在線旅游住宿平臺(tái)在為游客帶來便利的同時(shí)也加劇了信息過載的問題,推薦系統(tǒng)因此被廣泛應(yīng)用并旨在為游客提供個(gè)性化的決策支持和提高其交易效率,也有助于在線旅游運(yùn)營商樹立自身競(jìng)爭(zhēng)力。共享住宿近年來成為了在線住宿的一大熱點(diǎn),一方面,共享住宿吸引當(dāng)?shù)鼐用癯鲎忾e置房屋給有住宿需求的房客,另一方面,平臺(tái)引入了雙向選擇和雙向評(píng)價(jià)機(jī)制來緩釋交易風(fēng)險(xiǎn),共享住宿因此衍生了區(qū)別于傳統(tǒng)在線住宿的兩個(gè)特點(diǎn):房客在選擇房間時(shí)考慮房東這一屬性,房東有權(quán)拒絕房客的預(yù)訂申請(qǐng)。研究表明這兩個(gè)特點(diǎn)成為了房客預(yù)訂房間的影響因素,然而現(xiàn)存的共享住宿推薦忽略了這兩個(gè)因素。因此,本文在現(xiàn)有住宿推薦研究的基礎(chǔ)上考慮上述兩個(gè)因素,構(gòu)建共享住宿兩階段推薦模型SARBSR（Shared Accommodation Recommendation based on Bidirectional Selection and Review mechanisms）,旨在推薦符合房客對(duì)房間和房東的偏好以及房客的預(yù)訂申請(qǐng)能夠得到房東同意的房間,并參考相關(guān)文獻(xiàn)將信任作為本文兩個(gè)考慮因素的綜合量化指標(biāo)。模型的第一階段推薦符合房客對(duì)于房間和房東的偏好的房間。具體來說... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Airbnb的雙向選擇和雙向評(píng)價(jià)機(jī)制當(dāng)前的住宿推薦主要集中在傳統(tǒng)在線住宿的推薦，探討如何更加細(xì)致準(zhǔn)確的刻&評(píng)論

第三章共享住宿兩階段推薦模型概述17獲得同意的房間。第一階段通過對(duì)房間的評(píng)論中與房東有關(guān)的文本進(jìn)行情感分析（SA）量化房東因素得到房東的可信度，并把房東的可信度引入到房間的特征向量中，通過主題模型LDA對(duì)房客產(chǎn)生的評(píng)論分析得到其多屬性偏好，然后構(gòu)建多屬性評(píng)分推薦和基于內(nèi)容的協(xié)同過濾的混合推薦模型，對(duì)每一個(gè)房客產(chǎn)生由2K個(gè)房間構(gòu)成的推薦候選集。令中的房間的房東構(gòu)成集合，定義,是房東對(duì)申請(qǐng)者的信任程度，并把,作為房東同意房客預(yù)訂申請(qǐng)的意愿的衡量指標(biāo)，,更高意味著預(yù)定申請(qǐng)被房東接受的意愿更大，第二階段通過支持向量回歸（SVR）對(duì)基于房客特征的信任評(píng)估建模，并根據(jù)的歷史房客入住記錄構(gòu)建訓(xùn)練集，最后預(yù)測(cè),并根據(jù),對(duì)中的房間進(jìn)行排序，前K個(gè)房間將被最終推薦給。圖3-1兩階段推薦模型SARBSR的架構(gòu)圖3.2.2相關(guān)方法介紹3.2.2.1基于詞典的情感分析隨著互聯(lián)網(wǎng)和在線社區(qū)的發(fā)展，電商網(wǎng)站、在線社區(qū)等都產(chǎn)生了海量用戶生成的文本（UGC），UGC是用戶表達(dá)意見的重要方式，可用于分析用戶對(duì)于產(chǎn)品、服務(wù)的興趣和態(tài)度，情感分析（SA）是對(duì)文本中針對(duì)產(chǎn)品和服務(wù)表達(dá)的觀點(diǎn)、情感和態(tài)度的計(jì)算研究[48]，情感分析受到了廣泛的關(guān)注并應(yīng)用到電子商務(wù)和在線旅游平臺(tái)[49]。情感分析大致可以分為機(jī)器學(xué)習(xí)方法和基于情感詞典的方法兩大類，后者常用于社交文本的分析并有很強(qiáng)的通用性�？紤]到本文缺乏機(jī)器學(xué)習(xí)所必需的標(biāo)注語料庫[50]，以及針對(duì)房東和房客

東南大學(xué)碩士學(xué)位論文24-詞-概率分布以及每一篇文檔的主題分布，然后根據(jù)主題對(duì)應(yīng)的詞的語意來給主題命名。由于本文只從生成的結(jié)果中選擇中的屬性及其概率分布構(gòu)建房客的多屬性偏好，本文對(duì)這幾個(gè)主題的概率進(jìn)行等量縮放使得這些屬性的概率之和為1，如果LDA的結(jié)果中不包含中某些屬性，這些屬性的概率為0。接下來，構(gòu)建房客的多屬性偏好矩陣∈×和房間的多屬性評(píng)分矩陣∈×，代表中屬性的數(shù)量。圖3-2是上述兩個(gè)矩陣的示例。圖3-2房客多屬性偏好矩陣和房間多屬性評(píng)分矩陣示例最后，根據(jù)公式（3.11）計(jì)算房客對(duì)房間的預(yù)測(cè)評(píng)分。,=(3.11)其中，是的行向量，代表房客的多屬性偏好。根據(jù),對(duì)房間進(jìn)行排序，對(duì)每一個(gè)房客推薦前K個(gè)房間并生成基于房客偏好的多屬性推薦列表List1。3)考慮房東屬性的基于內(nèi)容的協(xié)同過濾推薦（HCBCF）雖然前述部分已經(jīng)基于房客的多屬性偏好產(chǎn)生了推薦房間列表，但是由于房客的多屬性偏好提取自房客在平臺(tái)上產(chǎn)生的評(píng)論文本，該評(píng)論文本的數(shù)量和文本內(nèi)容的豐富性將對(duì)偏好提取產(chǎn)生決定性的影響�？紤]到旅游行業(yè)的交易頻率較低導(dǎo)致評(píng)論的數(shù)量普遍較少并且觀察發(fā)現(xiàn)部分房客的論文本較為簡短，房客的偏好分析的準(zhǔn)確性因此受到了影響。于是本文嘗試從另一個(gè)角度即房間的相似性出發(fā)預(yù)測(cè)房客對(duì)房間的興趣，并最終混合兩種方法的推薦結(jié)果�；趦�(nèi)容的推薦（Content-basedrecommendation）是最經(jīng)典有效的推薦算法之一，其根據(jù)項(xiàng)目的多種屬性或者信息構(gòu)建其特征向量，進(jìn)而為用戶推薦與其歷史行為相類似的項(xiàng)目[60]。由于旅游產(chǎn)品擁有豐富的信息，Content-based（CB）在該行業(yè)得到了廣泛的應(yīng)用，考慮到CB有推薦過度專業(yè)化的缺點(diǎn)，多項(xiàng)研究將CB和協(xié)

【參考文獻(xiàn)】：
期刊論文
[1]沒有信任 何談共享?——分享經(jīng)濟(jì)中的信任研究述評(píng)[J]. 李立威,何勤.  外國經(jīng)濟(jì)與管理. 2018(06)
[2]共享經(jīng)濟(jì)下消費(fèi)者信任形成機(jī)制的實(shí)證研究[J]. 謝雪梅,石嬌嬌.  技術(shù)經(jīng)濟(jì). 2016(10)
[3]近十年國外旅游推薦系統(tǒng)的應(yīng)用研究[J]. 喬向杰,張凌云.  旅游學(xué)刊. 2014(08)
[4]一種基于耦合對(duì)象相似度的項(xiàng)目推薦算法[J]. 余永紅,陳興國,高陽.  計(jì)算機(jī)科學(xué). 2014(02)
[5]個(gè)性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計(jì)算機(jī)工程與應(yīng)用. 2012(07)
[6]基于矩陣分解與用戶近鄰模型的協(xié)同過濾推薦算法[J]. 楊陽,向陽,熊磊.  計(jì)算機(jī)應(yīng)用. 2012(02)
[7]一種基于支持向量機(jī)回歸的推薦算法[J]. 王宏宇,糜仲春,梁曉艷,葉躍祥.  中國科學(xué)院研究生院學(xué)報(bào). 2007(06)
[8]基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過濾推薦算法[J]. 鄧愛林,朱揚(yáng)勇,施伯樂.  軟件學(xué)報(bào). 2003(09)



本文編號(hào)：3286628