越来越多的用户在网上生成并传播数据使得语义 Web 上有大量可用的信息。语义 Web 的目标是基于 Web 的信息和服务能够被人和机器理解及重用。链接数据是用于链接 Web 上数据的技术, 能够在语义 Web 上公开、共享和连接信息及知识片段,是一种能够解决大规模数据集成的一种有潜力的技术[8]。开放数据的定义由开放知识基金会在 2015 年提出。人们可以免费在线访问并且能够自由使用、重用及重新发布内容或信息。这里有三个原则:1)可用性和可访问性,即人们可以得到数据;2)重用和再分配,即人们可以重用和共享数据;3)全民参与,即所有人都可以参与并使用数据[9]。 与旅游活动和服务相关的各种形式的数据主要通过一些在线应用程序生成和使用。Tripadvisor 和Yelp 在很多方面都能够对旅游决策产生影响,比如目的地和景点的选择。如何找到有用的信息并将信息分享给所有人是当前旅游领域面临的一个挑战。因此,LOD 扮演了重要角色,因为任何人都可以共享和构建这些数据。很多研究者在旅游领域都采用了 LOD 的概念。如 Sah 等[10]开发了一个个性化旅游搜索的在线演示系统,并基于 LOD 建立了一个基准数据集。该系统主要由两部分组成:1)允许用户在 LOD 上进行搜索,并对检索到的搜索结果进行分类;2)根据用户交互对搜索结果进行个性化处理。Pantano等[11]利用 tripadvisor.com 免费提供的大量开放数据来预测游客对某个目的地的评分。此外,许多研究人员还将开放数据链接到本体概念中。特别是 Bischof等[12]提出的开放城市数据管道,是一个从多种数据来源收集、集成和丰富开放城市数据的平台。
本文调研了近 5 年(从 2014 年至 2018)发表在重要期刊上基于位置和 LOD 的旅游推荐系统的研究现状。对发表在以下 6 个国际重要数据库上从2014 年至 2018 年的期刊论文进行了考察:ACM Digital Library、IEEE Xplore Digital Library、EI Compendex、ScienceDirect、Springer Link 和 Web of Science 。 使 用 关 键 词 “ linked open data ”、“location-based”、“tourism”和“recommendation”以及它们的同义词“linked data”、“open data”、“ontology”、“knowledge”、“location”、“attraction”、“travel”、“tourist”、“POI”、“point-of-interest”和“recommender”过滤搜索到的论文。基于以上关键词产生的搜索字符串为:“Linked Open Data”或“Linked Data”或“Open Data”或“Ontology”或“Knowledge”和“Location-based”或“Location”和“Tourism”或“Attraction”或“Travel”或“Tourist”或“POI”或“Point-of-interest”和“Recommendation”或“Recommender”。 本文通过以下标准来选择相关的论文:1)有显式的基于位置的推荐技术;2)使用 LOD 作为数据源;3)发表时间为 2014 年到 2018 年;4)应用领域为旅游。 分类的目的是为了清楚地说明过去几年出版物的发行情况并总结这些研究成果。图 3 给出了基于位置和 LOD 的推荐系统在旅游领域共 89 篇期刊论文的发行情况。从图中可以看出该领域的研究逐年递增,预计未来几年还会进一步增加。
。。。。。。。。。。。。。。。。
5 结束语
旅游业的迅猛发展和开放链接数据及移动数据在“信息过载”问题中扮演的重要角色,使得基于位置的开放链接数据的旅游推荐系统得到了广泛关注和应用。本文对基于位置的 LOD 的旅游推荐系统做了一个系统的综述,并在综合考察这些工作的基础上,对该领域的现状进行了概述。首先,调研了从 2014 年到 2018 年期间发表在著名国际期刊的相关文献;其次,总结了该领域目前取得的研究成果;最后,根据不同的推荐应用对这些文献进行了分类。 由于开放链接数据规模庞大及其开放性,LOD在基于位置的旅游推荐系统仍然面临着诸多挑战。典型的问题包括融合多源数据、实体对齐、多维度推荐和用户隐私保护等,值得进一步研究。
参考文献:
[1] DE PESSEMIER T, DHONDT J, MARTENS L. Hybrid group recommendations for a travel service[J]. Multime-dia tools and applications, 2017, 76(2): 2787–2811.
[2] 常亮, 曹玉婷, 孙文平,等. 旅游推荐系统研究综述[J]. 计算机科学, 2017, 44(10):1-6.
[3] ZIMBA B, CHIBUTA S, CHISANGA D, et al. Point of interest recommendation methods in location based social networks: traveling to a new geographical region[J]. arXiv: 1711.09471, 2017.
[4] WANG Donghui, LIANG Yanchun, XU D, et al. A content-based recommender system for computer science publications[J]. Knowledge-based systems, 2018, 157: 1–9.
[5] FU Mingsheng, QU Hong, YI Zhang, et al. A novel deep learning-based collaborative filtering model for recommendation system[J]. IEEE transactions on cybernetics, 2019, 49(3): 1084–1096.
[6] BOBADILLA J, ORTEGA F, HERNANDO A, et al. Recommender systems survey[J]. Knowledge-based systems, 2013, 46: 109–132.