基于深度学习和知识图谱的文化旅游资源推荐方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110795571A(43)申请公布日2020.02.14(21)申请号201911019032.5(22)申请日2019.10.24(71)申请人南宁师范大学地址530001广西壮族自治区南宁市西乡塘区明秀东路175号(72)发明人闭应洲潘永华郑思霞潘怀奇(74)专利代理机构北京远大卓悦知识产权代理事务所(普通合伙)11369代理人靳浩(51)Int.Cl.G06F16/36(2019.01)G06Q30/06(2012.01)G06Q50/14(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称基于深度学习和知识图谱的文化旅游资源推荐方法(57)摘要本发明公开了一种基于深度学习和知识图谱的文化旅游资源推荐方法，包括：构建文化知识图谱和旅游资源自然知识图谱，将文化知识图谱与旅游资源自然知识图谱相互关联得到文化自然知识图谱；通过深度学习技术构建用户评分预测模型；获取用户对旅游资源的购买历史和评分记录，使用用户购买过的旅游资源对用户评分预测模型进行训练；将用户未购买过的旅游资源输入用户评分预测模型得到预测评分，将预测评分最高且用户未曾购买过的前c个旅游资源向用户推荐。本发明提升了评分预测的准确率，提高了在文化旅游推荐领域的推荐准确度。CN110795571ACN110795571A权利要求书1/2页1.基于深度学习和知识图谱的文化旅游资源推荐方法，其特征在于，包括：构建文化知识图谱和旅游资源自然知识图谱，将文化知识图谱与旅游资源自然知识图谱相互关联得到旅游资源的文化自然知识图谱，所述文化自然知识图谱采用(旅游资源，旅游资源属性，旅游资源属性文本描述)三元组形式表示；通过深度学习技术构建用户评分预测模型，将用户、文化自然知识图谱中的旅游资源和旅游资源属性文本描述分别转换为用户向量、旅游资源向量和旅游资源属性文本描述向量，并作为用户评分预测模型的输入量；获取用户对旅游资源的购买历史和评分记录，将用户向量、用户购买过的旅游资源向量、用户购买过的旅游资源属性文本描述向量、用户评分作为训练样本对用户评分预测模型进行训练；将用户向量、用户未购买过的旅游资源向量、用户未购买过的旅游资源属性文本描述向量输入用户评分预测模型得到预测评分，将预测评分最高且用户未曾购买过的前c个旅游资源向用户推荐。2.如权利要求1所述的基于深度学习和知识图谱的文化旅游资源推荐方法，其特征在于，用户评分预测模型包括嵌入层、隐藏层、特征融合层，所述嵌入层包括多个嵌入矩阵，所述隐藏层包括至少两个多层感知机，所述特征融合层包括至少一个多层感知机。3.如权利要求2所述的基于深度学习和知识图谱的文化旅游资源推荐方法，其特征在于，将文化自然知识图谱中的旅游资源转换为旅游资源向量采用TransE算法，具体包括：使用嵌入矩阵P将文化自然知识图谱中的旅游资源ti转换为旅游资源向量mi，计算公式为：mi＝Ф(P，ti)其中Ф(·)表示通过嵌入矩阵获取向量的过程，嵌入矩阵P为可训练参数。4.如权利要求3所述的基于深度学习和知识图谱的文化旅游资源推荐方法，其特征在于，将用户转换为用户向量具体方法包括：使用嵌入矩阵U1和U2将用户ui分别转换为用户向12量vi和vi，计算公式为：12vi＝Ф(U1，ui)，vi＝Ф(U2，ui)12其中vi表示通过嵌入矩阵U1获取的用户向量，vi表示通过嵌入矩阵U2获取的用户向量，嵌入矩阵U1和U2均为可训练参数。5.如权利要求4所述的基于深度学习和知识图谱的文化旅游资源推荐方法，其特征在于，将文化自然知识图谱中的旅游资源属性文本描述转换为旅游资源属性文本描述向量采用LSTM算法，得到的旅游资源属性文本描述向量为d，其中LSTM算法中的参数为可训练参数。6.如权利要求5所述的基于深度学习和知识图谱的文化旅游资源推荐方法，其特征在1于，所述隐藏层包括多层感知机MLP1，所述用户评分预测模型通过嵌入层获取用户向量vi1与旅游资源向量mi后，将用户向量vi与旅游资源向量mi串联，再输入多层感知机MLP1以获取1用户与旅游资源的关联特征vo，计算公式为：11vo＝MLP1(concate(vi，mi))其中concate(·)表示向量的串联操作，MLP1中的参数为可训练参数。7.如权利要求6所述的基于深度学习和知识图谱的文化旅游资源推荐方法，其特征在2于，所述隐藏层包括多层感知机MLP2，所述用户评分预测模型通过嵌入层获取用户向量vi2CN110795571A权利要求书2/2页2与旅游资源属性文本描述向量d后，将用户向量vi与旅游资源属性文本描述向量d串联，再2输入多层感知机MLP2以获取用户与旅游资源属性文本