基于大數(shù)據(jù)環(huán)境下面向智能旅游服務(wù)機器人的個性化推薦算法研究

王家蘭

池州職業(yè)技術(shù)學(xué)院，安徽 池州 247100

引言

隨著人們生活水平提高，旅游行為越來越普遍。人們在旅游之前會在網(wǎng)上對感興趣的景點進行攻略，因此如何推薦景點吸引顧客，是旅游業(yè)中面臨的課題。游客在旅游時既要考慮天氣條件、又要結(jié)合游玩天數(shù)和門票價格。有時花費很大精力還沒有完全做好攻略，這時游客會選擇跟團旅游。但是跟旅游團若帶小孩的話一方面時間安排太緊，不利于小孩游玩，另一方面體力上也不濟，這樣就不能讓游客愉快地游玩。因此，一種個性化的景點推薦算法是旅游行業(yè)必然，運用此算法開發(fā)智能服務(wù)機器人可以促進這一發(fā)展，整個旅游服務(wù)行業(yè)的發(fā)展為服務(wù)機器人增加了強大的市場。

隨著旅游服務(wù)業(yè)的迅猛發(fā)展，傳統(tǒng)旅游服務(wù)已不能滿足用戶的需求。傳統(tǒng)的旅游服務(wù)業(yè)主要是B2C 模式。企業(yè)追求利益最大化，所提供的服務(wù)都是為了盈利，很難站在游客的角度進行考慮，旅游效果較差。基于個性化推薦算法而研制的服務(wù)機器人可以改善用戶的出行體驗，減少旅游業(yè)的人力物力消耗。旅游業(yè)的繁榮發(fā)展，使人們對旅游服務(wù)質(zhì)量提出了更高的要求。怎么樣才能提供高品位、高質(zhì)量的個性化旅游服務(wù)研究迫在眉睫。

1 運用相關(guān)知識介紹

1.1 大數(shù)據(jù)

“大數(shù)據(jù)”是指采用多種形式和多種來源收集的數(shù)據(jù)集。這些數(shù)據(jù)可能來自互聯(lián)網(wǎng)平臺（如電商平臺），也可以是現(xiàn)實客戶訪問等等。這些數(shù)據(jù)不是公司客戶關(guān)系管理數(shù)據(jù)庫的常規(guī)數(shù)據(jù)集。

1.2 智能旅游服務(wù)機器人

旅游智能服務(wù)機器人具有語音交互，對話問答，人臉識別，語義理解，環(huán)境意識，自主定位和導(dǎo)航等功能。主要為國內(nèi)外游客，景區(qū)游客提供多語言咨詢服務(wù)和個性化旅游服務(wù)。

2 個性化景點推薦算法設(shè)計與實現(xiàn)

2.1 MLS2vec 旅游路線表示模型

依據(jù)大數(shù)據(jù)，在攜程網(wǎng)、去哪兒、途牛旅行網(wǎng)等多家旅游平臺上記錄著用戶的旅游情況，但由于其行為隱藏且復(fù)雜，從中挖掘并分析用戶旅游軌跡比較有難度的。運用了表示模型（MLS2vec），表示旅游軌跡中的多個隱式語義信息。在軌跡數(shù)據(jù)中，各種隱式語義信息被合并到所提出的模型中，包括用戶級別，時間級別和吸引力級別。

2.2 用戶偏好提取模型

如何利用游客網(wǎng)上交互行為來挖掘用戶偏好信息，使用一個可擴展的兩級框架說明用戶的偏好。用戶首選項的細粒度，通過研究網(wǎng)上游客的項目交互序列，進而獲取旅客的細顆粒度喜好。游客交互的最小標準為項目，比如游客購買了蘋果筆記本（MacBook Pro16 英寸機型），游客交互的最小標準對應(yīng)品牌和尺寸的電腦。在這里使用MItem 模型（細顆粒）來研究在游客項目交互序列中所隱含的細粒度喜好信息。用戶首選項的粗粒度，通過研究游客的類別交互序列獲取游客的粗粒度喜好。例如，購買奶粉，品牌和段數(shù)不同，奶粉價格就不同。使用M_Cate 模型（粗粒度）對用戶偏好信息進行粗顆粒探索。

該圖采用并行結(jié)構(gòu)研究粗細粒度不同的用戶首選項，其中的參數(shù)不共享。深度研究游客網(wǎng)上項目交互行為序列，并區(qū)別于類別交互序列，并用適當?shù)哪Ｐ瓦M行表示。當用戶看到新項目時，此無法表示用戶的行為。采用Attention 空間注意力機制對游客的動態(tài)行為進行檢測。使用兩級模型分別表示相應(yīng)細顆粒和粗顆粒參數(shù)。將兩者結(jié)合在一起后，會看到新商品后獲得用戶的全面動態(tài)偏好表示。

3 推薦算法設(shè)計與實現(xiàn)

3.1 旅游路線推薦流程圖

旅游線路推薦流程主要有三個模塊：第一模塊數(shù)據(jù)處理包括獲取數(shù)據(jù)并進行分析和處理；第二模塊根據(jù)處理結(jié)果獲得其相應(yīng)特征并生成路線；第三模塊根據(jù)分析出游客喜好來進行旅游線路的推薦。具體見下圖：

3.2 數(shù)據(jù)獲取與預(yù)處理模塊

首先，搜集游客的旅行線路，游客的旅游信息通常包含多種信息，例如到達景點航班信息、入住酒店信息、具體游玩景點以及旅游過程中就餐餐廳等，每一子模塊都有自己的數(shù)據(jù)和組織方式。其次，利用每一子模塊的數(shù)據(jù)信息構(gòu)建圖數(shù)據(jù)庫，以此來存放相應(yīng)模塊信息。用圖的形式存儲數(shù)據(jù)，這樣任何事物之間就有許多線路可走，跟蹤線路并再使用圖的一些算法，事物之前的關(guān)聯(lián)就能捕獲到。以韓國濟州島三日游為例說明利用知識圖譜進行數(shù)據(jù)獲取。

假如用戶想知道，濟州島隸屬哪個國家的話，可以通過濟州島→[所在城市]→西歸浦市→[所在國家]→韓國這樣的邏輯推理順序來找到所要的結(jié)果。利用圖的實體→關(guān)系→實體等相應(yīng)的關(guān)系來進行的。假如想查詢牛島附近的酒店相關(guān)信息，則通過牛島→[周邊酒店]→某星級酒店→價格這樣的關(guān)系來找到你想要的信息。這是傳統(tǒng)數(shù)據(jù)庫想通過簡單查詢而查不到的，必須將多張表關(guān)聯(lián)起來進行查詢，其結(jié)果還不定。

3.3 特征提取模塊

使用改進的doc2vec 方法來進行特征提取。該方法的任務(wù)是給定上下文，來預(yù)測上下文的其他隱含特征。具體見下圖：

其中每一部分文本信息都被映射到向量空間中，將上下文本信息向量連接起來或求和取得結(jié)果作為特性向量，預(yù)測所隱含的下一個文本信息。假如給了文本序列，目標函數(shù)是：

預(yù)測的任務(wù)是復(fù)雜多分類信息，使用softmax作為分類器，其計算公式見下：

每一文本看成一個類別，其中y 計算公式如下：

這里b,u 均為參數(shù)，而h 級聯(lián)這些參數(shù)或者求平均值。

以圖5 為例，圖中三個“山水”和“人文”等四模塊信息構(gòu)成了景點I，每一模塊的小景點聯(lián)合起來構(gòu)成了一個大景點，而這些小景點類別信息構(gòu)成了文本數(shù)據(jù)。把所獲得文本數(shù)據(jù)運用到doc2vec，即獲得每個景點的特征表示，把這些特征表示添加到上下文中，用最后平均值來預(yù)測下一類信息，景點的特征信息就被獲取到。

4 個性化旅游線路推薦服務(wù)功能

個性化旅游線路推薦服務(wù)功能為了在真實環(huán)境下為游客提供旅游個性化旅游推薦，主要功能是路線推薦，在智能服務(wù)機械人交互頁面上錄入游客姓名，游玩城市，計劃游玩天數(shù)等信息，點擊推薦就能獲得相應(yīng)的推薦頁面信息。此類信息就是用戶個性化偏好。具體見下圖：

5 結(jié)語

隨著人們生活水平的提高，旅游行業(yè)越來越熱，研究重點為就大數(shù)據(jù)視角下面向智能旅游服務(wù)機器人的個性化推薦算法，運用此算法開發(fā)旅游服務(wù)機器人，為人們提供個性化旅游服務(wù)。用兩種模式來解析用戶個性化偏好，并分析旅游中數(shù)據(jù)獲取、特征提取，最后展示了個性化旅游景點推薦算法以及界面展示。