CN103870604A - 旅游推荐方法和装置 - Google Patents

Abstract

本发明实施例提供一种旅游推荐方法和装置，该方法包括：根据设定的兴趣点类型模型和兴趣点费用模型，建立兴趣点的效用函数模型；根据该用户的历史兴趣点评分和效用函数模型生成目标函数；以目标函数中的用户偏好参数为优化目标，确定最优效用函数模型；根据最优效用函数模型计算待选兴趣点的效用值；将效用值最小的至少一个待选兴趣点推荐给所述用户。本发明考虑了用户个性化的旅游偏好和旅游费用，能够为用户推荐准确度更高的旅游兴趣点。

Description

旅游推荐方法和装置

技术领域

本发明涉及旅游应用领域，尤其涉及一种旅游推荐方法和装置。

背景技术

旅游业飞速发展，使其成为世界最大的产业之一。根据世界旅游及旅行理事会的预测，到2021年旅游业对全球GDP的贡献率将从2011年9.1%提高到9.6%。为游客提供在线旅游服务成为众多旅游网站(如Expedia、携程旅行网)发展的趋势。然而，急速增长的在线旅游信息给游客选择满足其个性化需求的景点带来极大的困难。另一方面，为获得更多的业务和利润，旅游企业必须了解游客的这些个性化需求和偏好，并提高更好的具有吸引力的服务。因此，无论对游客还是对旅游企业来说，智能化旅游服务都亟待发展与提高。

现有的旅游推荐***仅仅利用用户的基本信息和各大网站对景点的评分来计算用户之间的相似性，根据用户之间的相似性为用户推荐景点，这种旅游推荐***难以为用户推荐用户满意的景点。

发明内容

本发明提供了一种旅游推荐方法和装置。考虑了用户个性化的旅游偏好和旅游费用，能够为用户推荐准确度更高的旅游兴趣点。

本发明提供了一种旅游推荐方法，包括：

根据设定的兴趣点类型模型和兴趣点费用模型，建立兴趣点的效用函数模型；

根据该用户的历史兴趣点评分和所述效用函数模型生成目标函数；

以所述目标函数中的用户偏好参数为优化目标，确定最优效用函数模型；

根据最优效用函数模型计算待选兴趣点的效用值；

将所述效用值最大的至少一个待选兴趣点推荐给所述用户。

本发明还提供了一种旅游推荐装置，包括：

建立模块，用于根据设定的兴趣点类型模型和兴趣点费用模型，建立兴趣点的效用函数模型；

生成模块，用于根据该用户的历史兴趣点评分和所述效用函数模型生成目标函数；

确定模块，用于以所述目标函数中的用户偏好参数为优化目标，确定最优效用函数模型；

计算模块，用于根据最优效用函数模型计算待选兴趣点的效用值；

推荐模块，用于将所述效用值最大的至少一个待选兴趣点推荐给所述用户。

本发明一种旅游推荐方法和装置，通过根据设定的兴趣点类型模型和兴趣点费用模型，建立兴趣点的效用函数模型；根据该用户的历史兴趣点评分和上述效用函数模型生成目标函数；以上述目标函数中的用户偏好参数为优化目标，确定最优效用函数模型；根据上述最优效用函数模型计算待选兴趣点的效用值；将效用值最小的至少一个待选兴趣点推荐给所述用户，在为用户推荐待选兴趣点时，考虑了用户个性化的旅游偏好和旅游费用，能够为用户推荐准确度更高的旅游兴趣点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明旅游推荐方法一个实施例的流程图；

图2为本发明旅游推荐方法以及其它旅游推荐方法在推荐的景点准确率方面的实验结果图；

图3为本发明旅游推荐方法以及其它旅游推荐方法在推荐的景点错误率方面的实验结果图；

图4为本发明旅游推荐方法以及其它旅游推荐方法在推荐的景点序列和景点的最优序列之间相关性方面的实验结果图；

图5为本发明旅游推荐装置一个实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明旅游推荐方法一个实施例的流程图，如图1所示，本实施例的执行主体为旅游推荐装置，具体可以通过软件、硬件，或者软件和硬件相结合的方式实现，则该方法包括：

步骤101，根据设定的兴趣点类型模型和兴趣点费用模型，建立兴趣点的效用函数模型。

本实施例中，兴趣点可以表示旅游中的景点资源，如长城，金字塔，博物馆等。也可以表示旅游中的美食资源，如地方特色餐厅，火锅店，西餐厅，日本料理店等，兴趣点也可以表示旅游中的其他资源，本实施例不作限制。

具体地，兴趣点资源有不同的类型和不同的费用，当兴趣点表示旅游中的景点资源时，费用表示景点的门票费用，当兴趣点表示旅游中的美食资源时，费用表示美食的人均消费，根据兴趣点表示的旅游中的资源的不同，其费用表示的含义也会不同。以兴趣点为旅游景点资源为例，景点资源按照类型的不同可分为地质地貌资源、水体景观资源、生物旅游资源、人文古迹资源、宗教文化资源、古典园林资源等，而且每个景点资源有不同的门票费用。

本实施例中，设定的兴趣点类型模型是一个关于兴趣点类型和该用户的用户偏好参数的一个函数，用户的偏好参数表示该用户对每种兴趣点类型的看重程度，用户兴趣点费用模型是关于该用户的兴趣点花费的费用的一个函数，在建立兴趣点的效用函数模型中，当景点资源类型与用户偏好越相近时，效用函数模型取值越大，当景点资源花费的费用越小时，效用函数模型取值越大，若效用函数模型取值越大，则该景点资源越值得为用户推荐。

步骤102，根据该用户的历史兴趣点评分和效用函数模型生成目标函数。

本实施例中，每个用户去过的兴趣点会不同，针对不同的用户，采集该用户去过的历史兴趣点，所采集的该用户历史兴趣点包括该用户去过的每个历史兴趣点的景点类型、门票费用、该用户对每个历史兴趣点的评分，并根据该用户的历史兴趣点评分和效用函数模型生成目标函数，当该用户的历史兴趣点评分和效用函数模型取值相差越小时，目标函数取值越小，表明该效用函数模型越符合该用户选择兴趣点的偏好。

步骤103，以目标函数中的用户偏好参数为优化目标，确定最优效用函数模型。

本实施例中，求取目标函数的极小值点，当目标函数取极小值时，表明该效用函数模型越符合该用户选择兴趣点的偏好，此时的用户偏好参数为该用户最优的偏好参数，将该用户最优的偏好参数带入到效用函数模型中，确定该用户的最优效用函数模型。

步骤104，根据最优效用函数模型计算待选兴趣点的效用值。

本实施例中，待选兴趣点为该用户未去过的兴趣点，将待选兴趣点的景点类型、花费费用带入到最优效用函数模型中，计算出各待选兴趣点的效用值。

步骤105，将效用值最大的至少一个待选兴趣点推荐给所述用户

具体地，可将效用值最大的一个待选兴趣点推荐给用户，也可将计算出的待选兴趣点的效用值进行降序排列，选出前K个大的效用值对应的待选兴趣点推荐给用户，由用户对推荐的前K个待选兴趣点进行选择，在和用户交互过程中获得用户满意的待选兴趣点。

本实施例中，通过根据设定的兴趣点类型模型和兴趣点费用模型，建立兴趣点的效用函数模型；根据该用户的历史兴趣点评分和效用函数模型生成目标函数；以目标函数中的用户偏好参数为优化目标，确定最优效用函数模型；根据上述最优效用函数模型计算待选兴趣点的效用值；将效用值最小的至少一个待选兴趣点推荐给所述用户，在为用户推荐待选兴趣点时，考虑了用户个性化的旅游偏好和旅游费用，能够为用户推荐准确度更高的旅游兴趣点。

进一步地，根据设定的兴趣点类型模型和设定的兴趣点费用模型建立兴趣点的效用函数模型，具体为：

采用式(1)建立兴趣点的效用函数模型，

U(X,C)=α*U₁(X)+β*U₂(C)    (1)

其中，α+β=1,0<α<1,0<β<1,U₁(X)表示兴趣点类型模型，U₂(C)表示兴趣点费用模型，α，β分别表示兴趣点类型模型和兴趣点费用模型所占权重，针对不同的用户，其对兴趣点的类型和费用有不同的关注程度，所以针对不同的用户，α，β的值可根据用户需求进行改变。

本实施例中，建立的兴趣点的效用函数模型是关于兴趣点类型模型和兴趣点费用模型线性可分的，可针对不同的用户对兴趣点的类型和费用关注程度设置不同的权重，能够更灵活的满足不同用户的需求。

在经济学中，柯布-道格拉斯函数能够衡量消费者对商品的喜爱程度，形式如下：

u(y₁,y₂)=y₁ ^a*y₂ ^b    (2)

其中，y₁和y₂分别代表了两类商品的数量，a和b描述了消费者对两类商品的偏好0≤a,b≤1，并且a+b=1。

所以在本实施例中，为了衡量用户对兴趣点类型的偏好，设定的兴趣点类别模型为：

$U_1\left(X\right)={\mathrm{\&Pi;}}_{i=1}^n{(x_i+1)}^{{\mathrm{\&alpha;}}_i}-1---\left(1\right)$

其中，

X表示兴趣点类型向量，X=(x₁,x₂，……x_i,……，x_n)，x_i为兴趣点类型向量X的第i维分量，表示兴趣点是否属于第i种类型，当兴趣点属于第i种类型，x_i取值为1,当兴趣点不属于第i种类型，x_i取值为0，x_i∈{0,1}，当兴趣点属于一个或多个不同的兴趣点类型时，由X表示的兴趣点类型向量中，有一个或多个分量为1，当兴趣点不属于任何一个兴趣点类型时，由X表示的兴趣点类型向量中，分量取值都为0。α_i表示用户对第i种兴趣点类型的偏好参数，0≤α_i≤1，n表示兴趣点的类型数，以n个兴趣点类型的偏好参数为元素构成一个表示用户兴趣类型偏好参数的n维的向量，该向量表示为：Α=(α₁,α₂，……α_i,……，α_n)。针对不同的用户，表示兴趣类型偏好参数的向量取值会不同。

以兴趣点为景点资源进行说明，如景点资源根据类型的不同分为地质地貌资源、水体景观资源、生物旅游资源、人文古迹资源、宗教文化资源、古典园林资源这六类资源，这六类景点资源依次用向量X=(x₁,x₂，……x_i,……，x_n)中的一个分量表示，若景点资源为长城时，长城的景点资源类型为人文古迹资源，那么X=(0,0,0,1,0,0)，如果该用户只对人文古迹资源这一种景点资源类型有偏好，，那么A=(0,0,0,1,0,0)。

在本实施例中，U₁(X)的值域为[0,1]。当某一兴趣点不属于任何一个兴趣点类型，即X=(0,0,0,0,0,0)时，兴趣点类型模型取得最小值，即U₁(X)=0，当兴趣点所属类型与该用户偏好分布完全匹配时，兴趣点类型模型取得最大值，即U₁(X)=1。如在上述举例中，长城所述类型与该用户偏好分布是完全匹配的，此时兴趣点类型模型取得最大值，U₁(X)=1。

进一步地，兴趣点费用模型可表示为式(4)所示

$U_2\left(C\right)=\left\{\begin{array}{cc}\sqrt{1-C^2/C_{\max }^2}& C\&le;C_{\max }\\ 0& C>C_{\max }\end{array}\right.---\left(4\right)$

其中，C表示兴趣点的费用，C_max表示用户去过的历史兴趣点中最贵的费用，当兴趣点的费用越高，兴趣点费用模型的取值就越小，表明用户选择该兴趣点的概率会越小，当费用超过某一特定数值时，兴趣点费用模型的取值为零，U₂(C)的值域为[0,1]，当兴趣点的花费费用为零时，兴趣点费用模型取值最大，当用户花费的费用为历史花费的费用时，说明该兴趣点已经达到了用户能接受的最大花费费用，此时兴趣点费用模型取值最小。

本实施例中，根据该用户的历史兴趣点评分和所述效用函数模型生成目标函数，具体为：

根据式(5)生成目标函数；

$G\left(M\right)={\mathrm{\&Sigma;}}_{j=1}^{\left|M\right|}{(r_j-K*(\mathrm{\&alpha;}*U\left(X\right))+\mathrm{\&beta;}*U\left(C\right))}^2---\left(5\right)$

其中，

M表示该用户的历史兴趣点个数，r_j表示该用户对第j个历史兴趣点的评分，K表示映射常数。由于用户对历史兴趣点的评分r_j为0-5中的任意一个整数，效用函数模型的取值为[0,1]，所以映射常数K取值为5。那么在式(5)所表示的目标函数中，目标函数取值越小，表明该效用函数模型越符合该用户选择兴趣点的需求。

优选的，在确定目标函数中用户偏好参数的最优值时，采用梯度下降法。

梯度下降法的思想就是利用负梯度方向来决定每次迭代的新的搜索方向，使得每次迭代能使该优化的目标函数逐步减小，当上一次迭代取得的优化的目标函数值和本次迭代后取得的优化的目标函数值相差小于某一阈值时，迭代结束，此时该目标函数中对应的A即为该用户偏好参数的最优值。

采用式(6)确定最优效用函数模型。

$U(X,C)=\mathrm{\&alpha;}*U_1\left(X\right)+\mathrm{\&beta;}*U_2\left(C\right)=\mathrm{\&alpha;}*({\mathrm{\&Pi;}}_{i=1}^n{(x_i+1)}^{{\mathrm{\&alpha;}}_i}-1)+\mathrm{\&beta;}*U_2\left(C\right)---\left(6\right)$

其中，α+β=1,0<α<1,0<β<1，U₁(X)表示兴趣点类型模型，U₂(C)表示兴趣点费用模型，α，β分别表示兴趣点类型模型和兴趣点费用模型所占权重，X表示兴趣点类型向量，x_i表示兴趣点类型向量X的第i维分量，α_i表示用户对第i种兴趣点类型的偏好参数，n表示兴趣点的类型数。

将最优的该用户偏好参数带入到式(6)中即可得到该用户的最优效用函数模型，把该用户待选择的兴趣点的相关参数带入到最优效用函数中，即可求出待选兴趣点的效用值，将效用值最大的至少一个待选兴趣点推荐给该用户。

本实施例的有效结果可通过以下仿真进一步说明：

1仿真内容：将某用户历史去过的景点分为训练集和测试集，在本发明旅游推荐方法(GD)和采用粒子群算法计算用户偏好参数方法（PSO）中，训练集用于确定该用户的最优效用函数模型，传统的协同过滤旅游推荐方法（CF）中，训练集用于确定与该用户相似性最高的其他用户，以便为该用户推荐和其相似性最高的其他用户历史去过的景点。测试集用于测试本发明旅游推荐方法(GD)和采用粒子群算法计算用户偏好参数方法（PSO）、传统的协同过滤旅游推荐方法推荐景点的性能优劣。从各方法推荐的景点的推荐准确率、各方法推荐的景点的推荐错误率、各方法推荐的景点的排序与景点最优排序之间相关性三方面评价这些方法的各自性能。

2仿真实验结果

A各方法推荐的景点在推荐准确率方面的实验结果

用本发明旅游推荐方法(GD)以及采用粒子群算法计算的用户偏好参数方法(PSO)，传统的协同过滤旅游推荐方法(CF)分别为用户推荐前K个最具有吸引力的兴趣点，P表示推荐出的景点中该用户评分不小于4的景点的集合，T表示该用户的测试集中景点的集合，景点的推荐准确率PrecisionK表示为式(6)所示：

$\mathrm{Precision}K=\frac{|P\&cap;T|}{K}\&times;100\%---\left(6\right)$

图2为本发明旅游推荐方法以及其它旅游推荐方法在推荐的景点准确率方面的实验结果图，在图2中X轴代表了推荐的兴趣点个数K的取值，纵坐标代表推荐准确率，从图2中可以看出，本发明旅游推荐方法(GD)推荐准确率最高，采用粒子群算法计算用户偏好参数方法(PSO)推荐准确率略低于本发明旅游推荐方法(GD)，而传统的协同过滤旅游推荐方法（CF）推荐准确率最低，所以，本发明旅游推荐方法在推荐准确率方面优于采用粒子群算法计算用户偏好参数方法(PSO)和传统的协同过滤旅游推荐方法(CF)。

B各方法推荐的景点在推荐错误率方面的实验结果

用本发明旅游推荐方法(GD)以及采用粒子群算法计算用户偏好参数方法(PSO)，传统的协同过滤旅游推荐方法(CF)分别为用户推荐前K个最具有吸引力的兴趣点，当用户的评分小于4时，认为该用户不喜欢这个景点，推荐结果中如果有这些景点，说明推荐结果不准确。所以推荐错误率定义如下：Q为推荐的景点中该用户评分小于4的景点集合，T为测试集中景点集合，景点的推荐错误率ErrorRateK表示为式(7)所示：

$\mathrm{ErrorRate}K=\frac{|Q\&cap;T|}{K}\&times;100\%---\left(7\right)$

图3为本发明旅游推荐方法以及其它旅游推荐方法在推荐错误率方面的实验结果图，图3中X轴代表了推荐的兴趣点个数K的取值，纵坐标代表推荐错误率，推荐错误率越低代表该方法的推荐景点越符合该用户需求，从图3中可以看出，本发明旅游推荐方法(GD)推荐错误率最低，采用粒子群算法计算用户偏好参数方法(PSO)推荐错误率略高于本发明方法(GD)，而传统的协同过滤旅游推荐方法(CF)推荐错误率最高，所以，本发明旅游推荐方法在推荐错误率方面优于采用粒子群算法计算用户偏好参数方法(PSO)和传统的协同过滤旅游推荐方法(CF)。

C各方法推荐的景点的序列与景点最优序列之间相关性方面的实验结果

用本发明旅游推荐方法(GD)以及采用粒子群算法计算用户偏好参数方法(PSO)，传统的协同过滤旅游推荐方法(CF)分别为用户推荐前K个最具有吸引力的兴趣点，然后将各方法推荐的景点序列与该用户选择的景点的最优序列进行比较，各方法推荐的景点序列与景点的最优序列的相关性NDCGK表示为式(8)所示：

$\mathrm{NDCG}K=\frac{\mathrm{DCG}K}{\mathrm{iDCG}K}---\left(8\right)$

其中，

$\mathrm{DCG}K={\mathrm{\&Sigma;}}_{i=1}^K{\mathrm{kog}}_2\frac{2^{r_i}-1}{1+i}---\left(9\right)$

i为景点序列中景点的下标，r_i为该用户对第i个景点的评分，iDCGK为景点的最优序列下的DCGK值。

NDCGK的标准是基于以下两个假设：

(1)相关性越高的景点排在前面越好。

(2)相关性高的景点较相关性低的景点更能满足该用户的需求。

图4为本发明旅游推荐方法以及其它旅游推荐方法在推荐的景点序列和景点的最优序列之间相关性方面的实验结果图，图4中黑色的柱图表示各方法推荐的景点个数为5的景点序列和景点个数为5的最优序列之间相关性，白色柱图表示各方法推荐的景点个数为10的景点序列和景点个数为10的最优序列之间相关性，推荐的景点序列与景点的最优序列的相关性越大，表明该方法推荐的景点越符合该用户的需求，从图4中可以看出，本发明旅游推荐方法(GD)在K=5和K=10时，NDCGK的值分别达到了0.6502和0.6649，均高于采用粒子群算法计算用户偏好参数方法(PSO)和传统的协同过滤旅游推荐方法(CF)在K=5和K=10时的NDCGK的值，所以，本发明方法(GD)在推荐的景点的序列与景点最优序列之间相关性方面优于采用粒子群算法计算用户偏好参数方法(PSO)和传统的协同过滤旅游推荐方法(CF)。

所以，本发明旅游推荐方法(GD)在推荐景点的推荐准确率、推荐景点的推荐错误率、推荐的景点的序列与景点最优序列之间相关性三方面都优于采用粒子群算法计算用户偏好参数方法(PSO)和传统的协同过滤旅游推荐方法(CF)。

图5为本发明旅游推荐装置一个实施例的结构示意图，如图5所示，该装置可以包括：建立模块501、生成模块502、确定模块503、计算模块504和推荐模块505。

其中，建立模块501，用于根据设定的兴趣点类型模型和兴趣点费用模型，建立兴趣点的效用函数模型。

生成模块502，用于根据该用户的历史兴趣点评分和效用函数模型生成目标函数。

确定模块503，用于以目标函数中的用户偏好参数为优化目标，确定最优效用函数模型。

计算模块504，用于根据最优效用函数模型计算待选兴趣点的效用值。

推荐模块505，用于将效用值最大的至少一个待选兴趣点推荐给该用户。

本实施例的装置可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

进一步地，建立模块501，用于根据设定的兴趣点类型模型和设定的兴趣点费用模型建立兴趣点的效用函数模型，具体为：

采用U(X,C)=α*U₁(X)+β*U₂(C)建立所述兴趣点的效用函数模型，

其中，α+β=1,0<α<1,0<β<1，U₁(X)表示兴趣点类型模型，U₂(C)表示兴趣点费用模型，α，β分别表示兴趣点类型模型和兴趣点费用模型所占权重。

具体的，兴趣点类别模型为：

$U_1\left(X\right)={\mathrm{\&Pi;}}_{i=1}^n{(x_i+1)}^{{\mathrm{\&alpha;}}_i}-1,$ 其中， ${\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&alpha;}}_i=\mathrm{1,0}\&le;{\mathrm{\&alpha;}}_i\&le;1,$ X表示兴趣点类型向量，x_i表示兴趣点类型向量X的第i维分量，α_i表示用户对第i种兴趣点类型的偏好参数，n表示兴趣点的类型数。

兴趣点费用模型为：

$U_2\left(C\right)=\left\{\begin{array}{cc}\sqrt{1-C^2/C_{\max }^2}& C\&le;C_{\max }\\ 0& C>C_{\max }\end{array}\right.,$ 其中，C表示兴趣点的费用，C_max表示该用户上去过的历史兴趣点中最贵的费用。

生成模块502，用于根据该用户的历史兴趣点评分和效用函数模型生成目标函数，具体为：

根据 $G\left(M\right)={\mathrm{\&Sigma;}}_{j=1}^{\left|M\right|}{(r_j-K*(\mathrm{\&alpha;}*U\left(X\right))+\mathrm{\&beta;}*U\left(C\right))}^2$ 生成所述目标函数；

其中，M表示所述用户的历史兴趣点个数，r_j表示第j个历史兴趣点评分，K表示映射常数，K=5。

确定模块503，用于以目标函数中的用户偏好参数为优化目标，确定最优效用函数模型，具体包括：

采用梯度下降法确定所述目标函数中用户偏好参数的最优值；

根据所述用户偏好参数的最优值，采用 $U(X,C)=\mathrm{\&alpha;}*U_1\left(X\right)+\mathrm{\&beta;}*U_2\left(C\right)=\mathrm{\&alpha;}*({\mathrm{\&Pi;}}_{i=1}^n{(x_i+1)}^{{\mathrm{\&alpha;}}_i}-1)+\mathrm{\&beta;}*U_2\left(C\right)$ 确定最优效用函数模型。

其中，α+β=1,0<α<1,0<β<1，U₁(X)表示兴趣点类型模型，U₂(C)表示兴趣点费用模型，α，β分别表示兴趣点类型模型和兴趣点费用模型所占权重，X表示兴趣点类型向量，x_i表示兴趣点类型向量X的第i维分量，α_i表示用户对第i种兴趣点类型的偏好参数，n表示兴趣点的类型数。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种旅游推荐方法，其特征在于，包括：

根据设定的兴趣点类型模型和兴趣点费用模型，建立兴趣点的效用函数模型；

根据该用户的历史兴趣点评分和所述效用函数模型生成目标函数；

以所述目标函数中的用户偏好参数为优化目标，确定最优效用函数模型；

根据最优效用函数模型计算待选兴趣点的效用值；

将所述效用值最大的至少一个待选兴趣点推荐给所述用户。

2.根据权利要求1所述的方法，其特征在于，所述根据设定的兴趣点类型模型和兴趣点费用模型建立兴趣点的效用函数模型，具体为：

采用U(X,C)=α*U₁(X)+β*U₂(C)建立所述兴趣点的效用函数模型；

其中，α+β=1,0<α<1,0<β<1，U₁(X)表示所述兴趣点类型模型，U₂(C)表示所述兴趣点费用模型，α，β分别表示所述兴趣点类型模型和所述兴趣点费用模型所占权重。

3.根据权利要求2所述的方法，其特征在于，所述兴趣点类型模型为：

$U_1\left(X\right)={\mathrm{\&Pi;}}_{i=1}^n{(x_i+1)}^{{\mathrm{\&alpha;}}_i}-1$ 其中， ${\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&alpha;}}_i=\mathrm{1,0}\&le;{\mathrm{\&alpha;}}_i\&le;1$

X表示兴趣点类型向量，x_i表示所述兴趣点类型向量X的第i维分量，α_i表示所述用户对第i种兴趣点类型的偏好参数，n表示兴趣点的类型数；

所述兴趣点费用模型为：

$U_2\left(C\right)=\left\{\begin{array}{cc}\sqrt{1-C^2/C_{\max }^2}& C\&le;C_{\max }\\ 0& C>C_{\max }\end{array}\right.$

其中，C表示兴趣点的费用，C_max表示所述用户去过的历史兴趣点中最贵的费用。

4.根据权利要求2或3所述的方法，其特征在于，所述根据该用户的历史兴趣点评分和所述效用函数模型生成目标函数，具体为：

根据 $G\left(M\right)={\mathrm{\&Sigma;}}_{j=1}^{\left|M\right|}{(r_j-K*(\mathrm{\&alpha;}*U_1\left(X\right))+\mathrm{\&beta;}*U_2\left(C\right))}^2$ 生成所述目标函数；

其中，

M表示所述用户的历史兴趣点个数，r_j表示第j个历史兴趣点评分，K表示映射常数。

5.根据权利要求4所述的方法，其特征在于，所述以所述目标函数中的用户偏好参数为优化目标，确定最优效用函数模型，具体包括：

采用梯度下降法确定所述目标函数中用户偏好参数的最优值；

根据所述用户偏好参数的最优值，采用 $U(X,C)=\mathrm{\&alpha;}*U_1\left(X\right)+\mathrm{\&beta;}*U_2\left(C\right)=\mathrm{\&alpha;}*({\mathrm{\&Pi;}}_{i=1}^n{(x_i+1)}^{{\mathrm{\&alpha;}}_i}-1)+\mathrm{\&beta;}*U_2\left(C\right)$ 确定最优效用函数模型；

其中，α+β=1,0<α<1,0<β<1，U₁(X)表示所述兴趣点类型模型，U₂(C)表示所述兴趣点费用模型，α，β分别表示所述兴趣点类型模型和所述兴趣点费用模型所占权重，X表示所述兴趣点类型向量，x_i表示所述兴趣点类型向量X的第i维分量，α_i表示所述用户对第i种兴趣点类型的偏好参数，n表示所述兴趣点的类型数。

6.一种旅游推荐装置，其特征在于，包括：

建立模块，用于根据设定的兴趣点类型模型和兴趣点费用模型，建立兴趣点的效用函数模型；

生成模块，用于根据该用户的历史兴趣点评分和所述效用函数模型生成目标函数；

确定模块，用于以所述目标函数中的用户偏好参数为优化目标，确定最优效用函数模型；

计算模块，用于根据最优效用函数模型计算待选兴趣点的效用值；

推荐模块，用于将所述效用值最大的至少一个待选兴趣点推荐给所述用户。

7.根据权利要求6所述的装置，其特征在于，

所述建立模块，用于根据设定的兴趣点类型模型和兴趣点费用模型建立兴趣点的效用函数模型，具体为：

采用U(X,C)=α*U₁(X)+β*U₂(C)建立所述兴趣点的效用函数模型；

其中，α+β=1,0<α<1,0<β<1，U₁(X)表示所述兴趣点类型模型，U₂(C)表示所述兴趣点费用模型，α，β分别表示所述兴趣点类型模型和所述兴趣点费用模型所占权重。

8.根据权利要求7所述的装置，其特征在于，所述兴趣点类别模型为：

$U_1\left(X\right)={\mathrm{\&Pi;}}_{i=1}^n{(x_i+1)}^{{\mathrm{\&alpha;}}_i}-1$ 其中， ${\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&alpha;}}_i=\mathrm{1,0}\&le;{\mathrm{\&alpha;}}_i\&le;1$

X表示兴趣点类型向量，x_i表示所述兴趣点类型向量X的第i维分量，α_i表示用户对第i种兴趣点类型的偏好参数，n表示兴趣点的类型数；

所述兴趣点费用模型为：

$U_2\left(C\right)=\left\{\begin{array}{cc}\sqrt{1-C^2/C_{\max }^2}& C\&le;C_{\max }\\ 0& C>C_{\max }\end{array}\right.$

其中，C表示兴趣点的费用，C_max表示用户历史上去过的兴趣点中最贵的费用。

9.根据权利要求7或8所述的装置，其特征在于，

所述生成模块，用于根据该用户的历史兴趣点评分和所述效用函数模型生成目标函数，具体为：

根据 $G\left(M\right)={\mathrm{\&Sigma;}}_{j=1}^{\left|M\right|}{(r_j-K*(\mathrm{\&alpha;}*U\left(X\right))+\mathrm{\&beta;}*U\left(C\right))}^2$ 生成所述目标函数；

其中，

M表示所述用户的历史兴趣点个数，r_j表示第j个历史兴趣点评分，K表示映射常数。

10.根据权利要求9所述的装置，其特征在于，

所述确定模块，用于以所述目标函数中的用户偏好参数为优化目标，确定最优效用函数模型，具体包括：

采用梯度下降法确定所述目标函数中用户偏好参数的最优值；

根据所述用户偏好参数的最优值，采用 $U(X,C)=\mathrm{\&alpha;}*U_1\left(X\right)+\mathrm{\&beta;}*U_2\left(C\right)=\mathrm{\&alpha;}*({\mathrm{\&Pi;}}_{i=1}^n{(x_i+1)}^{{\mathrm{\&alpha;}}_i}-1)+\mathrm{\&beta;}*U_2\left(C\right)$ 确定最优效用函数模型；

其中，α+β=1,0<α<1,0<β<1，U₁(X)表示所述兴趣点类型模型，U₂(C)表示所述兴趣点费用模型，α，β分别表示所述兴趣点类型模型和所述兴趣点费用模型所占权重，X表示所述兴趣点类型向量，x_i表示所述兴趣点类型向量X的第i维分量，α_i表示所述用户对第i种兴趣点类型的偏好参数，n表示所述兴趣点的类型数。

Images