基于旅游推荐的协同过滤算法的研究与改进

发布时间：2021-01-14 16:43

　　随着国内经济发展和人民生活水平的提高,旅游作为一种休闲放松的生活方式变得越来越受欢迎。移动互联网的爆炸式增长产生“信息过载”的问题,旅游推荐系统可以帮助游客在海量的数据中获取用户感兴趣的旅游信息。在传统的旅游推荐系统中,基于用户地理位置和旅游景点的热门程度为用户生成推荐结果的方式较为成熟,但是却忽略用户的消费水平和出行时间需求,导致推荐结果并不符合游客的消费预期或者与出行时间存在冲突,从而无法满足游客个性化旅游服务的需求。基于上述背景,本文在详细研究了国内外的旅游推荐系统后,深入研究了基于图模型的协同过滤算法PersonalRank的原理和处理过程,在PersonalRank协同过滤算法基础上添加动态时间权重函数F（u_i）,提出了添加动态时间权重的TC-PersonalRank协同过滤优化算法。该算法根据用户当前所处的时间序列,获取用户出行时间安排,并且为了缓解计算压力,采用迭代计算的方式来获取推荐结果;另通过基于位置的社交网络（Location Based Social Network,LBSN）来获取用户签到数据,结合微信小程序开放平台获取的用户信息,来分析获... 

【文章来源】：青岛科技大学山东省

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 旅游推荐算法国外研究现状
        1.2.2 旅游推荐算法国内研究现状
    1.3 研究内容
    1.4 全文组织与架构
2 推荐算法概述
    2.1 推荐算法定义
    2.2 推荐算法分类
    2.3 推荐算法评价
    2.4 个性化旅游推荐算法介绍
        2.4.1 基于内容推荐
        2.4.2 基于社交关系推荐
        2.4.3 基于贝叶斯网络推荐
        2.4.4 基于关联规则推荐
        2.4.5 基于聚类规则推荐
    2.5 推荐算法面临的问题及解决方法
    2.6 其它相关技术综述
        2.6.1 LBSN概述及其数据特征
    2.7 本章小结
3 用户消费模型构建研究
    3.1 通过爬虫获取用户LBSN数据
    3.2 基于DBSCAN聚类研究
        3.2.1 DBSCAN算法介绍
        3.2.2 DBSCAN算法概念和原理介绍
        3.2.3 DBSCAN算法流程
    3.3 构建用户消费模型
    3.4 DBSCAN聚类算法的评价
        3.4.1 轮廓系数（Silhoutte Coefficient）
        3.4.2 戴维森堡丁指数
    3.5 本章小结
4 基于旅游的协同过滤算法改进
    4.1 二部图
    4.2 PageRank算法
    4.3 添加动态时间权重的TC-PersonalRank算法
    4.4 基于用户消费模型和动态时间权重的协同过滤算法
    4.5 本章小结
5 旅游微信小程序推荐系统设计与实现
    5.1 系统设计
        5.1.1 系统需求分析
        5.1.2 系统架构
    5.2 技术框架的选择
        5.2.1 微信小程序
        5.2.2 Spark MLlib框架
        5.2.3 大数据存储技术
        5.2.4 Websocket网络通信技术
        5.2.5 WEB开发技术
    5.3 数据库设计
    5.4 界面实现效果
        5.4.1 用户个人中心
        5.4.2 服务消息
        5.4.3 旅游智能小助手
        5.4.4 旅游资讯
        5.4.5 用户管理与统计分析
    5.5 实验与分析
        5.5.1 实验方案
        5.5.2 实验评价指标
        5.5.3 实验结果及分析
    5.6 本章小结
6 总结与展望
    6.1 本文工作总结
    6.2 进一步研究工作
参考文献
附录
致谢
攻读学位期间发表的学术论文目录


【参考文献】：
期刊论文
[1]基于物品的改进协同过滤算法及应用[J]. 邓园园,吴美香,潘家辉.  计算机系统应用. 2019(01)
[2]DBSCAN算法研究及并行化实现[J]. 宋董飞,徐华.  计算机工程与应用. 2018(24)
[3]基于用户的协同过滤（UserCF）新闻推荐算法研究[J]. 潘丽芳,张大龙,李慧.  山西师范大学学报(自然科学版). 2018(04)
[4]基于Hadoop的并行Apriori算法[J]. 谢建峰,孙剑伟.  信息技术. 2018(04)
[5]基于改进聚类和矩阵分解的协同过滤推荐算法[J]. 王永贵,宋真真,肖成龙.  计算机应用. 2018(04)
[6]基于用户聚类与Slope One填充的协同推荐算法[J]. 龚敏,邓珍荣,黄文明.  计算机工程与应用. 2018(22)
[7]基于Python的关联规则算法在推荐领域的应用研究[J]. 韩潞潞,刘念,王枫.  科技资讯. 2018(02)
[8]基于景区内容的云南旅游推荐系统设计[J]. 刘光榕,任建涛,吴思霈.  科技经济导刊. 2017(29)
[9]一种基于协同矩阵分解的用户冷启动推荐算法[J]. 高玉凯,王新华,郭磊,陈竹敏.  计算机研究与发展. 2017(08)
[10]基于社交网络的个性化旅游景点推荐方法[J]. 徐旋旋,肖迎元,许庆贤.  天津理工大学学报. 2017(04)



本文编号：2977190