基于旅游知识图谱的可解释景点推荐

被引：16

作者：

高嘉良 ^{[1
,2
]}

仇培元 ^{[3
]}

余丽 ^{[4
]}

黄宗财 ^{[1
,2
]}

陆锋 ^{[1
,2
,5
]}

机构：

[1] 中国科学院大学

[2] 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室

[3] 山东建筑大学测绘地理信息学院

[4] 中国科学院文献情报中心

[5] 江苏省地理信息资源开发与利用协同创新中心

来源：

中国科学:信息科学 | 2020年 / 50卷 / 07期

关键词：

旅游知识图谱; 景点推荐; 可解释性; 推荐系统; 旅游管理;

D O I：

暂无

中图分类号：

F592 [中国旅游事业]; TP391.3 [检索机];

学科分类号：

摘要：

景点推荐系统可以帮助游客过滤大量的无关信息,还能辅助商家发掘潜在的顾客.然而,现有的基于传统方法的推荐系统,如基于内容的推荐或协同过滤系统,虽推荐过程相对透明直观,但由于数据稀疏性的存在,推荐结果往往不够准确;基于深度学习的推荐方法,虽在一定程度上提高了推荐结果的精度,但由于缺乏可解释性和透明度,难以满足部分用户理解推荐依据的愿望,也阻碍了此类方法的推广应用.为了解决当前方法所存在的局限,本文引入基于知识图谱的景点推荐框架,将推荐过程与知识图谱嵌入相结合,推断用户兴趣在知识图谱上的传播路径,以此作为推荐依据.此外,本文通过对真实旅游数据的多角度时空分析,探究旅游活动的时空规律,并将其应用于景点推荐框架中,提出一种面向旅游的基于知识图谱的可解释推荐方法——Geo-RippleNet,并通过构建基于开放网络资源的旅游知识图谱,对Geo-RippleNet进行了全面的实验验证.结果表明,本文提出的基于知识图谱的景点推荐方法,不仅可以最大限度地吸收知识图谱丰富的语义信息,从而实现可观的性能提升,还能充分利用图谱的关系知识,推理兴趣传播路径,以增强推荐结果的可解释性.此外,将旅游活动的时空规律融入到上述推荐框架中,能够还原用户出游和决策的时空过程,进一步提高方法的性能表现.

引用

页码：1055 / 1068

页数：14

共 51 条

[11] Knowledge graph embedding:A survey of approaches and applications. WANG Q,MAO Z,WANG B,et al. IEEE Trans.Knowl.Data Eng . 2017
[12] Knowledge graph embedding:A survey of approaches and applications. WANG Q,MAO Z,WANG B,et al. IEEE Trans.Knowl.Data Eng . 2017
[13] Regions in Context: Spatiality, Periodicity, and the Historical Geography of the Regional Question[J] . E W Soja. &nbspEnvironment and Planning D: Society and Space . 1985 (2)
[14] Regions in Context: Spatiality, Periodicity, and the Historical Geography of the Regional Question[J] . E W Soja. &nbspEnvironment and Planning D: Society and Space . 1985 (2)
[15] Personalized entity recommendation:A heterogeneous information network approach. Xiao Yu,Xiang Ren,Yizhou Sun,Quanquan Gu,Bradley Sturt,Urvashi Khandelwal,Brandon Norick,Jiawei Han. Proceedings of the 7th ACM international conference on Web search and data mining . 2014
[16] Personalized entity recommendation:A heterogeneous information network approach. Xiao Yu,Xiang Ren,Yizhou Sun,Quanquan Gu,Bradley Sturt,Urvashi Khandelwal,Brandon Norick,Jiawei Han. Proceedings of the 7th ACM international conference on Web search and data mining . 2014
[17] Deep&cross network for ad click predictions. Wang R X,Fu B,Fu G,et al. Proceedings of Knowledge Discovery and Data Mining . 2017
[18] Deep&cross network for ad click predictions. Wang R X,Fu B,Fu G,et al. Proceedings of Knowledge Discovery and Data Mining . 2017
[19] STL:A seasonal-trend decomposition procedure based on loess. Cleveland R B,Cleveland W S,McRae J E,et al. Journal of Official Statistics . 1990
[20] STL:A seasonal-trend decomposition procedure based on loess. Cleveland R B,Cleveland W S,McRae J E,et al. Journal of Official Statistics . 1990

← 1 2 3 4 5 6 →