基于频繁序列挖掘以及全局关联图的旅游景点推荐研究

发布时间：2020-08-14 23:23

【摘要】：随着收入水平的提高,旅游成为人们丰富其精神生活的重要途径,因此旅游业迅速发展,个性化旅游模式应运而生。个性化旅游行程的制定涉及用户兴趣爱好、旅游景点流行度、地理位置等多个影响因素,是极其复杂且耗时耗力的工作。旅游网站和移动应用中记录了大量游客的历史旅游记录,反映了景点的特征以及用户对旅游景点的偏好等信息。有效利用这些数据为游客推荐行程、规划路径可大大降低游客的工作量,提升用户体验。传统的旅游推荐主要集中在单个景点推荐上,忽略了旅游行为的上下文特征和序列特征,无法根据用户当前的位置推荐后续行程;另外也存在历史数据丢失、统计不全的缺点。本文对基于频繁序列挖掘以及全局关联图的旅游景点推荐展开研究,主要内容包括:1、提出了一种基于频繁序列挖掘的后续旅游行程序列推荐方法SeqRem,利用频繁序列挖掘构造历史序列关联图,将已有行程的划分问题建模为关联图的TOP-K极大点权独立集问题,并提出了启发式的计算方法。根据已有行程的划分为用户推荐后续旅游行程序列。实验结果表明,SeqRem方法在后续单个景点推荐的准确率要优于基于马尔科夫链的LORE方法和基于张量分解的FPMC-L方法,在后续序列推荐上也表现出较好的准确率。2、提出了一种基于全局景点关联图的行程推荐方法,首先基于景点的访问频次和景点之间的迁移频次构建全局景点关联图中节点和边的体验收益,并提出基于蚁群算法的路径搜索算法,为用户推荐前K条体验收益最高的行程路径。实验结果表明,推荐路径的体验收益值在一定范围内与推荐准确率成正比,证明了模型的有效性,另外推荐准确率上要优于基于照片数据的PTIR方法。
【学位授予单位】：山东科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F592;TP391.3
【图文】：

图４．１景点全局关联图逡逑Ｆｉｇ．邋４．１邋Ａｔｔｒａｃｔｉｏｎｓ邋ｒｅｌｅｖａｎｃｅ邋ｇｒａｐｈ逡逑如图４．１所示是全局关联图的示例。以景点＼为例，景点Ｓｌ的访问频次为１７，逡逑边＜Ｓｐｓ２＞存储两个信息，＆到５２的迁移频次（／ｒｅ）为６，＆到５２的平均间距逡逑（ｄｉｓ邋）为邋３。逡逑４．２节点和边的体验收益计算与目标函数构建逡逑本节首先提出全局关联图中节点和边的体验收益的计算方法，然后基于节逡逑点和边的体验收益设计路径体验收益目标函数。逡逑４．２．〗节点和边的体验收益计算逡逑本小节分别定义全局关联图中节点和边的体验收益。对全局关联图中的一逡逑个节点＇，式（４．１）定义了访问＆的体验收益值。逡逑Ｖ邋＿邋Ｗｅｉｇｈｔｈｓ％）邋＝邋Ｖ邋＿邋Ｎｕｍ（ｓ．）邋ｊＶ邋＿邋Ｍａｘ逦式（４．１）逡逑其中，Ｖ邋＋逦为景点＼的访问频次，Ｖ邋＋邋Ｍａａ；为访问频次最高的景点逡逑的访问频次。逡逑式（４．２）定义了全局关联图中边＜＇４邋＞的体验收益值。逡逑１邋Ｊ逡逑Ｅ＿Ｗｅｉｇｈｔ（ｉ，ｊ）邋—邋（２－邋ｓｉｇｍｏｄ（ｄｉｓ（ｉ，ｊ））邋ｘ邋ｆｒｅｑ（ｉ，ｊ）邋／邋ｆｒｅｑ＾邋式（４＿２）逡逑其中，函数表达式为ｓｋｍｏ＜ｉ（；ｒ）邋＝邋１／（１＋邋＃摺觯ⅲ┧阆芙鄰桓鍪

本文编号：2793677