Please wait a minute...
Advanced Search
数据分析与知识发现  2020, Vol. 4 Issue (5): 92-104     https://doi.org/10.11925/infotech.2096-3467.2019.1080
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于分段用户群与时间上下文的旅游景点推荐模型研究*
郑淞尹,谈国新(),史中超
华中师范大学国家文化产业研究中心 武汉 430079
Recommending Tourism Attractions Based on Segmented User Groups and Time Contexts
Zheng Songyin,Tan Guoxin(),Shi Zhongchao
National Research Center of Cultural Industries, Central China Normal University, Wuhan 430079, China
全文: PDF (1527 KB)   HTML ( 7
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】 为用户提供旅游景点的个性化推荐,解决因旅游信息过载而导致的用户决策效率下降的问题。【方法】 提出基于用户相似度、景点热度和时间上下文的旅游景点个性化推荐算法SPT,并利用从“携程网”获取的真实旅游数据集对比验证了SPT算法和多种传统推荐算法的实际推荐性能。同时本文提出基于“分段用户群”的训练集构建方法,通过实验对比验证了该方法对不同推荐算法性能的影响。【结果】 实验结果表明,SPT算法相较于传统推荐算法在准确率(43.38%)、召回率(61.08%)、覆盖率(64.71%)和流行度(3.832)等指标上均表现出更好的性能。利用基于“分段用户群”的方法进一步提高了景点推荐的准确性和有效性,准确率和召回率分别达到43.75%和61.59%。【局限】 算法无法为新用户寻找相似用户集,为其推荐基于时间的热门景点列表解决冷启动问题;“分段用户群”方法需进一步在多种不同数据集上检验其适用范围和性能。【结论】 所提方法提升了景点推荐效果,有利于提高用户决策效率和满足用户个性化需求。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
郑淞尹
谈国新
史中超
关键词 景点推荐分段用户群时间上下文协同过滤个性化旅游    
Abstract

[Objective] This study tries to provide personalized recommendations for tourists, aiming to improve the low efficiency of user decision-making due to information overload.[Methods] We proposed a new SPT (user Similarity, Popular spot and Time) algorithm, and used real data from Ctrip to compare its recommendation results with traditional algorithms. We also proposed a method to construct training set based on “segmented user groups” and examined its impacts on the recommendation results.[Results] The SPT algorithm yielded better results than traditional recommendation methods in precision, recall, coverage and popularity. The algorithm based on “segmented user groups” further improved the effectiveness of recommendation. The precision and recall of the proposed algorithm reached 43.75% and 61.59%.[Limitations] The algorithm could not find similar users for new users. Our new method requires further testing with more datasets.[Conclusions] The proposed method improves recommendation results of tourism attractions, as well as tourists’ decision-making and personalized services.

Key wordsAttractions Recommendation    Segmented User Groups    Time Contexts    Collaborative Filtering    Personalized Tourism
收稿日期: 2019-09-27      出版日期: 2020-06-15
ZTFLH:  TP391 G35  
基金资助:*本文系华中师范大学中央高校基本科研业务费重大项目“乡村文化旅游资源开发及评估体系构建研究”(CCNU18JCXK06);湖北省科技创新重大项目“大动漫信息平台关键技术研究与开发应用”(2018AAA069);中央高校基本科研业务费创新资助项目“旅游景点个性化推荐技术研究”的研究成果之一(2019CXZZ016)
通讯作者: 谈国新     E-mail: 1252314338@qq.com
引用本文:   
郑淞尹,谈国新,史中超. 基于分段用户群与时间上下文的旅游景点推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(5): 92-104.
Zheng Songyin,Tan Guoxin,Shi Zhongchao. Recommending Tourism Attractions Based on Segmented User Groups and Time Contexts. Data Analysis and Knowledge Discovery, 2020, 4(5): 92-104.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2019.1080      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2020/V4/I5/92
Fig.1  基于分段用户群与时间上下文的旅游景点推荐模型
No. userId attractions content date score
1 奥拉尔维沃宋玉 武汉大学 可以趁櫻花季的時候去看… 2019-07-19 4
2 出去玩呢 武汉大学 武汉大学确实很大… 2019-07-19 4
3 奥拉尔维沃宋玉 武汉大学 春天的櫻花很美很漂亮… 2019-07-19 4
45504 DOSMO 武汉玛雅海滩水公园 亲们去玛雅一定得自带拖鞋… 2013-07-13 4
45505 DOSMO 武汉玛雅海滩水公园 总体说这次游玩还是不错的… 2013-07-13 5
Table 1  原始数据集
No. userId attractions date score
1 奥拉尔维沃宋玉 武汉大学 07 4
2 出去玩呢 武汉大学 07 4
3 奥拉尔维沃宋玉 武汉大学 07 4
45504 DOSMO 武汉玛雅海滩水公园 07 4
45505 DOSMO 武汉玛雅海滩水公园 07 5
Table 2  初步处理后的原始数据集
No. userId attractions month score num
1 300****030 武汉大学 3 5 43
2 300****030 黄鹤楼 5 5 43
3 300****030 武汉欢乐谷 2 5 43
39438 **2345kk 东湖游船 10 4 1
39439 **-游-客 木兰山 10 5 1
Table 3  预处理后的实验数据集
月份 评论数占比(%) 月份 评论数占比(%)
1月 4.47 7月 8.67
2月 6.35 8月 8.48
3月 9.82 9月 7.40
4月 11.73 10月 12.49
5月 11.17 11月 6.04
6月 8.37 12月 5.00
Table 4  所有景点在不同月份的评论数占比情况
Fig.2  部分景点在不同月份的热门程度
Fig.3  部分景点在分段用户群中受欢迎的程度
推荐算法 准确率(%) 召回率(%) 覆盖率(%) 平均流行度
Random 19.41 27.33 100.00 3.059 377
Popular 41.99 59.11 58.82 3.866 054
ScoreCF 25.86 26.60 98.04 3.357 215
UserCF 42.72 60.14 62.75 3.848 093
UserIIF 42.94 60.46 60.78 3.854 983
SPT 43.38 61.08 64.71 3.831 839
Table 5  不同推荐算法的性能比较(Top10)
Top-N 准确率(%) 召回率(%) 覆盖率(%) 平均流行度
5 54.85 38.61 49.02 3.993 657
10 43.38 61.08 64.71 3.831 839
15 35.29 74.53 80.39 3.707 977
20 29.41 82.82 92.16 3.576 896
25 28.20 78.88 100.00 3.421 675
Table 6  SPT算法在Top-N不同取值时的性能比较
Fig.4  不同算法在分段用户群下的性能比较(Top10)
[1] 中华人民共和国文化与旅游部.2018年旅游市场基本情况[EB/OL]. [ 2019- 02- 12]. http://zwgk.mct.gov.cn/auto255/201902/t20190212_837271.html.
[1] ( Ministry of Culture and Tourism of the People’s Republic of China. Basic Situation of Tourism Market in 2018[EB/OL]. [ 2019- 02- 12]. http://zwgk.mct.gov.cn/auto255/201902/t20190212_837271.html.)
[2] 乔向杰, 张凌云. 近十年国外旅游推荐系统的应用研究[J]. 旅游学刊, 2014,29(8):117-127.
[2] ( Qiao Xiangjie, Zhang Lingyun. Overseas Applied Studies on Travel Recommender Systems in the Past Ten Years[J]. Tourism Tribune, 2014,29(8):117-127.)
[3] 匡海丽, 常亮, 宾辰忠, 等. 上下文感知旅游推荐系统研究综述[J]. 智能系统学报, 2019,14(4):611-618.
[3] ( Kuang Haili, Chang Liang, Bin Chenzhong, et al. Review of a Context-aware Travel Recommendation System[J]. CAAI Transactions on Intelligent Systems, 2019,14(4):611-618.)
[4] Fenza G, Fischetti E, Furno D , et al. A Hybrid Context Aware System for Tourist Guidance Based on Collaborative Filtering [C]// Proceedings of the 2011 IEEE International Conference on Fuzzy Systems. 2011.
[5] Alptekin G I, Büyüközkan G. An Integrated Case-based Reasoning and MCDM System for Web Based Tourism Destination Planning[J]. Expert Systems with Applications, 2011,38(3):2125-2132.
doi: 10.1016/j.eswa.2010.07.153
[6] Hsu F M, Lin Y T, Ho T K. Design and Implementation of an Intelligent Recommendation System for Tourist Attractions: The Integration of EBM Model, Bayesian Network and Google Maps[J]. Expert Systems with Applications, 2012,39(3):3257-3264.
doi: 10.1016/j.eswa.2011.09.013
[7] Nilashi M, bin Ibrahim O, Ithnin N, et al. A Multi-criteria Collaborative Filtering Recommender System for the Tourism Domain Using Expectation Maximization (EM) and PCA-ANFIS[J]. Electronic Commerce Research and Applications, 2015,14(6):542-562.
[8] Moreno A, Valls A, Isern D, et al. Sigtur/e-destination: Ontology-based Personalized Recommendation of Tourism and Leisure Activities[J]. Engineering Applications of Artificial Intelligence, 2013,26(1):633-651.
[9] Dodwad P R, Lobo L. A Context-aware Recommender System Using Ontology Based Approach for Travel Applications[J]. International Journal of Advanced Engineering and Nano Technology, 2014,1(10):8-12.
[10] Niaraki A S, Kim K. Ontology Based Personalized Route Planning System Using a Multi-criteria Decision Making Approach[J]. Expert Systems with Applications, 2009,36(2):2250-2259.
doi: 10.1016/j.eswa.2007.12.053
[11] Al-Hassan M, Lu H, Lu J. A Semantic Enhanced Hybrid Recommendation Approach: A Case Study of e-Government Tourism Service Recommendation System[J]. Decision Support Systems, 2015,72:97-109.
[12] Borràs J, Moreno A, Valls A. Intelligent Tourism Recommender Systems: A Survey[J]. Expert Systems with Applications, 2014,41(16):7370-7389.
[13] 项亮. 推荐系统实践[M]. 北京: 人民邮电出版社, 2012.
[13] ( Xiang Liang. Recommendation System Practice[M]. Beijing: Posts and Telecommunications Press, 2012.)
[14] Noguera J M, Barranco M J, Segura R J, et al. A Mobile 3D-GIS Hybrid Recommender System for Tourism[J]. Information Sciences, 2012,215:37-52.
[15] Horozov T, Narasimhan N, Vasudevan V . Using Location for Personalized POI Recommendations in Mobile Environments [C]// Proceedings of the 2006 International Symposium on Applications and the Internet (SAINT’06). IEEE, 2006.
[16] 李广丽, 朱涛, 滑瑾, 等. 混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究[J]. 华中师范大学学报:自然科学版, 2019,53(2):214-220.
[16] ( Li Guangli, Zhu Tao, Hua Jin, et al. Hybrid Recommendation System for Tourist Spots Based on Hierarchical Sampling Statistics and Bayesian Personalized Ranking[J]. Journal of Central China Normal University: Natural Sciences, 2019,53(2):214-220.)
[17] 王志强, 文益民, 李芳. 基于多方面评分的景点协同推荐算法[J]. 山东大学学报: 工学版, 2016,47(6):54-61.
[17] ( Wang Zhiqiang, Wen Yimin, Li Fang. Collaborative Recommendation for Scenic Based on Multi-aspect Ratings[J]. Journal of Shandong University: Engineering Sciences, 2016,47(6):54-61.)
[18] 李雅美, 王昌栋. 基于标签的个性化旅游推荐[J]. 中国科学技术大学学报, 2017,47(7):547-555.
[18] ( Li Yamei, Wang Changdong. Tag-based Personalized Travel Recommendation[J]. Journal of University of Science and Technology of China, 2017,47(7):547-555.)
[19] Liu Q, Chen E, Xiong H, et al. A Cocktail Approach for Travel Package Recommendation[J]. IEEE Transactions on Knowledge and Data Engineering, 2012,26(2):278-293.
doi: 10.1109/TKDE.2012.233
[20] Segaran T. 集体智慧编程[M]. 莫映, 王开福译. 北京:电子工业出版社, 2009.
[20] ( Segaran T. Programming Collective Intelligence[M]. Translated by Mo Ying, Wang Kaifu. Beijing: Publishing House of Electronics Industry, 2009.)
[21] 武永亮, 赵书良, 李长镜, 等. 基于TF-IDF和余弦相似度的文本分类方法[J]. 中文信息学报, 2017,31(5):138-145.
[21] ( Wu Yongliang, Zhao Shuliang, Li Changjing, et al. Text Classification Method Based on TF-IDF and Cosine Similarity[J]. Journal of Chinese Information Processing, 2017,31(5):138-145.)
[22] Breese J S, Heckerman D, Kadie C . Empirical Analysis of Predictive Algorithms for Collaborative Filtering [C]// Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence. 1998.
[23] 俞婷婷, 徐彭娜, 江育娥, 等. 基于改进的Jaccard系数文档相似度计算方法[J]. 计算机系统应用, 2017,26(12):137-142.
[23] ( Yu Tingting, Xu Pengna, Jiang Yu’e, et al. Text Similarity Method Based on the Improved Jaccard Coefficient[J]. Computer Systems and Applications, 2017,26(12):137-142.)
[24] Wang C, Song Y, Li H , et al. Distant Meta-path Similarities for Text-based Heterogeneous Information Networks [C]// Proceedings of the 2017 ACM Conference on Information and Knowledge Management. ACM, 2017: 1629-1638.
[25] Levy M, Bosteels K . Music Recommendation and the Long Tail [C]// Proceedings of the 1st Workshop on Music Recommendation and Discovery. 2010.
[1] 杨恒,王思丽,祝忠明,刘巍,王楠. 基于并行协同过滤算法的领域知识推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(6): 15-21.
[2] 苏庆,陈思兆,吴伟民,李小妹,黄佃宽. 基于学习情况协同过滤算法的个性化学习推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(5): 105-117.
[3] 焦富森,李树青. 基于物品质量和用户评分修正的协同过滤推荐算法 *[J]. 数据分析与知识发现, 2019, 3(8): 62-67.
[4] 李珊,姚叶慧,厉浩,刘洁,嘎玛白姆. 基于ISA联合聚类的组推荐算法研究 *[J]. 数据分析与知识发现, 2019, 3(8): 77-87.
[5] 李杰, 杨芳, 徐晨曦. 考虑时间动态性和序列模式的个性化推荐算法*[J]. 数据分析与知识发现, 2018, 2(7): 72-80.
[6] 王道平, 蒋中杨, 张博卿. 基于灰色关联分析和时间因素的协同过滤算法*[J]. 数据分析与知识发现, 2018, 2(6): 102-109.
[7] 王永, 王永东, 郭慧芳, 周玉敏. 一种基于离散增量的项目相似性度量方法*[J]. 数据分析与知识发现, 2018, 2(5): 70-76.
[8] 花凌锋, 杨高明, 王修君. 面向位置的多样性兴趣新闻推荐研究*[J]. 数据分析与知识发现, 2018, 2(5): 94-104.
[9] 薛福亮, 刘君玲. 基于用户间信任关系改进的协同过滤推荐方法*[J]. 数据分析与知识发现, 2017, 1(7): 90-99.
[10] 覃幸新, 王荣波, 黄孝喜, 谌志群. 基于多权值的Slope One协同过滤算法*[J]. 数据分析与知识发现, 2017, 1(6): 65-71.
[11] 李道国,李连杰,申恩平. 基于用户评分时间改进的协同过滤推荐算法*[J]. 现代图书情报技术, 2016, 32(9): 65-69.
[12] 谭学清,张磊,黄翠翠,罗琳. 融合领域专家信任与相似度的协同过滤推荐算法研究*[J]. 现代图书情报技术, 2016, 32(7-8): 101-109.
[13] 王永,邓江洲,邓永恒,张璞. 基于项目概率分布的协同过滤推荐算法*[J]. 现代图书情报技术, 2016, 32(6): 73-79.
[14] 马莉. 一种利用用户学习树改进的协同过滤推荐方法[J]. 现代图书情报技术, 2016, 32(4): 72-80.
[15] 姜书浩, 张立毅, 张志鑫. 一种基于相对相似性提高推荐总体多样性的协同过滤算法[J]. 数据分析与知识发现, 2016, 32(12): 44-49.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn