[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

摘要

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。

主权项

1.一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}，再从社交网络中获得签到数据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：具体步骤为：(2‑1)利用基于密度的聚类方法对旅游照片数据集D_{photo‑travel}中的照片进行空间聚类，获得旅游景点集合L；(2‑2)根据从旅游照片数据集D_{photo‑travel}统计得到的用户访问景点的次数、旅游景点集合L中的旅游景点，构建用户‑景点矩阵Y；(2‑3)将文档代表用户旅行历史，词代表旅游景点，利用动态主题模型推断用户和景点在不同时间段的潜在主题概率分布，并联合所有时间段的主题概率分布，得到用户的全部隐式特征和景点的全部隐式特征(2‑4)从旅游照片数据集D_{photo‑travel}和签到地点的类别数据集D_category中提取用户的显式特征和景点的显式特征然后结合用户的全部隐式特征和景点的全部隐式特征建立用户画像F_user和景点画像F_location，并利用余弦函数构建m×m的用户‑用户相似性矩阵A和n×n的景点‑景点相似性矩阵B；(2‑5)根据建立的Y、A、以及B，利用用户‑用户以及景点‑景点的相似性关系构建带有联合正则项的矩阵分解模型，完成对Y的分解；(2‑6)根据带有联合正则项的矩阵分解的结果，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。