一种旅游攻略的推荐方法及装置

技术领域

本申请涉及人工智能的技术领域，特别是涉及一种旅游攻略的推荐方法及装置。

背景技术

随着互联网经济的发展，许多游客都会把自己的旅程描述出来并发布在网络上，这种描述旅游景点和旅游经历的攻略称为旅游攻略。

目前，旅游攻略大多都是由游客根据自身的情况撰写的，具有一定的时效性和局限性，无法适用于各个时期，也无法满足用户的个性化的旅游需求，因此无法为用户进行旅游方案的推荐。

发明内容

本申请提供了一种旅游攻略的推荐方法及装置，可以根据用户的兴趣爱好推荐旅游攻略，达到了为用户推荐个性化需求的旅游攻略的目的。

第一方面，本申请提供了一种旅游攻略的推荐方法，该方法包括：

获得用户的用户信息，所述用户信息包括基础信息和旅游目标信息；

将基础信息进行分析，获得用户标签信息，所述用户标签信息用于指示用户的行为特征的类型；

基于用户标签信息和预先采集到的旅游统计信息，获得用户的旅游偏好信息；

基于旅游偏好信息、旅游目标信息和自学习模型，确定用户的旅游攻略方案，所述自学习模型为训练完成的神经网络模型，所述自学习模型的训练样本包括多个历史旅游统计信息、多个历史用户信息和每个历史用户对应的旅游数据集。

可选地，将基础信息进行分析，获得用户标签信息，包括：

获得基础信息中的行为特征数据集，所述行为特征数据集包括行为数据集和特征数据集，所述行为数据集用于指示用户的行为类型，所述特征数据集用于指示用户的特征类型；

根据行为数据集和特征数据集对用户的标签类型进行聚类分析，获得用户标签信息。

可选地，获得基础信息中的行为特征数据集，包括：

提取基础信息中的行为信息和特征信息；

将行为信息与行为标签进行匹配，获得行为数据集，所述行为标签为预设的用于描述用户行为的标签；

将特征信息与特征标签进行匹配，获得特征数据集，所述特征标签为预设的用于描述用户特征的标签。

可选地，基于用户标签信息和预先采集到的旅游统计信息，获得用户的旅游偏好信息，包括：

将用户标签信息和旅游统计信息进行关联计算，获得旅游偏好信息。

可选地，基于旅游偏好信息、旅游目标信息和自学习模型，确定旅游攻略方案，包括：

将旅游偏好信息和旅游目标信息输入至自学习模型，获得用户对应的旅游数据集；

基于用户对应的旅游数据集，确定旅游攻略方案。

可选地，自学习模型的训练过程包括：

获得多个历史旅游统计信息和多个用户的历史用户信息；

将多个历史旅游统计信息和多个用户的历史用户信息分别进行相关联计算，获得多个用户中每个用户对应的旅游数据集；

将多个历史旅游统计信息、多个用户的历史用户信息和每个用户对应的旅游数据集作为训练样本，对初始模型进行训练，获得自学习模型。

第二方面，本申请提供了一种旅游攻略的推荐装置，该装置包括：

获得单元，用于获得用户的用户信息，所述用户信息包括用户的基础信息和旅游目标信息；

处理单元，用于将基础信息进行分析，获得用户标签信息，所述用户标签信息用于指示用户的行为特征的类型；

处理单元，还用于基于用户标签信息和预先采集到的旅游统计信息，获得用户的旅游偏好信息，所述旅游偏好信息包括用户偏好的旅游信息；

确定单元，用于基于所述旅游偏好信息、所述旅游目标信息和自学习模型，确定旅游攻略方案，所述自学习模型为训练完成的神经网络模型，所述自学习模型的训练样本包括多个历史旅游统计信息、多个历史用户信息和每个历史用户对应的旅游数据集。

可选地，获得单元还用于：

获得基础信息中的行为特征数据集，所述行为特征数据集包括行为数据集和特征数据集，所述行为数据集用于指示用户的行为类型，所述特征数据集用于指示用户的特征类型。

可选地，处理单元还用于：

根据行为数据集和特征数据集对用户的标签类型进行聚类分析，获得用户标签信息。

可选地，该装置还包括：

提取单元，用于提取基础信息中的行为信息和特征信息。

可选地，获得单元还用于：

将行为信息与行为标签进行匹配，获得行为数据集，所述行为标签为预设的用于描述用户行为的标签。

将特征信息与特征标签进行匹配，获得特征数据集，所述特征标签为预设的用于描述用户特征的标签。

可选地，获得单元还用于：

将用户标签信息和旅游统计信息进行关联计算，获得旅游偏好信息。

可选地，获得单元还用于：

将旅游偏好信息和旅游目标信息输入至自学习模型，获得用户对应的旅游数据集。

可选地，确定单元还用于：

基于用户对应的旅游数据集，确定旅游攻略方案。

第三方面，本申请提供了一种电子设备，该电子设备包括存储器和处理器：

存储器用于存储计算机程序；

处理器用于根据计算机程序执行上述第一方面提供的方法。

第四方面，本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述第一方面提供的方法。

由此可见，本申请具有如下有益效果：

本申请提供了一种旅游攻略的推荐方法，通过获得用户的用户信息，该用户信息中包括基础信息和旅游目标信息，对基础信息进行分析，获得用户标签信息；之后，基于用户标签信息和旅游信息，获得该用户的旅游偏好信息；最后，基于旅游偏好信息、旅游目标信息和自学习模型，确定该用户的旅游攻略方案。在此过程中，由用户的基础信息获取到代表用户行为特征的用户标签信息，再结合实时的旅游信息，可以获得推荐给该用户的旅游偏好信息，满足了用户个性化需求，之后再基于自学习模型，可以自动地、快速地获得满足用户需求的旅游攻略方案，也可以节省用户自身制定旅游攻略的时间。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本申请实施例中一种旅游攻略的推荐方法的流程示意图；

图2为本申请实施例中一种旅游攻略的推荐系统200的结构示意图；

图3为本申请实施例中一种旅游攻略的推荐方法的一实施例的流程示意图；

图4为本申请实施例中一种旅游攻略的推荐装置400的结构示意图；

图5为本申请实施例中一种电子设备500的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，除去目前已知的世界闻名的旅游景点，随着自媒体旅游产业的发展，各地频繁地诞生网红打卡地，因此人们对于旅游攻略的需求日益剧增，但网络上存在的旅游攻略的地点大多为固定的地点、覆盖范围较少，并且大多信息都有滞后性，若旅客在使用目前存在的旅游攻略，会出现描述不符合实际的情况或者无法满足旅客的个性化需求。

本申请实施例中，通过获得用户的用户信息，该用户信息中包括基础信息和旅游目标信息，对基础信息进行分析，获得用户标签信息；之后，基于用户标签信息和旅游信息，获得该用户的旅游偏好信息；最后，基于旅游偏好信息、旅游目标信息和自学习模型，确定该用户的旅游攻略方案。可见，本申请实施提供的方法，通过获得用户标签信息，可以获得用户的旅游偏好信息，从而为用户推荐感兴趣的旅游地，并基于旅游偏好信息、旅游目标信息和自学习模型，可以获得该用户个性化的旅游攻略方案，满足用户的个性化需求，从而提高用户的旅游体验感。

为便于理解本申请实施例提供的制定旅游攻略的方法的具体实现，下面将结合附图进行说明。

需要说明的是，实施该旅游攻略的推荐方法的主体，可以为本申请实施例提供的旅游攻略的推荐系统，也可以为本申请实施例提供的旅游攻略的推荐装置，该旅游攻略的推荐装置可以承载于电子设备或电子设备的功能模块中。本申请实施例中的电子设备，可以是任意的能够实施本申请实施例中的旅游攻略的推荐方法的设备，例如可以是物联网(Internet ofThings，IoT)设备。

图1为本申请实施例提供的一种旅游攻略的推荐方法的流程示意图。该方法可以应用于旅游攻略的推荐系统，该旅游攻略的推荐系统例如可以是如图2所示的旅游攻略的推荐系统200，也可以应用于旅游攻略的推荐装置，该旅游攻略的推荐装置例如可以是如图4所示的旅游攻略的推荐装置400，或者，该旅游攻略的推荐装置也可以由集成于图5所示的电子设备500中的功能模块。

如图1所示，该方法包括以下S101～S104：

S101：获得用户的用户信息，所述用户信息包括基础信息和旅游目标信息。

为了获得旅游攻略方案，首先需要获得用户的用户信息，之后基于用户信息中的基础信息，获得用户标签信息，然后基于用户标签信息和预先采集到的旅游统计信息，获得旅游偏好信息，最后基于旅游偏好信息、用户信息中的旅游目标信息和自学习模型，确定旅游攻略方案。因此，本申请实施例通过S101获得用户的用户信息，为获得用户标签信息提供了前置条件。

作为一个示例，S101可以包括：获得用户的用户信息，该用户信息包括基础信息和旅游目标信息，其中，基础信息包括用户的基本身份信息、兴趣爱好和日常习惯等信息，旅游目标信息包括用户对于旅游的旅行地点、旅行时间、住宿选择等信息。

S102：将基础信息进行分析，获得用户标签信息，所述用户标签信息用于指示所述用户的行为特征的类型。

作为一个示例，S102可以包括：S1021，获得基础信息中的行为特征数据集，所述行为特征数据集包括行为数据集和特征数据集，所述行为数据集用于指示用户的行为类型，所述特征数据集用于指示用户的特征类型。获得用户的行为特征数据集，为获得用户标签信息提供了前置条件，S1022，根据行为数据集和特征数据集对用户的标签类型进行聚类分析，获得用户标签信息。根据S1021获得的行为数据集和特征数据集对用户的标签类型进行聚类分析，从两个方面考虑可以更好地获得用户的用户标签信息，既可以获得用户的偏好信息，为用户推荐偏好的旅游信息提供了前置准备。

作为一个示例，上述的S1021可以包括：S10211，提取基础信息中的行为信息和特征信息；S10212，将行为信息与行为标签进行匹配，获得行为数据集，所述行为标签为预设的用于描述用户行为的标签；S10213，将特征信息与特征标签进行匹配，获得特征数据集，所述特征标签为预设的用于描述用户特征的标签。通过分析基础信息中的行为信息和特征信息，可以获得该用户的行为标签和特征标签，为获得用户的具体标签提供了前置准备。

S103：基于用户标签信息和预先采集到的旅游统计信息，获得用户的旅游偏好信息。

作为一个示例，S103可以包括：将用户标签信息和旅游统计信息进行关联计算，获得旅游偏好信息。可以根据用户的兴趣喜好，获得该用户的旅行偏好信息，从而可以根据旅游偏好信息为该用户推荐用户感兴趣的旅游景点。其中，旅游统计信息例如可以从互联网上抓取的目前世界各地旅行景点、网红打卡地和网红小吃店的统计信息，统计信息例如可以包括地点的经纬度、人流高峰时间分布和营业时间等信息，可以实时进行更新，具有时效性。

上述示例中的用户标签信息和旅游统计信息可以保存至数据库中，以便直接调用数据库中的数据进行关联计算，也可以是相关联计算，获得用户的旅游偏好信息。

S104：基于旅游偏好信息、旅游目标信息和自学习模型，确定用户的旅游攻略方案，所述自学习模型为训练完成的神经网络模型，所述自学习模型的训练样本包括多个历史旅游信息、多个历史用户信息和每个历史用户对应的旅游数据集。

作为一个示例，S104可以包括：将旅游偏好信息和旅游目标信息输入至自学习模型，获得用户对应的旅游数据集，并基于用户对应的旅游数据集可以确定用户的旅游攻略方案。其中，用户对应的旅游数据集，指示该用户本次旅游的目标旅游统计信息，可以根据目标旅游统计信息和预设的信息模板为该用户确定相应的旅游攻略方案，节省了用户自身制定旅游攻略的时间。

作为一个示例，S104中的自学习模型的训练过程可以包括：首先，获得多个历史旅游统计信息和多个用户的历史用户信息；然后，将多个历史旅游统计信息和多个用户的历史用户信息分别进行相关联计算，获得多个用户中每个用户对应的旅游数据集；最后，将多个历史旅游统计信息、所述多个用户的历史用户信息和所述每个用户对应的旅游数据集作为训练样本，对初始模型进行训练，获得自学习模型。

基于训练样本训练初始模型获得自学习模型的具体过程例如可以包括：将训练样本1中历史旅游统计信息1和历史用户信息1输入初始模型，则将初始模型的输出数据集1与训练样本1的旅游数据集1进行比较获得比较结果0，基于比较结果0调整该初始模型，获得自学习模型1；将训练样本2中的历史旅游统计信息2和历史用户信息2输入自学习模型1，将自学习模型1的输出数据集2与训练样本2的旅游数据集2进行比较获得比较结果1，基于比较结果1调整自学习模型1，获得自学习模型2；以此类推，直到所获得的自学习模型满足预设条件，则将满足所述预设条件时的自学习模型记作训练好的自学习模型(即S102中的自学习模型)。

可见，本申请实施例的方法，首先获得用户的用户信息，再将用户信息中的基础信息进行分析，获得用户标签信息，之后，基于用户标签信息和预先采集到的旅游统计信息，获得用户的旅游偏好信息，最后，基于旅游偏好信息、旅游目标信息和自学习模型，确定用户的旅游攻略方案。在此过程中，获得的用户的旅游偏好信息，可以为用户推荐感兴趣的旅游景点，并且基于自学习模型，可以自动地、快速地获得旅游攻略方案，为用户推荐一份基于用户个性化需求的旅游攻略。

本申请实施例中的系统例如可以参见图2所示的旅游攻略的推荐系统200，例如可以包括：

数据采集模块201，用于采集目前世界各地旅行景点、网红打卡地和网红小吃店的旅游统计信息，统计信息例如可以包括地点的经纬度、人流高峰时间分布和营业时间等信息；

注册用户中心模块202，用于获得用户的基本信息，包括基础身份信息、兴趣爱好和日常习惯等信息；

行为分析模块203，用于将用户的基础信息进行分析，获得行为数据集；

特征分析模块204，用于将用户的基础信息进行分析，获得特征数据集；

聚类模块205，用于将用户的行为数据集和特征数据集对用户的标签类型进行聚类，获得用户的用户标签信息；

存储模块206，用于存储旅游统计信息和用户标签信息；

旅游信息与用户信息联合计算模块207，用于将旅游统计信息和用户标签信息进行关联计算，获得用户的旅游偏好信息；

用户输入模块208，用于获得用户的旅游目标信息；

自学习模块209，用于将用户的旅游目标信息和旅游偏好信息输入至自学习模型，获得用户的旅游攻略方案；

输出模块210，用于输出自学习模块209的旅游攻略方案。

为了使得本申请实施例提供的方法更加清楚且易于理解，下面结合图3对该方法基于图2所示的构建图的一个具体实例进行说明。

如图3所示，该实施例如可以包括：

S301：数据采集模块201采集互联网上的旅游统计信息，并传输至存储模块206进行存储。

数据采集模块201可以从互联网上采集最新的旅游统计信息，统计信息例如可以包括地点的经纬度、人流高峰时间分布和营业时间等信息，保证旅游统计信息的时效性以及广泛性，无论是世界闻名的旅游景点还是新起的网络打卡点都可以采集到。

S302：注册用户中心模块202采集用户的基础信息，将基础信息中的行为信息传输至行为分析模块203，将基础信息中的特征信息传输至特征分析模块204。

注册用户中心模块202可以在用户进行注册时，采集到用户的基础信息，其中，基础信息包括用户的基本身份信息、兴趣爱好和日常习惯等信息。作为一个示例，用户的基础信息例如可以包括：性别：男；年龄：25岁；学历：本科；学校专业：计算机科学与技术专业；爱好：健身、音乐和美食；日常习惯：注重效率等信息。

S303：行为分析模块203将行为信息与行为标签进行匹配，获得行为数据集，将行为数据集传输至聚类模块205。

行为模块203中预设有行为信息相关的标签，与行为信息进行相匹配，可以获得该用户的行为标签，即获得行为数据集。作为一个示例，用户的行为信息例如可以包括：音乐、健身和美食，这与预设的听音乐、常健身和爱美食的行为标签相匹配，则获得这三类的行为数据集。

S304：特征分析模块204将行为信息与特征标签进行匹配，获得特征数据集，将特征数据集传输至聚类模块205。

特征模块204中预设有特征信息相关的标签，与特征信息进行相匹配，可以获得该用户的特征标签，即获得特征数据集。作为一个示例，用户的特征信息例如可以包括：男、25岁、理工专业和注重效率，这与预设的理工男、年轻人群和效率高的特征标签相匹配，则获得这三类的特征数据集。

需要说明的是，本申请实施例中S303与S304的执行顺序不作限定，可以是先执行S303再执行S304，也可以先执行S304再执行S303，还可以同时执行S303与S304。

S305：聚类模块205将根据行为数据集和特征数据集对用户的标签类型进行聚类分析，获得用户标签信息，并传输至存储模块206进行存储。

聚类模块205将用户的行为数据集和特征数据集对用户的标签类型进行聚类分析，从两个方面做考量，为了筛选出符合行为数据集和特征数据集的用户集，从而获得符合用户的用户标签信息。基于上述的示例，该用户的用户标签信息包括理工男、年轻人群、效率高、听音乐、常健身和爱美食这些标签的信息。

S306：旅游信息与用户信息联合计算模块207调用存储模块206中的旅游统计信息和用户标签信息，将用户标签信息和旅游统计信息进行关联计算，获得旅游偏好信息，并传输至自学习模块209。

旅游信息与用户信息联合计算模块207为了可以向用户推荐该用户感兴趣的旅游景点，需要将用户标签信息和旅游统计信息进行关联计算，以此，了解用户的日常的行为特征，可以向用户推荐具备用户个性化的旅游景点。

S307：用户输入模块208获得用户的旅游目标信息，并传输至自学习模块209。

为了获得具体的旅游攻略方案，需要用户通过用户输入模块209输入旅游目标信息，作为一个示例，用户输入的旅游目标例如可以包括：旅游地点：长沙；旅游时间为1周；旅行预算：5000元；旅游同行人数：2人。

S308：自学习模块209将用户的旅游偏好信息和旅游目标信息输入至自学习模型，获得旅游数据集，并基于旅游数据集确定旅游攻略方案。

自学习模块209将用户的旅游偏好信息和旅游目标信息输入至自学习模型中，可以获得符合旅游目标的旅游数据集，基于上述的示例，获得的旅游数据集符合旅游地点为长沙，旅游行程周期为一周，旅游景点为网红美食店或音乐艺术地之类的，基于获得的旅游数据集和预设的信息模板可以获得该用户的旅游攻略方案。

S309：输出模块210将自学习模块209中的旅游攻略方案进行输出。

本实施例提供了一种旅游攻略的推荐方法，可以根据用户的行为特征信息为该用户匹配到相应的用户标签信息；再基于用户标签信息和获取到的旅游统计信息，可以获得到用户对应的旅游偏好信息，提前为用户推荐感兴趣的旅游景点；之后，将旅游偏好信息和用户本次旅游的旅游目标信息输入至自学习模型中，可以获得为实现用户个性化需求的旅游攻略方案。除此之外，由于是模块自动获得的旅游攻略方案，可以节省用户制定旅游攻略的时间，还可以自动规避时间段内的旅行人流高峰地段，提高用户的旅游体验感。

参见图4，本申请实施例提供一种旅游攻略的推荐装置400，该装置包括：

获得单元401，用于获得用户的用户信息，所述用户信息包括用户的基础信息和旅游目标信息；例如可以与上述的注册用户中心模块202和用户输入模块208的功能一致。

处理单元402，用于将基础信息进行分析，获得用户标签信息，所述用户标签信息用于指示用户的行为特征的类型；例如可以与上述的行为分析模块203、特征分析模块204和聚类模块205的功能一致。

处理单元402，还用于基于用户标签信息和预先采集到的旅游统计信息，获得用户的旅游偏好信息，所述旅游偏好信息包括用户偏好的旅游信息；例如可以与上述的旅游信息与用户信息联合计算模块207的功能一致。

确定单元403，用于基于所述旅游偏好信息、所述旅游目标信息和自学习模型，确定旅游攻略方案，所述自学习模型为训练完成的神经网络模型，所述自学习模型的训练样本包括多个历史旅游统计信息、多个历史用户信息和每个历史用户对应的旅游数据集。例如可以与上述的自学习模块209的功能一致。

可选地，获得单元401还用于：

获得基础信息中的行为特征数据集，所述行为特征数据集包括行为数据集和特征数据集，所述行为数据集用于指示用户的行为类型，所述特征数据集用于指示用户的特征类型。

可选地，处理单元402还用于：

根据行为数据集和特征数据集对用户的标签类型进行聚类分析，获得用户标签信息。

可选地，该装置400还包括：

提取单元，用于提取基础信息中的行为信息和特征信息。

可选地，获得单元401还用于：

将行为信息与行为标签进行匹配，获得行为数据集，所述行为标签为预设的用于描述用户行为的标签。

将特征信息与特征标签进行匹配，获得特征数据集，所述特征标签为预设的用于描述用户特征的标签。

可选地，获得单元401还用于：

将用户标签信息和旅游统计信息进行关联计算，获得旅游偏好信息。

可选地，获得单元401还用于：

将旅游偏好信息和旅游目标信息输入至自学习模型，获得用户对应的旅游数据集。

可选地，确定单元403还用于：

基于用户对应的旅游数据集，确定旅游攻略方案。

需要说明的是，该装置400的具体实现方式以及达到的效果，可以参见上述图1或图3提供的方法中的相关描述，这里不再赘述。

本申请实施例还提供了一种电子设备500，如图5所示，所述设备500包括存储器501以及处理器502：

存储器501用于存储计算机程序；

处理器502用于根据计算机程序执行上述图1或图3提供的方法。

此外，本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存储计算机程序，计算机程序用于执行图1或图3提供的方法。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(英文：read-only memory，ROM)/RAM、磁碟、光盘等，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，或者诸如路由器等网络通信设备)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目标。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅是本申请示例性的实施方式，并非用于限定本申请的保护范围。