基于協(xié)同過(guò)濾算法的附近景點(diǎn)推薦

周喜平 杜航勤

摘要：在推薦算法中，協(xié)同過(guò)濾算法主要通過(guò)分析用戶對(duì)景點(diǎn)的歷史評(píng)價(jià)數(shù)據(jù)，找出與當(dāng)前用戶偏好相似的其他用戶，從而推薦用戶喜歡的物品。針對(duì)如何推薦出用戶附近的最優(yōu)景點(diǎn)，文章提出基于Redis的GEO算法與協(xié)同過(guò)濾算法的附近景點(diǎn)優(yōu)化推薦算法，加入兩種因數(shù)并分配權(quán)重，從而提高該算法的準(zhǔn)確率和召回率。優(yōu)化后的協(xié)同過(guò)濾算法不僅可適用于各種類型的景點(diǎn)推薦，而且能夠幫助用戶快速找到附近感興趣的景點(diǎn)，提高用戶的滿意度。

關(guān)鍵詞：協(xié)同過(guò)濾算法；Redis Geo算法；附近景點(diǎn)推薦；準(zhǔn)確率；召回率

中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）36-0013-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

0 引言

在旅游規(guī)劃中，了解并探索附近的景點(diǎn)是一項(xiàng)重要而令人興奮的任務(wù)?；趨f(xié)同過(guò)濾算法的附近景點(diǎn)推薦系統(tǒng)將為用戶提供個(gè)性化、準(zhǔn)確且多樣化的推薦，幫助他們發(fā)現(xiàn)和體驗(yàn)更多有趣的地方。

除了個(gè)性化的推薦，基于協(xié)同過(guò)濾算法的附近景點(diǎn)推薦系統(tǒng)，首先利用Redis的GEO算法[1]根據(jù)用戶所在的地理位置計(jì)算出與景點(diǎn)的距離并篩選出用戶周圍的景點(diǎn)數(shù)據(jù)，再根據(jù)基于物品的協(xié)同過(guò)濾算法對(duì)景點(diǎn)數(shù)據(jù)進(jìn)行計(jì)算，根據(jù)不同景點(diǎn)的相似性來(lái)推測(cè)出用戶潛在的風(fēng)景愛(ài)好從而生成推薦列表。本文提出加入兩種景點(diǎn)因素并分配這兩種因素的權(quán)重來(lái)優(yōu)化協(xié)同過(guò)濾的推薦算法，這種系統(tǒng)具備靈活性和實(shí)時(shí)性，確保用戶在旅行過(guò)程中不會(huì)錯(cuò)失任何適合他們口味的景點(diǎn)。

基于物品的協(xié)同過(guò)濾算法[2]，首先通過(guò)分析用戶的歷史記錄確定用戶喜歡景點(diǎn)的類型與評(píng)分來(lái)收集用戶及景點(diǎn)的信息。其次再使用數(shù)據(jù)預(yù)處理技術(shù)對(duì)收集到的用戶與景點(diǎn)數(shù)據(jù)進(jìn)行清洗和轉(zhuǎn)換，主要是對(duì)原始數(shù)據(jù)去噪和歸一化處理。再進(jìn)行數(shù)據(jù)的劃分與特征的提取，之后可以使用余弦相似度（Cosine Similarity）或者皮爾遜相關(guān)系數(shù)（Pearson Correlation Coefficient）來(lái)進(jìn)行相似度的計(jì)算，從而選出和目標(biāo)景點(diǎn)相似度最高的K個(gè)近鄰景點(diǎn)，封裝成推薦景點(diǎn)數(shù)據(jù)，最后把選出的景點(diǎn)數(shù)據(jù)推薦給用戶。

總體而言，基于協(xié)同過(guò)濾算法的附近景點(diǎn)優(yōu)化推薦系統(tǒng)為旅行者帶來(lái)了便利和樂(lè)趣。通過(guò)結(jié)合個(gè)人興趣和其他用戶的喜好，該系統(tǒng)可以為每位用戶提供獨(dú)特且符合期望的推薦[3]，使旅行變得更加豐富、有趣且令人難忘。無(wú)論是做出決策還是發(fā)掘新的亮點(diǎn)，這個(gè)推薦系統(tǒng)都將成為旅游規(guī)劃中不可或缺的利器。

1 基與物品的協(xié)同過(guò)濾推薦算法與優(yōu)化

1.1基于物品間的協(xié)同過(guò)濾算法

1）物品相似度計(jì)算

物品之間的相似度計(jì)算可以使用余弦相似度（Cosine Similarity）[4]或者皮爾遜相關(guān)系數(shù)（Pearson Correlation Coefficient）[5]來(lái)計(jì)算，根據(jù)不同的情況來(lái)分別使用這兩個(gè)方法來(lái)計(jì)算相似度。

余弦相似度算法公式：

[sim（a1，a2） = 1M（P1，n×P2，n）1MP21，n×1MP22，n]? ? ? ? ?⑴

皮爾遜相似度算法公式：

[sim（a1，a2）=1M（P1，n-P1）×（P2，n-P2）1M（P1，n-P1）2×1M（P2，n-P2）2]? ? ? ? ? ? ? ?⑵

[sim（a1，a2）]代表物品a1和物品a2的相似度值；[P1，n]是物品1對(duì)景點(diǎn)n的潛在評(píng)分；景點(diǎn)n∈M，M為物品1與物品2 的共同評(píng)分的景點(diǎn)；[P1]是物品1被評(píng)分的平均值。

2）推薦生成

根據(jù)用戶歷史數(shù)據(jù)里面的景點(diǎn)數(shù)據(jù)篩選出用戶的偏好，與用戶所在的地理位置附近的景點(diǎn)數(shù)據(jù)進(jìn)行對(duì)比與排序。例如圖1中，根據(jù)用戶的歷史數(shù)據(jù)與附近景點(diǎn)數(shù)據(jù)形成歷史數(shù)據(jù)集與附近景點(diǎn)數(shù)據(jù)集，歷史數(shù)據(jù)1對(duì)附近景點(diǎn)1、3有共同點(diǎn)，歷史數(shù)據(jù)2對(duì)附近景點(diǎn)2有共同點(diǎn)，歷史數(shù)據(jù)3對(duì)附近景點(diǎn)1、3、4有共同點(diǎn)，可以推出歷史數(shù)據(jù)1與附近景點(diǎn)4有共同點(diǎn)所在。

1.2 基于物品協(xié)同過(guò)濾算法的優(yōu)化

為了提高協(xié)同過(guò)濾算法的推薦效果，本文除了引入景點(diǎn)評(píng)分因素，還引入景點(diǎn)評(píng)論數(shù)量因素與景點(diǎn)地理位置因素。在景點(diǎn)間的相似度計(jì)算上，除了考慮到每個(gè)用戶對(duì)景點(diǎn)評(píng)分的相似度，還需要考慮用戶與景點(diǎn)在評(píng)論數(shù)量上和地理位置上的相似度。如何解決這一問(wèn)題，需要獲取此景點(diǎn)的評(píng)論數(shù)量，并進(jìn)行計(jì)算用戶歷史景點(diǎn)的位置信息（經(jīng)緯度）與用戶的地理位置的距離，以此來(lái)獲取相關(guān)因數(shù)的數(shù)據(jù)值，最后進(jìn)行相似度計(jì)算。在推薦景點(diǎn)選取的過(guò)程中，基于其他景點(diǎn)的評(píng)分?jǐn)?shù)據(jù)，預(yù)測(cè)目標(biāo)用戶在特定時(shí)間與位置下對(duì)未評(píng)價(jià)的景點(diǎn)的評(píng)分，則需要使用加權(quán)平均預(yù)測(cè)[6]。

加權(quán)平均預(yù)測(cè)中需要賦予評(píng)論數(shù)量與地理位置的權(quán)重[7]。對(duì)用戶歷史記錄中每個(gè)景點(diǎn)的評(píng)論數(shù)量數(shù)據(jù)進(jìn)行加權(quán)就和，權(quán)值為各個(gè)景點(diǎn)與其他景點(diǎn)的相似度，然后對(duì)所有景點(diǎn)相似度的和，從而計(jì)算出用戶對(duì)其他景點(diǎn)的潛在喜歡的可能性。

加權(quán)平均預(yù)測(cè)公式為：

[Wa，i=1M（a）Hi，n×Sa，n1M（a）Hi，n]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?⑶

[Wa，i]為用戶a對(duì)商品i的潛在喜歡評(píng)分；[M（a）]為用戶歷史記錄中的景點(diǎn)數(shù)據(jù)集，景點(diǎn)n∈M（a）；[Hi，n]為景點(diǎn)i與景點(diǎn)n的相似度;[Sa，n]為用戶a對(duì)景點(diǎn)n的評(píng)分。

加入評(píng)論數(shù)量和景點(diǎn)與用戶的距離因素的權(quán)重，評(píng)論數(shù)量權(quán)重值為景點(diǎn)i與景點(diǎn)n各個(gè)評(píng)論數(shù)量之間的相似度[Ei，n]，景點(diǎn)與用戶的距離權(quán)重值為景點(diǎn)i與景點(diǎn)n在距離上的相似度[Gi，n]，并且這三個(gè)因數(shù)的權(quán)重比x、y、z之和必須等于1。重新得出新的加權(quán)平均公式：

[Qi，n=xEi，n+yGi，n+zHi，n]? ? ? ? ? ? ? ? ? ? ? ? ? ?⑷

[1=x+y+z]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?⑸

[Wa，i=1M（a）（Qi，n×Sa，n）1M（a）Qi，n]? ? ? ? ? ? ? ? ? ? ? ? ? ? ⑹

上式中，經(jīng)過(guò)優(yōu)化的物品協(xié)同過(guò)濾算法的實(shí)現(xiàn)，是在經(jīng)過(guò)景點(diǎn)相似度計(jì)算之后的加權(quán)平均預(yù)測(cè)公式中加入評(píng)論數(shù)量和景點(diǎn)與用戶的距離因素，形成新的加權(quán)平均預(yù)測(cè)公式。根據(jù)新的公式進(jìn)行計(jì)算，得出用戶對(duì)某一景點(diǎn)的潛在喜歡程度，從而篩選出相似的景點(diǎn)，得到最優(yōu)結(jié)果集并進(jìn)行推薦，實(shí)現(xiàn)最優(yōu)的附近景點(diǎn)推薦，提高用戶的滿意程度。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集

本文的數(shù)據(jù)來(lái)自全國(guó)旅游景點(diǎn)數(shù)據(jù)集，其中全國(guó)旅游景點(diǎn)數(shù)據(jù)集包含了5萬(wàn)個(gè)景點(diǎn)數(shù)據(jù)。將數(shù)據(jù)集分為訓(xùn)練集與測(cè)試集，然后再分為歷史數(shù)據(jù)集與附近景點(diǎn)數(shù)據(jù)集。數(shù)據(jù)集中主要包含以下屬性：用戶，景點(diǎn)，城市，評(píng)論數(shù)量，景點(diǎn)評(píng)分。

2.2 評(píng)估指標(biāo)

本文使用準(zhǔn)確率、召回率和F1值[8]來(lái)評(píng)估算法的性能。準(zhǔn)確率代表推薦物品中準(zhǔn)確推薦的比例，召回率則代表真實(shí)物品中被推薦出來(lái)的比例。F1值是準(zhǔn)確率和召回率的加權(quán)平均。計(jì)算出每個(gè)景點(diǎn)的F1值，生成全部景點(diǎn)數(shù)據(jù)集的F1值表。F1的指數(shù)越高，代表推薦效果更好。

1）準(zhǔn)確率：表示用戶喜歡的景點(diǎn)在用戶總推薦的景點(diǎn)數(shù)據(jù)中所占的比例，公式如下：

[Ti，n=iM|m（n）?r（n）|iM|c（n）|]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?;⑹

2）召回率：表示用戶喜歡的推薦景點(diǎn)數(shù)與用戶總喜歡的推薦景點(diǎn)數(shù)的比例，公式如下：

[Gi，n=iM|m（n）?r（n）|iM|m（n）|]? ? ? ? ? ? ? ? ? ? ? ? ? ? ?⑺

3）F1值的計(jì)算公式為：

[F1=Ti，n×Gi，n×2Ti，n+Gi，n]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?⑻

上式中：[Ti，n]代表i個(gè)景點(diǎn)對(duì)用戶n的準(zhǔn)確率;[Gi，n]代表景點(diǎn)i對(duì)用戶n的召回率;m（n）為用戶喜歡推薦的景點(diǎn);r（n）為用戶總喜歡的推薦景點(diǎn);c（n）為用戶總的推薦景點(diǎn)。

2.3 實(shí)驗(yàn)的結(jié)論與分析

本文中使用傳統(tǒng)的基于物品的協(xié)同過(guò)濾算法，與本文加入因素的改進(jìn)的協(xié)同過(guò)濾算法來(lái)進(jìn)行比較。對(duì)比數(shù)據(jù)與結(jié)果如下：

根據(jù)表1、表2繪制出兩種算法的對(duì)比折線圖更直觀地展示出對(duì)比的結(jié)果。

通過(guò)觀察圖3～圖5中整體的趨勢(shì)可以看出算法的準(zhǔn)確率，召回率，F(xiàn)1值都呈上升趨勢(shì)，但相比較于傳統(tǒng)的協(xié)同過(guò)濾算法，本文提出的算法更優(yōu)于傳統(tǒng)的協(xié)同過(guò)濾算法。根據(jù)對(duì)比結(jié)果表明，協(xié)同過(guò)濾算法不能只對(duì)用戶、景點(diǎn)、評(píng)分這三點(diǎn)來(lái)作為推薦的主要重點(diǎn)，引入不同的特征點(diǎn)，把問(wèn)題具體化，更能計(jì)算出最優(yōu)的推薦結(jié)果[9]。

3 結(jié)束語(yǔ)

本文首先提出使用Redis的GEO算法來(lái)實(shí)現(xiàn)對(duì)用戶地理位置景點(diǎn)的距離計(jì)算與數(shù)據(jù)的篩選。其次除評(píng)分因數(shù)外，再加入景點(diǎn)評(píng)論數(shù)量因數(shù)和景點(diǎn)與用戶的距離因數(shù)改進(jìn)基于物品的協(xié)同過(guò)濾算法，得出更適合用戶喜歡的附近景點(diǎn)的推薦。改進(jìn)的算法不僅考慮到景點(diǎn)與景點(diǎn)之間的相似度，也對(duì)用戶喜好與景點(diǎn)特征的相似度進(jìn)行考慮，從而得出的推薦結(jié)果更能符合用戶的喜好。通過(guò)進(jìn)行實(shí)驗(yàn)傳統(tǒng)的協(xié)同過(guò)濾算法與本文算法來(lái)進(jìn)行對(duì)比，結(jié)果顯示此方法提高了精確率與召回率從而提高F1值，使得推薦效果達(dá)到更好。

參考文獻(xiàn)：

[1] 周徐虎，李世港，羅儀，等.基于對(duì)稱映射搜索策略的自適應(yīng)金鷹算法及應(yīng)用[J/OL].電子科技：1-10[2023-06-23].https：//doi.org/10.16180/j.cnki.issn1007-7820.2024.08.002.

[2] 張盼盼，劉凱凱.基于協(xié)同過(guò)濾算法的圖書推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)時(shí)代，2023（8）：144-146.

[3] 陳勇.基于協(xié)同過(guò)濾算法的旅游推薦系統(tǒng)的設(shè)計(jì)[J].價(jià)值工程，2022，41（30）：160-162.

[4] 許馨，郭家赫，喬宇，等.一種基于遺忘機(jī)制與余弦相似度的智能推薦算法[J].軟件工程，2023，26（10）：15-18.

[5] 程娟娟.高?？蒲信c教學(xué)關(guān)系實(shí)證研究——基于皮爾遜相關(guān)系數(shù)的分析[J].中國(guó)高校科技，2022（10）：46-52.

[6] 胡紅萍，喬世昌，孔慧華，等.基于加權(quán)平均樽海鞘群算法和BP神經(jīng)網(wǎng)絡(luò)的COVID-19預(yù)測(cè)[J].新疆大學(xué)學(xué)報(bào)（自然科學(xué)版）（中英文），2022，39（1）：19-25.

[7] 王睿，姜學(xué)軍.基于改進(jìn)協(xié)同過(guò)濾的圖書推薦算法研究[J].信息技術(shù)與信息化，2023（4）：149-152.

[8] 王照國(guó)，張紅云，苗奪謙.基于F1值的非極大值抑制閾值自動(dòng)選取方法[J].智能系統(tǒng)學(xué)報(bào)，2020，15（5）：1006-1012.

[9] 齊晶，劉瀛，劉艷霞，等.基于標(biāo)簽的協(xié)同過(guò)濾推薦方法研究[J].北京聯(lián)合大學(xué)學(xué)報(bào)，2021，35（2）：47-52.

【通聯(lián)編輯：謝媛媛】