英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
个体和群体旅游推荐系统的设计
摘要
本文呈现了一个基于用户的口味、人口数据和先前旅游访问地而设计的推荐系统。本系统不仅能够为单个用户提供推荐，也能为群体用户进行推荐。通过聚合或交集机制，从个人推荐中得出群体推荐结果。将诱引技术作为e-Tourism的插件，e-Tourism是一种适用于用户的旅行和娱乐应用，它的主要组件是一个Generalist Recommender System Kernel（GRSK），这是一个域独立的利用分类学实现的推荐系统。
1.引言
旅游是一种和个人兴趣偏好紧密相关的活动。如今，随着越来越多公司和机构通过网络服务提供轻松可触的旅游信息，越来越多的人意识到运用新技术规划来规划城市休闲活动的优势。但是，现有的大多数旅游网站都仅能作为预定服务的提供商，通常不提供推荐，除了典型的用户点评网站，这些网站以用户的评分作为评价产品的指标，并将评分提供给新用户做参考。这也是为什么在电影和书籍应用中广受欢迎的推荐系统没能运用到旅游业中，因为在旅游系统中精确建模用户画像要比在其它系统中难得多。比起看电影和买书，旅游是一个频率没那么高的活动，因此可用于评分的旅游产品相对来说要少得多。另一方面，旅游产品本身的结构要比书籍和电影复杂地多。尽管有如上困难的存在，旅游和休闲业、旅游网站目前却趋向于采用推荐系统来模仿和人类旅行代理商的互动(Delgado amp; Davidson, 2002)，并将重心放在自适应对话框的设计上(Ricci, 2002)，旨在满足用户的偏好和需求，以便得出精准的用户画像。
我们可以将使用RS技术的在线旅游服务网站分为两类：1.专注于旅游目的地推荐的系统，如DieToRecs (Fesenmaier, Ricci, Schaumlechner, Wober, amp; Zanella, 2003), ITR (Ricci, Arslan, Mirzadeh, amp; Venturini, 2002) 和Trip@dvice (Ricci, Cavada, amp; Nguyen, 2002; Venturini amp; Ricci, 2006) 2.另一类是推荐用户在指定目的地可以进行的活动列表。这两类推荐系统的主要区别在于第一种网站只要求最终结果，第二种推荐系统提供一个活动列表，更可取的是一个包含这些活动的旅行规划，比如(Fink amp; Kobsa, 2002)根据地理信息、景点信息和个人兴趣偏好生成了海德堡旅游的个人推荐。
本文描述的e-Tourism属于第二类旅游网站。e-Tourism是一个基于推荐系统的旅游网站，它可以帮助游客生产一个西班牙瓦伦西亚的个性化的旅游计划。e-Tourism简化了大量信息的处理，为指定用户提供最可取的活动。此外，它还通过处理不同信息源（如营业时间、旅游地点之间的距离或旅游时间）来安排旅游活动和行程。通过这种方式，我们为游客提供一个个性化的行程推荐。本文特别关注最受游客喜爱的景点的推荐，我们会将对构建行程进程感兴趣的读者推荐给Sebastia, Garcia, Onaindia, and Guzman (2009)。
e-Tourism同时也是一个群体推荐旅游系统。因为旅游通常是一个包好一组用户的活动（如家庭、朋友），旅游推荐应该满足组内大部分成员的偏好(Ardissono, Goy, Petrone, Segnan, amp; Torasso, 2003)。实现这一目标的方法之一是用户自己讨论并达成共识的安排，这个安排包含了所有成员的口味和偏好，让系统将其作为一个个体用户引入。但这是一项繁琐且复杂的任务，需要小组成员事先同意他们的收集他们的偏高好并被合并成单个的用户画像。为了简化引入团队画像的任务，群体推荐系统提供了一些机制来帮助集成个体模型来达到一个群体都满意的推荐(Jameson, 2004)；也就是说，推荐系统能通过考虑群体的兴趣和口味，找到一个所有成员都能接受的折中方案。这是群体推荐推荐系统的关键，因如何通过个人偏好规范化来得到群体模型是决定推荐成功与否的关键。
据我们所知，群体旅游推荐系统并不常见。举例来说CATS (McCarthy, McGinty, Smyth, amp; Salam, 2006) 和Travel Decision Forum (Jameson, Baldes, amp; Kleinbauer, 2003; Jameson, 2004; Jameson, Baldes, amp; Kleinbauer, 2004)是两个主要目的在目的地推荐的群体旅游推荐系统，而Intrigue (Ardissono et al., 2003)用于协助组织一组用户安排旅游的交互性议程。CATS和Travel Decision Forum都为组内每个成员建立一个用户画像，然后用传统机制生成一个群体画像。具体来说，CATS提出推荐，用户可以根据他们的个人需求表达对特定特征的偏好，通过结合用户个人模型，联系对此做出贡献的用户来得出群体画像。Travel Decision Forum使用动画角色来帮助组内成员就假期安排达成一致，在动画角色中，有一个调解员来指导用户之间的交互。Travel Decision Forum的目的是用户对一组指定偏好（群体画像）达成一致。通过使用平均数、中位数等或是一个自主设计的不可操作的聚合机制，根据每个成员的特定偏好计算出小组成员对群体画像中特定偏好的兴趣度。在群体画像建立完成后，调解员会询问每个小组成员是否接受模型。通过用户的评价，调解员来重新设置偏好率，再根据群体偏好模型得到推荐。
在Intrigue中，系统并没有一一描述个体参与者，而是将群体划分成多个同类子集。并将可能引起冲突的偏好单独表示。Intrigue建立了偏好集来描述群体子集对景点的需求，并特别注意了可能在群体子集中引起争议的偏好。群体画像存储了相关性的值来评估成员对推荐偏好的权重。
总而言之，我们可以得出上述三个群体推荐都采用聚合的方法来得到群体画像，同时结合了群体画像中每项偏好的权重或偏好度。这些值是根据用户对群体推荐模型的评价，通过旅行推荐系统中群体成员的相互交流得到的。
与CATS和Travel Decision Forum类似，e-Tourism会导出组内每个成员的个体画像，并通过组合各个用户模型来获得群体画像，从而获得一组标有兴趣度的偏好集。上述系统仅用了聚合方法，我们的系统还将采用交集方法，这种新功能使小组种没有成员的偏好被特别照顾或被损害；换句话说，这个机制平衡了所有成员的偏好，他们的偏好被平等的考虑。我们系统的另一个显著特征是e-Tourism不会直接匹配小组成员偏好做出推荐，而是采用了基于内容的推荐和基于喜好的协同过滤的混合机制。这样即使用户主页包含的信息很少，e-Tourism也总是能做出推荐。和其他旅游推荐系统相比，e-Tourism提供了一种完全自动的机制，无需小组成员个人或是线上的交流。e-Tourism的最终偏好结果也可以作为会话机制的起点，在该机制种用户可以进一步表达来完善群体偏好模型。
本文的组织结构如下。下一节描述了e-Tourism的组织结构。结构的主要模块是Generalist Recommender System Kernel (GRSK)，在第三节将被详细描述。正如我们将要解释的一样，推荐步骤将分为两个步骤，分别在第4节和第5节种详细说明。第6节展示了GPSK评估的实验结果，包括对个体用户和群体用户的评估。最后，我们总结并提出未来的工作方向。
2. e-Tourism的结构
e-Tourism旨在为个体用户和群体用户在城市种推荐一组旅游活动，特别是在瓦伦西亚（西班牙）。它同时还提供了包含推荐活动例如景点举例和开放时间的旅游行程表。e-Tourism 旨在让外国游客和当地人深入了解城市、规划娱乐活动。
e-Tourism的体系结构如图1所示，它包含四个子系统：控制子系统，Generalist Recommender System Kernel (GRSK)子系统、规划子系统、数据库接口子系统。控制子系统充当用户接口，启动其他子系统的执行并集中执行信息交换。这包括将用户请求转换为一个合适的推荐查询，并显示推荐活动和旅行行程表，即游客计划。数据库接口处理来自其他模块的查询。e-Tourism种最重要的两个模块是GRSK和规划子模块。GRSK是一个负责生成推荐活动列表的推荐系统，规划子系统对推荐活动做行程规划，因此制定旅行计划或是议程。
e-Tourism工作进程如下。第一步是建立一个用户画像。首先，用户在系统注册，输入他的个人信息和大体喜好。如果是团体，必须确保所有成员都在系统注册过了。第二步，GRSK生成活动列表，这些活动可能是个体用户也可能是小组感兴趣的。最后一步是为选的活动规划时间表，并返回一个旅游计划或是议程
图1 e-Tourism系统
表，如图1所示。如我们之前提到的，本文并不处理议程表的建立，所有有兴趣的读者可以参考Sebastia et al. (2009)。
3. The Generalist Recommender System Kernel (GRSK)
The Generalist Recommender System Kernel (GRSK)是e-Tourism的核心。GRSK的两个主要任务，其一是分析用户画像并得出偏好模型，另一个是生成活动列表推荐给单个用户或是群体用户。这两个任务将在第4节和第5节中分别详细描述。
在本节中，我们介绍了GRSK的不同元素和组件，即GRSK中处理数据的层次结构，用户在构建他们画像时提供的信息和组成GRSK体系的组件。
3.1 GRSK数据
3.1.1 分类法
GRSK依赖用户分类法来表示用户的喜好和推荐的内容（如图2所示）。它被设计成具有独立性，即独立于当前要推荐的项目目录。因此，只要新域通过分类法呈现，GRSK可以和任何应用程序域一起使用。分类法中的实体通过继承关系在层次结构中排序，使分类级别从上至下更加具体。在GRSK分类法中，实体表示在旅游领域中的管理要素（如哥特艺术、博物馆、宗教建筑等），如图2所示。分类法的叶节点代表要推荐的项目； 它们是按层次结构中最底层或最特定的功能分类的。将项目链接到特征的边并与一个值相关联，以指示该项目在相应特征下的兴趣程度（旅游分类法中的活动），即该特征表示的类别的成员。一个项目可以被分类法中的多种功能分类。例如，在图2，访问马尔格斯宫宫殿和哥特艺术的兴趣度为80%，淘气博物馆则为60%。通过一列所有叶节点输入边的元组来描述项目。元组的形式表示为(i, f, )其中i表示项目，fF是分类法中定义的一个特征因此有一条边链接f和i，[0,100]是在f特征下对项目i的兴趣度。此外，项目和数值（访问量），用来表示i项目在用户中的受欢迎度；它表示在推荐后用户访问了项目i多少次。
图2 GRSK分类法
3.1.2用户画像的输入数据
GRSK包含每个用户的画像，包括用户的喜好以及他与系统的互动记录。用户的个人数据和个人喜好信息仅在在第一次访问时输入，即在系统注册时。用户和系统的互动数据会在后面进一步地得到更新。
用户u的用户画像存储了以下信息：
（1）个人和地理信息如年龄、性别、家庭或国籍。
（2）用户的偏好模型（）是分类法中的一个功能列表以及用户对这些功能的评分，由一列形式为 = {(i, f, )}的元组表示，其中fF，[0,100]是用户u对特征f的评分。
（3）关于用户与推荐者系统的历史交互的信息，即，已经推荐给用户的项目集以及他对推荐项目的满意度。被评分的项目被表示成(u, i, )，u、i分别表示用户和项目，[0,100]时用户u对项目i的评分（u对i的满意程度）。
如果是群体用户，则所有人必须事先在系统注册。GRSK会考虑其中每个用户的用户画像来得到群体画像并做出群体推荐。对于小组的后续访问，GRSK将再次构成群体画像，以考虑用户对过去访问的评分，从而使群体画像更加准确。
3.1.3推荐过程中的信息交流
每当用户或小组对e-Tourism进行新访问时，系统创建一个推荐查询，数据结构来请求推荐。推荐查询包含了用户画像和用户想被推荐的最大项目数。
推荐的结果是一个推荐项目列表，或是一组更具体地城市中的活动，我们将称为RI。RI是一系列形式为R={(u/G, i, )}的元组，u/G表示一个用户或是群体用户，i是一个推荐项目，是用户i或者群体G对项目i的预估兴趣度。访问后，用户将分别对建议的活动或项目进行评分。e-Tourism将使用此反馈来提高用户画像的准确性，从而更好地估算用户将来可能会感兴趣的项目。
3.1.3 GRSK结构体系
图3显示了GRASK体系结构的草图，该体系结构由以下模块组成：
- 引擎模块是GRSK的核心。 它负责管理推荐查询以及生成和更新用户画像。
- 单个用户/群体管理控制推荐进程。该模块接收用户创建的画像，并将其逐个发送到基础技术推荐模块（请参阅下一段）。此应用的结果是管理器收到了每个用户的偏集。在我们的上下文中，偏好是用户可能感兴趣的分类法中的一项功能，该功能可以通过任何基础推荐技术来计算。如果是群体用户，管理器则调用群体推荐管理器来从个体偏好中获得群体偏好。它将调用“项目选择器”和“混合RS”，以便检索与单个用户/群体最匹配的推荐列表。
-
基础推荐技术（BRT）模块应用的推荐技术有：人口统计推荐(Burke, 2007)，基于内容的推荐(Burke, 2007)和基于喜好的过滤技术(Hanani, Shapi
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[235545]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
