CN108062366B - 公共文化信息推荐*** - Google Patents
公共文化信息推荐*** Download PDFInfo
- Publication number
- CN108062366B CN108062366B CN201711287156.2A CN201711287156A CN108062366B CN 108062366 B CN108062366 B CN 108062366B CN 201711287156 A CN201711287156 A CN 201711287156A CN 108062366 B CN108062366 B CN 108062366B
- Authority
- CN
- China
- Prior art keywords
- cultural
- activity
- culture
- venue
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000000694 effects Effects 0.000 claims abstract description 391
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 22
- 238000002372 labelling Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010224 classification analysis Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 22
- 230000015654 memory Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 4
- 230000009849 deactivation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9562—Bookmark management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及计算机技术领域,具体提供了一种公共文化信息推荐***,旨在解决如何根据用户当前的情境信息对用户参与文化活动和参观文化场馆的行为进行统筹规划的技术问题。为此目的,本发明中公共文化信息推荐***的兴趣匹配装置可以获得当前用户的匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签;文化场馆地理信息计算装置可定位场馆、规划路径和计算路程时间;文化活动推荐装置可推荐候选文化活动;文化场馆推荐装置可推荐目标文化场馆和目标文化活动;行程推荐装置可将目标文化场馆、目标文化活动、交通规划信息和时间规划信息推荐给用户。通过本发明可以将文化活动、文化场馆、交通、时间进行统筹规划并推荐给用户。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种公共文化信息推荐***。
背景技术
推荐***是根据用户浏览网页时的点击行为以及对网上资源的兴趣特点,向用户推荐其感兴趣的相关信息。推荐***是个复杂的***工程,依赖用户数据、架构、算法、人机交互等环节的有机结合,需要统计学技术、数据挖掘技术、信息检索技术等学科的统一结合。
随着人们经济水平的提高以及人们对精神食粮的不断追求,文化活动呈现蓬勃发展的态势。文化活动的类型越来越多,如音乐、美术、文学、戏剧、舞蹈、习俗、历史以及哲学等,与此同时,文化活动的形式也多种多样,如文化展览、文化演出、文化交流、文化讲座、文化宣传、文化赛事等。另一方面,人们不仅仅参与当地的文化活动,越来越多的人选择各种各样的交通工具走向更加广阔的天地去参加自己感兴趣的文化活动,去参观自己感兴趣的文化场馆。
但是随着文化活动类型和文化活动形式的井喷式的增长以及人们生活步伐的快节奏化,越来越多的人需要一种根据用户当前的情境信息对文化活动、文化活动场馆、交通和时间进行统筹规划和推荐的公共文化信息推荐***。
发明内容
为了解决现有技术中的上述问题,即为了解决如何根据用户当前的情境信息对用户参与文化活动和参观文化场馆的行为进行统筹规划和推荐的技术问题,本发明提供了一种公共文化信息推荐***。
本发明中的公共文化信息推荐***,包括:兴趣匹配装置、文化场馆地理信息计算装置、文化活动推荐装置、文化场馆推荐装置和行程推荐装置;
所述兴趣匹配装置,配置为依据用户行为数据库和当前用户感兴趣的文化词汇,并利用Word2Vec模型获得当前用户的匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签;
所述文化场馆地理信息计算装置,配置为依据当前地理位置数据和文化场馆信息库,对所述文化场馆信息库中的文化场馆进行场馆定位、规划当前地理位置到所述文化场馆的路径以及依据所规划的路径计算所述当前地理位置到所述文化场馆的路程时间;
所述文化活动推荐装置,配置为根据当前用户设置的时间区间、文化活动信息库、当前时间数据、当前天气数据、所述文化场馆信息库,以及所述兴趣匹配装置获取的当前用户的匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签,推荐候选文化活动;
所述文化场馆推荐装置,配置为依据所述当前时间数据、所述文化场馆信息库、所述文化场馆地理信息计算模块获取的路程时间以及所述文化活动推荐模块获取的候选文化活动,推荐目标文化场馆和目标文化活动;
所述行程推荐装置,配置为依据所述文化场馆地理信息计算装置获取的场馆位置、路径和路程时间,以及所述文化场馆推荐装置获取的目标文化场馆和目标文化活动,确定交通规划信息和时间规划信息并推荐给当前用户。
优选地,所述兴趣匹配装置包括兴趣标注模块和兴趣匹配模块;
所述兴趣标注模块,配置为依据所述用户行为数据库和预设标签信息,并利用统计方法进行统计分析,获得兴趣标签库;
所述兴趣匹配模块,配置为依据当前用户感兴趣的文化词汇并利用Word2Vec模型匹配所述兴趣标签库,获得当前用户的匹配文化关键词、匹配文化类型标签以及匹配文化活动形式标签。
优选地,所述兴趣匹配模块包括语料库构建单元、模型训练单元、词向量获取单元、相似度计算单元和匹配单元;
所述语料库构建单元,配置为利用所述文化活动信息库中的文化活动信息进行中文分词,并依据预设停用词表进行数据清洗后构建语料库,其中,所述预设停用词表包括一个或多个预设停用词;
所述模型训练单元,配置为依据所述语料库构建单元构建的语料库,并采用随机梯度下降算法对所述Word2Vec模型进行训练直至所述Word2Vec模型收敛;
所述词向量获取单元,配置为采用经所述模型训练单元训练后的Word2Vec模型,获取所述语料库构建单元构建的语料库对应的词向量集;
所述相似度计算单元,配置为使用皮尔逊相关系数,计算所述词向量获取单元获取的词向量集,分别与所述兴趣标签库中的文化关键词、文化类型标签和文化活动形式标签的相似度;
所述匹配单元,配置为将所述相似度计算单元获取的相似度大于阈值的文化关键词、文化类型标签和文化活动形式标签分别作为匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签。
优选地,所述文化活动推荐装置包括文化活动语义模块和文化活动推荐模块;
所述文化活动语义模块,配置为获取所述文化活动信息库中的文化活动的文化关键词、文化类型标签与文化活动形式标签;
所述文化活动推荐模块,配置为依据所述当前用户设置的时间区间、文化活动信息库、当前时间数据、当前天气数据、所述兴趣匹配装置获取的当前用户的匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签,以及所述文化活动语义模块获取的文化关键词、文化类型标签与文化活动形式标签,获取所述候选文化活动。
优选地,所述文化活动推荐模块包括文化活动时间过滤单元、文化活动天气过滤单元和匹配值计算单元;
所述文化活动时间过滤单元,配置为依据所述当前用户设置的时间区间和所述文化活动信息库,获取在所述当前用户设置的时间区间内的第一文化活动;
所述文化活动天气过滤单元,配置为将所述文化活动时间过滤单元获取的第一文化活动,依据所述当前的天气数据、文化活动信息库与所述文化场馆信息库,获取符合当前天气情况的第二文化活动;
所述匹配值计算单元,配置为依据下式所示的方法,计算所述第二文化活动与所述兴趣匹配装置获取的匹配文化关键词、匹配文化类型和匹配文化活动形式之间的匹配值D,并根据所述匹配值进行降序排序,选取第1-M个文化活动作为候选文化活动,其中M≥1:
其中,α是匹配文化活动形式的权重,β是匹配文化类型的权重,γ是匹配文化关键词的权重,α,β,γ∈[0,1],且α+β+γ=1;
n是所述第二文化活动的文化活动形式标签的数量,m是所述兴趣匹配装置获取的匹配文化活动形式标签的数量;Match(ATi,ATl')为所述第二文化活动中的第i个文化活动形式标签ATi与所述第l个匹配文化活动形式标签ATl'的布尔值,且当所述ATi与所述ATl'一致时,Match(ATi,ATl')=1;不一致时,Match(ATi,ATl')=0;;
k是所述第二文化活动的文化类型标签的数量,g是所述兴趣匹配模块获取的匹配文化类型标签的数量;Match(CTu,CTv')为所述第二文化活动中的第u个文化类型标签CTu与所述第l个匹配文化类型标签CTv'的布尔值,且当所述CTu与所述CTv'一致时,Match(CTu,CTv')=1;不一致时,Match(CTu,CTv')=0;
p是所述第二文化活动的文化关键词的数量,q是所述兴趣匹配装置获取的匹配文化关键词的数量;KWx为所述第二文化活动中的第x个文化关键词,KW′y为第y个匹配文化关键词;
Sim为相似度函数,Sim∈(0,1],M是所述***默认的候选文化活动推荐数量。
优选地,所述文化场馆推荐装置包括场馆匹配模块、场馆时间过滤模块和场馆路途时间过滤模块;
所述场馆匹配模块,配置为依据所述文化活动推荐装置获取的候选文化活动与所述文化场馆信息库,匹配所述候选文化活动的文化场馆;
所述场馆时间过滤模块,配置为依据所述当前时间数据、所述文化场馆信息库与所述场馆匹配模块获取的候选文化活动的文化场馆进行过滤,获得第一文化场馆;
所述场馆路途时间过滤模块,配置为依据所述文化场馆信息库与所述文化场馆地理信息计算装置获取的路程时间,对所述场馆时间过滤模块获取的第一文化场馆进行过滤,获得目标文化场馆和目标文化活动。
优选地,所述文化场馆推荐装置还包括常设文化活动推荐模块;所述常设文化活动推荐模块,配置为采用协同过滤算法获取所述用户行为数据库中与当前用户兴趣相仿的用户群,并推荐所述目标场馆中所述用户群感兴趣的文化活动给当前用户。
优选地,所述常设文化活动推荐模块包括用户群获取单元、用户活动矩阵构建单元、兴趣值计算单元和常设文化活动推荐单元;
所述用户群获取单元,配置为依据所述场馆路途时间过滤模块获取的目标文化场馆以及所述用户行为数据库,获取曾经访问过所述目标文化场馆的用户群;
所述用户活动矩阵构建单元,配置为依据所述用户群获取单元获取的用户群与当前用户的文化活动历史数据,构建用户-活动矩阵;
所述兴趣值计算单元,配置为采用LFM矩阵分解法,将所述用户活动矩阵构建单元获取的用户-活动矩阵计算出用户矩阵和文化活动矩阵,并根据所述用户矩阵和所述文化活动矩阵计算出所述当前用户对每项文化活动的兴趣值;
所述常设文化活动推荐单元,配置为依据所述兴趣值计算单元获取的当前用户对每项文化活动的兴趣值,将所述目标文化场馆中的文化活动进行降序排序,并选取第1-N个目标文化场馆中的文化活动进行推荐,其中N为所述***默认的常设文化活动推荐数量,且N≥1。
优选地,所述行程推荐装置包括交通规划模块和时间规划模块;
所述交通规划模块,配置为依据所述文化场馆推荐装置获取的目标文化场馆并利用所述文化场馆地理信息计算装置,进行场馆的地理定位和路径规划,获得交通规划信息;
所述时间规划模块,配置为执行下述操作:
步骤A1,依据所述文化场馆推荐装置获取的目标文化场馆、目标文化活动与所述交通规划模块获得的交通规划信息,并通过所述文化场馆地理信息计算装置计算场馆路程时间;
步骤A2,依据所述当前用户设置的时间区间、所述场馆路程时间并按照下式所示方法获取当前用户参与目标文化活动的总时间:
t3=t1-t2
其中,t1为所述当前用户设置的时间区间,t2为所述场馆路程时间,t3为当前用户参与目标文化活动的总时间;
步骤A3,依据所述常设文化活动推荐单元获取的当前用户对每项文化活动的兴趣值,计算每项目标文化活动占所述当前用户参与目标文化活动的总时间的时间比例;
步骤A4,依据所述时间比例、所述文化场馆信息库和所述文化活动信息库,规划所述每项目标文化活动的参与时间,获取时间规划信息。
优选地,所述公共文化信息推荐***还包括反馈装置;所述反馈装置,配置为当所述当前用户接受所述行程推荐装置推荐的信息,将所述行程推荐装置推荐的信息记入所述用户行为数据库。
与最接近的现有技术相比,上述技术方案至少具有以下有益效果:
1.本发明的公共文化信息推荐***中,通过在该***中设置兴趣匹配装置、文化场馆地理信息计算装置、文化活动推荐装置、文化场馆推荐装置和行程推荐装置,可以根据用户当前时间数据、地理数据以及天气情况,将文化场馆推荐信息、文化活动推荐信息、时间规划信息以及交通规划信息进行统筹规划并推荐给用户,让用户省心省力的参与文化活动和参观文化场馆。
2.本发明的公共文化信息推荐***中,利用该***中的文化活动推荐装置,可以根据当前用户设置的时间区间和文化活动信息库中的文化活动举办时间过滤掉不在当前用户设置的时间区间内的文化活动;通过文化活动信息库中文化活动举办的场馆、当前天气数据和文化场馆库中的场馆是室内还是室外的信息过滤掉不符合天气情况的文化活动;将过滤后剩余的文化活动和兴趣匹配装置获取的匹配文化关键词、匹配文化类型以及匹配活动形式进行匹配,最终得出向用户推荐的候选文化活动,从而使该***向用户推荐符合用户时间、符合当前的天气情况并且是用户感兴趣的文化活动。
3.本发明的公共文化信息推荐***中,利用该***中的文化场馆推荐装置,根据文化场馆信息库中的场馆基本信息、场馆开放时间与文化场馆地理信息计算装置获取的场馆路途时间,对文化活动推荐装置获取的候选文化活动进行过滤,从而排除不符合用户时间的文化活动和文化场馆,得到符合当前用户的时间、符合场馆开放时间、符合场馆路途时间并且是用户感兴趣的文化活动和文化场馆,进一步提升了用户参与文化活动和参观文化场馆的用户体验。
4.本发明的公共文化信息推荐***中,利用该***中的常设文化活动推荐模块,计算得出与当前用户兴趣相仿的用户群,进而得出目标文化场馆中该用户群感兴趣的常设文化活动并推荐给当前用户,这样方便用户在同一文化场馆参与其可能感兴趣的文化活动,最终使得当前用户可以在有限的时间内参与更多感兴趣的文化活动。
5.本发明的公共文化信息推荐***中,通过在该***中设置反馈装置,当用户接受该***的推荐信息时,将此推荐信息记入用户行为数据库,从而让用户行为数据中的数据更加精准可靠。
附图说明
图1是本发明实施例的公共文化信息推荐***主要框架示意图;
附图中标记为:100-兴趣匹配装置,110-兴趣标注模块,120-兴趣匹配模块,121-语料库构建单元,122-模型训练单元,123-词向量获取单元,124-相似度计算单元,125-匹配单元,200-文化场馆地理信息计算装置,300-文化活动推荐装置,310-文化活动语义模块,311-关键词抽取单元,312-文化类型标注单元,313-活动形式标注单元,320-文化活动推荐模块,321-文化活动时间过滤单元,322-文化活动天气过滤单元,323-匹配值计算单元,400-文化场馆推荐装置,410-场馆匹配模块,420-场馆时间过滤模块,430-场馆路途时间过滤模块,440-常设文化活动推荐模块,441-用户群获取单元,442-用户活动矩阵构建单元,443-兴趣值计算单元,444-常设文化活动推荐单元,500-行程推荐装置,510-交通规划模块,520时间规划模块,600-情境数据采集装置,700-输入装置,800-反馈装置。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明中的公共文化信息推荐***,是根据用户当前的情境数据,如当前时间数据、当前地理位置数据和当前天气数据,并依据用户行为数据库、文化活动信息库和文化场馆信息库向用户推荐文化活动、文化场馆、交通规划信息和时间规划信息的推荐***,其中该文化信息推荐***适合用于一天以内时间的信息推荐。
下面结合附图,对本发明实施例中公共文化信息推荐***进行说明。
参阅附图1,图1示例性的示出了本发明实施例的公共文化信息推荐***主要框架。如图1所示,本实施例中公共文化信息推荐***可以包括兴趣匹配装置100、文化场馆地理信息计算装置200、文化活动推荐装置300、文化场馆推荐装置400和行程推荐装置500。
进一步地,本实施例中兴趣匹配装置100可以配置为依据用户行为数据库和当前用户感兴趣的文化词汇,并利用Word2Vec模型获得当前用户的匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签。
进一步地,本实施例中兴趣匹配装置100可以包括兴趣标注模块110和兴趣匹配模块120。
其中,兴趣标注模块110可以配置为依据用户行为数据库和预设标签信息,并利用统计方法进行统计分析,获得兴趣标签库。
具体地,本实施例中用户行为数据库包括用户参与文化活动的行为数据和用户参观文化场馆的行为数据。兴趣标注模块110获取的兴趣标签库包括文化关键词标签集、文化类型标签集和文化活动形式标签集。文化关键词、文化类型标签和文化活动形式标签都是文本形式,但是文化关键词的范围不固定,文化类型标签是根据预设标签信息定义的文化类型,文化活动形式标签是根据预设标签信息定义的文化活动形式。
兴趣匹配模块120可以配置为依据当前用户感兴趣的文化词汇并利用Word2Vec模型匹配兴趣标签库,获得当前用户的匹配文化关键词、匹配文化类型标签以及匹配文化活动形式标签。
具体地,本实施例中的匹配文化关键词是当前用户感兴趣的文化词汇和兴趣标签库中的文化关键词集匹配后的结果,匹配文化类型是当前用户感兴趣的文化词汇和兴趣标签库中的文化类型标签集匹配后的结果,匹配文化活动形式标签是当前用户感兴趣的文化词汇和兴趣标签库中的文化活动形式标签集匹配后的结果。
进一步地,本实施中兴趣匹配模块120包括语料库构建单元121、模型训练单元122、词向量获取单元123、相似度计算单元124和匹配单元125。
其中,语料库构建单元121可以配置为利用文化活动信息库中的文化活动信息进行中文分词,并依据预设停用词表进行数据清洗后构建语料库,其中,预设停用词表包括一个或多个预设停用词。
具体地,本实施例中文化活动信息库存储着当前正在举办的文化活动的信息,具体包括文化活动的名称、文化活动的举办时间、文化活动的举办场馆、文化活动的文字介绍、文化关键词、文化类型和文化活动形式,其中文化类型可以为音乐、美术、文学、戏剧、舞蹈、习俗、历史、哲学等;文化活动形式可以为文化展览、文化演出、文化交流、文化讲座、文化宣传、文化赛事等。文化活动信息库中的每项文化活动都包含以上信息,每项文化活动有一组文化关键词,每项文化活动可以有一个或多个文化类型、每项文化活动可以有一个或多个文化活动形式。内容相同的文化活动的举办时间不同或者举办场馆不同,视为不同的文化活动。
预设停用词表是人工定义的,用于过滤掉预设停用词表中的词。依据预设停用词表对每句话或短语进行过滤,将过滤后获得的有效词汇保持原有顺序不变,词汇之间使用空格进行隔离,获得有序的词组。之后将词组进行首尾相连,词组之间使用空格进行隔离,形成一个整体的大词组,即是语料库。
模型训练单元122可以配置为依据语料库构建单元121构建的语料库,并采用随机梯度下降算法对Word2Vec模型进行训练直至Word2Vec模型收敛。
具体地,本实施例中Word2Vec模型为基于深度学习的自然语言处理模型。
词向量获取单元123可以配置为采用经模型训练单元122训练后的Word2Vec模型,获取语料库构建单元121构建的语料库对应的词向量集。
相似度计算单元124可以配置为使用皮尔逊相关系数,计算词向量获取单元123获取的词向量集,分别与兴趣标签库中的文化关键词、文化类型标签和文化活动形式标签的相似度。
匹配单元125可以配置为将相似度计算单元124获取的相似度大于阈值的文化关键词、文化类型标签和文化活动形式标签分别作为匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签。
具体地,本实施中匹配文化关键词包含一个或多个文化关键词,匹配文化类型标签包含一个或多个文化类型标签,匹配文化活动形式标签包含一个或多个文化活动形式标签。
文化场馆地理信息计算装置200,配置为依据当前地理位置数据和文化场馆信息库,对文化场馆信息库中的文化场馆进行场馆定位、规划当前地理位置到文化场馆的路径以及依据所规划的路径计算当前地理位置到文化场馆的路程时间。
具体地,本实施中当前地理位置数据可以通过设有传感器的终端设备或地理信息***获取;终端设备可以为手机、平板电脑、笔记本电脑等,地理信息***可以为百度地图API。其中,当前地理位置到文化场馆的路程时间可以根据用户乘坐的交通工具和该文化场馆地理信息计算装置200规划的路径得到的。
文化场馆信息库存储着文化场馆信息,具体包括场馆的基本信息,如场馆名称、场馆在室内或室外等,场馆开放时间、场馆地理位置和场馆常设的文化活动,如常设的展览。本实施例中的文化场馆地理信息计算装置200依据的是文化场馆信息库中的场馆地理位置。
文化活动推荐装置300,配置为根据当前用户设置的时间区间、文化活动信息库、当前时间数据、当前天气数据、文化场馆信息库,以及兴趣匹配装置100获取的当前用户的匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签,推荐候选文化活动。
具体地,本实施例中当前时间数据、当前天气数据可以通过网络或者设有传感器的终端设备获取,其中终端设备可以为手机、平板电脑、笔记本电脑等。
进一步地,本实施例中文化活动推荐装置300包括文化活动语义模块310和文化活动推荐模块320。
其中,文化活动语义模块310可以配置为获取文化活动信息库中的文化活动的文化关键词、文化类型标签与文化活动形式标签。
具体地,本实施中文化活动语义模块310包括关键词抽取单元311、文化类型标注单元312和活动形式标注单元313。
其中,关键词抽取单元311可以配置为采用TextRank算法对文化活动信息库进行文本分析,抽取文化活动的关键词。
具体地,本实施例中的关键词抽取单元311是对文化活动信息库中的文化活动的名称和文化活动的文字介绍进行文本分析。
文化类型标注单元312可以配置为通过第一分类模型对文化活动信息库中的文化活动进行分类分析,得到文化类型标签。
具体地,本实施中第一分类模型为贝叶斯分类模型,在使用第一分类模型获取文化类型标签之前还需对第一分类模型进行训练。第一分类模型的优化训练步骤包括步骤S11,步骤S12和步骤S13。
步骤S11,通过人工标注的方式,对文化活动信息库中的文化活动标注文化类型标签,得到文化类型训练集和文化类型测试集。
步骤S12,从文化类型训练集进行抽样,利用抽样后的文化类型训练集对第一分类模型进行训练。
步骤S13,利用文化类型测试集对第一分类模型的训练结果进行评估直至第一分类模型的输出结果的准确率和召回率达到预设第一阈值,否则调整第一分类模型的待优化参数的权重值并重新对其进行训练。
活动形式标注单元313可以配置为通过第二分类模型对文化活动信息库中的文化活动进行分类分析,得到文化活动形式标签。
具体地,本实施中第二分类模型为贝叶斯分类模型,在使用第二分类模型获取文化活动形式标签之前还需对第二分类模型进行训练。第二分类模型的优化训练步骤包括步骤S21,步骤S22和步骤S23。
步骤S21,通过人工标注的方式,对文化活动信息库中的文化活动标注文化活动形式标签,得到文化活动形式训练集和文化活动形式测试集。
步骤S22,从文化活动形式训练集进行抽样,利用抽样后的文化活动形式训练集对第二分类模型进行训练。
步骤S23,利用文化活动形式测试集对第二分类模型的训练结果进行评估直至第二分类模型的输出结果的准确率和召回率达到预设第二阈值,否则调整第二分类模型的待优化参数的权重值并重新对其进行训练。
文化活动推荐模块320,配置为依据当前用户设置的时间区间、文化活动信息库、当前时间数据、当前天气数据、兴趣匹配装置100获取的当前用户的匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签,以及文化活动语义模块310获取的文化关键词、文化类型标签与文化活动形式标签,获取候选文化活动。
进一步地,本实施中的文化活动推荐模块320包括文化活动时间过滤单元321、文化活动天气过滤单元322和匹配值计算单元323。
其中,文化活动时间过滤单元321可以配置为依据当前用户设置的时间区间和文化活动信息库,获取在当前用户设置的时间区间内的第一文化活动。
具体地,本实施中当前用户设置的时间区间是用户输入该文化信息推荐***的当前用户的有效时间。文化活动时间过滤单元321可以依据当前用户设置的时间区间和文化活动信息库中的文化活动的举办时间,进行过滤,从而获取在当前用户设置的时间区间内的第一文化活动。
文化活动天气过滤单元322可以配置为将文化活动时间过滤单元321获取的第一文化活动,依据当前的天气数据、文化活动信息库与文化场馆信息库,获取符合当前天气情况的第二文化活动。
具体地,本实施中的文化活动天气过滤单元322可以依据当前的天气数据、文化活动信息库中的文化活动的举办场馆和文化场馆信息库中的场馆是在室内还是室外的信息进行过滤,从而获取符合当前天气情况的第二文化活动。其中,当前的天气数据可以通过当前用户的终端设备获取,也可以通过网络获取。
匹配值计算单元323可以配置为依据下式(1)所示的方法,计算第二文化活动与兴趣匹配装置100获取的匹配文化关键词、匹配文化类型和匹配文化活动形式之间的匹配值D,并根据匹配值进行降序排序,选取第1-M个文化活动作为候选文化活动,其中M≥1:
其中,α是匹配文化活动形式的权重,β是匹配文化类型的权重,γ是匹配文化关键词的权重,α,β,γ∈[0,1],且α+β+γ=1;
n是第二文化活动中的文化活动形式标签的数量,m是兴趣匹配装置获取的匹配文化活动形式标签的数量;i是第二文化活动的文化活动形式标签的索引,l是兴趣匹配装置获取的匹配文化活动形式标签的索引;Match(ATi,ATl')为第二文化活动中的第i个文化活动形式标签ATi与第l个匹配文化活动形式标签ATl'的布尔值,且当ATi与ATl'一致时,Match(ATi,ATl')=1;不一致时,Match(ATi,ATl')=0;
k是第二文化活动的文化类型标签的数量,g是兴趣匹配模块获取的匹配文化类型标签的数量;u是第二文化活动的文化类型标签的索引,v是兴趣匹配装置获取的匹配文化类型标签的索引;Match(CTu,CTv')为第二文化活动中的第u个文化类型标签CTu与第l个匹配文化类型标签CTv'的布尔值,且当CTu与CTv'一致时,Match(CTu,CTv')=1;不一致时,Match(CTu,CTv')=0;
p是第二文化活动的文化关键词的数量,q是兴趣匹配装置获取的匹配文化关键词的数量;x是第二文化活动的文化关键词索引,y是兴趣匹配装置获取的匹配文化关键词的索引;KWx为第二文化活动中
的第x个文化关键词,KW′y为第y个匹配文化关键词;
Sim为相似度函数,Sim∈(0,1],M是***默认的候选文化活动推荐数量。
具体地,本实施例中α,β,γ的参数值因人而异,α,β,γ的参数值是根据每个用户参与文化活动的历史数据通过最小二乘法进行训练得到的最优值。在初期数据量较小的时候,α,β,γ三个参数均设置为0.333。
计算文化关键词相似度的方法包括步骤S31和步骤S32。
步骤S31,通过Word2Vec模型获取第二文化活动的文化关键词的词向量和匹配文化关键词的词向量。
步骤S32,通过余弦相似度方法计算第二文化活动的文化关键词的词向量和匹配文化关键词的词向量的相似度,得到文化关键词之间的匹配度。
文化场馆推荐装置400,配置为依据当前时间数据、文化场馆信息库、文化场馆地理信息计算模块获取的路程时间以及文化活动推荐模块320获取的候选文化活动,推荐目标文化场馆和目标文化活动。
进一步地,本实施例中的文化场馆推荐装置400包括场馆匹配模块410、场馆时间过滤模块420和场馆路途时间过滤模块430。
其中,场馆匹配模块410可以配置为依据文化活动推荐装置300获取的候选文化活动与文化场馆信息库,匹配候选文化活动的文化场馆。
具体的,本实施例中的场馆匹配模块410是依据候选文化活动和文化场馆信息库中的场馆的基本信息,如场馆名称、场馆是在室内或室外的信息进行文化场馆的匹配的。
场馆时间过滤模块420可以配置为依据当前时间数据、文化场馆信息库与场馆匹配模块410获取的候选文化活动的文化场馆进行过滤,获得第一文化场馆。
具体地,本实施例中的场馆时间过滤模块420是依据当前时间数据、文化场馆信息库中的场馆开放时间和候选文化活动对应的文化场馆进行过滤,获取第一文化场馆。
场馆路途时间过滤模块430可以配置为依据文化场馆信息库与文化场馆地理信息计算装置200获取的路程时间,对场馆时间过滤模块420获取的第一文化场馆进行过滤,获得目标文化场馆和目标文化活动。
具体地,本实施例中的场馆路途时间过滤模块430是依据的文化场馆信息库中的场馆开放时间、文化场馆地理信息计算装置200获取的路程时间对第一文化场馆进行过滤,从而获取目标文化场馆和目标文化活动。
进一步地,本实施例中的文化场馆推荐装置400还可以包括常设文化活动推荐模块440;常设文化活动推荐模块440可以配置为采用协同过滤算法获取用户行为数据库中与当前用户兴趣相仿的用户群,并推荐目标场馆中用户群感兴趣的文化活动给当前用户。
进一步地,本实施例中的常设文化活动推荐模块440包括用户群获取单元441、用户活动矩阵构建单元442、兴趣值计算单元443和常设文化活动推荐单元444。
其中,用户群获取单元441可以配置为依据场馆路途时间过滤模块430获取的目标文化场馆以及用户行为数据库,获取曾经访问过目标文化场馆的用户群。
用户活动矩阵构建单元442可以配置为依据用户群获取单元441获取的用户群与当前用户的文化活动历史数据,构建用户-活动矩阵。
兴趣值计算单元443可以配置为采用LFM矩阵分解法,将用户活动矩阵构建单元442获取的用户-活动矩阵计算出用户矩阵和文化活动矩阵,并根据用户矩阵和文化活动矩阵计算出当前用户对每项文化活动的兴趣值。
常设文化活动推荐单元444可以配置为依据兴趣值计算单元443获取的当前用户对每项文化活动的兴趣值,将目标文化场馆中的文化活动进行降序排序,并选取第1-N个目标文化场馆中的文化活动进行推荐,其中N为***默认的常设文化活动推荐数量,且N≥1。
行程推荐装置500可以配置为依据文化场馆地理信息计算装置200获取的场馆位置、路径和路程时间,以及文化场馆推荐装置400获取的目标文化场馆和目标文化活动,确定交通规划信息和时间规划信息并推荐给当前用户。
进一步地,本实施例中的行程推荐装置500可以包括交通规划模块510和时间规划模块520。
其中,交通规划模块510可以配置为依据文化场馆推荐装置400获取的目标文化场馆并利用文化场馆地理信息计算装置200,进行场馆的地理定位和路径规划,获得交通规划信息。
时间规划模块520可以配置为执行下述操作:
步骤A1,依据文化场馆推荐装置400获取的目标文化场馆、目标文化活动与交通规划模块510获得的交通规划信息,并通过文化场馆地理信息计算装置200计算场馆路程时间。
步骤A2,依据当前用户设置的时间区间、场馆路程时间并按照下式(2)所示方法获取当前用户参与目标文化活动的总时间:
t3=t1-t2 (2)
其中,t1为当前用户设置的时间区间,t2为场馆路程时间,t3为当前用户参与目标文化活动的总时间。
步骤A3,依据常设文化活动推荐单元444获取的当前用户对每项文化活动的兴趣值,计算每项目标文化活动占当前用户参与目标文化活动的总时间的时间比例。
步骤A4,依据时间比例、文化场馆信息库和文化活动信息库,规划每项目标文化活动的参与时间,获取时间规划信息。
进一步地,本实施例中的公共文化信息推荐***还可以包括情境数据采集装置600;情境数据采集装置600可以配置为通过终端获取当前时间数据、当前地理位置数据与当前天气数据。
进一步地,本实施例中的公共文化信息推荐***还可以包括输入装置700;输入装置700可以配置为采集当前用户设置的时间区间和当前用户感兴趣的文化词汇。
进一步地,本实施例中的公共文化信息推荐***还可以包括反馈装置800;反馈装置800可以配置为当当前用户接受行程推荐装置500推荐的信息,将行程推荐装置500推荐的信息记入用户行为数据库。
具体地,本实施例中的反馈装置800可以使用户行为数据库中的信息更加完善,另一方面因为用户行为数据库中的记录的数据因为得到了用户的认可,所以用户行为数据库中的数据会更加准确。
本领域技术人员可以理解,上述公共文化信息推荐***还包括一些其他公知结构,例如处理器、控制器、存储器等,其中,存储器包括但不限于随机存储器、闪存、只读存储器、可编程只读存储器、易失性存储器、非易失性存储器、串行存储器、并行存储器或寄存器等,处理器包括但不限于CPLD/FPGA、DSP、ARM处理器、MIPS处理器等,为了不必要地模糊本公开的实施例,这些公知的结构未在图中示出。
本领域技术人员可以理解,可以对实施例中的装置中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个装置中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的服务器、客户端中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,PC程序和PC程序产品)。这样的实现本发明的程序可以存储在PC可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在本发明的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的PC来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种公共文化信息推荐***,其特征在于,所述***包括兴趣匹配装置、文化场馆地理信息计算装置、文化活动推荐装置、文化场馆推荐装置和行程推荐装置;
所述兴趣匹配装置,配置为依据用户行为数据库和当前用户感兴趣的文化词汇,并利用Word2Vec模型获得当前用户的匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签;
所述文化场馆地理信息计算装置,配置为依据当前地理位置数据和文化场馆信息库,对所述文化场馆信息库中的文化场馆进行场馆定位、规划当前地理位置到所述文化场馆的路径以及依据所规划的路径计算所述当前地理位置到所述文化场馆的路程时间;
所述文化活动推荐装置,配置为根据当前用户设置的时间区间、文化活动信息库、当前时间数据、当前天气数据、所述文化场馆信息库,以及所述兴趣匹配装置获取的当前用户的匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签,推荐候选文化活动;
其中,所述文化活动推荐装置包括文化活动语义模块,配置为获取所述文化活动信息库中的文化活动的文化关键词、文化类型标签与文化活动形式标签;
其中,所述文化活动语义模块包括:配置为对文化活动信息库中的文化活动的名称和文化活动的文字介绍进行文本分析而抽取所述文化关键词的关键词抽取单元,配置为通过第一分类模型对文化活动信息库中的文化活动进行分类分析而得到所述文化类型标签的文化类型标注单元,以及,配置为通过第二分类模型对文化活动信息库中的文化活动进行分类分析而得到所述文化活动形式标签的活动形式标注单元;
所述文化场馆推荐装置,配置为依据所述当前时间数据、所述文化场馆信息库、所述文化场馆地理信息计算模块获取的路程时间以及所述文化活动推荐模块获取的候选文化活动,推荐目标文化场馆和目标文化活动;
所述行程推荐装置,配置为依据所述文化场馆地理信息计算装置获取的场馆位置、路径和路程时间,以及所述文化场馆推荐装置获取的目标文化场馆和目标文化活动,确定交通规划信息和时间规划信息并推荐给当前用户;
其中,所述文化场馆推荐装置包括场馆匹配模块、场馆时间过滤模块和场馆路途时间过滤模块;
所述场馆匹配模块,配置为依据所述文化活动推荐装置获取的候选文化活动与所述文化场馆信息库,匹配所述候选文化活动的文化场馆;
所述场馆时间过滤模块,配置为依据所述当前时间数据、所述文化场馆信息库与所述场馆匹配模块获取的候选文化活动的文化场馆进行过滤,获得第一文化场馆;
所述场馆路途时间过滤模块,配置为依据所述文化场馆信息库与所述文化场馆地理信息计算装置获取的路程时间,对所述场馆时间过滤模块获取的第一文化场馆进行过滤,获得目标文化场馆和目标文化活动。
2.根据权利要求1所述的公共文化信息推荐***,其特征在于,所述兴趣匹配装置包括兴趣标注模块和兴趣匹配模块;
所述兴趣标注模块,配置为依据所述用户行为数据库和预设标签信息,并利用统计方法进行统计分析,获得兴趣标签库;
所述兴趣匹配模块,配置为依据当前用户感兴趣的文化词汇并利用Word2Vec模型匹配所述兴趣标签库,获得当前用户的匹配文化关键词、匹配文化类型标签以及匹配文化活动形式标签。
3.根据权利要求2所述的公共文化信息推荐***,其特征在于,所述兴趣匹配模块包括语料库构建单元、模型训练单元、词向量获取单元、相似度计算单元和匹配单元;
所述语料库构建单元,配置为利用所述文化活动信息库中的文化活动信息进行中文分词,并依据预设停用词表进行数据清洗后构建语料库,其中,所述预设停用词表包括一个或多个预设停用词;
所述模型训练单元,配置为依据所述语料库构建单元构建的语料库,并采用随机梯度下降算法对所述Word2Vec模型进行训练直至所述Word2Vec模型收敛;
所述词向量获取单元,配置为采用经所述模型训练单元训练后的Word2Vec模型,获取所述语料库构建单元构建的语料库对应的词向量集;
所述相似度计算单元,配置为使用皮尔逊相关系数,计算所述词向量获取单元获取的词向量集,分别与所述兴趣标签库中的文化关键词、文化类型标签和文化活动形式标签的相似度;
所述匹配单元,配置为将所述相似度计算单元获取的相似度大于阈值的文化关键词、文化类型标签和文化活动形式标签分别作为匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签。
4.根据权利要求1所述的公共文化信息推荐***,其特征在于,所述文化活动推荐装置还包括文化活动推荐模块;
所述文化活动推荐模块,配置为依据所述当前用户设置的时间区间、文化活动信息库、当前时间数据、当前天气数据、所述兴趣匹配装置获取的当前用户的匹配文化关键词、匹配文化类型标签和匹配文化活动形式标签,以及所述文化活动语义模块获取的文化关键词、文化类型标签与文化活动形式标签,获取所述候选文化活动。
5.根据权利要求4所述的公共文化信息推荐***,其特征在于,所述文化活动推荐模块包括文化活动时间过滤单元、文化活动天气过滤单元和匹配值计算单元;
所述文化活动时间过滤单元,配置为依据所述当前用户设置的时间区间和所述文化活动信息库,获取在所述当前用户设置的时间区间内的第一文化活动;
所述文化活动天气过滤单元,配置为将所述文化活动时间过滤单元获取的第一文化活动,依据所述当前的天气数据、文化活动信息库与所述文化场馆信息库,获取符合当前天气情况的第二文化活动;
所述匹配值计算单元,配置为依据下式所示的方法,计算所述第二文化活动与所述兴趣匹配装置获取的匹配文化关键词、匹配文化类型和匹配文化活动形式之间的匹配值D,并根据所述匹配值进行降序排序,选取第1-M个文化活动作为候选文化活动,其中M≥1:
其中,α是匹配文化活动形式的权重,β是匹配文化类型的权重,γ是匹配文化关键词的权重,α,β,γ∈[0,1],且α+β+γ=1;
n是所述第二文化活动的文化活动形式标签的数量,m是所述兴趣匹配装置获取的匹配文化活动形式标签的数量;Match(ATi,ATl')为所述第二文化活动中的第i个文化活动形式标签ATi与第l个匹配文化活动形式标签ATl'的布尔值,且当所述ATi与所述ATl'一致时,Match(ATi,ATl')=1;不一致时,Match(ATi,ATl')=0;
k是所述第二文化活动的文化类型标签的数量,g是所述兴趣匹配模块获取的匹配文化类型标签的数量;Match(CTu,CTv')为所述第二文化活动中的第u个文化类型标签CTu与所述第l个匹配文化类型标签CTv'的布尔值,且当所述CTu与所述CTv'一致时,Match(CTu,CTv')=1;不一致时,Match(CTu,CTv')=0;
p是所述第二文化活动的文化关键词的数量,q是所述兴趣匹配装置获取的匹配文化关键词的数量;KWx为所述第二文化活动中的第x个文化关键词,KW′y为第y个匹配文化关键词;
Sim为相似度函数,Sim∈(0,1],M是所述***默认的候选文化活动推荐数量。
6.根据权利要求1所述的公共文化信息推荐***,其特征在于,所述文化场馆推荐装置还包括常设文化活动推荐模块;所述常设文化活动推荐模块,配置为采用协同过滤算法获取所述用户行为数据库中与当前用户兴趣相仿的用户群,并推荐所述目标场馆中所述用户群感兴趣的文化活动给当前用户。
7.根据权利要求6所述的公共文化信息推荐***,其特征在于,所述常设文化活动推荐模块包括用户群获取单元、用户活动矩阵构建单元、兴趣值计算单元和常设文化活动推荐单元;
所述用户群获取单元,配置为依据所述场馆路途时间过滤模块获取的目标文化场馆以及所述用户行为数据库,获取曾经访问过所述目标文化场馆的用户群;
所述用户活动矩阵构建单元,配置为依据所述用户群获取单元获取的用户群与当前用户的文化活动历史数据,构建用户-活动矩阵;
所述兴趣值计算单元,配置为采用LFM矩阵分解法,将所述用户活动矩阵构建单元获取的用户-活动矩阵计算出用户矩阵和文化活动矩阵,并根据所述用户矩阵和所述文化活动矩阵计算出所述当前用户对每项文化活动的兴趣值;
所述常设文化活动推荐单元,配置为依据所述兴趣值计算单元获取的当前用户对每项文化活动的兴趣值,将所述目标文化场馆中的文化活动进行降序排序,并选取第1-N个目标文化场馆中的文化活动进行推荐,其中N为所述***默认的常设文化活动推荐数量,且N≥1。
8.根据权利要求1所述的公共文化信息推荐***,其特征在于,所述行程推荐装置包括交通规划模块和时间规划模块;
所述交通规划模块,配置为依据所述文化场馆推荐装置获取的目标文化场馆并利用所述文化场馆地理信息计算装置,进行场馆的地理定位和路径规划,获得交通规划信息;
所述时间规划模块,配置为执行下述操作:
步骤A1,依据所述文化场馆推荐装置获取的目标文化场馆、目标文化活动与所述交通规划模块获得的交通规划信息,并通过所述文化场馆地理信息计算装置计算场馆路程时间;
步骤A2,依据所述当前用户设置的时间区间、所述场馆路程时间并按照下式所示方法获取当前用户参与目标文化活动的总时间:
t3=t1-t2
其中,t1为所述当前用户设置的时间区间,t2为所述场馆路程时间,t3为当前用户参与目标文化活动的总时间;
步骤A3,依据常设文化活动推荐单元获取的当前用户对每项文化活动的兴趣值,计算每项目标文化活动占所述当前用户参与目标文化活动的总时间的时间比例;
步骤A4,依据所述时间比例、所述文化场馆信息库和所述文化活动信息库,规划所述每项目标文化活动的参与时间,获取时间规划信息。
9.根据权利要求1-8任意一项所述的公共文化信息推荐***,其特征在于,所述公共文化信息推荐***还包括反馈装置;所述反馈装置,配置为当所述当前用户接受所述行程推荐装置推荐的信息,将所述行程推荐装置推荐的信息记入所述用户行为数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711287156.2A CN108062366B (zh) | 2017-12-07 | 2017-12-07 | 公共文化信息推荐*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711287156.2A CN108062366B (zh) | 2017-12-07 | 2017-12-07 | 公共文化信息推荐*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108062366A CN108062366A (zh) | 2018-05-22 |
CN108062366B true CN108062366B (zh) | 2020-08-11 |
Family
ID=62136280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711287156.2A Active CN108062366B (zh) | 2017-12-07 | 2017-12-07 | 公共文化信息推荐*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108062366B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898233A (zh) * | 2018-06-15 | 2018-11-27 | 浙江浩逸文化发展股份有限公司 | 基于人工智能的文化艺术交流活动安排方法及*** |
CN109886639A (zh) * | 2018-12-28 | 2019-06-14 | 创泽智能机器人股份有限公司 | 一种基于大数据的日程管理方法及*** |
CN110059177B (zh) * | 2019-04-24 | 2023-09-26 | 南京传唱软件科技有限公司 | 一种基于用户画像的活动推荐方法及装置 |
CN112287243B (zh) * | 2020-10-20 | 2023-04-28 | 山大地纬软件股份有限公司 | 一种基于协同过滤算法的服务信息推荐的装置及方法 |
CN113742584A (zh) * | 2021-08-31 | 2021-12-03 | 胡之乐 | 一种基于大数据的文化旅游智能推广方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834695A (zh) * | 2015-04-24 | 2015-08-12 | 南京邮电大学 | 基于用户兴趣度和地理位置的活动推荐方法 |
CN104933126A (zh) * | 2015-06-11 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 基于电子地图的活动推荐方法、装置及*** |
WO2017040224A1 (en) * | 2015-08-28 | 2017-03-09 | Microsoft Technology Licensing, Llc | Recommending a content curator |
CN107122399A (zh) * | 2017-03-16 | 2017-09-01 | 中国科学院自动化研究所 | 基于公共文化知识图谱平台的综合推荐*** |
-
2017
- 2017-12-07 CN CN201711287156.2A patent/CN108062366B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834695A (zh) * | 2015-04-24 | 2015-08-12 | 南京邮电大学 | 基于用户兴趣度和地理位置的活动推荐方法 |
CN104933126A (zh) * | 2015-06-11 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 基于电子地图的活动推荐方法、装置及*** |
WO2017040224A1 (en) * | 2015-08-28 | 2017-03-09 | Microsoft Technology Licensing, Llc | Recommending a content curator |
CN107122399A (zh) * | 2017-03-16 | 2017-09-01 | 中国科学院自动化研究所 | 基于公共文化知识图谱平台的综合推荐*** |
Non-Patent Citations (1)
Title |
---|
"基于LDA和Word2Vec的推荐算法研究";董文;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150815(第08期);第I138-1596页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108062366A (zh) | 2018-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062366B (zh) | 公共文化信息推荐*** | |
Miah et al. | A big data analytics method for tourist behaviour analysis | |
Ye et al. | Urban function recognition by integrating social media and street-level imagery | |
CN107291888B (zh) | 基于机器学习统计模型的入住酒店附近生活推荐***方法 | |
Quercia et al. | The digital life of walkable streets | |
Roy et al. | Understanding citizen science and environmental monitoring: final report on behalf of UK Environmental Observation Framework | |
CN107862022B (zh) | 文化资源推荐*** | |
Huang | Mining online footprints to predict user’s next location | |
August et al. | AI naturalists might hold the key to unlocking biodiversity data in social media imagery | |
Huang et al. | Predicting human mobility with activity changes | |
JP5732441B2 (ja) | 情報推薦方法、装置及びプログラム | |
CN110019616A (zh) | 一种poi现势状态获取方法及其设备、存储介质、服务器 | |
Zhang et al. | React: Online multimodal embedding for recency-aware spatiotemporal activity modeling | |
Zhang et al. | Managing and analysing big audio data for environmental monitoring | |
Kim et al. | Assessing and mapping cultural ecosystem services of an urban forest based on narratives from blog posts | |
WO2017024147A1 (en) | Area modeling by geographic photo label analysis | |
Cho et al. | Classifying tourists’ photos and exploring tourism destination image using a deep learning model | |
Zheng et al. | Research on urban public green space planning based on taxi data: A case study on three districts of Shenzhen, China | |
Lee et al. | Mining tourists’ destinations and preferences through LSTM-based text classification and spatial clustering using Flickr data | |
Belitz et al. | Phenological research based on natural history collections: Practical guidelines and a lepidopteran case study | |
De Groeve et al. | Individual Movement-Sequence Analysis Method (IM-SAM): characterizing spatio-temporal patterns of animal habitat use across landscapes | |
Pereira et al. | crowdsensing in the web: Analyzing the citizen experience in the urban space | |
Zhang et al. | Coupling social media and agent-based modelling: A novel approach for supporting smart tourism planning | |
CN110110218A (zh) | 一种身份关联方法及终端 | |
ElQadi et al. | Computer vision-enhanced selection of geo-tagged photos on social network sites for land cover classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |