论文部分内容阅读
面对爆炸式增长的旅游信息和复杂多样性的旅游需求,如何对混杂无序的信息进行筛选和过滤,并将用户最关注和最感兴趣的信息进行展现,成为信息爆炸时代最具挑战性的问题之一。基于此,个性化推荐系统得以推出,此系统不同于常规的搜索引擎需要用户主动搜索关键词信息来进行匹配,而是通过分析用户兴趣信息获取用户当前偏好,主动为用户提供其感兴趣的内容,这不仅有效的改善了用户体验,同时也可以相应增加商家收益。个性化旅游智能推送服务,主要是针对用户基本信息、行为偏好信息以及情景特征要素三者综合分析,为每位用户构建一个兴趣模型,进而推送相应的个性化服务。虽然个性化旅游推荐服务的发展取得了一定进展,但依然面临着诸多挑战,譬如,当前的推荐系统建模技术并不能全面的描述用户偏好,更没能融合用户情景特征要素,导致其推送的内容不够准确,没法满足用户的实际应用需要。针对这些问题,本研究从用户兴趣建模流程入手,分析建模的理论与方法,基于不同情景特征要素,构建用户多维特征模型,进而实现个性化推送,并且解决了用户冷启动和过拟合等问题。本文重点研究以下三方面的内容:(1)构建了多维用户特征模型。将贝叶斯网络应用在旅游信息个性化推荐服务中,在旅游情景模型构建以及用户偏好预测基础上,分析了用户在多维(当前情景、用户基本特征、历史行为)特征环境下,兴趣偏好的实时变化,同时,从用户基本特征角度对用户偏好进行预测,构建了基于情景特征的多维用户偏好模型,通过用户模型来为个性化推荐提供数据来源和理论基础。(2)提出了一个新的协同过滤算法,它是基于模型并且面向项目的推荐算法,iExpand。该算法将用户行为作为一组比较隐式的兴趣来分析处理,每个不同用户的兴趣偏好都当作成一个隐式因子,也相当于在概率主题模型中的“主题”。采用此算法为用户提供个性化推荐内容,不仅提高了推荐的效率,同时也有效的解决了用户冷启动和过拟合的问题。(3)设计了个性化旅游推送系统。结合情景特征状态下的多维用户偏好模型,通过实验分析的方式,设计了一个个性化旅游推荐平台,从对用户的数据进行获取、处理、建模入手,数据源主要通过猫途鹰平台抓取获得,通过功能设计、数据设计,构建其个性化推荐旅游系统,最后综合处理用户行为和兴趣偏好之后对用户进行推荐服务。