MMOct, 2023

BTRec：基于 BERT 的个性化旅游轨迹推荐

PDF
TL;DR使用 BTREC (基于 BERT 的轨迹推荐) 算法，通过将用户的人口统计信息与过去的 POI 访问纳入修改后的 BERT 语言模型，推荐个性化的 POI 行程，以最大化 POI 的访问数量，并考虑用户对 POI 类别和时间可用性的偏好。
itineraryrecommendationalgorithmpersonalizedpoi
发现论文，激发创造
  • SBTRec- 个性化旅游推荐问题的 Transformer 框架和情感分析

    我们提出了基于 BERT 和情感分析的 SBTRec 算法，用于推荐个性化的有序兴趣点序列作为旅行行程，通过分析用户的签到和上传的照片，了解兴趣点访问和距离之间的关系，并通过理解用户对不同兴趣点的评论和评价来提高推荐准确性。评估结果表明，SBTRec 平均 F1 分数为 61.45%，优于基线算法，且该算法具有灵活性，能够适应不同场景和城市，且可以通过结合其他信息进行扩展以提高预测的可靠性，进而提供个性化和相关的兴趣点推荐，增强旅游者的整体旅行体验。

    Nov, 2023

  • BERT4Loc: 基于 BERT 的位置推荐系统

    本研究提出了一个基于 BERT 的定位感知推荐系统，该系统可以从基于位置的社交媒体平台中提取位置信息，并根据用户的历史行为和偏好，为用户提供更相关的位置推荐结果，该模型在大量的实验数据集中一致优于现有的顺序模型。

    Aug, 2022

  • 推荐轨迹的学习点和路径

    本文旨在探讨如何通过机器学习算法采用不同信息源，结合旅行者过往的行为习惯，综合考虑景点和路线，提高游览景点的推荐体验。实验表明本方法优于近期其他解决方案。

    Aug, 2016

  • 利用语言模型进行旅行行程推荐

    利用语言模型进行旅行行程推荐和规划，包括使用词嵌入技术和基于 BERT 的技术来学习 POI 嵌入和生成行程。

    Nov, 2023

  • TransTARec: 适应时间的翻译嵌入模型用于下一个 POI 推荐

    本文提出了一种时间自适应的翻译嵌入模型（TransTARec）用于下一个 POI 推荐，该模型在单个组件中自然地结合了时间影响、顺序动态和用户偏好，并通过神经网络融合操作融合了用户偏好和时间影响。经过大量实验验证，TransTARec 展示了其优越性，不仅在于引入了时间影响，还在于与用户偏好和顺序动态的直接统一。

    Apr, 2024

  • TourBERT：面向旅游业的预训练语言模型

    本文介绍了 TourBERT，它是一种旅游专用的预训练语言模型，评估表明，TourBERT 在所有旅游特定任务中均优于 BERT。

    Jan, 2022

  • LLM 信息支持下的语义轨迹数据挖掘与 POI 分类

    本文提出了一个新的人类出行轨迹挖掘流程，利用大型语言模型对兴趣点进行活动类型标注，并使用基于贝叶斯算法推断轨迹中每个停留点的活动，评估结果表明，该方法在 POI 分类方面达到了 93.4% 的准确率和 96.1% 的 F-1 分数，并在活动推测方面达到了 91.7% 的准确率和 92.3% 的 F-1 分数。

    May, 2024

  • 旅游出行意向建模的城外推荐

    提出一种基于旅游意图的出城推荐框架，使用图神经网络表示用户的家乡签到偏好和地理约束，结合神经主题模型构建用户专属的旅游意图，通过非线性映射和矩阵分解方法推荐用户在出城地点感兴趣的 POI。

    Jan, 2021

  • 元学习增强的下一个兴趣点推荐：利用辅助城市的签到记录

    通过元学习框架以及相关性策略，研究了从其他城市中提取的知识对用户偏好预测的影响，提出了一个新的元学习增强下一个感兴趣点（POI）推荐框架（MERec），并通过实验证实了其优越性。

    Aug, 2023

  • 基于用户偏好的旅行目的地优化推荐

    研究在 Booking.com 上为用户推荐旅游目的地的算法性能，发现基于朴素贝叶斯模型的推荐算法相较于随机推荐和最流行推荐，在实时用户 A/B 测试中实现了显著用户参与度的提升。

    Jun, 2015