基于協同過濾算法的旅游推薦系統的設計與實現

史睿瑤

摘要：目前用戶出行前多是從網上查找旅游信息，由于信息過載且推薦算法在旅游推薦領域應用很少，從海量信息中找到心儀的旅游景點并非易事。為了能夠有效解決過載問題并向用戶精準提供有效信息，設計出融合了旅游景點屬性的協同過濾算法的旅游推薦系統。該文首先為旅游景點建立評價指標體系，將指標數據作為景點屬性進行相似度計算并根據計算結果對旅游景點進行相似分類，結合協同過濾算法計算用戶相似性并產生專屬景點推薦列表，為用戶提供個性化旅游推薦。本系統對河北省11個城市的旅游景點進行推薦。

關鍵詞：旅游推薦;景點屬性;協同過濾;相似度

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）35-0064-03

開放科學（資源服務）標識碼（OSID）：

Design and Implementation of Travel Recommendation System Based on Collaborative Filtering Algorithm

SHI Rui-yao

（Hebei University of Engineering， Handan 056004， China）

Abstract： At present， a lot of users before a trip to find travel information from the Internet， due to information overload and recommendation algorithm applied in the field of recommendation are very few， found in the mass information of tourist attractions is not easy to be able to effectively solve the problem of overload and provide useful information to user accurately， design the blend of the tourist attractions tourism recommendation system properties of collaborative filtering algorithm This paper in order to establish the evaluation index system of tourist attractions， the index data as the attributes of the scenic spots in similarity calculation based on the calculation results of similar tourist attractions are classified， combined with the collaborative filtering algorithm to calculate similarity between user and generate exclusive attractions recommended list， to provide users with personalized recommendation system this tourist attraction of 11 cities in Hebei province is recommended.

Key words： tourism recommendation; scenic spot attribute; collaborative filtering; similarity

1 背景

隨著旅游業的發展旅游行業越來越信息化，數量眾多的旅游景點存在著信息過載現象且日益嚴重，用戶在網上查找時很難真正搜索到自己感興趣的旅游景點，對此推薦系統是一種行之有效的解決方法。目前推薦系統已在電影、新聞、音樂、電子商務等方面應用廣泛，但在旅游領域還未廣泛使用：各大旅游網站多是提供信息查詢及訂票服務，鮮有對于旅游景點的推薦，因此本文將推薦算法應用于旅游景點的推薦。

個性化推薦系統具有商務智能，依托于挖掘大量數據信息，建立模型幫助用戶進行決策或者為用戶定制推薦符合其自身喜好的商品。本文選擇的推薦算法是協同過濾算法，其誕生之初主要用于過濾個人郵件，目前協同過濾推薦在電子商務、電影、音樂等方面應用成熟，在旅游領域鮮有使用。國內目前存在的旅游服務網站大多只是將旅游景點進行簡單的分類，對景點概要介紹并為用戶開放評論與評分功能，這些服務較為被動且不具個性化，對于沒有明確目的地的用戶來說服務不夠有針對性。矩陣稀疏是它的一大缺點，有學者提出利用景點自身特性為旅游景點添加標簽以解決數據稀疏的問題[1]。對于普通用戶來說，協同過濾的優點在于可以共同分享他人經驗，使得搜索結果信息更加精確，還可以得到新信息?；谝陨涎芯勘尘埃疚脑O計并實現基于協同過濾的旅游推薦系統，希望可以為現在的旅游信息系統發展個性化推薦時提供一定的借鑒意義[2]。

2 旅游景點推薦系統的相關介紹

2.1 算法介紹

旅游推薦系統的作用主體為用戶和旅游景點，主要研究也是針對用戶信息和景點信息進行計算。協同過濾算法的原理和思想是：基于用戶信息從歷史用戶中尋找與其愛好相似、興趣相投的，找到相似用戶集群之后通過分析這些歷史用戶的歷史行為發掘他們的其他喜好和行為信息，并基于這些信息完成對目標用戶的喜好和行為預測給出推薦[3]。由于只考慮用戶評分有其片面性和局限性，本文考慮在協同過濾算法中引入景點屬性對景點進行相似度計算。通過建立旅游景點評價指標體系作為詳細描述景點的標簽，結合協同過濾算法對矩陣中的空缺值進行評分預測從而得到推薦結果。根據算法特性本系統使用基于物品的協同過濾推薦算法[4]，基本公式為：

[Puj=j∈N（u）?S（i，K）Wjiruj]

基本原理就是通過分析用戶的歷史行為找到用戶喜歡過的商品集合，計算相似度確定歷史商品的相似商品，將相似度高的新商品推薦給用戶[5]，適用于商品數比用戶集數量小很多且數量不宜發生變化的情況。

2.2 評價指標的建立

評價指標是分析旅游競爭力的必不可少的要素，可以詳細表現出景點的特征，對于景點相似度計算結果有增益效果。由于目前尚未形成統一的指標評價體系，本文在研究大量文獻的基礎上，分析與篩選整理并選取其中質量好、可信度高的，作為本文旅游景點評價指標體系構建的理論依據。本旅游景點評價指標體系的確立所使用到的方法有：調查問卷法、專家法和二次文獻法建立，本評價指標體系分為三級，如下表1所示。

2.3 確定權重

本文確定數據權重的方法是AHP層次分析法， 是一種定性和定量相結合的、系統化、層次化的分析方法[6]。其確定流程為：首先需要構建判斷矩陣，構建方式為：計算出各分析項的平均值，接著利用平均值大小相除得到判斷矩陣，平均值越大意味著重要性越高，權重也會越高，得出結果之后計算CR值（一致性指標，[CR=CIRI]）。大致可將一致性檢驗過程分為以下幾個步驟：第一：先描述上述計算得到的CI值，公式為：[CI=最大特征根-1n-1];第二：結合判斷矩陣階數得到RI值;第三：求出CR值得到一致性檢驗結果。一般情況下CR值越小越好，若小于0.1，則可以得出此矩陣滿足一致性檢驗;反之需調整判斷矩陣之后重新檢驗。由于旅游景點有13個屬性值，故本次判斷矩陣為13階且CI值為0.000，針對RI值查表為1.560，根據結果可知得出的權重具有一致性。結果如下表2所示。

2.4 景點相似度計算

確定評價指標體系每項數據權重之后，從網絡上爬取相關數據可以構建出關于景點-評價指標的549×12維矩陣：

[J1J2...J549A1A2...A12B1B2...B12............N1N2...N12]

其中每一行代表一個景點的數據，本次數據采集到河北省的549條景點數據，所以本矩陣有549行;每一列分別代表一個評價指標。由于旅游景點數量不容易發生大的變動且遠遠小于用戶數量，本矩陣數據密集且變量之間基本存在共有值，故景點相似度選用歐氏距離計算。其表示在向量空間中某兩點之間的真實距離，或某點到原點間距離，通過對個體在空間中距離的度量來確定個體間的相似性，公式為：

[dist（X，Y）=i=1n（xi-yi）2]

對于實現景點相似度計算時選用Python語言，將預處理過的數據寫入上述矩陣中，循環賦值矩陣中每一行為X、Y，分別兩兩計算其歐氏距離并選取TOP10作為景點的相似景點。該部分核心代碼如下：

for i in item_similar.index：

_df = item_similar.loc[i].drop（[i]）

_df_sorted = _df.sort_values（ascending=False）

top10 = list（_df_sorted.index[：10]）

topN_items[i] = top10

3 旅游景點推薦系統設計構建

3.1 總體架構設計

本系統需要構建用戶屬性數據庫表和景點屬性數據庫表，通過對用戶和景點的屬性信息相似度的計算確定推薦列表，為用戶提供個性化推薦。系統架構圖如下。

3.2 主要功能

本旅游推薦系統主要針對目標目的地模糊不清或想探尋沒去過的、不一樣的旅游景點的游客，系統分為管理端和用戶端[7]，用戶端分為游客登錄模塊、熱門推薦模塊、景點評分模塊、個性化推薦模塊。用戶初登錄系統時會看到熱門推薦模塊，該模塊結果選自所有景點中用戶評分較高的TOP景點，由于所有用戶登錄系統后所看到的推薦結果相同所以不具有個性化推薦功能。個性化推薦是通過對用戶和景點信息進行相似度計算并結合協同過濾算法得到的針對用戶的專屬推薦列表，每個用戶的推薦結果都不一樣。管理員負責管理用戶和景點的信息，從管理端的登錄入口登錄。系統的功能模塊圖如圖2所示。

3.3 數據獲取

通過對景點數據的抓取，將得到的550個景點分為9個類別分別為：地文景區、水域景區、生物景區、歷史遺跡景區、博物館景區、主題公園景區、度假區、建筑物景區和民族民俗景區九類。本系統數據集主要利用爬蟲[8]技術從旅游網站上獲取，取得的景點數據其實就是標簽數據，矩陣中的一行[A1A2...A12]就是景點J1的標簽。指標體系中創新的屬性為酒店餐飲服務，需要爬取景點周邊兩公里范圍內的酒店餐館數量，該部分核心代碼為：

For i in range（len（lat_partion））：

location=str（lat_partion[i]）+"，"+str（lng_partion[i]）

3.4 系統實現

景點評價指標體系作為景點屬性可以側面反映出每個景點的具體標簽信息，通過分析指標體系數據可以獲取景點特征，進而計算景點相似度。將取得的550個景點數據中每個景點與除自身以外的其他景點分別進行相似度計算，然后取得相似度值最高的TOP10個景點作為該景點的相似景點。隨機取得兩個景點的相似度計算結果如圖3所示。

得到景點的相似景點之后，結合用戶評分對用戶-項目評分矩陣進行填充，從而得到每個用戶的專屬推薦列表，實現對于用戶的個性化推薦。

4 結束語

好的推薦系統的意義在于不僅能夠預測用戶的喜好選擇，更能夠為其提供“意外之喜”，拓寬用戶視野，幫助他們發現自己以前從未接觸過并很感興趣的新事物[9]。本文針對旅游景點信息建立評價指標體系，爬取相關數據并將其作為景點屬性對旅游景點進行相似度計算，再結合協同過濾算法得出每個用戶的旅游景點推薦列表從而對用戶產生個性化推薦，實驗結果表明這種方法可以對用戶產生有效推薦并幫助用戶發現新的未知景點。

參考文獻：

[1] 李雅美，王昌棟.基于標簽的個性化旅游推薦[J].中國科學技術大學學報，2017，47（7）：547-555.

[2] 吳軍.基于協同過濾的個性化旅游推薦系統的研究與實現[D].北京：北京交通大學，2017.

[3] 侯新華，文益民.基于協同過濾的旅游景點推薦[J].計算技術與自動化，2012，31（4）：116-119.

[4] 程江飛. 面向個性化推薦系統的協同過濾算法研究[D].蘇州：蘇州大學，2019.

[5] 高潔. 基于主題特征的情感分類及推薦算法研究[D].天津：天津大學，2016.

[6] 屈正庚.基于AHP旅游景點競爭力評價體系的研究[J].甘肅科學學報，2019，31（2）：8-12.

[7] 林琬珍.基于協同過濾技術的旅游景點推薦系統的設計與實現[D].沈陽：遼寧大學，2016.

[8] 汪欲勝，朱尚斌，侯山，等.基于大數據環境下Python的爬蟲技術的應用[J].信息通信，2020，33（8）：189-190.

[9] 項亮.推薦系統實踐[M].北京：人民郵電出版社，2012.

【通聯編輯：謝媛媛】