基于深度协同过滤与多模态分析的旅游景点推荐系统研究

发布时间：2022-01-27 18:24

　　统计数据显示:约四分之三的游客在出游前都会去登录主流旅游网站查看用户评论（评分）,以确定更好的旅游目的地,同时制定出游路线。旅游景点推荐的研究已取得一定进展,但仍存在数据稀疏、未考虑用户隐性偏好、未深入挖掘景点图像的潜在语义等问题。提出采用分层抽样统计模型获取用户偏好,改进贝叶斯个性化排序（Bayesian Personalized Ranking,简称BPR）及视觉贝叶斯个性化排序（Visual Bayesian Personalized Ranking,简称VBPR）模型,对推荐系统进行优化,以实现性能更优的旅游景点推荐。主要工作如下:一、基于分层抽样统计与BPR模型的旅游景点推荐系统。采用问卷调查方式获取用户偏好信息,抓取用户评分、景点图像等数据,继而建立“Wisdom Tourism”数据集。围绕该数据集,设计基于分层抽样统计与BPR模型的旅游景点推荐系统。实验结果表明:混合推荐的准确率平均值、召回率平均值、F1平均值较次优模型分别提升3.6%、5.1%、5.0%,它在一定程度上缓解了数据稀疏问题。二、基于分层抽样统计与改进的VBPR模型的旅游景点推荐系统。基于BPR模型的旅游... 

【文章来源】：华东交通大学江西省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

本文所提推荐系统的基本结构

第三章 基于传统模型的旅游景点推荐系统第三章 基于传统模型的旅游景点推荐系统3.1 推荐系统基本原理本章所描述的推荐系统基本原理如图 3-1 所示，首先，在“携程网”上自动爬取用户对不同景点的真实评分数据；其次，对数据进行预处理：用 1-5 分表示用户对旅游景点的满意程度（1 分最低，5 分最高）；然后，分别用非负矩阵分解模型和 K 近邻模型处理离散化之后的用户评分数据，生成评分预测矩阵；最后，基于评分预测矩阵输出推荐结果，提供给用户。

第三章 基于传统模型的旅游景点推荐系统验结果及分析的实验环境：操作系统（Windows7.0）、编程语言（Matlab2017a、Pyt工具（Tensorflow）。本文使用的数据集：“Wisdom Tourism”（具体介绍节主要对比基线：基于项目的协同过滤模型（Item Based Collaborative FCF）[62]、基于用户的协同过滤推荐模型（User Based Collaborative FilF）[63]、基于杰卡德相似系数的推荐模型（简称 LBCF）[64]、基于层次型（简称 HC）[65]和基于模糊聚类的协同过滤模型（简称 FCM）[66参见公式 2-1）、MAE（参见公式 2-2）、准确率（参见公式 2-3）、召回）等角度评估推荐性能。）RMSE 与 MAE 值均方根误差（RMSE）、平均绝对误差（MAE）评估模型的推荐性能越小，推荐性能越好。实验结果如图 3-2 所示：

【参考文献】：
期刊论文
[1]基于SVD与层次聚类的协同过滤推荐算法实现[J]. 徐泽兵,王忠.  数字技术与应用. 2018(01)
[2]基于知识图谱表示学习的协同过滤推荐算法[J]. 吴玺煜,陈启买,刘海,贺超波.  计算机工程. 2018(02)
[3]个性化推荐系统评估[J]. 刘攀,陈敏刚.  南昌大学学报(理科版). 2016(02)
[4]基于用户的协同过滤算法的推荐效率和个性化改进[J]. 王成,朱志刚,张玉侠,苏芳芳.  小型微型计算机系统. 2016(03)
[5]基于内容的推荐与协同过滤融合的新闻推荐方法[J]. 杨武,唐瑞,卢玲.  计算机应用. 2016(02)
[6]利用社交关系的实值条件受限玻尔兹曼机协同过滤推荐算法[J]. 何洁月,马贝.  计算机学报. 2016(01)
[7]杰卡德相似系数在推荐系统中的应用[J]. 张晓琳,付英姿,褚培肖.  计算机技术与发展. 2015(04)
[8]PCA-CCA在红外与可见光图像特征融合中的应用[J]. 金萌萌,胡玉兰.  沈阳理工大学学报. 2013(06)
[9]局部Gist特征匹配核的场景分类[J]. 杨昭,高隽,谢昭,吴克伟.  中国图象图形学报. 2013(03)
[10]基于模糊聚类的协同过滤算法[J]. 王明佳,韩景倜,韩松乔.  计算机工程. 2012(24)

硕士论文
[1]基于分层抽样统计与协同过滤的旅游景点推荐系统研究[D]. 刘斌.华东交通大学 2018
[2]基于项目的协同过滤算法的改进[D]. 黄传飞.江西师范大学 2015



本文编号：3612875