论文部分内容阅读
旅游业是一个重要的产业,大量的游客通过自助旅游的形式出游。为用户自动推荐符合游客需求的兴趣点(Point-of-Interest,POI)及旅游路线是个性化旅游推荐的关键。随着移动智能设备的普遍运用,形成了一种基于位置的社交网络(Location-based Social Network,LBSN)。大量包含用户出行时空信息的社交网络数据,为了解用户行为和实现个性化旅游推荐提供了机会。本文针对个性化旅游推荐的关键性问题:POI推荐和个性化旅游路线推荐展开研究。为了更好挖掘用户在旅游中的个性化偏好,提出基于深度学习的POI推荐算法和旅游路线推荐算法。本文主要研究工作如下:(1)社交网络数据的特征分析和向量化处理。通过特征分析确定了主题特征、地理因子特征和用户访问特征的有效性;在实验数据的向量化处理中,通过定义了一个新的主题模型将主题特征进行向量化处理;使用归一化方法对地理因子特征进行向量化处理;根据矩阵分解(Matrix Factorization,MF)算法对用户访问特征进行向量化处理。通过特征的向量化表示,缓解了社交网络数据的稀疏性问题。(2)提出了一种基于深度神经网络(Deep Neural Networks,DNN)的POI个性化推荐算法。该方法使用特征嵌入技术融合了社交网络中的有效特征,使用深度学习模型提取特征之间的高阶交互。通过真实实验数据集上的验证得出,该方法在推荐算法的衡量指标明显高于其他对比算法,其中在推荐POI个数为前五、前十和前二十的准确率上分别最高提升9.9%、7.4%和7%,在召回率上分别最高提升4.2%、7.5%和14.4%。(3)提出了一种基于用户动态兴趣的个性化旅游路线推荐算法。用户在旅游过程中的兴趣应是符合旅游区域特征的动态矢量。该方法通过加权用户历史旅行兴趣和旅游目标区域特征,挖掘用户旅行过程中的动态兴趣偏好进而向用户推荐旅游路线。通过在真实实验数据集上的实验验证,该方法在推荐算法的衡量指标明显高于其他对比的个性化旅游路线推荐方法,并且更贴近游客真实的旅游路线。综上所述,本文提出的个性化旅游推荐方法,有效融合了社交网络中的多个特征,并利用向量化和深度学习技术有效缓解了基于社交网络进行旅游推荐中存在的数据稀疏性和特征学习问题,其研究在旅游业行业中具有很重要的使用场景和商业价值。