基于深度表示模型旅游路线算法研究.docVIP

基于深度表示模型旅游路线算法研究 　　摘要：针对现有旅游路线推荐算法在实际应用中景点标签缺失、依赖用户评分等缺陷，提出一种基于深度表示模型的旅游路线推荐算法。根据时空轨迹隐含的位置顺序和时间中的用户移动模式，建立深度表示模型对每个用户的时空间序列训练特征向量，并用Kmeans算法对训练结果进行聚类。为验证实验结果，将用户的移动模式应用到旅游路线推荐上，选择使用Gowalla上的签到数据集进行检测。实验结果表明，包含诸如“购物”，“夜生活”等标签的移动轨迹具备推荐价值。 　　关键词：社交网络；深度表示模型；Kmeans聚类；用户移动模式；训练特征向量 　　DOIDOI：10.11907/rjdk.171932 　　中图分类号：TP319 　　文献标识码：A 文章编号：1672-7800（2017）012-0158-04 　　Abstract：In currently， there are some weakness like lacking of feature spot label and the large distance between different places for the travel route recommendation algorithm. In this paper， we analyze the sequence of locations and time which hide the user moving model and create a depth representation model to train the feature vector about the space-time list. At last， we select the Kmeans algorithm to cluster the value of feature. To test the result of experiment and apply it in the recommendation of travel route， I select to use the check-in data list Gowalla as the resource。According to the result， some moving route including shopping or night life label have the value of recommendation. 　　Key Words：social network； depth representation model； Kmeans clustering； user moving model； training feature vector 　　0 引言 　　随着移动设备和基于位置的服务广泛应用，用户签到数据的获取更加方便且成本大大降低，人们在通过微信朋友圈、QQ空间等社交网络平台分享图片、感想的同时，也产生了时空签到数据。这些数据至少具备3种属性：用户ID、签到时间与经纬度，这促使了基于地理位置的移动社交网络（LBSN）迅猛发展，这些个体行为轨迹数据为研究用户移动模式以及探究其内在规律提供了机会。例如收集一个用户在一定时间内的时空数据连线就可得到一条时空轨迹，而时空轨迹在城市智能化发展中扮演着越来越重要的角色，2012年，Science就发现了这个现象[1]。 　　在LBSN网站中，可由用户的一系列签到点绘制出轨迹，这些轨迹同时具有地理信息和社交信息属性，是许多分析用户移动轨迹研究的基础。Tang[3]等提出根据海量用户的 GPS历史轨迹来挖掘旅途中目标一致的同伴。Backstrom[4]等通过分析 Facebook上用户间的社会关系来预测好友的地理位置信息。Wang[6]等提出基于朋友关系向用户推荐其可能感兴趣的地点算法FBCA，该算法将朋友关系应用于轨迹聚类，很好地利用了社交网络中的社交属性。Zheng[7]提出一个基于社交网络位置推荐系统，但实际生活中，人们的活动通常会受到与用户关系密切或其他人言行的影响，因此在研究社交轨迹聚类时必须考虑其他用户对轨迹的评价，这里引入用户爱好相似度评估矩阵。 　　随着旅游业的蓬勃发展，出现了许多旅游推荐算法，而大多数算法都是依靠用户对于景点与旅游路线的评分信息来匹配“相似用户”，实现旅游推荐的。例如AhasR[8]等以爱沙尼亚为例，对旅客的旅游活动进行了问卷调查，并分析了其偏好的旅游目的地信息；麻风梅[9]等通过在线访谈的方式获取用户旅游需求，以计算游客相似兴趣度的方法推荐景点；王显飞[11]等通过会话的方式了解用户需求，以筛选旅游知识库的方式产生景点和酒店的推荐。基于用