在線旅游住宿平臺在為游客帶來便利的同時也加劇了信息過載的問題,推薦系統(tǒng)因此被廣泛應(yīng)用并旨在為游客提供個性化的決策支持和提高其交易效率,也有助于在線旅游運營商樹立自身競爭力。共享住宿近年來成為了在線住宿的一大熱點,一方面,共享住宿吸引當(dāng)?shù)鼐用癯鲎忾e置房屋給有住宿需求的房客,另一方面,平臺引入了雙向選擇和雙向評價機制來緩釋交易風(fēng)險,共享住宿因此衍生了區(qū)別于傳統(tǒng)在線住宿的兩個特點:房客在選擇房間時考慮房東這一屬性,房東有權(quán)拒絕房客的預(yù)訂申請。研究表明這兩個特點成為了房客預(yù)訂房間的影響因素,然而現(xiàn)存的共享住宿推薦忽略了這兩個因素。因此,本文在現(xiàn)有住宿推薦研究的基礎(chǔ)上考慮上述兩個因素,構(gòu)建共享住宿兩階段推薦模型SARBSR（Shared Accommodation Recommendation based on Bidirectional Selection and Review mechanisms）,旨在推薦符合房客對房間和房東的偏好以及房客的預(yù)訂申請能夠得到房東同意的房間,并參考相關(guān)文獻將信任作為本文兩個考慮因素的綜合量化指標(biāo)。模型的第一階段推薦符合房客對于房間和房東的偏好的房間。具體來說... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

Airbnb的雙向選擇和雙向評價機制當(dāng)前的住宿推薦主要集中在傳統(tǒng)在線住宿的推薦，探討如何更加細致準(zhǔn)確的刻&評論

第三章共享住宿兩階段推薦模型概述17獲得同意的房間。第一階段通過對房間的評論中與房東有關(guān)的文本進行情感分析（SA）量化房東因素得到房東的可信度，并把房東的可信度引入到房間的特征向量中，通過主題模型LDA對房客產(chǎn)生的評論分析得到其多屬性偏好，然后構(gòu)建多屬性評分推薦和基于內(nèi)容的協(xié)同過濾的混合推薦模型，對每一個房客產(chǎn)生由2K個房間構(gòu)成的推薦候選集。令中的房間的房東構(gòu)成集合，定義,是房東對申請者的信任程度，并把,作為房東同意房客預(yù)訂申請的意愿的衡量指標(biāo)，,更高意味著預(yù)定申請被房東接受的意愿更大，第二階段通過支持向量回歸（SVR）對基于房客特征的信任評估建模，并根據(jù)的歷史房客入住記錄構(gòu)建訓(xùn)練集，最后預(yù)測,并根據(jù),對中的房間進行排序，前K個房間將被最終推薦給。圖3-1兩階段推薦模型SARBSR的架構(gòu)圖3.2.2相關(guān)方法介紹3.2.2.1基于詞典的情感分析隨著互聯(lián)網(wǎng)和在線社區(qū)的發(fā)展，電商網(wǎng)站、在線社區(qū)等都產(chǎn)生了海量用戶生成的文本（UGC），UGC是用戶表達意見的重要方式，可用于分析用戶對于產(chǎn)品、服務(wù)的興趣和態(tài)度，情感分析（SA）是對文本中針對產(chǎn)品和服務(wù)表達的觀點、情感和態(tài)度的計算研究[48]，情感分析受到了廣泛的關(guān)注并應(yīng)用到電子商務(wù)和在線旅游平臺[49]。情感分析大致可以分為機器學(xué)習(xí)方法和基于情感詞典的方法兩大類，后者常用于社交文本的分析并有很強的通用性�？紤]到本文缺乏機器學(xué)習(xí)所必需的標(biāo)注語料庫[50]，以及針對房東和房客

東南大學(xué)碩士學(xué)位論文24-詞-概率分布以及每一篇文檔的主題分布，然后根據(jù)主題對應(yīng)的詞的語意來給主題命名。由于本文只從生成的結(jié)果中選擇中的屬性及其概率分布構(gòu)建房客的多屬性偏好，本文對這幾個主題的概率進行等量縮放使得這些屬性的概率之和為1，如果LDA的結(jié)果中不包含中某些屬性，這些屬性的概率為0。接下來，構(gòu)建房客的多屬性偏好矩陣∈×和房間的多屬性評分矩陣∈×，代表中屬性的數(shù)量。圖3-2是上述兩個矩陣的示例。圖3-2房客多屬性偏好矩陣和房間多屬性評分矩陣示例最后，根據(jù)公式（3.11）計算房客對房間的預(yù)測評分。,=(3.11)其中，是的行向量，代表房客的多屬性偏好。根據(jù),對房間進行排序，對每一個房客推薦前K個房間并生成基于房客偏好的多屬性推薦列表List1。3)考慮房東屬性的基于內(nèi)容的協(xié)同過濾推薦（HCBCF）雖然前述部分已經(jīng)基于房客的多屬性偏好產(chǎn)生了推薦房間列表，但是由于房客的多屬性偏好提取自房客在平臺上產(chǎn)生的評論文本，該評論文本的數(shù)量和文本內(nèi)容的豐富性將對偏好提取產(chǎn)生決定性的影響�？紤]到旅游行業(yè)的交易頻率較低導(dǎo)致評論的數(shù)量普遍較少并且觀察發(fā)現(xiàn)部分房客的論文本較為簡短，房客的偏好分析的準(zhǔn)確性因此受到了影響。于是本文嘗試從另一個角度即房間的相似性出發(fā)預(yù)測房客對房間的興趣，并最終混合兩種方法的推薦結(jié)果。基于內(nèi)容的推薦（Content-basedrecommendation）是最經(jīng)典有效的推薦算法之一，其根據(jù)項目的多種屬性或者信息構(gòu)建其特征向量，進而為用戶推薦與其歷史行為相類似的項目[60]。由于旅游產(chǎn)品擁有豐富的信息，Content-based（CB）在該行業(yè)得到了廣泛的應(yīng)用，考慮到CB有推薦過度專業(yè)化的缺點，多項研究將CB和協(xié)

【參考文獻】：
期刊論文
[1]沒有信任 何談共享?——分享經(jīng)濟中的信任研究述評[J]. 李立威,何勤.  外國經(jīng)濟與管理. 2018(06)
[2]共享經(jīng)濟下消費者信任形成機制的實證研究[J]. 謝雪梅,石嬌嬌.  技術(shù)經(jīng)濟. 2016(10)
[3]近十年國外旅游推薦系統(tǒng)的應(yīng)用研究[J]. 喬向杰,張凌云.  旅游學(xué)刊. 2014(08)
[4]一種基于耦合對象相似度的項目推薦算法[J]. 余永紅,陳興國,高陽.  計算機科學(xué). 2014(02)
[5]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機工程與應(yīng)用. 2012(07)
[6]基于矩陣分解與用戶近鄰模型的協(xié)同過濾推薦算法[J]. 楊陽,向陽,熊磊.  計算機應(yīng)用. 2012(02)
[7]一種基于支持向量機回歸的推薦算法[J]. 王宏宇,糜仲春,梁曉艷,葉躍祥.  中國科學(xué)院研究生院學(xué)報. 2007(06)
[8]基于項目評分預(yù)測的協(xié)同過濾推薦算法[J]. 鄧愛林,朱揚勇,施伯樂.  軟件學(xué)報. 2003(09)



本文編號：3286628