基于協同過濾算法的旅游推薦系統的設計

陳勇CHEN Yong

（陜西理工大學數學與計算機科學學院，漢中 723000）

0 引言

隨著互聯網技術的飛速發展和信息資源的日益豐富，信息量的增長速度遠遠超過了我們所能處理的速度。如何在如此龐大的信息量中找出我們感興趣的信息是非常困難的。推薦系統的研究和發展已經成為電子商務行業中不可缺少的方法。它能夠通過對用戶的歷史行為數據進行分析找到用戶比較感興趣的商品或項目，達到對用戶實現個性化的推薦的目的。其中，使用協同過濾算法是推薦系統中應用最成功、應用最廣泛的技術之一。它的主要特點是不依賴于產品的內容，而是完全取決于一類用戶所表達的喜好。通常協同過濾算法可以分為基于內存的協同過濾算法和基于模型的協同過濾算法兩大類。基于內存的協同過濾算法是使用整個用戶商品數據庫來計算用戶和商品之間的相關性，并為用戶推薦類似的商品，如Slope one算法、矩陣分解等。基于模型的協同過濾算法通過研究用戶的歷史數據對描述性模型進行優化，然后將其應用于預測評分，如神經網絡分類、貝葉斯網絡等。

目前旅游行業信息化程度越來越高，各個旅游景點的相關信息在各類系統中存儲的數據量越來越大，用戶查找自己感興趣的旅游景區信息越來越困難。目前在旅游行業使用推薦系統進行各種信息的推薦方法還沒有廣泛使用，旅游景區網站或主流的旅游網只提供旅游景點信息發布、查詢以及實現了在線旅游景點門票的購買服務等，而對旅游景區景點、促銷等服務的推薦工作還沒有廣泛的應用，為此本文將推薦算法應用于旅游景區的推薦服務中。通過計算目標用戶和別的用戶的相似度，選擇相似度大于設定閾值的用戶為目標用戶的鄰居，以縮小鄰居的搜索范圍，然后利用鄰居對目標項的得分來預測目標用戶的目標項。最后，在預測出目標用戶對所有未評級景區的得分后，可以采用Top-K方法將得分值最高的K個景區推薦給目標用戶。該算法能較準確地預測出用戶對旅游景點的評分。

1 協同過濾算法的概念

協同過濾算法是推薦算法中比較經典常用的一種，它主要包括基于內存的協同過濾和基于模型的協同過濾兩種算法。前者主要根據用戶的歷史數據進行相關的推薦，它使用領域的方法又可以分為基于用戶的協同過濾算法和基于項目的協同過濾算法。

1.1 基于內存的協同過濾算法

基于內存的協同過濾算法一般采用最近鄰方法，該算法首先利用用戶的歷史偏好信息來計算出用戶之間的距離，其次利用目標用戶的鄰居用戶對產品的評價的加權值來預測目標用戶對特定產品的偏好。推薦系統根據偏好程度推薦目標用戶。該方法包括基于用戶的協同過濾算法和基于項目的協同過濾算法。基于用戶的方法根據用戶之間的評分行為的相似性來預測用戶的評分。這兩種方法的原理是不同的，因此在不同的應用場景下，它們的表現也不同。

1.1.1 基于用戶的協同過濾算法

基于用戶的協同過濾（User-based CF）主要思想是以往具有相似評分的用戶應該具有相似的興趣，這樣就可以根據相似用戶評分數據估算目標用戶對某一項目的未評分數據值，原理示例如圖1所示。在圖1中，箭頭指向用戶指向該項目表示用戶喜歡引用該項目，并且該項目指向用戶代表以向目標用戶推薦該項目。對于這三個用戶，用戶A和用戶C喜歡A項和C項在一起，而用戶B的偏好與其他兩個用戶相交不大，因此我們可以得到用戶A和用戶C的興趣偏好相似，因此根據推薦原則，用戶C喜歡但用戶A沒有評分的D項可以推薦給用戶A。

1.1.2 基于項目的協同過濾算法

而基于項目的協同過濾算法（Item-basing CF）根據項目考慮問題，但算法本身并不是根據項目本身的特性來判斷項目之間的相似性，而是通過用戶行為來判斷項目之間的相似性。如圖2所示，用戶A和用戶C首選的項目中的公共項目是項目A和項目D。根據算法本身的原理，可以得到A項與D項相似，因此與A項相似的D項可以在用戶B喜歡A項時相對推薦。

1.2 基于模型的協同過濾算法

基于模型的協同過濾算法和基于內存的協同過濾算法有著本質區別。前者傾向于在尋找關聯的協作鄰居用戶之前建立模型（建立用戶瀏覽、點擊、購買等信息的綜合用戶偏好模型），將模型與協作鄰居用戶進行比較，預測用戶的偏好，將項目集合劃分為多個模塊，根據用戶的模型，對協作鄰居用戶的模塊單元進行分類，篩選出與用戶模型最匹配的模塊集，并向用戶推薦內容。它使用機器學習和數據挖掘技術從訓練數據中確定模型，并使用模型來預測未知的商品得分。常見的模型有聚類模型、貝葉斯模型、矩陣分解等。

聚類算法模型是通過選取合適的距離計算方法對數據進行聚類，同簇中的數據具有較高的相似度，數據間距離小；不同簇中的數據相似度較低，數據間距離大。現已被廣泛應用于多個研究領域。在使用聚類算法的推薦系統中，系統會將相似興趣的用戶或相似特征的物品聚集到同一類簇之中，相似度計算在目標對象最終所屬的類簇中進行，同樣基于相似度由高到低的規則在所屬類簇中選取鄰近集合，形成最終的推薦。除了使用聚類模型外，通常還可以使用貝葉斯模型、矩陣分解、回歸模型等來快速預測用戶在某個項目上對應的評分。

1.3 基于協同過濾的旅游推薦系統

在基于協同過濾的旅游推薦系統中，主要通過計算各個項目之間的相似度，根據用戶之間的相似度對項目進行預測。主要利用“用戶-項目評分矩陣”進行推薦。旅游推薦系統主要針對用戶信息和景區信息進行計算。基于用戶信息主要從歷史用戶數據中尋找與其愛好相似、興趣相投的用戶，找到相似用戶集之后，通過分析這些歷史用戶的歷史行為來挖掘他們的其他喜好和行為信息，并根據這些信息來完成對目標用戶的喜好和行為預測給出推薦。

2 旅游景點推薦系統設計與實現

2.1 總體架構設計

該系統充分利用景區旅游資源，為游客提供特色旅游服務，是實現個性化信息服務的有效手段。系統采用協同過濾算法為核心部分，根據用戶的需求信息和產生的歷史記錄，向游客推薦符合用戶需求的旅游資源信息。采用基于數據庫的方式實現以網絡技術為核心的B/S模式，設計了業務應用層、模型層和數據采集層三個結構層次。系統結構層次如表1所示。其中業務應用層主要展示系統的推薦結果；模型層要是將使用協同過濾算法應用到推薦系統中對用戶的信息數據進行計算，實現對游客進行旅游信息主動推薦功能。該層通過在數據庫中提取推薦算法和景區分類所需要的相關數據，執行相應的推薦算法產生出推薦結果。數據采集層通過網絡爬蟲軟件采集旅游景區網站和主流旅游網站上的大量旅游信息數據。或者通過與旅游相關的APP進行連接，實現旅游信息的及時獲取。

表1 系統結構層次表

2.2 主要功能

該旅行推薦系統使用Struts來實現視圖層和控制器層之間的交互，而Hibernate用于數據持久化。前臺頁面使用JSP技術來制作，后臺系統使用JAVA語言來實現，推薦算法部分用python腳本來實現，服務器采用tomcat，MySQL為數據庫。系統由管理員端和客戶端兩部分構成。其中客戶端由游客登錄模塊、景區評價模塊、熱門景區推薦模塊、推薦模塊等模塊構成。當用戶登錄系統時，就會看到熱門推薦模塊。本模塊的結果是從游客評分較高的景點中選出的。由于所有用戶登錄系統后看到相同的推薦結果，因此不具備個性化推薦功能。個性化推薦是通過計算用戶和景區信息的相似度，結合協同過濾算法得到的用戶專屬推薦列表。每個用戶的推薦結果都不一樣。管理員端由用戶信息管理模塊和景點信息管理模塊組成。主要負責對用戶信息和景點信息進行各種管理。系統的功能模塊圖如圖3所示。

2.3 推薦系統算法的實現

系統中推薦系統算法采用基于用戶（User-based）的協同過濾算法。其主要思想是首先在用戶集合中尋找與目標用戶的愛好相似相近的相鄰用戶，接著使用目標用戶的相鄰用戶對目標項目的評分來預測目標用戶對目標項目的評分。其算法流程圖如圖4所示。

算法的核心部分執行的具體步驟如下：

①查找相鄰用戶N：首先計算目標用戶與其他用戶的相似度，相似度計算方法有很多種，常用的有皮爾遜（Pearson）相關系數,杰卡德（Jaccard）相似度以及余弦相似度幾種傳統的方法。算法中采用皮爾遜相關系數（Pearson）用來衡量旅游景點、用戶之間的線性相關程度，取值范圍在1和-1之間。皮爾遜相關系數的計算如公式（1）所示。

其中，Xi表示用戶X對景區i的評分，Yi表示用戶Y對項目i的評分表示用戶X所有評分的平均值表示用戶Y所有評分的平均值。

其次從中選擇相似度大于預定閾值的用戶作為目標用戶的相鄰用戶。

②得分預測：用戶u對景區s的預測公式如下：

其中U為目標用戶u在景區s上有得分且相似度超過一定閾值的相鄰用戶集合，v為其中一個鄰近用戶，rv，s為用戶v對景區s的評分，rv為用戶v的平均評分。

③推薦階段：在預測目標用戶對所有未評級景區的得分后，可采用Top-K方法將得分值最高的K個景區推薦給相應的用戶。

3 總結

目前旅游行業信息化程度越來越高，各個旅游景點的相關信息在各類系統中存儲的數據量越來越大，本文將推薦算法應用于旅游景區的推薦系統中，提出了一種基于協同過濾算法的旅游信息推薦系統。該系統給用戶提供更加個性化和人性化的旅游線路推薦，同時，也為旅游景區加強景區服務質量，提升旅游景區的品質起到了促進作用。