融合ＮＥＲ 和Ａｐｒｉｏｒｉ 算法的游記文本關(guān)聯(lián)知識(shí)挖掘及推薦服務(wù)研究

郭順利 蘇新寧 房旭輝

摘 要： ［目的／ 意義］ 為挖掘旅游平臺(tái)游記文本蘊(yùn)含知識(shí)， 協(xié)助旅游者高效獲取符合需求的信息和知識(shí)，為制定旅游計(jì)劃提供科學(xué)決策的信息支持。［方法／ 過程］ 首先面向用戶需求提出基于布爾矩陣和集合邏輯改進(jìn)Ａｐｒｉｏｒｉ 算法的思路； 然后融合命名實(shí)體識(shí)別實(shí)現(xiàn)了游記文本關(guān)聯(lián)知識(shí)挖掘及聚合， 構(gòu)建了基于關(guān)聯(lián)知識(shí)挖掘的個(gè)性化推薦服務(wù)模式， 并以攜程網(wǎng)中杭州相關(guān)的游記文本進(jìn)行了實(shí)證研究。［結(jié)果／ 結(jié)論］ 研究發(fā)現(xiàn)， 融合命名實(shí)體識(shí)別和改進(jìn)的Ａｐｒｉｏｒｉ 算法， 能夠有效挖掘游記文本蘊(yùn)含知識(shí)， 實(shí)驗(yàn)結(jié)果驗(yàn)證了在算法性能及結(jié)果上要優(yōu)于傳統(tǒng)Ａｐｒｉｏｒｉ 算法， 并能夠根據(jù)挖掘結(jié)果向用戶提供個(gè)性化推薦服務(wù)， 協(xié)助旅行者科學(xué)、高效地制定旅游計(jì)劃。研究結(jié)論豐富了游記文本挖掘的方法論， 為旅游平臺(tái)服務(wù)推薦優(yōu)化提供了新的思路。

關(guān)鍵詞： 知識(shí)挖掘； 關(guān)聯(lián)規(guī)則； Ａｐｒｉｏｒｉ 算法； 游記文本； 推薦服務(wù)

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．１１．０１０

〔中圖分類號(hào)〕Ｇ２０３ 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕１００８－０８２１ （２０２３） １１－０１２３－１２

隨著移動(dòng)互聯(lián)網(wǎng)的普及， 越來越多的游客喜歡在旅游平臺(tái)上分享自己的旅游經(jīng)歷。這些記錄旅游經(jīng)歷的游記文本中蘊(yùn)含著大量有價(jià)值的信息， 包括游客的旅行目的地、旅游攻略、景點(diǎn)評(píng)價(jià)和旅行體驗(yàn)等。有效地組織和挖掘游記文本資源， 以直觀、生動(dòng)的可視化方式展示旅游事件知識(shí)單元之間的關(guān)聯(lián)與結(jié)構(gòu)， 能夠?yàn)槁糜纹脚_(tái)用戶提供精準(zhǔn)化知識(shí)服務(wù)， 為旅游計(jì)劃和決策制定提供幫助［１］ 。然而， 隨著旅游平臺(tái)用戶數(shù)量的激增， 游記文本的數(shù)量也呈現(xiàn)指數(shù)性增長。由于游記文本主要由用戶生成， 旅游平臺(tái)缺乏有效的監(jiān)督和管理機(jī)制， 導(dǎo)致文本質(zhì)量良莠不齊， 存在冗余過載、組織無序以及用戶獲取成本高等問題。面對(duì)游記文本的爆炸性增長， 如何利用有效的工具和方法來組織和挖掘其中所蘊(yùn)含的未知的、有價(jià)值的信息和知識(shí)， 為用戶提供精準(zhǔn)化知識(shí)服務(wù)， 成為當(dāng)前旅游平臺(tái)亟需解決的問題之一。

游記文本的組織與挖掘研究主要涉及旅游文化元素的識(shí)別［２］ 、旅游目的地形象感知［３］ 、游客感知［４］ 、游客行為［５］ 等方面。同時(shí)， 一些學(xué)者通過游記文本內(nèi)容挖掘?yàn)橛脩籼峁┩扑]服務(wù)， 包括旅游路線推薦［６］ 、旅游景點(diǎn)推薦［７］ 和相關(guān)游記推薦［８］ 等。

從游記文本挖掘技術(shù)和方法的角度來看， 學(xué)者們大多采用了文本挖掘的相關(guān)技術(shù)方法， 部分學(xué)者還結(jié)合了知識(shí)圖譜、深度學(xué)習(xí)等前沿技術(shù)。例如， 呂琳露等［９］ 利用文本挖掘技術(shù)和相關(guān)方法， 實(shí)現(xiàn)了對(duì)游記文本的知識(shí)發(fā)現(xiàn)與聚合， 為用戶的旅游決策提供依據(jù)； 孫文平等［１０］ 則基于構(gòu)建的知識(shí)圖譜， 采用頻繁序列挖掘算法為用戶推薦旅游路線； 高原等［１１］ 結(jié)合ＴＦ－ＩＤＦ 和Ｗｏｒｄ２Ｖｅｃ 方法進(jìn)行景點(diǎn)識(shí)別， 并基于馬爾可夫性、先驗(yàn)知識(shí)和空間特征模型實(shí)現(xiàn)了游客游覽行程的重構(gòu)。學(xué)者們應(yīng)用文本挖掘技術(shù)進(jìn)行游記文本知識(shí)挖掘技術(shù)方法中， 關(guān)聯(lián)規(guī)則挖掘是較為常用的方法。部分已有研究實(shí)現(xiàn)了從游記文本中挖掘關(guān)聯(lián)知識(shí)并為旅行者提供路線推薦、景點(diǎn)推薦、關(guān)聯(lián)知識(shí)發(fā)現(xiàn)等服務(wù)。其中， Ａｐｒｉｏｒｉ算法［１２］ 作為最常用的關(guān)聯(lián)規(guī)則算法之一， 已被廣泛應(yīng)用于政策文本［１３］ 、學(xué)術(shù)論文［１４］ 、用戶生成內(nèi)容［１５］ 等多個(gè)領(lǐng)域。然而， 由于傳統(tǒng)的Ａｐｒｉｏｒｉ 算法運(yùn)行效率較低， 部分學(xué)者采用多種方法融合對(duì)其進(jìn)行改進(jìn)關(guān)聯(lián)知識(shí)挖掘效率和性能［１６－１７］ ， 以提高算法的效率。例如， 章成志等［１８］ 在抽取學(xué)術(shù)論文的細(xì)粒度知識(shí)實(shí)體后， 結(jié)合Ａｐｒｉｏｒｉ 算法和復(fù)雜網(wǎng)絡(luò)分析軟件構(gòu)建了知識(shí)實(shí)體關(guān)聯(lián)網(wǎng)絡(luò)。涂晨等［１９］ 基于ＬＤＡ 主題模型與Ａｐｒｉｏｒｉ 算法的旅游數(shù)據(jù)挖掘，從文本中抽取相關(guān)旅游要素。

梳理已有文獻(xiàn)發(fā)現(xiàn)， 學(xué)者們多應(yīng)用經(jīng)典關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行游記文本知識(shí)挖掘， 但是在知識(shí)特征抽取上存在較大問題。而命名實(shí)體識(shí)別技術(shù)能為解決這一問題提供有效方法。命名實(shí)體識(shí)別（ＮａｍｅｄＥｎｔｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ， ＮＥＲ）， 又稱實(shí)體抽取， 是指從非結(jié)構(gòu)化的自然語言文本中識(shí)別出符合定義的實(shí)體。

該技術(shù)基于深度學(xué)習(xí)的方法更有利于自動(dòng)發(fā)現(xiàn)文本中隱藏的知識(shí)特征。此外， 借助大規(guī)模預(yù)訓(xùn)練嵌入的發(fā)展， 基于深度學(xué)習(xí)的命名實(shí)體識(shí)別模型不斷提升性能， 在醫(yī)學(xué)［２０］ 、數(shù)字人文［２１］ 、社交媒體［２２］ 、科技文獻(xiàn)［２３］ 等多個(gè)領(lǐng)域廣泛應(yīng)用， 取得了顯著的效果。游記文本數(shù)據(jù)中涵蓋了豐富的實(shí)體信息， 基于深度學(xué)習(xí)的命名實(shí)體識(shí)別方法能夠?yàn)橛斡浳谋局兄R(shí)實(shí)體信息的提取和分析提供了有效手段。游記文本大多是用戶生成的非結(jié)構(gòu)化文本。如果對(duì)游記文本進(jìn)行關(guān)聯(lián)知識(shí)挖掘， 需要先將非結(jié)構(gòu)化的游記文本轉(zhuǎn)換為結(jié)構(gòu)化的形式。通過應(yīng)用命名實(shí)體識(shí)別方法， 可以從游記文本中抽取出旅游實(shí)體， 將由用戶生成的非結(jié)構(gòu)化游記文本轉(zhuǎn)換為由旅游實(shí)體構(gòu)成的結(jié)構(gòu)化文本。此外， 已有游記文本關(guān)聯(lián)知識(shí)挖掘多基于整體的數(shù)據(jù)挖掘結(jié)果進(jìn)行推薦服務(wù)， 而缺乏對(duì)細(xì)粒度屬性的挖掘。基于深度學(xué)習(xí)的命名實(shí)體識(shí)別方法能夠從游記文本中提取細(xì)粒度知識(shí)實(shí)體信息， 為后續(xù)細(xì)粒度關(guān)聯(lián)規(guī)則挖掘提供基礎(chǔ)。

鑒于此， 本研究結(jié)合旅游平臺(tái)游記文本的特點(diǎn)，提出了一種融合命名實(shí)體識(shí)別和改進(jìn)Ａｐｒｉｏｒｉ 算法的游記文本關(guān)聯(lián)知識(shí)挖掘方法。首先， 通過游記文本分類實(shí)現(xiàn)對(duì)細(xì)粒度關(guān)聯(lián)知識(shí)的挖掘； 然后， 應(yīng)用命名實(shí)體識(shí)別技術(shù)， 從游記文本中提取出旅游實(shí)體，將非結(jié)構(gòu)化的游記文本轉(zhuǎn)換為可用于關(guān)聯(lián)規(guī)則挖掘的結(jié)構(gòu)化數(shù)據(jù)； 最后， 利用改進(jìn)的Ａｐｒｉｏｒｉ 算法挖掘游記文本中潛在的、未知的、有價(jià)值的關(guān)聯(lián)知識(shí)，實(shí)現(xiàn)對(duì)知識(shí)的有效組織和利用。最終， 基于挖掘出的關(guān)聯(lián)知識(shí)， 提供面向用戶需求的個(gè)性化推薦服務(wù)，以協(xié)助用戶高效獲取符合需求的旅游信息和知識(shí)，為用戶的旅游計(jì)劃制定和決策提供幫助。

１ 研究基礎(chǔ)

１.１ Ａｐｒｉｏｒｉ 算法

Ａｐｒｉｏｒｉ 算法是關(guān)聯(lián)規(guī)則挖掘領(lǐng)域中的經(jīng)典算法，由Ａｇｒａｗａｌ Ｒ 等［１２］ 在１９９３ 年提出。該算法的核心思想是在給定大數(shù)據(jù)集中尋找頻繁項(xiàng)集， 并進(jìn)一步生成強(qiáng)關(guān)聯(lián)規(guī)則［２４］ 。Ａｐｒｉｏｒｉ 算法可分為以下３ 個(gè)步驟： 首先， 基于用戶指定的最小支持度， 通過對(duì)事務(wù)集的迭代遍歷， 生成滿足最小支持度的頻繁項(xiàng)集； 其次， 根據(jù)頻繁項(xiàng)集及其支持度， 計(jì)算各個(gè)關(guān)聯(lián)規(guī)則的置信度， 從而挖掘出事務(wù)集中滿足用戶指定最小置信度的強(qiáng)關(guān)聯(lián)規(guī)則； 最后， 通過提升度優(yōu)化生成的關(guān)聯(lián)規(guī)則。

然而， 傳統(tǒng)的Ａｐｒｉｏｒｉ 算法存在以下３ 個(gè)缺點(diǎn)：首先， 在計(jì)算候選項(xiàng)集的支持度時(shí)需要多次掃描數(shù)據(jù)庫， 增加了算法的時(shí)間復(fù)雜度和計(jì)算開銷； 其次，通過頻繁ｋ－項(xiàng)集連接生成候選ｋ＋１－項(xiàng)集時(shí)， 會(huì)產(chǎn)生大量的候選項(xiàng)集， 增加了算法的空間復(fù)雜度和內(nèi)存開銷； 最后， 傳統(tǒng)的Ａｐｒｉｏｒｉ 算法無法將用戶需求融入到關(guān)聯(lián)規(guī)則的生成過程中， 生成的關(guān)聯(lián)規(guī)則可能并不符合用戶的真實(shí)需求， 導(dǎo)致生成的關(guān)聯(lián)規(guī)則缺乏實(shí)際價(jià)值和意義。

１.２ ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 模型

ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 模型是一種廣泛應(yīng)用且效果良好的深度學(xué)習(xí)命名實(shí)體識(shí)別模型， 該模型由編碼層的ＢｉＬＳＴＭ 和解碼層的ＣＲＦ 組成。在嵌入層方面， 采用了ＢＥＲＴ 預(yù)訓(xùn)練語言模型作為通用的詞元嵌入。ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 模型的結(jié)構(gòu)如圖１ 所示。

ＢＥＲＴ 是由Ｇｏｏｇｌｅ ＡＩ 團(tuán)隊(duì)提出的一種面向自然語言處理任務(wù)的無監(jiān)督預(yù)訓(xùn)練語言模型［２５］ 。該模型采用Ｔｒａｎｓｆｏｒｍｅｒ 雙向編碼器表示， 被視為預(yù)訓(xùn)練語言模型的巔峰之作。相較于之前的預(yù)訓(xùn)練模型， ＢＥＲＴ 具備強(qiáng)大的特征提取能力和語義理解能力， 因此本文選用ＢＥＲＴ 作為游記文本實(shí)體抽取模型的嵌入層。ＢｉＬＳＴＭ 是雙向長短期記憶網(wǎng)絡(luò)， 相較于單向傳遞的ＬＳＴＭ 模型， 它引入了雙向信息傳遞。通過前向ＬＳＴＭ 和后向ＬＳＴＭ 從正序和倒序的角度學(xué)習(xí)文本特征［２６］ 。ＣＲＦ 模型結(jié)合了最大熵模型和隱馬爾可夫模型的特點(diǎn)， 是一種無向概率圖模型。ＬＳＴＭ 模型只能考慮句子的上下文信息， 無法考慮標(biāo)簽之間的依賴關(guān)系， 而ＣＲＦ 可以通過學(xué)習(xí)標(biāo)簽之間的相鄰關(guān)系來保證標(biāo)簽的有效性［２７］ 。因此， 本文選擇ＢｉＬＳＴＭ 模型作為編碼層， 用于理解文本的語義和結(jié)構(gòu)， 并學(xué)習(xí)出表示文本的向量。在ＢｉＬＳＴＭ 之后， 加入ＣＲＦ 層作為解碼層， 用于解碼詞元的標(biāo)簽， 從而實(shí)現(xiàn)命名實(shí)體識(shí)別任務(wù)。

２ 融合命名實(shí)體識(shí)別和Ａｐｒｉｏｒｉ 算法的游記文本挖掘方法及關(guān)鍵技術(shù)

本文針對(duì)在線旅游平臺(tái)的游記文本特點(diǎn)， 提出了一種綜合應(yīng)用命名實(shí)體識(shí)別和改進(jìn)Ａｐｒｉｏｒｉ 算法的游記文本挖掘方法， 并基于挖掘得到的關(guān)聯(lián)知識(shí)，為用戶提供個(gè)性化的推薦服務(wù)。研究思路和設(shè)計(jì)如圖２ 所示。該方法涉及以下關(guān)鍵技術(shù)功能模塊： 基于標(biāo)簽的游記文本分類、基于ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ模型的游記文本實(shí)體抽取、基于改進(jìn)Ａｐｒｉｏｒｉ 算法的游記文本關(guān)聯(lián)知識(shí)挖掘以及基于知識(shí)圖譜的關(guān)聯(lián)知識(shí)推薦。

２.１ 基于標(biāo)簽的游記文本分類

為了實(shí)現(xiàn)細(xì)粒度的關(guān)聯(lián)知識(shí)挖掘， 對(duì)游記文本進(jìn)行分類。分類的依據(jù)是根據(jù)游記文本中所涉及的景點(diǎn)， 并為其添加相應(yīng)的縣／ 區(qū)級(jí)城市行政區(qū)域標(biāo)簽。具體而言， 對(duì)于每篇游記， 如果其中提及了屬于某個(gè)行政區(qū)的旅游景點(diǎn)， 就為該篇游記添加相應(yīng)的行政區(qū)標(biāo)簽。一篇游記可以擁有多個(gè)城市行政區(qū)域標(biāo)簽。標(biāo)簽添加的規(guī)則如表１ 所示。在完成城市行政區(qū)標(biāo)簽的添加后， 可以根據(jù)這些城市行政區(qū)域標(biāo)簽對(duì)游記文本進(jìn)行分類。這樣的分類可以為后續(xù)的關(guān)聯(lián)知識(shí)挖掘提供更準(zhǔn)確和細(xì)致的基礎(chǔ)。

２.２ 基于ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 模型的游記文本實(shí)體抽取

游記文本實(shí)體抽取的目的是提取游記文本中的旅游實(shí)體。由于目前缺乏適用于游記文本的命名實(shí)體識(shí)別數(shù)據(jù)集， 因此需要首先對(duì)游記文本進(jìn)行命名實(shí)體標(biāo)注。游記文本實(shí)體抽取的具體流程如下：

Ｓｔｅｐ１： 文本分句。對(duì)預(yù)處理后的游記文本數(shù)據(jù)進(jìn)行句子級(jí)別的劃分， 這樣可以更好地訓(xùn)練命名實(shí)體識(shí)別模型。

Ｓｔｅｐ２： 實(shí)體標(biāo)注。隨機(jī)選取句子進(jìn)行實(shí)體標(biāo)注， 采用ＢＩＯ 方法對(duì)劃分后的句子進(jìn)行實(shí)體標(biāo)注。旅游實(shí)體的標(biāo)簽類型包括景點(diǎn)、酒店和餐飲。完成實(shí)體標(biāo)注后， 剔除不包含旅游實(shí)體的句子， 將剩余的句子作為命名實(shí)體識(shí)別模型所需的訓(xùn)練數(shù)據(jù)集。

Ｓｔｅｐ３： 數(shù)據(jù)集劃分。按照６ ∶２ ∶２ 的比例隨機(jī)抽取數(shù)據(jù)集中的句子， 將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集。

Ｓｔｅｐ４： 模型構(gòu)建。采用Ｐｙｔｈｏｎ 語言基于Ｔｅｎ?ｓｏｒＦｌｏｗ 框架構(gòu)建ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 模型。

Ｓｔｅｐ５： 模型訓(xùn)練與測試。讀取數(shù)據(jù)集， 分別導(dǎo)入訓(xùn)練集、驗(yàn)證集和測試集， 并設(shè)置超參數(shù)進(jìn)行模型訓(xùn)練。根據(jù)測試集數(shù)據(jù)， 評(píng)估模型的抽取效果， 包括準(zhǔn)確率、召回率和Ｆ１ 值等指標(biāo)。

Ｓｔｅｐ６： 模型調(diào)試。根據(jù)模型測試結(jié)果， 不斷調(diào)整超參數(shù)進(jìn)行訓(xùn)練， 直到模型達(dá)到最佳的測試結(jié)果。

Ｓｔｅｐ７： 模型保存與預(yù)測。將表現(xiàn)最佳的模型保存后， 根據(jù)按城市行政區(qū)域標(biāo)簽分類的游記文本， 分別導(dǎo)入訓(xùn)練好的命名實(shí)體識(shí)別模型進(jìn)行預(yù)測， 根據(jù)模型預(yù)測的標(biāo)簽提取實(shí)體信息。

Ｓｔｅｐ８： 實(shí)體去重。抽取的結(jié)果中， 每一行代表一篇游記中出現(xiàn)的旅游實(shí)體。由于實(shí)體在一篇游記中的重復(fù)出現(xiàn)次數(shù)不會(huì)影響Ａｐｒｉｏｒｉ 算法的結(jié)果，因此需要對(duì)每行實(shí)體數(shù)據(jù)進(jìn)行去重處理。

Ｓｔｅｐ９： 實(shí)體消歧。實(shí)體消歧采用人工與程序相結(jié)合的方法。具體步驟包括編寫程序?qū)Τ槿〕龅乃形臋n中的實(shí)體進(jìn)行去重和排序， 然后通過人工篩選的方式， 為同一實(shí)體確定唯一的實(shí)體名稱。最后， 將存在歧義的實(shí)體名稱替換為唯一的實(shí)體名稱，實(shí)現(xiàn)實(shí)體的融合。

２.３ 基于改進(jìn)Ａｐｒｉｏｒｉ 算法的游記文本關(guān)聯(lián)知識(shí)挖掘

２.３.１ Ａｐｒｉｏｒｉ 算法的改進(jìn)思路

針對(duì)傳統(tǒng)Ａｐｒｉｏｒｉ 算法的缺點(diǎn)， 并考慮到旅游平臺(tái)中游記文本的特點(diǎn)和關(guān)聯(lián)知識(shí)挖掘的目的， 提出了以下改進(jìn)思路和方法：

１） 解決多次掃描數(shù)據(jù)庫的問題。將事務(wù)數(shù)據(jù)庫映射為布爾矩陣， 不再依賴于事務(wù)數(shù)據(jù)庫， 并對(duì)矩陣的列向量進(jìn)行求和運(yùn)算。假設(shè)求和結(jié)果為ｍ， 如果ｍ 小于或等于用戶給定的最小支持度， 則刪除該列。在生成頻繁ｋ－項(xiàng)集之前， 對(duì)矩陣的行向量進(jìn)行求和運(yùn)算， 假設(shè)結(jié)果為ｎ， 如果ｎ 的值小于ｋ， 則刪除該行。通過這種方式， 只需要對(duì)文本集進(jìn)行一次掃描， 就能夠降低算法的時(shí)間復(fù)雜度和計(jì)算開銷。

２） 解決產(chǎn)生大量候選項(xiàng)集的問題?；诩显?， 提出了一種正向迭代方法， 用于由頻繁ｋ－項(xiàng)集生成候選ｋ＋１－項(xiàng)集。假設(shè)頻繁ｋ－項(xiàng)集中包含ｗ 個(gè)ｋ－項(xiàng)集， 每次從這ｗ 個(gè)ｋ－項(xiàng)集中選擇ｋ＋１ 個(gè)ｋ－項(xiàng)集進(jìn)行合并， 如果合并后的集合是包含ｋ ＋１個(gè)元素的ｋ＋１－項(xiàng)集， 則將其保留作為候選ｋ＋１－項(xiàng)集。這樣生成的候選ｋ＋１－項(xiàng)集的所有子集都是頻繁ｋ－項(xiàng)集中的項(xiàng)集。通過利用子集組合， 能夠極大地減少候選項(xiàng)集的數(shù)量， 使得候選項(xiàng)集近似于頻繁項(xiàng)集， 從而降低了算法的空間復(fù)雜度和內(nèi)存開銷。

３） 解決可能生成無效關(guān)聯(lián)規(guī)則或用戶不感興趣關(guān)聯(lián)規(guī)則的問題。提出了一種改進(jìn)方法， 將用戶需求融入到關(guān)聯(lián)規(guī)則中。在用戶輸入需求后， 利用詞向量模型標(biāo)記出與用戶需求緊密相關(guān)的項(xiàng)在事務(wù)數(shù)據(jù)庫中的位置。在創(chuàng)建布爾矩陣的過程中， 對(duì)這些項(xiàng)進(jìn)行加權(quán)操作， 以生成融合用戶需求的個(gè)性化關(guān)聯(lián)規(guī)則。這樣可以有效地提高關(guān)聯(lián)規(guī)則的相關(guān)性和針對(duì)性， 避免生成無效或不感興趣的規(guī)則。

２.３.２ 基于改進(jìn)Ａｐｒｉｏｒｉ 算法的游記文本關(guān)聯(lián)知識(shí)挖掘流程

將事務(wù)數(shù)據(jù)庫命名為“游記實(shí)體文本集”， 其中每一條事務(wù)對(duì)應(yīng)一篇游記， 而項(xiàng)則對(duì)應(yīng)游記文本中的實(shí)體?；诟倪M(jìn)的Ａｐｒｉｏｒｉ 算法的游記文本關(guān)聯(lián)知識(shí)挖掘流程如下：

Ｓｔｅｐ１： 融合用戶需求。根據(jù)用戶需求， 利用詞向量模型計(jì)算與用戶需求相近的項(xiàng)， 并對(duì)相關(guān)項(xiàng)進(jìn)行標(biāo)記。

Ｓｔｅｐ２： 構(gòu)建布爾矩陣Ｍ。將游記實(shí)體文本集映射成為布爾矩陣Ｍ（ｍ?ｎ）， 其中行對(duì)應(yīng)游記文本， 列表示在游記中出現(xiàn)的實(shí)體。矩陣的行數(shù)ｍ表示游記的數(shù)量， 矩陣的列數(shù)ｎ 表示文本中實(shí)體的數(shù)量。對(duì)于矩陣Ｍ， 當(dāng)Ｍ［ｉ，ｊ］ ＝１ 時(shí)表示第ｉ 篇游記文本中出現(xiàn)第ｊ 個(gè)實(shí)體， 而Ｍ［ｉ，ｊ］ ＝０ 則表示該實(shí)體未出現(xiàn)。同時(shí)， 對(duì)標(biāo)記的項(xiàng)進(jìn)行加權(quán)， 加權(quán)值與事務(wù)總數(shù)的比值要大于用戶給定的最小支持度。

Ｓｔｅｐ３： 生成頻繁１－項(xiàng)集Ｌ１。對(duì)布爾矩陣Ｍ 按列求和， 當(dāng)某一列的和大于或等于用戶給定的最小支持度時(shí)， 將對(duì)應(yīng)的項(xiàng)加入頻繁１－項(xiàng)集， 并在Ｍ中刪除非頻繁的項(xiàng)（即刪除對(duì)應(yīng)的列）。然后， 對(duì)布爾矩陣按行求和， 當(dāng)總數(shù)小于或等于１ 時(shí)， 刪除該行， 并形成新的布爾矩陣Ｍ１。

Ｓｔｅｐ４： 生成頻繁ｋ－項(xiàng)集Ｌｋ 。利用前述迭代方法， 基于頻繁項(xiàng)集Ｌｋ－１ 生成候選ｋ－項(xiàng)集Ｃｋ 。在布爾矩陣Ｍｋ－１中， 對(duì)Ｃｋ 中的每個(gè)ｋ－項(xiàng)集進(jìn)行列求和運(yùn)算， 若某個(gè)ｋ－項(xiàng)集對(duì)應(yīng)的列求和值大于或等于用戶給定的最小支持度， 則該ｋ－項(xiàng)集為頻繁ｋ－項(xiàng)集。對(duì)于布爾矩陣Ｍｋ－１ 的每一行， 進(jìn)行行求和運(yùn)算， 若總數(shù)小于ｋ， 則刪除該行， 形成新的布爾矩陣Ｍｋ 。重復(fù)迭代過程， 直到Ｃ（ｋ＋１）＝ ? 時(shí)結(jié)束。

Ｓｔｅｐ５： 生成關(guān)聯(lián)規(guī)則。根據(jù)頻繁項(xiàng)集生成關(guān)聯(lián)規(guī)則。在頻繁項(xiàng)集中， 按照逐個(gè)增加元素的方式進(jìn)行分堆排列， 生成前件和后件的組合規(guī)則。然后，計(jì)算每個(gè)規(guī)則的置信度和提升度。

Ｓｔｅｐ６： 生成符合用戶需求且有價(jià)值的關(guān)聯(lián)規(guī)則。根據(jù)關(guān)聯(lián)規(guī)則的置信度， 篩選出大于或等于用戶給定的最小置信度的強(qiáng)關(guān)聯(lián)規(guī)則?；趶?qiáng)關(guān)聯(lián)規(guī)則的提升度和用戶需求， 獲得符合用戶需求且具有價(jià)值的關(guān)聯(lián)規(guī)則。

２.４ 基于知識(shí)圖譜的關(guān)聯(lián)知識(shí)推薦服務(wù)

該技術(shù)功能模塊主要是對(duì)關(guān)聯(lián)知識(shí)挖掘生成的頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則進(jìn)行分析， 旨在尋找每個(gè)行政區(qū)的熱門旅游實(shí)體及它們之間的關(guān)聯(lián)， 并將分析結(jié)果導(dǎo)入Ｎｅｏ４ｊ 圖數(shù)據(jù)庫以構(gòu)建知識(shí)圖譜。以知識(shí)圖譜可視化形式向用戶展現(xiàn)， 實(shí)現(xiàn)面向用戶需求的關(guān)聯(lián)知識(shí)推薦服務(wù)。具體步驟如下：

Ｓｔｅｐ１： 頻繁項(xiàng)集數(shù)據(jù)分析。基于頻繁項(xiàng)集數(shù)據(jù)， 識(shí)別每個(gè)行政區(qū)的熱門景點(diǎn)、酒店和餐飲。針對(duì)景點(diǎn)和餐飲進(jìn)行細(xì)分， 篩選出景區(qū)、演出、游玩項(xiàng)目、餐廳和美食等相關(guān)實(shí)體。

Ｓｔｅｐ２： 實(shí)體層級(jí)關(guān)系構(gòu)建。建立上述實(shí)體之間的層級(jí)關(guān)系， 其中最高層級(jí)為景區(qū)， 其次為景點(diǎn)、餐廳、酒店、演出和游玩項(xiàng)目， 最底層級(jí)為美食。

Ｓｔｅｐ３： 關(guān)聯(lián)規(guī)則數(shù)據(jù)分析。按照關(guān)聯(lián)規(guī)則提升度排序， 依照實(shí)體層級(jí)從高到低的順序， 逐個(gè)檢索高層級(jí)實(shí)體作為前項(xiàng)的關(guān)聯(lián)規(guī)則。對(duì)找到的關(guān)聯(lián)規(guī)則進(jìn)行分析， 如果規(guī)則的后項(xiàng)包含低于該實(shí)體層級(jí)的實(shí)體， 則為高層級(jí)實(shí)體分別建立指向底層級(jí)實(shí)體的關(guān)系。為保持知識(shí)圖譜的清晰、直觀， 同一層級(jí)的實(shí)體不再構(gòu)建關(guān)系。

Ｓｔｅｐ４： 構(gòu)建三元組。完善關(guān)聯(lián)規(guī)則數(shù)據(jù)分析后的實(shí)體關(guān)系， 根據(jù)實(shí)體類型建立關(guān)聯(lián)關(guān)系， 如推薦景點(diǎn)、推薦住宿、推薦餐廳等。完成實(shí)體關(guān)系構(gòu)建后， 形成“實(shí)體， 關(guān)系， 實(shí)體” 的三元組， 并通過在線旅游平臺(tái)的相關(guān)信息完善三元組的內(nèi)容。

Ｓｔｅｐ５： 導(dǎo)入Ｎｅｏ４ｊ 圖數(shù)據(jù)庫。利用Ｐｙｔｈｏｎ 編程語言編寫程序， 將三元組數(shù)據(jù)導(dǎo)入Ｎｅｏ４ｊ 圖數(shù)據(jù)庫， 構(gòu)建基于關(guān)聯(lián)知識(shí)挖掘結(jié)果的旅游推薦知識(shí)圖譜。通過該圖譜， 能夠幫助用戶制定旅游計(jì)劃并輔助用戶做出旅行決策。

３ 實(shí)證研究

本文選擇攜程網(wǎng)中與杭州市相關(guān)的游記數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)， 以驗(yàn)證本文提出的融合命名實(shí)體識(shí)別和改進(jìn)Ａｐｒｉｏｒｉ 算法的游記關(guān)聯(lián)知識(shí)挖掘方法的有效性和科學(xué)性。相較于其他在線旅游平臺(tái)， 攜程網(wǎng)的游記數(shù)據(jù)數(shù)量更多， 內(nèi)容更為豐富且質(zhì)量更高。同時(shí)， 杭州作為熱門旅游城市， 擁有眾多景點(diǎn)和豐富的文化歷史， 吸引了大量游客前往， 因此關(guān)于杭州旅游的游記數(shù)量也相當(dāng)豐富?；谝陨峡紤]， 本文選擇了攜程網(wǎng)上與杭州市相關(guān)的游記作為研究對(duì)象。

３.１ 游記文本數(shù)據(jù)采集和預(yù)處理

使用Ｐｙｔｈｏｎ 語言編寫的爬蟲程序， 用于從攜程網(wǎng)上獲取與杭州市相關(guān)的游記文本。爬取內(nèi)容包括城市行政區(qū)域標(biāo)簽和游記正文內(nèi)容， 共獲取了３ ２９３篇游記。首先， 根據(jù)城市行政區(qū)域標(biāo)簽， 篩除與杭州無關(guān)的游記文本， 并刪除游記內(nèi)容為空或重復(fù)的數(shù)據(jù)， 最終得到２ ６３４篇游記。對(duì)剩余游記正文內(nèi)容中的繁體字進(jìn)行轉(zhuǎn)換， 統(tǒng)一轉(zhuǎn)為簡體字。接下來， 根據(jù)表１ 中的城市行政區(qū)域標(biāo)簽添加規(guī)則， 為每篇游記添加縣／ 區(qū)級(jí)城市行政區(qū)域標(biāo)簽。在添加城市行政區(qū)域標(biāo)簽的過程中， 遇到同一景區(qū)屬于兩個(gè)行政區(qū)的情況， 根據(jù)游記中出現(xiàn)的屬于該景區(qū)的景點(diǎn)來判斷城市行政區(qū)域標(biāo)簽的歸屬。例如， 當(dāng)某篇游記提到西溪時(shí)， 如果游記中出現(xiàn)的景點(diǎn)都屬于東區(qū)， 那么就給這篇游記添加西湖區(qū)的標(biāo)簽； 如果出現(xiàn)的景點(diǎn)是洪園或其他屬于西區(qū)的景點(diǎn)， 那么就添加余杭區(qū)的標(biāo)簽。添加完城市行政區(qū)域標(biāo)簽后， 根據(jù)標(biāo)簽對(duì)游記文本進(jìn)行分類， 分類結(jié)果如表２ 所示。

３.２ 游記文本實(shí)體抽取

３.２.１ 游記文本實(shí)體標(biāo)注

將經(jīng)過預(yù)處理的２ ６３４篇游記正文數(shù)據(jù)進(jìn)行分句處理， 得到１１４ ８５３個(gè)句子。從中隨機(jī)抽取５０％的句子進(jìn)行實(shí)體標(biāo)注。采用ＢＩＯ 標(biāo)記方法對(duì)旅游實(shí)體進(jìn)行標(biāo)注， 標(biāo)注的實(shí)體類型包括景點(diǎn)、酒店和餐飲。為了方便標(biāo)注和提高實(shí)體抽取效果， 將景區(qū)、景區(qū)演出和景區(qū)的游玩項(xiàng)目等統(tǒng)一標(biāo)記為景點(diǎn)。實(shí)體標(biāo)注示例如圖３ 所示， 其中Ｓ 表示景點(diǎn)， Ｈ 表示酒店， Ｃ 表示餐飲。完成標(biāo)注后， 共有３３ ６４５個(gè)句子含有實(shí)體標(biāo)注。

３.２.２ ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 模型訓(xùn)練

從包含實(shí)體標(biāo)注的３３ ６４５個(gè)句子中， 隨機(jī)選擇２０％作為測試集， 再從剩余的數(shù)據(jù)中同樣隨機(jī)選擇２０％作為驗(yàn)證集， 剩下的數(shù)據(jù)用作訓(xùn)練集。針對(duì)ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 模型的配置方面， ＢＥＲＴ 模型使用了Ｇｏｏｇｌｅ 訓(xùn)練好的模型， 并在此基礎(chǔ)上進(jìn)行了微調(diào)。具體的模型參數(shù)設(shè)置如下： ＬＳＴＭ 隱藏層神經(jīng)元數(shù)量為２５６， 批量大?。ǎ拢幔簦悖瑁撸螅椋澹椋保玻福蛄虚L度（Ｓｅｑｕｅｎｃｅ＿ｌｅｎｇｔｈ）為５１２， 學(xué)習(xí)率（Ｌｅａｒｎ?ｉｎｇ Ｒａｔｅ）為０ ００１， 訓(xùn)練輪數(shù)（Ｅｐｏｃｈｓ）為４０。將經(jīng)過劃分的數(shù)據(jù)集輸入模型進(jìn)行訓(xùn)練， 并經(jīng)過多次調(diào)試得到了最終的模型結(jié)果， 如表３ 所示。

為了獲得最佳的游記文本實(shí)體抽取模型， 本文對(duì)比了ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 命名實(shí)體識(shí)別模型與其他模型在游記文本實(shí)體抽取任務(wù)上的性能， 具體的比較結(jié)果如表４ 所示。

從表３ 可以看出， 盡管在餐飲實(shí)體識(shí)別方面，該模型的準(zhǔn)確率相對(duì)較低， 然而在游記文本中， 景點(diǎn)實(shí)體是數(shù)量最多的實(shí)體類型， 該模型對(duì)于景點(diǎn)的識(shí)別準(zhǔn)確率高達(dá)９２ ２％。根據(jù)表４ 中不同實(shí)體抽取模型的效果對(duì)比， 雖然ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 方法在準(zhǔn)確率上不如ＢＥＲＴ－ＢｉＬＳＴＭ， 召回率上不如Ｗｏｒｄ２ｖｅｃ－ＢｉＬＳＴＭ－ＣＲＦ， 但是性能相差不是很大。ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 的命名實(shí)體識(shí)別模型在Ｆ１－ｓｃｏｒｅ 值上偏大， 整體上取得了顯著的效果。因此，可以將該模型應(yīng)用于游記文本中的實(shí)體抽取任務(wù)。

３.２.３ 游記文本實(shí)體抽取結(jié)果及對(duì)比分析

將分類好的游記文本輸入訓(xùn)練完畢的ＢＥＲＴＢｉＬＳＴＭ－ＣＲＦ 模型進(jìn)行實(shí)體預(yù)測， 并保存預(yù)測結(jié)果。在實(shí)體抽取后， 對(duì)所有文檔中的實(shí)體進(jìn)行實(shí)體消歧， 最終發(fā)現(xiàn)了３７７ 個(gè)存在歧義的實(shí)體， 并對(duì)所有文檔中存在歧義的實(shí)體進(jìn)行了替換。經(jīng)過實(shí)體融合后， 模型最終識(shí)別出了２ １４２個(gè)實(shí)體， 其中包括１ ０１８個(gè)景點(diǎn)實(shí)體、４１８ 個(gè)酒店實(shí)體和７０６ 個(gè)餐飲實(shí)體。游記文本實(shí)體抽取的示例數(shù)據(jù)如圖４ 所示。

為了驗(yàn)證融合命名實(shí)體識(shí)別方法進(jìn)行關(guān)聯(lián)規(guī)則挖掘的有效性和科學(xué)性， 本研究從隨機(jī)選取的部分游記文本數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)， 并與其他方法進(jìn)行對(duì)比。對(duì)比實(shí)驗(yàn)結(jié)果如表５ 所示。根據(jù)表５ 所示的對(duì)比試驗(yàn)結(jié)果可以發(fā)現(xiàn)， 基于深度學(xué)習(xí)模型的命名實(shí)體識(shí)別方法在抽取旅游實(shí)體進(jìn)行關(guān)聯(lián)知識(shí)挖掘方面表現(xiàn)出更強(qiáng)的有效性和科學(xué)性。

３.３ 游記文本關(guān)聯(lián)知識(shí)挖掘

將１３ 個(gè)行政區(qū)生成的實(shí)體抽取數(shù)據(jù)分別導(dǎo)入改進(jìn)的Ａｐｒｉｏｒｉ 算法進(jìn)行關(guān)聯(lián)分析， 考慮到不同行政區(qū)的游記數(shù)量差異較大， 根據(jù)每個(gè)行政區(qū)的實(shí)際情況來調(diào)整最小支持度和最小置信度的閾值。為了確保生成關(guān)聯(lián)規(guī)則的效果， 設(shè)置提升度閾值為１.２。經(jīng)過多次調(diào)試， 基于“行政區(qū)” 標(biāo)簽分類的游記文本共挖掘出１ ９３２個(gè)頻繁項(xiàng)集， ４ １６８條關(guān)聯(lián)規(guī)則，各行政區(qū)游記文本關(guān)聯(lián)知識(shí)挖掘的閾值設(shè)置和結(jié)果統(tǒng)計(jì)如表６ 所示。

對(duì)于每個(gè)行政區(qū)的實(shí)體抽取數(shù)據(jù)， 采用改進(jìn)后的Ａｐｒｉｏｒｉ 算法進(jìn)行關(guān)聯(lián)分析， 得到對(duì)應(yīng)每個(gè)行政區(qū)的頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則文檔。在頻繁項(xiàng)集結(jié)果文檔中， 按照支持度的大小進(jìn)行排序， 而在關(guān)聯(lián)規(guī)則結(jié)果文檔中， 按照提升度的大小進(jìn)行排序。這樣的排序方式能夠使得結(jié)果更加清晰、有序。

３.４ 面向用戶需求的關(guān)聯(lián)知識(shí)推薦服務(wù)

根據(jù)第２.４ 節(jié)所描述的旅游推薦知識(shí)圖譜構(gòu)建步驟， 構(gòu)建了涵蓋杭州市各個(gè)行政區(qū)劃的旅游推薦知識(shí)圖譜。在１３ 個(gè)行政區(qū)共挖掘出熱門景區(qū)７９ 個(gè)、酒店２８ 家、餐廳２７ 家、美食３１ 種和７ 場演出以及１ 個(gè)游玩項(xiàng)目， 其中７９ 個(gè)景區(qū)中包含１２５ 個(gè)熱門景點(diǎn)。通過分析確定了６ 種實(shí)體類型、６ 種關(guān)系和７ 種實(shí)體關(guān)系組合方式。為了完善圖譜中相關(guān)旅游實(shí)體的信息， 利用了攜程網(wǎng)提供的數(shù)據(jù)， 并將行政區(qū)和旅游城市作為圖譜中的節(jié)點(diǎn)， 同時(shí)為它們建立相應(yīng)的關(guān)系。最終， 不同實(shí)體類型之間關(guān)系的三元組表示如表７ 所示。

將經(jīng)過完善的三元組數(shù)據(jù)導(dǎo)入Ｎｅｏ４ｊ 圖數(shù)據(jù)庫， 構(gòu)建基于關(guān)聯(lián)知識(shí)挖掘結(jié)果的旅游推薦知識(shí)圖譜。由于篇幅限制， 選取淳安縣的旅游推薦知識(shí)圖譜進(jìn)行可視化展示， 如圖５ 所示。

通過旅游推薦知識(shí)圖譜， 用戶可以獲得基于行政區(qū)劃的精細(xì)推薦。用戶可以選擇一個(gè)或多個(gè)行政區(qū)作為旅游目的地， 然后查看相應(yīng)行政區(qū)的推薦景區(qū)， 并瀏覽與目標(biāo)景區(qū)相關(guān)的景點(diǎn)、住宿、餐飲等信息。以淳安縣為例， 用戶可以先查看淳安縣推薦的景區(qū)， 如圖６ 所示。

根據(jù)圖６ 可以看到， 淳安縣推薦了５ 個(gè)景區(qū)。假設(shè)用戶計(jì)劃前往千島湖國家森林公園游玩， 并想了解該景區(qū)的景點(diǎn)、住宿和餐廳推薦， 用戶可以在游記文本關(guān)聯(lián)知識(shí)圖譜中查詢相關(guān)信息， 如圖７ 所示。在圖７ 中， 藍(lán)色節(jié)點(diǎn)代表景點(diǎn)， 黃色節(jié)點(diǎn)代表酒店， 綠色節(jié)點(diǎn)代表餐廳， 橙色節(jié)點(diǎn)代表演出。通過圖７， 用戶可以獲取該景區(qū)的熱門景點(diǎn)、酒店和餐廳等信息， 為用戶的旅游規(guī)劃和決策提供參考。

用戶還可以繼續(xù)查詢美食推薦。例如， 假設(shè)用戶決定在“好東家” 餐廳就餐， 可以查看該餐廳的美食推薦， 如圖８ 所示。在圖８ 中， “好東家”餐廳共推薦了５ 種美食。用戶可以根據(jù)自身喜好選擇相應(yīng)的美食來品嘗。

通過旅游推薦知識(shí)圖譜， 能夠幫助用戶獲得準(zhǔn)確、個(gè)性化的旅游推薦信息， 協(xié)助用戶高效、便捷地制定旅游規(guī)劃， 為其旅行帶來更好的體驗(yàn)。

４ 結(jié) 語

本文旨在挖掘旅游平臺(tái)游記文本所蘊(yùn)含的信息和知識(shí)， 以協(xié)助用戶高效獲取符合需求的知識(shí)， 并為旅行者在制定旅游計(jì)劃時(shí)提供科學(xué)、可供決策的信息。為了提供更好的個(gè)性化服務(wù)， 本文提出了面向用戶需求的融合命名實(shí)體識(shí)別和改進(jìn)Ａｐｒｉｏｒｉ 算法的游記文本關(guān)聯(lián)知識(shí)挖掘方法， 并以此設(shè)計(jì)了基于知識(shí)圖譜的知識(shí)推薦服務(wù)應(yīng)用模式。研究采用攜程網(wǎng)旅游平臺(tái)中與杭州市相關(guān)的游記文本作為數(shù)據(jù)來源進(jìn)行了應(yīng)用研究。實(shí)驗(yàn)結(jié)果表明， 融合用戶需求改進(jìn)的Ａｐｒｉｏｒｉ 算法能夠有效挖掘游記文本蘊(yùn)含的知識(shí)， 在算法性能和挖掘結(jié)果方面優(yōu)于傳統(tǒng)Ａｐｒｉ?ｏｒｉ 算法。這些挖掘結(jié)果和關(guān)聯(lián)知識(shí)規(guī)則具有一定的實(shí)踐價(jià)值和意義， 能夠向用戶提供個(gè)性化細(xì)粒度的推薦服務(wù)， 協(xié)助旅行者科學(xué)高效地制定旅游計(jì)劃。本文的研究結(jié)論對(duì)旅游者、在線旅游平臺(tái)和目的地具有以下的創(chuàng)新服務(wù)應(yīng)用啟示：

１） 面向旅游者方面。旅游者通過查看旅游目的地的關(guān)聯(lián)知識(shí)推薦結(jié)果， 能夠快速獲取旅游目的地的景點(diǎn)、住宿、飲食等推薦信息， 從而更加迅速、直觀地制定旅游計(jì)劃。例如， 當(dāng)旅游者的目的地是千島湖時(shí)， 只需查看淳安縣的關(guān)聯(lián)知識(shí)推薦， 就能獲取千島湖的熱門旅游景點(diǎn)推薦， 如“好東家” “淳圓外”， 以及必須品嘗的千島湖魚頭等美食推薦。此外， 關(guān)聯(lián)規(guī)則的置信度或提升度閾值也能輔助旅游者做出更明智的旅游決策。例如， 在選擇千島湖魚頭餐廳時(shí)， 旅游者可以比較“好東家” 和“淳圓外” 兩家熱門餐廳之間的關(guān)聯(lián)規(guī)則“千島湖魚頭?好東家” 和“千島湖魚頭?淳圓外” 的置信度或提升度值， 從而做出更明智的旅游決策。因此， 本研究的結(jié)果為旅游者提供了有價(jià)值的服務(wù)應(yīng)用。旅游者能夠通過關(guān)聯(lián)知識(shí)推薦系統(tǒng)高效獲取個(gè)性化的旅游信息， 并借助關(guān)聯(lián)規(guī)則的支持作出理性決策。

２） 面向在線旅游平臺(tái)。針對(duì)當(dāng)前在線旅游平臺(tái)游記文本數(shù)量呈現(xiàn)指數(shù)性增長， 因游記文本缺乏有效的監(jiān)督管理， 質(zhì)量良莠不齊， 從而產(chǎn)生了冗余過載、組織無序、用戶獲取成本高等問題。本文提出的關(guān)聯(lián)知識(shí)挖掘方法能夠挖掘出游記數(shù)據(jù)中的關(guān)聯(lián)知識(shí)， 提升旅游平臺(tái)知識(shí)組織與挖掘技術(shù)能力，優(yōu)化平臺(tái)產(chǎn)品， 提升平臺(tái)服務(wù)， 進(jìn)而提高用戶滿意度， 推動(dòng)平臺(tái)持續(xù)向前發(fā)展。

首先， 通過應(yīng)用關(guān)聯(lián)規(guī)則挖掘游記文本， 旅游平臺(tái)可以實(shí)現(xiàn)知識(shí)組織與挖掘的目的。關(guān)聯(lián)知識(shí)挖掘技術(shù)可以揭示游記數(shù)據(jù)中的關(guān)聯(lián)知識(shí)， 從而為用戶提供一體化的關(guān)聯(lián)知識(shí)推薦服務(wù)。通過分析生成的頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則， 平臺(tái)可以了解旅游景點(diǎn)、酒店、餐廳、美食等之間的關(guān)聯(lián)關(guān)系， 提供用戶關(guān)聯(lián)知識(shí)推薦服務(wù)。同時(shí)， 通過利用游記文本分類進(jìn)行關(guān)聯(lián)知識(shí)挖掘， 還能夠?qū)崿F(xiàn)更細(xì)粒度的熱門關(guān)聯(lián)知識(shí)推薦， 為用戶提供更精準(zhǔn)的知識(shí)推薦服務(wù)。此外， 本研究提出的游記文本關(guān)聯(lián)知識(shí)挖掘方法還可以反向應(yīng)用于游記文本的組織。平臺(tái)可以根據(jù)挖掘出的頻繁項(xiàng)集匹配相關(guān)游記， 并利用文本相似度計(jì)算來判斷游記文本的相似性。通過處理相似度過高的游記， 平臺(tái)可以減少冗余數(shù)據(jù)， 降低運(yùn)營成本。對(duì)于內(nèi)容相似但不完全相同的游記， 平臺(tái)還可以推薦相似游記， 為用戶提供更多選擇。以西湖區(qū)的游記數(shù)據(jù)為例， 在實(shí)驗(yàn)數(shù)據(jù)中， 共有１ １１５篇游記，其中一個(gè)頻繁６－項(xiàng)集的支持度為０ ０４５２， 因此在西湖區(qū)的游記中就有５０ 篇游記的數(shù)據(jù)包含６ 個(gè)同樣的旅游實(shí)體， 進(jìn)而平臺(tái)可以計(jì)算這５０ 篇游記的相似度， 去除冗余游記或生成相似游記推薦。

其次， 旅游平臺(tái)可以利用游記文本關(guān)聯(lián)知識(shí)挖掘的頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則， 優(yōu)化和開發(fā)旅游產(chǎn)品?；陉P(guān)聯(lián)規(guī)則的原理， 關(guān)聯(lián)知識(shí)挖掘結(jié)果中的景點(diǎn)、酒店、餐廳和飲食等具有一定的熱度。因此， 基于這些關(guān)聯(lián)知識(shí)挖掘結(jié)果開發(fā)的旅游產(chǎn)品能夠滿足大多數(shù)用戶的需求。平臺(tái)可以通過分析關(guān)聯(lián)知識(shí)挖掘結(jié)果， 找出現(xiàn)有旅游產(chǎn)品的不足之處， 并改進(jìn)提升其競爭力。此外， 平臺(tái)還可以利用關(guān)聯(lián)知識(shí)挖掘結(jié)果開發(fā)新的旅游產(chǎn)品。例如： 在蕭山區(qū)旅游產(chǎn)品開發(fā)中， 平臺(tái)可以基于關(guān)聯(lián)規(guī)則｛湘湖國家旅游度假區(qū)｝?｛云曼溫泉， 第一世界大酒店， 爛蘋果樂園， 泰香閣， 杭州樂園｝， 構(gòu)建包含湘湖、杭州樂園、第一世界大酒店等熱門景點(diǎn)推薦的旅游產(chǎn)品?？紤]到不同類型的用戶有不同的旅游需求， 平臺(tái)還可以采用其他的游記分類方法， 滿足用戶多樣化的需求。例如， 基于出行伴侶的游記文本分類， 平臺(tái)可以為親子、情侶、父母等不同類型的旅行伴侶打造旅游產(chǎn)品。

第三， 基于游記文本關(guān)聯(lián)知識(shí)挖掘結(jié)果， 旅游平臺(tái)可以提升服務(wù)質(zhì)量和水平， 主要體現(xiàn)在關(guān)聯(lián)知識(shí)智能問答、關(guān)鍵詞檢索推薦和關(guān)聯(lián)知識(shí)主動(dòng)推送等方面。首先， 平臺(tái)可以在城市旅游主頁上展示游記文本挖掘出的一體化關(guān)聯(lián)知識(shí)。相較于簡單羅列的展示方式， 基于知識(shí)圖譜的可視化展示能夠更加清晰、明了地呈現(xiàn)關(guān)聯(lián)知識(shí)。因此， 旅游平臺(tái)可以在各個(gè)旅游城市主頁增加一個(gè)關(guān)聯(lián)知識(shí)模塊， 并利用知識(shí)圖譜進(jìn)行關(guān)聯(lián)知識(shí)的可視化呈現(xiàn)， 以便用戶瀏覽和獲取旅游知識(shí)。其次， 在關(guān)鍵詞檢索推薦方面， 旅游平臺(tái)可以根據(jù)用戶輸入的檢索詞， 推薦與該檢索詞相關(guān)聯(lián)的旅游實(shí)體作為關(guān)鍵詞。例如， 當(dāng)用戶輸入“千島湖” 作為檢索詞時(shí)， 可以將“啤酒小鎮(zhèn)” “千島湖魚頭” “好東家” “開元度假村”等與千島湖相關(guān)聯(lián)的旅游實(shí)體作為檢索推薦， 從而提升用戶的檢索體驗(yàn)。最后， 在關(guān)聯(lián)知識(shí)主動(dòng)推送方面， 平臺(tái)可以根據(jù)用戶最近一段時(shí)間內(nèi)的行為，預(yù)測用戶的旅行目的地， 并將該目的地的關(guān)聯(lián)知識(shí)主動(dòng)推送給用戶。例如， 如果用戶最近一段時(shí)間內(nèi)瀏覽了大量與桐廬旅游相關(guān)的信息， 平臺(tái)可以推測用戶可能有去桐廬旅游的意向， 隨后主動(dòng)將基于桐廬游記挖掘出的關(guān)聯(lián)知識(shí)推薦給用戶， 以提升用戶對(duì)平臺(tái)的滿意度。

３） 面向旅游目的地方面。關(guān)聯(lián)知識(shí)挖掘應(yīng)用能夠提升目的地旅游服務(wù)水平， 促進(jìn)目的地形象管理與維護(hù)， 并推動(dòng)目的地旅游業(yè)的持續(xù)健康發(fā)展。具體可以通過以下幾種方式實(shí)現(xiàn)： 首先， 應(yīng)用關(guān)聯(lián)知識(shí)挖掘目的地城市的相關(guān)游記， 可以挖掘出目的地的熱門景點(diǎn)、酒店、餐廳以及美食等信息， 發(fā)現(xiàn)目的地旅游的關(guān)聯(lián)知識(shí)。通過對(duì)這些關(guān)聯(lián)知識(shí)的分析， 旅游目的地城市可以制定城市熱門旅游路線，為游客提供城市熱門旅游規(guī)劃， 并完善熱門旅游景點(diǎn)之間的公共交通等方式來提升自身的服務(wù)水平和能力。其次， 熱門景點(diǎn)、酒店、餐廳等場所通常是外來游客到訪最頻繁的地方， 它們的設(shè)備設(shè)施、工作人員態(tài)度以及提供的服務(wù)或產(chǎn)品質(zhì)量都對(duì)城市形象產(chǎn)生重要影響。因此， 目的地城市有必要加強(qiáng)對(duì)這些熱門場所設(shè)備設(shè)施的建設(shè)與維護(hù)， 加強(qiáng)對(duì)工作人員的培訓(xùn)， 并加強(qiáng)對(duì)酒店和餐廳等場所的監(jiān)督與管理。目的地城市應(yīng)積極主動(dòng)地發(fā)現(xiàn)并解決這些熱門場所中潛在的問題， 以避免負(fù)面輿論事件的發(fā)生，從而促進(jìn)目的地形象的管理與維護(hù)。最后， 旅游目的地城市可以基于關(guān)聯(lián)知識(shí)挖掘推動(dòng)旅游業(yè)的持續(xù)健康發(fā)展。例如， 可以通過多媒體渠道積極宣傳目的地的熱門景點(diǎn)， 提升城市的知名度； 挖掘熱門景點(diǎn)之間共同的旅游特色， 發(fā)展自身的旅游特色， 打造城市的旅游名片； 同時(shí)， 分析熱門景點(diǎn)、酒店、餐廳等之間關(guān)聯(lián)關(guān)系產(chǎn)生的原因， 尋求有利于促進(jìn)城市旅游業(yè)建設(shè)發(fā)展的經(jīng)驗(yàn)與規(guī)律， 為非熱門景區(qū)的建設(shè)提供參考等。

然而， 本研究還存在著一定的不足。在實(shí)證研究中， 本文僅選取了攜程網(wǎng)作為單一旅游平臺(tái)， 并僅針對(duì)一個(gè)城市的數(shù)據(jù)進(jìn)行了分析， 因此數(shù)據(jù)規(guī)模相對(duì)較小。下一步， 筆者將擴(kuò)大數(shù)據(jù)規(guī)模， 進(jìn)行多城市、跨平臺(tái)的多模態(tài)數(shù)據(jù)融合的關(guān)聯(lián)知識(shí)挖掘，以期為用戶提供更廣泛和智能化的知識(shí)服務(wù)。

參考文獻(xiàn)

［１］ 鄧君， 彭珺， 孫紹丹， 等． 基于事理圖譜的游記文本知識(shí)發(fā)現(xiàn)———

以康養(yǎng)旅游為例［Ｊ］． 現(xiàn)代情報(bào)， ２０２２， ４２ （７）： １０５－１１３．

［２］ 柯健， 華哲銘， 許鑫． 基于網(wǎng)絡(luò)游記挖掘的城市旅游文化元素識(shí)

別———以上海為例［Ｊ］． 資源科學(xué)， ２０２２， ４４ （１）： １２７－１４２．

［３］ Ｌｉ Ｒ Ｌ， Ｗａｎｇ Ｈ Ｊ， Ｚｈａｎｇ Ｈ． Ｃｈｉｎｅｓｅ Ｔｏｕｒｉｓｔｓ Ｐｅｒｃｅｐｔｉｏｎ ｏｆ ｔｈｅ

Ｔｏｕｒｉｓｍ Ｉｍａｇｅ ｏｆ Ｎｏｒｔｈ Ｋｏｒｅａ Ｂａｓｅｄ ｏｎ Ｔｅｘｔ Ｄａｔａ ｆｒｏｍ Ｔｏｕｒｉｓｍ

Ｗｅｂｓｉｔｅｓ ［Ｊ］． Ｓｕｓｔａｉｎａｂｉｌｉｔｙ， ２０２１， １３ （２１）： １２２０５．

［４］ 吳林芝， 周春林， 黃子璇， 等． 網(wǎng)絡(luò)語境下官方目的地宣傳形

象與游客感知形象的差異———以南京市為例［ Ｊ］． 地域研究

與開發(fā)， ２０１８， ３７ （３）： ９０－９４， １００．

［５］ 吳恒， 陳燕翎． 基于ＵＧＣ 文本挖掘的游客目的地選擇信息研

究———以攜程蜜月游記為例［Ｊ］． 情報(bào)科學(xué)， ２０１７， ３５ （１）：

１０１－１０５．

［６］ Ｄｕ Ｓ Ｙ， Ｚｈａｎｇ Ｈ， Ｘｕ Ｈ Ｌ， ｅｔ ａｌ． Ｔｏ Ｍａｋｅ ｔｈｅ Ｔｒａｖｅｌ Ｈｅａｌｔｈｉｅｒ：

ａ Ｎｅｗ Ｔｏｕｒｉｓｍ Ｐｅｒｓｏｎａｌｉｚｅｄ Ｒｏｕｔｅ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ［Ｊ］．

Ｊｏｕｒｎａｌ ｏｆ Ａｍｂｉｅｎｔ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｈｕｍａｎｉｚｅｄ Ｃｏｍｐｕｔｉｎｇ， ２０１９，

１０ （９）： ３５５１－３５６２．

［７］ 呂琳露， 李亞婷． 基于游記主題挖掘與表達(dá)的旅游信息推薦研

究［Ｊ］． 現(xiàn)代情報(bào)， ２０１７， ３７ （６）： ６１－６７．

［８］ 高佳美． 基于文本挖掘的旅游文記個(gè)性化推薦技術(shù)的研究與實(shí)

現(xiàn)［Ｄ］． 沈陽： 遼寧大學(xué)， ２０１７．

［９］ 呂琳露， 李亞婷． 游記文本中的知識(shí)發(fā)現(xiàn)與聚合———以螞蜂窩

旅行網(wǎng)杭州游記為例［ Ｊ］． 情報(bào)雜志， ２０１７， ３６ （ ７）： １７６－

１８１， １１０．

［１０］ 孫文平， 常亮， 賓辰忠， 等． 基于知識(shí)圖譜和頻繁序列挖掘

的旅游路線推薦［Ｊ］． 計(jì)算機(jī)科學(xué)， ２０１９， ４６ （２）： ５６－６１．

［１１］ 高原， 施元磊， 張蕾， 等． 基于游記文本的游客游覽行程重

構(gòu)［Ｊ］． 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， ２０２０， ４ （Ｚ１）： １６５－１７２．

［１２］ Ａｇｒａｗａｌ Ｒ， Ｉｍｉｅｌｉńｓｋｉ Ｔ， Ｓｗａｍｉ Ａ． Ｍｉｎｉｎｇ Ａｓｓｏｃｉａｔｉｏｎ Ｒｕｌｅｓ

Ｂｅｔｗｅｅｎ Ｓｅｔｓ ｏｆ Ｉｔｅｍｓ ｉｎ Ｌａｒｇｅ Ｄａｔａｂａｓｅｓ ［Ｃ］ ／ ／ Ａｃｍ Ｓｉｇｍｏｄ Ｒｅ?

ｃｏｒｄ． ＡＣＭ， １９９３， ２２ （２）： ２０７－２１６．

［１３］ 馬海群， 劉興麗， 韓娜． 基于關(guān)聯(lián)規(guī)則的開放政府?dāng)?shù)據(jù)主題多

政策協(xié)同性研究［Ｊ］． 情報(bào)科學(xué)， ２０２２， ４０ （４）： ３－８， １７．

［１４］ 溫芳芳， 鄭詩嘉． 基于關(guān)聯(lián)規(guī)則挖掘的多學(xué)科知識(shí)融合研究———

以新冠肺炎研究領(lǐng)域?yàn)槔郏剩荩?現(xiàn)代情報(bào)， ２０２３， ４３ （３）： １４８－

１５６．

［１５］ 吳鵬， 詩童， 凌晨． 基于微博平臺(tái)的新冠疫苗主題發(fā)現(xiàn)研究

［Ｊ］． 情報(bào)科學(xué)， ２０２２， ４０ （７）： １２－１８， ２６．

［１６］ 李昌兵， 龐崇鵬， 凌永亮， 等． 基于改進(jìn)特征提取及聚類的

網(wǎng)絡(luò)評(píng)論挖掘研究［Ｊ］． 現(xiàn)代情報(bào)， ２０１８， ３８ （２）： ６８－７４．

［１７］ 王倬， 李丹． 基于大數(shù)據(jù)的關(guān)聯(lián)規(guī)則Ａｐｒｉｏｒｉ 算法的研究與改

進(jìn)［Ｊ］． 圖書情報(bào)工作， ２０１６， ６０ （Ｓ２）： １２７－１３０， １４２．

［１８］ 章成志， 謝雨欣， 宋云天． 學(xué)術(shù)文本中細(xì)粒度知識(shí)實(shí)體的關(guān)

聯(lián)分析［Ｊ］． 圖書館論壇， ２０２１， ４１ （３）： １２－２０．

［１９］ 涂晨， 李鑫， 葉程軼． 基于ＬＤＡ 主題模型與Ａｐｒｉｏｒｉ 算法的旅

游數(shù)據(jù)挖掘［Ｊ］． 物聯(lián)網(wǎng)技術(shù)， ２０２３， １３ （３）： １０８－１１２．

［２０］ 琚沅紅， 牟冬梅， 王書童， 等． 少樣本高質(zhì)量醫(yī)學(xué)知識(shí)的命名

實(shí)體識(shí)別研究———以肺癌診療規(guī)范為例［Ｊ］． 現(xiàn)代情報(bào)， ２０２３，

４３ （２）： ９－１９．

［２１］ 林立濤， 王東波， 劉江峰， 等． 數(shù)字人文視域下典籍動(dòng)物命

名實(shí)體識(shí)別研究———以ＳｉｋｕＢＥＲＴ 預(yù)訓(xùn)練模型為例［ Ｊ］． 圖書

館論壇， ２０２２， ４２ （１０）： ４２－５０．

［２２］ 李東升， 鮑玉來， 劉建華， 等． 基于ＢＥＲＴ 的高校圖書館微信

信息服務(wù)的命名實(shí)體識(shí)別方法［Ｊ］． 現(xiàn)代情報(bào)， ２０２３， ４３ （４）：

６４－７６．

［２３］ 董美， 常志軍． 一種面向中醫(yī)領(lǐng)域科技文獻(xiàn)的實(shí)體關(guān)系抽取

方法［Ｊ］． 圖書情報(bào)工作， ２０２２， ６６ （１８）： １０５－１１３．

［２４］ 岳俊舉， 馮立杰， 馮奕程， 等． 基于多維技術(shù)創(chuàng)新地圖與關(guān)

聯(lián)規(guī)則挖掘的技術(shù)機(jī)會(huì)識(shí)別方法研究［ Ｊ］． 情報(bào)學(xué)報(bào)， ２０１７，

３６ （８）： ７９８－８０８．

［２５］ Ｄｅｖｌｉｎ Ｊ， Ｃｈａｎｇ Ｍ Ｗ， Ｌｅｅ Ｋ， ｅｔ ａｌ． Ｂｅｒｔ： Ｐｒｅ － ｔｒａｉｎｉｎｇ ｏｆ

Ｄｅｅｐ Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｔｒａｎｓｆｏｒｍｅｒｓ ｆｏｒ Ｌａｎｇｕａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ ［ Ｊ］．

ａｒＸｉｖ Ｐｒｅｐｒｉｎｔ ａｒＸｉｖ： １８１０ ０４８０５， ２０１８．

［２６］ 葉佳鑫， 熊回香， 孟璇． 基于細(xì)粒度評(píng)論挖掘的在線圖書相

似度計(jì)算研究［Ｊ］． 情報(bào)科學(xué)， ２０２３， ４１ （１）： １６６－１７３．

［２７］ 翟羽佳， 田靜文， 趙玥． 基于ＢＥＲＴ－ＢｉＬＳＴＭ－ＣＲＦ 模型的算

法術(shù)語抽取與創(chuàng)新演化路徑構(gòu)建研究［ Ｊ］． 情報(bào)科學(xué)， ２０２２，

４０ （４）： ７１－７８．

（責(zé)任編輯： 郭沫含）