论文部分内容阅读
统计数据显示:约四分之三的游客在出游前都会去登录主流旅游网站查看用户评论(评分),以确定更好的旅游目的地,同时制定出游路线。旅游景点推荐的研究已取得一定进展,但仍存在数据稀疏、未考虑用户隐性偏好、未深入挖掘景点图像的潜在语义等问题。提出采用分层抽样统计模型获取用户偏好,改进贝叶斯个性化排序(Bayesian Personalized Ranking,简称BPR)及视觉贝叶斯个性化排序(Visual Bayesian Personalized Ranking,简称VBPR)模型,对推荐系统进行优化,以实现性能更优的旅游景点推荐。主要工作如下:一、基于分层抽样统计与BPR模型的旅游景点推荐系统。采用问卷调查方式获取用户偏好信息,抓取用户评分、景点图像等数据,继而建立“Wisdom Tourism”数据集。围绕该数据集,设计基于分层抽样统计与BPR模型的旅游景点推荐系统。实验结果表明:混合推荐的准确率平均值、召回率平均值、F1平均值较次优模型分别提升3.6%、5.1%、5.0%,它在一定程度上缓解了数据稀疏问题。二、基于分层抽样统计与改进的VBPR模型的旅游景点推荐系统。基于BPR模型的旅游景点推荐系统仅考虑用户评分数据,未挖掘景点图像的潜在语义,因此,提出基于分层抽样统计与改进的VBPR模型的旅游景点推荐系统。实验结果表明:混合推荐的准确率平均值、召回率平均值、F1平均值较次优模型分别提升3.4%、7.2%、6.4%,数据稀疏问题得到进一步缓解。三、基于多模态视觉贝叶斯个性化排序模型的旅游景点推荐系统。改进的VBPR模型的推荐性能进一步提升,但它未挖掘不同图像特征之间的多模态语义相关性。为此,设计基于多模态视觉贝叶斯个性化排序模型的旅游景点推荐系统,从两个层面进行多模态分析:基于潜语义空间分析模型深度挖掘不同图像特征之间的语义相关性,并对它们进行有效融合,完成特征之间的多模态分析;将融合之后的图像特征导入VBPR模型,实现旅游景点图像与用户评分矩阵之间的多模态分析。实验结果表明:混合推荐的准确率平均值、召回率平均值、F1平均值较次优模型分别提升1.2%、3.7%、3.5%。推荐效果优于上述所有模型。数据稀疏问题得到有效缓解,推荐系统已具有一定实用价值。