戶的屬性圖ua，其中(zhōng)節點表示用戶的屬性，表示爲ua，邊表示用戶的同質屬性對之間的共現關系；

18. Step 1.2，基于圖注意力機制，學習圖中(zhōng)不同的屬性特征組合，對用戶屬性之間的共現相關性進行建模。用戶屬性 i 和 j 的共現相關性表示爲：

[0019] [0020]

w

霍姆

，a是神經網絡的權重參數，|| 表示拼接，σ爲激活函數；

[0021]

Step 1.3，在用戶的屬性集中(zhōng)，定義用戶屬性i和j之間的注意力權重爲：

[0022] [0023]

其中(zhōng)，是用戶所有屬性中(zhōng)屬性i和j的共現相關性的歸一(yī)化注意力權重，nu是用戶u的屬性集；

[0024]

步驟 1.4，考慮用戶屬性 i 與所有其他屬性的相關性，定義用戶屬性 i 的共現特征爲：

[0025] [0026]

其中(zhōng)， 是用戶屬性 i 和 j 在所有用戶屬性中(zhōng)的共現相關性的歸一(yī)化注意力權重，描述了屬性 j 在所有用戶屬性中(zhōng)的貢獻度，nu 是用戶 u 的屬性集。

[0027]

進一(yī)步地，在步驟s2中(zhōng)，根據景區的屬性集構建景區屬性圖，并基于圖神經網絡學習景區的同質屬性共現特征表示。具體(tǐ)步驟如下(xià)：

[0028]

步驟2.1，景區有位置、等級、門票(piào)等屬性信息，這些屬性是相關的。基于這些信息，構建每個景點的屬性圖va，其中(zhōng)節點表示景點的屬性，表示爲va，邊表示景點的屬性。共現關系；

[0029]

Step 2.2，基于圖注意力機制，學習圖中(zhōng)不同的屬性特征組合，對景點屬性之間的共現相關性進行建模。景點屬性 m 和 n 的共現相關性表示爲：

[0030] [0031]

w

霍姆

，a是神經網絡的權重參數，σ是激活函數；

[0032]

Step 2.3，在景區屬性集中(zhōng)，定義景區屬性m和n之間的注意力權重爲：

[0033]

[0034]

其中(zhōng)，爲景點所有屬性中(zhōng)屬性m和n的共現相關性的歸一(yī)化注意力權重，nv爲景點v的屬性集；

[0035]

Step 2.4，考慮景點屬性m與其他所有屬性的相關性，定義景點屬性m的共現特征爲：

[0036] [0037]

其中(zhōng)， 是該景點所有屬性中(zhōng)該景點的屬性 m 和 n 的共現相關性的歸一(yī)化注意力權重，描述了屬性 n 在該景點所有屬性中(zhōng)的貢獻度, nv 爲景區 v 的屬性集。

[0038]

進一(yī)步地，在步驟s3中(zhōng)，通過注意力機制匹配用戶的同質屬性同現特征和景區的同質屬性同現特征，對建模用戶的異構屬性同現特征表示進行建模。具體(tǐ)步驟如下(xià)：

[0039]

步驟3.1，考慮到不同屬性的用戶可能偏好不同的景點屬性，采用注意力機制匹配用戶與景點的異質屬性的共現特征；用戶屬性 i 與景點屬性 m 的共現相關性表示爲：

[0040] [0041]

w

赫特

, b

赫特

是神經網絡的權重參數，

⊙

表示逐元素相乘，σ爲激活函數；

[0042]

步驟3.2，在景點屬性集中(zhōng)，定義用戶屬性i和景點屬性m之間的注意力權重爲：

[0043] [0044]

其中(zhōng)ε

我(wǒ)是

是用戶屬性i和景點屬性m的共現相關性，是景點所有屬性的歸一(yī)化注意力權重，nv是景點v的屬性集；

[0045]

Step 3.3，考慮用戶屬性i與景區所有屬性的共現相關性，定義用戶屬性i的異構屬性共現特征爲：

[0046] [0047]

其中(zhōng)ε

我(wǒ)是

是用戶屬性i和景點屬性m之間的注意力權重，描述了景點屬性m對用戶屬性i的貢獻度，nv是景點v的屬性集。

[0048]

進一(yī)步地，在步驟s4中(zhōng)，将用戶同質屬性的共現特征表示和用戶異質屬性的同現特征表示進行融合，對用戶屬性的共現特征表示進行建模。具體(tǐ)步驟如下(xià)：

[0049]

Step 4.1，考慮同質屬性的共現特征表示和用戶屬性i的異質屬性的共現特征表示，将它們相加得到用戶屬性i的共現特征爲：

[0050] [0051]

Step 4.2，考慮用戶u的所有屬性，定義用戶u的屬性共現特征爲：

[0052] [0053]

進一(yī)步地，步驟s5中(zhōng)，根據用戶對景區的交互行爲，學習用戶的交互行爲特征表示，具體(tǐ)步驟爲：

[0054]

根據用戶曆史評分(fēn)景區集合ru，學習用戶u的交互行爲特征表示爲：

[0055] [0056]

其中(zhōng)，e

l

是用戶曆史評分(fēn)景點集合ru中(zhōng)第l個景點的初始化嵌入向量表示。

[0057]

進一(yī)步的，在步驟s6中(zhōng)，融合屬性共現特征表示和交互行爲特征表示，對用戶的特征表示進行建模，具體(tǐ)步驟爲：

[0058]

考慮用戶u的屬性共現特征表示和交互行爲特征表示，将用戶u的特征表示拼接合并爲：

[0059]

你=[你

屬性

,u

整數

]

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

(13)。

[0060]

進一(yī)步的，在步驟s7中(zhōng)，根據步驟s1-s6，同樣将景點的屬性共現特征表示和交互行爲特征表示進行整合，對景點的特征表示進行建模。具體(tǐ)步驟如下(xià)：

[0061]

步驟7.1，吸引力屬性m與用戶屬性i的共現相關性表示爲：

[0062] [0063]

w

赫特

, b

赫特

是神經網絡的權重參數，

⊙

表示逐元素相乘，σ爲激活函數；

[0064]

步驟 7.2，定義吸引力屬性 m 和用戶屬性 i 之間的注意力權重爲：

[0065] [0066]

其中(zhōng)ε

米

是吸引力屬性 m 和用戶屬性 i 的共現相關性，是所有用戶屬性中(zhōng)歸一(yī)化的注意力權重，nu 是用戶 u 的屬性集；

[0067]

步驟7.3，考慮景點屬性m與用戶所有屬性的共現相關性，定義景點屬性m的異質屬性的共現特征表示爲：

[0068] [0069]

其中(zhōng)ε

米

是吸引力屬性m對用戶屬性i的貢獻度，nu是用戶u的屬性集；

[0070]

步驟7.4，考慮景點屬性m的同質屬性的共現特征表示和異質屬性的共現特征表示，将它們相加得到景點屬性m的屬性共現特征表示：

[0071] [0072]

步驟7.5，考慮景點v的所有屬性，定義景點v的屬性共現特征表示爲：

[0073]

[0074]

其中(zhōng)，nv爲景區v的屬性集；

[0075]

步驟7.6，考慮景點曆史評分(fēn)用戶集rv，定義景點v的交互行爲特征爲：

[0076] [0077]

其中(zhōng)，es爲景區曆史評分(fēn)用戶集中(zhōng)第s個用戶的初始化嵌入向量表示；

[0078]

Step 7.7，考慮景點屬性的共現特征表示和交互行爲特征表示，将它們拼接合并得到景點的特征表示：

[0079]

v=[v

屬性

,v

整數

]

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

(20)。

[0080]

進一(yī)步地，在步驟s8中(zhōng)，根據用戶的特征表示和景區的特征表示，通過内積計算用戶對該景區的評分(fēn)，具體(tǐ)步驟爲：

[0081]

對于用戶的特征表示u和景點的特征表示v，根據内積計算用戶對景點的評分(fēn)，即評分(fēn)預測函數定義爲：

[0082] yuv

=你

tvꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

（二十一(yī)）。

[0083]

進一(yī)步地，步驟s9中(zhōng)，根據用戶對候選集合景點的評分(fēn)，生(shēng)成推薦景點列表，具體(tǐ)步驟爲：

[0084]

對于候選景點集合中(zhōng)的新景點v'，利用用戶u和景點v'的特征表示，通過分(fēn)數預測函數計算用戶在該景點的分(fēn)數，按照分(fēn)數排序，選擇推薦得分(fēn)較高的前k個景點。.

[0085]

進一(yī)步地，在步驟s10中(zhōng)，根據用戶與景區的共現屬性，爲推薦景區标注推薦理由，具體(tǐ)步驟爲：

[0086]

對于推薦結果，根據步驟s3中(zhōng)的注意力權重計算方法，得到用戶屬性與景點屬性的匹配共現權重，并根據用戶爲推薦結果生(shēng)成相應的推薦原因說明屬性和同現權重最高的景點屬性。

[0087]

本發明還提供一(yī)種計算機可讀存儲介質，該介質上存儲有計算機程序，在執行該計算機程序時，上述結合屬性共現和交互行爲特征的旅遊景點推薦方法被實施。

[0088]

本發明還提供了一(yī)種電(diàn)子設備，包括存儲器、處理器，以及存儲在存儲器中(zhōng)并運行在處理器上的計算機程序，處理器在處理器執行時實現上述融合屬性的共現和交互。計算機程序 一(yī)種基于行爲特征的旅遊景點推薦方法。

[0089]

與現有技術相比，本發明具有以下(xià)優點：

[0090]

本發明提供的方法與現有方法的區别在于，設計了一(yī)種用戶和景點的語義嵌入表示方法，同時融合了用戶、景點屬性和交互行爲特征信息，建立了增強用戶的評分(fēn)預測模型。和景點屬性。提出一(yī)種融合屬性共現和交互行爲特征的旅遊景點推薦策略，并根據用戶和景點的屬性對推薦結果進行解釋。本發明融合用戶與景點屬性的同質屬性共現特征表示和異質屬性共現特征表示信息，學習用戶' 的興趣偏好和項目的吸引力，并從用戶和景點的屬性解釋用戶對景點的偏好。評分(fēn)行爲提高了景點推薦的可解釋性，特别是在熱門旅遊景點的在線推薦預測中(zhōng)。

圖紙(zhǐ)說明

[0091]

如圖。附圖說明圖1是本發明方法的整體(tǐ)模型架構示意圖。

[0092]

圖 2 是景點屬性的共現相關權重的可視化。

詳細方法

[0093]

本發明的融合屬性共現和交互行爲特征的旅遊景點推薦方法是通過計算機程序實現的。下(xià)面按照流程對本發明提出的技術方案的具體(tǐ)實施進行詳細說明。

[0094]

如圖所示。如圖1所示，本發明融合屬性共現和交互行爲特征的旅遊景點推薦方法包括以下(xià)步驟：

[0095]

步驟s1，根據用戶的屬性集構建用戶屬性圖，基于圖神經網絡學習用戶同質屬性的共現特征表示，具體(tǐ)包括以下(xià)步驟：

[0096]

在步驟1.1中(zhōng)，用戶有性别、職業、年齡等屬性信息，這些屬性是相關的。基于這些信息，構建每個用戶的屬性圖ua，其中(zhōng)節點表示用戶的屬性，嵌入表示爲ua，邊表示用戶的相同性。定性屬性對之間的共現關系；

[0097]

Step 1.2，基于圖注意力機制，學習圖中(zhōng)不同的屬性特征組合，對用戶屬性之間的共現相關性進行建模。用戶屬性 i 和 j 的共現相關性表示爲：

[0098] [0099]

w

霍姆

，a是神經網絡的權重參數，|| 表示拼接，σ爲激活函數；

[0100]

Step 1.3，在用戶的屬性集中(zhōng)，定義用戶屬性i和j之間的注意力權重爲：

[0101] [0102]

其中(zhōng)，是用戶所有屬性中(zhōng)屬性i和j的共現相關性的歸一(yī)化注意力權重，nu是用戶u的屬性集；

[0103]

步驟 1.4，考慮用戶屬性 i 與所有其他屬性的相關性，定義用戶屬性 i 的共現特征爲：

[0104] [0105]

其中(zhōng)， 是用戶屬性 i 和 j 在所有用戶屬性中(zhōng)的共現相關性的歸一(yī)化注意力權重，描述了屬性 j 在所有用戶屬性中(zhōng)的貢獻度，nu 是用戶 u 的屬性集。

[0106]

步驟s2，根據景點屬性集構建景點屬性圖，基于圖神經網絡學習景點同質屬性的共現特征表示，具體(tǐ)包括以下(xià)步驟：

[0107]

步驟2.1，景區有位置、等級、門票(piào)等屬性信息，這些屬性是相關的。基于這些信息，構建每個景點的屬性圖va，其中(zhōng)節點表示景點的屬性，表示爲va，邊表示景點的屬性。共現關系；

[0108]

Step 2.2，基于圖注意力機制網絡交互行爲設計，學習圖中(zhōng)不同的屬性特征組合，對景點屬性之間的共現相關性進行建模。景點屬性 m 和 n 的共現相關性表示爲：

[0109] [0110]

w

霍姆

，a是神經網絡的權重參數，σ是激活函數；

[0111]

Step 2.3，在景區屬性集中(zhōng)，定義景區屬性m和n之間的注意力權重爲：

[0112] [0113]

其中(zhōng)，爲景點所有屬性中(zhōng)屬性m和n的共現相關性的歸一(yī)化注意力權重，nv爲景點v的屬性集；

[0114]

Step 2.4，考慮景點屬性m與其他所有屬性的相關性，定義景點屬性m的共現特征爲：

[0115] [0116]

其中(zhōng)， 是該景點所有屬性中(zhōng)該景點的屬性 m 和 n 的共現相關性的歸一(yī)化注意力權重，描述了屬性 n 在該景點所有屬性中(zhōng)的貢獻度, nv 爲景區 v 的屬性集。

[0117]

步驟s3，通過注意力機制匹配用戶的同質屬性同現特征和景區的同質屬性同現特征，對用戶的異構屬性同現特征表示進行建模，包括以下(xià)步驟：

[0118]

步驟3.1，考慮到不同屬性的用戶可能偏好不同的景點屬性，采用注意力機制匹配用戶與景點的異質屬性的共現特征；用戶屬性 i 與景點屬性 m 的共現相關性表示爲：

[0119] [0120]

w

赫特

, b

赫特

是神經網絡的權重參數，

⊙

表示逐元素相乘，σ爲激活函數；

[0121]

步驟3.2，在景點屬性集中(zhōng)，定義用戶屬性i和景點屬性m之間的注意力權重爲：

[0122] [0123]

其中(zhōng)ε

我(wǒ)是

是用戶屬性i和景點屬性m的共現相關性，是景點所有屬性的歸一(yī)化注意力權重，nv是景點v的屬性集；

[0124]

Step 3.3，考慮用戶屬性i與景區所有屬性的共現相關性，定義用戶屬性i的異構屬性共現特征爲：

[0125] [0126]

其中(zhōng)ε

我(wǒ)是

是用戶屬性i和景點屬性m之間的注意力權重，描述了景點屬性m對用戶屬性i的貢獻度，nv是景點v的屬性集。

[0127]

步驟s4，融合用戶的同質屬性共現特征表示和異質屬性共現特征表示，對用戶的屬性共現特征表示進行建模，包括以下(xià)步驟：

[0128]

Step 4.1，考慮同質屬性的共現特征表示和用戶屬性i的異質屬性的共現特征表示，将它們相加得到用戶屬性i的共現特征爲：

[0129] [0130]

Step 4.2，考慮用戶u的所有屬性，定義用戶u的屬性共現特征爲：

[0131] [0132]

其中(zhōng)，nu 爲用戶 u 的屬性集。

[0133]

步驟s5，根據用戶在景區的交互行爲，學習用戶的交互行爲特征表示，包括以下(xià)步驟：

[0134]

根據用戶曆史評分(fēn)景區集合ru，學習用戶u的交互行爲特征表示爲：

[0135] [0136]

其中(zhōng)，e

l

是用戶曆史評分(fēn)景點集合ru中(zhōng)第l個景點的初始化嵌入向量表示。

[0137]

步驟s6，融合屬性共現特征表示和交互行爲特征表示，對用戶的特征表示進行建模，包括以下(xià)步驟：

[0138]

考慮到用戶屬性的共現特征表示和交互行爲的特征表示，通過拼接合并得到用戶的特征表示如下(xià)：

[0139]

你=[你

屬性

,u

整數

]

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

(13)。

[0140]

步驟s7，按照步驟s1-s6，類似地融合景點的屬性共現特征表示和交互行爲特征表示，對景點的特征表示進行建模，包括以下(xià)步驟：

[0141]

步驟7.1，吸引力屬性m與用戶屬性i的共現相關性表示爲：

[0142] [0143]

w

赫特

, b

赫特

是神經網絡的權重參數，

⊙

表示逐元素相乘，σ爲激活函數；

[0144]

步驟 7.2，定義吸引力屬性 m 和用戶屬性 i 之間的注意力權重爲：

[0145] [0146]

其中(zhōng)ε

米

是吸引力屬性 m 和用戶屬性 i 的共現相關性，是所有用戶屬性中(zhōng)歸一(yī)化的注意力權重，nu 是用戶 u 的屬性集；

[0147]

步驟7.3，考慮景點屬性m與用戶所有屬性的共現相關性，定義景點屬性m的異質屬性的共現特征表示爲：

[0148] [0149]

其中(zhōng)ε

米

是吸引力屬性m對用戶屬性i的貢獻度，nu是用戶u的屬性集；

[0150]

步驟7.4，考慮景點屬性m的同質屬性的共現特征表示和異質屬性的共現特征表示，将它們相加得到景點屬性m的屬性共現特征表示：

[0151]

[0152]

步驟7.5，考慮景點v的所有屬性，定義景點v的屬性共現特征表示爲：

[0153] [0154]

其中(zhōng)，nv爲景區v的屬性集；

[0155]

步驟7.6，考慮景點曆史評分(fēn)用戶集rv，定義景點v的交互行爲特征爲：

[0156] [0157]

其中(zhōng)，es爲景區曆史評分(fēn)用戶集中(zhōng)第s個用戶的初始化嵌入向量表示；

[0158]

Step 7.7，考慮景點屬性的共現特征表示和交互行爲特征表示，将它們拼接合并得到景點的特征表示：

[0159]

v=[v

屬性

,v

整數

]

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

(20)。

[0160]

在步驟s8中(zhōng)，根據用戶的特征表示和景區的特征表示，通過内積計算用戶對該景區的評分(fēn)，包括以下(xià)步驟：

[0161]

對于用戶的特征表示u和景點的特征表示v，根據内積計算用戶對景點的評分(fēn)，即評分(fēn)預測函數定義爲：

[0162] yuv

=你

tvꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

（二十一(yī)）。

[0163]

步驟s9，根據用戶對候選集景點的排名，生(shēng)成推薦景點列表，包括以下(xià)步驟：

[0164]

對于候選景點集合中(zhōng)的新景點v'，利用用戶u和景點v'的特征表示，通過分(fēn)數預測函數計算用戶在該景點的分(fēn)數，按照分(fēn)數排序，選擇推薦得分(fēn)較高的前k個景點。.

[0165]

步驟s10，根據用戶與景點的共現屬性，标記推薦景點的推薦原因，包括以下(xià)步驟：

[0166]

對于推薦結果，根據步驟s3中(zhōng)的注意力權重計算方法，得到用戶屬性與景點屬性的匹配共現權重，并根據用戶爲推薦結果生(shēng)成相應的推薦原因說明屬性和同現權重最高的景點屬性。

[0167]

本實施例根據用戶和景點的豐富屬性信息對用戶和景點的特征進行建模，從而預測用戶對景點的偏好，并根據用戶的共現屬性和景點。同時，用戶對景點的評分(fēn)交互行爲揭示了用戶對景點的直接評分(fēn)偏好，也可以根據曆史評分(fēn)交互行爲了解用戶與景點之間的特征。此外(wài)，圖注意力用于關注深度神經網絡中(zhōng)特定的輸入特征，可以分(fēn)析輸入特征各方面的重要性，提高模型的表達能力。基于圖注意力機制，

[0168]

爲了驗證本發明方法的有效性，我(wǒ)們對yelp數據集()進行了實驗，篩選出數據集爲'zoos'(動物(wù)園)、''(博物(wù)館)、'parks'(娛樂park)、''(寺廟)、''(植物(wù)園)等景區及其互動用戶，并處理互動記錄，每個用戶至少有5條評價記錄，每個景區至少評價5次，過濾後的數據集信息如表1所示：

[0169]

表1 數據集情況

[0170] [0171]

使用的用戶和景點屬性包括用戶id、物(wù)品id、景點所在城市、景點評分(fēn)、景點類型。數據集按6:2:2分(fēn)爲訓練集、驗證集和測試集。評價指标爲auc、ndcg@5和ndcg@10。爲了驗證本發明提出的技術方案的有效性和先進性，選取現有的幾種預測模型方法進行比較：wdl、dcn和afm。實驗結果如表2所示：

[0172]

表2 不同預測模型的實驗結果

[0173] [0174]

從表2的結果可以看出，本發明的技術方案在用戶預測景點時，能夠得到比現有方法更準确和可靠的檢測結果。

[0175]

同時，本發明随機選取32個景點，将景點屬性的共現相關權重可視化。如圖2所示，從學習過程中(zhōng)不同屬性的共現相關性可以看出景點屬性對之間的注意力權重。用戶對景點偏好的貢獻程度不同。例如，對于第五列屬性之間的權重，即遊樂園與兒童特征的共現度高，可以生(shēng)成相應的推薦解釋，如：“這個景點有遊樂園屬性，兒童用戶可能感興趣”；第九列屬性對的權重，即 人文類型與老人特征的共現度比較高，可以理解爲“這個景區屬于人文類型景區，老人可能會感興趣。在實際旅遊推薦領域，我(wǒ)們可以根據用戶的屬性（性别、年齡、職業）和景點的屬性（類型、門票(piào)、位置）生(shēng)成相應的解釋，比如“爲你推薦基于根據您的年齡和景點類型”或“根據您的職業和景點門票(piào)爲您推薦。”

[0176]

示例 2

[0177]

本實施例提供一(yī)種計算機可讀存儲介質，該介質存儲有計算機程序，在執行該計算機程序時，結合上述實施例的屬性同現和交互行爲特征的旅遊景點推薦方法1實施。

[0178]

示例 3

[0179]

本實施例提供了一(yī)種電(diàn)子設備，包括存儲器、處理器和存儲在存儲器中(zhōng)并運行在處理器上的計算機程序，該處理器實現上述實施例一(yī)的融合屬性的共現，當計算機程序被執行。基于交互行爲特征的旅遊景點推薦方法

[0180]

上述實施例爲本發明的較佳實施例，但本發明的實施例不受上述實施例的限制。對于本領域的普通技術人員(yuán)來說，在不脫離(lí)本發明的原理的前提下(xià)，還可以進行若幹修改和改進，均包含在本發明的保護範圍内。

[0181]

此外(wài)，應當理解，雖然本說明書(shū)是以實施例的方式進行描述的，但并不是每個實施例都隻包含一(yī)個獨立的技術方案，說明書(shū)中(zhōng)的描述隻是爲了清楚起見，本領域技術人員(yuán)應當理解作爲整個說明書(shū)的一(yī)部分(fēn)，各個實施例中(zhōng)的技術方案還可以适當組合形成本領域技術人員(yuán)可以理解的其他實施方式。

了解更多學習網絡推廣知(zhī)識，就來廣西網絡推廣。

上一(yī)篇：“人機交互系統模型”如何分(fēn)析用戶使用流程及心理活動
下(xià)一(yī)篇： SEO優化網站SEO網站優化的幾種方式和方法介紹