基于提示的跨域图谱蒸馏网络在智能旅游推荐中的应用

《Expert Systems with Applications》:Prompt-based Cross-domain Graph Distillation Network for Smart Tourism Recommendation

【字体: 大 中 小 】 时间:2026年04月15日 来源:Expert Systems with Applications 7.5

编辑推荐:

  智能旅游推荐中的跨域知识迁移与噪声抑制问题,本文提出PC-GDN框架,通过单域图注意力净化、轻量级跨域提示生成及双向提示增强蒸馏,有效解决深度图卷积导致的噪声累积和特征稀释问题,实验表明在MRR、Recall和NDCG指标上较11种基线平均提升12.3%、10.8%和11.5%。

  
袁东梅|马晨曦|倪琳娜|徐春波
中国山东省潍坊市潍坊大学,261061

摘要

智能旅游推荐系统(STRs)旨在通过分析用户在多个旅游领域(如酒店、餐饮和景点)的行为序列,提供全面的旅行体验。当前的跨领域序列推荐方法通常在统一的跨领域图上使用深度图卷积来捕捉高阶关系。然而,这些方法引入了两个关键挑战:1)跨领域噪声传播,即特定领域的噪声通过多个卷积层累积,从而降低推荐性能;2)知识传递效率低下,无法保留特定领域的特征,因为统一的传递策略会稀释每个旅游领域的独特模式。为了解决这些问题,我们提出了一种基于提示的跨领域图蒸馏网络(PC-GDN)用于智能旅游推荐。我们的框架包括三个关键组成部分:(1)单领域图净化网络,使用图注意力机制学习无噪声的用户和物品表示;(2)轻量级的提示生成网络,采用单层图卷积生成特定领域的提示,以实现上下文感知的知识传递;(3)提示增强的双向蒸馏框架,促进互补旅游领域之间的高质量知识交换,同时保留它们的独特特征。在两个真实世界的旅游数据集上的广泛实验表明,PC-GDN相比十一个最先进的基线方法取得了显著改进,平均在MRR上提高了12.3%,在召回率上提高了10.8%,在NDCG上提高了11.5%。我们的模型还表现出更高的训练效率和更低的参数复杂性,使其适用于实际应用。数据和源代码可在https://anonymous.4open.science/r/PC-GDN-A6CD获取。

引言

随着技术的进步和旅行者期望的变化,当代旅游已步入智能旅游时代(Acharya & Mohbey, 2025; Alves et al., 2025; Zamiechowska, Neidhardt, & W?rndl, 2025)。这一范式的转变引发了个性化旅游服务需求的激增,产生了大量的用户行为序列数据(Benaddi et al., 2025; Zhuang, Liu, Qi, Shen, & Yin, 2025)。这些数据全面涵盖了访问的景点(Xu, Shen, Jiang, & Wang, 2025a)、餐饮/购物活动(Tachioka, 2025)和酒店预订(Tandon & Banerjee, 2025),形成了丰富的跨领域序列模式。尽管用户数据在不同领域中分散,但这些数据仍然包含了重要的偏好信息。因此,智能旅游推荐(STR)作为一种关键解决方案应运而生,它通过利用用户的跨领域行为序列克服了孤立数据的限制(Partalas, 2025)。其目标是为旅行者在多个领域生成个性化推荐,包括酒店、餐饮和景点,从而显著提升旅行体验(如图1所示)。
然而,STR面临的挑战超出了普通的跨领域序列推荐(CSR)(Ju et al., 2025; Toh, Huang, & Chen, 2025; Xu, Chen, Pan, & Ming, 2025c)。来自不同旅游领域的数据通常具有显著的语义差异(Zamiechowska et al., 2025),用户行为在不同领域之间也表现出强烈的逻辑依赖性(Benaddi et al., 2025)。例如,酒店预订通常会先于并影响附近景点和餐厅的选择。这些复杂的依赖性,加上跨领域信息共享的难度,使得STR成为一个新兴但具有挑战性的任务。
由于智能旅游推荐(STR)是一个新兴课题,目前只有少数研究提出,例如CMAAN(Zhuang et al., 2025)、SECTS(Acharya & Mohbey, 2025)和TCKT(He et al., 2025)。这些方法成功整合了跨领域行为以丰富用户画像。然而,它们仅关注领域间的知识传递,未能考虑跨领域序列内的序列模式。为此,我们还研究了更为成熟的跨领域序列推荐(CSR)领域(Guo, Wang, Wang, Zhu, & Yin, 2025; Toh et al., 2025; Wang et al., 2025)。智能旅游推荐任务可以被视为旅游领域中CSR的一个特例。
早期对跨领域序列推荐的探索通常集中在RNNs(Ma et al., 2019; Sun et al., 2023)、对比学习(Xu, Chen, Pan, & Ming, 2025b; Xu, Pan, & Ming, 2023)或Transformer(Ju et al., 2025; Lin et al., 2024)上。这些方法促进了不同领域之间的知识共享(Liu et al., 2023)。然而,它们在捕捉复杂的高阶跨领域依赖性方面存在固有局限性。图神经网络(GNNs)在CSR中变得更为突出(Guo et al., 2024; Xu et al., 2025c; Zheng, Su, Liu, & Chen, 2022),它们在模拟复杂关系方面表现出更强的能力。通过构建统一的交互图,基于GNN的CSR方法能够实现彻底的信息传递(Xu et al., 2025c)。尽管有效,现有的基于图的方法在STR任务上仍面临两个限制:
  • 1)
    深度图卷积中的跨领域噪声传播。 传统的基于图的CSR方法在跨领域序列图上进行深度图卷积以捕捉高阶关系(Guo et al., 2024; Xu et al., 2025b)。深度图卷积有助于信息共享,但不可避免地会通过多个卷积层传播特定领域的噪声。Zhang et al.(Zhang, Duan, Guo, Xu, & Wang, 2023)证明,在跨领域环境中,深度图卷积往往会导致性能下降。这在智能旅游推荐(STR)中尤为突出,因为用户行为在不同旅游领域表现出不同的模式和不同的稀疏性。
  • 2)
    在知识传递过程中未能保留特定领域的特征。 现有的跨领域推荐方法难以在保持每个旅游领域独特特征的同时实现有效的知识传递(Ju et al., 2025; Wang et al., 2025)。直接的参数共享或表示对齐往往会导致领域混淆,稀释每个旅游领域内的独特模式。例如,在智能旅游中,用户对酒店的偏好通常具有长期稳定性,而餐饮选择则可能高度变化。这种内在差异使得统一的传递策略不合适。此外,现有方法缺乏调节知识流动的适应机制,这通常会导致知识传递不足或负面效果。
  • 为了解决上述限制,我们提出了一种基于提示的跨领域图蒸馏网络(PC-GDN)用于智能旅游推荐(STR)任务。它能够在保持特定领域特征的同时实现抗噪声的跨领域知识传递。具体来说,我们首先设计了单领域净化网络,这些网络分别在每个旅游领域(如酒店、餐饮、景点)学习用户和物品的净化表示,有效防止了节点表示学习过程中的跨领域噪声污染。然后,我们设计了一个轻量级的跨领域提示生成网络,该网络仅在跨领域图上使用单层图卷积生成特定领域的提示。这些提示作为上下文指导信号,促进了知识传递,避免了与深度图卷积相关的噪声传播问题。此外,我们提出了一个带有跨领域提示的双向知识蒸馏框架,其中来自不同旅游领域的教师-学生网络通过KL散度最小化来交换知识。提示表示在蒸馏过程中自适应地增强了教师和学生的输出,保留了领域特征。
    本文的贡献总结如下:
  • •
    我们提出了基于提示的跨领域图蒸馏网络(PC-GDN),它同时解决了跨领域噪声传播问题,并实现了智能旅游推荐的高质量知识传递。
  • •
    我们设计了带有图注意力机制的
    单领域净化网络
    ,在隔离的旅游领域内学习无噪声的表示,有效防止了表示层面的跨领域噪声污染。
  • •
    我们开发了一个
    轻量级的提示生成网络
    ,使用单层图卷积生成特定领域的提示,实现了高效的知识传递,同时避免了深度图卷积固有的噪声累积问题。
  • •
    我们引入了一个
    带有提示增强的双向蒸馏框架
    ,促进了教师和学生网络之间的高质量知识传递,通过提示指导保留了领域特征。
  • 相关工作

    相关工作

    在本节中,我们仔细回顾了现有的旅游推荐研究。由于智能旅游推荐(STR)是一个新兴课题,相关研究较少,我们还研究了与我们研究最相关的跨领域序列推荐(CSR)方法。

    符号说明

    在智能旅游推荐的背景下,我们定义U={u1, u2, ?, un}表示旅行者集合,IA={I1A, I2A, ?, ImA}表示来自两个互补领域(如酒店和餐饮)的旅游相关物品集合。历史交互序列表示为SA={S1A, S2A, ?, SnA},其中SkA和SkB分别表示旅行者uk在领域A和领域B的行为序列。其他符号在表1中给出。

    问题定义

    给定历史数据

    实验与分析

    在本节中,我们介绍了实验设置,并通过回答以下研究问题(RQs)来分析PC-GDN的性能:
  • •
    RQ1:
    PC-GDN在智能旅游推荐任务上的表现与现有的最先进方法相比如何?
  • •
    RQ2:
    每个核心组件(即单领域净化、提示生成和双向蒸馏)对PC-GDN的整体性能有何贡献?•
    RQ3:
    关键超参数(如蒸馏权重α

    结论

    在本文中,我们提出了PC-GDN,一种基于提示的跨领域图蒸馏网络,用于智能旅游推荐。PC-GDN有效解决了跨领域旅游推荐中的两个长期存在的挑战:跨领域噪声的传播和知识传递过程中特定领域特征的稀释。我们的模型整合了三个精心设计的组件:学习无噪声表示的单领域净化网络、轻量级

    CRediT作者贡献声明

    袁东梅 - 构思、研究、方法论、撰写初稿。马晨曦 - 编码、方法论、撰写初稿。倪琳娜 - 方法论、撰写 - 审稿与编辑、监督。徐春波 - 撰写 - 审稿与编辑、资金获取。

    生成式AI声明

    在准备本工作时,作者使用了[GPT-4]来辅助[语言编辑和校对]。使用该工具后,作者根据需要审查和编辑了内容,并对发表文章的内容负全责。

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号