协同过滤算法应用于景点推荐研究

《协同过滤算法应用于景点推荐研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、协同过滤算法应用于景点推荐研究牟进军罗国宽熊志斌术与创意学院旅游电子商务与网络社交媒体发展导致旅游信息爆炸式增长，用户面临信息过载问题。为使用户快速获取并甄别信息，将传统协同过滤推荐算法应用于景点推荐，游客对景点评分构成评分矩阵，计算景点之间相似度，根据相似景点评分预测游客对目标景点评分。实验结果显示，景点预测评分平均绝对误差为0.696,Item-based景点推荐算法能根据游客偏好推荐景点。关键词：协同过滤;个性化推荐;景点推荐;Item-based;基金：海南省重点研发项目（ZDYF2016166）ApplicationofCollaborativeFilte

2、ringAlgorithmtoTouristAttractionRecommendationMOUTin-iunLUOGuo-kuanXIONGZhi-binHainanWeisida^ElectronicTechnologyCo.Ltd.;SchoolofArtandCreativity,HainanTropicalOceanUniversity;Abstract：Withtherapiddevelopmentoftourisme-commerceandtourismsocialmedia,alotoftourisminformationexplosiongrow

3、th,touristsareencounteringinformationoverload.Inordertomaketheusersquicktoobtainandidentifytheinformation,thetraditionalcollaborativefilteringrecommendationalgorithmisappliedtothescenicspotrecommendation.Thescoresthattouristsgavethescenicspotsconstitutedthescoringmatrix,thesimilaritybe

4、tweenthespotswascalculated,thescorethattouristgivethetargetscenicspotswasestimated.Theexperimentalresultsshowthatthemeanabsoluteerrorofestimatedscoresis0.696.TherecommendationalgorithmbasedonItem-basediscompetenttorecommendthetouristforsomescenicspotsaccordingtohispreference.Keyword：co

5、llaborativefiltering;personalizedrecommendations;touristattractionrecommendation;Item-based;0引言随着国民经济发展，旅游业成为朝阳产业，各类旅游电商平台与旅游社交媒体应运而生，如携程、艺龙、去哪儿、旅人网、蚂蜂窝、穷游网等，这些旅游电子商务平台与社交媒体为游客提供机票与酒店预定服务、景点信息、旅游攻略与游记分享平台。网络查询己成为游客获取资讯的主要方式，游客规划旅游路线时，通常会在旅游电子商务平台与社交媒体上査阅景点信息、游客评分及点评。游客能够快速在旅游电商平台与社交媒体获

6、取景点信息，同时遭遇“信息过载”问题m。游客在网络上获得海量信息，相应需耍花费额外时间杳阅并甄别信息。这不仅增加了游客时间成本，还提高了线路规划难度。推荐系统作为解决信息过载、满足用户个性化需求的有效工具，己在淘宝、亚马逊等电商平台成功应用m。基于用户需求提供景点推荐的国内旅游电商平台与社交媒体为数不多［3-4］。推荐算法有多种，其屮棊于协同过滤的推荐算法在个性化系统屮应用最广边1，如高明虎等m改进传统协同过滤算法解决冷启动问题，并应用于酒店推荐;娄小风［7］提出基于酒店多维度属性打分的协同过滤推荐算法提高了推荐准确度;王益M将协同推荐算法应用于旅游路线推荐。本文研

7、究协同过滤算法在景点推荐中的应用，为游客提供个性化数据服务。1协同过滤推荐算法概述协同过滤推荐算法诞生最早，棊本思路是如果用户过去物品偏好一致，将来偏好仍将一致m。算法通过挖掘用户历史行为数据发现用户偏好，以此为依据计算得到和似用户或物品并进行推荐。协同过滤推荐算法有2个重要分支:一个是基于用户的协同过滤算法，另一个是基于物品的协同过滤算法。Item-based算法得出的结果具有较好说服力，因此，本文将该算法应用于景点推荐［9］。棊于用户的协同过滤算法思路是根据用户物品偏好找到相似用户，然后将相似用户喜欢物品推荐给目标用户。基于物品的协同过滤算法思路类似基于用户