基于地理標(biāo)注照片的景點(diǎn)推薦方法研究.pdf

1、近年來(lái)，隨著移動(dòng)互聯(lián)網(wǎng)、智能手機(jī)、以及帶有GPS設(shè)備的數(shù)碼相機(jī)的廣泛應(yīng)用，人們可以隨時(shí)隨地拍攝一些帶有地理位置信息的照片，并將它們上傳到類似Flickr的照片分享網(wǎng)站上以與世界各地的人們分享。目前，這種由群體所貢獻(xiàn)的帶有地理位置信息的照片數(shù)量呈現(xiàn)出急劇增長(zhǎng)的趨勢(shì)。這些帶有地理位置信息的照片為充分利用集體智慧發(fā)現(xiàn)熱門景點(diǎn)、獲得用戶旅游偏愛、以及進(jìn)一步為用戶提供個(gè)性化的景點(diǎn)推薦服務(wù)創(chuàng)造了可行條件。然而，基于帶有地理位置信息的照片集進(jìn)行旅游景

2、點(diǎn)推薦經(jīng)常遭遇一些問(wèn)題，例如:(1)由于旅行時(shí)間或者花費(fèi)的限制，用戶在旅游城市中通常只會(huì)游覽少量的景點(diǎn)，導(dǎo)致了基于用戶-景點(diǎn)矩陣的推薦系統(tǒng)在建模過(guò)程中出現(xiàn)數(shù)據(jù)稀疏性問(wèn)題;(2)用戶的旅行歷史信息中隱含著用戶在不同年份旅游偏愛的變化，通過(guò)傳統(tǒng)的靜態(tài)主題模型不能夠獲得用戶旅行偏愛的變化。目前的基于帶有地理位置信息的照片集的旅游景點(diǎn)推薦技術(shù)尚未十分完善，急需提出針對(duì)以上挑戰(zhàn)的相關(guān)算法。本文利用主題模型、矩陣分解、協(xié)同張量分解、以及動(dòng)態(tài)主題模型

3、等技術(shù)，提出了四種方法以解決基于地理標(biāo)注照片的景點(diǎn)推薦中的不同問(wèn)題，為用戶提供合適的旅游景點(diǎn)推薦服務(wù)。具體來(lái)說(shuō)，本文的主要貢獻(xiàn)如下:
　　(1)針對(duì)旅游景點(diǎn)推薦中直接使用用戶訪問(wèn)景點(diǎn)次數(shù)的信息不足以獲得用戶旅行偏愛的問(wèn)題，提出了一種基于主題模型和情景感知的旅游景點(diǎn)推薦方法。該方法利用主題模型從用戶訪問(wèn)景點(diǎn)的次數(shù)信息中挖掘用戶旅行偏愛的主題概率分布，從而獲得用戶間的相似性信息。此外，通過(guò)照片拍攝的時(shí)間信息以及第三方天氣網(wǎng)絡(luò)服務(wù)獲得用

4、戶訪問(wèn)景點(diǎn)時(shí)的天氣和季節(jié)信息，結(jié)合基于用戶的協(xié)同過(guò)濾方法獲得景點(diǎn)的得分序列。該方法在推薦景點(diǎn)的過(guò)程中不僅能夠從用戶旅行歷史中獲得用戶的旅行偏愛的主題概率分布，還能夠?yàn)橛脩籼峁┢ヅ淦淝榫靶畔⒌穆糜尉包c(diǎn)。實(shí)驗(yàn)結(jié)果表明，該方法優(yōu)于非情景感知的推薦方法或者在情景感知情況下僅僅依靠原始用戶-景點(diǎn)矩陣的景點(diǎn)推薦方法。
　　(2)針對(duì)旅游景點(diǎn)推薦中僅僅使用用戶旅行歷史中少量的元數(shù)據(jù)信息不足以解決數(shù)據(jù)稀疏性問(wèn)題，提出了基于帶有聯(lián)合正則項(xiàng)的矩陣分解

5、的旅游景點(diǎn)推薦方法。通過(guò)對(duì)用戶旅行歷史中照片的元數(shù)據(jù)信息和照片內(nèi)容信息的分析，挖掘大量用戶和景點(diǎn)特征信息。這些信息能夠從不同角度描述用戶和景點(diǎn)，建立準(zhǔn)確的用戶和景點(diǎn)畫像。此外，利用帶有聯(lián)合正則項(xiàng)的矩陣分解方法融合用戶和景點(diǎn)的畫像信息。這種方法可以在用戶-景點(diǎn)矩陣分解的過(guò)程中同時(shí)限制用戶和景點(diǎn)的潛在特征向量，準(zhǔn)確補(bǔ)全原始的稀疏的用戶-景點(diǎn)矩陣。實(shí)驗(yàn)結(jié)果表明，基于帶有聯(lián)合正則項(xiàng)的矩陣分解的旅游景點(diǎn)推薦方法能夠減輕數(shù)據(jù)稀疏性問(wèn)題，提高推薦的準(zhǔn)

6、確率。
　　(3)針對(duì)引入時(shí)間情景信息可能導(dǎo)致數(shù)據(jù)稀疏性問(wèn)題嚴(yán)重以及單個(gè)數(shù)據(jù)集很難解決旅游景點(diǎn)推薦中的數(shù)據(jù)稀疏性問(wèn)題，提出了基于多數(shù)據(jù)集和協(xié)同張量分解的旅游景點(diǎn)推薦方法。通過(guò)對(duì)多個(gè)數(shù)據(jù)集的分析，從不同方面獲得大量用戶和景點(diǎn)特征信息。利用協(xié)同張量分解方法融合多個(gè)數(shù)據(jù)集的用戶和景點(diǎn)信息。該方法能夠在用戶-景點(diǎn)-時(shí)間張量分解過(guò)程中充分使用多方面的信息輔助該張量的分解，準(zhǔn)確地補(bǔ)全該張量中缺失值。實(shí)驗(yàn)結(jié)果表明，基于多數(shù)據(jù)集和協(xié)同張量分解的旅

7、游景點(diǎn)推薦方法好于基于單一數(shù)據(jù)集解決數(shù)據(jù)稀疏性問(wèn)題，能夠?yàn)橛脩籼峁┘?xì)粒度的旅游景點(diǎn)推薦服務(wù)。
　　(4)針對(duì)傳統(tǒng)的靜態(tài)主題模型很難獲得用戶旅行偏愛的演化問(wèn)題，提出了基于動(dòng)態(tài)主題模型和矩陣分解的旅游景點(diǎn)推薦方法。利用動(dòng)態(tài)主題模型從用戶歷史信息中挖掘用戶和景點(diǎn)的隱式特征。該模型能夠獲得用戶旅行偏愛的動(dòng)態(tài)變化信息。此外，通過(guò)對(duì)多個(gè)數(shù)據(jù)集分析，挖掘用戶和景點(diǎn)的顯式特征信息。利用帶有聯(lián)合正則項(xiàng)的矩陣分解方法融合用戶和景點(diǎn)的顯式以及隱式特征信