【摘要】：旅游景點數(shù)量龐大,而用戶本身旅游次數(shù)有限,所以用戶旅游數(shù)據(jù)非常稀疏,進(jìn)而影響了推薦結(jié)果的準(zhǔn)確度.為了解決這一問題,從海量游記中提取與旅游景點密切相關(guān)的4個因素——地域、時間、主題、類型相關(guān)的特征標(biāo)簽,來豐富數(shù)據(jù)信息.一方面通過基于標(biāo)簽內(nèi)容的方法為用戶推薦感興趣的景點;另一方面,用景點特征標(biāo)簽描述用戶興趣特征,根據(jù)用戶興趣標(biāo)簽找到相似用戶群,通過協(xié)同過濾的方法為用戶推薦感興趣的景點.實驗結(jié)果表明,基于標(biāo)簽的協(xié)同過濾算法較傳統(tǒng)的協(xié)同過濾算法推薦準(zhǔn)確率提高了63.7%,比基于景點熱度的推薦算法提高了22.5%;基于標(biāo)簽內(nèi)容的推薦算法比基于景點熱度的推薦算準(zhǔn)確率提高了27.6%.進(jìn)一步,通過線性加權(quán)的方式混合兩種算法,使兩種算法優(yōu)勢互補,從而得到更好的推薦效果.最終使得基于標(biāo)簽的混合算法的準(zhǔn)確率,比基于標(biāo)簽的協(xié)同過濾算法提高了61.3%,比基于標(biāo)簽內(nèi)容的推薦算法提高了54.7%.旅游景點推薦準(zhǔn)確度的提高,將帶來更好的用戶體驗,使在線旅游網(wǎng)站更加具有競爭力.
[Abstract]:Because of the large number of tourist attractions and the limited number of trips by the users themselves, the travel data of the users are very sparse, thus affecting the accuracy of the recommended results. In order to solve this problem, four factors closely related to tourist attractions, such as region, time, theme and type, are extracted from mass travel notes to enrich data information. On the one hand, through the method based on label content to recommend the interesting scenic spots for the user; On the other hand, the feature label is used to describe the user's interest, and the similar user group is found according to the user's interest label, and the interest of the user is recommended by collaborative filtering method. The experimental results show that the recommendation accuracy of the tag based collaborative filtering algorithm is 63.7 higher than that of the traditional collaborative filtering algorithm, and 22.5% higher than that of the recommendation algorithm based on the heat of scenic spots. The accuracy of recommendation algorithm based on label content is 27.655% higher than that based on heat of scenic spot. Furthermore, by combining the two algorithms with linear weighting, the advantages of the two algorithms are complementary and the recommended results are better. Finally, the accuracy of the tag-based hybrid algorithm is improved 61.3% compared with the tag-based collaborative filtering algorithm, and 54.7% higher than the tag-based content recommendation algorithm. The improvement of recommendation accuracy will bring better user experience and make online travel website more competitive.
【作者單位】： 中山大學(xué)數(shù)據(jù)科學(xué)與計算機學(xué)院;
【基金】：國家自然科學(xué)基金(61502543) 廣東省自然科學(xué)基金杰出青年項目(2016A030306014);廣東省自然科學(xué)基金博士啟動項目(2014A030310180) 中央高�；究蒲袠I(yè)務(wù)費專項(16lgzd15)資助
【分類號】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊風(fēng)召;;一種基于特征表的協(xié)同過濾算法[J];計算機工程與應(yīng)用;2007年06期

2 王嵐;翟正軍;;基于時間加權(quán)的協(xié)同過濾算法[J];計算機應(yīng)用;2007年09期

3 曾子明;張李義;;基于多屬性決策和協(xié)同過濾的智能導(dǎo)購系統(tǒng)[J];武漢大學(xué)學(xué)報(工學(xué)版);2008年02期

4 張富國;;用戶多興趣下基于信任的協(xié)同過濾算法研究[J];小型微型計算機系統(tǒng);2008年08期

5 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶評分矩陣的協(xié)同過濾算法[J];西安電子科技大學(xué)學(xué)報;2009年04期

6 廖新考;;基于用戶特征和項目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

7 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶多興趣的協(xié)同過濾策略改進(jìn)研究[J];計算機技術(shù)與發(fā)展;2011年04期

8 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過濾算法[J];微計算機信息;2011年11期

9 宋緯華;田元;;基于蟻群算法的協(xié)同過濾推薦技術(shù)[J];農(nóng)業(yè)圖書情報學(xué)刊;2013年08期

10 康鐘榮;;基于項目特征分類與填充的協(xié)同過濾算法研究[J];河南科技;2013年12期

相關(guān)會議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項目分類的協(xié)同過濾算法[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國第20屆計算機技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集（上冊）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場景的協(xié)同過濾推薦算法[A];中國系統(tǒng)仿真學(xué)會第五次全國會員代表大會暨2006年全國學(xué)術(shù)年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學(xué)的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動問題的方法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前7條

1 紀(jì)科;融合上下文信息的混合協(xié)同過濾推薦算法研究[D];北京交通大學(xué);2016年

2 程殿虎;基于協(xié)同過濾的社會網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];中國海洋大學(xué);2015年

3 于程遠(yuǎn);基于QoS的Web服務(wù)推薦技術(shù)研究[D];上海交通大學(xué);2015年

4 李聰;電子商務(wù)推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學(xué);2009年

5 孔維梁;協(xié)同過濾推薦系統(tǒng)關(guān)鍵問題研究[D];華中師范大學(xué);2013年

6 夏培勇;個性化推薦技術(shù)中的協(xié)同過濾算法研究[D];中國海洋大學(xué);2011年

7 趙向宇;Top-N協(xié)同過濾推薦技術(shù)研究[D];北京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 鄒騰飛;基于多特征融合的混合協(xié)同過濾算法研究[D];西南大學(xué);2015年

2 于鈺雯;基于項目凝聚層次聚類的協(xié)同過濾推薦算法研究[D];遼寧大學(xué);2015年

3 杜文剛;基于多屬性評分的協(xié)同過濾推薦算法研究[D];遼寧大學(xué);2015年

4 高慧敏;融合占有度的時間遺忘協(xié)同過濾混合推薦算法研究[D];燕山大學(xué);2015年

5 蘇靖涵;面向SaaS多租戶的動態(tài)推薦方法研究[D];遼寧大學(xué);2015年

6 徐曉妮;基于人工魚群算法的協(xié)同過濾推薦算法研究[D];遼寧大學(xué);2015年

7 羅培;移動購物導(dǎo)購關(guān)鍵技術(shù)的研究與系統(tǒng)實現(xiàn)[D];西南交通大學(xué);2015年

8 李婧;融合用戶差異度及信息熵的協(xié)同過濾推薦算法[D];西安建筑科技大學(xué);2015年

9 樂柱;基于誤差反饋的協(xié)同過濾算法[D];華南理工大學(xué);2015年

10 馬兆才;基于協(xié)同過濾的推薦系統(tǒng)算法研究與實現(xiàn)[D];蘭州大學(xué);2015年

，

本文編號：2403386