本發(fā)明涉及信息推薦技術(shù)領(lǐng)域，尤其涉及一種基于動(dòng)態(tài)主題模型和矩陣分解的旅游景點(diǎn)推薦方法。

背景技術(shù)：

近年來(lái)，隨著移動(dòng)互聯(lián)網(wǎng)、智能手機(jī)、以及照片分享網(wǎng)站(例如：flickr、panoramio、以及instagram等)的快速發(fā)展，互聯(lián)網(wǎng)上出現(xiàn)了大量帶有地理位置信息的照片數(shù)據(jù)。并且，這些由群體所貢獻(xiàn)的帶有地理位置信息的照片數(shù)量呈現(xiàn)出急劇增長(zhǎng)的趨勢(shì)。基于這些帶有地理位置信息的照片可以挖掘城市中的旅游景點(diǎn)、獲得城市中受游客歡迎的旅游線路、分析游客的旅游偏愛(ài)，進(jìn)一步為用戶提供個(gè)性化的旅游景點(diǎn)或者旅游線路推薦服務(wù)。

目前的基于帶有地理位置信息照片挖掘的旅游景點(diǎn)推薦方法通常是直接利用用戶訪問(wèn)景點(diǎn)的次數(shù)信息獲得用戶間的相似性信息，并結(jié)合基于用戶的協(xié)同過(guò)濾方法為用戶推薦景點(diǎn)。然而，由于旅行時(shí)間或者金錢花費(fèi)的限制，用戶在旅游城市中通常只會(huì)游覽少量的景點(diǎn)，導(dǎo)致了基于用戶-景點(diǎn)矩陣的推薦系統(tǒng)在建模過(guò)程中出現(xiàn)數(shù)據(jù)稀疏性問(wèn)題。

為解決上述景點(diǎn)推薦中的數(shù)據(jù)稀疏性問(wèn)題，目前出現(xiàn)了基于數(shù)據(jù)降維的景點(diǎn)推薦方法，例如：靜態(tài)主題模型。該模型是文本挖掘領(lǐng)域中一種比較流行的獲得文檔隱含主題的方法。在該模型中，用戶的旅行歷史被看作是文檔，旅游景點(diǎn)被看作是詞。通過(guò)該模型，用戶和景點(diǎn)的主題概率分布可以獲得。然而，靜態(tài)主題模型在基于用戶旅行歷史獲得用戶旅行偏愛(ài)的主題概率分布時(shí)，將用戶在所有時(shí)間段內(nèi)(例如：年份)的旅行歷史信息看作成一個(gè)文檔，忽略了用戶在不同時(shí)間段內(nèi)旅行偏愛(ài)的變化問(wèn)題。

動(dòng)態(tài)主題模型是基于靜態(tài)主題模型獲得文檔主題變化的一種擴(kuò)展形式。它通過(guò)將文檔集按照時(shí)間段劃分成子文檔集，假設(shè)每一個(gè)子文檔集的主題具有前后依賴關(guān)系，主題是隨著時(shí)間而演化的。通過(guò)該模型，文檔和詞在不同時(shí)間段的主題概率分布可以獲得，這些在不同時(shí)間段的主題體現(xiàn)了文檔和詞的主題演化過(guò)程。該模型為解決在旅游推薦中靜態(tài)主題模型不能獲得用戶旅行偏愛(ài)的變化問(wèn)題提供了可能。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的問(wèn)題是如何通過(guò)動(dòng)態(tài)主題模型獲得用戶旅行偏愛(ài)變化信息，為用戶提供細(xì)粒度的旅游景點(diǎn)推薦服務(wù)。

一種基于動(dòng)態(tài)主題模型和矩陣分解的旅游景點(diǎn)推薦方法，包括：

獲取數(shù)據(jù)集信息階段：從社交網(wǎng)絡(luò)中獲取照片數(shù)據(jù)集dphoto并對(duì)其進(jìn)行去噪處理，得到旅游照片數(shù)據(jù)集dphoto-travel，再?gòu)纳缃痪W(wǎng)絡(luò)中簽到數(shù)據(jù)dcheck-in，并提取簽到數(shù)據(jù)dcheck-in中的簽到地點(diǎn)的類別信息，得到簽到地點(diǎn)的類別數(shù)據(jù)集dcategory；

獲得用戶旅行偏愛(ài)階段：利用動(dòng)態(tài)主題模型從旅游照片數(shù)據(jù)集dphoto-travel中提取用戶和景點(diǎn)的隱式特征；然后，通過(guò)對(duì)旅游照片數(shù)據(jù)集dphoto-travel的分析，統(tǒng)計(jì)得到用戶和景點(diǎn)的顯式特征，并結(jié)合用戶和景點(diǎn)的隱式特征獲得用戶-用戶和景點(diǎn)-景點(diǎn)相似性信息；最后，利用帶有聯(lián)合正則項(xiàng)的矩陣分解方法融合用戶-用戶和景點(diǎn)-景點(diǎn)的相似性信息，補(bǔ)全稀疏的用戶-景點(diǎn)矩陣y，得到含有用戶旅行偏愛(ài)信息的矩陣y’；

推薦旅游景點(diǎn)階段：利用矩陣y’對(duì)候選集中的景點(diǎn)打分，并將打分排名前n個(gè)旅游景點(diǎn)推薦給用戶。

所述的獲取數(shù)據(jù)集信息階段的具體步驟為:

(1-1)利用照片分享網(wǎng)站的公用api下載旅游城市中帶有地理位置信息的照片數(shù)據(jù)，組成照片數(shù)據(jù)集dphoto；

(1-2)利用基于熵的流動(dòng)性方法對(duì)照片數(shù)據(jù)集dphoto中的非旅游照片進(jìn)行過(guò)濾，去除照片集中的噪音照片，得到旅游照片數(shù)據(jù)集dphoto-travel；

(1-3)利用基于位置的社交媒體網(wǎng)站的公用api下載用戶在旅游城市中的簽到數(shù)據(jù)dcheck-in；

(1-4)提取簽到數(shù)據(jù)dcheck-in中的簽到地點(diǎn)的類別信息，并統(tǒng)計(jì)組成簽到地點(diǎn)的類別數(shù)據(jù)集dcategory。

所述的照片數(shù)據(jù)集dphoto中的照片數(shù)據(jù)包含：照片的標(biāo)識(shí)信息、照片拍攝時(shí)間、照片拍攝地點(diǎn)的經(jīng)緯度信息、用戶為照片添加的文本描述信息以及照片上傳者的標(biāo)識(shí)信息。

所述的簽到數(shù)據(jù)dcheck-in中的簽到數(shù)據(jù)包括：用戶簽到行為的標(biāo)識(shí)信息、用戶簽到的時(shí)間信息、簽到地點(diǎn)的經(jīng)緯度信息、簽到地點(diǎn)的類別信息以及簽到用戶的標(biāo)識(shí)信息。

所述的獲得用戶旅行偏愛(ài)階段的具體步驟為：

(2-1)利用基于密度的聚類方法對(duì)旅游照片數(shù)據(jù)集dphoto-travel中的照片進(jìn)行空間聚類，獲得旅游景點(diǎn)集合l；

(2-2)根據(jù)從旅游照片數(shù)據(jù)集dphoto-travel統(tǒng)計(jì)得到的用戶訪問(wèn)景點(diǎn)的次數(shù)、旅游景點(diǎn)集合l中的旅游景點(diǎn)，構(gòu)建用戶-景點(diǎn)矩陣y；

(2-3)將文檔代表用戶旅行歷史，詞代表旅游景點(diǎn)，利用動(dòng)態(tài)主題模型推斷用戶和景點(diǎn)在不同時(shí)間段的潛在主題概率分布，并聯(lián)合所有時(shí)間段的主題概率分布，得到用戶的全部隱式特征和景點(diǎn)的全部隱式特征

(2-4)從旅游照片數(shù)據(jù)集dphoto-trave和簽到地點(diǎn)的類別數(shù)據(jù)集dcategorye中提取用戶的顯式特征和景點(diǎn)的顯式特征然后結(jié)合用戶的全部隱式特征和景點(diǎn)的全部隱式特征建立用戶畫(huà)像fuser和景點(diǎn)畫(huà)像flocation，并利用余弦函數(shù)構(gòu)建m×m的用戶-用戶相似性矩陣a和n×n的景點(diǎn)-景點(diǎn)相似性矩陣b；

(2-5)根據(jù)建立的y、a、以及b，利用用戶-用戶以及景點(diǎn)-景點(diǎn)的相似性關(guān)系構(gòu)建帶有聯(lián)合正則項(xiàng)的矩陣分解模型，完成對(duì)y的分解；

(2-6)根據(jù)帶有聯(lián)合正則項(xiàng)的矩陣分解的結(jié)果，補(bǔ)全稀疏的用戶-景點(diǎn)矩陣y，得到含有用戶旅行偏愛(ài)信息的矩陣y’。

所述的步驟(2-2)的具體步驟為：

(2-2-1)從旅游照片數(shù)據(jù)集dphoto-trave中提取所有的訪問(wèn)信息v＝(l,u,t)，其中，v表示用戶u于t時(shí)間訪問(wèn)旅游景點(diǎn)l；

(2-2-2)根據(jù)所有的訪問(wèn)信息v＝(l,u,t)統(tǒng)計(jì)每個(gè)用戶訪問(wèn)每個(gè)景點(diǎn)的次數(shù)和旅游照片數(shù)據(jù)集dphoto-trave中的用戶總個(gè)數(shù)m；

(2-2-3)根據(jù)每個(gè)用戶訪問(wèn)每個(gè)景點(diǎn)的次數(shù)、用戶總個(gè)數(shù)m以及旅游景點(diǎn)集合l中的共計(jì)n個(gè)旅游景點(diǎn)，構(gòu)建用戶-景點(diǎn)矩陣y，其中，y∈r^m×n，矩陣y中(i，j)位置處的值為第i個(gè)用戶訪問(wèn)第j個(gè)景點(diǎn)的次數(shù)。

所述的步驟(2-3)的具體步驟為：

(2-3-1)將旅游照片數(shù)據(jù)集dphoto-trave中所有的訪問(wèn)信息v＝(l,u,t)按照相同的時(shí)間長(zhǎng)度切片，得到與每個(gè)時(shí)間段對(duì)應(yīng)子數(shù)據(jù)集，共m個(gè)；

(2-3-2)將子數(shù)據(jù)集作為動(dòng)態(tài)主題模型的輸入，通過(guò)訓(xùn)練獲得用戶和景點(diǎn)在不同時(shí)間段的主題概率分布，

其中，為用戶在第t個(gè)時(shí)間段的主題概率分布，景點(diǎn)在第t個(gè)時(shí)間段的主題概率分布，k為主題個(gè)數(shù)；

(2-3-3)將用戶在所有時(shí)間段的主題概率分布按時(shí)間串聯(lián)在一起，組成用戶的全部隱式特征將景點(diǎn)在所有時(shí)間段的主題概率分布按時(shí)間串聯(lián)在一起，組成景點(diǎn)的全部隱式特征

所述的步驟(2-4)的具體步驟為：

(2-4-1)對(duì)旅游照片數(shù)據(jù)集dphoto-trave中所有的訪問(wèn)信息v＝(l,u,t)和簽到地點(diǎn)的類別數(shù)據(jù)集dcategory進(jìn)行統(tǒng)計(jì)，獲得用戶的顯式特征和景點(diǎn)的顯式特征其中，r為用戶的顯式特征的總個(gè)數(shù)，s為景點(diǎn)的顯式特征的總個(gè)數(shù)；

(2-4-2)將用戶的顯式特征與隱式特征聯(lián)合一起，構(gòu)建用戶畫(huà)像將景點(diǎn)的顯式特征與隱式特征聯(lián)合一起，構(gòu)建景點(diǎn)畫(huà)像

(2-4-3)結(jié)合余弦公式獲得用戶-用戶相似性矩陣a：

其中，fpi和fqi分別表示用戶p和q的第i個(gè)顯式特征；

同樣利用余弦公式獲得景點(diǎn)-景點(diǎn)相似性矩陣b，此時(shí)，余弦公式為：

其中，fx′i和fy′i分別表示景點(diǎn)x和y的第i個(gè)顯式特征。

步驟(2-5)中，在矩陣y的分解過(guò)程中，將a和b的相似性信息作為額外正則項(xiàng)限制y的分解，具體的目標(biāo)函數(shù)為：

其中，rij為矩陣y中(i，j)位置處的數(shù)值，iij表示是用戶i是否訪問(wèn)景點(diǎn)j的標(biāo)識(shí)器，如果訪問(wèn)，其值為1，否則為0，simig表示用戶i和用戶g之間的相似性信息，simjq表示景點(diǎn)j和景點(diǎn)q景點(diǎn)之間的相似性信息；ui表示為用戶i的潛在特征向量，ug表示為用戶g的潛在特征向量，lj表示為景點(diǎn)j的潛在特征向量，lg表示為景點(diǎn)g的潛在特征向量，表示用戶i的潛在特征向量與用戶g的潛在特征向量的距離，g(i)表示用戶i的相似性用戶群，q(j)表示表示景點(diǎn)j的相似性景點(diǎn)群，u是y分解后的用戶的潛在特征向量，是d×m維的；l是y分解后的景點(diǎn)的潛在特征向量，是d×n維的；其中，m、n、以及d分別表示用戶個(gè)數(shù)、景點(diǎn)個(gè)數(shù)、以及潛在特征向量的個(gè)數(shù)；

基于帶有聯(lián)合正則項(xiàng)的矩陣分解模型分解y的具體步驟如下：

(a)隨機(jī)初始化參數(shù)u和參數(shù)l，并設(shè)置學(xué)習(xí)率α、誤差閾值δ、參數(shù)λ1和λ2；

(b)對(duì)于y中每一個(gè)非零值rij，根據(jù)計(jì)算rij的估計(jì)值xij，并根據(jù)計(jì)算xij與真實(shí)值rij的誤差，最后根據(jù)統(tǒng)計(jì)對(duì)所有非零值的總誤差θ，其中，w為非零值的個(gè)數(shù)；

(c)判斷總誤差θ是否大于誤差閾值δ，若是，執(zhí)行步驟(d)，若否，迭代結(jié)束，此時(shí)的u和l為最優(yōu)值，完成對(duì)矩陣y的分解；

(d)采用梯度下降方法更新u和l的值，然后跳轉(zhuǎn)執(zhí)行步驟(b)，梯度下降方法的公式為：

步驟(2-6)中，根據(jù)公式對(duì)y中缺失的值進(jìn)行填充，填充后的值代表用戶的旅行偏愛(ài)信息。

所述的推薦旅游景點(diǎn)階段的具體步驟為：

(3-1)根據(jù)用戶輸入信息獲得用戶在旅游城市中景點(diǎn)集合，這些景點(diǎn)作為推薦的候選集；

(3-2)根據(jù)矩陣y’獲得用戶對(duì)推薦的候選集中景點(diǎn)的打分，獲得用戶偏愛(ài)景點(diǎn)；

(3-3)對(duì)偏愛(ài)景點(diǎn)的打分進(jìn)行降序排列，選擇打分排名前n個(gè)旅游景點(diǎn)推薦給用戶。

本發(fā)明針對(duì)傳統(tǒng)靜態(tài)主題模型不足以獲得用戶旅行偏愛(ài)的主題演化問(wèn)題，提出一種基于動(dòng)態(tài)主題模型和矩陣分解的旅游景點(diǎn)推薦方法，與現(xiàn)有的方法相比，其優(yōu)點(diǎn)在于：

(1)利用動(dòng)態(tài)主題模型，獲得用戶的旅行偏愛(ài)的主題變化信息(隱式特征信息)。

(2)通過(guò)對(duì)數(shù)據(jù)集信息的分析，獲得了用戶和景點(diǎn)大量顯式特征信息，這些信息與隱式特征信息一起可以全面描述用戶和景點(diǎn)的特點(diǎn)。

(3)通過(guò)帶有聯(lián)合正則項(xiàng)的矩陣分解方法融合用戶-用戶和景點(diǎn)-景點(diǎn)相似性的信息，這種方法可以在用戶-景點(diǎn)矩陣分解的過(guò)程中同時(shí)限制用戶和景點(diǎn)的潛在特征向量，準(zhǔn)確補(bǔ)全用戶-景點(diǎn)矩陣。

附圖說(shuō)明

圖1是本發(fā)明基于動(dòng)態(tài)主題模型和矩陣分解的旅游景點(diǎn)推薦方法流程圖；

圖2是獲取數(shù)據(jù)集信息階段的流程圖；

圖3是獲得用戶旅行偏愛(ài)階段的流程圖；

圖4是基于動(dòng)態(tài)主題模型的文檔生成原理圖；

圖5是推薦旅游景點(diǎn)階段的流程圖。

具體實(shí)施方式

為了更為具體地描述本發(fā)明，下面結(jié)合附圖及具體實(shí)施方式對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明。

如圖1所示，本發(fā)明基于動(dòng)態(tài)主題模型和矩陣分解的旅游景點(diǎn)推薦方法分為獲取數(shù)據(jù)集信息、獲得用戶旅行偏愛(ài)、以及推薦旅游景點(diǎn)三個(gè)階段：

獲取數(shù)據(jù)集信息階段

數(shù)據(jù)處理的流程圖如圖2所示，步驟如下：

s1-1，利用照片分享網(wǎng)站的公用api下載旅游城市中帶有地理位置信息的照片數(shù)據(jù)集dphoto。

獲取照片數(shù)據(jù)的具體步驟包括：

s1-1-1，通過(guò)照片分享網(wǎng)站(如：flickr)提供的公用api，按城市下載在該城市中拍攝的照片及相應(yīng)的元數(shù)據(jù)信息。一張帶有地理位置信息的照片p可以表示為：p＝(pid,pt,pg,px,pu)。其中，pid,pt,pg,px,pu分別表示為照片的唯一標(biāo)識(shí)號(hào)、用戶拍攝照片的時(shí)間、照片的經(jīng)緯度信息、用戶為照片添加的文本描述信息、以及照片上傳者的唯一標(biāo)識(shí)號(hào)；

s1-1-2，對(duì)收集的照片集按照照片的唯一標(biāo)識(shí)信息獲得每個(gè)用戶拍攝的所有照片信息，hi＝{p1,p2,…,pe}，其中，e為用戶i拍攝的所有照片數(shù)。

s1-2，利用基于熵的流動(dòng)性方法對(duì)照片數(shù)據(jù)集dphoto中的非旅游照片進(jìn)行過(guò)濾，去除照片集中的噪音照片，得到旅游照片數(shù)據(jù)集dphoto-travel。

去除非旅游照片的具體步驟如下：

s1-2-1，根據(jù)照片內(nèi)容以及經(jīng)驗(yàn)知識(shí)對(duì)用戶的照片集進(jìn)行人工標(biāo)注少量旅游照片和非旅游照片；

s1-2-2，將城市分成x′×y′個(gè)小格子(每個(gè)小格子表示為(xi,yj)，i＝1,2,…,x；j＝1,2,…,y)，統(tǒng)計(jì)用戶的照片在這些小格子中的照片數(shù)目，并計(jì)算每個(gè)小格子中照片占整個(gè)照片數(shù)量的比例a，根據(jù)信息熵的原理計(jì)算用戶的照片集的流動(dòng)性熵hmobility，計(jì)算過(guò)程如公式如下式所示

根據(jù)hmobility>ε，調(diào)節(jié)ε的值(從0到1，每隔0.1)，統(tǒng)計(jì)對(duì)人工標(biāo)注照片集的分類準(zhǔn)確率，選擇準(zhǔn)確率高的ε對(duì)整個(gè)數(shù)據(jù)集中的照片進(jìn)行分類，去除非旅游照片。

s1-3，利用基于位置的社交媒體網(wǎng)站的公用api下載用戶在旅游城市中的簽到數(shù)據(jù)dcheck-in。

獲取簽到數(shù)據(jù)的具體步驟包括：

s1-3-1，通過(guò)基于位置的社交媒體網(wǎng)站(如：sinaweibo)提供的公用api，按城市下載在該城市中用戶簽到的數(shù)據(jù)。用戶的一次簽到行為q可以表示為：q＝(qid,qt,qg,qc,qu)；其中，qid,qt,qg,qc,qu分別表示簽到行為的唯一標(biāo)識(shí)號(hào)、用戶簽到的時(shí)間、興趣點(diǎn)的經(jīng)緯度信息、興趣點(diǎn)的類別信息、以及簽到用戶的唯一標(biāo)識(shí)號(hào)；

s1-3-2，根據(jù)用戶簽到數(shù)據(jù)的用戶標(biāo)識(shí)號(hào)提取每個(gè)用戶的所有簽到數(shù)據(jù)；qi＝{q1,q2,…,qo}，其中，o為用戶i在城市中的所有簽到數(shù)。

s1-4，提取簽到數(shù)據(jù)dcheck-in中的簽到地點(diǎn)的類別信息，并統(tǒng)計(jì)組成簽到地點(diǎn)的類別數(shù)據(jù)集dcategory。

用戶簽到行為信息中包含用戶訪問(wèn)興趣點(diǎn)時(shí)添加的一些類別信息，對(duì)這些信息進(jìn)行統(tǒng)計(jì)可以獲得每個(gè)興趣點(diǎn)所有的類別信息，具體可以表示為：cpoi＝(c1,c2,…,cz)。其中，z為興趣點(diǎn)包含的類別數(shù)目。

獲得用戶旅行偏愛(ài)階段

獲得用戶旅行偏愛(ài)階段的流程圖如圖3所示，步驟如下：

s2-1，利用基于密度的聚類方法對(duì)帶有地理位置信息的照片進(jìn)行空間聚類，從而獲得旅游城市中旅游景點(diǎn)集合l。

用戶通常在其比較感興趣的地點(diǎn)拍攝照片，如果大量用戶在一個(gè)地點(diǎn)拍攝照片，則該地點(diǎn)可以認(rèn)為是一個(gè)旅游景點(diǎn)。采用基于密度的聚類方法(例如：p-dbscan)對(duì)大量帶有地理位置信息的照片進(jìn)行空間上的聚類，得到的每個(gè)聚類代表一個(gè)旅游景點(diǎn)，聚類中心即為該旅游景點(diǎn)位置。通過(guò)該過(guò)程，挖掘出旅游景點(diǎn)集l＝{l1,l2,…,ln}，其中l(wèi)＝{pl,gl}，pl是屬于一個(gè)景點(diǎn)的所有照片集合，gl是一個(gè)景點(diǎn)的經(jīng)緯度信息。

s2-2，根據(jù)從照片中挖掘的旅游景點(diǎn)以及用戶在景點(diǎn)的訪問(wèn)歷史，統(tǒng)計(jì)用戶訪問(wèn)景點(diǎn)的次數(shù)信息，構(gòu)建用戶-景點(diǎn)矩陣y。

建立用戶-景點(diǎn)矩陣的具體步驟包括：

s2-2-1，從照片集中提取用戶對(duì)景點(diǎn)的歷史訪問(wèn)信息，v＝(l,u,t)。其中，l,u,t分別為用戶訪問(wèn)的旅游景點(diǎn)、用戶的標(biāo)示、以及用戶訪問(wèn)該景點(diǎn)的時(shí)間。

s2-2-2，統(tǒng)計(jì)用戶訪問(wèn)景點(diǎn)次數(shù)。構(gòu)建的用戶-景點(diǎn)矩陣可以表示為y：y∈r^m×n，m和n分別表示用戶和景點(diǎn)個(gè)數(shù)，矩陣中的值為用戶訪問(wèn)景點(diǎn)的次數(shù)。

s2-3，將文檔代表用戶旅行歷史，詞代表旅游景點(diǎn)，利用動(dòng)態(tài)主題模型推斷用戶和景點(diǎn)在不同時(shí)間段的潛在主題概率分布，并聯(lián)合所有時(shí)間段的主題概率分布，得到用戶的全部隱式特征和景點(diǎn)的全部隱式特征

動(dòng)態(tài)主題模型是已經(jīng)被研究者成功用于獲得文檔的潛在主題變化的應(yīng)用中。對(duì)于一個(gè)文檔，其具體生成過(guò)程如圖4所示。在該圖中，文檔集按照時(shí)間被分成幾個(gè)子文檔集，不同時(shí)間段的文檔集和詞的主題是具有前后依賴關(guān)系的，后一個(gè)時(shí)間段的主題分布是由前一個(gè)時(shí)間段主題演化而來(lái)。α是控制子文檔集的主題分布的參數(shù)，θ是控制單個(gè)文檔的主題分布的參數(shù)，β是控制主題在詞上的概率分布參數(shù)，z表示主題，k表示主題個(gè)數(shù)，w表示詞，n表示文檔，a表示子文檔集。通過(guò)該模型，文檔和詞在不同時(shí)間段的主題概率分布都可以獲得。

在基于帶有地理位置信息照片挖掘的旅游推薦中，用戶的旅行歷史信息可以被看作是多個(gè)主題的組合，每個(gè)主題是多個(gè)景點(diǎn)的概率分布。簡(jiǎn)單地說(shuō)，在使用動(dòng)態(tài)主題模型時(shí)，文檔代表用戶旅行歷史，詞代表旅游景點(diǎn)。

s2-3-1，獲得用戶和景點(diǎn)隱式特征的具體步驟包括：

將用戶的旅游歷史信息按照時(shí)間切片(例如：年份)劃分為不同的子數(shù)據(jù)集。

s2-3-2，將子數(shù)據(jù)集作為動(dòng)態(tài)主題模型的輸入，通過(guò)訓(xùn)練獲得用戶和景點(diǎn)在不同時(shí)間段的主題概率分布，

其中，為用戶在第t個(gè)時(shí)間段的主題概率分布，景點(diǎn)在第t個(gè)時(shí)間段的主題概率分布，k為主題個(gè)數(shù)；

s2-3-3，將用戶在所有時(shí)間段的主題概率分布按時(shí)間串聯(lián)在一起，組成用戶的全部隱式特征將景點(diǎn)在所有時(shí)間段的主題概率分布按時(shí)間串聯(lián)在一起，組成景點(diǎn)的全部隱式特征

s2-4，從用戶旅行歷史中提取用戶的顯式特征和景點(diǎn)的顯式特征然后結(jié)合用戶的全部隱式特征和景點(diǎn)的全部隱式特征建立用戶畫(huà)像fuser和景點(diǎn)畫(huà)像flocation，并利用余弦函數(shù)構(gòu)建m×m的用戶-用戶相似性矩陣a和n×n的景點(diǎn)-景點(diǎn)相似性矩陣b。

建立a和b的具體步驟包括：

s2-4-1，對(duì)用戶訪問(wèn)景點(diǎn)的歷史信息進(jìn)行統(tǒng)計(jì)(例如：用戶訪問(wèn)景點(diǎn)的總個(gè)數(shù)、一個(gè)景點(diǎn)被訪問(wèn)的總用戶數(shù)、景點(diǎn)類別信息等)，獲得大量顯示信息以描述用戶和景點(diǎn)的特征，分別表示為：和其中，r和s分別表示用戶和景點(diǎn)顯示特征的總個(gè)數(shù)，每個(gè)具體的特征如表1和表2所示。這些特征中有些特征的獲取需要利用第三方網(wǎng)絡(luò)服務(wù)獲得，具體說(shuō)明如下：

性別和年齡信息：游客的這些信息通過(guò)第三方網(wǎng)絡(luò)服務(wù)對(duì)照片的內(nèi)容進(jìn)行分析獲得。例如：www.alchemyapi.com，當(dāng)該網(wǎng)絡(luò)服務(wù)獲得一張上傳的照片時(shí)，它會(huì)調(diào)用其api函數(shù)(即，alchemyvisionfacedetectionandrecognitionapi)對(duì)照片進(jìn)行分析，然后返回給上傳者該照片中所出現(xiàn)的人臉的性別和年齡信息。對(duì)所有在一個(gè)景點(diǎn)拍攝的照片中人臉的性別和年齡信息進(jìn)行統(tǒng)計(jì)，即可獲得該景點(diǎn)的性別和年齡信息的分布。類似的，通過(guò)對(duì)一個(gè)用戶所拍攝的所有照片中人臉的性別和年齡信息的統(tǒng)計(jì)，獲得該用戶所拍攝照片中的人臉的性別和年齡信息的分布。

天氣信息：基于第三方天氣網(wǎng)絡(luò)服務(wù)、照片的經(jīng)緯度信息、以及照片拍攝的時(shí)間可以獲得該照片拍攝時(shí)的天氣信息。例如：wundgerground.com，通過(guò)該網(wǎng)絡(luò)服務(wù)的api函數(shù)，可以獲得每個(gè)位置的不同時(shí)間點(diǎn)的天氣信息。對(duì)用戶在不同天氣條件下拍攝的照片進(jìn)行統(tǒng)計(jì)，可以獲得該景點(diǎn)在不同天氣情況下受游客歡迎的程度。

s2-4-2，將用戶和景點(diǎn)的顯式特征以及隱式特征聯(lián)合一起，構(gòu)建用戶和景點(diǎn)的畫(huà)像，即：和

s2-4-3，結(jié)合余弦公式獲得用戶-用戶相似性矩陣a(m×m)：

其中，fpi和fqi分別表示用戶p和q的第i個(gè)顯式特征；

同樣利用余弦公式獲得景點(diǎn)-景點(diǎn)相似性矩陣b(n×n)，此時(shí)，余弦公式為：

其中，f′xi和f′yi分別表示景點(diǎn)x和y的第i個(gè)顯式特征。

s2-5，根據(jù)建立的y、a、以及b，利用用戶-用戶以及景點(diǎn)-景點(diǎn)的相似性關(guān)系構(gòu)建帶有聯(lián)合正則項(xiàng)的矩陣分解模型，完成對(duì)y的分解。

在y分解過(guò)程中，將a和b的相似性信息作為額外正則項(xiàng)限制y的分解，具體的目標(biāo)函數(shù)為：

在該公式中simig表示用戶ui和用戶ug之間的相似性信息，simjq表示景點(diǎn)lj和lq景點(diǎn)之間的相似性信息。u(d×m)和l(d×n)分別是y分解后的用戶和景點(diǎn)的潛在向量表示。其中，m、n、以及d分別表示用戶個(gè)數(shù)、景點(diǎn)個(gè)數(shù)、以及潛在特征向量的個(gè)數(shù)。

基于帶有聯(lián)合正則項(xiàng)的矩陣分解模型分解y的具體步驟如下：

(a)隨機(jī)初始化參數(shù)u和參數(shù)l，并設(shè)置學(xué)習(xí)率α、誤差閾值δ、參數(shù)λ1和λ2；

(b)對(duì)于y中每一個(gè)非零值rij，根據(jù)計(jì)算rij的估計(jì)值xij，并根據(jù)計(jì)算xij與真實(shí)值rij的誤差，最后根據(jù)統(tǒng)計(jì)對(duì)所有非零值的總誤差θ，其中，w為非零值的個(gè)數(shù)；

(c)判斷總誤差θ是否大于誤差閾值δ，若是，執(zhí)行步驟(d)，若否，迭代結(jié)束，此時(shí)的u和l為最優(yōu)值，完成對(duì)矩陣y的分解；

(d)采用梯度下降方法跟新u和l的值，然后跳轉(zhuǎn)執(zhí)行步驟(b)，梯度下降方法的公式為：

s2-6，根據(jù)帶有聯(lián)合正則項(xiàng)的矩陣分解的結(jié)果，補(bǔ)全稀疏的y，獲得用戶旅行偏愛(ài)。

根據(jù)公式對(duì)y中缺失的值進(jìn)行填充，填充后的值代表用戶的旅行偏愛(ài)信息。

表1用戶顯式特征信息

表2景點(diǎn)顯式特征信息

推薦旅游景點(diǎn)階段

推薦旅游景點(diǎn)的流程如圖5所示，主要包括以下步驟：

s3-1，根據(jù)用戶輸入信息獲得用戶在旅游城市中(目的地)景點(diǎn)集合，這些景點(diǎn)作為推薦的候選集。

根據(jù)用戶的id和用戶旅游城市c(目的地)，在補(bǔ)全的用戶-景點(diǎn)矩陣中進(jìn)行查找，獲得該旅游城市c中的景點(diǎn)集合l′。

s3-2，根據(jù)步驟1的結(jié)果和補(bǔ)全的用戶-景點(diǎn)矩陣獲得用戶對(duì)這些景點(diǎn)的打分，即獲得用戶對(duì)這些景點(diǎn)的偏愛(ài)。

補(bǔ)全的用戶-景點(diǎn)矩陣中的每一個(gè)值體現(xiàn)了用戶對(duì)不同景點(diǎn)的偏愛(ài)打分，根據(jù)該矩陣以及l(fā)′可以獲得用戶在旅游城市中對(duì)不同景點(diǎn)的偏愛(ài)。

s3-3，根據(jù)s3-2對(duì)景點(diǎn)進(jìn)行排序，選擇topn旅游景點(diǎn)推薦給用戶。

根據(jù)用戶在旅游城市中不同景點(diǎn)的打分，按照降序進(jìn)行排列，將排在前面的n個(gè)景點(diǎn)推薦給用戶。

以上所述的具體實(shí)施方式對(duì)本發(fā)明的技術(shù)方案和有益效果進(jìn)行了詳細(xì)說(shuō)明，應(yīng)理解的是以上所述僅為本發(fā)明的最優(yōu)選實(shí)施例，并不用于限制本發(fā)明，凡在本發(fā)明的原則范圍內(nèi)所做的任何修改、補(bǔ)充和等同替換等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。