欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020106489089
申请人: 湖南大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于神经网络的旅行计划推荐方法,其特征在于,包括以下步骤:

S1:获取多个用户的旅行历史记录作为旅行计划推荐模型的训练样本,所述旅行计划推荐模型包括第一门控循环单元网络、第二门控循环单元网络、注意力网络及负对数似然损失函数模型;

S2:将每个用户的旅行历史记录分别输入到所述第一门控循环单元网络以生成旅行历史表示向量;

S3:将各个所述旅行历史表示向量与其对应的所述用户的嵌入向量连接输入到所述注意力网络,得到用户表示向量,根据所述训练样本中景点之间的共现获取每个景点的景点转移向量;

S4:将所述用户表示向量和所述景点转移向量输入至所述第二门控循环单元网络,生成隐藏状态向量,通过单层softmax分类器对所述隐藏状态向量处理,得到一个城市所有景点在每个时刻推荐的概率,将概率最高的景点作为该时刻的推荐景点并输出带有顺序的旅行推荐景点列表;

S5:将所述旅行推荐景点列表与所述用户的实际旅行历史记录输入到所述负对数似然损失函数模型进行损失函数值运算,得到损失函数值最小时的目标损失函数;

S6:基于所述训练样本,根据所述目标损失函数对所述旅行计划推荐模型进行训练;

S7:训练好的所述旅行计划推荐模型接收用户的输入并生成相应的旅行计划推荐列表。

2.根据权利要求1所述的基于神经网络的旅行计划推荐方法,其特征在于,在步骤S2中,所述旅行历史记录Lui={T1ui,T2ui,...,Tnui},其中,ui为用户,Tn={a1,a2,...,am}为每次的旅行记录,am是所述用户在这次旅行中访问的景点,n是所述旅行历史记录的长度,m为所述旅行记录的长度,所述第一门控循环单元网络中每个时刻t,隐藏状态ot的计算公式如下:ot=GRU(at,ot-1),t=1,...,m,

其中,at为景点的嵌入向量,ot-1是时刻t-1处的隐藏状态,t=0时,o0=0为空向量,将所述隐藏状态om作为所述旅行记录Tn的旅行表示向量,此时,所述旅行历史表示向量为{o1ui,o2ui,...,onui}。

3.根据权利要求2所述的基于神经网络的旅行计划推荐方法,其特征在于,在步骤S3中,所述旅行历史表示向量{o1ui,o2ui,...,onui}与所述用户ui的嵌入向量ui连接输入到所述注意力网络,通过ReLU作为隐藏层的激活函数运算,得出运算结果后通过soft max函数进行归一化,运算公式和归一化计算公式如下:s(i,j)=hTReLU(Moojui+Muui+b),

其中,Mo和Mu为所述注意力网络的权重矩阵,其分别将所述旅行历史表示向量{o1ui,ui ui To2 ,...,on }和所述用户ui的嵌入向量ui转换为隐藏层,h是所述注意力网络的权重向量,b是所述隐藏层的偏置向量,所述用户表示向量 的计算公式如下:

4.根据权利要求1所述的基于神经网络的旅行计划推荐方法,其特征在于,在步骤S3中,通过可学习的参数矩阵Wr将所述景点转移向量从稀疏向量投影成稠密向量,计算公式如下:kt=Wrrt,

其中rt为所述共现的共现向量。

5.根据权利要求4所述的基于神经网络的旅行计划推荐方法,其特征在于,在步骤S4中,通过所述第二门控循环单元网络得出所述隐藏状态向量的计算公式如下:其中,kt-1是t-1时刻的景点转移向量,ht-1是时刻t-1的隐藏状态向量,初始隐藏状态向量h0=0为空向量,k0为所述城市的嵌入向量。

6.根据权利要求5所述的基于神经网络的旅行计划推荐方法,其特征在于,在步骤S4中,通过单层soft max分类器对所述隐藏状态向量ht进行景点推荐概率运算,计算公式如下:qt=softmax(Whht+bh),

yt=argmaxq∈V(qt),

其中,qt∈RV,R为实数集,V为所述城市的候选景点集,Wh和bh是softmax层中的参数矩阵和偏置向量,yt为时刻t的推荐景点。

7.根据权利要求6所述的基于神经网络的旅行计划推荐方法,其特征在于,在步骤S5中,所述负对数似然损失函数模型的运算公式如下:J=-logP(y1,y2,...,yt)。

8.一种基于神经网络的旅行计划推荐装置,其特征在于,所述装置包括:

训练样本获取模块,所述训练样本获取模块用于获取多个用户的旅行历史记录作为旅行计划推荐模型的训练样本,所述旅行计划推荐模型包括第一门控循环单元网络、第二门控循环单元网络、注意力网络及负对数似然损失函数模型;

旅行表示模块,所述旅行表示模块用于将每个用户的旅行历史记录分别输入到所述第一门控循环单元网络以生成旅行历史表示向量;

用户表示模块,所述用户表示模块用于将各个所述旅行历史表示向量与所述用户的嵌入向量连接输入到所述注意力网络,得到用户表示向量,根据所述训练样本中景点之间的共现获取每个景点的景点转移向量;

推荐景点输出模块,所述推荐景点输出模块用于将所述用户表示向量和所述景点转移向量输入至所述第二门控循环单元网络,生成隐藏状态向量,通过单层softmax分类器对所述隐藏状态向量处理,得到一个城市所有景点在每个时刻推荐的概率,将概率最高的景点作为该时刻的推荐景点并输出带有顺序的旅行推荐景点列表;

修正模块,所述修正模块用于将所述旅行推荐景点列表与所述用户的实际旅行历史记录输入到所述负对数似然损失函数模型进行损失函数值运算,得到损失函数值最小时的目标损失函数;及训练模块,所述训练模块用于根据所述目标损失函数对所述旅行计划推荐模型进行训练,训练好的所述旅行计划推荐模型接收用户的输入并生成相应的旅行计划推荐列表。

9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。