基于个性化推荐的农业文化旅游管理平台设计与实现
发布时间：2021-08-13 05:08
农业文化旅游产业是以农业为基础,面向城市游客发展的新型旅游产业,有助于推进农村振兴进程。互联网技术在农业、旅游业领域的渗透,催生了农业文化旅游新业态。目前我国大部分地区缺少针对农业文化旅游产业的互联网平台搭建,相关农业类网站多集中于对农产品的销售,农业文化旅游资源缺乏适当渠道推广到大众的视野中,大众也无法精准获取需要的农业文化旅游资讯。为此,需要搭建基于个性化推荐的农业文化旅游管理平台。本文针对“互联网+”农业文化旅游的产业结构升级,给出农业文化旅游管理平台的研究与开发。农业文化旅游管理平台以整合各地农业文化旅游资源为目的,实现在线浏览农业文化旅游资讯,在线科普农业文化,预定农舍住宿,预约农事活动以及订购农产品等服务;同时为实现旅游资源的精准对接,将个性化推荐技术运用到平台中,针对用户的喜好和特定需求,推荐其可能感兴趣的信息,从而实现提升用户体验和促进农业旅游市场收益的双赢结果。具体的研究成果如下:（1）融合了LDA主题模型与协同过滤推荐算法进行混合推荐通过对相关文献分析归纳,比较各类协同过滤推荐算法的基本原理和优缺点,分析目前推荐算法在农业旅游推荐中存在的问题,给出了融合LDA主题模...
【文章来源】：山东农业大学山东省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
农业文化旅游平台技术路线
山东农业大学硕士专业学位论文92.3个性化推荐关键技术农业文化旅游管理平台个性化推荐算法融合LDA主题模型推荐算法与协同过滤推荐算法，其关键技术包括LDA主题模型、MiniBatchK-Means聚类算法、Pearson相似度计算。2.3.1LDA主题模型LDA（LatentDirichletAllocation）由Blei等在2003年首次提出LDA模型，属于典型的三层结构概率模型（黄佳佳，2020）。LDA模型分析文本主题的潜在概率分布，找寻词语同文本相互间的关联。不同的K主题对应不同的词语集合，不同词语在主题中的概率不一致，相同文本中主题的概率也不一致（陈果，2019）。不同文档的主题概率，以及主题中的词都属于Dirichlet分布并呈现出独立性，所以不考虑词语的排序问题，只分析词语的出现频率（张小川，2018；郑伟，2019），LDA模型如图2所示。图2LDA模型图Fig.2LDAmodeldiagram模型流程如下：（1）α->θ->Z->W表示生成第n词对应的topic。生成第m（m∈M）篇文本时，先从topic骰子中抽了一个骰子θ，然后投掷这个骰子，得到文档中第n（n∈N）词的topic编号Z；（2）β->ψ->W表示生成文档中的第n词。在手里的K个骰子中，选编号为k=Z的那个骰子进行投掷，生成W（HongzhiYin2015；MohammadrezaShams，2018）。LDA模型中最重要的部分是运用Gibbs抽样进行参数估计。Gibbs抽样公式如（1）所示（徐慧君，2018）：p(=|，)=(n，+)/(∑(n，+))(，+)/(∑(n，+))（1）其具体步骤为：
基于个性化推荐的农业文化旅游管理平台设计与实现10（1）为文本设定主题数以及超参数向量；（2）为文本库中每篇文本的每个词设定编号；（3）重新扫描整个文本库，带入Gibbs采样公式，得到每个词的新编号，并更新文本库中所有词的编号；（4）重复步骤（3）的，直到Gibbs采样收敛；（5）由文本库中的每个文本中每个词的主题，得到文本-主题分布，由文本库中每个主题词的分布，得到LDA的主题和词的分布（ChenLi，2017）。LDA模型的分布概率公式如（2）所示:p(w|d)=∑(|)(|)=1（2）式中，p(z|d)为主题z在文本d中的分布概率；p(w|z)为单词w在主题z中的分布概率，p(w|d)为单词w在文档d中的分布概率；K表示主题的个数。K值不同，产生的结果不同。2.3.2MiniBatchK-Means聚类算法针对协同过滤算法出现的矩阵稀疏、可扩展性低的问题，农业文化旅游管理平台推荐系统采用MiniBatchK-Means聚类算法对用户历史行为数据进行聚类。MiniBatchK-Means聚类算法是K-Means算法的变种（AhmadianS，2019；任远航，2020）。MiniBatchK-Means使用分批处理技术，计算各个数据点距离。MiniBatchK-Means算法能够大幅度降低计算样本量，缩短计算时间，同时尽量保持聚类准确性，优化目标函数（QiaoSu，2018；郭永坤，2020）。图3展示了BoXiao等学者分别使用K-Means和MiniBatchK-means对MovieLens数据集中3万样本点进行聚类的结果（BoXiao，2018）。图3K-Means和MiniBatchKmeans聚类结果比较Fig.3Comparisonofk-meansandMiniBatchKmeansclusteringresults
【参考文献】：
期刊论文
[1]优化初始聚类中心的K-means聚类算法[J]. 郭永坤,章新友,刘莉萍,丁亮,牛晓录. 计算机工程与应用. 2020(15)
[2]融合社交关系与时间因素的主题模型推荐算法[J]. 高茂庭,王吉. 计算机工程. 2020(03)
[3]融合位置信息和物品流行度的协同过滤算法[J]. 谢修娟,莫凌飞,李香菊,陈永. 河海大学学报(自然科学版). 2019(06)
[4]基于深度学习的主题模型研究[J]. 黄佳佳,李鹏伟,彭敏,谢倩倩,徐超. 计算机学报. 2020(05)
[5]基于改进Canopy聚类的协同过滤推荐算法[J]. 唐泽坤,黄柄清,李廉. 计算机应用研究. 2020(09)
[6]人工智能技术与电子商务的“天作之合”[J]. 何臻. 电子技术与软件工程. 2019(12)
[7]基于SVD填充的混合推荐算法[J]. 刘晴晴,罗永龙,汪逸飞,郑孝遥,陈文. 计算机科学. 2019(S1)
[8]改进Mini Batch K-Means时间权重推荐算法[J]. 徐慧君,王忠,马丽萍,饶华,何承恩. 计算机工程. 2020(03)
[9]基于大数据的人工智能跨境电商导购平台信息个性化推荐算法[J]. 李家华. 科学技术与工程. 2019(14)
[10]基于SSM框架的在线考试系统的开发与设计[J]. 赵雪辉,王金峰,于善彬,董普祥,张雪玉. 现代信息科技. 2019(07)
硕士论文
[1]基于协同过滤的推荐算法及系统实现[D]. 孟俊才.安庆师范大学 2019
[2]基于TIN-LDA模型的微博推荐方法研究及应用[D]. 郑伟.安徽理工大学 2019
[3]基于主题模型的个性化景点推荐系统研究与实现[D]. 段道恒.海南大学 2018
[4]基于粒计算的移动电子商务推荐系统研究[D]. 王长春.西南交通大学 2016
本文编号：3339809
【文章来源】：山东农业大学山东省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
农业文化旅游平台技术路线
山东农业大学硕士专业学位论文92.3个性化推荐关键技术农业文化旅游管理平台个性化推荐算法融合LDA主题模型推荐算法与协同过滤推荐算法，其关键技术包括LDA主题模型、MiniBatchK-Means聚类算法、Pearson相似度计算。2.3.1LDA主题模型LDA（LatentDirichletAllocation）由Blei等在2003年首次提出LDA模型，属于典型的三层结构概率模型（黄佳佳，2020）。LDA模型分析文本主题的潜在概率分布，找寻词语同文本相互间的关联。不同的K主题对应不同的词语集合，不同词语在主题中的概率不一致，相同文本中主题的概率也不一致（陈果，2019）。不同文档的主题概率，以及主题中的词都属于Dirichlet分布并呈现出独立性，所以不考虑词语的排序问题，只分析词语的出现频率（张小川，2018；郑伟，2019），LDA模型如图2所示。图2LDA模型图Fig.2LDAmodeldiagram模型流程如下：（1）α->θ->Z->W表示生成第n词对应的topic。生成第m（m∈M）篇文本时，先从topic骰子中抽了一个骰子θ，然后投掷这个骰子，得到文档中第n（n∈N）词的topic编号Z；（2）β->ψ->W表示生成文档中的第n词。在手里的K个骰子中，选编号为k=Z的那个骰子进行投掷，生成W（HongzhiYin2015；MohammadrezaShams，2018）。LDA模型中最重要的部分是运用Gibbs抽样进行参数估计。Gibbs抽样公式如（1）所示（徐慧君，2018）：p(=|，)=(n，+)/(∑(n，+))(，+)/(∑(n，+))（1）其具体步骤为：
基于个性化推荐的农业文化旅游管理平台设计与实现10（1）为文本设定主题数以及超参数向量；（2）为文本库中每篇文本的每个词设定编号；（3）重新扫描整个文本库，带入Gibbs采样公式，得到每个词的新编号，并更新文本库中所有词的编号；（4）重复步骤（3）的，直到Gibbs采样收敛；（5）由文本库中的每个文本中每个词的主题，得到文本-主题分布，由文本库中每个主题词的分布，得到LDA的主题和词的分布（ChenLi，2017）。LDA模型的分布概率公式如（2）所示:p(w|d)=∑(|)(|)=1（2）式中，p(z|d)为主题z在文本d中的分布概率；p(w|z)为单词w在主题z中的分布概率，p(w|d)为单词w在文档d中的分布概率；K表示主题的个数。K值不同，产生的结果不同。2.3.2MiniBatchK-Means聚类算法针对协同过滤算法出现的矩阵稀疏、可扩展性低的问题，农业文化旅游管理平台推荐系统采用MiniBatchK-Means聚类算法对用户历史行为数据进行聚类。MiniBatchK-Means聚类算法是K-Means算法的变种（AhmadianS，2019；任远航，2020）。MiniBatchK-Means使用分批处理技术，计算各个数据点距离。MiniBatchK-Means算法能够大幅度降低计算样本量，缩短计算时间，同时尽量保持聚类准确性，优化目标函数（QiaoSu，2018；郭永坤，2020）。图3展示了BoXiao等学者分别使用K-Means和MiniBatchK-means对MovieLens数据集中3万样本点进行聚类的结果（BoXiao，2018）。图3K-Means和MiniBatchKmeans聚类结果比较Fig.3Comparisonofk-meansandMiniBatchKmeansclusteringresults
【参考文献】：
期刊论文
[1]优化初始聚类中心的K-means聚类算法[J]. 郭永坤,章新友,刘莉萍,丁亮,牛晓录. 计算机工程与应用. 2020(15)
[2]融合社交关系与时间因素的主题模型推荐算法[J]. 高茂庭,王吉. 计算机工程. 2020(03)
[3]融合位置信息和物品流行度的协同过滤算法[J]. 谢修娟,莫凌飞,李香菊,陈永. 河海大学学报(自然科学版). 2019(06)
[4]基于深度学习的主题模型研究[J]. 黄佳佳,李鹏伟,彭敏,谢倩倩,徐超. 计算机学报. 2020(05)
[5]基于改进Canopy聚类的协同过滤推荐算法[J]. 唐泽坤,黄柄清,李廉. 计算机应用研究. 2020(09)
[6]人工智能技术与电子商务的“天作之合”[J]. 何臻. 电子技术与软件工程. 2019(12)
[7]基于SVD填充的混合推荐算法[J]. 刘晴晴,罗永龙,汪逸飞,郑孝遥,陈文. 计算机科学. 2019(S1)
[8]改进Mini Batch K-Means时间权重推荐算法[J]. 徐慧君,王忠,马丽萍,饶华,何承恩. 计算机工程. 2020(03)
[9]基于大数据的人工智能跨境电商导购平台信息个性化推荐算法[J]. 李家华. 科学技术与工程. 2019(14)
[10]基于SSM框架的在线考试系统的开发与设计[J]. 赵雪辉,王金峰,于善彬,董普祥,张雪玉. 现代信息科技. 2019(07)
硕士论文
[1]基于协同过滤的推荐算法及系统实现[D]. 孟俊才.安庆师范大学 2019
[2]基于TIN-LDA模型的微博推荐方法研究及应用[D]. 郑伟.安徽理工大学 2019
[3]基于主题模型的个性化景点推荐系统研究与实现[D]. 段道恒.海南大学 2018
[4]基于粒计算的移动电子商务推荐系统研究[D]. 王长春.西南交通大学 2016
本文编号：3339809
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3339809.html
