基于地理标签和时间因素的群组旅游推荐算法研究与实现
发布时间：2022-02-20 06:45
用户在进行旅游决策时,会在相应的旅游网站寻找合适的景点。但是这些网站通常包含海量的旅游信息,用户很难快速找到满意的景点。此外,旅游通常是一种群组行为,个性化旅游推荐难以满足群组中所有用户的需求。为了解决这种问题,本文研究基于地理标签和时间因素的群组旅游推荐算法。主要工作如下:1)提出一个基于潜在主题及成本的群组旅游推荐算法LTCA,LTCA算法首先根据用户个人轨迹数据集划分群组,然后构建了TCM模型向群组推荐top-N景点。通过实验,该模型在Foursquare和Gowalla数据集上有效提升了推荐精确率和召回率。2)提出一个融合时空因素及流行度的群组旅游推荐算法TRPA。TRPA算法首先分别对地理标签、时间以及景点流行度建模,然后将各种因素的建模结果和TCM模型融合,向群组推荐top-N景点。通过实验验证了算法能够进一步提升推荐精确率和召回率。3)提出一个基于时间划分的群组旅游线路推荐算法TDRA。该算法首先构建UPMF模型得到用户评分,然后利用均值策略得到群组评分,最后构建了基于评分及距离的推荐策略推荐top-N线路。该算法综合考虑了时间、景点距离以及群组评分因素,在多项指标上,验...
【文章来源】：北京邮电大学北京市211工程院校教育部直属院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
图２－１?ＬＴＣＡ算法流程图??－
２．２?ＬＴＣＡ算法描述??本文提出的ＬＴＣＡ算法首先根据个人轨迹数据集和社交关系数据集划分群组，??然后利用ＴＣＭ模型进行景点的ｔｏｐ－Ｎ推荐。算法流程图表示如图２－１所示。??开始??｜个入ｆｉ迹??ｍｍｍ．?｜顏集??群组划分??ＴＣＭ輕??景点推荐??结茉??图２－１?ＬＴＣＡ算法流程图??为了利用ＬＴＣＡ算法向群组推荐ｔｏｐ－Ｎ旅游景点，分为以下两步：??１）
??群组的景点分布如图２－３和２－４所示。??＾?，??°?０??。??孩??图２－３?Ｆｏｕｒｓｑｕａｒｅ群组景点访问分布??■／？＇；．■：＞?ｅ??｜殳爹：＂：：：：??０％＾Ｓ８?ｅ??ｏ?－??？？?ｗ＊??祭ｔ?＇??图２－４?Ｇｏｗａｌｌａ群组景点访问分布??２．３．２评价指标??论文使用精确率Ｐｒｅｃｉｓｉｏｎ＠Ｎ和召回率Ｒｅｃａｌｌ＠Ｎ评估算法的推荐效果。精??确率表示为向用户推荐的Ｎ个地点中正确预测的地点的个数和Ｎ的比率；召回??率为向用户推荐的Ｎ个地点中，正确的地点数和用户真正去过的地点数的比率。??对于某群组ｇ，精确率和召回率表示如公式（２－１Ｓ）和（２－１６）所示。??Ｐｒｅｃｉｓｉｏｎ＠Ｎ?＝?｜｛Ｖｇｒ，ｅ；〇ｍｍｅｎｄ｝ｎ｛ｖｆｓｔ］ｌ?（２－１５）??ｌｌｖｇｒｅｃｏｍｍｅｎｄ?ｊ｜??Ｒｅｃａｌｌ＠Ｎ?＝丨卜听二腦心啦｝｜?（２－１６）??ｌｌｖｇｔｅｓｔｊ｜??其中，■［ＶｇｒｅａＨｒｎｎｅｉｕＯ表示向群组ｇ推荐的地点集合，表示测试集群组??ｇ访问过的地点集合，最终的测试集的精确率表示为测试集合中所有群组的精确??率之和，召回率表示为所有测试集合中群组的召回率之和。??２．３．３模型对比??为了验证所提模型的推荐效果
【参考文献】：
期刊论文
[1]基于用户轨迹数据的移动推荐系统研究[J]. 孟祥武,李瑞昌,张玉洁,纪威宇. 软件学报. 2018(10)
[2]一种改进的偏好融合组推荐方法[J]. 胡川,孟祥武,张玉洁,杜雨露. 软件学报. 2018(10)
[3]组推荐系统及其应用研究[J]. 张玉洁,杜雨露,孟祥武. 计算机学报. 2016(04)
硕士论文
[1]基于地理社交因素和分类信息的地点推荐算法研究与实现[D]. 张朝辉.北京邮电大学 2018
[2]基于排序学习的兴趣点推荐系统设计与实现[D]. 申鹏.北京邮电大学 2018
本文编号：3634490
【文章来源】：北京邮电大学北京市211工程院校教育部直属院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
图２－１?ＬＴＣＡ算法流程图??－
２．２?ＬＴＣＡ算法描述??本文提出的ＬＴＣＡ算法首先根据个人轨迹数据集和社交关系数据集划分群组，??然后利用ＴＣＭ模型进行景点的ｔｏｐ－Ｎ推荐。算法流程图表示如图２－１所示。??开始??｜个入ｆｉ迹??ｍｍｍ．?｜顏集??群组划分??ＴＣＭ輕??景点推荐??结茉??图２－１?ＬＴＣＡ算法流程图??为了利用ＬＴＣＡ算法向群组推荐ｔｏｐ－Ｎ旅游景点，分为以下两步：??１）
??群组的景点分布如图２－３和２－４所示。??＾?，??°?０??。??孩??图２－３?Ｆｏｕｒｓｑｕａｒｅ群组景点访问分布??■／？＇；．■：＞?ｅ??｜殳爹：＂：：：：??０％＾Ｓ８?ｅ??ｏ?－??？？?ｗ＊??祭ｔ?＇??图２－４?Ｇｏｗａｌｌａ群组景点访问分布??２．３．２评价指标??论文使用精确率Ｐｒｅｃｉｓｉｏｎ＠Ｎ和召回率Ｒｅｃａｌｌ＠Ｎ评估算法的推荐效果。精??确率表示为向用户推荐的Ｎ个地点中正确预测的地点的个数和Ｎ的比率；召回??率为向用户推荐的Ｎ个地点中，正确的地点数和用户真正去过的地点数的比率。??对于某群组ｇ，精确率和召回率表示如公式（２－１Ｓ）和（２－１６）所示。??Ｐｒｅｃｉｓｉｏｎ＠Ｎ?＝?｜｛Ｖｇｒ，ｅ；〇ｍｍｅｎｄ｝ｎ｛ｖｆｓｔ］ｌ?（２－１５）??ｌｌｖｇｒｅｃｏｍｍｅｎｄ?ｊ｜??Ｒｅｃａｌｌ＠Ｎ?＝丨卜听二腦心啦｝｜?（２－１６）??ｌｌｖｇｔｅｓｔｊ｜??其中，■［ＶｇｒｅａＨｒｎｎｅｉｕＯ表示向群组ｇ推荐的地点集合，表示测试集群组??ｇ访问过的地点集合，最终的测试集的精确率表示为测试集合中所有群组的精确??率之和，召回率表示为所有测试集合中群组的召回率之和。??２．３．３模型对比??为了验证所提模型的推荐效果
【参考文献】：
期刊论文
[1]基于用户轨迹数据的移动推荐系统研究[J]. 孟祥武,李瑞昌,张玉洁,纪威宇. 软件学报. 2018(10)
[2]一种改进的偏好融合组推荐方法[J]. 胡川,孟祥武,张玉洁,杜雨露. 软件学报. 2018(10)
[3]组推荐系统及其应用研究[J]. 张玉洁,杜雨露,孟祥武. 计算机学报. 2016(04)
硕士论文
[1]基于地理社交因素和分类信息的地点推荐算法研究与实现[D]. 张朝辉.北京邮电大学 2018
[2]基于排序学习的兴趣点推荐系统设计与实现[D]. 申鹏.北京邮电大学 2018
本文编号：3634490
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3634490.html
