论文部分内容阅读
个性化旅游服务推荐系统是克服在线旅游服务领域信息过载的重要技术。目前对个性化旅游服务推荐系统的研究还不成熟,主要问题包括:现有的多指标推荐算法预测精度达不到实用的要求,个性化推荐系统的建模技术不能准确全面地描述用户偏好,传统的个性化旅游线路推荐算法不能准确地根据用户需求推荐合适的线路以及无法推荐新的线路等。
针对上述问题,本文重点研究个性化旅游服务推荐系统中的多指标推荐问题,个性化推荐系统中的用户建模,个性化旅游方案选择问题,个性化旅游方案构建问题等。主要贡献与创新点总结如下:
1、研究了多指标评价情况下的推荐算法。以全局邻域模型为基础,提出了一种能够处理多指标评价信息的全局邻域模型。该模型综合全局的打分信息和隐性反馈数据,通过随机梯度下降法学习物品在各个指标上面的相似度,选择相似度最高的前K个邻居参与运算并最终预测用户对物品的打分信息,具有预测准确度高、解释性好,计算复杂度低等优点。
2、针对个性化推荐系统中的用户兴趣建模问题,提出了一种基于向量空间模型的用户建模方法。该方法以向量空间模型为基础,综合利用了用户主动提供的信息、基于内容的信息、用户与物品的交互信息。并通过属性选择算法过滤掉了一些噪声信息,可以准确地描述用户偏好并提供更精确的预测结果,同时还解决了推荐系统的冷启动问题。
3、针对旅游线路的信息过载问题,提出了一种基于用户-景点-线路三部图的个性化旅游方案选择算法。该算法建立用户-景点-线路三部图来描述用户的行为,并对随机行走算法进行了改进。有效地解决了新线路难以推荐的问题。通过对景点的聚类,减小了数据稀疏性对推荐带来的影响并避免了过拟合问题。实验结果表明,该算法提高了归一化折损累积增益(NDCG)8%以上。
4、在个性化自助旅游线路推荐领域,提出了一种基于遗传算法的个性化旅游方案构建算法。该算法以遗传算法为基础,通过适应度函数综合考虑了官方打分、用户偏好、所有用户反馈、时间约束、价格约束、季节适应性、主题匹配度等因素,解决了个性化的景点选择问题;通过统计的方式确定了景点之间的游览次序和游览时间;利用基于多指标推荐的全局邻域模型解决了餐饮和住宿的推荐问题。同时由于该算法只利用用户与线路的交互数据进行推荐,不需要专家知识,降低了使用的门槛。