在線旅游信息推薦方法研究

史海燕 郭海玲

摘 要：在線旅游信息推薦是目前信息推薦的重要應(yīng)用領(lǐng)域。在對已有旅游信息推薦方法進(jìn)行梳理的基礎(chǔ)上，提出了一種基于文本挖掘的在線旅游信息推薦方法。該方法從文本信息中提取旅游景點(diǎn)的內(nèi)容特征，基于內(nèi)容特征構(gòu)建用戶偏好模型，基于相似度計算實(shí)現(xiàn)旅游景點(diǎn)的推薦。實(shí)驗(yàn)表明，提出的方法可以取得較優(yōu)推薦效果。

關(guān)鍵詞：信息推薦;旅游信息;推薦方法

中圖分類號：F2 文獻(xiàn)標(biāo)識碼：Adoi：10.19311/j.cnki.1672-3198.2019.06.013

信息推薦是解決信息超載問題的有效方法之一，也是提供個性化信息服務(wù)的主要途徑。信息推薦技術(shù)或系統(tǒng)可以幫助用戶從動態(tài)變化的信息流中過濾更符合用戶需求的信息，降低用戶的信息獲取成本，減輕用戶信息負(fù)擔(dān)，滿足用戶個性化的信息需求。隨著社會經(jīng)濟(jì)的發(fā)展，旅游成為人們經(jīng)常開展的活動之一，而已有研究表明，網(wǎng)絡(luò)已成為用戶搜索和預(yù)定旅游服務(wù)的主要信息來源。網(wǎng)絡(luò)空間擁有豐富的旅游信息資源，如旅游線路信息、景點(diǎn)評論信息、游記、旅游攻略信息等，但從紛繁復(fù)雜的信息中提取用于旅游決策的信息需要花費(fèi)大量的時間和精力，用戶需要有效的方法來解決這一問題，旅游信息推薦成為信息推薦重要的研究與應(yīng)用領(lǐng)域。本文對國內(nèi)外在線旅游信息推薦方法進(jìn)行梳理，在此基礎(chǔ)上提出一種基于文本信息挖掘的在線旅游信息推薦方法。

1 國內(nèi)外在線旅游信息推薦方法

信息推薦的基本方法可以分為基于內(nèi)容的推薦、協(xié)作式推薦和混合式推薦?；趦?nèi)容的推薦需要提取待推薦項目的內(nèi)容特征，在此基礎(chǔ)上構(gòu)建用戶偏好模型，基于用戶偏好模型實(shí)現(xiàn)推薦。協(xié)作式推薦可以分為基于用戶的協(xié)作式推薦和基于項目的協(xié)作式推薦，前者基于相似用戶推薦，后者基于相似項目推薦?；旌鲜酵扑]是將基于內(nèi)容的推薦和協(xié)作式推薦兩種方法進(jìn)行整合。具體到旅游信息推薦領(lǐng)域，根據(jù)推薦對象的不同，在線旅游信息推薦可以分為三類。

1.1 旅游地點(diǎn)推薦研究

這一類研究面向特定的旅游地點(diǎn)或興趣點(diǎn)進(jìn)行推薦。Xu等利用用戶社交網(wǎng)絡(luò)中照片的地理標(biāo)簽獲取用戶的數(shù)字足跡，基于用戶在特定情境（季節(jié)和天氣）下旅游歷史的主題分布為用戶推薦旅游地點(diǎn)。Clements等基于同時訪問某一位置的用戶數(shù)量，利用位置在共現(xiàn)空間的高斯密度估計來聚類相關(guān)的地理標(biāo)簽，以此計算兩個旅游地點(diǎn)的相似度，進(jìn)而提供推薦。TREC（Text Retrieval Coference，文本檢索會議）的情境化建議任務(wù)（Contextual Suggestion Track）利用用戶偏好和時空情境（后期僅包括空間情境）推薦POI（興趣點(diǎn)）。

1.2 旅游套餐推薦

這一類研究面向組合成套的旅游產(chǎn)品進(jìn)行推薦，如旅游公司提供的包含多個旅游景點(diǎn)、旅游天數(shù)、價格及配套服務(wù)的旅游套餐產(chǎn)品。Ge等考慮用戶的時間成本和經(jīng)濟(jì)成本，為用戶推薦旅行套餐。Xie等構(gòu)建的CompRec-Trip系統(tǒng)也是在考慮用戶時間成本和經(jīng)濟(jì)成本的基礎(chǔ)上提供旅游套餐推薦服務(wù)。Yu等利用基于位置的社交網(wǎng)絡(luò)構(gòu)建用戶和位置的模型，通過協(xié)作式過濾確定用戶的偏好，同時考慮用戶偏好和時空約束為用戶推薦旅游套餐。

1.3 旅游線路推薦

這類研究關(guān)注的是旅游地點(diǎn)間的序列關(guān)系。Tsai和Chung考慮用戶偏好和時間，為用戶提供主題公園路線推薦。Zheng和Xie通過對用戶歷史GPS軌跡的挖掘?yàn)橛脩籼峁┨囟臻g區(qū)域內(nèi)景點(diǎn)及線路的推薦。

2 基于文本挖掘的旅游景點(diǎn)推薦方法

本文提出的方法是一種基于內(nèi)容的信息推薦方法，推薦的對象是旅游景點(diǎn)信息。該方法首先從旅游景點(diǎn)的描述文本中提取文本特征，將文本特征作為旅游景點(diǎn)的內(nèi)容特征。其次基于用戶對旅游景點(diǎn)的評分?jǐn)?shù)據(jù)，計算用戶對不同景點(diǎn)特征的興趣度（即偏好程度），在此基礎(chǔ)上建立用戶偏好模型。最后基于用戶偏好與待推薦景點(diǎn)的相似度進(jìn)行排序推薦。

2.1 文本特征的提取

在基于內(nèi)容的信息推薦中，如何提取待推薦項目的內(nèi)容特征是關(guān)鍵問題之一。對于旅游景點(diǎn)的推薦，已有研究中提取特征的方法大致分為基于類屬特征進(jìn)行提取、基于研究者選擇的特征提取以及基于文本特征的提取。第一種方法是將旅游景點(diǎn)分類，以類目名稱作為旅游景點(diǎn)的內(nèi)容特征，這一方法易于實(shí)現(xiàn)，但不能反映單個景點(diǎn)特有的屬性特征。第二種方法是由研究者選擇特定的屬性作為旅游景點(diǎn)的內(nèi)容特征，如位置、價位、季節(jié)等，這一方法雖能凸顯景點(diǎn)的屬性特征，但通常研究者所選擇的屬性僅限于少數(shù)，因此對于景點(diǎn)特征的呈現(xiàn)也并不充分。本文擬采用第三種方法，即從旅游景點(diǎn)的描述文本中提取文本特征，將文本特征作為旅游景點(diǎn)的內(nèi)容特征。網(wǎng)絡(luò)空間中分布著大量的旅游景點(diǎn)信息，為提取內(nèi)容特征提供了豐富的語料，也可以從中提取更為多元的內(nèi)容特征。

文本特征的提取有多種方法，如逆文檔頻率（TFIDF）、信息增益、互信息、N-Gram法、卡方統(tǒng)計等，本文選取逆文檔頻率法。TFIDF作為一種文本特征抽取的基本方法，具有簡單高效的特點(diǎn)，在文本信息處理領(lǐng)域有著廣泛的應(yīng)用，其基本原理為：一個詞在某一文檔中出現(xiàn)的頻次越多，該詞對文檔內(nèi)容的貢獻(xiàn)越大，權(quán)值越高;一個詞在某一文檔集合中出現(xiàn)在越少的文檔中，其對文檔的區(qū)分能力越強(qiáng)，權(quán)值越高。在對旅游景點(diǎn)的描述文本信息進(jìn)行采集和預(yù)處理后，計算特征項的TFIDF值，將TFIDF值大于特定閾值的特征項提取為景點(diǎn)的內(nèi)容特征。

2.2 用戶偏好建模

用戶偏好模型（user profile），也稱之為用戶模型（user model）、用戶個性化模型（user personal profile），通常描述的是用戶興趣和資源特征等概念節(jié)點(diǎn)和節(jié)點(diǎn)間的關(guān)聯(lián)。本文采用向量空間模型表示用戶偏好，具體如下：

興趣度的計算為這一方法的核心問題。本文將用戶ui對屬性ak的興趣度sk定義如下：

2.3 相似度計算

在構(gòu)建了用戶偏好模型后，就可以基于用戶偏好模型進(jìn)行旅游景點(diǎn)的排序推薦。將旅游景點(diǎn)表示為其內(nèi)容特征的向量形式，通過計算景點(diǎn)向量與用戶偏好模型的相似度即可以實(shí)現(xiàn)排序推薦。相似度的計算方法有多種形式，本文采取較為常用的余弦公式。

3 實(shí)驗(yàn)及結(jié)果

為驗(yàn)證本文方法的有效性，研究者采集了數(shù)據(jù)并進(jìn)行了計算機(jī)實(shí)驗(yàn)。首先是實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)備。本實(shí)驗(yàn)所需數(shù)據(jù)包括兩方面：一是旅游景點(diǎn)的描述文本語料庫;二是用戶的評分?jǐn)?shù)據(jù)。描述文本語料庫通過自動采集與人工采集相結(jié)合的方式構(gòu)建，最終得到5032條旅游景點(diǎn)及相應(yīng)的描述文本。用戶評分?jǐn)?shù)據(jù)通過問卷調(diào)查的方法獲得，調(diào)查了39位用戶對100個旅游景點(diǎn)的偏好信息。實(shí)驗(yàn)基于Windows操作系統(tǒng)，利用Python編程實(shí)現(xiàn)文本信息特征提取、用戶偏好模型的構(gòu)建及相似度的計算。選取查全率、查準(zhǔn)率和F均值作為評價指標(biāo)。實(shí)驗(yàn)結(jié)果顯示，本文提出的基于文本信息挖掘的推薦方法取得了較好推薦效果。

參考文獻(xiàn)

[1]Xu Z.X.，Chen L.，Chen G..Topic based context-aware travel recommendation method exploiting geotagged photos[J].Neurocomputing ，2015 ，155（C）：99-107.

[2]Clements M.，Serdyukov P.，Vries A.P.，et al..Personalised travel recommendation based on location co-occurrence[J].Computer Science，2011，June：1-30.

[3]Ge Y.，Liu Q.，Xiong H..，et al..Cost-aware travel tour recommendation[C]//Proceedings of the 11th KDD，San Diego，California，USA，2011：983-991.

[4]Xie M.，Lakshmanan L.V.S.，Wood P.T..CompRec-Trip：A composite recommendation system for travel planning[C]// International Conference on Data Engineering，Hannover，Germany，2011：1352-1355.

[5]Yu Z.，Xu H.，Yang Z.，et al..Personalized travel package with multi-Point-of-Interest recommendation based on crowdsourced user footprints[J].IEEE Transactions on Human-Machine Systems，2015，46（1）：1-8.

[6]Tsai C.Y.，Chung S.H..A personalized route recommendation service for theme parks using RFID information and tourist behavior[J].Decision Support Systems ，2012，52（2）：514-527.

[7]Zheng Y.，Xie X..Learning travel recommendation from user-generated GPS trajectories[J].CM Transaction on Intelligent Systems and Technologies，2011，2（1）：389-396.