基于用户聚类的旅游景点推荐算法研究

发布时间：2022-10-20 13:38

　　互联网的飞速发展使得大量的信息涌入到人们的生活之中,使人们的生活变得更加方便的同时也出现了信息过多的问题,因此人们需要对信息进行筛选,推荐系统由此产生。推荐系统可以满足用户的个性化需求,提高用户获得有用信息的效率。推荐系统被推广到多个领域之中,旅游景点的个性化就是其中之一。协同过滤算法是推荐系统比较常用的推荐算法,但是协同过滤算法自身有一些限制条件使得它不能够完全应用于旅游景点的推荐之中,需要在传统的协同过滤算法的基础上进行改进,才能够更好的满足用户的旅游景点个性化需求。本文介绍了旅游景点推荐的相关研究,分析得出旅游景点的推荐系统问题非常值得研究。介绍了推荐系统的发展背景,并总结了各种推荐算法的优缺点,根据对比选择了协同过滤算法中的基于用户来进行旅游景点个性化推荐研究。但协同过滤算法存在着数据稀疏性、冷启动等问题,因此要对协同过滤算法进行改进。本文选择了聚类这一方法,并利用实验法来进行研究。首先利用聚类方法中的K-means对数据集的用户进行聚类,然后将聚类结果输入到协同过滤算法之中得到推荐结果,最后将推荐结果与传统协同过滤算法进行对比。实验结果表明,进行了聚类的基于用户的协同过滤算法... 

【文章页数】：45 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景和意义
        1.1.1 研究背景
        1.1.2 研究目的与研究意义
    1.2 研究方法与主要内容
        1.2.1 研究方法
        1.2.2 研究技术路线
        1.2.3 主要研究内容
        1.2.4 研究的创新点
    1.3 论文的组织结构
2 国内外文献综述
    2.1 旅游行业推荐相关研究
        2.1.1 旅游规划的相关研究
        2.1.2 旅游资源的相关研究
        2.1.3 旅游景点的相关研究
    2.2 推荐系统及推荐算法
        2.2.1 推荐系统概述
        2.2.2 协同过滤
        2.2.3 基于内容的推荐算法
        2.2.4 关联规则
        2.2.5 其他推荐方法与常用推荐算法的应用
    2.3 聚类分析
        2.3.1 聚类分析概述
        2.3.2 聚类方法简介与比较
    2.4 本章小结
3 研究的理论与技术
    3.1 协同过滤算法
    3.2 基于聚类的协同过滤推荐算法
    3.3 实验方法与度量标准
    3.4 算法整体框架
        3.4.1 推荐系统流程
        3.4.2 基于用户的协同过滤框架
        3.4.3 聚类下的算法框架
    3.5 本章小结
4 实验结果与分析
    4.1 实验环境及实验数据
        4.1.1 实验环境
        4.1.2 数据集
    4.2 结果分析
    4.3 本章小结
5 结论与展望
    5.1 主要结论
    5.2 结论应用分析
    5.3 展望
参考文献
附录
硕士期间科研成果
致谢


【参考文献】：
期刊论文
[1]抖音短视频软件对旅游的影响研究[J]. 魏静,佟静.  电子商务. 2019(05)
[2]旅游路线规划研究综述[J]. 常亮,孙文平,张伟涛,宾辰忠,古天龙.  智能系统学报. 2019(01)
[3]一种带标签的协同过滤广告推荐算法[J]. 金紫嫣,张娟,李向军,温海平,张华薇.  计算机工程. 2018(04)
[4]一种融合聚类与用户兴趣偏好的协同过滤推荐算法[J]. 何明,孙望,肖润,刘伟世.  计算机科学. 2017(S2)
[5]协同过滤算法应用于景点推荐研究[J]. 牟进军,罗国宽,熊志斌.  软件导刊. 2017(11)
[6]大规模隐式反馈的词向量音乐推荐模型[J]. 于帅,林宣雄,邱媛媛.  计算机系统应用. 2017(11)
[7]推荐算法进展概述[J]. 潘子炀.  中国战略新兴产业. 2017(40)
[8]基于全域旅游的南通旅游营销策略研究[J]. 李燕,顾小光.  中国市场. 2017(29)
[9]融合项目聚类和时间权重的动态协同过滤算法[J]. 吴佳炜,沈玲玲,钱钢.  南京师范大学学报(工程技术版). 2017(03)
[10]基于离群数据挖掘的电子商务推荐系统研究[J]. 张光.  自动化与仪器仪表. 2017(08)

硕士论文
[1]推荐系统中的攻击检测研究[D]. 张括.西南交通大学 2018
[2]基于短文本挖掘的个性化信息推荐算法[D]. 张平.北京交通大学 2017
[3]基于协同过滤的图书馆个性化推荐方法的研究[D]. 肖仁锋.山东师范大学 2017
[4]旅游产品网络广告的个性化推荐研究[D]. 彭志强.湖南工业大学 2017
[5]基于高校毕业生与招聘企业双选的推荐系统[D]. 陈朝冲.西南科技大学 2017
[6]基于用户聚类和偏好的推荐算法研究[D]. 黄瑛.安徽理工大学 2017
[7]面向在线交友领域的互惠推荐算法研究[D]. 殷方勇.山东师范大学 2017
[8]基于用户聚类的协同过滤推荐算法研究[D]. 明小红.北京交通大学 2017
[9]基于个性特征的协同过滤推荐算法及其在旅游领域的应用[D]. 杨晓音.吉林大学 2017
[10]微博用户兴趣的提取和动态建模[D]. 郑磊.太原理工大学 2017



本文编号：3694620