论文部分内容阅读
移动智能设备的广泛使用和移动通信技术的不断提升,使得用户可以在移动网络环境下随时随地分享自己的旅游经历,极大地提高了用户发表评论的积极性、增加了用户评论的即时性。海量的用户数据也为挖掘用户旅游偏好提供了更多机会,为用户制定个性化推荐内容的同时也是在为旅游服务提供商发掘潜在用户、增加营业收入。因此,学术界和工业界,都在不断采用更先进、更有效的方法来提高旅游推荐系统的效率。旅游推荐系统的研究由来已久,但是现有的研究方法忽略了多种因素对用户决策的影响。旅游景点,特别是自然风光类的旅游景点,其最佳游览时间仅仅集中在每年的部分时间,而目前的旅游推荐方法却没有考虑到景点的时效性、季节性与用户出行规律之间的而匹配程度。此外,目前的旅游推荐方法没有充分利用旅游社交网络中丰富的、多维度的社交信息。针对上述问题,提出了一种考虑多种影响因素的旅游服务推荐方法,主要工作包括:(1)研究分析了旅游相关推荐系统的国内外发展现状,发现目前研究工作中存在的不足。(2)针对旅游服务流行度和评分存在季节性波动的问题,结合遗传算法(GA)和深度学习算法的LSTM网络,提出一种基于时间序列预测旅游服务流行度和评分的算法,并在真实数据集上与多种时间序列预测方法进行对比,实验结果显示在旅游服务流行度和评分的预测上,GA-LSTM算法表现良好。(3)融合旅游服务的预测流行度和预测评分,计算基于预测评分的旅游服务流行度与用户出行规律的相似度得分(GA-LSTM_Rec);考虑在社交网络中用户的多维社交信息,提出用户显式影响力和用户隐式影响力,并将其融合到SVD算法(SoInf_SVD);使用矩阵分解技术计算用户对旅游服务类别的偏好(CaMF)。最后将三种方法的计算结果加权求和,得到一种融合的旅游服务推荐算法(GA-LSTM_CSInf)。并在真实的数据集上验证算法的有效性,进行多维度、全方位的对比实验,实验结果表明本文提出的GA-LSTM_CSInf算法是一种先进的旅游服务推荐算法。(4)根据实际使用场景,将提出的旅游服务推荐算法融合到在线旅游应用中,并设计和实现了一个MyTravel旅游服务推荐应用原型。