具有多模态融合功能的动态超图网络在文化遗产旅游预测中的应用

《Scientific Reports》：Dynamic hypergraph network with multi modal fusion for cultural heritage tourism prediction

　　

摘要

文化遗产旅游网络分析面临诸多核心挑战，包括动态高阶关联建模、多源异构数据融合以及多维度影响预测。为了解决这些问题，本研究提出了DynHyperNet，这是一种结合了多模态融合和多任务学习的动态超图网络模型。DynHyperNet中的Dynamic HyperGNN模块能够捕捉文化遗产景点、游客和支持服务之间高阶关联的时间演变规律；而基于CLIP的多模态融合模块则融合了遗产景点的视觉和文本特征，以提升节点表示学习的效果。此外，还设计了一个多任务协作框架，用于同时优化满意度预测、路线规划等关键任务。实验结果表明，DynHyperNet在多个评估指标上均优于传统模型：在文化旅游数据集上，其满意度预测准确率为93.76%，高满意度召回率为92.45%，世界文化遗产景点的路线规划优化MAPE值为3.89%。尽管该模型效果显著，但在计算效率和适应稀疏数据场景方面仍存在局限性。未来的研究将重点关注轻量级架构优化、稀疏数据适应性问题以及外部动态因素的整合，以提升模型的实际应用能力。本研究为文化遗产旅游网络的动态分析和智能预测提供了一个新的技术框架，为旅游管理和可持续发展提供了可行的见解。