[发明专利]一种基于动态主题模型和矩阵分解的旅游景点推荐方法

说明书

本发明公开了一种基于动态主题模型和矩阵分解的旅游景点推荐方法，通过分析用户在不同时间间隔内的旅行历史信息获得用户旅行偏爱的变化，为用户提供细粒度的旅游推荐服务。方法首先从社交网络中获取数据集的信息。其次，利用动态主题模型从用户历史信息中挖掘用户和景点的隐式特征信息。再次，通过对数据集分析，挖掘用户和景点的显式特征信息，并结合用户和景点的隐式特征信息获得用户‑用户和景点‑景点相似性信息。最后，利用带有联合正则项的矩阵分解方法融合用户‑用户和景点‑景点的相似性信息。该方法能够获得用户的旅行偏爱的变化，为用户推荐合适的旅游景点。

技术领域

本发明涉及信息推荐技术领域，尤其涉及一种基于动态主题模型和矩阵分解的旅游景点推荐方法。

背景技术

近年来，随着移动互联网、智能手机、以及照片分享网站(例如：Flickr、Panoramio、以及Instagram等)的快速发展，互联网上出现了大量带有地理位置信息的照片数据。并且，这些由群体所贡献的带有地理位置信息的照片数量呈现出急剧增长的趋势。基于这些带有地理位置信息的照片可以挖掘城市中的旅游景点、获得城市中受游客欢迎的旅游线路、分析游客的旅游偏爱，进一步为用户提供个性化的旅游景点或者旅游线路推荐服务。

目前的基于带有地理位置信息照片挖掘的旅游景点推荐方法通常是直接利用用户访问景点的次数信息获得用户间的相似性信息，并结合基于用户的协同过滤方法为用户推荐景点。然而，由于旅行时间或者金钱花费的限制，用户在旅游城市中通常只会游览少量的景点，导致了基于用户-景点矩阵的推荐系统在建模过程中出现数据稀疏性问题。

为解决上述景点推荐中的数据稀疏性问题，目前出现了基于数据降维的景点推荐方法，例如：静态主题模型。该模型是文本挖掘领域中一种比较流行的获得文档隐含主题的方法。在该模型中，用户的旅行历史被看作是文档，旅游景点被看作是词。通过该模型，用户和景点的主题概率分布可以获得。然而，静态主题模型在基于用户旅行历史获得用户旅行偏爱的主题概率分布时，将用户在所有时间段内(例如：年份)的旅行历史信息看作成一个文档，忽略了用户在不同时间段内旅行偏爱的变化问题。

动态主题模型是基于静态主题模型获得文档主题变化的一种扩展形式。它通过将文档集按照时间段划分成子文档集，假设每一个子文档集的主题具有前后依赖关系，主题是随着时间而演化的。通过该模型，文档和词在不同时间段的主题概率分布可以获得，这些在不同时间段的主题体现了文档和词的主题演化过程。该模型为解决在旅游推荐中静态主题模型不能获得用户旅行偏爱的变化问题提供了可能。

发明内容

本发明要解决的问题是如何通过动态主题模型获得用户旅行偏爱变化信息，为用户提供细粒度的旅游景点推荐服务。

一种基于动态主题模型和矩阵分解的旅游景点推荐方法，包括：

获取数据集信息阶段：从社交网络中获取照片数据集D_photo并对其进行去噪处理，得到旅游照片数据集D_photo-travel，再从社交网络中签到数据D_check-in，并提取签到数据D_check-in中的签到地点的类别信息，得到签到地点的类别数据集D_category；

获得用户旅行偏爱阶段：利用动态主题模型从旅游照片数据集D_photo-travel中提取用户和景点的隐式特征；然后，通过对旅游照片数据集D_photo-travel的分析，统计得到用户和景点的显式特征，并结合用户和景点的隐式特征获得用户-用户和景点-景点相似性信息；最后，利用带有联合正则项的矩阵分解方法融合用户-用户和景点-景点的相似性信息，补全稀疏的用户-景点矩阵Y，得到含有用户旅行偏爱信息的矩阵Y’；

推荐旅游景点阶段：利用矩阵Y’对候选集中的景点打分，并将打分排名前N个旅游景点推荐给用户。

所述的获取数据集信息阶段的具体步骤为: