基于知识图谱和频繁序列挖掘的旅游路线推荐

大数据在提供海量多源信息的同时,也带来了信息过载问题,这在旅游领域内表现得尤为突出。针对当前游客在制定旅行路线时需要花费大量时间和精力的现状,首先,提出一种融合多源旅游数据构建知识图谱的方法,有效地抽取相关旅游领域知识;其次,利用知识图谱及大量旅行游记生成旅游路线数据库,并提出一种能够根据游客类型生成海量候选路线的频繁路线序列模式挖掘算法;最后,设计了一种多维度路线搜索和排序机制来为用户推荐个性化的旅游路线。基于真实旅游大数据的实验结果表明,该方法可以同时考虑旅行天数、人物类型和景点类型喜好等多方面因素,帮助游客快速制定个性化的旅行路线,有效提升游览体验。     

基于用户需求的旅游路线推荐方法

为解决旅游路线推荐中个性化程度不高的问题,提出一种基于用户需求的旅游路线推荐方法.通过获取用户分享的景点照片与游玩时间,综合考虑景点热度、用户偏好和访问时间等用户需求,为用户推荐得分最高的景点,在此基础上建立融合时间与费用约束的旅游路线推荐模型,针对该模型设计内嵌混沌扰动和方差判定准则的模拟退火求解算法.实验结果表明,...     

Coteries轨迹模式挖掘及个性化旅游路线推荐

Coterie是一种异步的组模式,要求在不等时间间隔约束下找出具有相似轨迹行为的组模式.而传统的轨迹组模式挖掘算法往往处理具有固定时间间隔采样约束的GPS数据,因此无法直接用于Coterie模式挖掘.同时传统组模式挖掘存在语义信息缺失问题,降低了个性化旅游路线推荐的完整度和准确度.为此,提出基于语义的距离敏感推荐策略（DRSS）和基于语义的从众性推荐策略（CRSS）.此外,随着社交网数据规模的不断增大,传统组模式聚类算法的效率受到了极大挑战,因此,为高效处理大规模社交网轨迹数据,使用带有优化聚类的MapReduce编程模型来挖掘Coterie组模式.实验结果证明,MapReduce编程模型下带优化聚类和语义信息的Coterie组模式挖掘,在个性化旅游路线推荐上优于传统组模式旅游路线推荐质量,且能有效处理大规模社交网轨迹数据.     

基于稀疏轨迹聚类的自驾车旅游路线挖掘

针对自驾车游客加油轨迹稀疏,还原真实旅游路线困难的问题,提出一种基于语义表示的稀疏轨迹聚类算法,用以挖掘流行的自驾车旅游路线。与基于轨迹点匹配的传统轨迹聚类算法不同,该算法考虑不同轨迹点之间的语义关系,学习轨迹的低维向量表示。首先,利用神经网络语言模型学习加油站点的分布式向量表示;然后,取每条轨迹中所有站点向量的平均值作为该轨迹的向量表示;最后,采用经典的k均值算法对轨迹向量进行聚类。最终的可视化结果表明,所提算法有效地挖掘出了两条流行的自驾车旅游线路。     

融合隐语义和邻域算法的兴趣点推荐模型*

近年来,随着众多具有传感功能的智能手机和可穿戴设备的普及,基于位置的服务得到了快速发展,其中基于位置的社交网络（location-based social networks,LBSN）逐渐被大多数人所接受,基于位置社交网络可以为人们提供兴趣点推荐服务,为了提供更加精准的兴趣点推荐服务本文提出了一种融合的算法模型。本文通过隐语义分析算法来充分挖掘用户的历史行为,使用基于邻域的方法结合好友和地理位置等因素,然后在统一的框架中融合这两种推荐方式的结果,实现了对用户行为更好的预测。实验结果表明,本文提出的兴趣点推荐方法拥有较好的准确率和召回率。     

基于知识图谱的个性化旅游路线推荐服务的实现

得益于信息技术的发展,线上景点数据日趋丰富.但由于现有搜索引擎提供的信息缺乏关联度和完整性,不利于最优出行路线设计.通过实现对景点数据的高效归类和整理,以及由不同维度需求构建用户画像.应用知识图谱对景点信息进行分类整合,与用户需求匹配,为用户推荐符合个性化需求的旅游路线,实现由用户按喜好定制出行路线.     

基于签到数据的群体旅游路线推荐

移动设备和基于位置的服务的广泛应用带来了大量的时空数据,签到数据详细记录了人们出行的移动模式,分析签到数据可以提高基于位置服务的质量,其中旅游路线推荐是重要的研究方向。现有的路线推荐的研究通常只考虑用户独自出行的情况,推荐的路线尽可能满足单个用户需求。结伴出行是旅游中常见的现象,研究群体的旅游路线推荐具有重要的意义。针对此需求,提出了群体旅游路线推荐问题,目标是为群体推荐一条能够使群体整体满意度大,个体满意度差异小,即对群体内所有成员较公平的最优群体旅游路线。通过分析聚合用户偏好时通常采用的平均数策略与无痛苦策略在推荐结果方面存在的不足,针对搜索路线时所具有的动态性特点,提出了一种动态聚合用户偏好的策略(dynamic aggregation preference,DAP)。DAP策略根据当前个体满意度,动态调整群体偏好模型,保证了推荐结果对群体整体满意度较高的同时,个体差异度小。基于DAP策略,建立路线评价模型,对路线进行满意度评分,返回分值最高的路线。利用Gowalla和Foursquare社交网站真实的签到数据集进行了充分实验,验证了算法在不同参数设置下的有效性。     

基于轨迹挖掘模型的旅游景点推荐

针对旅游推荐系统中基于内容的推荐和基于协同过滤的推荐方法的数据稀疏性和冷启动问题,以及现有轨迹挖掘方法忽略旅游轨迹中高级语义的问题,提出基于门控循环单元轨迹挖掘模型的推荐方法.为了充分利用旅游轨迹的高级语义信息,基于循环神经网络设计轨迹挖掘表示模型,对游客的旅游轨迹进行建模,在利用游客历史轨迹建模后向游客提供个性化旅游景点推荐.在真实旅游轨迹数据集上的实验表明,相比广泛使用的基线方法,文中方法在景点推荐的准确性和质量上都有一定提高.     

基于隐语义模型的个性化推荐

许多传统的推荐方法如协同过滤和低秩矩阵分解都存在物品或用户方面的稀疏性和冷启动问题。为了克服这两方面的问题,提出一种基于隐语义模型的个性化推荐方法。通过对用户行为进行分析,利用隐语义模型推断出用户潜在的兴趣因子,从而构建用户兴趣特征矩阵来进行个性化推荐。对现实的电影数据的实验证明了所提方法的有效性,并在准确率、召回率和覆盖率方面均优于传统的协同过滤方法和基于内容的方法。     

基于潜语义分析的概念名称相似度算法

概念名称是本体映射中的一个重要要素。针对目前概念名称相似度计算中存在的概念名称多义性问题,提出一种改进的算法。该算法结合概念注释和义项解释,利用潜语义分析,明确概念在Wordnet中对应的义项,在一定程度上提高了相似度计算的准确度。实验表明该方法是切实可行的。     

基于概率潜在语义分析模型的自动答案选择

问答社区中候选答案过多会增加提问用户选择最佳答案的负担。为此,提出一种基于概率潜在语义分析(PLSA)模型的自动答案选择方法。在主题建模思想的基础上,利用问答社区中的用户资料,以PLSA模型表达问答社区中的用户兴趣分布,依据答案和问题之间的主题匹配度对候选答案进行排序。实验结果表明,该方法可有效挖掘用户兴趣,提高答案选择的准确率。     

基于潜在语义分析的跨语言查询扩展方法

针对传统查询扩展方法存在的问题,提出一种基于潜在语义分析的跨语言扩展方法,利用聚类提高扩展文本集合的精度,并用潜在语义分析实现无需翻译的查询扩展,减轻翻译歧义带来的影响。实验结果表明,该方法能够获得较好的性能。     

基于潜在语义标引的WEB文档自动分类

Web挖掘技术在商业上有广泛的应用前景,但现有的Web挖掘技术存在计算量大,精度不高等问题。论文提出的LSIWAC算法,首先运用潜在语义标引技术将Web页面词空间压缩到低维的特征空间;然后,在得到的特征空间上运用最优聚类将样本集合分为若干簇;对得到的每簇鉴别特征再利用最佳鉴别变换进行压缩和特征抽取,并用最终得到的特征矢量进行分类。该方法克服了样本高维效应,有效提高分类准确率,降低计算量。实验结果验证所提方法的有效性。     

基于潜在语义分析的Web服务筛选技术

Web服务匹配算法普遍缺少服务筛选机制,基于关键词对服务基本描述和服务质量描述进行匹配,会导致服务匹配效率低且准确率不高。该文提出一种基于潜在语义分析的Web服务筛选方法,将服务的基本描述和服务质量描述以树形结构属性模板表示,采用一定的词频统计和权重方法构建潜在语义空间,生成广告服务索引数据库,根据服务请求进行筛选。实验结果表明,该服务筛选方法具有较好的筛选准确率和筛选完全率,能够较大程度地提高服务匹配效率。     

潜在语义分析在中文信息处理中的应用

潜在语义分析是一种关于自然语言信息提取和再现的理论方法,它通过代数的方法提取语义空间中潜在结构。论文叙述了潜在语义分析的基本理论方法,概述了这种方法所建立的潜在语义空间的数学意义;然后通过一个简单示例说明LSA在中文信息处理中的分析方法,并通过分析结果中文本间、词汇间关联度的变化来说明LSA在中文信息处理中的重要意义。     

基于云模型的Web日志数据挖掘技术

提出了一种基于云模型理论测试网页对访问者吸引程度的Web日志挖掘方法,协助管理者优化站点结构,改善Web信息服务质量。     

基于潜在语义分析的构件聚类改进方法

针对基于向量空间模型的构件聚类方法存在高维稀疏、无法解决同义词等问题,采用基于潜在语义分析模型对构件进行聚类分析。从用户关注点出发,通过引入等级策略提出一种基于潜在语义分析的构件聚类改进算法。实验结果表明,该方法能够提高构件聚类质量,使构件聚类结果更符合用户需求和更加人性化,提高构件检索效率和准确性。     

利用语义进行Web结构挖掘

本文论述了利用语义挖掘Web结构、Web使用挖掘进行了基于语义挖掘方法的探讨，并对PageRank算法进行了分析，针对该算法的不足之处进行了改进。