文摘

社区平台,用户在社交媒体产生大数据共享和自我表现在旅游资源,,如果充分利用智能旅游系统由高科技和新技术,将带来新的生活领域的智能旅游研究和将发挥重要的作用在网络+旅游的发展。然而,旅游数据在社会媒体具有以下特点:多样性、冗余、异质性和情报。解决旅游社交媒体数据的特点,本文主要关注以下挑战:很难有效地获得旅游可视化信息在社交媒体(文本和图像);很难有效利用旅游多模式异构信息;很难正确检索多媒体实体信息的旅游景点;,很难合理构建旅游个性化推荐模型。本文图片搜索重新排序方法提出了基于混合图模型特点,实现高质量的网络图像的快速采集从web使用混合视觉特性和图模型,从而为社会媒体的分析提供数据安全旅游图片。为了解决图像检索当前搜索引擎的缺点,视觉信息用于桥之间的语义鸿沟问题文本搜索和图片。为了解决单一视觉特征的限制,我们使用潜在语义分析融合多个视觉特性来获得混合特性,不仅把多个单一的特征,但也保护潜在的这些特性之间的关系。解决重新排序方法的缺陷分类和聚类的基础上,重新排序框架基于图模型用于重新排序图像和最后完成图片搜索重新排序基于混合图模型的特性。 This method can obtain image information in social media with high efficiency and quality and then prepare for the subsequent work of tourism image analysis mining and personalized recommendation.

1。介绍

信息技术已经进入了发展的快车道,和互联网已经进入了Web 3.0时代,这意味着“互联网+综合服务”的时代已经来了(1]。在“第12个五年计划”期间,中国的信息技术产业经历了彻底的改变,和总理的政府工作报告中提出“互联网+”的宏观战略已成为互联网最重要的基本平台被各行各业广泛使用。所谓的“网络+”是一个提供全面服务模式在Web 3.0时代,这是一个互联网和传统产业的结合。作为互联网时代的信息技术和传统社会行业是不断互动,快速整合,不断创新技术和新兴产业2]。领域的交流,即时通信的出现和发展,互联网的不断变化和升级促进了运营商的相关业务;在交通运输领域,旅游的流行软件,互联网提高了人们的旅游模式,同时增加社会拥有车辆的使用效率,导致环境保护;在金融领域,在线支付的普及,网络金融得到国家政策的大力支持,并已开始进入有序的发展阶段(3,4]。因此,“互联网+”发挥了不可替代的作用在促进传统产业和引发了一系列基于互联网第三产业,如互联网+通信、互联网+交通、互联网+金融和互联网+医疗(5]。

因此,在互联网的时代+综合服务,大规模数据处理、无处不在的计算和分析,和互联网概念的新时代将最终导致传统产业的变化和创新。国民经济的快速发展伴随着人民生活水平的显著提高,旅游需求更强,导致旅游业的繁荣(6]。互联网+旅游的发展改变了传统的旅游模式的卖方市场,和个性化免费旅游已经成为旅游业发展的趋势7]。2014年被国家旅游局公布的数据显示,国内旅游,游客选择旅行社的数量只有国内旅行的总数的3.6%;外国旅游,游客的数量选择免费旅游出境游人数总数的65% (8]。这种现象是由于人们获得大量的旅游信息在互联网上,促进了旅游规划和决策,进而导致了伟大的改变人们的旅游方式,近年来他们的看法。因此,越来越多的高质量的需求,深入,智能旅游信息9]。例如,人们想要更多的和更有效的旅游信息和智能化和个性化推荐景点,帮助他们做出决策和发展他们的行程10]。为了应对旅客的个性化旅游的需求,旅游行业迫切需要利用互联网的强大的信息集成功能,引入智能个性化旅游服务对不同的人通过持续技术创新和根深蒂固的产业升级。旅游业的信息化是“互联网+旅游”的组合和信息技术(11]。信息技术已经渗透到旅游业的方方面面,从访问景点和全景景观景点信息个性化的旅游需求,和旅游公司的信息化建设水平已经影响到他们的地位和竞争力在旅游业12]。因此,旅游业的发展目标,使旅游业深入渗透到互联网,使用信息技术在旅游业,实现现代化、信息化、国际化的旅游。旅游业的信息化将打开一个新的革命在旅游业和将给互联网+旅游应用的前景无限的发展空间和巨大的内在潜力,也是智能旅游的基础阶段。旅游信息旅游信息化的基础数据保障,因此,获得高质量的旅游数据资源尤为重要。旅游信息不仅大量存在于政府旅游相关部门和旅游企业,但是随着社交媒体的循序渐进的发展近年来,旅游业也存在大量可用的信息资源主要的社会媒体网站(13]。然而,人们很难准确地获取大量的旅游信息的数据,特别是对不同旅游目的地或旅游路线的令人眼花缭乱的数量。只显示当前旅游信息服务的旅游景点信息在互联网上,和它的不足主要体现在以下几点:(1)信息不够全面,没有充分利用社交媒体丰富的旅游信息共享;(2)信息只是被动地呈现给用户,无法找到和过滤信息根据用户需求;和(3)忽视用户需求,不考虑上下文信息的用户场景和不做为用户定制和个性化的服务。

不明智地考虑信息的全面性和偏好,为用户推荐不能令人满意的结果。这些缺点严重限制等一系列旅游行为的获得高质量的旅游信息,demand-compliant目的地的建议,和个性化定制计划。因此,除了掌握巨大的旅游信息资源,旅游业也需要专业的信息化处理,这些大量的数据的挖掘和分析。获取相关旅游信息分享旅游经历和升值精确的信息搜索感觉个性化信息推荐,旅客有一个巨大的旅游业对信息化和智能应用程序的需求。因此,使用数据挖掘和机器学习等技术,我的旅游信息资源,实现基于数据挖掘的智能旅游迫在眉睫。和当前的应用智能旅游系统仍有很多问题,如忽视了大量信息在社交媒体环境中,系统智能功能不清楚,用户需求是没有注意,等,这使得智能旅游基于旅游信息挖掘的发展严重受限。旅游信息的应用程序需要都满足旅行者的需要收集旅游信息,帮助他们进行旅行计划和决策,从而大大提高旅游体验,提高用户满意度。因此,旅游业,关注当前的发展需要,迫切需要遵守互联网+旅游信息化的发展,积极挖掘旅游数据和信息,努力探索智能化和个性化的旅游,并最终使不断努力实现智能旅游。

随着Web 2.0的出现,网络多媒体分享网站,比如Flickr, Tripadvisor,和YouTube,已经成为普遍的,并且用户上传的信息包含大量的旅游相关内容,可广泛应用于旅游系统(14]。因此,近年来,许多智能旅游系统已经建成,使旅游更容易和更快的通过分析和挖掘旅游多媒体信息实现精确搜索或个性化推荐功能。Wikitravel之前是一个早期的旅游信息系统Web 2.0的出现,为用户提供开放、完整、实时和值得信赖的旅游信息。VirtualTour提供了一个在线旅游服务致力于挖掘高质量旅游照片的图片共享网站设计用户界面和搜索和地图定位功能,帮助用户计划他们的旅游路线。通过分析超过110000在Flickr上标记图像,DiverseSearch使用图像来生成一个视觉的吸引力,同时满足吸引搜索结果的多样性。PersonalizedMM结合文字、标记图像和视频产生吸引力总结然后推荐个性化的吸引力总结用户查询(15,16]。

Panoramio Photo2Trip需要2000万的图像和200000年游记从web,矿山描述它们之间的景点和路线,然后为游客提供旅游规划服务。gTravel是一个全球性的社会旅游系统,不仅帮助用户计划和浏览他们的行程还监视他们的位置随时改变路线17]。此外,用户还可以分享他们的旅行经历或访问别人的旅行经验的系统平台。通过以上介绍典型的智能旅游系统,我们可以理解智能旅游系统的发展现状,从社交媒体以获取旅游相关信息,然后将它应用到智能旅游系统提供应用程序服务分析和挖掘后(18]。此外,信息利用率的焦点因系统而异。从信息利用的类型,大多数系统利用丰富的旅游异构信息,包括文字,图片,和数字信息,而一些个性化的智能旅游系统把用户上下文信息和一些系统引入用户交互分析用户首选项(19]。

智能旅游系统多媒体旅游信息的分析和挖掘和一些应用程序实现了根据他们的应用程序主要分为两类:旅游信息的一种系统关注的内在表示信息。研究人员提出一个在线旅游系统,致力于寻找高质量的图像照片分享网站和使用它们代表景点的内容。研究人员分析了从Flickr网站标记照片然后开采的映像的multiperspective表示景点,确保视觉吸引力的多样性图片搜索结果(20.]。研究人员结合用户查询和旅游多媒体信息从社交媒体获得生成个性化景点的摘要并推荐给用户。研究人员提出一个新的图像分类框架,它使用标记景点图片构建三维可视化模型,然后将图像分为吸引它们所属类别基于流行的吸引力的图像。另一个类的系统集中在多媒体信息检索和推荐旅游的问题。Photo2Trip使用获得的图像和渊源的探索路线和景点之间,然后在为用户提供旅游路线规划。这是一个社会旅游系统,帮助用户计划他们的旅行21]。研究人员提出一个移动旅游搜索框架,用户可以显示多个视图的景点通过压缩基于图像信息传输技术。研究者的工作流程查询低分辨率图像通过一个远程服务器,然后确定搜索景点,和建构相应的景点在三维视图基于一组照片。在当前状态的发展,智能旅游系统的主要问题是如何获取高质量的信息从大量的旅游相关多媒体信息在网络和如何应用这个高质量的信息在一个理性的智慧旅游方式。

3所示。多通道组合旅游服务场景

3.1。感觉形态

查询词的“苹果”,获得的图像使用形状特性的相关性较高,而对于查询术语“蝴蝶”,图片搜索重新排序使用筛选功能收益率较高的图像与查询词之间的关系。宣传影片的视觉形态指的散漫的方式向观众表达重庆城市形象视觉通过动态图片,各种镜头,可能出现在图像的文本。我们可以看到在图1,视觉模式是最重要的塑造方式和沟通的形象重庆重庆城市形象推广电影的文本。在这种模式下,这部电影展示了各种各样的城市形象元素。例如,重庆的第一个城市宣传电影,“无限的重庆,”提出了重庆的形象在很多方面通过视觉形态:山和水的城市,云和雾,忙碌和活力的城市,城市的特殊人文、塑造城市景观和人文具有多元化的特征。


图1
根据查询条件重新排序结果的例子。

可以听到声音模式指的是声音在影片重庆城市形象,包括以下几点:(1)音乐,能突出影片的主题和叙述,介绍了重庆的历史发展和(2)拍摄现场周围的声音在影片的拍摄记录,如风能、水、鸟鸣声,自行车铃铛,飞机,轻轨车站公告。声音模式的使用可以使电影的内容更多的传染性和说服力。例如,在宣传电影《这个城市,重庆,“延时摄影是用来展示重庆的形象与自行车铃铛的声音,鸟鸣声、光和动态音乐,风铃,雷暴,展示一个城市的形象和强烈的生命意识和繁忙的生活。

为了弥补当前的搜索引擎算法的缺点,基于视觉的图像搜索重新排序功能是必要的,所以图片搜索的研究问题重新排序基于视觉特性吸引了很多研究人员的关注。视觉特征图片搜索重新排序的基本思想是使用视觉特性来重新排序返回的图像搜索引擎,然后返回给用户,用户希望能得到相关的图片搜索查询前的图片,和重新排序的理想状态是,顶部图像的相关性较高,节省用户的时间找到相关的图像查询从冗余的结果。现有的视觉特征图像搜索重新排序改进当前的搜索引擎在一定程度上,增加顶级图像的相关性。从使用的角度的视觉功能,图片搜索重新排序方法主要分为两类:全局视觉特征和局部视觉特征图像重新排序的方法。全球视觉特点的排名方法主要利用颜色和纹理等特性,而当地的视觉特点重新排序主要利用尺度不变特征变换(筛选)等特性。然而,局部和全局特征从不同的角度描述图像,每个都有自己的局限性,这意味着重新排序的图像返回不同的查询条件并不总是产生令人满意的结果,如果只使用全局或局部的视觉特性。图1显示了一个视觉的例子来说明图片搜索重新排序更好的适用于不同的查询条件返回的图像只有特定类型的视觉特性。

发生这种情况是因为搜索引擎返回的图像有不同的敏感性不同类型的视觉特性。因为重新排序与单个类型的视觉特性不能总是实现良好的重新排序结果,为了提高图像搜索的普遍性重新排序算法来解决这个问题,不同的图片有不同的敏感性不同的视觉特性,有必要结合多个视觉特性的图像搜索重新排序来弥补单一功能的局限性。组合多个视觉特性的方法一般分为两类:一是使用不同的视觉特性重新排序,然后执行重新排序的线性决策级融合结果,另一个是融合的视觉特征,然后进行重新排序。因此,本节的重点是研究的方法基于multivisual特性融合的图像重新排序文本和图像之间的语义鸿沟的桥梁。执行功能融合,本节提出了一种混合特性基于潜在空间分析(LSA)重新排序,它不仅保留了重要信息的两种类型的特征降维的过程中还矿山特性之间的潜在关联信息。

3.2。Multimodal-Based搜索重新排序

补偿的限制使用文本检索图像搜索引擎,用于重新排序图像视觉特性来消除文本和图像之间的语义鸿沟,因为图像有不同的敏感性不同的视觉特性,融合多个视觉特性生成混合特性进行重新排序。与此同时,为了确保查询项的相关性和重新排序的图像,图基于模型的重新排序框架是用来完成图像的重新排序搜索结果,从而帮助用户能够获得最大量的相关的查询图像搜索引擎返回的图像。提出的混合特性图基于模型的图像搜索重新排序方法是混合视觉特征图,然后使用基于模型的重新排序框架完成重新排序。图2给混合动力特性图的框图模型图片搜索重新排序方法,主要分为两个部分:学习混合特性和基于重新排序。在离线学习阶段,所有的图片都学会了基于视觉特征融合后利用潜在语义分析提取视觉特征。在网上排名阶段,一个查询词,和最初的排名结果返回的图像匹配后得到的文本信息图像,然后,基于图像之间的相似性计算混合特性图的重新排序模型的框架下完成图模型的建设,最后,重新排序的结果。


图2
框图的图片搜索重新排序基于混合特征映射模型。

因为搜索引擎并不总是令人满意的图像返回结果根据查询条件,用户只关注图像中名列第一。从图像重新排序规则,很明显,需要满足两个假设在构建图基于模型的重新排序,即视觉一致性和初始排名联盟。因此,图片搜索重新排序的结果是通过求解优化问题获得基于图模型和满足重新排序的假设。给定一个查询词,构造图使用返回的图像搜索,每张图片代表图中的一个节点,和图像与边缘的权重基于混合特征表示图像之间的相似性。

3.3。场景功能融合

视觉特征图片搜索重新排序的基本思想是使用视觉特性来重新排序返回的图像搜索引擎,然后返回给用户,用户希望能得到相关的图片搜索查询前的图片,和重新排序的理想状态是,顶部图像的相关性较高,节省用户的时间找到相关的图像查询从冗余的结果。首先,图像的数据集需要预处理;即。,the image specifications and formats are unified. Then, the images are subjected to feature extraction, and since BovW features and color moment features, which represent visual features, describe the images in terms of local details and colors, respectively, and both are visually representative, BovW features and color moment features are selected for image feature fusion in this section. For the BovW features, that is, the feature vectors are extracted from the images using the visual bag-of-words model. First, the scale rotation invariance (SIFT) features are extracted from each image, where the dimension of SIFT features is 128. 在哪里 特征向量和引用 意味着扩展。

然后,集中使用筛选功能 - - - - - -方式方法,集群中心被认为是图像的视觉单词,筛选特征点之间的距离为每个图像,计算集群中心和筛选功能映射到视觉单词的集群中心。 在哪里 意味着集群中心 意味着特征点。

最后,图像表示为一个特征向量基于视觉单词。以来颜色矩特性,图像可以表达颜色的颜色分布使用低阶的时刻(一阶、二阶和三阶)这三个颜色通道,在低阶的时刻,上执行图像表示的尺寸颜色的时刻是255年。

潜在语义空间分析的基本思想是将高维的视觉特征空间映射到低维向量空间的视觉表示。在这里,奇异值分解)是用于解决潜在语义空间的视觉特性。 在哪里 视觉特征空间和手段 可以称为视觉向量空间。

MSRA-MM数据库中查询项,排名前400的图片搜索结果返回的每个查询词会重新排序,然后,重新排序图像的相关性评估查询项。因为用户会优先选择的图像排序在前面,前面的图像的相关性越高,更好的分类效果,如图3。因此,基于图像具有高相关性的原则需要排名更高的重新排序后,提出了图像重新排序方法的性能评估使用归一化累积获得折扣(NDCG),即,每张图片的排名位置的相关性查询词。图片搜索重新排序的评价方法在本节中,CrowdReranking,克服了单一的局限从多个搜索引擎,搜索引擎返回的图像是一个经典的方法基于聚类的重新排序,相关概念在哪里发现的最初分类图像pretrain概念探测器,然后,集群执行完成重新排序。CrowdReranking可以挖掘相关视觉原型由多个搜索引擎返回的查询结果完整的重新排序从多个搜索引擎好坏参半的结果。


图3
图的重新排序模型。

4所示。结果和分析

重新排序方法的鲁棒性评价实验验证的重新排序效果重新排序方法返回的图像不同的查询条件。设计一个实验比较;即。,the effectiveness of the proposed reordering method is evaluated by using the correlation between manually labeled images and query terms compared with the reordering results. Here, the top twenty query terms among the selected 73 query terms are selected for evaluation. Also, the relevance of the images in the database to the query terms is manually marked for relevance. Since in practical applications, users using search engines to obtain images are generally most concerned with the first 10 or so photos returned by the algorithm, the reordering effect is evaluated for the first ten images returned as a result; i.e., the value of NDCG@10 is calculated. Since the proposed reordering method combines BovW features and CM features for reordering and the comparison methods used are for single feature reordering, to ensure fairness, the BovW features and CM features are applied to the comparison method separately, and then, the NDCG values of the two features are averaged to obtain the mean value of NDCG to compare with the proposed method in this section. The experimental results are shown in Figure4。NDCG@10值表明,该重新排序方法具有更高的NDCG@10值不同的查询条件,不表现不佳的图像返回的特定查询词。换句话说,该方法可用于基于重新排序的框架下,结合LSA-based特征融合的想法获得混合特性图基于模型的重新排序,并可获得良好的重新排序结果。自从IB reranking方法是基于聚类,它不是容易找到图像的聚类中心对图像的多样性一些查询的返回结果的相关性很小,所以它不能为返回的图像显示出更好的重新排序效果的一些查询条件。总之,从图可以看出,对于不同的查询条件,重新排序方法执行不同的结果,这是由于不同灵敏度的重新排序方法在不同的查询条件下不同的特性,从而影响其算法的鲁棒性。计算的平均价值不同的特点后,提出重新排序方法仍然优于NDCG@10的平均值的比较方法,这表明混合特性基于潜在语义空间有更高的鲁棒性。


图4
旅游服务场景的识别结果。

的变化如图NDCG价值5,NDCG值的平均值的NDCG值20个实验中使用的查询项。从图中,我们可以看到,该方法的有效性仍高于比较法,这再次表明,该方法能保证图像的强相关性较高的重新排序。也可以看到NDCG@num减少的价值 变大,这是由于这一事实重新排序后,较低的图像相关性排名更低,从而影响NDCG价值,这也是符合的要求重新排序。上述两个实验,验证图片搜索的可靠性重新排序方法基于混合特征图模型和返回的图像的相关性,说明本文所提出的特征融合方法,可以保留重要的信息的特性,利用特征之间的关联信息和重新排序的两个假设可以满足下基于重新排序框架,它可以确保视觉一致性和重新排序,参照初始排名结果。重新排序是基于图论重新排序框架。


图5
重新排序方法的比较结果。

在学习混合特性,低维表示执行,同时融合两个特性利用潜在语义分析的想法视觉特征的高维特征空间映射到低维向量空间的混合特性,和维数的设置 混合特性进行了探讨。自从BovW维度和颜色的时刻是2000年和255年,分别减少混合特征的维数应小于最小的特征维度,也就是说, 。为了更好地保护重要的信息矩阵,的价值 不应过小,会影响信息的保留和潜在联系的代表。在学习混合特性, 是学习共享的联合参数矩阵,和它的价值会影响参与的两个特性。因此,基于经验值, 。 是基于正则化参数重新排序框架来平衡能源和处罚条款,并考虑视觉一致性的重要性和初始排名组合, 基于经验值。图6显示了初始排名结果和重新排序的结果基于颜色特征,BovW特性和混合特性。列出了十大返回图片为每个类型的特性,和每个图像的相关性查询项是使用红色标记的条形图,所有红色是最相关的,一半红白旗表示相关性,白色代表无关紧要。


图6
重新排序的结果为不同的特性。

图7显示查询词“动物园”,和初始序列的结果显示,前十的几个图像的视觉特征并不相关“动物园”;如草的第六个图像是一个场景,这是排名第一,因为这张图片的标签文本包含单词“动物园”,但这不是有关从视觉的角度特性。第二,第四,第五,第六个图片都是color-related,但不是很相关的视觉特征”动物园。“第三列是根据BovW重新排序功能,这主要是关系到当地特色,和重新排序的视觉相关性的图像是略优于初始排名结果。第四列是重新排序基于混合特性,它可以直观地看到重新排序图像相关性高于其他三个序列,和很明显,第三和第四的图像在本专栏也一起排序尽可能满足视觉一致性的假设。


图7
现场关键字识别。

“圣诞节”的查询词在图8,它可以看到返回的图像在一定程度上满足相关性。具体地说,重新排序的图像使用颜色特征和BovW特性改善的相关性返回的图像在一定程度上与初始分类结果相比,虽然重新排序visual-based相关性的图像基于混合特性是直觉上最高,再次验证提出的混合功能可以解决需要视觉基于功能的重新排序,它不仅保留了单一视觉特征的重要信息也利用视觉特征之间的潜在关联信息。提出的混合特性不仅保留单一视觉特征的重要信息,也探索之间的潜在关联信息的视觉特性。因此,在图中所示的示例视觉再次说明了基于模型的有效性提出了混合动力特性图图片搜索重新排序方法在这一节中。重新排序结果基于不同特征的框架所示重新排序基于图模型具有相同的参数,以确保公平的比较。


图8
功能场景分类关键词。

上述实验结果表明,提出的个性化推荐算法可以获得良好的推荐结果基于集体智慧旅游的信息。个性化吸引力排名方法只显示最受欢迎和著名景点,但忽略了用户的个人需求。因此,个性化的吸引力排名方法只推荐景点的普世价值,不满足用户的个人偏好。为用户推荐的景点不仅需要考虑准确性和惊喜但也向用户推荐结果的新鲜度。为了提高用户的新鲜度,推荐算法应考虑用户的上下文信息。有各种各样的上下文信息,例如兴趣偏好,感情,时间,地点。例如,我们可以获取用户的位置推荐景点匹配用户的上下文。从心理学角度来看,大多数用户倾向于选择景点,更接近他们。所以当为用户推荐景点,上下文信息将用于正确的候选景点。提出了推荐算法的个性化景点推荐相似模型中起着重要作用,但在现实中,情景语境会影响用户的旅行的决定,因此,情境需要结合上下文信息在推荐与现实用户心理。

5。结论

互联网+旅游应用软件已经成为旅游业的最大的驱动引擎,推动其快速发展。随着社交媒体平台的成熟和发展,人们可以自由分享他们所看到的和听到在社交媒体上,和大量的旅游信息传播在社会媒体已经成为人们旅游信息的主要来源。这是一个有意义的研究课题,帮助人们挖掘有价值的旅游信息的大规模的社会媒体数据,探索旅游推荐下互联网+旅行应用程序。在本文中,基于冗余的特点,多样性、异质性、社交媒体和情报的旅游信息,我们使用数据挖掘的方法来获取有用的和高质量的信息个性化的旅行建议。因此,本文着重于如何获得高质量可视化从社交媒体和旅行信息分析和个性化推荐的社交媒体的旅游信息,这样用户可以快速获得所需的旅游信息的大规模的社会媒体的旅游信息。由于当前图像搜索引擎的不足,有文本和图像语义差距查询基于图片搜索,所以需要重新排序搜索返回的图像视觉特征。因为不同single-modal视觉信息限制了不同的查询条件返回的图像,融合多个视觉特性来解决一个本位主义single-modal视觉信息来表示图像。multivisual特征融合和简单,它不深入我的视觉特性的相互关系融合,所以LSA-based multivisual特征融合是用来学习混合特性,它不仅保留了单一视觉特征的重要信息也矿两个视觉特性的关联信息。混合特性可以用于执行图片搜索重新排序返回的图像初始搜索图的框架下基于模型的重新排序。在未来,个性化景点相似性模型结合上下文信息优于个性化景点相似性模型在实践中,满足用户的需求的新鲜推荐的景点。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

本研究金融支持的研究项目:2019年河北省军民一体化发展研究项目(研究路径的军民融合产业发展的背景下河北省“所有元素,多个字段,高收益”)(HB19JMRH008)。