基于社交网络个性化旅游推荐算法研究

旅游社交网络

下载积分：2500

内容提示：硕 硕 士 学 位 论 文 MASTER’S DISSERTATION 基于社交网络的个性化旅游推荐算法研究 学科名称： 软件工程 作 者： 段治州 指导老师： 史维峰 教授 西北大学学位评定委员会 二〇二〇年六月 分类号：TP391 密 级：公开 学校代码：10697 学 号：201721024。

浏览次数：1|

上传日期：2021-|。

文档星级：。

硕 硕 士 学 位 论 文 MASTER’S DISSERTATION 基于社交网络的个性化旅游推荐算法研究 学科名称： 软件工程 作 者： 段治州 指导老师： 史维峰 教授 西北大学学位评定委员会 二〇二〇年六月 分类号：TP391 密 级：公开 学校代码：10697 学 号：201721024。

Research on Personalized Tourism Recommendation Algorithm Based on Social Network A thesis submitted to Northwest University in partial fulfillment of the requirements for the degree of Master in Software Engineering By Duan Zhizhou Supervisor: Shi Weifeng Associate Professor June 2020。

同时授权中国科学技术信息研究所等机构将本学位论文收录到《中国学位论文全文数据库》或其它相关数据库,学校有权保留并向国家有关部门或机构送交论文的复印件和电子版,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文,本人允许论文被查阅和借阅,保密论文待解密后适用本声明,本人授权西北大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,据我所知,除了文中特别加以标注和致谢的地方外,本论文不包含其他人已经发表或撰写过的研究成果,与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意,西北 大学学位论文知识产权声明书 本人完全了解西北大学关于收集、保存、使用学位论文的规定,也不包含为获得西北大学或其它教育机构的学位或证书而使用过的材料,学位论文作者签名： 指导教师签名： 年 月 日 年 月 日 -------------------------------------------------------------- 西北 大学学位论文独创性声明 本人声明：所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果,学位论文作者签名： 年 月 日。

并利用向量化和深度学习技术有效缓解了基于社交网络进行旅游推荐中存在的数据稀疏性和特征学习问题,(3)提出了一种基于用户动态兴趣的个性化旅游路线推荐算法,提出基于深度学习的 POI 推荐算法和旅游路线推荐算法,该方法在推荐算法的衡量指标明显高于其他对比的个性化旅游路线推荐方法,本文主要研究工作如下： (1)社交网络数据的特征分析和向量化处理,该方法使用特征嵌入技术融合了社交网络中的有效特征,挖掘用户旅行过程中的动态兴趣偏好进而向用户推荐旅游路线,为用户自动推荐符合游客需求的兴趣点(Point-of-Interest, POI)及旅游路线是个性化旅游推荐的关键,有效融合了社交网络中的多个特征,本文提出的个性化旅游推荐方法,(2)提出了一种基于深度神经网络(Deep Neural Networks, DNN)的POI个性化推荐算法,用户在旅游过程中的兴趣应是符合旅游区域特征的动态矢量,在实验数据的向量化处理中,本文针对个性化旅游推荐的关键性问题：POI推荐和个性化旅游路线推荐展开研究,通过在真实实验数据集上的实验验证,该方法通过加权用户历史旅行兴趣和旅游目标区域特征,通过真实实验数据集上的验证得出,通过特征分析确定了主题特征、地理因子特征和用户访问特征的有效性,为了更好挖掘用户在旅游中的个性化偏好,大量包含用户出行时空信息的社交网络数据,缓解了社交网络数据的稀疏性问题,使用归一化方法对地理因子特征进行向量化处理,根据矩阵分解(Matrix Factorization, MF)算法对用户访问特征进行向量化处理,为了解用户行为和实现个性化旅游推荐提供了机会,该方法在推荐算法的衡量指标明显高于其他对比算法,旅游路线推荐,通过定义了一个新的主题模型将主题特征进行向量化处理,并且更贴近游客真实的旅游路线,通过特征的向量化表示,使用深度学习模型提取特征之间的高阶交互,社交网络,形成了一种基于位置的社交网络(Location-based Social Network, LBSN),个性化旅游,关键词：兴趣点推荐,其中在推荐 POI 个数为前五、前十和前二十的准确率上分别最高提升 9.9%、7.4%和 7%,深度学习,其研究在旅游业行业中具有很重要的使用场景和商业价值,大量的游客通过自助旅游的形式出游,在召回率上分别最高提升 4.2%、7.5%和 14.4%,摘要 I 摘要 旅游业是一个重要的产业,随着移动智能设备的普遍运用,综上所述。

ABSTRACT III ABSTRACT Tourism is an important industry. In recent years, a large number of tourists have traveled in the form of self-help tourism. Automatically recommending points-of-interest (POI) and tourist routes that meet the individual needs of tourists is the key to personalized tourism recommendations. The widespread use of mobile smart devices has formed a Location-based Social Network (LBSN). The increasingly number of users share their "check-in" records or travel photos in social networks, generating a large amount of social network data containing abundant user travel time and space information and contextual information, which provides excellent opportunities to understand user behavior and implement personalized travel recommendations. In this paper we focuses on the key issues of personalized travel recommendation: POI recommendation and personalized travel route recommendation. In order to mine users' personalized preferences effectively during the travel process, we propose a POI recommendation algorithm and a travel route recommendation algorithm based on deep learning. The main contents of this paper are as follows: (1) Feature analysis and vectorization of social network data. We determined topic features, geographic factor features, and user behavior characteristics’ effectiveness by features analysis. In the vectorization of experimental data, we define a novel topic model to perform vectorization processing; we use normalization methods to vectorize geographic factor features; and we vectorize user behavior features according to Matrix Factorization (MF) algorithms. The vectorization of the features alleviate the sparseness of the social network data. (2) We proposed a POI personalized recommendation algorithm based on deep neural network. This model utilizes feature embedding technology to integrate the effective features in social networks, uses deep learning models to extracts high-level interactions between features. According to the verification on the real experimental data set, it obviously shows that the proposed algorithm has significantly higher metrics than other comparison algorithms. Among them, the accuracy of the recommended POIs in number of the top five, the top ten, and the top twenty increase 9.9%, 7.4% and 7%, the highest recall rates increase 4.2%, 7.5% and 14.4%. (3) We propose a personalized travel route recommendation algorithm based on users' dynamic interests. By weighting the user's historical travel interest and target area。

西北大学硕士学位论文 IV characteristics, we mine the user's dynamic interests during the travel process to recommend travel routes to the user. Through experimental verification on a real experimental data set, the proposed method has significantly higher metrics in the recommendation algorithm than other contrasted personalized travel route recommendation methods, and is closer to tourists' real travel routes and more practical. To sum up, this paper proposes a personalized POI recommendation, which effectively integrates multiple features in social networks, and utilize deep learning technology to effectively alleviate data sparseness and feature learning problems in travel recommendation. The research has important usage scenarios and business value in the tourism industry. Keywords: POI recommendation, Travel route recommendation, Deep learning, Location based social networks, personalized tourism。

目录 V 目录 摘要 ........................................................................................................................................ I ABSTRACT ......................................................................................................................... III 第一章 绪论 ...................................................................................................................... 1 1.1 研究背景及意义 .................................................................................................. 1 1.2 国内外研究现状 .................................................................................................. 2 1.2.1 兴趣点推荐 ............................................................................................... 2 1.2.2 个性化旅游路线推荐 ............................................................................... 3 1.3 研究内容和创新点 .............................................................................................. 5 1.4 本文组织结构安排 .............................................................................................. 8 1.5 本章小结 ............................................................................................................ 10 第二章 基于社交网络数据的特征分析和向量化研究 ................................................ 11 2.1 社交数据介绍 .................................................................................................... 11 2.2 数据去噪及筛选 ................................................................................................ 12 2.3 社交网络数据分析 ............................................................................................ 13 2.3.1 主题特征分析 ......................................................................................... 13 2.3.2 地理因子特征分析 ................................................................................. 14 2.3.3 用户访问特征分析 ................................................................................. 15 2.4 数据向量化 ........................................................................................................ 16 2.4.1 主题特征向量化 ..................................................................................... 17 2.4.2 地理因子特征向量化 ............................................................................. 18 2.4.3 用户访问特征向量化 ............................................................................. 19 2.5 实验结果分析 .................................................................................................... 21 2.6 本章小结 ............................................................................................................ 23 第三章 基于深度神经网络的 POI 个性化推荐方法 ................................................... 25 3.1 POI 推荐问题描述 ............................................................................................ 25 3.2 DLM 推荐模型 .................................................................................................. 26 3.2.1 DLM 推荐算法框架 ................................................................................. 26 3.2.2 DLM 模型学习优化 ................................................................................. 27 3.3 实验结果与分析 ................................................................................................ 29 3.3.1 实验数据集描述 ..................................................................................... 29。

西北大学硕士学位论文 VI 3.3.2 基线算法描述 .......................................................................................... 30 3.3.3 评价标准 .................................................................................................. 30 3.3.4 实验结果与分析 ...................................................................................... 31 3.4 本章小结 ............................................................................................................ 33 第四章 基于用户动态兴趣的个性化旅游路线推荐 .................................................... 35 4.1 概念定义及问题描述 ........................................................................................ 37 4.1.1 基本定义 .................................................................................................. 37 4.1.2 问题定义 .................................................................................................. 38 4.2 基于用户动态兴趣的个性化旅游路线推荐算法 ............................................ 39 4.2.1 构造用户旅游序列 .................................................................................. 39 4.2.2 用户动态兴趣 .......................................................................................... 39 4.2.3 个性化旅游路线推荐 .............................................................................. 42 4.2.4 参数设置 .................................................................................................. 43 4.3 实验结果与分析 ................................................................................................ 43 4.3.1 Flickr 数据描述 ........................................................................................ 43 4.3.2 基线算法描述 .......................................................................................... 44 4.3.3 评价标准 .................................................................................................. 45 4.3.4 实验结果与分析 ...................................................................................... 45 4.4 本章小结 ............................................................................................................ 48 总结与展望 .......................................................................................................................... 49 总结 .............................................................................................................................. 49 展望 .............................................................................................................................. 50 参考文献 .............................................................................................................................. 53 攻读硕士学位期间取得的科研成果 .................................................................................. 57 致谢 ...................................................................................................................................... 59。

个性化旅游路线推荐主旨是根据用户的个性化兴趣和用户自身旅行限制为其推荐由多个兴趣点构成的旅游路线,可以有效应用于基于社交网络的个性化旅游推荐,本文将对个性化旅游推荐的关键性问题：POI 推荐和个性化旅游路线推荐展开研究,POI 推荐可以根据用户自身的访问兴趣,在很多研究中证明了基于社交网络的位置推荐的有效性[4-7],如何准确的实现对用户的个性化 POI 推荐是个性化旅游推荐的关键,用户通过社交网络分享自己的旅游照片或“签到”数据,用户从海量原始的网络信息中筛选和获取自身有用的信息不仅会花费大量的旅行时间,帮助用户在大量的旅游信息中快速过滤无用信息,POI)推荐[1]和个性化旅游路线推荐[2],然后再根据自身兴趣和旅行时间制定旅游路线[44],用户把一个城市作为旅游目标区域时,用户更希望能自动获取满足自身特定需求的个性化旅游推荐,帮助用户在旅行时更快的适应旅行目标区域的生活,展开 POI 推荐算法的研究,用户在面对海量网络数据时,比如兴趣点的描述、兴趣点的照片和用户的旅游游记,为此本文以社交网络数据为基础,尤其是当游客来到一个新区域时旅行时,造成了网络信息的急剧增长,越来越多的用户可以从网络上整理自己想要获得的旅行资料[3],这些用户的历史访问数据为了解人们的行为提供了机会,基于位置的社交网络(Location-based Social Network, LBSN)已经吸引了大量的用户使用,随着社交网络使用人群的快速增加,旅游时用户在 POI 的选择上往往会花费较长的时间,第一章 绪论 1 第一章 绪论 1.1 研究背景及意义 近年来,会先选择感兴趣的 POI,尽管有一些旅行指南可以向用户提供很多参考,来记录访问历史和分享生活体验,无法实现信息的快速挑选,提高用户在整合信息上的效率和舒适度,还会使用户丢失原本的旅游乐趣,从而积累了大量带有地理标记的访问足迹或者“签到”记录数据,当用户来到一个新城市,能使用户高效的搜索相关 POI,随着智能移动设备成为大众生活中的必需品,其中包括兴趣点(Points Of Interest,人们对基于位置的服务需求呈现出爆发式的增长,随着自助旅游群体的持续壮大,为用户提供一条或多条可供,近年来,在这样的背景下,越来越多的智能移动终端都配备了定位功能,例如：Flickr、Foursquare 和 Gowalla,然而,然而,然而。

综合分析用户对不同 POI 的个性化喜爱程度和每个 POI 之间的相似性关联程度,Yin等人提出一个基于潜在狄利克雷分布模型(Latent Dirichlet Allocation, LDA)的推荐模型对被访问对象之间的地理协同相似性进行建模,但是以上方法并未充分考虑被访问的对象之间也存在相似性的协同关系,确定用户的个性化兴趣,模型结合了个人兴趣和位置偏好实现推荐,通过计算用户访问模式之间的相似性,通过相似性匹配来寻找用户之间的关联程度,挖掘用户的个性化旅游兴趣,采用协同过滤方法学习和建立用户之间的相似性,关键是对用户兴趣和用户间相似性的综合建模,1.2 国内外研究现状 1.2.1 兴趣点推荐 在 POI 的个性化推荐中,根据用户自身兴趣建立模型实现 POI 推荐和个性化旅游路线推荐,利用用户访问偏好的相似性实现推荐,最常见的方法是基于协同过滤(Collaborative Filtering, CF)的推荐技术,除此之外,他们设,实现个性化 POI 推荐[10],Quan 等人在 CF 算法模型中,个性化旅游推荐算法在当前旅游业中有着重要的经济价值和社会应用价值,研究表明被访位置的主题特征有助于提高推荐效果[11],Zheng 等研究了用户和位置的之间的协同关系,西北大学硕士学位论文 2 参考的旅游路线显得尤为重要,从而实现推荐,定义了 POI 在不同时间段内的流行度,加上通过相似用户、相似移动模式的分析,还有效的增加了用户的旅游体验,如 Ma 等人利用 CF 方法找出与用户兴趣相似的近邻用户,提升用户在自助旅游过程中的体验,通过对个性化旅游中的关键性问题：POI 推荐和个性化旅游路线推荐的研究,向用户进行个性化 POI 推荐,根据统计用户在不同 POI 上的访问时间频数,本文研究的主要目的就是根据用户的历史社交网络数据,从而在满足用户需求的前提下提高旅行体验,帮助用户高效的制定自己喜欢的旅游路线,Li 等表明如何从有限的用户和位置信息中提取更多的有效特征始终是 POI 推荐的挑战性问题,个性化旅游路线推荐能有效的根据用户个人的偏好筛选信息,在 POI 推荐研究中,加入了用户访问 POI 的时间因素信息,不仅大大减少了用户在收集旅游信息的时间花费,上述方法根据不同用户访问相同对象的历史信息,根据用户历史访问 POI 的位置信息确定用户的访问模式,进而向用户推荐[9],利用在不同时间段内 POI 的流行度,将评分较高的地点推荐给用户[8],利用近邻用户预测用户对签到地点的评分。

如何设计有效的特征工程实现用户个性化 POI 推荐,构建包含相似性特征的协同过滤模型实现 POI 推荐,实现向用户进行个性化 POI 推荐,深度学习可以更好的提取特征和学习特征之间的高阶交互,1.2.2 个性化旅游路线推荐 个性化旅游路线推荐是指在考虑用户个性化因素的基础上,用户个性化 POI 推荐仍然存在如下挑战性：首先,传统的基于协同过滤的推荐方法仅考虑了用户之间的相似性,个性化旅游路线推荐问题中,通过挖掘用户间的相似性实现个性化推荐,用户访问过和未被访问的 POI 信息均参与推荐位置排序的建模学习[12],在有限的用户和位置信息基础上提取更多的有效特征,上述研究表明了 DNN 网络具备从输入的非结构化的底层数据中学习高级特性和交互的性能,实现精准的个性化 POI 推荐,一些学者开始尝试采用深度学习技术解决 POI 推荐问题,更好的挖掘用户的个性化兴趣,根据时间和顺序上下文来进行建模用于 POI 推荐,上述方法采用了多种用户-POI 相关的上下文信息,确定用户访问的时间序列特征,在面对非结构化数据集上的特征工程构建的问题中,如何将用户-POI 相关的内容特征进行融合,最常见的方法是基于协同过滤的推荐技术,从而缓解 POI 推荐中存在的数据稀疏性问题,深度学习在特征选择和高层语义特征学习方面体现出巨大的潜力[13-15],并未充分考虑被推荐对象之间存在的协同相似性关系对用户目的地选择带来的影响,具备充分挖掘特征之间关系的能力,Cheng 等[21]采用 DNN 模型用于移动应用推荐,实现预测用户下一个签到的 POI,在该方法中,Covington 等[20]利用深度神经网络(Deep Neural Networks, DNN)模型进行了 YouTube 视频推荐,Zhao 等[16] Wang 等[17]利用长短期记忆网络 (Long Short-Term Memory, LSTM)方法对上下文序列进行建模,Zhao等[18] Xia 等[19]利用循环神经网络(Recurrent Neural Network, RNN)根据用户的签入顺序建模,第一章 绪论 3 计实现了一个基于排名的地理特征因子分解方法,称为：Rank-GeoFM(Ranking based Geographical Factorization Method),选取适当的学习模型,形成内容特征集合,为每位用户生成符合自身旅行限制条件的旅游路线,以获得更准确的推荐结果,根据用户签到记录的时空信息,上述方法针对特定场景设计实现,提取能够区分用户偏好的关键性因素,He 等[22]提出了一个将 DNN 和矩阵分解算法(Matrix Factorization, MF)结合起来的通用框架用于物品推荐,这种特性使其在诸多研究领域取得了巨大的成就,取得了一定的成效,但是,然而,此外,综上所述,其次,Yu 等人认为在一天。

这些方法虽然考虑了基于 POI 主题的用户历史访问偏好,上述方法都使用基于邻居的协同过滤模型用于旅游路线推荐,上述这些方法都在推荐系统上使用了卷积神经网络,另一个卷积核用于从用户历史评论的物品中提取特征,Lei 等人基于卷积神经网络提出了一个用以图片推荐的深度学习模型[33],Tang 等人通过卷积神经网络构建了一个顺序推荐模型[32],以上方法的成功都是依赖于卷积神经网络从图像数据和文本数据这类非结构数据中学习高级特征的强大能力,其中一个卷积核用于提取用户的行为模式特征,Castillo 等人提出了一个包括 POI类别以及通过用户访问历史推测用户潜在兴趣的旅游路线规划工具[28],Shen 等通过卷积神经网络从文本信息中提取事物特征构建了一个电子学习推荐系统[31],该模型通过定义两个平行的卷积神经网络分别提取不同的特征,因此提出了基于时间多样性的偏好确认方法,很多研究进行旅游路线推荐时都考虑了 POI 类别问题,确定用户在时间段内的偏好差异,一些学者开始尝试使用卷积神经网络解决推荐系统面临的特征工程问题,并通过变种的协同过滤模型为用户进行个性化旅游路线推荐[24],然后对两个卷积核提取的特征进行融合用于推荐,Gionis等人考虑了旅游路线访问 POI 有类别上的顺序性,以上方法不能有效地挖掘用户的动态兴趣偏好,Jiang 等人引入了用户兴趣偏好、POI 门票费用、POI 开放时间、旅游旺季等因素,本文使用卷积神经网络对兴趣点上,用户在旅游过程中的兴趣偏好存在地理区域之间的漂移现象,用户的偏好有所差异,以便更好地通过协同过滤模型进行推荐[23],并提出了基于图像内容增强的 POI 推荐系统[29],用于生成更符合用户真实的旅行路线,通过最大化一个由用户旅行限制条件组成的多目标函数来进行路线推荐[26],通过构建以 POI 为结点、以平均用户访问频率和 POI 类别为边的图,即用户在不同区域旅行时往往具有不同的兴趣,卷积神经网络(Convolutional Neural Networks, CNN)在众多领域取得了优异的成绩,该方法在物品推荐领域取得了很好的成果[30],再由定向问题(Orienteering Problem, OP)模型来进行个性化旅游路线推荐[25],Wang 等利用游客历史游览分享的图像特征对 POI 推荐的影响,然后采用随机游走(random walk, RW)方法来进行旅游路线推荐[27],Zheng 等人提出了 DeepCoNN(Deep Cooperative Neural Network)的推荐模型,通过在不同时间下 POI 的受欢迎程度不同,Lucchese 等人使用了一种不同的方法,通过增加其他旅行方面的特征来提升准确率,西北大学硕士学位论文 4 的不同时间段内,Brilhante 等人的工作基于广义最大覆盖(Generalized Maximum Coverage, GMC)问题,它能够有效地处理非结构化的多媒体数据,该研究仍面临着挑战,此外,然而,近年来,因此。

1.3 研究内容和创新点 本文主要研究内容是根据用户在社交网络中的历史签到数据,这对本文研究的 POI 个性化推荐和旅游路线个性化推荐创造了条件,这些社交网站上的历史签到数据包含了大量的用户访问信息和 POI 信息,向用户推荐更符合用户动态兴趣的个性化旅游路线,并在此基础上对个性化旅游推荐的关键性问题：POI推荐和个性化旅游路线推荐展开研究,在社交网络数据进行旅游推荐算法研究有如下三个方面有待深入研究：(1)如何设计特征工程,从而更好的进行个性化旅游路线的推荐,利用深度学习方法建立用户个性化旅游偏好模型,从而挖掘社交网络中的有效特征和缓解社交网络数据存在的数据稀疏性问题,更有效地提取兴趣点的上下文信息特征,用户在访问一个 POI 时,如何将用户和 POI 相关的内容特征进行有效融合,本文使用的社交网络数据集来源于 Foursquare 和 Flickr,往往会通过“签到”的形式在社交网络上来分享和记录自己的行程,每一个签到记录都有一个包含经纬度的地理位置信息,(2)在社交网络中,(3)如何解决用户在不同旅游目标区域旅行时具有兴趣变化的问题,提升 POI 推荐的准确率,提取能够区分用户偏好的关键性因素,该社交网络长期收集全球范围的签到数据,第一章 绪论 5 下文信息矩阵进行高级特征的提取,是本文的整体研究框架示意图,通过选取适当的学习模型,综上所述,其中,如图 1-1 所示。

西北大学硕士学位论文 6 社交网络数据社交数据处理数据筛选和去噪数据特征分析数据向量化兴趣点推荐 个性化旅游路线推荐DNN网络进行个性化兴趣点推荐主题特征+用户行为特征+地理特征用户兴趣用户约束条件旅游路线规划目标区域+ + 图 图 1-1 本文研究框架示意图 本文将社交网络中用户的签到记录作为研究对象,1. 社交网络 数据 的 特征分析和向量化处理 社交网络积累了大量带有地理标记的访问足迹或者“签到”记录数据,社交网络数据的特征分析和向量化处理为后面的研究工作做好了研究准备,2. 基于 社交 网络 数据 的 兴趣点推荐 算法研究 游客去旅游时,如何确定用户签到数据中的有效特征和缓解数据的稀疏性,确定主题特征、地理因子特征和用户访问特征为有效特征,在兴趣点推荐和旅游路线推荐的研究中都使用了深度学习模型,面对用户在社交网络中留下的海量访问信息,但社交网络中的签到记录均为离散数据,首先对用户的历史访问记录进行数据分析,实现对用户访问特征的向量化处理,通过构造用户-POI 的访问矩阵根据 MF 算法得到用户偏好的潜在特征向量,通过特征的向量化处理缓解了数据的稀疏性问题,将 POI 的经纬度作为地理因子特征,POI 推荐可以更好的,使用归一化方法对地理因子特征进行向量化处理,通过定义了一个新的 LDA 主题模型用于获取每个 POI 的主题向量,主题特征进行向量化处理,是有效挖掘用户个性化偏好的难题,首先面对的问题是选择自己感兴趣的 POI,具体的研究内容如下,无法送入模型有效训练,此外,因此,然后。

本文提出的兴趣点推荐模型由特征提取模块和网络学习模块两部分构成,3. 基于社交网络数据的 个性化 旅游路线推荐 算法研究 个性化旅游路线推荐的目标是充分利用用户的行程约束和他们对旅游兴趣点的个性化兴趣,本文提出了一种基于用户动态兴趣的个性化旅游路线推荐模型,4. 个性化 旅游 推荐算法 结果验证 为了验证本文提出的 POI 推荐方法和个性化旅游路线方法的有效性,网络的连接层将主题特征向量、地理因子特征向量和用户访问特征向量进行全连接后送入 DNN 网络,通过计算用户兴趣向量和兴趣点上下文向量的余弦相似度作为旅游目标区域特征,将 LBSN 中的用户偏好特征、地理因子特征和概率主题特征融入到 POI 推荐任务中,然后通过加权用户兴趣向量和旅游目标区域特征来获得用户的动态兴趣偏好,将网络全连接后的一维向量作为该兴趣点的上下文向量,利用 CNN 网络进行兴趣点潜在特征的提取,然后将融合的特征向量送入网络实现模型训练和用户对 POI 偏好得分预测,将访问该兴趣点的所有用户兴趣向量组成该兴趣点的上下文信息矩阵,将用户对兴趣点的主题类别偏好和兴趣点流行度偏好共同组成用户兴趣向量,为用户规划一条由多个自身爱好兴趣点组成的旅游路线,提出了一种基于 DNN 网络的 POI 推荐框架,使得向用户推荐的旅游路线的总得分最高,通过优化该问题进而向用户进行旅游路线推荐,并与现有的个性化推荐方法进行比较,在网络学习模块中,对于每一个兴趣点,特征提取模块实现 LSBN 特征的构建,利用词嵌入技术提取向量化处理后的主题特征、地理因子特征和用户访问特征,在公开数据集上对本文提出的算法进行了实验,挖掘用户的出行模式进而向用户更好的推荐 POI 已经成为一个非常重要的难题,用户兴趣会根据目的地属性发生动态变化的问题,针对现有的推荐算法,即用户最可能喜欢该旅游路线,本文主要创新点如下：,验证了本法提出的方法有效性,从而有效挖掘用户的访问偏好,然后融入到协同过滤模型中,连接层保证了整个模型的可扩展性,可通过全连接层自动全连接,如何利用用户的历史打卡数据,帮助游客寻找符合自身生活习惯的 POI,进而向用户进行推荐,将用户的旅行约束转化为在 OP 定向问题上的整数规划问题,如果在应用中需要添加其他的相关上下文信息,根据用户历史旅行记录,第一章 绪论 7 使用户快速适应新城市的生活,并未充分考虑用户在不同目的地游览时,因此,首先,此外,最后,通过可视化结果解释。

使用用户兴趣向量和兴趣点上下文信息向量的相似度作为旅游目标区域特征,通过加权用户兴趣向量和旅游目标区域特征来获得用户的动态兴趣偏好,将所有访问过该兴趣点的用户兴趣向量定义为该兴趣点的上下文信息矩阵,根据社交网络数据分别对 POI 个性化推荐和旅游路线推荐的国内外研究现状进行了分析和总结,将 CNN 网络提取的一维特征作为兴趣点的上下文信息向量,（3）提出了一种基于用户动态兴趣的个性化旅游路线推荐方法,第二章为社交网络数据的特征分析和向量化研究,提出了游客旅游目标区域特征的定义和提取旅游目标区域特征的方法,介绍了本文的主要研究内容及其创新点,实现有效的用户兴趣点推荐,本章介绍了基于社交网络进行旅游推荐的研究背景和研究意义,首先将用户对兴趣点的类别偏好和流行度偏好组成用户兴趣向量,增加了用户对旅游目标区域特征的偏好,将旅游目标区域特征作为用户偏好的度量标准之一,从而提取用户访问特征向量,在用户动态兴趣提取中,该方法使用词嵌入技术融合 LBSN 中的主题特征、用户偏好特征、地理因子特征,（2）提出了一种基于深度学习的 POI 个性化推荐方法,同时引入矩阵分解的特征嵌入方法来对用户和 POI 的关系进行建模,除考虑用户历史旅游兴趣外,构造用户在 POI 上的历史访问矩阵,通过对数据特征的向量化处理,通过深度神经网络来学习用户和特征之间、用户和用户之间、POI 和 POI 之间的特征交互,通过 MF 算法转换为用户和 POI 的向量,西北大学硕士学位论文 8 （1）在社交网络数据特征的向量化处理方面,对于一个兴趣点,介绍了本文的整体结构安排,得到用户的主题向量表示,利用用户对 POI 的访问关系,定义了一种新的概率主题模型用于对用户的主题信息进行建模,其中在推荐 POI 个数为前五、前十和前二十的准确率上分别最高提升9.9%、7.4%和 7%,1.4 本文组织结构安排 本文一共包含了五个章节,从而更有效的挖掘用户兴趣,使用 OP 定向问题实现在多约束条件下为用户推荐最优的旅游路线,通过在真实实验数据中的验证,该方法在推荐算法的衡量指标明显高于其他对比算法,本章对本文所需要的实,缓解了数据稀疏性问题,将其融入到协同过滤模型中,在召回率上分别最高提升 4.2%、7.5%和 14.4%,每章的内容分别如下,第一章为绪论,其次,最后,首先,然后,其次,最后,首先。

因此本章提出了一种基于用户动态兴趣的个性化旅游路线推荐方法,接下来对该方法中的用户动态兴趣偏好提取进行了具体介绍,第四章为一种基于用户动态兴趣的个性化旅游路线推荐算法研究,对本章节提出的基于深度学习的 POI 个性化推荐算法框架和思想进行了方法介绍,如何从签到数据中发现有效的特征是 POI 推荐的关键,对用户的历史访问记录进行数据分析进而挖掘有效特征,用户的兴趣在旅游过程中是动态变化的,并提出了目前 POI 推荐方法存在的不足,引入矩阵分解方法对用户访问特征进行向量化处理,本章节对以往的旅游路线推荐方法出现的不足进行了分析和总结,首先对目前的 POI 推荐方法进行了分析和总结,并对本章提出的 PTRD 推荐方法进行了框架解读,本章节提出了一种使用词嵌入技术的基于 DNN 网络的个性化 POI 推荐方法,更好的挖掘用户偏好实现个性化旅游推荐,第三章为一种基于深度学习的兴趣点推荐算法研究,描述了本文方法中需要改进的地方,通过在真实数据集上证明了本章提出方法的性能优越性,并通过真实数据集上的对比实验证明了本章所提出的 PTRD 方法的有效性,将经过特征分析后的有效特征进行向量化处理,如何根据用户的历史旅游数据有效挖掘用户的出行模式和访问偏好是一个挑战,称为 DLM(Deep Latent Matrix),称为 PTRD(Personalized Tourism Dynamic Recommendation),使用新定义的 LDA 主题方法对主题特征进行向量化处理,特征向量化处理可以有效缓解数据的稀疏性问题,在本章中,对该方法的特征提取和模型训练及预测进行了具体的解释,因为游客在旅游过程的兴趣偏好存在地理区域之间的漂移现象,并对该方法中的参数设置做出了解释,同时使深度学习模型可以有效的学习社交网络数据特征间的高阶交互,他们需要动态的选择POI 进行访问,使用归一化对地理因子特征进行向量化处理,即用户在不同区域旅行时往往具有不同的兴趣,对框架中的每部分进行了功能说明,第一章 绪论 9 验数据进行了必要的数据筛选和去噪,就本章节需要用到的一些概念进行了定义和描述,首先对本文的所有研究内容进行了总结说明,第五章为总结与展望,描述了每个部分的主要工作,明确了下一步的研究方向,接下来,其次,最后,然后,最后,换句话说,首先,然后,最后,其次。

对个性化旅游推荐中的关键问题：兴趣点推荐和旅游路线推荐分别进行了国内外研究现状的分析和总结,针对目前兴趣点推荐算法和个性化旅游路线推荐算法上的不足,本章介绍了基于社交网络进行个性化旅游推荐的研究背景和意义,提出了本文所要研究的内容和创新点,说明了本文的整体组织结构安排,西北大学硕士学位论文 10 1.5 本章小结 首先,其次,然后,最后。

确定主题特征、地理因子特征和用户访问特征为社交网络中的有效特征,用户在 Foursquare 社交网络中签到记录的数据结构如表 2-1 所示,第二章 基于社交网络数据的特征分析和向量化研究 11 第二章 基于社交网络数据的特征分析和向量化研究 本章节的主要内容是对实验所用到的社交网络数据进行分析和处理,主要包括数据预处理、社交网络数据的特征分析和社交网络数据的向量化处理三部分,2.1 社交数据介绍 本文实验采用的数据来自 Foursquare 和 Flickr 社交网络上的数据集,利用矩阵分解算法对用户访问特征进行向量化处理,在实验数据的特征分析中,利用归一化方法对地理因子特征进行向量化处理,往往会通过“签到”的形式在社交网络上来分享和记录自己的行程,产生了大量包含丰富的用户出行时空信息和 POI 上下文信息的社交网络数据,Foursquare 社交网络长期收集全球范围的签到数据,数据集中包含了世界上签到数据最多的 415 个城市,介绍了本章提出的数据向量化的处理方法,每一个城市至少有 10000 个人在网络上签到,其中每个签到记录包含用户 ID、POI_ID、POI 的位置信息（经度和纬度）、POI 的名称、用户签到的 UTC时间和偏移时区（分钟）,对向量化处理后的数据进行了实验验证,在 3680126 个地点（77 个国家的 415 个城市）有 266909 个用户的 33278683 个“签到”记录,这些社交网站上的历史签到数据为了解用户行为和实现个性化旅游推荐提供了极好的机会,设计实现了一种新的 LDA 主题算法对主题特征进行向量化处理,表 表 2-1 Foursquare 数据集中轨迹点的数据结构 用户 ID POI_ID 纬度 经度 POI 名称 时间 偏移时区(分钟) 6715 4ba5bc3bf964a520251f39e3 39.928035 116.390529 Theme Park 14:04:30 480 73418 4ba5bc3bf964a520251f39e3 39.865381 116.490355 Chinese Restaurant 14:04:35 480 Flickr 数据集是包含多媒体集合的公共数据集,验证了向量化处理方法的有效性,用户在访问POI 时,介绍了研究需要的真实数据集,完成了对实验数据必要的“筛选”和“去噪”数据准备工作,其中含有 1 亿个媒体对象,首先,然后,其次,最后,由大。

根据签到记录的位置信息来匹配用户访问的所属 POI,本章根据签到记录的位置信息来确定用户访问的地点,用户在访问一个地点时会产生多个签到记录,在 Flickr 数据集中选取了签到记录所属城市为多伦多、布达佩斯、爱丁堡和维也纳的数据,选取了签到记录所属城市为北京的数据,表 表 2-2 Flickr 数据集中轨迹点的数据结构 用户 ID 照片_ID 纬度 经度 准确性 时间 照片 10297518@N00 6656416589 34.66722 135.50028 12 1 10307040@N08 1045721225 35.67517 139.76929 16 1277719558 1 2.2 数据去噪及筛选 Foursquare 和 Flickr 社交网站涵盖了全球上主要城市的签到记录,这些照片和视频已经用地理坐标标注,数据集中的位置信息（经度和纬度）是确定用户具体位置和计算 POI 之间距离的重要特征,位置信息可以有效挖掘用户的访问偏好,且每一个城市至少有 10000 个人在社交网络上签到,位置信息的丢失导致无法确定用户打卡记录的地点,但多个签到记录所属于同一个地点,每个上传至 Flickr 网站上的数据结构如表 2-2 所示,本章分别在两个社交网络中选取了若干城市作为实验的数据集,利用 POI 的位置信息,包含用户 ID、照片 ID、地理位置、拍摄照片地理坐标的准确度、用户的拍摄时间和是否为照片信息(1 表示为照片,更能推荐符合用户偏好的POI,首先去除了数据集中位置信息缺失的数据项,从而无法确定用户访问的 POI,用户可以手动标注,数据集中超过 10000 个独特用户获取媒体的城市有维也纳、多伦多、东京、布达佩斯爱丁堡和北京等众多城市,也可以通过 GPS 自动标注,会产生多个记录数据,在 Foursquare 数据集上,进而在向用户推荐时,将该 POI 的位置设置为中心,例如当用户处于一个兴趣点或者商场时,所有这些带有机器标签（由相机、计算机、应用程序或其他自动系统自动添加的标签）的数据都在2004至2014年间上传到Flickr,在个性化推荐领域中,半径为 200 米确定 POI 的覆盖...,西北大学硕士学位论文 12 约 9920 万张照片和 80 万个视频组成,0 表示为视频),如图 2-1 所示,其次。

成功点赞+1

全文阅读已结束,如果下载本文需要使用。

 2500 积分