協(xié)同過濾算法應(yīng)用于景點推薦研究

牟進軍+羅國寬+熊志斌

摘要：旅游電子商務(wù)與網(wǎng)絡(luò)社交媒體發(fā)展導(dǎo)致旅游信息爆炸式增長，用戶面臨信息過載問題。為使用戶快速獲取并甄別信息，將傳統(tǒng)協(xié)同過濾推薦算法應(yīng)用于景點推薦，游客對景點評分構(gòu)成評分矩陣，計算景點之間相似度，根據(jù)相似景點評分預(yù)測游客對目標景點評分。實驗結(jié)果顯示，景點預(yù)測評分平均絕對誤差為0.696，Itembased景點推薦算法能根據(jù)游客偏好推薦景點。

關(guān)鍵詞關(guān)鍵詞：協(xié)同過濾；個性化推薦；景點推薦；Itembased

DOIDOI：10.11907/rjdk.171818

中圖分類號：TP319

文獻標識碼：A文章編號文章編號：16727800（2017）011018603

0引言

隨著國民經(jīng)濟發(fā)展，旅游業(yè)成為朝陽產(chǎn)業(yè)，各類旅游電商平臺與旅游社交媒體應(yīng)運而生，如攜程、藝龍、去哪兒、旅人網(wǎng)、螞蜂窩、窮游網(wǎng)等，這些旅游電子商務(wù)平臺與社交媒體為游客提供機票與酒店預(yù)定服務(wù)、景點信息、旅游攻略與游記分享平臺。網(wǎng)絡(luò)查詢已成為游客獲取資訊的主要方式，游客規(guī)劃旅游路線時，通常會在旅游電子商務(wù)平臺與社交媒體上查閱景點信息、游客評分及點評。

游客能夠快速在旅游電商平臺與社交媒體獲取景點信息，同時遭遇“信息過載”問題[1]。游客在網(wǎng)絡(luò)上獲得海量信息，相應(yīng)需要花費額外時間查閱并甄別信息。這不僅增加了游客時間成本，還提高了線路規(guī)劃難度。推薦系統(tǒng)作為解決信息過載、滿足用戶個性化需求的有效工具，已在淘寶、亞馬遜等電商平臺成功應(yīng)用[2]?；谟脩粜枨筇峁┚包c推薦的國內(nèi)旅游電商平臺與社交媒體為數(shù)不多[34]。推薦算法有多種，其中基于協(xié)同過濾的推薦算法在個性化系統(tǒng)中應(yīng)用最廣[5]，如高明虎等[6]改進傳統(tǒng)協(xié)同過濾算法解決冷啟動問題，并應(yīng)用于酒店推薦；婁小風(fēng)[7]提出基于酒店多維度屬性打分的協(xié)同過濾推薦算法提高了推薦準確度；王益[8]將協(xié)同推薦算法應(yīng)用于旅游路線推薦。本文研究協(xié)同過濾算法在景點推薦中的應(yīng)用，為游客提供個性化數(shù)據(jù)服務(wù)。

1協(xié)同過濾推薦算法概述

協(xié)同過濾推薦算法誕生最早，基本思路是如果用戶過去物品偏好一致，將來偏好仍將一致[7]。算法通過挖掘用戶歷史行為數(shù)據(jù)發(fā)現(xiàn)用戶偏好，以此為依據(jù)計算得到相似用戶或物品并進行推薦。協(xié)同過濾推薦算法有2個重要分支：一個是基于用戶的協(xié)同過濾算法，另一個是基于物品的協(xié)同過濾算法。Itembased算法得出的結(jié)果具有較好說服力，因此，本文將該算法應(yīng)用于景點推薦[9]。

基于用戶的協(xié)同過濾算法思路是根據(jù)用戶物品偏好找到相似用戶，然后將相似用戶喜歡物品推薦給目標用戶。基于物品的協(xié)同過濾算法思路類似基于用戶協(xié)同過濾算法，通過計算不同物品相似關(guān)系，找到相似物品推薦給當(dāng)前用戶。

數(shù)字化描述用戶物品偏好是協(xié)同過濾算法數(shù)據(jù)基礎(chǔ)，用戶物品偏好量化方法一般有2種形式：一種是量化成離散整數(shù)值，不同值代表偏好程度；一種是量化成布爾值0或1，代表喜歡或厭惡二值偏好。電子商務(wù)網(wǎng)站通常為用戶提供對物品評分、投票及評論功能，評分值與票數(shù)代表了用戶物品偏好程度。用自然語言處理方法處理用戶評論，可得到用戶情感取向，量化成布爾值0或1。用戶對物品購買與否，也可量化成布爾值0或1。除電子商務(wù)網(wǎng)站外，社交媒體用戶也用多種行為表達偏好，如自媒體訂閱數(shù)、信息轉(zhuǎn)發(fā)數(shù)、好友關(guān)注數(shù)，需要根據(jù)具體應(yīng)用量化用戶偏好。

3.2數(shù)據(jù)來源

實驗數(shù)據(jù)源于“攜程旅行網(wǎng)”，攜程網(wǎng)向會員提供酒店、機票預(yù)訂、旅游資訊、景點評分、攻略分享等線上旅行服務(wù)，網(wǎng)站會員超過1億8千萬。選擇攜程網(wǎng)作為數(shù)據(jù)源，可獲取足夠景點評分數(shù)據(jù)。

攜程網(wǎng)旅游目的地攻略欄目中，游客分別從“景色”、“趣味性”、“性價比”3個指標對景點評分，分值區(qū)間為5（最高）至1（最低）。用網(wǎng)絡(luò)爬蟲采集海南省景點點評數(shù)據(jù)，原始數(shù)據(jù)按“景點名”+“用戶名”+“景色評分”+“趣味性評分”+“性價比評分”項目保存。由于數(shù)據(jù)量非常大，只選擇點評數(shù)10條以上景點進行編號處理，得到評分數(shù)據(jù)133 864條，含343個景點、32 587名游客。

3.3結(jié)果及分析

原始數(shù)據(jù)含“景色”、“趣味性”、“性價比”3個評分指標，測試選取“景色”評分作為數(shù)據(jù)項。為測試算法可行性，將數(shù)據(jù)分為2組，10萬條數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，余下33 864條為測試數(shù)據(jù)，相似景點個數(shù)K取10。實驗結(jié)果為平均絕對誤差MAE=0.696，表明Itembased景點推薦算法是可行的。

4結(jié)語

互聯(lián)網(wǎng)“信息過載”現(xiàn)象日益突出，用戶需花費大量時間查閱、篩選信息。本文將Itembased協(xié)同過濾算法應(yīng)用于景點推薦，使游客能快速找到滿足個性化需求的景點與旅游資訊。旅游社交媒體上，游客從多個指標對景點進行評分，并附加文字評論。開發(fā)推薦系統(tǒng)時，需要綜合考慮各指標下評分，利用自然語言處理技術(shù)從文字評論中挖掘游客情感傾向，以提高推薦精度。實驗過程發(fā)現(xiàn)，旅游社交媒體游客與景點數(shù)量太大，計算景點相似性非常耗時，很難做到實時推薦，而Itembased協(xié)同過濾算法可利用“游客-景點”評分矩陣，離線計算出景點相似矩陣，然后實時計算，預(yù)測游客對景點評分，向游客推薦景點。

參考文獻參考文獻：

[1]李聰.電子商務(wù)推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D].合肥：合肥工業(yè)大學(xué)，2009.

[2]洪亮，任秋圜，梁樹賢.國內(nèi)電子商務(wù)網(wǎng)站推薦系統(tǒng)信息服務(wù)質(zhì)量比較研究——以淘寶、京東、亞馬遜為例[J].圖書情報工作，2016（23）：97110.

[3]令狐紅英，姜季春.改進的貝葉斯算法在旅游景點推薦中的應(yīng)用[J].貴州師范學(xué)院學(xué)報，2012（3）：2226.

[4]皇蘇斌，王忠群.景區(qū)智能空間下的實時景點推薦技術(shù)[J].安徽工程大學(xué)學(xué)報，2011（4）：6163.

[5]馬騰騰，朱慶華，曹菡，等.基于Hadoop的旅游景點推薦的算法實現(xiàn)與應(yīng)用[J].計算機技術(shù)與發(fā)展，2016（3）：4752.

[6]高虎明，李偉麗.基于協(xié)同過濾和Rankboost算法的酒店推薦系統(tǒng)[J].微計算機信息，2010（36）：206208.

[7]婁小豐.基于多屬性打分的酒店推薦算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2012.

[8]王益.基于用戶興趣特征變化的旅游路線個性化推薦技術(shù)研究[D].武漢：武漢理工大學(xué)，2015.

[9]冷亞軍，陸青，梁昌勇.協(xié)同過濾推薦技術(shù)綜述[J].模式識別與人工智能，2014（8）：5064.

[10]侯新華，文益民.基于協(xié)同過濾的旅游景點推薦[J].計算技術(shù)與自動化，2012（4）：116119.

責(zé)任編輯（責(zé)任編輯：何麗）endprint