CN108681739A - 一种基于用户情感和时间动态的旅游目的地推荐方法 - Google Patents
一种基于用户情感和时间动态的旅游目的地推荐方法 Download PDFInfo
- Publication number
- CN108681739A CN108681739A CN201810251349.0A CN201810251349A CN108681739A CN 108681739 A CN108681739 A CN 108681739A CN 201810251349 A CN201810251349 A CN 201810251349A CN 108681739 A CN108681739 A CN 108681739A
- Authority
- CN
- China
- Prior art keywords
- user
- city
- tourist famous
- time dynamic
- feeling
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000008451 emotion Effects 0.000 claims abstract description 6
- 230000008278 dynamic mechanism Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000005065 mining Methods 0.000 abstract description 5
- 230000001550 time effect Effects 0.000 abstract description 5
- 238000000354 decomposition reaction Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000003786 synthesis reaction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 230000007774 longterm Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明揭示了一种基于用户情感和时间动态的旅游目的地推荐方法,包括以下步骤:首先使用意见挖掘技术来获得用户的情感倾向的定量值,将情感程度融入矩阵分解模型中,并随着时间的变化采用时间动态机制来表示用户偏好和旅游目的地受欢迎程度。然后结合用户情感和时间影响这两种元素与SVD++方法融合,构建成合成推荐模型。通过分析其显性或隐性反馈,自动学习用户的偏好,使旅游休闲资源的特征与用户需求相匹配。与几种有名的推荐方法相比,本发明提出的方法提高了推荐准确率和质量,并在公开可用的数据集上进行了一系列实验评估,表明所提出的推荐***是优于现有的推荐***。
Description
技术领域
本发明涉及旅游推荐领域,尤其涉及一种基于旅游目的地推荐***。
背景技术
在过去十年中,互联网上可用的信息量和用户数量大大增加,对于计划访问不知名的旅游目的地并且必须安排旅行计划的用户来讲,这些信息会特别有价值。然而,搜索引擎提供的旅游目的地信息的可能性列表时是压倒性的。用户需要花费大量的时间和精力评估收集到的信息,并花费更多的时间来提取有用的信息。
推荐***可以帮助用户应对信息过载,并向他们提供个性化的推荐、内容和服务。在旅游领域,旅游推荐***通过分析其显性或隐性反馈,自动学习用户的喜好,使旅游休闲资源的特点与用户需求相匹配。事实上,旅游目的地的推荐比其他旅游目的地更为复杂,因为用户对旅游目的地的评价数量很少,数据更加稀疏,因此,综合概况不容易建立。而且旅游目的地推荐易受到季节、交通、成本等因素的影响,因此很难构建出一个综合了许多有价值的因素的旅游目的地的推荐模型。
发明内容
本发明所要解决的技术问题是实现一种能够基于用户情感和时间动态的旅游目的地推荐***,提出了一个时间和空间的动态模型,嵌入推荐***中提高推荐准确性。
为了实现上述目的,本发明采用的技术方案为:一种基于用户情感和时间动态的旅游目的地推荐方法:
S1、提出基于用户情感和时间动态的旅游目的地推荐***,依据数据集分析影响因素
S2、使用Dirichlet概率分布来量化用户情感倾向程度,同时将情感倾向的量化值整合到SVD++方法中。通过对文本评论的分析,可以得到用户—目的地情感倾向矩阵。
S3、通过两种时间效应,将时间动态机制包含在推荐***中,这样项目的偏差就会被添加到时间动态中,尝试用不同的时间尺度来捕捉旅游目的地偏差。
S4、约束用户情感特征向量,并从情感倾向矩阵中分解出旅游目的地极性特征向量,并统一在同一个推荐模型中被使用。整合用户情感和时间动态融合到SVD++模型中,合成矩阵分解推荐模型。
S5、对目标函数采用随机梯度下降算法,从情感倾向矩阵中训练和学习用户和项目潜在因子,缓解冷启动问题。
所述S2中,对文本评论的分析使用Dirichlet概率分布来量化用户情感倾向程度,同时将情感倾向的量化值整合到SVD++方法中。
所述S2包括以下步骤:
S21、将文本评论分为几个条款;
S22、识别给出正面或负面意见的条款;
S23、计算情感倾向的用户关于旅游目的地。
所述Dirichlet概率分布定义如下:
计算文本极性公式如下:其中,p、r和α并且分别表示概率变量、极性观测变量和先验基础速率变量,W表示非信息性先验权重,r(Li)表示具有第i个子句极性的k个可能结果的观察值序列,α(Li)代表第i个子句极性的结果满足α(Li)>0和先验概率;
定义用户对旅游目的地的情感倾向为:
所述S3将项目的偏差添加到时间动态中,并采用不同的时间尺度来捕捉旅游目的地偏差。
所述S4中时间动态模型中预测公式如下:
所述情感倾向模型中预测公式如下:
其μ中表示整体平均评分,参数bu和bi分别表示观察到的用户u和项目 i与平均值的偏差,Iu表示用户u评价的项目集合,yj表示用户u关于项目j的隐式反馈。
所述S5中目标函数获得方式如下:
所述S5采用加权正则化处理方法,目标函数公式如下:
其中,正则化参数,λ,λs,用户特殊向量pu、项目特殊向量qi、用户情感特殊向量θu和旅游目的地极性特殊向量zi,Ui表示用户集里评价过项目i的用户。
本发明旅游目的地推荐方法提高了推荐准确率和质量,并在公开可用的数据集上进行了一系列实验评估,表明所提出的推荐***是优于现有的推荐***。
附图说明
下面对本发明说明书中每幅附图表达的内容作简要说明:
图1为基于用户情感和时间动态的旅游目的地推荐方法流程图;
图2情感分析过程图;
图3(a)为查看目标等级的编号图;
图3(b)为特征词分布图;
图4(a)按日期分的旅游人数图;
图4(b)按月份的平均评分图;
具体实施方式
本发明是一种基于用户情感和时间动态的旅游目的地推荐方法,提出了一个时间和空间的动态模型,嵌入推荐***中提高推荐准确性。旅游目的地推荐方法应用在旅游目的地推荐***中,如含有相关软件的PC机或互联网云端,如图1所示,该方法包括如下步骤:
图1为本发明实施例,提供一种基于用户情感和时间动态的旅游目的地推荐***的流程图,该方法包括如下步骤:
S1、提出基于用户情感和时间动态的旅游目的地推荐***,依据数据集分析影响因素;
本发明研究中使用的数据集是从中国著名的旅游社交网络同程提取的。本文从2012年1月到2014年12月期间从312,896位用户获得了与5,722个旅游目的地相关的985,683条评论。评论包含结构化元数据,包括星级评分(从1 到5),日期、文字评论和旅游类别,清楚地表明了旅游资料的稀疏性。
图3(a)和图3(b)给出了这六个主要因素的特征词的分布。这六个方面的特征词总数占70.1%,特别是风景数量,是用户最关心的话题。通过数据分析,发现用户在文本评论和星级评分中的情感强烈正相关。因此,对用户情感的更好的解释范围赋予了本文在旅游目的地推荐***中融合文本评论的动机。
第二组调查结果显示,游客人数是周期性的,长期来看也是逐渐增加的。而且,平均评级随时间波动。本文按月计算了游客人数,如图4(a)所示。如图4(b)所示。由于旅游目的地受季节影响,游客的经历也会发生变化。统计结果清楚地表明,发现游客的高峰数量与中国的假期有关。因此,想提出一个假设,即来自用户的关于旅游目的地的评论是与时间敏感相关的。
基于上述两个发现,将文本评论和时间因素整合到旅游目的地推荐模型中。
S2、使用Dirichlet概率分布来量化用户情感倾向程度,同时将情感倾向的量化值整合到SVD++方法中。通过对文本评论的分析,可以得到用户—目的地情感倾向矩阵模型。
从文本评论中挖掘知识对于旅游建议尤为重要。使用意见挖掘技术来计算与旅游目的地相关的用户情感的值,而不仅仅分析文本评论的主题。意见挖掘算法的主要动机是量化用户对旅游目的地的情感倾向。在这个过程的最后,可以从文本评论数据集中获得一个用户目标情感矩阵。如图2所示,给出一组用户文本评论,可以分成以下步骤:
S21、将文本评论分为几个条款;
S22、识别给出正面或负面意见的条款;
S23、计算情感倾向的用户关于旅游目的地。
使用Dirichlet概率分布来量化用户情感倾向程度,Dirichlet分布表示为
其中,p、r和α并且分别表示概率变量、极性观测变量和先验基础速率变量。W表示非信息性先验权重,r(Li)表示具有第i个子句极性的k个可能结果的观察值序列,α(Li)代表第i个子句极性的结果满足α(Li)>0和先验概率。
从公式(2)计算出文本的极性,所使用概率期望如下:
文本极性根据计算公式(3)计算的是一个带有分量的向量。本文需要将矢量转换为点值。定义用户对旅游目的地的情感倾向的价值为:
在公式(4)中,s的值分布在[0,1]的范围内。
根据前面提到的第二个发现,本文的情感模型建立在Koren提出的被称为 SVD++模型的最先进的模型的基础之上[8]。SVD++背后的想法是考虑用户和项目的偏见和评价项目的隐含影响,除了用户和项目特定的向量对评级预测。形式上,来自用户的项目的评分由以下等式预测:
其μ中表示整体平均评分,参数bu和bi分别表示观察到的用户u和项目i 与平均值的偏差。Iu表示用户u评价的项目集合,yj表示用户u关于项目j的隐式反馈。
此前,强调从文本评论的意见挖掘对于更好的建议的重要性,并采用意见挖掘来计算情感倾向的价值。因此,通过结合用户对旅游目的地的情感倾向来改善SVD++模型。具体而言,用户情感对旅游目的地的明确影响可以与评价项目相同的方式考虑,由以下给出:
现在,一个用户被建模为本文采用一个用户潜在因素向量Pu,与方程(7)一样,它是从给定的显式评级产生的。向量由总和补充,该总和表示由用户u评价的用户对旅游目的地用户情感倾向的视角。向量yj表示隐式反馈,与方程(7)一样。
更进一步地,本文将旅游目的地极性特定向量z合并到模型中,这是基于方程(8)。同样,旅游目的地被表示为,其中Mi是联合评价旅游目的地i和k的用户集合,而项目代表旅游目的地极性专用向量,它们与目的地i有共同的用户评级。因此,本文根据方程式(8)来改进模型如下:
S3、通过两种时间效应,将时间动态机制包含在推荐***中,项目的偏差就会被添加到时间动态中,尝试用不同的时间尺度来捕捉旅游目的地偏差。
大部分时间可变性由于两种主要的时间效应被包括在推荐模型。第一种代表一个项目随时间变化的受欢迎程度,另一种则与随着时间推移而更改基准评级的用户有关。之前已经揭示了旅游目的地的时间效应,它们可以分为三个类别:季节性的影响、节日的影响和长期的影响。项目的偏差就会被添加到时间动态中,变成了公式(10)
bi(t)=bi+bi,season(t)+bi,holiday(t) (10)
如公式(10)所示,会尝试用不同的时间尺度来捕捉旅游目的地偏差的变化。在本文中,定义season(t)和holiday(t)如下:
season(t)∈{Feb,Jan,Mar,Apr,May,June,July,Aug,Sep,Oct,Nov,Dec} (11)
holiday(t)∈{New Year’s Day,Spring Festival,Ching Ming Festival,LaborDay, the Dragon Boat Festival,Mid-Autumn Festival,National Day} (12)
类似地,也可以在用户这边找到周期性的影响。例如用户可能更倾向于在假期或周末旅行。但与旅游目的地不同的是,对单个用户的评分只有很少的一部分。这意味着不能将时间片分割成更小的间隔。在本文中,定义了用户的偏差:
bu(t)=bu+bu,t, (13)
公式(13)中bu,t代表了周末和节日的特殊时间。
事实上,在时间动态模型中,没有增加长期影响,因为用户评分很稀疏,而旅游目的地的评分相对稳定。因此,可以改进模型如下:
S4、约束用户情感特征向量,并从情感倾向矩阵中分解出旅游目的地极性特征向量,并统一在同一个推荐模型中被使用。整合用户情感和时间动态融合到SVD++模型中,合成矩阵分解推荐模型。
将上面提到的两个模型合并到一个模型中,并将其称为synst-st SVD++模型(用户情感和时间动态合成SVD++模型)。当用户情感和时间动态被融合到 SVD++模型中,就能够获得一个更复杂的模型,并且将目标函数最小化如下:
为了减少模型的复杂性,对所有变量使用相同的正则化参数,λ。此外,约束用户情感特征向量,并从情感倾向矩阵中分解出旅游目的地极性特征向量。这些特征向量共享相同的特征空间,以便将评分矩阵和情感倾向矩阵连接在一起。这样,这两种信息就可以在一个统一的推荐模型中被使用。因此,将公式(6) 和公式(15)整合形成新的模型,新的目标函数由给出如下:
而且,本文还采用了一种叫做加权正则化的技术,在学习参数时避免了过度拟合,并使用了两种正则化参数,λ,λs。由于活跃用户对多个目的地进行了评分,并留下了大量文本评论,因此考虑了用户特殊向量pu、项目特殊向量qi、用户情感特殊向量θu和旅游目的地极性特殊向量zi。正如郭等人所建议的那样[33],本文认为评分多个项目的用户和评级较低的项目会受到更多的惩罚。因此,改进的损失函数最小化是基于公式(16)如下:
Ui表示用户集里评价过项目i的用户。
S5、对目标函数采用随机梯度下降算法,从情感倾向矩阵中训练和学习用户和项目潜在因子,缓解冷启动问题。
模型的目标是最优化地学习pu和qi,并准确地为用户的评分建模。同时,根据用户的文字评论,获得最可能的用户情感特殊向量θu,以及旅游目的地极性特殊向量zi。所以由给出的公式(16)可以获得最小化的目标函数。对 pu,qi,bu,bi,yi,zi和θu执行以下的梯度下降,结果如下:
表示在时间t用户u对项目i的评分预测错误,表示用户u对项目i的情感倾向预测错误。
在冷启动的情况下,用户留下少量评分或项目收到少量评级,情感倾向矩阵的分解可以比仅仅评分矩阵分解,要帮助产生更多的可靠的用户潜在因子和项目潜在因子向量。即使在极端的某些用户和项目没有评分的情况下,公式(20) 和(21)可以确保用户和项目潜在因子向量可以从情感倾向矩阵中被训练和学习。这表明将情感倾向并入矩阵分解模型可以缓解冷启动问题。
梯度下降方法的主要计算开销在于评估目标函数,及其对变量的梯度变化。由于矩阵S(情感倾向矩阵)和R(评级矩阵)的稀疏性,评估目标函数的计算复杂度是O(ωRf+ωSf),其中,ωR和ωS分别代表在矩阵ωR和ωS中非空元素数,f是潜在因素特征空间的维度。这些 在公式(18-24)梯度的计算复杂度是O(ω↓R f),O(ω↓S f), O(ωRf+ωSf),O(ωRf+ωSf),O(ωRf+ωSf),O(kRωRf+kRωSf), O(kRωRf+kRωSf),O(kSωRf+kSωSf),其中,kR和kS分别是一个项目收到的评分和文字评论的平均数量。所以,对于每次迭代,计算总的复杂度是 O(cωRf+cωSf),其中c=max(kR,kS)。由于C=|R|和C=|S|,这表明该模型的计算时间是与稀疏矩阵S和R中的观测值的数量线性相关的。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (9)
1.一种基于用户情感和时间动态的旅游目的地推荐方法,其特征在于:
S1、旅游目的地推荐***获取用户评论数据集;
S2、通过评论数据集的分析,得到用户的旅游目的地情感倾向矩阵;
S3、将时间动态机制包含在旅游目的地推荐***中;
S4、从用户情感特征矩阵中分解出旅游目的地极性特征向量,整合情感倾向模型和时间动态模型,合成矩阵分解推荐模型。
2.根据权利要求1所述的基于用户情感和时间动态的旅游目的地推荐方法,其特征在于:还包括S5、对目标函数采用随机梯度下降算法,从情感倾向矩阵中训练和学习用户和项目潜在因子特征向量,缓解冷启动问题。
3.根据权利要求1或2所述的基于用户情感和时间动态的旅游目的地推荐方法,其特征在于:所述S2中,对文本评论的分析使用Dirichlet概率分布来量化用户情感倾向程度,同时将情感倾向的量化值整合到SVD++方法中。
4.根据权利要求3所述的基于用户情感和时间动态的旅游目的地推荐方法,其特征在于:所述S2包括以下步骤:
S21、将文本评论分为几个条款;
S22、识别给出正面或负面意见的条款;
S23、计算用户关于旅游目的地情感倾向。
5.根据权利要求4所述的基于用户情感和时间动态的旅游目的地推荐方法,其特征在于:所述Dirichlet概率分布定义如下:
计算文本极性公式如下:
其中,p、r和α并且分别表示概率变量、极性观测变量和先验基础速率变量,W表示非信息性先验权重,r(Li)表示具有第i个子句极性的k个可能结果的观察值序列,α(Li)代表第i个子句极性的结果满足α(Li)>0和先验概率;
定义用户对旅游目的地的情感倾向为:
6.根据权利要求1、2或5所述的基于用户情感和时间动态的旅游目的地推荐方法,其特征在于:所述S3将项目的偏差添加到时间动态中,并采用不同的时间尺度来捕捉旅游目的地偏差。
7.根据权利要求6所述的基于用户情感和时间动态的旅游目的地推荐方法,其特征在于:所述S4中时间动态模型中预测公式如下:
所述情感倾向模型中预测公式如下:
其μ中表示整体平均评分,参数bu和bi分别表示观察到的用户u和项目i与平均值的偏差,Iu表示用户u评价的项目集合,yj表示用户u关于项目j的隐式反馈。
8.根据权利要求1、2、5或7所述的基于用户情感和时间动态的旅游目的地推荐方法,其特征在于:所述S5中目标函数获得方式如下:
9.根据权利要求8所述的基于用户情感和时间动态的旅游目的地推荐方法,其特征在于:所述S5采用加权正则化处理方法,目标函数公式如下:
其中,正则化参数,λ,λs,用户特殊向量pu、项目特殊向量qi、用户情感特殊向量θu和旅游目的地极性特殊向量Zi,Ui表示用户集里评价过项目i的用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251349.0A CN108681739A (zh) | 2018-03-26 | 2018-03-26 | 一种基于用户情感和时间动态的旅游目的地推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251349.0A CN108681739A (zh) | 2018-03-26 | 2018-03-26 | 一种基于用户情感和时间动态的旅游目的地推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108681739A true CN108681739A (zh) | 2018-10-19 |
Family
ID=63800489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810251349.0A Pending CN108681739A (zh) | 2018-03-26 | 2018-03-26 | 一种基于用户情感和时间动态的旅游目的地推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681739A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299389A (zh) * | 2018-11-16 | 2019-02-01 | 西北工业大学 | 一种旅游景点推荐方法及装置 |
CN109670914A (zh) * | 2018-12-17 | 2019-04-23 | 华中科技大学 | 一种基于时间动态特性的产品推荐方法 |
CN110245286A (zh) * | 2019-05-08 | 2019-09-17 | 特斯联(北京)科技有限公司 | 一种基于数据挖掘的旅行推荐方法及装置 |
CN111339439A (zh) * | 2020-02-18 | 2020-06-26 | 广东工业大学 | 一种融合评论文本与时序效应的协同过滤推荐方法和装置 |
CN112632377A (zh) * | 2020-12-21 | 2021-04-09 | 西北大学 | 一种基于用户评论情感分析与矩阵分解的推荐方法 |
CN113537572A (zh) * | 2021-06-22 | 2021-10-22 | 东莞市绿灯网络科技有限公司 | 基于人工智能的旅游路线规划方法与*** |
CN113536140A (zh) * | 2021-09-16 | 2021-10-22 | 广东众聚人工智能科技有限公司 | 一种基于小样本数据的实时推荐方法和*** |
-
2018
- 2018-03-26 CN CN201810251349.0A patent/CN108681739A/zh active Pending
Non-Patent Citations (1)
Title |
---|
XIAOYAO ZHENG等: "A tourism destination recommender system using users’sentiment and temporal dynamics", 《JOURNAL OF INTELLIGENT INFORMATION SYSTEMS》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299389A (zh) * | 2018-11-16 | 2019-02-01 | 西北工业大学 | 一种旅游景点推荐方法及装置 |
CN109670914A (zh) * | 2018-12-17 | 2019-04-23 | 华中科技大学 | 一种基于时间动态特性的产品推荐方法 |
CN110245286A (zh) * | 2019-05-08 | 2019-09-17 | 特斯联(北京)科技有限公司 | 一种基于数据挖掘的旅行推荐方法及装置 |
CN110245286B (zh) * | 2019-05-08 | 2020-01-31 | 特斯联(北京)科技有限公司 | 一种基于数据挖掘的旅行推荐方法及装置 |
CN111339439A (zh) * | 2020-02-18 | 2020-06-26 | 广东工业大学 | 一种融合评论文本与时序效应的协同过滤推荐方法和装置 |
CN111339439B (zh) * | 2020-02-18 | 2023-05-09 | 广东工业大学 | 一种融合评论文本与时序效应的协同过滤推荐方法和装置 |
CN112632377A (zh) * | 2020-12-21 | 2021-04-09 | 西北大学 | 一种基于用户评论情感分析与矩阵分解的推荐方法 |
CN112632377B (zh) * | 2020-12-21 | 2023-06-27 | 西北大学 | 一种基于用户评论情感分析与矩阵分解的推荐方法 |
CN113537572A (zh) * | 2021-06-22 | 2021-10-22 | 东莞市绿灯网络科技有限公司 | 基于人工智能的旅游路线规划方法与*** |
CN113536140A (zh) * | 2021-09-16 | 2021-10-22 | 广东众聚人工智能科技有限公司 | 一种基于小样本数据的实时推荐方法和*** |
CN113536140B (zh) * | 2021-09-16 | 2022-02-11 | 广东众聚人工智能科技有限公司 | 一种基于小样本数据的实时推荐方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681739A (zh) | 一种基于用户情感和时间动态的旅游目的地推荐方法 | |
Zuheros et al. | Sentiment analysis based multi-person multi-criteria decision making methodology using natural language processing and deep learning for smarter decision aid. Case study of restaurant choice using TripAdvisor reviews | |
CN109255506B (zh) | 一种基于大数据的互联网金融用户贷款逾期预测方法 | |
Mimis et al. | A framework for smart academic guidance using educational data mining | |
CN105589948A (zh) | 一种文献引用网络可视化及文献推荐方法及*** | |
CN103793476B (zh) | 基于网络社区的协同过滤推荐方法 | |
CN107274020B (zh) | 一种基于协同过滤思想的学习者学科总测成绩预测***及方法 | |
CN110221965A (zh) | 测试用例生成、测试方法、装置、设备及*** | |
CN107067025A (zh) | 一种基于主动学习的数据自动标注方法 | |
CN109670542A (zh) | 一种基于评论外部信息的虚假评论检测方法 | |
CN103838744B (zh) | 一种查询词需求分析的方法及装置 | |
CN104239496B (zh) | 一种结合模糊权重相似性度量和聚类协同过滤的方法 | |
CN112966091B (zh) | 一种融合实体信息与热度的知识图谱推荐*** | |
CN111523055A (zh) | 一种基于农产品特征属性评论倾向的协同推荐方法及*** | |
CN111914162B (zh) | 一种基于知识图谱的个性化学习方案引导方法 | |
CN110263979A (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
CN106202377A (zh) | 一种基于随机梯度下降的在线协同排序方法 | |
CN108897750A (zh) | 融合多元上下文信息的个性化地点推荐方法及设备 | |
CN112256866A (zh) | 一种基于深度学习的文本细粒度情感分析方法 | |
CN110532398A (zh) | 基于多任务联合神经网络模型的家族图谱自动构建方法 | |
CN110111143A (zh) | 一种建立移动端用户画像的控制方法以及控制装置 | |
CN116304299A (zh) | 一种融和用户兴趣演化和梯度提升算法的个性化推荐方法 | |
CN113837266B (zh) | 一种基于特征提取和Stacking集成学习的软件缺陷预测方法 | |
CN101986301B (zh) | 一种基于逆邻分析的协作过滤推荐***及方法 | |
CN117522479B (zh) | 互联网广告精准投放方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |
|
RJ01 | Rejection of invention patent application after publication |