基于協(xié)同過濾算法的旅游推薦系統(tǒng)的設(shè)計

陳勇CHEN Yong

（陜西理工大學(xué)數(shù)學(xué)與計算機(jī)科學(xué)學(xué)院，漢中 723000）

0 引言

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展和信息資源的日益豐富，信息量的增長速度遠(yuǎn)遠(yuǎn)超過了我們所能處理的速度。如何在如此龐大的信息量中找出我們感興趣的信息是非常困難的。推薦系統(tǒng)的研究和發(fā)展已經(jīng)成為電子商務(wù)行業(yè)中不可缺少的方法。它能夠通過對用戶的歷史行為數(shù)據(jù)進(jìn)行分析找到用戶比較感興趣的商品或項(xiàng)目，達(dá)到對用戶實(shí)現(xiàn)個性化的推薦的目的。其中，使用協(xié)同過濾算法是推薦系統(tǒng)中應(yīng)用最成功、應(yīng)用最廣泛的技術(shù)之一。它的主要特點(diǎn)是不依賴于產(chǎn)品的內(nèi)容，而是完全取決于一類用戶所表達(dá)的喜好。通常協(xié)同過濾算法可以分為基于內(nèi)存的協(xié)同過濾算法和基于模型的協(xié)同過濾算法兩大類?；趦?nèi)存的協(xié)同過濾算法是使用整個用戶商品數(shù)據(jù)庫來計算用戶和商品之間的相關(guān)性，并為用戶推薦類似的商品，如Slope one算法、矩陣分解等?；谀Ｐ偷膮f(xié)同過濾算法通過研究用戶的歷史數(shù)據(jù)對描述性模型進(jìn)行優(yōu)化，然后將其應(yīng)用于預(yù)測評分，如神經(jīng)網(wǎng)絡(luò)分類、貝葉斯網(wǎng)絡(luò)等。

目前旅游行業(yè)信息化程度越來越高，各個旅游景點(diǎn)的相關(guān)信息在各類系統(tǒng)中存儲的數(shù)據(jù)量越來越大，用戶查找自己感興趣的旅游景區(qū)信息越來越困難。目前在旅游行業(yè)使用推薦系統(tǒng)進(jìn)行各種信息的推薦方法還沒有廣泛使用，旅游景區(qū)網(wǎng)站或主流的旅游網(wǎng)只提供旅游景點(diǎn)信息發(fā)布、查詢以及實(shí)現(xiàn)了在線旅游景點(diǎn)門票的購買服務(wù)等，而對旅游景區(qū)景點(diǎn)、促銷等服務(wù)的推薦工作還沒有廣泛的應(yīng)用，為此本文將推薦算法應(yīng)用于旅游景區(qū)的推薦服務(wù)中。通過計算目標(biāo)用戶和別的用戶的相似度，選擇相似度大于設(shè)定閾值的用戶為目標(biāo)用戶的鄰居，以縮小鄰居的搜索范圍，然后利用鄰居對目標(biāo)項(xiàng)的得分來預(yù)測目標(biāo)用戶的目標(biāo)項(xiàng)。最后，在預(yù)測出目標(biāo)用戶對所有未評級景區(qū)的得分后，可以采用Top-K方法將得分值最高的K個景區(qū)推薦給目標(biāo)用戶。該算法能較準(zhǔn)確地預(yù)測出用戶對旅游景點(diǎn)的評分。

1 協(xié)同過濾算法的概念

協(xié)同過濾算法是推薦算法中比較經(jīng)典常用的一種，它主要包括基于內(nèi)存的協(xié)同過濾和基于模型的協(xié)同過濾兩種算法。前者主要根據(jù)用戶的歷史數(shù)據(jù)進(jìn)行相關(guān)的推薦，它使用領(lǐng)域的方法又可以分為基于用戶的協(xié)同過濾算法和基于項(xiàng)目的協(xié)同過濾算法。

1.1 基于內(nèi)存的協(xié)同過濾算法

基于內(nèi)存的協(xié)同過濾算法一般采用最近鄰方法，該算法首先利用用戶的歷史偏好信息來計算出用戶之間的距離，其次利用目標(biāo)用戶的鄰居用戶對產(chǎn)品的評價的加權(quán)值來預(yù)測目標(biāo)用戶對特定產(chǎn)品的偏好。推薦系統(tǒng)根據(jù)偏好程度推薦目標(biāo)用戶。該方法包括基于用戶的協(xié)同過濾算法和基于項(xiàng)目的協(xié)同過濾算法?；谟脩舻姆椒ǜ鶕?jù)用戶之間的評分行為的相似性來預(yù)測用戶的評分。這兩種方法的原理是不同的，因此在不同的應(yīng)用場景下，它們的表現(xiàn)也不同。

1.1.1 基于用戶的協(xié)同過濾算法

基于用戶的協(xié)同過濾（User-based CF）主要思想是以往具有相似評分的用戶應(yīng)該具有相似的興趣，這樣就可以根據(jù)相似用戶評分?jǐn)?shù)據(jù)估算目標(biāo)用戶對某一項(xiàng)目的未評分?jǐn)?shù)據(jù)值，原理示例如圖1所示。在圖1中，箭頭指向用戶指向該項(xiàng)目表示用戶喜歡引用該項(xiàng)目，并且該項(xiàng)目指向用戶代表以向目標(biāo)用戶推薦該項(xiàng)目。對于這三個用戶，用戶A和用戶C喜歡A項(xiàng)和C項(xiàng)在一起，而用戶B的偏好與其他兩個用戶相交不大，因此我們可以得到用戶A和用戶C的興趣偏好相似，因此根據(jù)推薦原則，用戶C喜歡但用戶A沒有評分的D項(xiàng)可以推薦給用戶A。

1.1.2 基于項(xiàng)目的協(xié)同過濾算法

而基于項(xiàng)目的協(xié)同過濾算法（Item-basing CF）根據(jù)項(xiàng)目考慮問題，但算法本身并不是根據(jù)項(xiàng)目本身的特性來判斷項(xiàng)目之間的相似性，而是通過用戶行為來判斷項(xiàng)目之間的相似性。如圖2所示，用戶A和用戶C首選的項(xiàng)目中的公共項(xiàng)目是項(xiàng)目A和項(xiàng)目D。根據(jù)算法本身的原理，可以得到A項(xiàng)與D項(xiàng)相似，因此與A項(xiàng)相似的D項(xiàng)可以在用戶B喜歡A項(xiàng)時相對推薦。

1.2 基于模型的協(xié)同過濾算法

基于模型的協(xié)同過濾算法和基于內(nèi)存的協(xié)同過濾算法有著本質(zhì)區(qū)別。前者傾向于在尋找關(guān)聯(lián)的協(xié)作鄰居用戶之前建立模型（建立用戶瀏覽、點(diǎn)擊、購買等信息的綜合用戶偏好模型），將模型與協(xié)作鄰居用戶進(jìn)行比較，預(yù)測用戶的偏好，將項(xiàng)目集合劃分為多個模塊，根據(jù)用戶的模型，對協(xié)作鄰居用戶的模塊單元進(jìn)行分類，篩選出與用戶模型最匹配的模塊集，并向用戶推薦內(nèi)容。它使用機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)從訓(xùn)練數(shù)據(jù)中確定模型，并使用模型來預(yù)測未知的商品得分。常見的模型有聚類模型、貝葉斯模型、矩陣分解等。

聚類算法模型是通過選取合適的距離計算方法對數(shù)據(jù)進(jìn)行聚類，同簇中的數(shù)據(jù)具有較高的相似度，數(shù)據(jù)間距離?。徊煌刂械臄?shù)據(jù)相似度較低，數(shù)據(jù)間距離大。現(xiàn)已被廣泛應(yīng)用于多個研究領(lǐng)域。在使用聚類算法的推薦系統(tǒng)中，系統(tǒng)會將相似興趣的用戶或相似特征的物品聚集到同一類簇之中，相似度計算在目標(biāo)對象最終所屬的類簇中進(jìn)行，同樣基于相似度由高到低的規(guī)則在所屬類簇中選取鄰近集合，形成最終的推薦。除了使用聚類模型外，通常還可以使用貝葉斯模型、矩陣分解、回歸模型等來快速預(yù)測用戶在某個項(xiàng)目上對應(yīng)的評分。

1.3 基于協(xié)同過濾的旅游推薦系統(tǒng)

在基于協(xié)同過濾的旅游推薦系統(tǒng)中，主要通過計算各個項(xiàng)目之間的相似度，根據(jù)用戶之間的相似度對項(xiàng)目進(jìn)行預(yù)測。主要利用“用戶-項(xiàng)目評分矩陣”進(jìn)行推薦。旅游推薦系統(tǒng)主要針對用戶信息和景區(qū)信息進(jìn)行計算。基于用戶信息主要從歷史用戶數(shù)據(jù)中尋找與其愛好相似、興趣相投的用戶，找到相似用戶集之后，通過分析這些歷史用戶的歷史行為來挖掘他們的其他喜好和行為信息，并根據(jù)這些信息來完成對目標(biāo)用戶的喜好和行為預(yù)測給出推薦。

2 旅游景點(diǎn)推薦系統(tǒng)設(shè)計與實(shí)現(xiàn)

2.1 總體架構(gòu)設(shè)計

該系統(tǒng)充分利用景區(qū)旅游資源，為游客提供特色旅游服務(wù)，是實(shí)現(xiàn)個性化信息服務(wù)的有效手段。系統(tǒng)采用協(xié)同過濾算法為核心部分，根據(jù)用戶的需求信息和產(chǎn)生的歷史記錄，向游客推薦符合用戶需求的旅游資源信息。采用基于數(shù)據(jù)庫的方式實(shí)現(xiàn)以網(wǎng)絡(luò)技術(shù)為核心的B/S模式，設(shè)計了業(yè)務(wù)應(yīng)用層、模型層和數(shù)據(jù)采集層三個結(jié)構(gòu)層次。系統(tǒng)結(jié)構(gòu)層次如表1所示。其中業(yè)務(wù)應(yīng)用層主要展示系統(tǒng)的推薦結(jié)果；模型層要是將使用協(xié)同過濾算法應(yīng)用到推薦系統(tǒng)中對用戶的信息數(shù)據(jù)進(jìn)行計算，實(shí)現(xiàn)對游客進(jìn)行旅游信息主動推薦功能。該層通過在數(shù)據(jù)庫中提取推薦算法和景區(qū)分類所需要的相關(guān)數(shù)據(jù)，執(zhí)行相應(yīng)的推薦算法產(chǎn)生出推薦結(jié)果。數(shù)據(jù)采集層通過網(wǎng)絡(luò)爬蟲軟件采集旅游景區(qū)網(wǎng)站和主流旅游網(wǎng)站上的大量旅游信息數(shù)據(jù)?；蛘咄ㄟ^與旅游相關(guān)的APP進(jìn)行連接，實(shí)現(xiàn)旅游信息的及時獲取。

表1 系統(tǒng)結(jié)構(gòu)層次表

2.2 主要功能

該旅行推薦系統(tǒng)使用Struts來實(shí)現(xiàn)視圖層和控制器層之間的交互，而Hibernate用于數(shù)據(jù)持久化。前臺頁面使用JSP技術(shù)來制作，后臺系統(tǒng)使用JAVA語言來實(shí)現(xiàn)，推薦算法部分用python腳本來實(shí)現(xiàn)，服務(wù)器采用tomcat，MySQL為數(shù)據(jù)庫。系統(tǒng)由管理員端和客戶端兩部分構(gòu)成。其中客戶端由游客登錄模塊、景區(qū)評價模塊、熱門景區(qū)推薦模塊、推薦模塊等模塊構(gòu)成。當(dāng)用戶登錄系統(tǒng)時，就會看到熱門推薦模塊。本模塊的結(jié)果是從游客評分較高的景點(diǎn)中選出的。由于所有用戶登錄系統(tǒng)后看到相同的推薦結(jié)果，因此不具備個性化推薦功能。個性化推薦是通過計算用戶和景區(qū)信息的相似度，結(jié)合協(xié)同過濾算法得到的用戶專屬推薦列表。每個用戶的推薦結(jié)果都不一樣。管理員端由用戶信息管理模塊和景點(diǎn)信息管理模塊組成。主要負(fù)責(zé)對用戶信息和景點(diǎn)信息進(jìn)行各種管理。系統(tǒng)的功能模塊圖如圖3所示。

2.3 推薦系統(tǒng)算法的實(shí)現(xiàn)

系統(tǒng)中推薦系統(tǒng)算法采用基于用戶（User-based）的協(xié)同過濾算法。其主要思想是首先在用戶集合中尋找與目標(biāo)用戶的愛好相似相近的相鄰用戶，接著使用目標(biāo)用戶的相鄰用戶對目標(biāo)項(xiàng)目的評分來預(yù)測目標(biāo)用戶對目標(biāo)項(xiàng)目的評分。其算法流程圖如圖4所示。

算法的核心部分執(zhí)行的具體步驟如下：

①查找相鄰用戶N：首先計算目標(biāo)用戶與其他用戶的相似度，相似度計算方法有很多種，常用的有皮爾遜（Pearson）相關(guān)系數(shù),杰卡德（Jaccard）相似度以及余弦相似度幾種傳統(tǒng)的方法。算法中采用皮爾遜相關(guān)系數(shù)（Pearson）用來衡量旅游景點(diǎn)、用戶之間的線性相關(guān)程度，取值范圍在1和-1之間。皮爾遜相關(guān)系數(shù)的計算如公式（1）所示。

其中，Xi表示用戶X對景區(qū)i的評分，Yi表示用戶Y對項(xiàng)目i的評分表示用戶X所有評分的平均值表示用戶Y所有評分的平均值。

其次從中選擇相似度大于預(yù)定閾值的用戶作為目標(biāo)用戶的相鄰用戶。

②得分預(yù)測：用戶u對景區(qū)s的預(yù)測公式如下：

其中U為目標(biāo)用戶u在景區(qū)s上有得分且相似度超過一定閾值的相鄰用戶集合，v為其中一個鄰近用戶，rv，s為用戶v對景區(qū)s的評分，rv為用戶v的平均評分。

③推薦階段：在預(yù)測目標(biāo)用戶對所有未評級景區(qū)的得分后，可采用Top-K方法將得分值最高的K個景區(qū)推薦給相應(yīng)的用戶。

3 總結(jié)

目前旅游行業(yè)信息化程度越來越高，各個旅游景點(diǎn)的相關(guān)信息在各類系統(tǒng)中存儲的數(shù)據(jù)量越來越大，本文將推薦算法應(yīng)用于旅游景區(qū)的推薦系統(tǒng)中，提出了一種基于協(xié)同過濾算法的旅游信息推薦系統(tǒng)。該系統(tǒng)給用戶提供更加個性化和人性化的旅游線路推薦，同時，也為旅游景區(qū)加強(qiáng)景區(qū)服務(wù)質(zhì)量，提升旅游景區(qū)的品質(zhì)起到了促進(jìn)作用。