近十年来国外旅游推荐系统的应用研究_推荐系统论文

近十年国外旅游推荐系统的应用研究，本文主要内容关键词为：近十年论文,国外论文,旅游论文,系统论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

1 引言

1.1 推荐系统的概念、应用及发展

旅游行业已经成为B2C电子商务最重要和活跃的领域之一，旅游行业的总交易额在2003年即占有全球B2C的50％以上的份额[1]。大量的近期研究表明，至少在西方发达国家，网络已经成为用户搜索和预订旅游服务的主要信息来源[2，3]，有四分之三的旅游者在出游前往往会考虑在线搜索旅游评论信息来规划他们的行程[4]。借助信息与通讯技术(ICT)技术，用户已经可以大量地在线进行旅游信息的搜索、旅游产品与服务的选购，比如在线机票预订、在线酒店预订、在线行程规划、在线门票购买等，从而大大提高了旅游体验度。然而，随着互联网的普及发展以及电子商务网站的兴起，网络信息的爆炸式增长和新的电子商务服务(产品选购，产品比优，拍卖等)常常将旅游者淹没于大量的信息搜索和产品选择当中，使得他们无力进行理性决策。旅游者会发现，从网站提供的众多的产品和服务中选取最适合的选项是非常困难的。推荐系统则被认为是近年来一个解决信息超载问题的有效方法[5，6]。

在没有足够信息和知识的情况下，消费者常常会依赖家人、朋友、专家(如销售)来辅助决策。推荐系统的价值就在于它能为顾客提供相关的选择而不需要顾客明确定义他们所想要的内容的能力[7]。豪伯尔和特里夫茨(H

ubl & Trifts)定义推荐系统为一种基于对用户特性信息学习而进行推荐的软件工具[8]。在一些文献中亦认为推荐系统是一种向用户提供相关项目(item，项目是指系统向用户推荐的内容)的建议的软件工具和技术[9-11]。推荐系统同以搜索引擎为代表的信息检索系统(information retrieval system)看起来相似，伯克(Burke)则更强调推荐结果的个性化(individulized)、有趣且有用(interesting and useful)[10，12]。“搜索”是你明确地知道自己要找的内容，而“发现”是你并不明确地知道，而这些东西还潜在的存在，并且主动找到了你[13]。推荐系统是指产生个性化的推荐，或者以个性化的方式引导用户在大量的选项中选择有趣的或有用的对象的系统。信息检索或搜索引擎是帮助用户查询他正想查找的内容，其结果对所有的用户是相同的。如果要做决策就必须进行深度的搜索，比如选项比较、知识获取、产品选择。而推荐系统则要根据每个用户的喜好、习惯、个性化需求来智能地定制其反馈的结果与排序的内容，而不是简单地对查询关键字的匹配。最近，现代web搜索引擎也依赖于推荐技术来实现高级搜索特性。比如，搜索引擎推荐当前用户查询的类似查询，或者试图应用一些个性化的形式来产生查询结果，即不仅仅是同查询项相关，而且同用户的上下文相关(如当前的位置信息)以及搜索历史等。

当今，推荐系统已被大量应用于各类电子商务网站并支持上亿消费者的产品搜索。推荐系统亦被认为是互联网中发展最快的应用之一，并将被逐步精细化和提高效率[7]。目前已经成为一些电子商务网站不可缺少的一部分，已经被广泛应用于推荐书[14]、文章[15]、电影[16]、电视节目[17]、新闻[18]、音乐[19]、网页[20]等。亚马逊网络商店(Amazon.com)通过数据挖掘算法和基于协同过滤的算法寻找具有相似用户消费偏好，用来预测和发现用户可能感兴趣的商品，从而大大提高了客户的黏性和销售率。为了提高系统的推荐性能，美国最大的DVD租赁网站Netflix设立了100万美元的奖金，奖励给可以让推荐机制性能提高10％的人[13]。在旅游方面，两个最成功的推荐系统技术应用是triplehop的tripmatcher(被应用于www.ski-europe.com)和Vacation Coach的专家建议平台MePrint(被应用于travelocity.com)。这两个推荐系统试图通过模拟传统旅游代理同用户商榷和帮助用户简化假日目的地的搜索过程[5]。

1.2 旅游推荐系统的行业应用

推荐系统在缺少足够的个人选择经验时提供决策帮助：一方面，是“推”的过程，即向客户推荐产品，另一方面，是“拉”的过程，向客户提供信息，帮助他们决定购买什么产品。因此，它既是旅游者用于搜索相关旅游信息的一个得力助手，亦是旅游管理组织部门及电子商务企业，开展旅游目的地的营销及产品与服务推广的有力工具。比如，一个旅游目的地推荐系统可以：(1)使得潜在的旅游者去“体验”目的地；(2)简化选择目的地并满足特殊需求和愿望的旅游决策过程；(3)方便产品和服务的随时随地购买；(4)通过客户关系管理技术激励潜在游客反复重游一个目的地[7]。

Trip＠dvice是由意大利特兰托(Trento)的电子商务与旅游研究实验室研发的专门应用于旅游领域而设计的推荐技术，为了推广此项技术与应用，专门成立了ECTRL Solutions公司负责运维，而其主要客户即是目的地管理组织，为了给其官方网站访问者提供个性化内容和旅游行程规划，并已经被一些目的地旅游组织选择作为他们的旅游门户支持[21]。例如，Visiteurope.com是欧洲旅游委员会(ETC)推介欧洲旅游目的地的电子营销门户，它提供一个基于内容的和协同过滤的方法来帮助游客构建个性化的旅行路线规划工具，并将Trip＠dvice组件嵌入其中来支持旅游访问者的信息搜索过程[22]；意大利的威尼托区(Veneto)也将Trip＠dvice旅游计划和推荐组件整合到它们的官方旅游门户网站中；奥地利国家旅游局为autria.info的门户开发了基于Trip＠dvice的推荐工具；意大利比耶拉省(Biella)采用Trip＠dvice技术开了发他们新的门户网站。

在旅游电子商务企业中，Travelocity.com则采用了Vocation Coach的MePrint平台来提高网站的转化率、客户满意度并最终提高客户忠诚度。该系统主要由知识个性化技术(knowledge personalization technology，KPT)实现，包括3个功能模块：智能用户建模、专家知识库和建议引擎，类似于一个专家系统。SkiMatcher推荐系统即是TripleHop的Tripmatcher推荐引擎应用于滑雪旅游电子商务网站Ski-Europe.com的定制化版本。通过对网站4个月的转化率的实证分析，发现使用了推荐系统的应用使得用户从浏览到购买的过程的决策效率提升了4.95倍。而且从用户对该系统使用的评价也证明了用户对系统能有效辅助其旅游决策的高满意度[23，49]。

2 旅游推荐系统的学术研究现状

推荐系统最早成为一个独立的研究领域是在20世纪90年代中期[24]。在最近几年，推荐系统的关注极速增加。这主要是基于几个方面的原因：一是由于推荐技术在目前流行的电子商务网站如Amazon.com，YouTube，Netflix，Tripadvisor，Last.frm以及IMDb等的成功运用；二是有较流行的同该领域相关的会议和研讨会。比如由美国计算机协会ACM组织的“The ACM Conference Series on Recommender Systems”(http：//recsys.acm.org/)，从2007年开始到目前已经成功举办了8次，是一个专门致力于推荐技术研究、推广和应用的国际会议。另外，也有一些传统的专题会议像数据库、信息系统和自适应系统里也包含推荐系统相关的议题。在这些会议中，最值得一提的是ACM的信息检索专题兴趣组SIGR，用户建模、自适应和个性化UMAP，以及数据管理专题兴趣组SIGMOD等所主办的专题会议。另外，在学术期刊上也有专栏讨论推荐系统的研究与开发的，如：AI Communication、IEEE Intelligent Systems、International Journal of Electronic Commerce、ACM Transactions on Computer-Human Interaction及ACM Transactions on Information Systems等[25]。

为了全面了解国外旅游推荐系统相关的研究现状与进展，笔者以“tourism recommender systems”为关键词，分别在四大著名的外文数据库Springer、Science Direct、EBSCO(Hospitality & Tourism Complete)、IEEE Explore中进行检索发现，旅游推荐系统的研究从20世纪初开始，并正在成为当前的研究热点。从期刊所属的学科来看，主要分布于计算机学科、旅游管理学科以及信息技术与旅游的交叉学科中，尤其是Springer数据库中检索的结果明显反映出在计算机学科领域里，主要包括人工智能、语义网络、用户建模、机器学习、数据挖掘、决策支持、自适应系统、信息检索、人机交互等。这主要是因为旅游推荐系统是推荐系统在旅游行业中的应用之一，而推荐系统最初也是来源于信息抽取技术及信息检索技术等与计算机紧密相关的领域，在实现这一系统时往往要用到这些与人工智能相关的理论与技术。在Science Direct数据库中期刊主要为计算机类、旅游类以及社会与行为科学类。目前许多旅游类的期刊亦将旅游信息化、智能化的技术与应用作为一个主要的论题。在EBSCO数据库中，大量的期刊来自Information Technology & Tourism和Information and Communication Technologies in Tourism。其中Information Technology & Tourism为当前旅游与信息技术交叉领域的专门期刊，Information and Communication Technologies in Tourism是由国际信息技术与旅游业联盟(IFITT)主办的ENTER会议的论文集，该论文集每年均由Springer-Verlag出版社作为Springer-Computer Sciences丛书系列的文集正式出版发行。其他相关论文涵盖率较高的期刊主要为专家系统及其应用(Expert Systems with Applications)、基于知识的系统(Knowledge-Based Systems)、旅游管理(Tourism Management)、用户建模和用户自适应交互(User Modeling and User-Adapted Interaction)、电子商务和Web技术(E-Commerce and Web Technologies)等。另外，由费森梅尔、沃贝尔和沃斯内尔(Fesenmaier、W

ber & Werthner)主编的《目的地推荐系统：行为基础和应用》一书(Destination Recommendation Systems：Behavioral Foundations and Applications)[7]集结了致力于旅游推荐系统的主要专家及学者对目的地推荐系统的行为基础、系统设计、案例分析及未来研究趋势的全方位的学术成果，为研究旅游推荐系统的应用提供了重要的参考。

3 旅游推荐系统

3.1 按推荐技术分

3.1.1 协同过滤技术(collaborative filtering)

基于协同过滤的推荐系统是根据用户的偏好提供个性化的推荐，通常通过用户对产品的评分、购买历史来发现用户的兴趣并找出可能的相似用户，相似用户喜欢的产品也将会推荐给当前用户。

协同过滤技术具有推荐新项目、产生新奇推荐的能力，能够发现用户潜在的但尚不知道的兴趣爱好；适用于推荐难以进行内容分析的非结构化的项目(如图像、视频、音乐等)。然而，协同过滤推荐系统也存在一些难以解决的问题，比较典型的有数据稀疏性问题(用户评分数据少)，冷启动问题(包括项目冷启动和用户冷启动，指当一个新项目或新用户加入系统时，由于没有对该项目的评分或该用户的评分信息，因此该项目就无法得到推荐，或无法理解用户的兴趣和无法找到类似的用户来推荐)，算法的可扩展性问题(随着用户数和项目数的增加而使得计算量急剧增加)等。因此，在利用协同过滤技术设计推荐系统时，往往要考虑如何解决这些问题。例如，霍罗佐维等人(Horozov，et al.)所采用的基于协同过滤的方法中[26]，在处理冷启动问题时，系统以居住得近的用户所喜欢的景点类型也相似的假设为前提，主要采用了三项策略：通过人工引入虚拟用户，事先对餐馆分类并进行评分，从而使得在很少评价的情况下也能找到相同类别的用户；允许系统随机产生基于相似度驱动的选择项；向用户推荐离其最近的具有最高平均评分的项目。

3.1.2 基于内容的过滤技术(content-based filtering)

基于内容的推荐技术通过分析用户所偏好项目的特性来构建用户描述文件。这种系统是利用用户的历史内容来产生用户描述文件的，新的项目将会用于匹配用户描述文件来发现最接近的项目。

然而，基于内容的推荐系统由于根深于信息抽取技术[24]，也具有一些难以克服的缺点：(1)由于特征提取的能力有限，基于内容的推荐技术通常只能应用于资源内容比较容易分析的系统，对于非结构化数据(图形、视频、音乐等)难以进行内容分析的数据，也常会因为缺少相应的特征提取技术而无法处理。(2)推荐的资源范围过于狭窄。这主要是因为系统总是尽量向用户推荐与用户所感兴趣的内容特征最相符的项目，因而常常不能对系统所发现的当前用户兴趣之外的新奇项目进行推荐。

两个最成功的推荐系统TripMacher(triplehop.com)和MePrint(vacationcoach.com)都可被分类为基于内容的方法，用户通过表达需求、偏好和限制，系统来匹配项目描述。MePrint通过显式地询问用户将用户进行归类(文化迷、海滩迷等)，并推断出用户没有提出的隐式需求[32]。而TripMatcher则采用的是较为复杂的方法，综合考虑用户的历史行为和当前的上下文情境和偏好。为了更好地匹配用户需求，系统构建了一个专门的领域知识对话模型，并采用行业专家输入和自动文本挖掘分析两种方法建立了包括400多个目的地信息的专业知识库，用于匹配用户的偏好特性。然而对于一个企业和机构来说，要构建这样一个庞大的数据库是一个历时较长、成本较高的过程，因此，这类产品在推广时往往将基于目的地的知识库封装到产品版本当中，便于后期的扩展和使用，同时提供相应的过滤和文本挖掘技术[49]。INTRIGUE将项目(景点)结构化为若干个属性，如景点的名称、代码、类型、艺术风格、游览时间、电话、开放时间等，并对每个属性根据用户的特点赋予权重来计算用户的兴趣[28]。

3.1.3 基于知识的过滤技术(knowledge-based filtering)

基于知识的过滤技术利用用户和产品的知识来产生推荐，即使用一个推理过程来发现什么产品最适合用户需求[12]。该种技术没有冷启动的问题，因为它不依赖于用户的打分。但这种方法需要大量的领域知识和推理技术。在旅游推荐系统中，更多的是采用基于案例的推荐技术[27-33]。基于案例推理的技术从以前推荐过的相似案例中找到直接可用的或通过修改后可以解决当前存在问题的案例进行推荐。

3.1.4 混合推荐技术(hybrid)

混合推荐系统通过整合两种或更多推荐技术可以取得更好的推荐效果，最常见的做法是将协同过滤推荐技术与其他某一种推荐技术相结合，以克服冷启动问题。常用的混合推荐方法有：权重型、合并型、瀑布型、特征递增型、元层次型等[12]。主要是充分利用各种技术的优点来规避某种技术的不足来提高推荐性能与推荐精度。例如，饭店推荐系统Entree即是采用的瀑布型的处理方式[12]，即先采用基于知识的推荐技术产生一个按照用户所表达喜好的排名，然后使用基于协同过滤的技术进一步对之前的结果集进行排序。相关研究亦证明，采用纯CF技术的推荐精度为52％，采用纯CBF技术的推荐精度为55％，而采用混合推荐技术的推荐精度在80％以上[34]。

3.2 按照用户使用终端分类

按照用户使用系统终端的不同，可以分为基于计算机和移动终端设备的推荐系统。实际上，从2003年到2004年是旅游移动推荐系统发展的旺盛期，到2005年以后才有更多的基于计算机的旅游推荐系统被开发出来。这主要是由于基于计算机的推荐系统的功能更强大，旅游者能组织整个行程，而不是像在移动设备上只能获取单一主题的信息。当然，2000年以后也出现了一些推荐系统既能用于计算机，又能用于移动设备[35]。

旅游移动推荐系统在技术实现上与传统基于计算机的推荐系统是相似的，但在推荐时尤其受到移动上下文的影响。这里的上下文信息可以通过嵌入移动设备中的感应器(比如GPS模块、加速计、计时器、罗盘、陀螺仪、相机)、Web服务(比如天气报告或公共交通信息服务)、支持设施(如从部署在一个特定地区或人群中的感应器中获取温度信息)或其他用户(通过WPAN连接)来获取。潜在用户上下文参数的例子有位置、距离吸引物的距离、预算、时间、季节、空闲时间、交通方式、天气状况、移动历史(比如用户已经游览过的景区)、社会环境等。也就是说，除了考虑位置还要考虑其他上下文信息。但是，移动设备本身的特点，如有限的输入、计算能力以及移动设备的交互能力，使得移动推荐系统的发展更具挑战性[36]。同时，随着3G、4G等移动通信技术的逐步应用以及云计算、网格计算等技术的兴起，也使得移动互联网的访问速度以及终端存储和处理能力不足等问题得到缓解，从而有利于智能移动设备中推荐系统的应用。

移动设备的可携带性使得用户之间的互动更加频繁(如移动通信、移动社交网络服务)，也使得移动社交网络的构建更容易，并且更真实可靠。因此，有些移动推荐系统也将社交网络服务引入其中[37-40]，不仅支持游览城市还能分享游览后的感受。用户的活动(如移动模式、游览过的景点、浏览过的网页等)被系统自动记录，与旅游者相关的内容(如评论、给景点打分、照片/视频等)也同时被管理和共享。社交网络服务的应用有些是直接集成到推荐系统作为系统的一部分[37]，而有些是基于第三方的社交网络平台来抽取用户的档案信息，如I’m feeling Loco System即是基于foursquare平台[38]，SPETA系统是基于Open Social API进行集成的[40]。实际上，各种形式的社交网络如家庭、朋友、同学、同事、讨论组、兴趣组等，对于发现相似用户、相似兴趣以及移动项目的推荐都是非常有用的。

3.3 按推荐的项目分类

个性化推荐应用到旅游领域里，既包括对单体的景点、酒店、餐馆、航班等的推荐，亦包括对旅游目的地、旅游计划、旅游包等涵盖多项产品、活动与服务等组合内容的推荐。如Traveller提供一个假日包[34]；相似地，Travel Planner包含住宿、餐馆、活动和交通[41]；在AVANTI中提供一些旅游站点、酒店和度假村等信息的推荐[42]。在评价产品和服务时所考虑的准则因素亦根据所推荐的项目的不同而不同(见表1)。在航班推荐中，大都会将价格作为主要因素，许多系统也把目的地和用户所在的位置作为考虑因素。也有少数采用了站点、旅行的区间、航空公司或范围。景点推荐的因素大都为位置、价格、时间和兴趣。如SPETA主要考虑三种因素：景点主题(文化、休闲、现代艺术等)、吸引物区位(室内或室外)、时间约束(景点开放和关闭的时间)。有些文献还主要考虑了用户个性与动机，如旅游动机(享受大自然、学习新知识、寻找新发现、逃避现实环境)、年龄阶段、职业、个性等[43]。CABATA在一个案例中，主要考虑假日类型(休闲、活动、学习语言)，选择地区(既有总体的描述像山岳、海洋，也包括具体的国家或城市)，希望的交通方式(汽车、火车、飞机)，旅行的季节，预期的价格等[33]。一些系统提供对许多服务的推荐，同一系统用几个因素，但一些被用于每一个服务，而有些只用于一个。如Traveller采用以下因素：范围、位置或目的地、价格、交通方式、交通公司(如航空公司)、住宿(酒店名字)、住宿类型(小旅馆、五星酒店等)、房间类型(单人间、双人间；标准间、套间)以及服务类型。所有的因素只有在一个系统必须推荐多个不同的服务时采用。许多系统也都跟Traveller相似，在推荐旅行包时通过组合不同的服务来提供推荐。一些系统还提供个性化的地图向导。在所有这些系统中，主要的因素是用户的位置。

而对于移动推荐系统来说，基于其自身的特点，通常会使用用户当前的位置来过滤结果，并会更多地考虑上下文参数。例如对景点的推荐，包括时间[44]，已经参观过的景点[45]，用户移动模式[44]，天气[45]、交通方式[38]、用户心情[38]、社交环境[37][45]等。对于酒店的推荐可能会考虑提供的设施、用户评价、可以预订的房间、入住/退房的时间、距离景点的远近和价格等；而对于餐馆的推荐则会考虑菜系、位置、开放时间、客户评价、菜单和价格范围等。但同时也会考虑上下文信息，如季节、当前时间、位置、天气、温度等。

3.4 关于旅游推荐系统的特殊性讨论

推荐系统应用在旅游领域里，有着区别于其他推荐项目的特殊性。首先，旅游推荐系统的设计与应用更为复杂。旅游经历是包括旅游产品和服务的复杂过程，不仅包括人的主观决策因素，还包括同用户当前情境相关的上下文因素(所处的季节，距离景点的远近等)；同时推荐对象本身也具有一定的特殊性和复杂性，里奇等(Ricci，et al.)也认为，相对于新闻、网页、书、CD、电影等低复杂度和价值的推荐项目，保险、金融投资、旅游等是最为复杂的推荐项目[25]。因此，旅游推荐系统较其他项目的推荐系统更复杂。比如，目的地选择是一个高风险的行为，包含大量未知情形，最终的目的地选择还是或多或少地依赖于旅游者所能获得和使用的信息的多少。一些同决策过程相关的讨论也认为对目的地选择建模是复杂的。一方面，要考虑旅行本身的特性和环境因素，另一方面，除了考虑功能和效用外(如一个旅游包的花费成本)，目的地选择通常还包括情绪和情感的内容(如家庭和朋友的影响)。而对于旅游产品本身，既可以是单一的住宿、景点、交通等产品的选择，亦可以是这些元素的组合，而旅游包里对于多个产品的组合还要考虑其复杂的时空关系[46]。另外，通常同其他人一起旅行，所以还要同时考虑多个用户的兴趣。

其次，协同过滤技术、基于内容的过滤技术虽然已经成功应用于传统的领域，但却不能单纯地应用在旅游领域里[47]，基于知识的和混合的推荐技术更多地应用于旅游推荐系统。主要基于以下几个方面的原因：(1)协同过滤方法被Amazon.com用于推荐书，是基于一个相对大的社区，购买相同项目的相似用户在未来也有相似偏好。在这类系统中，预测一个给定用户是否对特定项目感兴趣取决于他过去评价、购买行为和社区的偏好。而对于旅行安排的推荐，没有详细的购买历史和大多数用户偏好的问题就出现了[48]。旅游经历不是经常的，不像购买书、CD那样频繁，而且花费比较高，因此选择比较慎重，于是用户的反馈评价以及购买历史等都很难得到。(2)不能将旅游简单化为两个旅行者的行程一样。两个人可以买一样的书，但很少有两个人有同样的旅行经历。我们会发现已游览过的目的地不足以预测下一个，额外的上下文信息必须被考虑，必须询问用户的旅行特性。基于旅游产品本身的复杂性，旅游决策的复杂性，所以不像书的推荐，不用任何输入，而对于旅游的推荐，一般必须要求用户输入一些要求[32]。这样就需要采用综合的方法，即组合基于内容的和基于协同的方法等[5]。(3)对于用户行为的预测不能仅仅靠历史评分数据，还要考虑上下文信息[6]和用户偏好[49]。比如对一组人做推荐，或者旅行的类型(商务或私人)或季节、位置、距离、专有行程的设置以及个人的兴趣和活动等都是推荐旅游产品中非常重要的方面[52]。伯克和拉米扎尼(Burke & Ramezani)通过对10个应用领域的推荐系统进行比较，发现对于高风险的领域一般都采用基于知识的推荐技术，而旅游即属于一个高风险的领域[50]。

4 旅游决策理论在旅游推荐系统中的应用

对于旅游消费者行为的深入理解，尤其是信息搜索和决策行为的理解是设计有效的旅游推荐系统的基础[25]。为了在真正意义上支持消费者的决策过程，推荐系统必须了解旅游决策过程的多样性是由决策问题本身的复杂度、上下文(时间、位置等)、社会情境(一个人或一组用户、承担的责任等)、个人特性(已有的知识、认知能力、动机等)等因素的不同而不同的。德拉尔特和豪布尔(Dellaert & H

ubl)也指出，只有通过显式地将一些影响消费者选择的概念因子融入系统中才能改进推荐系统的设计[51]。当然，进一步的研究还需要去证明什么样的推荐系统能如何影响旅游者的决策。

黄、格雷策尔和向等(Hwang，Gretzel & Xiang，et al.)即讨论了目的地选择模型及影响目的地选择的因素[52]，在一个旅游计划中，目的地选择往往是决策的第一步，并影响其余的决策，因此，旅游者的目的地选择就成为整个旅行计划的一个基本组成部分，并被认为是旅游研究中的重要问题。一个目的地推荐系统的主要目标是引导旅游者选择目的地和旅行相关的产品，因此，如何深入理解旅游者在进行旅行计划时是如何选择目的地的过程将是设计一个好的推荐系统的关键。文献将目前的目的地选择模型分为四类：(1)选择集模型。主要关注于个体将一个大的目的地集筛选到为一个的过程。(2)通用旅游模型。基于消费者理论，关注于个体在判断和选择一个旅游目的地的过程。(3)决策网络模型。从集成的角度来看旅游决策，关注旅游计划的各个层面。(4)多目的地旅游模型。用于解释个体在包含多个旅游目的地时的旅游模式以及将多个目的地捆绑时的旅游者所采用的策略[52]。

目的地选择模型被用于解释和预测基于不同的假设和前提下特定情形中的目的地选择，这些方法虽然不同，但有一点是相通的，旅游者的目的地选择过程受到很多心理的和非心理的变量的影响。这些变量用于解释和预测一个人的目的地选择，可以分为两大类：(1)决策者的个性特征；(2)旅行特性。个性特征包括社会经济特性和一个人的心理和认知特性。旅行特性主要指区别不同旅游的情境要素。一个人的个性特征将会直接或间接地影响目的地选择，而旅行特性则是直接地影响。社会经济特征主要包括年龄、教育、收入和婚姻状况等。心理和认知变量主要包括个人价值观、对目的地的已有知识和经验、个性、对特定目的地的态度、旅行计划的过程。旅行特性主要包括旅行目的、旅行时间、客源地和目的地的距离、旅行团队的组成、交通方式等。这些也为旅游推荐系统在进行用户建模和推荐时提供了特征因素的参考。

津斯和格拉布尔(Zins & Grabler)还通过研究，将旅游决策风格归类为6种[53]：高度预定义的旅行者、住宿倾向的旅行者、推荐倾向的旅行者、地理倾向的旅行者、价格倾向的旅游者和活动倾向的旅行者。对于每种不同决策风格的用户，系统应采用不同的推荐策略，如对于高度预定义的旅行者，就可以让用户来设定具体的选项值，并且可以按照一定的顺序，如先是目的地选择，然后是住宿、价格以及其他等；价格倾向的旅游者可以先向其询问可以接受的价格范围，然后将推荐的结果按照价格从低到高的顺序排列。DieToRecs即是一个支持多决策风格的推荐系统[31]，它支持用户选择旅行产品或构建一个旅行包，提供3个主要的“门”让用户“进入”系统：反复单一项目选择、完整的旅行选择以及启发驱动选择。第一个门让大多数有经验的用户按照一定的顺序选择他们喜欢的旅游产品；第二个门让用户通过组合项目来组成一次完整的旅行；第三个门主要是通过用户交互或图形界面给用户以启发式推荐。

同时，旅游决策理论也为旅游推荐系统的设计和评估提供了理论基础。格雷策尔、黄和费森梅尔(Gretzel，Hwang & Fesenmaier)提出一个目的地推荐系统设计的行为框架[54]，并在这一框架下提出了目的地推荐系统在内容(目的地应包括的内容和向用户推荐的内容)、结构(用户同推荐系统交互的方式)、系统智能(系统能够学习和记忆用户或旅行特性并进行相应的内容和展示的调整)和体验(系统创建和传递好的用户体验的能力)上的设计原则。

5 讨论与总结

5.1 旅游推荐系统的一般框架

基于对当前推荐系统在旅游领域的应用的文献综述，以及旅游推荐系统在基于客户端与移动终端设备应用的不同特点，笔者总结出旅游推荐系统的一个通用的框架(图1)。不难发现，推荐系统通常包含3个步骤：用户建模、推荐计算(推荐引擎)以及推荐展示。用户建模通过显式和隐式的信息获取方式确定用户的档案信息及兴趣偏好，推荐引擎则根据用户模型及各类上下文信息、知识库、基础信息库等对用户产生个性化的推荐结果并对结果进行排序。最终将结果以列表、2D/3D地图等形式在客户端浏览器或移动终端展现。

一个有效的旅游辅助决策应该能够灵活地支持不同用户的需求和多样的计划策略。传统的推荐技术只能应用通用的一些方法。因此，主要的问题就是将旅游推荐系统设计成为能够利用已有旅游决策理论来满足游客的特定需求[55]。对于一个旅游推荐系统，考虑到旅游产品与服务的特殊性与复杂性，一个基本的旅游推荐系统应能避免信息超载并最大化客户满意度，帮助没有足够个人经验的用户进行选择，减少用户的认知努力或最小化用户交互，使推荐系统更像一个智能代理。具体来说，应满足如下需求：

(1)由于产品的结构较复杂，一次旅行计划所包含的内容具有时空相关性，因此，最终的推荐项目应该支持多种基本元素的关联组合。

(2)短期偏好(同当前情境相关的目标)和长期偏好项目都应该影响推荐。短期偏好常常来自必需的需求，它们应该比长期偏好占有更大的比重。

(3)用户致力于信息搜索的认知努力应该能被推测出来，但在任何情况下，推荐必须满足用户的显式偏好。

(4)用户交互的初始数据或购买记录的缺失不能影响系统决策的应用；而且临时的或未注册的用户都应该能获得有价值的推荐。

(5)推荐过程应能支持多样化的人机交互，并尽可能减少用户的认知努力，交互的选项应尽可能简单。

5.2 未来旅游推荐系统研究的挑战与方向

第一，深入理解用户和项目。大部分的推荐方法是基于一些有限的通过对用户和项目的描述文件的理解来生成评价，而没有充分地利用用户的交互历史和其他可获取的信息[24]。比如，传统的协同过滤的方法几乎不使用用户和项目的描述文件进行目标推荐，而是只依赖于评分信息。虽然在一些推荐系统中已将用户和项目的描述文件加到推荐中，这些描述文件仍是比较简单而且没有利用更多先进的内容分析技术。采用基于数据挖掘的用户建模技术来自动构建用户模型，以及更多地使用隐式评价技术的非打扰模式获取用户兴趣，将是未来研究的重点。

第二，多维度推荐。传统的推荐系统都是在二维空间里操作，用户×项目(user×item)。也就是说，他们仅仅是依靠用户和项目的信息，而没有考虑额外的上下文信息，而这些信息可能在旅游应用中是非常关键的。推荐系统必须将诸如时间、地点、用户的同伴考虑到产品的推荐中，比如当推荐一个假期包，系统应该考虑时间、用户跟谁一起去旅行、旅行条件和限制以及其他的上下文信息等。因此，从以前的二维空间推展到多维是非常重要的。

第三，多准则评价。大多已有的推荐系统被称为是多准则推荐系统，主要是考虑了多个特征因素的条件或组合过滤[56-58]，而在识别用户兴趣，尤其是在协同过滤技术中用于识别相似用户时，还应考虑用户对于项目的多个准则的评价而不是基于单一准则的一个总的评价，从而能够降低数据稀疏性并更精确地发现相似用户提高推荐质量。基于多准则的评分的聚合相似度测量方法以及聚合函数、概率模型、多线性奇异值分解等模型预测的方法将是这个方向研究的重点。

第四，旅游移动推荐系统。随着终端计算能力的不断提升、移动3G技术、云计算等技术的不断发展，基于移动终端的旅游移动推荐系统将是未来研究的热点。同时，随着移动设备有了感应、计算和可视化的能力也带来研究的挑战和机遇。移动用户智能人机交互、移动用户兴趣的偏好获取、多模态识别以及景区游览与住宿、餐饮的集成推荐是研究的重点内容。另一方面，如何将移动社会化网络融合到移动推荐以提高推荐准确度，是未来旅游移动推荐系统研究的一个重要方向。通过构建的社交网络获取用户的相似结点，进而使用协同过滤算法进行推荐，是将社交网络和移动推荐相结合的一种有效的方法。

图1 旅游推荐系统的一般框架

第五，用户隐私保护。由于推荐系统大部分是依赖于用户信息，包含个人基本信息以及行为和历史交互信息等。而且有些推荐系统也会将各种不同的信息进行整合来为用户提供更智能的推荐，但同时也更加剧了个人隐私的暴露，而实际上对用户位置识别的威胁已经被认为是采用上下文感知服务的最大障碍之一[59]。因此，需要找出保护用户隐私的方法，这些方法应能在不暴露用户隐私和敏感信息的前提下保证推荐的有效性和准确性。

近十年来国外旅游推荐系统的应用研究_推荐系统论文

猜你喜欢