統(tǒng)計(jì)數(shù)據(jù)顯示:約四分之三的游客在出游前都會(huì)去登錄主流旅游網(wǎng)站查看用戶評(píng)論（評(píng)分）,以確定更好的旅游目的地,同時(shí)制定出游路線。旅游景點(diǎn)推薦的研究已取得一定進(jìn)展,但仍存在數(shù)據(jù)稀疏、未考慮用戶隱性偏好、未深入挖掘景點(diǎn)圖像的潛在語義等問題。提出采用分層抽樣統(tǒng)計(jì)模型獲取用戶偏好,改進(jìn)貝葉斯個(gè)性化排序（Bayesian Personalized Ranking,簡(jiǎn)稱BPR）及視覺貝葉斯個(gè)性化排序（Visual Bayesian Personalized Ranking,簡(jiǎn)稱VBPR）模型,對(duì)推薦系統(tǒng)進(jìn)行優(yōu)化,以實(shí)現(xiàn)性能更優(yōu)的旅游景點(diǎn)推薦。主要工作如下:一、基于分層抽樣統(tǒng)計(jì)與BPR模型的旅游景點(diǎn)推薦系統(tǒng)。采用問卷調(diào)查方式獲取用戶偏好信息,抓取用戶評(píng)分、景點(diǎn)圖像等數(shù)據(jù),繼而建立“Wisdom Tourism”數(shù)據(jù)集。圍繞該數(shù)據(jù)集,設(shè)計(jì)基于分層抽樣統(tǒng)計(jì)與BPR模型的旅游景點(diǎn)推薦系統(tǒng)。實(shí)驗(yàn)結(jié)果表明:混合推薦的準(zhǔn)確率平均值、召回率平均值、F1平均值較次優(yōu)模型分別提升3.6%、5.1%、5.0%,它在一定程度上緩解了數(shù)據(jù)稀疏問題。二、基于分層抽樣統(tǒng)計(jì)與改進(jìn)的VBPR模型的旅游景點(diǎn)推薦系統(tǒng)�；贐PR模型的旅游... 

【文章來源】：華東交通大學(xué)江西省

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

本文所提推薦系統(tǒng)的基本結(jié)構(gòu)

第三章 基于傳統(tǒng)模型的旅游景點(diǎn)推薦系統(tǒng)第三章 基于傳統(tǒng)模型的旅游景點(diǎn)推薦系統(tǒng)3.1 推薦系統(tǒng)基本原理本章所描述的推薦系統(tǒng)基本原理如圖 3-1 所示，首先，在“攜程網(wǎng)”上自動(dòng)爬取用戶對(duì)不同景點(diǎn)的真實(shí)評(píng)分?jǐn)?shù)據(jù)；其次，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理：用 1-5 分表示用戶對(duì)旅游景點(diǎn)的滿意程度（1 分最低，5 分最高）；然后，分別用非負(fù)矩陣分解模型和 K 近鄰模型處理離散化之后的用戶評(píng)分?jǐn)?shù)據(jù)，生成評(píng)分預(yù)測(cè)矩陣；最后，基于評(píng)分預(yù)測(cè)矩陣輸出推薦結(jié)果，提供給用戶。

第三章 基于傳統(tǒng)模型的旅游景點(diǎn)推薦系統(tǒng)驗(yàn)結(jié)果及分析的實(shí)驗(yàn)環(huán)境：操作系統(tǒng)（Windows7.0）、編程語言（Matlab2017a、Pyt工具（Tensorflow）。本文使用的數(shù)據(jù)集：“Wisdom Tourism”（具體介紹節(jié)主要對(duì)比基線：基于項(xiàng)目的協(xié)同過濾模型（Item Based Collaborative FCF）[62]、基于用戶的協(xié)同過濾推薦模型（User Based Collaborative FilF）[63]、基于杰卡德相似系數(shù)的推薦模型（簡(jiǎn)稱 LBCF）[64]、基于層次型（簡(jiǎn)稱 HC）[65]和基于模糊聚類的協(xié)同過濾模型（簡(jiǎn)稱 FCM）[66參見公式 2-1）、MAE（參見公式 2-2）、準(zhǔn)確率（參見公式 2-3）、召回）等角度評(píng)估推薦性能。）RMSE 與 MAE 值均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）評(píng)估模型的推薦性能越小，推薦性能越好。實(shí)驗(yàn)結(jié)果如圖 3-2 所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于SVD與層次聚類的協(xié)同過濾推薦算法實(shí)現(xiàn)[J]. 徐澤兵,王忠.  數(shù)字技術(shù)與應(yīng)用. 2018(01)
[2]基于知識(shí)圖譜表示學(xué)習(xí)的協(xié)同過濾推薦算法[J]. 吳璽煜,陳啟買,劉海,賀超波.  計(jì)算機(jī)工程. 2018(02)
[3]個(gè)性化推薦系統(tǒng)評(píng)估[J]. 劉攀,陳敏剛.  南昌大學(xué)學(xué)報(bào)(理科版). 2016(02)
[4]基于用戶的協(xié)同過濾算法的推薦效率和個(gè)性化改進(jìn)[J]. 王成,朱志剛,張玉俠,蘇芳芳.  小型微型計(jì)算機(jī)系統(tǒng). 2016(03)
[5]基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦方法[J]. 楊武,唐瑞,盧玲.  計(jì)算機(jī)應(yīng)用. 2016(02)
[6]利用社交關(guān)系的實(shí)值條件受限玻爾茲曼機(jī)協(xié)同過濾推薦算法[J]. 何潔月,馬貝.  計(jì)算機(jī)學(xué)報(bào). 2016(01)
[7]杰卡德相似系數(shù)在推薦系統(tǒng)中的應(yīng)用[J]. 張曉琳,付英姿,褚培肖.  計(jì)算機(jī)技術(shù)與發(fā)展. 2015(04)
[8]PCA-CCA在紅外與可見光圖像特征融合中的應(yīng)用[J]. 金萌萌,胡玉蘭.  沈陽理工大學(xué)學(xué)報(bào). 2013(06)
[9]局部Gist特征匹配核的場(chǎng)景分類[J]. 楊昭,高雋,謝昭,吳克偉.  中國(guó)圖象圖形學(xué)報(bào). 2013(03)
[10]基于模糊聚類的協(xié)同過濾算法[J]. 王明佳,韓景倜,韓松喬.  計(jì)算機(jī)工程. 2012(24)

碩士論文
[1]基于分層抽樣統(tǒng)計(jì)與協(xié)同過濾的旅游景點(diǎn)推薦系統(tǒng)研究[D]. 劉斌.華東交通大學(xué) 2018
[2]基于項(xiàng)目的協(xié)同過濾算法的改進(jìn)[D]. 黃傳飛.江西師范大學(xué) 2015



本文編號(hào)：3612875