一站式個性化旅游推薦系統

潘璇 王雨嫣

摘要：從旅游推薦系統的研究與應用現狀出發，發現本異地差異的特點并沒有在國內的旅游推薦系統中普及應用。因此依據用戶的個性化偏好，以川渝的部分城市景點為基礎，改進的基于物品的協同過濾推薦為核心，搭建了考慮用戶是否來自于川渝地區這一本異地差異的個性化旅游推薦APP。

關鍵詞：旅游推薦;協同過濾;本異地差異。

1.背景

在新冠病毒疫情的爆發導致國人對國內旅游需求不斷增長，大數據時代信息爆炸與用戶對信息的利用率反而下降的雙重背景下[1]，提出了一種具有現實意義的個性化旅游推薦系統，實現了一種更能符合用戶需求來進行旅游景點推薦的APP。

2.算法介紹

2.1優化的基于物品的協同過濾推薦算法

2.1.1 傳統的協同過濾推薦算法的缺點[2]

（1）用戶對物品評分非常稀疏，可能無法得到精準的用戶相似性;

（2）隨著使用者和物品數目增多，計算復雜性也會增加導致系統性能變差;

（3）如果一個產品從來沒有被任何一個系統使用者進行過評估，這個產品就不會成為被推薦的依據。

2.1.2 個性化環境下改進的協同過濾推薦算法

在實際應用中傳統的推薦算法通常會遇到冷啟動問題。為此我們提出建立初始用戶必填的個性化表單，可有效解決冷啟動問題。此外考慮到用戶的地域差異會導致相似用戶對同類型旅游景點產生不同程度的期望，該系統為每位用戶增添了地域屬性，以提高每位用戶對推薦景點的滿意度。

3.系統設計

3.1系統需求分析

主要以川渝地區的部分城市景點構建旅游推薦系統，以改良的基于物品的協同過濾推薦算法為核心，設計一個更能符合用戶需求的個性化旅游推薦APP。

3.2系統總體功能設計

具體的系統功能結構圖如圖3.1所示。

3.3系統詳細設計

3.3.1 功能模塊詳細設計

具體的功能流程設計如圖3.2所示。

3.3.2 改進的協同過濾推薦算法設計

解決冷啟動問題的具體做法如下。

（1）給用戶和旅游景點增加標簽

每位用戶擁有風格屬性和是否為川渝用戶屬性;每個旅游景點均有風格屬性和是否火熱屬性。

（2）新用戶注冊后必須填寫個性化表單

該個性化表單的內容為是否為川渝用戶和風格屬性。隨后系統將內容保存到服務器數據庫的用戶表里的相應字段。

（3）按照表單內容排序呈現旅游景點

根據當前登錄用戶填寫的風格類型對旅游景點進行排序，與當前登錄用戶風格相同的景點排序靠前，優先呈現給用戶。

下面依次闡明本文在具體實現改進的基于物品推薦時的做法。

（1）尋找相似偏好用戶

本系統所使用的偏好信息是用戶“收藏”這一行為所產生的數據集，即協同過濾推薦中的隱性數據。當用戶瀏覽到喜歡的景點時可對該景點進行“收藏”;當用戶不再喜歡該景點時可對其“取消收藏”，上述行為分別會增加、減少本系統所收集的該用戶偏好信息數據集中的數據。

（2）計算物品相似度

1）查看系統是否有當前登錄用戶的偏好數據集。請求當前登錄用戶的信息，然后遍歷數據庫中的用戶收藏表。若遍歷完成發現當前登錄用戶沒有收藏，代表沒有刻畫該用戶偏好的數據集，則退出推薦流程;反之，則繼續推薦流程。

2）根據每位用戶收藏的景點，先進行分類計數再以類別為單位對其降序排序。連接數據庫中的用戶表，獲取每位用戶的UID，并保存到自定義的數組中。依次從數組里取出UID，遍歷收藏表，計數每位用戶收藏的各類型景點;若當前計數用戶就是現在的登錄用戶，那么在降序后把降序的結果單獨保存，作為一會兒對該用戶進行推薦的依據。

3）根據每位用戶的top1和top2收藏，計算出最具有關聯性的物品組合。根據上一步得出的每位用戶收藏的景點的排序結果，依次統計top1和top2收藏的不同組合的個數，計算完成后再對其進行排序，得到最火熱的組合。

4）給用戶推薦景點。若用戶收藏的景點中有屬于最火熱組合里的其中一個類別，則為用戶推薦一個該組合中另外一個類別的景點，其余情況則不推薦景點。在呈現時，若用戶是川渝屬性，那么推薦的景點不僅滿足計算出的風格后，還應屬于非火熱屬性;反之則應屬于火熱屬性。

4.結論

本系統考慮了本異地差異，對基于物品的推薦結果再次進行了優化。傳統的基于物品的協同過濾推薦算法，是一種大眾化的相似，如景點A和景點B相似，是因為整個用戶群體中有很多用戶同時收藏這兩個景點，假設目標用戶收藏了景點A雖然推薦景點B看似合理，但是這個用戶是否真的有喜歡這個景點其實有待考量;在算法最后加入了本異地差異就考慮到了這一點，在最后不僅合理的理由推薦給用戶，而且這個推薦的物品確實也考慮到了是否真的適合他。

References

[1]Milicevic，A.K.，Nanopoulos，A.&Ivanovic，M.Social tagging in recommender systems：a survey of the state-of-the-art and possible extensions.Artif Intell Rev 33，187–209（2010）.

[2]Jia，Z.，Yang，Y.，Gao，W.，Chen，X.：User-based collaborative filtering for tourist attraction recommendations.In：International Conference on Computational Intelligence&Communication Technology，Ghaziabad，India（2015）.

來源：訓練計劃 + 項目編號S202010615101