[发明专利]一种基于知识图谱的个性化旅游景点推荐方法

摘要

本发明公开一种基于知识图谱的个性化旅游景点推荐方法，通过互联网上海量的数据构建旅游领域知识图谱，利用改进的TransE模型对知识图谱中的信息进行编码，将景点以及用户结点依据链接属性的个数训练为一个n维的向量(假设有n个属性)，将用户与景点之间的关系也表示为n维向量，得到用户以及景点的向量表示之后计算用户与用户以及景点与景点之间的相似度，将相似度代入预测评分公式得到两个预测评分，然后将f(h,r,t)所计算得到的向量之间的差值归一化到评分阈值之间，得到第三个预测评分，最后对三个预测评分进行加权平均得到最后的评分列表为用户做出推荐。本发明解决了现有技术中的语义差、推荐准确度低以及冷启动问题，具有良好的实用性。

主权项

一种基于知识图谱的个性化旅游景点推荐方法，其特征是，包括步骤如下：步骤1、从现有知识库中获取景点、用户、景点相关属性和用户相关属性信息，并据此建立1个旅游领域知识图谱；步骤2、将旅游领域知识图谱的用户和景点均分别表示为用户向量和景点向量，同时，将游领域知识图谱中用户对景点的喜好关系也表示为用户与景点之间的关系向量；步骤3、根据模型h+r＝t建立用户向量、景点向量、以及用户和景点之间关系向量的损失函数，并通过最小化损失函数，使用户向量、景点向量、以及用户与景点之间的关系向量循环收敛到最优，以达到优化目标的目的；其中损失函数为L：L=Σ(h,r,t)∈S(h,r,t)Σ(h′,r,t′)∈S(h,r,t)′[f(h,r,t)+γ-f(h′,r,h′)]+;]]>步骤4、利用已经训练好的用户向量、景点向量、以及用户和景点之间关系向量，通过余弦相似度去计算景点相似度和用户相似度，并得到根据景点相似度计算出的景点预测评分和根据用户相似度计算出的用户预测评分；其中景点预测评分pred(h,t)t为：pred(h,t)t=Σti∈Tsim(t)sim(t,ti)×rh,tiΣti∈Tsim(t)sim(t,ti);]]>用户预测评分pred(h,t)h为：pred(h,t)h=Σhj∈Hsim(h)sim(h,hj)×(rhj,t-rhj)Σhj∈Hsim(h)sim(h,hj)+r‾h;]]>步骤5、利用已经训练好的用户向量、景点向量、以及用户和景点之间关系向量，并通过关键函数去计算关键预测评分；其中关键预测评分pred(h,t)为：pred(h,t)=floor{P*f(h,r,t)-min[f(h,r,t)]max[f(h,r,t)]-min[f(h,r,t)]};]]>步骤6、对上述景点预测评分、用户预测评分和关键预测评分进行加权平均作为用户的最终预测评分，并对最终预测评分进行排序后，将最高得分的景点推荐给用户；其中最终预测评分predfinal为：predfinal=a×pred(h,t)t+b×pred(h,t)h+c×pred(h,t)3;]]>其中，h表示用户向量，r表示景点向量，t表示用户与景点之间的关系向量；γ为设定的边际值，f(h,r,t)表示正例三元组的关联函数，S(h,r,t)表示正例三元组集合，f(h′,r,t′)表示负例三元组的关联函数，S(h′,r,t′)表示负例三元组集合，L1表示L1范式，L2表示L2范式；sim(t,ti)表示景点t与景点ti之间的相似度，Tsim(t)表示与景点t相似度大于0的景点集合，表示用户h对景点ti的评分；sim(h,hj)表示用户h与用户hj之间的相似度，Hsim(h)表示与用户h相似度大于0的用户的集合，表示用户hj对景点t的评分，表示用户hj已评分过景点的平均得分，示用户h对已评分过景点的平均评分；max表示取最大函数，min表示取最小函数，floor表示向下取整函数，P表示评分的最高值，a、b和c为景点、用户和关键权值系数。