CN112733040A - 一种旅游行程推荐方法 - Google Patents
一种旅游行程推荐方法 Download PDFInfo
- Publication number
- CN112733040A CN112733040A CN202110112444.4A CN202110112444A CN112733040A CN 112733040 A CN112733040 A CN 112733040A CN 202110112444 A CN202110112444 A CN 202110112444A CN 112733040 A CN112733040 A CN 112733040A
- Authority
- CN
- China
- Prior art keywords
- travel
- user
- nodes
- relevance
- city
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003058 natural language processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000002620 method output Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011160 research 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种旅游行程推荐方法,该方法使用社交媒体网站上发布的旅游评论数据,提取海量用户旅游足迹大数据,并将用户的旅游行程作为语料,采用自然语言处理中的词嵌入模型计算旅游行程中各节点的关联性,并通过旅游节点的关联性构建网络,使用加入空间距离约束的改进最小生成树方法生成旅游行程并推荐。本发明减少了边际信息过多和生成旅游行程时需要用户约束条件,适合面向多数用户进行旅游行程推荐。
Description
技术领域
本发明涉及推荐技术领域,尤其涉及一种旅游行程推荐方法。
背景技术
随着人们生活水平的日益改善,旅游成为更多人闲暇时选择的一种生活方式,同时,伴随着移动互联网的告诉发展,人们在旅行中可以通过签到行为记录自己的行程,或是在旅行后将自己旅行途中的所感所想发布在社交媒体网站或平台,由此产生大量带有位置信息的数据,对于这些社交媒体网站或平台的用户来说,要在海量数据中获取对自己行程有意义的内容很难也很繁琐,所以如何从海量数据中提取有用的价值信息,对用户出行具有重要意义。
在现有的行程推荐方法中,一些研究者将空间距离当作生成行程的重要影响因素,通过计算数据集中各旅游节点间的空间距离,将其作为构建网络的边权重,在确定出发点后使用最小生成树方法,根据已构建的网络生成旅游行程。一些研究者使用聚类方法对用户行程中带有空间位置信息的旅游节点进行聚类,并根据空间距离在各个类别中选取一些节点生成旅游行程。但这些方法忽略了用户出行的行为偏好信息,缺乏可解释性。一些研究者通过统计大量用户旅游行程的数量构建网络,并根据所有行程中每个旅游节点出现的频率向节点附加权重,选择出发点后通过马尔可夫链计算各节点成为下一个目的地的概率,从而生成旅游行程,但这种网络构建方法只考虑行程中相邻的旅游节点,忽略了距离较远的旅游节点间的关联。一些研究者基于用户偏好生成旅游行程,需要提前构建景点知识库(景点类型、各景点间距离等),知识库会提供大量的文本信息,研究者基于用户旅游行程记录,通过主题模型计算挖掘用户偏好,选取符合用户需求的景点,结合最短路径算法或者马尔可夫链,将用户偏好和用户当前位置信息整合入概率行为模型,通过模型评估用户参观数据集中某一景点的概率,选择高概率的那些景点生成旅游行程。这些方法需要的边际信息过多,且在生成旅游行程时需要用户提供大量的约束条件,不适合面向多数用户进行旅游行程推荐。
针对现有研究存在的问题,我们提出了一种旅游行程推荐方法更好的服务于用户出行选择和旅游业发展规划。该方法使用用户在社交媒体网站上发布的旅游评论数据,提取用户旅游行程并分割为用户的城市行程和景点行程,并将这些行程作为语料,采用自然语言处理中的词嵌入模型计算旅游行程中各节点的关联性,并通过旅游节点的关联性构建包含城市关联性网络和景点关联性网络的分层网络,并基于分层网络中各节点的空间位置坐标分别计算城市节点距离矩阵和景点节点距离矩阵,最终使用加入空间距离约束的最小生成树方法生成旅游行程。
发明内容
本发明的目的是为了解决现有技术中存在的问题而提出的旅游行程推荐方法。
为了实现上述目的,本发明发用了如下技术方案:
本发明包括以下步骤:
A爬取用户在社交媒体网站上发布的旅游评论数据,将用户行程分割并提取用户旅游足迹大数据,别获取空间节点的旅游行程;
B根据空间节点的旅游行程,采用自然语言处理中的词嵌入模型计算不同级别空间节点的关联性,并通过旅游空间节点间的关联性构建节点的空间网络作为生成旅游行程的依据,将不同级别节点的空间网络组合为分层网络;
C使用加入空间距离约束的改进最小生成树方法生成基于分层网络生成旅游行程;
D依据用户的检索条件与分层网络生成旅游行程并按照设定条件进行排序后向用户推荐旅游行程,所述设定条件包括距离优先、行程时间优先和路程优先。
进一步地,基于用户在社交媒体网站上发布的旅游评论数据提取用户旅游足迹大数据,按照旅行的时间,将同一用户在某一时间段内的旅行算作一次旅游行程,由此获取旅游行程大数据,并将其分割为在不同级别空间节点下的旅游行程。
进一步地,计算旅游行程中权重的方法包括:
(1)计算用户旅游行程中节点的关联性,关联性的计算是基于用户在城市和景点级别下的旅游行程,使用自然语言处理方法中的词嵌入模型,分别将用户在城市和景点级别下的行程输入到词嵌入模型中计算旅游行程中城市节点间的关联性和景点间的关联性;
所述词嵌入模型方法由输入层、投影层和输出层构成;
针对用户的旅游行程,将每条行程记录放入输入层;
设定所述词嵌入模型方法的训练参数;
设定所述词嵌入模型方法输出层的向量大小;
通过余弦相似度方法计算节点间的关联性值;
(3)得到旅游节点间关联性后,将关联性作为各节点间的连接权重构建城市和景点的空间网络,并将每个城市内的景点与城市相关联,构建分层网络。
进一步地,步骤C中所述基于分层网络生成旅游行程,生成方法包括:
(1)基于不同级别空间网络中各节点的空间位置计算城市节点距离矩阵和景点节点距离矩阵;
(2)将距离矩阵作为空间距离约束条件加入最小生成树模型,并将该模型用于通过计算关联性构建的分层网络,生成旅游行程;
(3)基于输入条件(如起点等)向用户推荐旅游行程,推荐的旅游行程包括以城市为主的主行程,以及每个城市内部的景点行程作为次一级行程。
进一步地,生成旅游行程并推荐给用户的方法包括:
(1)基于不同级别空间网络中各节点的空间位置计算城市节点距离矩阵C(N×N)和景点节点距离矩阵A(M×M),其中N为网络中城市个数,M为网络中景点个数,表示城市节点ci和城市节点cj间的空间距离,类似的,表示景点节点ai和景点节点aj间的空间距离;
(2)将距离矩阵作为空间距离约束条件改进最小生成树模型,并将该模型用于分层网络中,生成旅游行程。
最小生成树Prim算法中,初始时从图中任取以顶点加入树T,此时树中只含有一个顶点,之后选择一个与当前T中顶点集合距离最近的顶点,并将该顶点和相应的边加入T,每次操作后T中的顶点数和边数都增1,以此类推。
由于本发明构建的网络以节点间关联性作为边权重,且空间节点间存在较大的距离影响,所以提出加入空间距离约束的改进最小生成树方法作为行程生成算法。
基于输入条件(如起点等)向用户推荐旅游行程,推荐的旅游行程包括以城市为主的主行程,以及每个城市内部的景点行程作为次一级行程。
本发明与现有技术相比,其有益效果为:
本发明减少了边际信息过多和生成旅游行程时需要用户约束条件,适合面向多数用户进行旅游行程推荐。
附图说明
图1改进最小生成树算法示意图;
图2本发明旅游行程推荐流程图;
图3本实施例子中用户旅游评论数据抓取示意图;
图4本实施例子中用户城市以及景点行程记录示意图;
图5 Word2Vec模型框架示意图;
图6本实施例子中城市关联性矩阵示意图;
图7本实施例子中城市关联性网络示意图;
图8本实施例子中分层网络示意图;
图9本实施例子中行程推荐的输出示意图;
其中a为城市主行程b为景点主行程。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。
在本实施例子中,改进最小生成树算法如图1所示。以城市空间网络为例,将某一城市节点ci当作顶点加入树T,同时考虑节点间的关联性和空间距离影响后,将得分值最高的节点加入树T,重复此过程直至生成树集合长度达到事先确定好的大小。
参照图2,本发明包括以下步骤:
A爬取用户在社交媒体网站上发布的旅游评论数据,并提取用户旅游足迹大数据,按照旅行的时间,将同一用户在某一时间段内的旅行算作一次旅游行程,由此获取旅游行程大数据,并将其分割为在不同级别空间节点(如城市、景点)下的旅游行程。原始数据如图3所示,处理后的实验数据如图4所示;
B采用词嵌入模型计算分割后的用户旅游行程中各节点的关联性,并通过旅游节点间的关联性构建节点的空间网络;
在本实施例子中,使用自然语言处理中的词嵌入模型Word2Vec计算旅游行程中各节点的关联性,Word2Vec模型如图5所示:
所述关联性计算方法由输入层、投影层和输出层构成,本发明使用Word2Vec模型框架下的Skip-gram模型。类似于自然语言处理,本发明将每条行程当作一个语句,行程中每个旅游节点当作构成这个语句的词语,然后将其输入Skip-gram模型并设置各参数进行训练,训练完成后利用余弦相似度计算模型输出的代表空间节点的向量间的关联性,最终得到空间节点间关联性矩阵。城市级别节点的关联性如图6所示,景点级别也会得到一个类似的关联性矩阵;
在计算完旅游行程中各空间节点的关联性后,我们通过旅游节点间的关联性构建城市和景点空间网络,将关联性作为各节点间的连接权重,基于城市节点关联性构建的网络如图7所示,构建景点网络也是如此。将城市和景点空间网络组合后构建的分层网络如图8所示。需要注意的是,分层网络中相同颜色线条粗细表示同级别节点间的关联性大小。
C使用加入空间距离约束的最小生成树方法,基于分层网络生成旅游行程;
构建城市关联性网络和景点关联性网络后,分别基于两个网络中各节点的空间位置计算城市节点距离矩阵和景点节点距离矩阵,将距离矩阵作为空间距离约束加入最小生成树模型,并将该模型用于分层网络生成旅游行程。
D基于输入条件(如起点等)向用户推荐旅游行程;
通常一个用户会在一个城市游览某一些景点后再去下一个城市的某一些景点,根据我们提出的行程生成方法,首先生成一条以城市为主的主行程,在此基础上,对每个城市内部生成行程作为次一级行程。使用行程生成方法时,我们会生成top@K个行程(包含主行程和次一级行程的完整路线)作为选择推荐给用户。当我们输入起点为西宁时会向用户推荐如图9所示的旅游行程。
本发明提取用户在城市和景点下的旅游行程,将这些行程作为语料,采用自然语言处理中的词嵌入模型计算旅游行程中各节点的关联性,通过关联性计算,我们将所有旅游节点间的关系都挖掘出来,并通过旅游节点的关联性构建包含城市关联性网络和景点关联性网络的分层网络,最终使用加入空间距离约束的改进最小生成树方法生成旅游行程,并基于输入条件(如起点)向用户推荐旅游行程。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种旅游行程偏好推荐方法,其特征在于,
包括以下步骤:
A爬取用户在社交媒体网站上发布的旅游评论数据,将用户行程分割并提取用户旅游足迹大数据,别获取空间节点的旅游行程;
B根据空间节点的旅游行程,采用自然语言处理中的词嵌入模型计算不同级别空间节点的关联性,并通过旅游空间节点间的关联性构建节点的空间网络作为生成旅游行程的依据,将不同级别节点的空间网络组合为分层网络;
C使用加入空间距离约束的改进最小生成树方法生成基于分层网络生成旅游行程;
D依据用户的检索条件与分层网络生成旅游行程并按照设定条件进行排序后向用户推荐旅游行程,所述设定条件包括距离优先、行程时间优先和路程优先。
2.根据权利要求1所述的一种旅游行程推荐方法,其特征在于,基于用户在社交媒体网站上发布的旅游评论数据提取用户旅游足迹大数据,按照旅行的时间,将同一用户在某一时间段内的旅行算作一次旅游行程,由此获取旅游行程大数据,并将其分割为在不同级别空间节点下的旅游行程。
3.根据权利要求1所述的一种旅游行程推荐方法,其特征在于,计算旅游行程中权重的方法包括:
(1)计算用户旅游行程中节点的关联性,关联性的计算是基于用户在城市和景点级别下的旅游行程,使用自然语言处理方法中的词嵌入模型,分别将用户在城市和景点级别下的行程输入到词嵌入模型中计算旅游行程中城市节点间的关联性和景点间的关联性;
所述词嵌入模型方法由输入层、投影层和输出层构成;
针对用户的旅游行程,将每条行程记录放入输入层;
设定所述词嵌入模型方法的训练参数;
设定所述词嵌入模型方法输出层的向量大小;
通过余弦相似度方法计算节点间的关联性值;
(2)得到旅游节点间关联性后,将关联性作为各节点间的连接权重构建城市和景点的空间网络,并将每个城市内的景点与城市相关联,构建分层网络。
4.根据权利要求1所述的一种旅游行程推荐方法,其特征在于,步骤C中所述基于分层网络生成旅游行程,生成方法包括:
(1)基于不同级别空间网络中各节点的空间位置计算城市节点距离矩阵和景点节点距离矩阵;
(2)将距离矩阵作为空间距离约束条件加入最小生成树模型,并将该模型用于通过计算关联性构建的分层网络,生成旅游行程;
(3)基于输入条件(如起点等)向用户推荐旅游行程,推荐的旅游行程包括以城市为主的主行程,以及每个城市内部的景点行程作为次一级行程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112444.4A CN112733040B (zh) | 2021-01-27 | 2021-01-27 | 一种旅游行程推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112444.4A CN112733040B (zh) | 2021-01-27 | 2021-01-27 | 一种旅游行程推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733040A true CN112733040A (zh) | 2021-04-30 |
CN112733040B CN112733040B (zh) | 2021-07-30 |
Family
ID=75595353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110112444.4A Active CN112733040B (zh) | 2021-01-27 | 2021-01-27 | 一种旅游行程推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733040B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505311A (zh) * | 2021-07-12 | 2021-10-15 | 中国科学院地理科学与资源研究所 | 一种可根据“潜在语义空间”的旅游景点交互推荐方法 |
CN117456588A (zh) * | 2023-12-20 | 2024-01-26 | 福建先行网络服务有限公司 | 一种智慧博物馆用户管理*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131738A (zh) * | 2006-08-25 | 2008-02-27 | 佛山市顺德区顺达电脑厂有限公司 | 旅游行程规划***以及方法 |
CN101390096A (zh) * | 2006-02-27 | 2009-03-18 | 微软公司 | 使用传播的文档相关性来训练排名功能 |
CN103823914A (zh) * | 2013-05-24 | 2014-05-28 | 东南大学 | 一种游览线路规划方法 |
US20140331120A1 (en) * | 2013-05-06 | 2014-11-06 | International Business Machines Corporation | Document order management via binary tree projection |
US20180276535A1 (en) * | 2017-03-27 | 2018-09-27 | Microsoft Technology Licensing, Llc | Input-output example encoding |
WO2018217863A1 (en) * | 2017-05-23 | 2018-11-29 | Intel Corporation | Methods and apparatus for enhancing a binary weight neural network using a dependency tree |
WO2019112566A1 (en) * | 2017-12-05 | 2019-06-13 | Google Llc | Machine learning model for predicting speed based on vehicle type |
CN110175720A (zh) * | 2019-05-30 | 2019-08-27 | 上海苍潇穹宇数据科技有限公司 | 旅游行程规划方法及应用 |
CN110555174A (zh) * | 2019-09-16 | 2019-12-10 | 湖南科技大学 | 一种基于r树的轨迹路径推荐方法 |
CN110851714A (zh) * | 2019-11-07 | 2020-02-28 | 安徽大学 | 基于异构主题模型和词嵌入模型的文本推荐方法和*** |
CN111259133A (zh) * | 2020-01-17 | 2020-06-09 | 成都信息工程大学 | 一种融合多信息的个性化推荐方法 |
-
2021
- 2021-01-27 CN CN202110112444.4A patent/CN112733040B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101390096A (zh) * | 2006-02-27 | 2009-03-18 | 微软公司 | 使用传播的文档相关性来训练排名功能 |
CN101131738A (zh) * | 2006-08-25 | 2008-02-27 | 佛山市顺德区顺达电脑厂有限公司 | 旅游行程规划***以及方法 |
US20140331120A1 (en) * | 2013-05-06 | 2014-11-06 | International Business Machines Corporation | Document order management via binary tree projection |
CN103823914A (zh) * | 2013-05-24 | 2014-05-28 | 东南大学 | 一种游览线路规划方法 |
US20180276535A1 (en) * | 2017-03-27 | 2018-09-27 | Microsoft Technology Licensing, Llc | Input-output example encoding |
WO2018217863A1 (en) * | 2017-05-23 | 2018-11-29 | Intel Corporation | Methods and apparatus for enhancing a binary weight neural network using a dependency tree |
WO2019112566A1 (en) * | 2017-12-05 | 2019-06-13 | Google Llc | Machine learning model for predicting speed based on vehicle type |
CN110175720A (zh) * | 2019-05-30 | 2019-08-27 | 上海苍潇穹宇数据科技有限公司 | 旅游行程规划方法及应用 |
CN110555174A (zh) * | 2019-09-16 | 2019-12-10 | 湖南科技大学 | 一种基于r树的轨迹路径推荐方法 |
CN110851714A (zh) * | 2019-11-07 | 2020-02-28 | 安徽大学 | 基于异构主题模型和词嵌入模型的文本推荐方法和*** |
CN111259133A (zh) * | 2020-01-17 | 2020-06-09 | 成都信息工程大学 | 一种融合多信息的个性化推荐方法 |
Non-Patent Citations (2)
Title |
---|
梁珂等: "基于最小生成树和聚类算法的旅游线路规划", 《测绘技术装备》 * |
王菁等: "网络空间异构网关联模型及方法", 《指挥信息***与技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505311A (zh) * | 2021-07-12 | 2021-10-15 | 中国科学院地理科学与资源研究所 | 一种可根据“潜在语义空间”的旅游景点交互推荐方法 |
CN113505311B (zh) * | 2021-07-12 | 2022-03-11 | 中国科学院地理科学与资源研究所 | 一种可根据“潜在语义空间”的旅游景点交互推荐方法 |
CN117456588A (zh) * | 2023-12-20 | 2024-01-26 | 福建先行网络服务有限公司 | 一种智慧博物馆用户管理*** |
CN117456588B (zh) * | 2023-12-20 | 2024-04-09 | 福建先行网络服务有限公司 | 一种智慧博物馆用户管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN112733040B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287336B (zh) | 一种面向旅游景点推荐的游客画像构建方法 | |
JP7182585B2 (ja) | プログラム | |
US20180307667A1 (en) | Travel guide generating method and system | |
Moncla et al. | Reconstruction of itineraries from annotated text with an informed spanning tree algorithm | |
CN110134885B (zh) | 一种兴趣点推荐方法、装置、设备以及计算机存储介质 | |
CN112733040B (zh) | 一种旅游行程推荐方法 | |
US20100211308A1 (en) | Identifying interesting locations | |
CN106202010A (zh) | 基于深度神经网络构建法律文本语法树的方法和装置 | |
CN111783455B (zh) | 文本生成模型的训练方法及装置、文本生成方法及装置 | |
CN104794171B (zh) | 标记图片地理位置信息的方法及装置 | |
CN105069717A (zh) | 一种基于游客信任度的个性化旅游线路推荐方法 | |
CN107133262A (zh) | 一种基于多影响嵌入的个性化poi推荐方法 | |
KR20160029330A (ko) | 사용자 특성 및 여행지 특성에 기반한 여행지 추천 시스템 및 방법 | |
CN106940726B (zh) | 一种基于知识网络的创意自动生成方法与终端 | |
JP2010039710A (ja) | 情報収集装置、旅行案内装置、旅行案内システム及びコンピュータプログラム | |
CN110532464B (zh) | 一种基于多旅游上下文建模的旅游推荐方法 | |
CN111914157A (zh) | 一种基于用户偏好的旅游方案生成方法和*** | |
Luo et al. | Exploring destination image through online reviews: an augmented mining model using latent Dirichlet allocation combined with probabilistic hesitant fuzzy algorithm | |
Moncla et al. | Mapping urban fingerprints of odonyms automatically extracted from French novels | |
Su et al. | Personalized route description based on historical trajectories | |
CN113486649B (zh) | 文本评论的生成方法以及电子设备 | |
Giouli et al. | Placing multi-modal, and multi-lingual Data in the Humanities Domain on the Map: the Mythotopia Geo-tagged Corpus | |
Liang et al. | Enhancing scenic recommendation and tour route personalization in tourism using ugc text mining | |
CN113741759A (zh) | 评论信息的展示方法、装置、计算机设备和存储介质 | |
Devi et al. | Big data analytics based sentiment analysis using superior expectation-maximization vector neural network in tourism |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |