1.一种融合属性共现和交互行为特征的旅游景点推荐方法,其特征在于:包括以下步骤:步骤S1,根据用户的属性集合构建用户属性图,基于图神经网络学习用户的同质属性共现特征表示;
步骤S2,根据景点的属性集合构建景点属性图,基于图神经网络学习景点的同质属性共现特征表示;
步骤S3,通过注意力机制匹配用户的属性共现特征与景点的属性共现特征,建模用户的异质属性共现特征表示;
步骤S4,融合用户的同质属性共现特征表示和异质属性共现特征表示,建模用户的属性共现特征表示;
步骤S5,根据用户对景点的交互行为,学习用户的交互行为特征表示;
步骤S6,融合属性共现特征表示和交互行为特征表示,建模用户的特征表示;
步骤S7,根据步骤S1-S6,同样地融合景点的属性共现特征表示和交互行为特征表示,建模景点的特征表示;
步骤S8,根据用户的特征表示和景点的特征表示,通过内积计算用户对景点的评分;
步骤S9,根据用户对候选集景点的评分高低进行排序,生成推荐景点列表;
步骤S10,依据用户和景点的共现属性,为推荐的景点标注推荐原因。
2.根据权利要求1所述的融合属性共现和交互行为特征的旅游景点推荐方法,其特征在于:所述步骤S1中根据用户的属性集合构建用户属性图,基于图神经网络学习用户的同质属性共现特征表示,具体步骤为:步骤1.1,用户具有性别、职业、年龄类属性信息,这些属性之间具有关联,基于这些信息构建每个用户的属性图UA,其中节点表示用户的属性,嵌入表示为uA,边表示用户的同质属性对之间的共现关系;
步骤1.2,基于图注意力机制学习图中不同的属性特征组合,建模用户属性之间的共现相关性,用户属性i与j之间共现相关性表示为:其中,Whom、a为神经网络的权重参数,||表示拼接,σ为LeakyReLU激活函数;
步骤1.3,在用户的属性集合中,定义用户属性i与j之间的注意力权重为:其中,为属性i与j的共现相关性在用户所有属性中的归一化注意力权重,Nu为用户u的属性集合;
步骤1.4,考虑到用户属性i与其他所有属性之间的相关性,定义用户属性i的共现特征表示为:其中,为用户属性i与j之间的共现相关性在用户所有属性中的归一化注意力权重,描述了属性j在用户所有属性中的贡献程度,Nu为用户u的属性集合。
3.根据权利要求2所述的融合属性共现和交互行为特征的旅游景点推荐方法,其特征在于:所述步骤S2中根据景点的属性集合构建景点属性图,基于图神经网络学习景点的同质属性共现特征表示,具体步骤为:步骤2.1,景点具有位置、等级、门票类属性信息,这些属性之间具有关联,基于这些信息构建每个景点的属性图VA,其中节点表示景点的属性,嵌入表示为vA,边表示景点属性间的共现关系;
步骤2.2,基于图注意力机制学习图中不同的属性特征组合,建模景点属性之间的共现相关性,景点属性m与n之间的共现相关性表示为:其中,Whom、a为神经网络的权重参数,σ为LeakyReLU激活函数;
步骤2.3,在景点的属性集合中,定义景点属性m与n之间的注意力权重为:其中,为属性m与n的共现相关性在景点所有属性中的归一化注意力权重,Nv为景点v的属性集合;
步骤2.4,考虑到景点属性m与其他所有属性之间的相关性,定义景点属性m的共现特征表示为:其中,为景点属性m与n的共现相关性在景点所有属性中的归一化注意力权重,描述了属性n在景点所有属性中的贡献程度,Nv为景点v的属性集合。
4.根据权利要求3所述的融合属性共现和交互行为特征的旅游景点推荐方法,其特征在于:所述步骤S3中通过注意力机制匹配用户的属性共现特征与景点的属性共现特征,建模用户的异质属性共现特征表示,具体步骤为:步骤3.1,考虑到用户的不同属性可能偏好于景点的不同属性,通过注意力机制来匹配用户和景点的异质属性共现特征;用户属性i与景点属性m之间匹配的共现相关性表示为:其中,Whet、bhet为神经网络的权重参数,⊙表示逐元素相乘,σ为LeakyReLU激活函数;
步骤3.2,在景点的属性集合中,定义用户属性i与景点属性m之间的注意力权重为:其中,εim为用户属性i与景点属性m的共现相关性,在景点所有属性中的归一化注意力权重,Nv为景点v的属性集合;
步骤3.3,考虑到用户属性i与景点所有属性之间的共现相关性,定义用户属性i的异质属性共现特征表示为:其中,εim为用户属性i与景点属性m之间的注意力权重,描述了景点属性m对用户属性i的贡献程度,Nv为景点v的属性集合。
5.根据权利要求4所述的融合属性共现和交互行为特征的旅游景点推荐方法,其特征在于:所述步骤S4中融合用户的同质属性共现特征表示和异质属性共现特征表示,建模用户的属性共现特征表示,具体步骤为:步骤4.1,考虑到用户属性i的同质属性共现特征表示和异质属性共现特征表示,将其求和得到用户属性i的共现特征表示为:步骤4.2,考虑到用户u的所有属性,定义用户u的属性共现特征表示为:其中,Nu为用户u的属性集合。
6.根据权利要求5所述的融合属性共现和交互行为特征的旅游景点推荐方法,其特征在于:所述步骤S5中根据用户对景点的交互行为,学习用户的交互行为特征表示,具体步骤为:根据用户的历史评分景点集合Ru,学习用户u的交互行为特征表示为:其中,el是用户历史评分景点集合Ru中第l个景点的初始化嵌入向量表示。
7.根据权利要求6所述的融合属性共现和交互行为特征的旅游景点推荐方法,其特征在于:所述步骤S6中融合属性共现特征表示和交互行为特征表示,建模用户的特征表示,具体步骤为:考虑到用户u的属性共现特征表示以及交互行为特征表示,将其进行拼接融合得到用户u的特征表示为:u=[uAtt,uInt] (13)。
8.根据权利要求7所述的融合属性共现和交互行为特征的旅游景点推荐方法,其特征在于:所述步骤S7中根据步骤S1-S6,同样地融合景点的属性共现特征表示和交互行为特征表示,建模景点的特征表示,具体步骤:步骤7.1,景点属性m与用户属性i之间匹配的共现相关性表示为:其中,Whet、bhet为神经网络的权重参数,⊙表示逐元素相乘,σ为LeakyReLU激活函数;
步骤7.2,定义景点属性m与用户属性i之间的注意力权重为:其中,εmi为景点属性m与用户属性i之间的共现相关性,在用户所有属性中的归一化注意力权重,Nu为用户u的属性集合;
步骤7.3,考虑到景点属性m与用户所有属性之间的共现相关性,定义景点属性m的异质属性共现特征表示为:其中,εmi为景点属性m对用户属性i的贡献程度,Nu为用户u的属性集合;
步骤7.4,考虑到景点属性m的同质属性共现特征表示和异质属性共现特征表示,将其求和得到景点属性m的属性共现特征表示:步骤7.5,考虑到景点v的所有属性,定义景点v的属性共现特征表示为:其中,Nv为景点v的属性集合;
步骤7.6,考虑到景点的历史评分用户集合Rv,定义景点v的交互行为特征表示为:其中,es是景点的历史评分用户集合中第s个用户的初始化嵌入向量表示;
步骤7.7,考虑到景点属性共现特征表示以及交互行为特征表示,将其进行拼接融合得到景点的特征表示:v=[vAtt,vInt] (20)。
9.根据权利要求8所述的融合属性共现和交互行为特征的旅游景点推荐方法,其特征在于:所述步骤S8中根据用户的特征表示和景点的特征表示,通过内积计算用户对景点的评分,具体步骤:对于用户的特征表示u和景点的特征表示v,基于内积来计算用户对景点的评分,即评分预测函数定义为:yuv=uTv (21)。
10.根据权利要求9所述的融合属性共现和交互行为特征的旅游景点推荐方法,其特征在于:所述步骤S9中根据用户对候选集景点的评分高低进行排序,生成推荐景点列表,具体步骤为:对于候选集景点中的新景点v',利用用户u和景点v'的特征表示,通过评分预测函数计算用户对景点的评分,根据评分高低进行排序,选取评分较高的前k个景点进行推荐;
所述步骤S10中依据用户和景点的共现属性,为推荐的景点标注推荐原因,具体步骤为:对于推荐结果,根据步骤S3的注意力权重计算方法,得到用户属性与景点属性的匹配的共现权重,依据共现权重最高的用户属性和景点属性来对推荐结果生成相应的推荐原因解释。