基于双向选择及评价机制的共享住宿推荐研究
发布时间：2021-07-16 08:08
在线旅游住宿平台在为游客带来便利的同时也加剧了信息过载的问题,推荐系统因此被广泛应用并旨在为游客提供个性化的决策支持和提高其交易效率,也有助于在线旅游运营商树立自身竞争力。共享住宿近年来成为了在线住宿的一大热点,一方面,共享住宿吸引当地居民出租闲置房屋给有住宿需求的房客,另一方面,平台引入了双向选择和双向评价机制来缓释交易风险,共享住宿因此衍生了区别于传统在线住宿的两个特点:房客在选择房间时考虑房东这一属性,房东有权拒绝房客的预订申请。研究表明这两个特点成为了房客预订房间的影响因素,然而现存的共享住宿推荐忽略了这两个因素。因此,本文在现有住宿推荐研究的基础上考虑上述两个因素,构建共享住宿两阶段推荐模型SARBSR（Shared Accommodation Recommendation based on Bidirectional Selection and Review mechanisms）,旨在推荐符合房客对房间和房东的偏好以及房客的预订申请能够得到房东同意的房间,并参考相关文献将信任作为本文两个考虑因素的综合量化指标。模型的第一阶段推荐符合房客对于房间和房东的偏好的房间。具体来说...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
Airbnb的双向选择和双向评价机制当前的住宿推荐主要集中在传统在线住宿的推荐，探讨如何更加细致准确的刻&评论
第三章共享住宿两阶段推荐模型概述17获得同意的房间。第一阶段通过对房间的评论中与房东有关的文本进行情感分析（SA）量化房东因素得到房东的可信度，并把房东的可信度引入到房间的特征向量中，通过主题模型LDA对房客产生的评论分析得到其多属性偏好，然后构建多属性评分推荐和基于内容的协同过滤的混合推荐模型，对每一个房客产生由2K个房间构成的推荐候选集。令中的房间的房东构成集合，定义,是房东对申请者的信任程度，并把,作为房东同意房客预订申请的意愿的衡量指标，,更高意味着预定申请被房东接受的意愿更大，第二阶段通过支持向量回归（SVR）对基于房客特征的信任评估建模，并根据的历史房客入住记录构建训练集，最后预测,并根据,对中的房间进行排序，前K个房间将被最终推荐给。图3-1两阶段推荐模型SARBSR的架构图3.2.2相关方法介绍3.2.2.1基于词典的情感分析随着互联网和在线社区的发展，电商网站、在线社区等都产生了海量用户生成的文本（UGC），UGC是用户表达意见的重要方式，可用于分析用户对于产品、服务的兴趣和态度，情感分析（SA）是对文本中针对产品和服务表达的观点、情感和态度的计算研究[48]，情感分析受到了广泛的关注并应用到电子商务和在线旅游平台[49]。情感分析大致可以分为机器学习方法和基于情感词典的方法两大类，后者常用于社交文本的分析并有很强的通用性。考虑到本文缺乏机器学习所必需的标注语料库[50]，以及针对房东和房客
东南大学硕士学位论文24-词-概率分布以及每一篇文档的主题分布，然后根据主题对应的词的语意来给主题命名。由于本文只从生成的结果中选择中的属性及其概率分布构建房客的多属性偏好，本文对这几个主题的概率进行等量缩放使得这些属性的概率之和为1，如果LDA的结果中不包含中某些属性，这些属性的概率为0。接下来，构建房客的多属性偏好矩阵∈×和房间的多属性评分矩阵∈×，代表中属性的数量。图3-2是上述两个矩阵的示例。图3-2房客多属性偏好矩阵和房间多属性评分矩阵示例最后，根据公式（3.11）计算房客对房间的预测评分。,=(3.11)其中，是的行向量，代表房客的多属性偏好。根据,对房间进行排序，对每一个房客推荐前K个房间并生成基于房客偏好的多属性推荐列表List1。3)考虑房东属性的基于内容的协同过滤推荐（HCBCF）虽然前述部分已经基于房客的多属性偏好产生了推荐房间列表，但是由于房客的多属性偏好提取自房客在平台上产生的评论文本，该评论文本的数量和文本内容的丰富性将对偏好提取产生决定性的影响。考虑到旅游行业的交易频率较低导致评论的数量普遍较少并且观察发现部分房客的论文本较为简短，房客的偏好分析的准确性因此受到了影响。于是本文尝试从另一个角度即房间的相似性出发预测房客对房间的兴趣，并最终混合两种方法的推荐结果。基于内容的推荐（Content-basedrecommendation）是最经典有效的推荐算法之一，其根据项目的多种属性或者信息构建其特征向量，进而为用户推荐与其历史行为相类似的项目[60]。由于旅游产品拥有丰富的信息，Content-based（CB）在该行业得到了广泛的应用，考虑到CB有推荐过度专业化的缺点，多项研究将CB和协
【参考文献】：
期刊论文
[1]没有信任 何谈共享?——分享经济中的信任研究述评[J]. 李立威,何勤. 外国经济与管理. 2018(06)
[2]共享经济下消费者信任形成机制的实证研究[J]. 谢雪梅,石娇娇. 技术经济. 2016(10)
[3]近十年国外旅游推荐系统的应用研究[J]. 乔向杰,张凌云. 旅游学刊. 2014(08)
[4]一种基于耦合对象相似度的项目推荐算法[J]. 余永红,陈兴国,高阳. 计算机科学. 2014(02)
[5]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[6]基于矩阵分解与用户近邻模型的协同过滤推荐算法[J]. 杨阳,向阳,熊磊. 计算机应用. 2012(02)
[7]一种基于支持向量机回归的推荐算法[J]. 王宏宇,糜仲春,梁晓艳,叶跃祥. 中国科学院研究生院学报. 2007(06)
[8]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐. 软件学报. 2003(09)
本文编号：3286628
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
Airbnb的双向选择和双向评价机制当前的住宿推荐主要集中在传统在线住宿的推荐，探讨如何更加细致准确的刻&评论
第三章共享住宿两阶段推荐模型概述17获得同意的房间。第一阶段通过对房间的评论中与房东有关的文本进行情感分析（SA）量化房东因素得到房东的可信度，并把房东的可信度引入到房间的特征向量中，通过主题模型LDA对房客产生的评论分析得到其多属性偏好，然后构建多属性评分推荐和基于内容的协同过滤的混合推荐模型，对每一个房客产生由2K个房间构成的推荐候选集。令中的房间的房东构成集合，定义,是房东对申请者的信任程度，并把,作为房东同意房客预订申请的意愿的衡量指标，,更高意味着预定申请被房东接受的意愿更大，第二阶段通过支持向量回归（SVR）对基于房客特征的信任评估建模，并根据的历史房客入住记录构建训练集，最后预测,并根据,对中的房间进行排序，前K个房间将被最终推荐给。图3-1两阶段推荐模型SARBSR的架构图3.2.2相关方法介绍3.2.2.1基于词典的情感分析随着互联网和在线社区的发展，电商网站、在线社区等都产生了海量用户生成的文本（UGC），UGC是用户表达意见的重要方式，可用于分析用户对于产品、服务的兴趣和态度，情感分析（SA）是对文本中针对产品和服务表达的观点、情感和态度的计算研究[48]，情感分析受到了广泛的关注并应用到电子商务和在线旅游平台[49]。情感分析大致可以分为机器学习方法和基于情感词典的方法两大类，后者常用于社交文本的分析并有很强的通用性。考虑到本文缺乏机器学习所必需的标注语料库[50]，以及针对房东和房客
东南大学硕士学位论文24-词-概率分布以及每一篇文档的主题分布，然后根据主题对应的词的语意来给主题命名。由于本文只从生成的结果中选择中的属性及其概率分布构建房客的多属性偏好，本文对这几个主题的概率进行等量缩放使得这些属性的概率之和为1，如果LDA的结果中不包含中某些属性，这些属性的概率为0。接下来，构建房客的多属性偏好矩阵∈×和房间的多属性评分矩阵∈×，代表中属性的数量。图3-2是上述两个矩阵的示例。图3-2房客多属性偏好矩阵和房间多属性评分矩阵示例最后，根据公式（3.11）计算房客对房间的预测评分。,=(3.11)其中，是的行向量，代表房客的多属性偏好。根据,对房间进行排序，对每一个房客推荐前K个房间并生成基于房客偏好的多属性推荐列表List1。3)考虑房东属性的基于内容的协同过滤推荐（HCBCF）虽然前述部分已经基于房客的多属性偏好产生了推荐房间列表，但是由于房客的多属性偏好提取自房客在平台上产生的评论文本，该评论文本的数量和文本内容的丰富性将对偏好提取产生决定性的影响。考虑到旅游行业的交易频率较低导致评论的数量普遍较少并且观察发现部分房客的论文本较为简短，房客的偏好分析的准确性因此受到了影响。于是本文尝试从另一个角度即房间的相似性出发预测房客对房间的兴趣，并最终混合两种方法的推荐结果。基于内容的推荐（Content-basedrecommendation）是最经典有效的推荐算法之一，其根据项目的多种属性或者信息构建其特征向量，进而为用户推荐与其历史行为相类似的项目[60]。由于旅游产品拥有丰富的信息，Content-based（CB）在该行业得到了广泛的应用，考虑到CB有推荐过度专业化的缺点，多项研究将CB和协
【参考文献】：
期刊论文
[1]没有信任 何谈共享?——分享经济中的信任研究述评[J]. 李立威,何勤. 外国经济与管理. 2018(06)
[2]共享经济下消费者信任形成机制的实证研究[J]. 谢雪梅,石娇娇. 技术经济. 2016(10)
[3]近十年国外旅游推荐系统的应用研究[J]. 乔向杰,张凌云. 旅游学刊. 2014(08)
[4]一种基于耦合对象相似度的项目推荐算法[J]. 余永红,陈兴国,高阳. 计算机科学. 2014(02)
[5]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[6]基于矩阵分解与用户近邻模型的协同过滤推荐算法[J]. 杨阳,向阳,熊磊. 计算机应用. 2012(02)
[7]一种基于支持向量机回归的推荐算法[J]. 王宏宇,糜仲春,梁晓艳,叶跃祥. 中国科学院研究生院学报. 2007(06)
[8]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐. 软件学报. 2003(09)
本文编号：3286628
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3286628.html
