農(nóng)業(yè)文化旅游產(chǎn)業(yè)是以農(nóng)業(yè)為基礎(chǔ),面向城市游客發(fā)展的新型旅游產(chǎn)業(yè),有助于推進(jìn)農(nóng)村振興進(jìn)程。互聯(lián)網(wǎng)技術(shù)在農(nóng)業(yè)、旅游業(yè)領(lǐng)域的滲透,催生了農(nóng)業(yè)文化旅游新業(yè)態(tài)。目前我國大部分地區(qū)缺少針對農(nóng)業(yè)文化旅游產(chǎn)業(yè)的互聯(lián)網(wǎng)平臺搭建,相關(guān)農(nóng)業(yè)類網(wǎng)站多集中于對農(nóng)產(chǎn)品的銷售,農(nóng)業(yè)文化旅游資源缺乏適當(dāng)渠道推廣到大眾的視野中,大眾也無法精準(zhǔn)獲取需要的農(nóng)業(yè)文化旅游資訊。為此,需要搭建基于個性化推薦的農(nóng)業(yè)文化旅游管理平臺。本文針對“互聯(lián)網(wǎng)+”農(nóng)業(yè)文化旅游的產(chǎn)業(yè)結(jié)構(gòu)升級,給出農(nóng)業(yè)文化旅游管理平臺的研究與開發(fā)。農(nóng)業(yè)文化旅游管理平臺以整合各地農(nóng)業(yè)文化旅游資源為目的,實現(xiàn)在線瀏覽農(nóng)業(yè)文化旅游資訊,在線科普農(nóng)業(yè)文化,預(yù)定農(nóng)舍住宿,預(yù)約農(nóng)事活動以及訂購農(nóng)產(chǎn)品等服務(wù);同時為實現(xiàn)旅游資源的精準(zhǔn)對接,將個性化推薦技術(shù)運用到平臺中,針對用戶的喜好和特定需求,推薦其可能感興趣的信息,從而實現(xiàn)提升用戶體驗和促進(jìn)農(nóng)業(yè)旅游市場收益的雙贏結(jié)果。具體的研究成果如下:（1）融合了LDA主題模型與協(xié)同過濾推薦算法進(jìn)行混合推薦通過對相關(guān)文獻(xiàn)分析歸納,比較各類協(xié)同過濾推薦算法的基本原理和優(yōu)缺點,分析目前推薦算法在農(nóng)業(yè)旅游推薦中存在的問題,給出了融合LDA主題模... 

【文章來源】：山東農(nóng)業(yè)大學(xué)山東省

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

農(nóng)業(yè)文化旅游平臺技術(shù)路線

山東農(nóng)業(yè)大學(xué)碩士專業(yè)學(xué)位論文92.3個性化推薦關(guān)鍵技術(shù)農(nóng)業(yè)文化旅游管理平臺個性化推薦算法融合LDA主題模型推薦算法與協(xié)同過濾推薦算法，其關(guān)鍵技術(shù)包括LDA主題模型、MiniBatchK-Means聚類算法、Pearson相似度計算。2.3.1LDA主題模型LDA（LatentDirichletAllocation）由Blei等在2003年首次提出LDA模型，屬于典型的三層結(jié)構(gòu)概率模型（黃佳佳，2020）。LDA模型分析文本主題的潛在概率分布，找尋詞語同文本相互間的關(guān)聯(lián)。不同的K主題對應(yīng)不同的詞語集合，不同詞語在主題中的概率不一致，相同文本中主題的概率也不一致（陳果，2019）。不同文檔的主題概率，以及主題中的詞都屬于Dirichlet分布并呈現(xiàn)出獨立性，所以不考慮詞語的排序問題，只分析詞語的出現(xiàn)頻率（張小川，2018；鄭偉，2019），LDA模型如圖2所示。圖2LDA模型圖Fig.2LDAmodeldiagram模型流程如下：（1）α->θ->Z->W表示生成第n詞對應(yīng)的topic。生成第m（m∈M）篇文本時，先從topic骰子中抽了一個骰子θ，然后投擲這個骰子，得到文檔中第n（n∈N）詞的topic編號Z；（2）β->ψ->W表示生成文檔中的第n詞。在手里的K個骰子中，選編號為k=Z的那個骰子進(jìn)行投擲，生成W（HongzhiYin2015；MohammadrezaShams，2018）。LDA模型中最重要的部分是運用Gibbs抽樣進(jìn)行參數(shù)估計。Gibbs抽樣公式如（1）所示（徐慧君，2018）：p(=|，)=(n，+)/(∑(n，+))(，+)/(∑(n，+))（1）其具體步驟為：

基于個性化推薦的農(nóng)業(yè)文化旅游管理平臺設(shè)計與實現(xiàn)10（1）為文本設(shè)定主題數(shù)以及超參數(shù)向量；（2）為文本庫中每篇文本的每個詞設(shè)定編號；（3）重新掃描整個文本庫，帶入Gibbs采樣公式，得到每個詞的新編號，并更新文本庫中所有詞的編號；（4）重復(fù)步驟（3）的，直到Gibbs采樣收斂；（5）由文本庫中的每個文本中每個詞的主題，得到文本-主題分布，由文本庫中每個主題詞的分布，得到LDA的主題和詞的分布（ChenLi，2017）。LDA模型的分布概率公式如（2）所示:p(w|d)=∑(|)(|)=1（2）式中，p(z|d)為主題z在文本d中的分布概率；p(w|z)為單詞w在主題z中的分布概率，p(w|d)為單詞w在文檔d中的分布概率；K表示主題的個數(shù)。K值不同，產(chǎn)生的結(jié)果不同。2.3.2MiniBatchK-Means聚類算法針對協(xié)同過濾算法出現(xiàn)的矩陣稀疏、可擴(kuò)展性低的問題，農(nóng)業(yè)文化旅游管理平臺推薦系統(tǒng)采用MiniBatchK-Means聚類算法對用戶歷史行為數(shù)據(jù)進(jìn)行聚類。MiniBatchK-Means聚類算法是K-Means算法的變種（AhmadianS，2019；任遠(yuǎn)航，2020）。MiniBatchK-Means使用分批處理技術(shù)，計算各個數(shù)據(jù)點距離。MiniBatchK-Means算法能夠大幅度降低計算樣本量，縮短計算時間，同時盡量保持聚類準(zhǔn)確性，優(yōu)化目標(biāo)函數(shù)（QiaoSu，2018；郭永坤，2020）。圖3展示了BoXiao等學(xué)者分別使用K-Means和MiniBatchK-means對MovieLens數(shù)據(jù)集中3萬樣本點進(jìn)行聚類的結(jié)果（BoXiao，2018）。圖3K-Means和MiniBatchKmeans聚類結(jié)果比較Fig.3Comparisonofk-meansandMiniBatchKmeansclusteringresults

【參考文獻(xiàn)】：
期刊論文
[1]優(yōu)化初始聚類中心的K-means聚類算法[J]. 郭永坤,章新友,劉莉萍,丁亮,牛曉錄.  計算機(jī)工程與應(yīng)用. 2020(15)
[2]融合社交關(guān)系與時間因素的主題模型推薦算法[J]. 高茂庭,王吉.  計算機(jī)工程. 2020(03)
[3]融合位置信息和物品流行度的協(xié)同過濾算法[J]. 謝修娟,莫凌飛,李香菊,陳永.  河海大學(xué)學(xué)報(自然科學(xué)版). 2019(06)
[4]基于深度學(xué)習(xí)的主題模型研究[J]. 黃佳佳,李鵬偉,彭敏,謝倩倩,徐超.  計算機(jī)學(xué)報. 2020(05)
[5]基于改進(jìn)Canopy聚類的協(xié)同過濾推薦算法[J]. 唐澤坤,黃柄清,李廉.  計算機(jī)應(yīng)用研究. 2020(09)
[6]人工智能技術(shù)與電子商務(wù)的“天作之合”[J]. 何臻.  電子技術(shù)與軟件工程. 2019(12)
[7]基于SVD填充的混合推薦算法[J]. 劉晴晴,羅永龍,汪逸飛,鄭孝遙,陳文.  計算機(jī)科學(xué). 2019(S1)
[8]改進(jìn)Mini Batch K-Means時間權(quán)重推薦算法[J]. 徐慧君,王忠,馬麗萍,饒華,何承恩.  計算機(jī)工程. 2020(03)
[9]基于大數(shù)據(jù)的人工智能跨境電商導(dǎo)購平臺信息個性化推薦算法[J]. 李家華.  科學(xué)技術(shù)與工程. 2019(14)
[10]基于SSM框架的在線考試系統(tǒng)的開發(fā)與設(shè)計[J]. 趙雪輝,王金峰,于善彬,董普祥,張雪玉.  現(xiàn)代信息科技. 2019(07)

碩士論文
[1]基于協(xié)同過濾的推薦算法及系統(tǒng)實現(xiàn)[D]. 孟俊才.安慶師范大學(xué) 2019
[2]基于TIN-LDA模型的微博推薦方法研究及應(yīng)用[D]. 鄭偉.安徽理工大學(xué) 2019
[3]基于主題模型的個性化景點推薦系統(tǒng)研究與實現(xiàn)[D]. 段道恒.海南大學(xué) 2018
[4]基于粒計算的移動電子商務(wù)推薦系統(tǒng)研究[D]. 王長春.西南交通大學(xué) 2016



本文編號：3339809