论文部分内容阅读
伴随着旅游业在国内外的蓬勃发展，信息化等技术被引入到旅游领域，越来越多的游客开始通过在线旅游网站选择游玩的景点。然而，旅游网站中浩如烟海的数据使得游客面临信息过载问题，游客往往需要耗费大量的时间精力才能从网站中获取到需要的信息。为了缓解游客面临的信息过载问题，旅游推荐系统通过对历史数据的分析和挖掘，为游客提供个性化景点推荐服务，目前已经成为了各大旅游网站的重要组成部分。
已有研究表明，游客的年龄、职业、收入等因素，以及季节、天气和地理位置等情境因素的改变往往会导致游客偏好发生显著变化。同时，相比于商品、电影和音乐等领域，旅游领域具有严重的数据稀疏性特征，这增加了捕捉游客偏好漂移的难度。因此，本文在考虑旅游领域数据稀疏性的基础上，借助于静态旅游景点推荐模型得到的游客偏好，通过对游客偏好漂移的预测，构建能够捕捉游客偏好漂移的动态旅游景点推荐模型，使得推荐结果更加符合游客偏好，提高旅游推荐系统的精确度。
在静态旅游景点推荐模型的研究中，本文首先研究了景点的季节流行度和距离对游客评分的影响，并通过对这两个因素的量化，构建了考虑情境因素的旅游景点推荐模型。在此基础上，本文根据游客评分数据对从 LDA 模型中得到的景点主题分布矩阵进行优化，使得构建的静态旅游景点推荐模型（Static-ARS）能够在保证解释能力的基础上对预测精度进行提升，实现推荐模型整体性能的最优。
在动态旅游景点推荐模型的研究中，本文首先在Static-ARS模型的基础上，通过对模型参数的增量学习，构建能够对参数进行快速更新的增量旅游景点推荐模型。之后，本文在对游客偏好漂移进行量化的基础上，从相似邻居漂移和整体潮流漂移的角度对游客在主题偏好、季节流行度偏好、距离偏好和游客偏见上的漂移进行预测，构建动态旅游景点推荐模型（Dynamic-ARS）。
为了验证本文提出的 Dynamic-ARS 模型的性能，本文基于从全球知名的旅游网站TripAdvisor.com上爬取的数据进行实验与分析。实验结果表明，相比于静态旅游景点推荐模型Static-ARS，Dynamic-ARS模型借助于对游客偏好漂移的捕捉，实现了预测精度的显著提高。同时，相比于9个常用的基准模型，Dynamic-ARS模型在21个测试集上均取得了最高的预测精度。
已有研究表明，游客的年龄、职业、收入等因素，以及季节、天气和地理位置等情境因素的改变往往会导致游客偏好发生显著变化。同时，相比于商品、电影和音乐等领域，旅游领域具有严重的数据稀疏性特征，这增加了捕捉游客偏好漂移的难度。因此，本文在考虑旅游领域数据稀疏性的基础上，借助于静态旅游景点推荐模型得到的游客偏好，通过对游客偏好漂移的预测，构建能够捕捉游客偏好漂移的动态旅游景点推荐模型，使得推荐结果更加符合游客偏好，提高旅游推荐系统的精确度。
在静态旅游景点推荐模型的研究中，本文首先研究了景点的季节流行度和距离对游客评分的影响，并通过对这两个因素的量化，构建了考虑情境因素的旅游景点推荐模型。在此基础上，本文根据游客评分数据对从 LDA 模型中得到的景点主题分布矩阵进行优化，使得构建的静态旅游景点推荐模型（Static-ARS）能够在保证解释能力的基础上对预测精度进行提升，实现推荐模型整体性能的最优。
在动态旅游景点推荐模型的研究中，本文首先在Static-ARS模型的基础上，通过对模型参数的增量学习，构建能够对参数进行快速更新的增量旅游景点推荐模型。之后，本文在对游客偏好漂移进行量化的基础上，从相似邻居漂移和整体潮流漂移的角度对游客在主题偏好、季节流行度偏好、距离偏好和游客偏见上的漂移进行预测，构建动态旅游景点推荐模型（Dynamic-ARS）。
为了验证本文提出的 Dynamic-ARS 模型的性能，本文基于从全球知名的旅游网站TripAdvisor.com上爬取的数据进行实验与分析。实验结果表明，相比于静态旅游景点推荐模型Static-ARS，Dynamic-ARS模型借助于对游客偏好漂移的捕捉，实现了预测精度的显著提高。同时，相比于9个常用的基准模型，Dynamic-ARS模型在21个测试集上均取得了最高的预测精度。