一种基于图神经网络协同过滤的个性化疏散路线推荐方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明属于深度学习方向的个性化路径推荐算法领域，尤其涉及一种基于图神经网络协同过滤的个性化疏散路线推荐方法。背景技术：2.随着人们生活水平的不断提升，旅游越来越成为提高人们生活品质的重要活动。旅游景区安全一直是旅游业可持续发展的基础，但由于旅游活动的季节性和集中性特点，景区游客超载成为威胁旅游景区安全的重要因素之一。3.目前解决景区游客过载问题的方法主要包括景区临时闭园和游客紧急疏散，虽然前者执行效率更高，后者在执行过程中还存在诸多现实问题，但更为合理化和人性化，更有利于提升旅游景区形象。因此，研究高效可行的疏散方法是目前解决景区游客过载，实现景区资源重新分配的重点和难点问题。在疏散方法的研究中，游客行为与偏好、疏散线路的多样性、合理性是需要考虑重要因素。karthik和suja提出一种基于无线传感器网络(wsn)的行人疏散优化手段，基于行人对场所的熟悉度和所处位置进行疏散。jin等人和luo等人考虑了游客靠右侧的步行习惯和撤退模型进行应急疏散。但是上述方法均没有考虑游客偏好，疏散结果无法满足游客的旅游体验。智能推荐算法可以充分挖掘游客特征，实现个性化景点推荐，大幅提升旅游体验的同时，还能进一步平衡各景点资源分配。4.现有智能推荐算法包括两类：传统推荐算法和深度学习推荐算法，传统推荐算法主要使用机器学习方法基于用户特征或者物品特征计算待推荐物品的匹配程度或相似度，可分为基于内容的推荐，基于用户的推荐、基于协同过滤和基于混合的推荐等。近几年，图神经网络(gnn)解决了传统深度学习很少有模型能处理图结构信息，通过图节点之间的消息传递来捕捉图上的依赖关系，为推荐系统带来更好的实体表示和更强的解释能力，成为推荐领域研究的热点模型，如liu等人采用图神经和循环神经网络混合算法进行处方预测，chiorrini等人利用实例图和图神经进行活动预测来改进性能。但是目前图神经网络在景点推荐上的应用研究还很少，考虑到旅游疏散场景的特殊性，在保证推荐准确率的基础上，应该进一步考虑推荐路线的合理性和可行性，包括景点的可达性，路线的复杂性，并且对于景区管理层来说，游客接受意愿度以及执行效率是影响疏散效果的直接因素。技术实现要素：5.基于上述需求，本发明考虑游客旅游风格偏好提出了基于图神经网络协同过滤的个性化疏散路线推荐方法，并且基于疏散线路的复杂性和景点实时承载力对疏散路线进行优化设计。6.本发明的目的是提供一种基于图神经网络协同过滤的个性化疏散路线推荐方法。7.为了实现上述目的，本发明采用如下一种技术方案：8.本发明实施例的第一方面提供了一种基于图神经网络协同过滤的个性化疏散路线推荐方法，所述方法包括：9.构建游客-景点的高阶交互图，得到游客聚合嵌入向量和景点聚合嵌入向量，两者做内积获得游客对景点的预测评分；10.定义景点风格，获取游客旅游风格，计算景点风格与游客旅游风格的相似度评分；11.将预测评分与相似评分进行加权求和，得到第一评分，其中预测评分与相似评分两者对应的权重之和为1；12.根据路线复杂性获取第二评分；13.根据景点实时承载力获取第三评分；14.对第一评分、第二评分、第三评分进行加权求和，得到个性化疏散路线推荐评分。15.本发明实施例的第二方面提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的基于图神经网络协同过滤的个性化疏散路线推荐方法。16.本发明实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基于图神经网络协同过滤的个性化疏散路线推荐方法。17.与现有技术相比，本发明的有益效果：18.本发明提供了一种基于图神经网络协同过滤的个性化疏散路线推荐方法，通过构建游客-景点的高阶交互图，基于游客偏好，以推荐目的景点距离作为衡量路线复杂度的标准，并根据实时景点承载力对最终疏散路线进行优化设计，得到第一评分、第二评分、第三评分，并对这三项评分进行加权求和，得到个性化疏散路线推荐评分，得到对应的个性化疏散路线。19.本发明能为游客提供更契合游客需要的路线建议，提高游客的配合意愿度，保证景区疏散效率的同时提升游玩体验。附图说明20.为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：21.图1为本发明实施例基于图神经网络协同过滤的个性化疏散路线推荐方法的流程图；22.图2为游客-景点高阶交互信息的示意图；23.图3为gcn模型架构示意图；24.图4为本发明实施例提供的一种电子设备的示意图。具体实施方式25.应该指出，以下详细说明都是例示性的，旨在对本技术提供作为进一步的优选方案说明。除非另有指明，本方法使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。26.下面结合附图与实施例对本发明作进一步说明。27.实施例1：28.如图1所示，本发明实施例提供了一种基于图神经网络协同过滤的个性化疏散路线推荐方法，所述方法具体包括以下步骤：29.步骤s1，构建游客-景点的高阶交互图，获得游客对景点预测的第一评分。30.所述步骤s1的主要思想是根据游客—景点的交互关系构建高阶交互图，并将交互信息编码到嵌入向量，并由此生成高阶嵌入传播层、嵌入聚合层和预测层，从而实现对游客与待推荐景点的预测的第一评分。31.具体地，所述步骤s1包括以下步骤：32.步骤s101，构建游客-景点的高阶交互图，获取游客-景点交互数据并对其进行向量化处理，使用游客嵌入向量描述游客v，使用景点嵌入向量描述景点s，其中dim表示嵌入维度的大小。33.步骤s102，将与游客相连的景点嵌入向量进行编码，得到游客的一阶嵌入向量。34.如图2所示，将来自游客v相连的景点嵌入向量通过以下形式进行编码，得到游客v的一阶嵌入向量用以增强游客v自身的嵌入信息，编码的表达式如下：[0035][0036]其中，表示为游客v的一阶连通性信息，es表示景点s的初始嵌入，αvs表示边(v,s)上每次传播的衰减系数，在嵌入传播过程中随着路径长度变化而逐渐衰减。[0037]本发明游客-景点的高阶交互图采取了同gcn(graph convolutional network)相同的思路，设其中和分别表示游客v和景点s的第一跳(first-hop)邻居数量。[0038]步骤s103，根据一阶嵌入信息的传播形式，得到若干个游客高阶嵌入向量和景点高阶嵌入向量；对所有游客高阶嵌入向量和景点高阶嵌入向量分别进行聚合，得到游客聚合嵌入向量和景点聚合嵌入向量；[0039]根据一阶嵌入信息的传播形式，得到游客v的l阶(高阶)嵌入信息表达形式如下：[0040][0041]同理，得到景点s的l阶(高阶)嵌入信息表达形式如下：[0042][0043]如图3所示，在进行l层的嵌入传播后，得到了游客v的多层高阶信息和景点s的多层高阶信息[0044]最后，通过聚合函数对所有游客高阶嵌入向量和景点高阶嵌入向量分别进行聚合，得到游客聚合嵌入向量和景点聚合嵌入向量，表达式如下：[0045][0046][0047]其中，pl＝1/(l+1)。[0048]步骤s104，对游客聚合嵌入向量和景点聚合嵌入向量进行内积运算，获得游客对景点的预测评分表达式如下：[0049][0050]步骤s2，定义景点风格，获取游客旅游风格，计算景点风格与游客旅游风格的相似度评分。[0051]对景点风格进行定义包括：假设景点风格由从0到1的实值向量ss表示，其中his,mus,art,par,net,rel,mod分别表示历史建筑、博物馆、美术馆、公园、自然景观、宗教建筑、现代景观七种旅游风格，数值高证明该景区的这一风格较为明显，景区风格表达式如下：[0052]ss＝(his,mus,art,par,net,rel,mod)[0053]获取游客旅游风格包括：将游客旅游风格sv定义为游客历史出游景点风格的统计量，计算如下：[0054][0055]其中，p为游客历史出游景点的数量。[0056]对景点风格和旅游风格进行定义后，采用余弦相似度进行景点和游客之间的相似度计算，得到游客出游风格与景点风格的相似度评分；[0057]具体地，基于游客旅游风格sv和景点风格ss，在本实例中采用余弦相似度进行景点风格与游客旅游风格之间的相似度计算，得到游客出游风格与景点风格的相似度评分simvts(v,s)。计算公式如下：[0058][0059]其中，表示游客旅游风格向量sv中的第i个值，表示景点风格向量ss中的第i个值。[0060]游客历史旅游景点不仅蕴含着游客的偏好信息，而且通常具有相似的旅游风格特征。本方法通过融合旅游风格相似度计算来提高游客偏好景点推荐的准确性，并由此提高疏散线路规划中游客配合的意愿度。[0061]步骤s3，将预测评分与相似评分进行加权求和，得到第一评分，其中预测评分与相似评分两者对应的权重之和为1。[0062]融合步骤s1中得到的游客v对景点s的预测评分与步骤s2得到的相似度评分simvts(v,s)，得到第一评分，表达式如下：[0063][0064]其中，k为自定义的权值。[0065]步骤s3，根据路线复杂性获取第二评分。[0066]在步骤s3中需要考虑路线复杂性和景区实时承载力的游客疏散线路优化设计。[0067]在对游客进行疏散时，不仅要考虑游客的个人偏好，提高游客的配合意愿度，同时要考虑疏散的效率和效果。疏散线路的复杂性是影响疏散效率的重要因素之一，本发明方法以推荐景点(疏散目的地)的距离来衡量疏散线路的复杂性，距离越长，疏散效率越低，同时会影响游客前往意愿。则出发地景点xi到目的地景点yj的路线复杂性的计算方法如下：[0068][0069]其中，d(xi,yj)为出发地景点xi到目的地景点yj的距离，i={1,2,…,n},j={1,2,…,n}，n为景点个数，maxdis为所有景点间离中的最远距离。[0070]步骤s4，根据景点实时承载力获取第三评分；[0071]在进行疏散线路规划时，景点实时承载力也是需要考虑的重要因素之一，避免游客前往目的地产生新的拥堵。假设景点总容量为ai，景点现有人数为rcur，计算景点实时承载力wri，将其作为第三评分，计算方式如下：[0072][0073]其中，i={1,2,…,n}，n为景点个数，max(ai-rcur)为所有景点中实时承载力最大的值。[0074]步骤s5，对第一评分、第二评分和第三评分进行加权求和，得到个性化疏散路线推荐评分，表达式如下：[0075]fs(v,s)=f(v,s+pr*dis(xi,yj)+pp*wri[0076]其中，pr是路线复杂性权重，pp是景点承载力权重。[0077]所述基于图神经网络协同过滤的个性化疏散路线推荐方法还包括：对个性化疏散路线推荐评分进行排序，取前k个路线，作为推荐的个性化疏散路线。[0078]综上所述，本发明方法提出的基于图神经网络的游客疏散线路推荐通过基于图神经网络的景点推荐模块、融合旅游风格相似度的协同评分模块、考虑路线复杂性和景区承载量进行游客疏散线路优化设计，得到最终的个性化疏散路线。[0079]实施例2：[0080]为了验证本发明提出的融合旅游风格相似度的景点推荐算法的有效性，将融合后的gcn算法与gcn原算法、协同过滤算法进行对比实验。对比实验在nvidia geforce gtx1060 5gb环境下运行，所有算法在西湖数据集上进行十折交叉验证，以精准率和召回率为评价指标，取均值和方差作为各算法的最终实验结果，统计结果如表1所示。[0081]表1：实验结果对比表[0082][0083]从上表1的结果可以看出，本方法提出融合旅游风格相似度的gcn算法明显优于原gcn算法和协同过滤算法。[0084]如图4所示，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。[0085]还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。[0086]其中，存储器101可以是但不限于，随机存取存储器101(random access memory，ram)，只读存储器101(read only memory，rom)，可编程只读存储器101(programmable read-only memory，prom)，可擦除只读存储器101(erasable programmable read-only memory，eprom)，电可擦除只读存储器101(electric erasable programmable read-only memory，eeprom)等。[0087]处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(central processing unit，cpu)、网络处理器102(network processor，np)等；还可以是数字信号处理器102(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。[0088]在本技术所提供的实施例中，应该理解到，所揭露的方法及系统，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。[0089]另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。[0090]另一方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器101(rom，read-only memory)、随机存取存储器101(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。[0091]以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!