硕士论文网/国内首批论文服务机构

当前位置:硕士论文网首页 > 计算机论文 > 计算机控制技术论文 > 基于位置和开放链接数据技术的旅游推荐系统分析

基于位置和开放链接数据技术的旅游推荐系统分析

时间:2021-08-24 10:12 | 栏目:计算机控制技术论文 | 浏览:

硕士论文网第2021-08-24期,本期硕士论文写作指导老师为大家分享一篇计算机控制技术论文文章《基于位置和开放链接数据技术的旅游推荐系统分析》,供大家在写论文时进行参考。
  随着互联网的发展,网络正在成为人们规划旅游的重要信息途径[1]。虽然旅行者可以方便地在互联网上查看相关信息来规划行程,但仍然需要花费大量时间和精力[2]。开放链接数据(open linked data, LOD)得益于互联网数据的互联,通过整合多源异质数据来创建新的知识,使得它能够提供强大的服务和应用。海量与旅游相关的 LOD 具有多源性和数据语义关联的优势,为旅游领域推荐系统的发展提供了良好的契机。 随着智能手机的日益普及,以及 Twitter、Facebook 和 Foursquare 等在线应用程序的出现,它们在基于位置的服务和基于轨迹的信息中扮演着越来越重要的角色。这些服务和内容同时也为用户提供旅游信息,并能够更深入地了解用户偏好和行为。这促进了基于位置的新型推荐系统的研究,使用户旅行及其社交活动变得更加容易。基于位置的开放连接数据旅游推荐系统通过将位置信息和开放连接数据引入推荐系统,旨在通过减少信息超载并向用户提供感兴趣的旅游相关信息,以进一步提高推荐准确度和用户满意度[3]。图 1 为基于位置推荐领域研究的一般分类。 
基于位置推荐的研究分类
近年来,基于位置的开放链接数据旅游推荐系统引起了广泛关注和研究兴趣,但该方向仍然面临诸多挑战。本文将介绍开放链接数据在基于位置的旅游推荐系统方向论文的筛选方法,并从应用层面对 6 种不同的应用类型进行详细考察,旨在为读者提供该方向的最新进展。
1    推荐系统 
  推荐系统早在 90 年代中期就已经成为一个重要的研究领域[4]。研究人员最初大多使用用户-物品评分矩阵来做推荐,常见的推荐技术也大多依赖用户历史评分来预测用户对新物品可能的评分,并根据评分高低将物品推荐给用户。表 1 给出了一个关于旅游景点推荐应用的用户项目评分矩阵的示例。表中用户的评分范围为 1 到 5,符号“-”表示用户未对相应的景点给出评分。例如,用户 Diana 对旅游景点 Times Square 的评分为 3,  推荐系统会为其创建一条记录。与用户相关的每条信息如年龄、性别和国籍等都会被保存到系统中。同样的,与项目相关的每条信息如名字、类别、位置及建立的年份也都会被记录在系统中。 
用户-项目评分矩阵示例
     推荐系统中所使用的算法一般分为如下三类: 
1)基于内容的推荐算法[5]:基于内容的推荐方法依赖于文本及关键词之间的相似度。通过用户画像搜集能够表达用户兴趣、偏好和需求的数据。基于内容的推荐仅仅是简单的匹配项目特征的过程,并在这个过程中将用户画像数据考虑进去。因此其经常面临过拟合问题。 
2)基于协同过滤的推荐算法[6]:协同过滤方法依赖于用户历史评分数据,系统会根据其他与当前用户相似的用户的偏好进行新的物品推荐。然而,基于系统过滤推荐通常面临冷启动和数据稀疏等问题。 
3)混合推荐算法[7]:混合推荐方法通常会结合两种或两种以上的推荐算法来进行新的物品推荐。考虑到单一推荐方法都存在各自的不足,通过组合不同的推荐算法通常能够克服传统方法存在的数据稀疏、冷启动及可扩展性问题,往往能够产生更好的推荐性能。 
推荐系统中常用推荐技术如图 2 所示。 
推荐技术
2    旅游开放链接数据 
  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。 
3   基于位置的开放链接数据旅游推荐概览 
  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. 


以上论文内容是由硕士论文网为您提供的关于《基于位置和开放链接数据技术的旅游推荐系统分析》的内容,如需查看更多硕士毕业论文范文,查找硕士论文、博士论文、研究生论文参考资料,欢迎访问硕士论文网计算机控制技术论文栏目。