模型训练及旅游产品推荐方法、装置、设备及存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种模型训练及旅游产品推荐方法、装置、设备及存储介质。


背景技术：

2.在线旅游(online travel agency,ota)服务平台旨在通过互联网提供国内外交通、酒店、餐饮、景区门票、目的地玩法相关的产品和旅游周边服务。随着互联网数据的爆炸式增长，消费者规划旅行行程的成本越来越高，因此基于大数据和ai技术的个性化旅游商品推荐成为降低信息过载的一种解决方案，在促成用户订单转化方面的重要程度日趋显著。
3.需要说明的是，上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

4.针对现有技术中的问题，本发明的目的在于提供模型训练及旅游产品推荐方法、装置、设备及存储介质，克服了现有技术的困难，能够提升ota系统的用户体验度。
5.本公开实施例提供一种模型训练方法，其包括：
6.获取基于线路节点与产品节点构建的第一知识图谱，线路节点与产品节点之间的边表征用户对产品节点的用户意图；
7.获取基于产品节点与卖点节点构建的第二知识图谱，产品节点与卖点节点之间的边表征卖点类型；
8.利用第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件。
9.可选地，图神经网络包括第一特征提取层、第二特征提取层及第三特征提取层；利用第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件，包括：
10.利用第一特征提取层对第一知识图谱及第二知识图谱提取用户意图关于卖点类型的第一特征向量，以及线路节点关于产品节点的第二特征向量；
11.利用第二特征提取层对第二知识图谱提取线路节点关于产品节点及卖点类型的第三特征向量；
12.利用第一特征向量预测用户对线路节点的第一交互概率，并利用第二特征向量和第三特征向量预测线路节点与产品节点的第二交互概率；
13.利用第一交互概率和第二交互概率计算损失函数，并利用损失函数对图神经网络的网络参数进行调整。
14.可选地，图神经网络还包括第四特征提取层；利用第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件，还包括：
15.利用第二特征提取层提取卖点节点关于卖点类型的第四特征向量；
16.利用第四特征提取层对第四特征向量提取线路节点关于卖点节点特征的第五特
征向量；
17.利用第五特征向量预测线路节点与卖点节点的第三交互概率；
18.利用第一交互概率和第二交互概率计算损失函数，并利用损失函数对图神经网络的网络参数进行调整，包括：
19.利用第一交互概率、第二交互概率和第三交互概率计算损失函数，并利用损失函数对图神经网络的网络参数进行调整。
20.可选地，图神经网络包括多层堆叠设置的第一聚合层及多层堆叠设置的第二聚合层。
21.可选地，采用如下步骤构建第一知识图谱：
22.获取根据用户交互行为生成的历史线路产品信息，并利用历史线路产品信息构建基于线路标识与产品标识之间对应关系的正样本；
23.利用正样本构造第一知识图谱，其中线路标识作为线路节点，产品标识作为产品节点，用户交互行为表征用户意图。
24.可选地，采用如下步骤构建第二知识图谱：
25.使用产品标识在旅游知识图谱中查询关联卖点信息，并生成包含产品标识、卖点类型及卖点标识的三元组数据，使用三元组数据构建第二知识图谱，产品标识作为产品节点，卖点标识作为卖点节点。
26.本公开实施例还提供一种旅游产品推荐方法，其包括：
27.获取用户的线路查询请求，并从线路查询请求中解析线路标识；
28.将线路标识输入图神经网络，输出旅游产品推荐信息及旅游产品的卖点推荐信息；
29.向用户反馈旅游产品推荐信息及旅游产品的卖点推荐信息；
30.其中，图神经网络是使用第一知识图谱与第二知识图谱训练得到的，第一知识图谱是基于线路节点与产品节点构建得到的，线路节点与产品节点之间的边表征用户对产品节点的用户意图，第二知识图谱是基于产品节点与卖点节点构建得到的，产品节点与卖点节点之间的边表征卖点类型。
31.本公开实施例还提供一种模型训练装置，其包括：
32.第一获取模块，获取基于线路节点与产品节点构建的第一知识图谱，线路节点与产品节点之间的边表征用户对产品节点的用户意图；
33.第二获取模块，获取基于产品节点与卖点节点构建的第二知识图谱，产品节点与卖点节点之间的边表征卖点类型；
34.训练模块，利用第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件。
35.本公开实施例还提供一种旅游产品推荐装置，其包括：
36.第三获取模块，获取用户的线路查询请求，并从线路查询请求中解析线路标识；
37.预测模块，将线路标识输入图神经网络，输出旅游产品推荐信息及旅游产品的卖点推荐信息；
38.推荐模块，向用户反馈旅游产品推荐信息及旅游产品的卖点推荐信息；
39.其中，图神经网络是使用第一知识图谱与第二知识图谱训练得到的，第一知识图
谱是基于线路节点与产品节点构建得到的，线路节点与产品节点之间的边表征用户对产品节点的用户意图，第二知识图谱是基于产品节点与卖点节点构建得到的，产品节点与卖点节点之间的边表征卖点类型。
40.本发明的实施例还提供一种电子设备，包括：
41.处理器；
42.存储器，其中存储有处理器的可执行指令；
43.其中，处理器配置为经由执行可执行指令来执行上述模型训练方法或旅游产品推荐方法的步骤。
44.本发明的实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现上述模型训练方法或旅游产品推荐方法的步骤。
45.本发明的模型训练及旅游产品推荐方法、装置、设备及存储介质，能够通过获取基于线路节点与产品节点构建的第一知识图谱，线路节点与产品节点之间的边表征用户对产品节点的用户意图，获取基于产品节点与卖点节点构建的第二知识图谱，产品节点与卖点节点之间的边表征卖点类型，利用第一知识图谱和第二知识图谱，图神经网络学习线路关于产品及卖点的得分。这样，在应用阶段，当接收到用户要查询的线路标识时，利用该线路标识获取得分最高或得分排名在前的产品及其卖点，推荐给用户。因此，使用知识图谱能够更好地学习线路关于产品及卖点的特征，改善传统协同过滤算法的效果，提升ota系统的查询精确度，改善ota平台用户的搜索体验，降低客户安排行程的成本，提升用户下单率。
附图说明
46.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
47.图1展示本公开实施例的模型训练方法的流程图。
48.图2展示本公开实施例的第一知识图谱和第二知识图谱的示意图。
49.图3是本公开实施例的旅游产品推荐方法的流程图。
50.图4是本公开实施例的模型训练装置的结构示意图。
51.图5是本公开实施例的旅游产品推荐装置的结构示意图。
52.图6是本发明的电子设备的结构示意图。以及
53.图7是本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
54.以下通过特定的具体实例说明本技术的实施方式，本领域技术人员可由本技术所揭露的内容轻易地了解本技术的其他优点与功效。本技术还可以通过另外不同的具体实施方式加以实施或应用系统，本技术中的各项细节也可以根据不同观点与应用系统，在没有背离本技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
55.下面以附图为参考，针对本技术的实施例进行详细说明，以便本技术所属技术领域的技术人员能够容易地实施。本技术可以以多种不同形态体现，并不限定于此处说明的实施例。
56.在相关技术中，尽管产品内容呈现多样性与丰富性，但同一旅游目的地下的产品按行程途径地通常可归纳为较为固定的线路集合。对热门线路及线路下产品特色的展示是一种在搜索阶段引导用户选择、降低召回复杂度的主要方式，有利于建模客户兴趣、习惯和偏好。
57.在相关技术中，使用基于协同过滤的推荐模型为用户推荐旅游产品，具体地，使用用户(user)与项目(item)的历史交互记录建模用户与旅游产品的特征，如用户点击、收藏、下单等行为，而在线路与产品联动的业务场景下，线路与产品之间不存在用户行为的特征信息。
58.本公开实施例对相关技术进行改进，认为真实用户对相关线路a下的产品b的操作视作a与b产生的交互，这样便能从用户对旅游产品的操作行为中过滤出线路对产品的正反馈数据。
59.本公开实施例提出基于知识图谱和图神经网络的旅游产品推荐方法。知识图谱作为一种语义网络，拥有极强的表达能力和建模灵活性，能准确描述真实世界中存在的实体及实体间关系。本案将产品、卖点看作不同类型的实体，一个产品拥有多个卖点可看作该产品节点与这些卖点节点之间分别存在一条边，而不同的产品可能共享部分卖点，因此知识图谱中产品—卖点—产品的旅游路径蕴含了不同产品之间的潜在相似性。
60.因此，使用旅游产品知识图谱可以为旅游产品的推荐提供丰富的语义信息与可解释性，更好地学习线路与产品特征，改善传统协同过滤算法的效果，提升ota系统的查询精确度及用户体验度。
61.图1展示本公开实施例提供的模型训练方法的流程图，如图1所示，本方法包括但不限于如下步骤：
62.步骤110：获取基于线路节点与产品节点构建的第一知识图谱，线路节点与产品节点之间的边表征用户对产品节点的用户意图；
63.步骤120：获取基于产品节点与卖点节点构建的第二知识图谱，产品节点与卖点节点之间的边表征卖点类型；
64.步骤130：利用第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件。
65.在本公开实施例中，线路是指旅游线路，产品是指旅游产品，在一条旅游线路中可以包含一条或多条旅游产品。第一知识图谱描述线路与产品之间的关联性，并通过线路节点与产品节点之间的边描述用户选择线路及产品的用户意图。第二知识图谱描述产品及其卖点之间的关联性，并通过产品节点与卖点节点之间的边描述卖点类型。
66.利用第一知识图谱和第二知识图谱训练图神经网络，在训练过程中，第一知识图谱和第二知识图谱可以分别输入图神经网络，也可以通过产品节点将第一知识图谱和第二知识图谱连接在一起输入图神经网络。通过训练图神经网络，图神经网络学习线路关于产品及卖点的得分。在应用阶段，当接收到用户要查询的线路标识时，利用该线路标识获取得分最高或得分排名在前的产品及其卖点，推荐给用户。因此，使用知识图谱能够更好地学习线路关于产品及卖点的特征，改善传统协同过滤算法的效果，提升ota系统的查询精确度，改善ota平台用户的搜索体验，降低客户安排行程的成本，提升用户下单率。
67.在本公开实施例中，如图2所示，第一知识图谱ig可通过如下方式构建得到：
68.获取根据用户交互行为生成的历史线路产品信息，并利用历史线路产品信息构建基于线路标识与产品标识之间对应关系的正样本；
69.利用正样本构造第一知识图谱ig，其中线路标识作为线路节点，产品标识作为产品节点，而用户交互行为表征用户意图。
70.具体地，对用户行为表和线路产品表做连接查询，获取过去一定时期内用户在线路下点击过的产品信息，生成《线路id，产品id》对的正样本，按8:2划分为训练集和测试集，同时为训练集每条样本中的线路随机采样一个产品构造负样本。利用该训练集的正样本构造第一知识图谱ig，其中线路节点与产品节点均为图谱中的节点，使用线路id表征线路节点，使用产品id表征产品节点，并将线路id与产品id之间的边设置为用户意图。
71.在本公开实施例中，如图2所示，第二知识图谱kg可通过如下步骤构建得到：
72.使用产品标识在旅游知识图谱中查询关联卖点信息，并生成包含产品标识、卖点类型及卖点标识的三元组数据，使用三元组数据构建第二知识图谱kg。
73.具体地，使用产品id在旅游知识图谱中查询关联的卖点信息，生成《产品id，卖点类型，卖点id》三元组数据，这里卖点类型即为两者之间的关系类型，包括吃、住、行、游、购、优惠等，然后使用该三元组数据构建第二知识图谱。
74.在本公开实施例中，图神经网络包括第一特征提取层、第二特征提取层及第三特征提取层；利用第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件，包括：
75.利用第一特征提取层对第一知识图谱及第二知识图谱提取用户意图关于卖点类型的第一特征向量，以及线路节点关于产品节点的第二特征向量；
76.利用第二特征提取层对第二知识图谱提取线路节点关于产品节点及卖点类型的第三特征向量；
77.利用第一特征向量预测用户对线路节点的第一交互概率，并利用第二特征向量和第三特征向量预测线路节点与产品节点的第二交互概率；
78.利用第一交互概率和第二交互概率计算损失函数，并利用损失函数对图神经网络的网络参数进行调整。
79.本实施例通过构建包含线路、产品、卖点的知识图谱，然后在第一知识图谱和第二知识图谱上使用图神经网络建模线路背后的潜在用户意图。该方法在kgin(learning intents behind interactions with knowledge graph for recommendation)的基础上，进一步将线路特征表示为卖点特征的聚合，因此可以学习到产品及卖点对不同线路的重要程度。
80.具体地，通过对用户意图进行分解构建第一特征提取层。
81.该部分与kgi n中第一知识图谱ig(intent graph)类似，在学习线路表示时，认为线路与产品的交互是由线路背后的潜在用户意图所驱动。用户意图是对用户行为模式的抽象，这里我们将用户意图定义为用户对第二知识图谱中不同卖点类型的关注程度，例如，有的用户点击线路下的产品a可能是由于他更偏好产品a包含的酒店品牌，有的用户点击产品b可能是他更侧重当地的特色美食。假设线路背后的用户意图集合为将每对线路-产品交互记录(u，i)分解为获得线路-意图-产品交互图，即第一知识图谱ig，
我们将用户意图的隐向量e
p
表示为对第二知识图谱中不同卖点类型向量的加权平均
[0082][0083]
这里，u表示线路，i表征产品，表示卖点类型的集合，er为卖点类型r的标识id嵌入向量，其对应的注意得分α(r，p)量化了该卖点类型对于用户意图p的重要性，计算方式如下：
[0084][0085]
其中，w
rp
为连接意图p与关系r的可训练的神经网络权重参数。
[0086]
不同用户意图蕴含关于用户偏好的不同信息，如果一个用户意图可以被其它意图表示，或者可以从其它意图中推断出来，那么就会造成意图的冗余。为确保不同用户意图之间的独立性，我们使用两两意图之间的互信息作为模型学习的正则化项，即
[0087][0088]
s(
·
)用于计算两个意图之间相似度，这里选择余弦相似函数，τ是一个对意图相似得分进行缩放的超参数，通常被称为温度系数。极小化该损失可以促使模型学习到差异化的用户意图。
[0089]
在该训练过程中，或其他值。
[0090]
进一步地，使用图神经网络在第一知识图谱ig和第二知识图谱kg上分别进行消息传递和规约，获取线路和产品表示，以下记ig上的交互为记第二知识图谱kg上的全体三元组为
[0091]
对于第二特征提取层，也叫ig聚合层，由于在ig中线路-产品交互被分解为细粒度的线路-意图-产品交互，根据协同过滤的思想，用户意图相似的线路下被点击的产品集也应该相似。考虑ig中的线路u，假设应该相似。考虑ig中的线路u，假设表示意图感知的线路交互历史，同时也作为线路u的一阶邻居，采用以下方式聚合来自历史产品的意图感知信息：
[0092][0093]
其中，是进行一阶聚合后的线路u的隐向量，为线路u和产品i初始化的id嵌入向量，f
ig
为聚合函数，表达式如下：
[0094][0095]
这里引入了注意力得分函数β计算用户意图p对线路u的重要程度：
[0096][0097]
对于第三特征提取层，也叫kg聚合层，在第二知识图谱中，一个实体可以作为多个知识三元组的头节点，这些三元组的尾节点则代表了该实体对应不同卖点类型关系的一阶邻居，例如，(产品1，吃，网红烤鱼)，(产品1，住，傲图格)。假设表示产品i邻域，则关系感知的信息聚合方式为
[0098][0099]
其中，是进行一阶聚合后的产品i的隐向量，为产品i和卖点v初始化的id嵌入向量，f
kg
为聚合函数，表达式如下：
[0100][0101]
类似地，采用该公式聚合卖点类型节点的关系邻域可以获得图谱中所有卖点的表征
[0102]
在构造图神经网络模型时，堆叠多层如上第二特征提取层和第二特征提取层来递归地聚合线路和产品在图上的高阶邻居，可以获得抽象程度更高的特征，假设使用了l层网络：
[0103][0104][0105]
这里表示捕获了l-1跳邻居传递的关系信号的线路和产品表示。受益于对关系的建模，在多跳传播中关系路径的整体语义结构都被编码至高层网络输出中，有利于模型更好地学习线路和产品特征。
[0106]
假设经过l层聚合，我们得到线路u和产品i的最终表示如下：
[0107][0108][0109]
通过内积操作计算线路u有多大可能性与产品i产生交互：
[0110][0111]
在本公开实施例中，图神经网络还包括第四特征提取层；利用第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件，还包括：
[0112]
利用第二特征提取层提取卖点节点关于卖点类型的第四特征向量；
[0113]
利用第四特征提取层对第四特征向量提取线路节点关于卖点节点特征的第五特征向量；
[0114]
利用第五特征向量预测线路节点与卖点节点的第三交互概率；
[0115]
利用第一交互概率和第二交互概率计算损失函数，并利用损失函数对图神经网络的网络参数进行调整，包括：
[0116]
利用第一交互概率、第二交互概率和第三交互概率计算损失函数，并利用损失函数对图神经网络的网络参数进行调整。
[0117]
本实施例设置第四特征提取层，用于获得线路下卖点的重要性得分，基本思想为将线路表示为所有卖点特征的加权求和，并使用注意力机制计算卖点权重。假设卖点集为经过l层消息传递后，卖点v最终隐向量为按下式计算线路u的隐向量
[0118][0119]
w，b为投影层的权重矩阵和偏置，γ(
·
)为一个加性注意力网络：
[0120][0121][0122]
其中，w
iu
，w
iv
，bi，wo，bo为注意力网络的参数。我们期望聚合卖点得到的线路特征能尽可能拟合图神经网络输出的线路特征因此极小化二者之间的距离：
[0123][0124]
针对线路-产品交互数据，使用bpr损失函数拟合，即对于给定线路u，该线路下用户点击过的产品i应该被赋予比未点击过的产品j更高的分数，即
[0125][0126]
其中是包含了观测到的交互集和未测到的部分ρ(
·
)为sigmoid激活函数。结合bpr损失和独立性损失以及上述重构损失得到
[0127][0128]
其中，α1，α2是控制各部分损失比重的超参数。
[0129]
在本公开实施例中，训练集除了正样本之外，还为训练集每条正样本的线路随机采样一个样品构造负样本。本实施例设置模型隐向量维数为d＝64或其他数值，层数l＝2或其他数值，独立性损失因子α1＝1e-3
，重构损失因子α2＝5e-3
，搭建图神经网络。
[0130]
对于每批量训练数据中的线路id和产品id，进行embedding lookup操作后，将得到的特征张量输入模型，计算上述损失
[0131]
具体地，采用adamw优化算法极小化损失函数，设置学习率α2＝5e-4
，不断迭代更新模型参数直至收敛。
[0132]
在本实施例中，训练停止条件为达到预设迭代次数或模型结果达到目标值。
[0133]
本公开实施例提出的基于知识图谱和图神经网络的旅游线路下产品卖点排序模型，在kgin框架基础之上使用产品卖点重构线路表示，不仅能计算产品在特定线路下的得分，同时可以获得不同卖点对于线路的重要程度，提供辅助客户进行快筛的依据。实验结果显示top20命中率较原框架提升7.1％，top20召回率提升2.7％。
[0134]
图3展示本公开实施例提供的旅游产品推荐方法的流程图，如图3所示，该旅游产品推荐方法可包括但不限于如下步骤：
[0135]
步骤310：获取用户的线路查询请求，并从线路查询请求中解析线路标识；
[0136]
步骤320：将线路标识输入图神经网络，输出旅游产品推荐信息及旅游产品的卖点推荐信息；
[0137]
步骤330：向用户反馈旅游产品推荐信息及旅游产品的卖点推荐信息；
[0138]
其中，图神经网络是使用第一知识图谱与第二知识图谱训练得到的，第一知识图谱是基于线路节点与产品节点构建得到的，线路节点与产品节点之间的边表征用户对产品节点的用户意图，第二知识图谱是基于产品节点与卖点节点构建得到的，产品节点与卖点节点之间的边表征卖点类型。
[0139]
使用图1所示方法训练得到的图神经网络，图神经网络学习线路关于产品及卖点的得分。在应用阶段，当接收到用户要查询的线路标识时，利用该线路标识获取得分最高或得分排名在前的产品及其卖点，推荐给用户。因此，使用知识图谱能够更好地学习线路关于产品及卖点的特征，改善传统协同过滤算法的效果，提升ota系统的查询精确度，改善ota平台用户的搜索体验，降低客户安排行程的成本，提升用户下单率。
[0140]
在本公开实施例中，根据上述训练方法得到各线路、产品、卖点的特征计算并缓存线路与产品的相似度线路关于卖点的注意力得分
[0141]
用户选择线路u时，按注意力得分从高到低对产品卖点排序，返回分数最高的top-k卖点，按相似度从高到低对产品排序，返回分数最高的top-n产品。
[0142]
图4是本发明的模型训练装置的结构示意图。如图4所示，本发明的模型训练装置400，包括：
[0143]
第一获取模块410，获取基于线路节点与产品节点构建的第一知识图谱，线路节点与产品节点之间的边表征用户对产品节点的用户意图；
[0144]
第二获取模块420，获取基于产品节点与卖点节点构建的第二知识图谱，产品节点与卖点节点之间的边表征卖点类型；
[0145]
训练模块430，利用第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件。
[0146]
在可选实施例中，图神经网络包括第一特征提取层、第二特征提取层及第三特征提取层；训练模块430具体用于：
[0147]
利用第一特征提取层对第一知识图谱及第二知识图谱提取用户意图关于卖点类型的第一特征向量，以及线路节点关于产品节点的第二特征向量；
[0148]
利用第二特征提取层对第二知识图谱提取线路节点关于产品节点及卖点类型的
第三特征向量；
[0149]
利用第一特征向量预测用户对线路节点的第一交互概率，并利用第二特征向量和第三特征向量预测线路节点与产品节点的第二交互概率；
[0150]
利用第一交互概率和第二交互概率计算损失函数，并利用损失函数对图神经网络的网络参数进行调整。
[0151]
在可选实施例中，图神经网络还包括第四特征提取层；训练模块430具体还用于：
[0152]
利用第二特征提取层提取卖点节点关于卖点类型的第四特征向量；
[0153]
利用第四特征提取层对第四特征向量提取线路节点关于卖点节点特征的第五特征向量；
[0154]
利用第五特征向量预测线路节点与卖点节点的第三交互概率；
[0155]
利用第一交互概率、第二交互概率和第三交互概率计算损失函数，并利用损失函数对图神经网络的网络参数进行调整。
[0156]
在可选实施例中，图神经网络包括多层堆叠设置的第一聚合层及多层堆叠设置的第二聚合层。
[0157]
在可选实施例中，第一获取模块410采用如下步骤构建第一知识图谱：
[0158]
获取根据用户交互行为生成的历史线路产品信息，并利用历史线路产品信息构建基于线路标识与产品标识之间对应关系的正样本；
[0159]
利用正样本构造第一知识图谱，其中线路标识作为线路节点，产品标识作为产品节点，用户交互行为表征用户意图。
[0160]
在可选实施例中，第二获取模块420采用如下步骤构建第二知识图谱：
[0161]
使用产品标识在旅游知识图谱中查询关联卖点信息，并生成包含产品标识、卖点类型及卖点标识的三元组数据，使用三元组数据构建第二知识图谱，产品标识作为产品节点，卖点标识作为卖点节点。
[0162]
本公开实施例的模型训练装置，通过训练图神经网络，图神经网络学习线路关于产品及卖点的得分。在应用阶段，当接收到用户要查询的线路标识时，利用该线路标识获取得分最高或得分排名在前的产品及其卖点，推荐给用户。因此，使用知识图谱能够更好地学习线路关于产品及卖点的特征，改善传统协同过滤算法的效果，提升ota系统的查询精确度，改善ota平台用户的搜索体验，降低客户安排行程的成本，提升用户下单率。
[0163]
图5是本发明的旅游产品推荐装置的结构示意图。如图5所示，本发明的旅游产品推荐装置500，包括：
[0164]
第三获取模块510，获取用户的线路查询请求，并从线路查询请求中解析线路标识；
[0165]
预测模块520，将线路标识输入图神经网络，输出旅游产品推荐信息及旅游产品的卖点推荐信息；
[0166]
推荐模块530，向用户反馈旅游产品推荐信息及旅游产品的卖点推荐信息；
[0167]
其中，图神经网络是使用第一知识图谱与第二知识图谱训练得到的，第一知识图谱是基于线路节点与产品节点构建得到的，线路节点与产品节点之间的边表征用户对产品节点的用户意图，第二知识图谱是基于产品节点与卖点节点构建得到的，产品节点与卖点节点之间的边表征卖点类型。
[0168]
通过训练，图神经网络学习线路关于产品及卖点的得分。在应用阶段，当接收到用户要查询的线路标识时，利用该线路标识获取得分最高或得分排名在前的产品及其卖点，推荐给用户。因此，使用知识图谱能够更好地学习线路关于产品及卖点的特征，改善传统协同过滤算法的效果，提升ota系统的查询精确度，改善ota平台用户的搜索体验，降低客户安排行程的成本，提升用户下单率。
[0169]
本发明实施例还提供一种电子设备，包括处理器。存储器，其中存储有处理器的可执行指令。其中，处理器配置为经由执行可执行指令来执行的模型训练方法或旅游产品推荐方法的步骤。
[0170]
如上，本发明的电子设备通过训练图神经网络，图神经网络学习线路关于产品及卖点的得分。在应用阶段，当接收到用户要查询的线路标识时，利用该线路标识获取得分最高或得分排名在前的产品及其卖点，推荐给用户。因此，使用知识图谱能够更好地学习线路关于产品及卖点的特征，改善传统协同过滤算法的效果，提升ota系统的查询精确度，改善ota平台用户的搜索体验，降低客户安排行程的成本，提升用户下单率。
[0171]
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
[0172]
图6是本发明电子设备的结构示意图。下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0173]
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
[0174]
其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书模型训练方法或旅游产品推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1或图3中所示的步骤。
[0175]
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(rom)623。
[0176]
存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0177]
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0178]
电子设备600也可以与一个或多个外部设备60(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例
如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。
[0179]
本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的模型训练方法或旅游产品推荐方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述模型训练方法或旅游产品推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。
[0180]
如上所示，该实施例的计算机可读存储介质的程序在执行时，能够通过训练图神经网络，图神经网络学习线路关于产品及卖点的得分。在应用阶段，当接收到用户要查询的线路标识时，利用该线路标识获取得分最高或得分排名在前的产品及其卖点，推荐给用户。因此，使用知识图谱能够更好地学习线路关于产品及卖点的特征，改善传统协同过滤算法的效果，提升ota系统的查询精确度，改善ota平台用户的搜索体验，降低客户安排行程的成本，提升用户下单率。
[0181]
图7是本发明的计算机可读存储介质的结构示意图。参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0182]
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0183]
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0184]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程序程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商
来通过因特网连接)。
[0185]
综上，本发明的模型训练及旅游产品推荐方法、装置、设备及存储介质，能够通过训练图神经网络，图神经网络学习线路关于产品及卖点的得分。在应用阶段，当接收到用户要查询的线路标识时，利用该线路标识获取得分最高或得分排名在前的产品及其卖点，推荐给用户。因此，使用知识图谱能够更好地学习线路关于产品及卖点的特征，改善传统协同过滤算法的效果，提升ota系统的查询精确度，改善ota平台用户的搜索体验，降低客户安排行程的成本，提升用户下单率。
[0186]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

技术特征：
1.一种模型训练方法，其特征在于，包括：获取基于线路节点与产品节点构建的第一知识图谱，所述线路节点与产品节点之间的边表征用户对所述产品节点的用户意图；获取基于产品节点与卖点节点构建的第二知识图谱，所述产品节点与卖点节点之间的边表征卖点类型；利用所述第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件。2.根据权利要求1所述的模型训练方法，其特征在于，所述图神经网络包括第一特征提取层、第二特征提取层及第三特征提取层；所述利用所述第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件，包括：利用所述第一特征提取层对所述第一知识图谱及第二知识图谱提取所述用户意图关于卖点类型的第一特征向量，以及所述线路节点关于产品节点的第二特征向量；利用所述第二特征提取层对所述第二知识图谱提取所述线路节点关于产品节点及卖点类型的第三特征向量；利用所述第一特征向量预测所述用户对线路节点的第一交互概率，并利用所述第二特征向量和第三特征向量预测所述线路节点与产品节点的第二交互概率；利用所述第一交互概率和第二交互概率计算损失函数，并利用所述损失函数对所述图神经网络的网络参数进行调整。3.根据权利要求2所述的模型训练方法，其特征在于，所述图神经网络还包括第四特征提取层；所述利用所述第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件，还包括：利用所述第二特征提取层提取所述卖点节点关于所述卖点类型的第四特征向量；利用所述第四特征提取层对所述第四特征向量提取所述线路节点关于卖点节点特征的第五特征向量；利用所述第五特征向量预测所述线路节点与卖点节点的第三交互概率；利用所述第一交互概率和第二交互概率计算损失函数，并利用所述损失函数对所述图神经网络的网络参数进行调整，包括：利用所述第一交互概率、第二交互概率和第三交互概率计算损失函数，并利用所述损失函数对所述图神经网络的网络参数进行调整。4.根据权利要求2所述的模型训练方法，其特征在于，所述图神经网络包括多层堆叠设置的所述第二特征提取层及多层堆叠设置的所述第三特征提取层。5.根据权利要求1所述的模型训练方法，其特征在于，采用如下步骤构建所述第一知识图谱：获取根据用户交互行为生成的历史线路产品信息，并利用所述历史线路产品信息构建基于线路标识与产品标识之间对应关系的正样本；利用所述正样本构造所述第一知识图谱，其中所述线路标识作为所述线路节点，所述产品标识作为所述产品节点，所述用户交互行为表征所述用户意图。6.根据权利要求1所述的模型训练方法，其特征在于，采用如下步骤构建所述第二知识图谱：使用产品标识在旅游知识图谱中查询关联卖点信息，并生成包含产品标识、卖点类型
及卖点标识的三元组数据，使用所述三元组数据构建所述第二知识图谱，所述产品标识作为所述产品节点，所述卖点标识作为所述卖点节点。7.一种旅游产品推荐方法，其特征在于，包括：获取用户的线路查询请求，并从所述线路查询请求中解析线路标识；将所述线路标识输入图神经网络，输出旅游产品推荐信息及所述旅游产品的卖点推荐信息；向所述用户反馈所述旅游产品推荐信息及所述旅游产品的卖点推荐信息；其中，所述图神经网络是使用第一知识图谱与第二知识图谱训练得到的，所述第一知识图谱是基于线路节点与产品节点构建得到的，所述线路节点与产品节点之间的边表征用户对所述产品节点的用户意图，所述第二知识图谱是基于产品节点与卖点节点构建得到的，所述产品节点与卖点节点之间的边表征卖点类型。8.一种模型训练装置，其特征在于，包括：第一获取模块，获取基于线路节点与产品节点构建的第一知识图谱，所述线路节点与产品节点之间的边表征用户对所述产品节点的用户意图；第二获取模块，获取基于产品节点与卖点节点构建的第二知识图谱，所述产品节点与卖点节点之间的边表征卖点类型；训练模块，利用所述第一知识图谱和第二知识图谱训练图神经网络，直到达到训练停止条件。9.一种旅游产品推荐装置，其特征在于，包括：第三获取模块，获取用户的线路查询请求，并从所述线路查询请求中解析线路标识；预测模块，将所述线路标识输入图神经网络，输出旅游产品推荐信息及所述旅游产品的卖点推荐信息；推荐模块，向所述用户反馈所述旅游产品推荐信息及所述旅游产品的卖点推荐信息；其中，所述图神经网络是使用第一知识图谱与第二知识图谱训练得到的，所述第一知识图谱是基于线路节点与产品节点构建得到的，所述线路节点与产品节点之间的边表征用户对所述产品节点的用户意图，所述第二知识图谱是基于产品节点与卖点节点构建得到的，所述产品节点与卖点节点之间的边表征卖点类型。10.一种电子设备，其特征在于，包括：处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至6中任一项所述的模型训练方法、或权利要求7所述的旅游产品推荐方法的步骤。11.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至6中任一项所述的模型训练方法、或权利要求7所述的旅游产品推荐方法的步骤。

技术总结
本发明提供了模型训练及旅游产品推荐方法、装置、设备及存储介质，能够通过获取基于线路节点与产品节点构建的第一知识图谱，线路节点与产品节点之间的边表征用户对产品节点的用户意图，获取基于产品节点与卖点节点构建的第二知识图谱，产品节点与卖点节点之间的边表征卖点类型。利用第一知识图谱和第二知识图谱训练图神经网络，图神经网络学习线路关于产品及卖点的得分。这样，在应用阶段，利用线路标识获取得分最高或得分排名在前的产品及其卖点，推荐给用户。因此，使用知识图谱能够更好地学习线路关于产品及卖点的特征，改善传统协同过滤算法的效果，提升OTA系统的查询精确度，改善OTA平台用户的搜索体验，提升用户下单率。提升用户下单率。提升用户下单率。


技术研发人员：王子奕 刘嘉伟 鞠剑勋 李健
受保护的技术使用者：上海携旅信息技术有限公司
技术研发日：2023.03.22
技术公布日：2023/7/17