基于大數(shù)據(jù)挖掘技術(shù)的智慧旅游推薦系統(tǒng)的設(shè)計研究

李偉

（六盤水師范學(xué)院數(shù)學(xué)與計算機科學(xué)學(xué)院，貴州 553000）

0 引言

隨著我國旅游產(chǎn)業(yè)規(guī)模不斷擴大，旅游信息呈現(xiàn)爆炸性增長，導(dǎo)致游客很難獲取有價值的信息，旅游服務(wù)開始從傳統(tǒng)的信息化向智能化轉(zhuǎn)變。智慧旅游推薦系統(tǒng)從海量旅游信息資源中發(fā)現(xiàn)游客感興趣的信息，并將個性化需求信息推薦給對應(yīng)的游客用戶，因此推薦系統(tǒng)的研發(fā)對智慧旅游的發(fā)展具有重要意義。目前，國內(nèi)外主要從兩個方面對智慧旅游進行研究：①通過具體的實例來展現(xiàn)智慧旅游的發(fā)展情況。②研究如何構(gòu)建智慧旅游體系［1］。Jeong H 分析用戶對景點的訪問信息，根據(jù)用戶的地理信息對旅游用戶進行推薦［2］。Huang Y 利用貝葉斯網(wǎng)絡(luò)分析用戶的數(shù)據(jù)，構(gòu)建智慧旅游推薦系統(tǒng)［3］。近年來智慧旅游推薦系統(tǒng)在我國快速發(fā)展起來，它是信息技術(shù)與旅游資源結(jié)合的產(chǎn)物，也是旅游發(fā)展理念的重大變革。但智慧旅游推薦系統(tǒng)仍存在很多問題，例如推薦系統(tǒng)的性能較差、推薦信息不準確等。

本文研究利用大數(shù)據(jù)挖掘技術(shù)，改進基于項目的協(xié)同過濾算法，分析游客的歷史數(shù)據(jù)和游客與系統(tǒng)的交互行為來獲取游客的興趣，使用Mahout 實現(xiàn)分布式智慧旅游推薦系統(tǒng)，為旅客提供高效的個性化服務(wù)信息推薦。

1 系統(tǒng)架構(gòu)

為了給游客提供精準智能的個性化服務(wù)，景區(qū)需要搭建智慧旅游推薦系統(tǒng)［4］。基于大數(shù)據(jù)挖掘技術(shù)的智慧旅游推薦系統(tǒng)的總體架構(gòu)如圖1 所示，分為數(shù)據(jù)層、分析層和應(yīng)用層。數(shù)據(jù)層是推薦系統(tǒng)的數(shù)據(jù)來源，整合所有智慧旅游業(yè)務(wù)數(shù)據(jù)，包括旅游資源、用戶信息和服務(wù)器日志等數(shù)據(jù)；分析層使用大數(shù)據(jù)開源框架Hadoop，其兩大核心是HDFS 和MapReduce，在Hadoop 的基礎(chǔ)上采用Mahout 分布式程序?qū)崿F(xiàn)基于項目的協(xié)同過濾推薦；應(yīng)用層主要向終端用戶推送的服務(wù)有景點推薦、路線推薦和資訊推薦等。游客可以通過手機終端向系統(tǒng)請求服務(wù)信息，系統(tǒng)根據(jù)景區(qū)的實時狀況和游客特征向游客推送個性化推薦服務(wù)，同時系統(tǒng)可以收集游客對推薦結(jié)果的反饋信息，從而改善推薦結(jié)果的準確率。

圖1 智慧旅游推薦系統(tǒng)的總體架構(gòu)

2 關(guān)鍵技術(shù)

個性化推薦系統(tǒng)是建立在數(shù)據(jù)挖掘的基礎(chǔ)上的一種高級智能服務(wù)，它組合各種軟件技術(shù)和工具為用戶推薦信息［5］。智慧旅游推薦系統(tǒng)向游客推薦其感興趣的旅游服務(wù)信息，為了保障推送的服務(wù)信息是游客真正需要的，系統(tǒng)首先需要收集游客的偏好，然后從信息庫中選擇與游客偏好匹配的項目，再推薦給游客。智慧旅游推薦系統(tǒng)的關(guān)鍵技術(shù)主要包括構(gòu)建游客興趣模型和推薦算法。

2.1 游客興趣建模

游客在智慧旅游推薦系統(tǒng)中分為顯性反饋和隱性反饋兩種行為。顯性反饋行為是游客已經(jīng)旅游的景點信息、路線信息和酒店信息等歷史數(shù)據(jù)，其表現(xiàn)方式是對信息的評分和偏好。隱性反饋行為是游客對景點網(wǎng)上相關(guān)信息的瀏覽數(shù)據(jù)，以及游客與系統(tǒng)的交互行為。

游客興趣模型包括：游客的姓名、性別和年齡等基本信息，游客對景點、酒店等的評分信息，游客當前所在景點和路線等位置信息。

2.2 推薦算法

建立游客興趣模型以后，推薦系統(tǒng)對游客進行個性化推薦還需要使用推薦算法對數(shù)據(jù)進行分析處理?；陧椖康膮f(xié)同過濾算法是根據(jù)用戶已有的信息，去推算出用戶可能含有或即將含有的信息［6］。系統(tǒng)采用的基于項目的協(xié)同過濾算法，將所有游客對某個景點的偏好作為一個向量來計算景點之間的相似度，得到景區(qū)的相似景區(qū)后，根據(jù)游客歷史偏好預(yù)測當前游客還沒有表示偏好的景區(qū)，計算得到一個排序的景區(qū)列表作為結(jié)果推薦。如圖2所示，對于景區(qū)1，根據(jù)所有游客的歷史偏好，喜歡景區(qū)1的游客都喜歡景區(qū)3，得出景區(qū)1 和景區(qū)3 比較相似，而用戶C 喜歡景區(qū)1，那么可以推斷出用戶C 可能也喜歡景區(qū)3。

圖2 基于項目的協(xié)同過濾算法

相似度的計算的方法主要有歐幾里德距離、皮爾遜相關(guān)系數(shù)和余弦相似度［7］，本文利用余弦相似度來計算項目的相似度。但是余弦相似度方法忽略了不同用戶打分的嚴格程度，有的用戶偏向于給高分，而有的用戶偏向于給低分，本文改進了余弦相似度，通過減去用戶打分的平均值來去除用戶打分習(xí)慣的影響，如公式為：

其中，Ri為用戶i的打分平均值，Rj為用戶j的打分平均值。

2.3 Mahout

Apache Mahout 中提供了協(xié)同過濾算法的實現(xiàn)［8］，它是一個基于Java 實現(xiàn)的可擴展和高效的推薦引擎，從數(shù)據(jù)處理能力上可以分為單機內(nèi)存算法實現(xiàn)和基于Hadoop的分步布算法實現(xiàn)。本文采用基于Hadoop的分步布算法，以來提高智慧旅游推薦系統(tǒng)的性能。在運行時Mahout 分布式程序會把MapReduce 類型的程序包，自動發(fā)布到Hadoop集群環(huán)境中執(zhí)行。

3 實驗分析

為了檢驗本文所提出方法的有效性，在Movie-Lens 數(shù)據(jù)集上進行驗證，并隨機抽取80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測試集。本文采用均方根誤差RMSE（root mean squared error）作為評價標準，通過計算預(yù)測的用戶評分與實際的用戶評分之間的偏差來度量預(yù)測的準確性。RMSE公式為：

其中，{P1，P2，…，PN}為N個項目的預(yù)測評分集合，{r1，r2，…，rN}為N個項目的實際評分集合。當RMSE值越小時，表示推薦質(zhì)量越高。實驗采用余弦相似度和改進的余弦相似度來計算項目之間的相似度，值的分布如圖3 所示，由圖可以看出余弦相似度分布較為均勻，而改進的余弦相似度分布更加個性化。使用項目的評分值減去用戶評分的平均值，能夠真實反映出項目的差異特征，因此改進的余弦相似度計算方法可以得到較高推薦質(zhì)量。

圖3 實驗計算項目的相似度

4 結(jié)語

隨著大數(shù)據(jù)技術(shù)的發(fā)展和旅游信息數(shù)據(jù)的增長，搭建基于大數(shù)據(jù)挖掘技術(shù)的智慧旅游推薦系統(tǒng)，利用大數(shù)據(jù)的分布式計算能力，能夠快速處理旅游信息數(shù)據(jù)，實時的進行智慧旅游服務(wù)信息推薦。因此，智慧旅游推薦系統(tǒng)具有良好的應(yīng)用前景，來為游客提供智能和高效的個性化信息推薦服務(wù)。