考虑用户口碑的旅游规划个性化推荐方法研究_用户研究论文

考虑用户口碑的旅游计划个性化推荐方法研究，本文主要内容关键词为：口碑论文,计划论文,方法论文,用户论文,旅游论文，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。

      互联网的快速发展，极大改变了人们的生活方式。以旅游为例，传统的旅游产品选择方式，比如通过旅行社定制旅游产品、通过报纸媒介广告了解相关信息等受到极大冲击，而通过互联网选择旅游产品的方式异军突起。以携程网、艺龙网、途牛网及穷游网等为代表的旅游网站获得了大量自由行游客的青睐。游客在网上选择自己的旅游路线，定制喜欢的交通方式和住宿条件，网站即可根据游客需要安排好具体的行程，提供“机票+酒店”的预订服务。在旅行过程中，游客脱离传统的导游陪同，可以在自己喜欢的地方自由地停留。在旅行中临时出现某些需要，游客通过互联网与网站联系，随时随地获得网站为游客提供的一些“个性化”服务。互联网已经逐渐取代传统的旅游产品选择方式，成为了中国旅游行业的中坚力量。

      2012年是中国互联网发展历程中划时代的一年，手机上网人数首次超过了使用计算机上网的人数。而且这个势头发展非常迅速。2015年2月，根据国家统计局发布的“2014年国民经济和社会发展统计公报”显示，国内6.49亿上网人数中通过手机上网5.57亿人，每100人拥有手机94.5部，移动互联网时代已经来临。移动互联网，是指为移动设备提供接入服务并为适配移动设备提供展示内容的互联网服务。与传统计算机相比，移动互联网终端类型不一，计算能力较低，屏幕偏小，导致原有互联网很多应用需要做大幅改变，以适配移动互联网终端。仍以旅游为例，传统网站旅游景点和旅游线路展示方式，对于移动终端来说内容过于丰富，信息庞杂且没针对性，不适合浏览和选择。对于移动互联用户来说，人性化的内容展示、个性化的线路推荐、自由化的服务组合是移动互联旅游区别于传统方式的突出特征。在这种需求驱动下，基于移动终端设备特点的旅游推荐系统应运而生，例如，基于手机的位置感知功能，将旅游信息库在3D地图界面展示，向用户推荐他们感兴趣的景点[1]。

      目前，许多学者对旅游计划推荐进行了深入研究，并取得了一批有价值的研究成果。首先在推荐算法方面，García-Crespo等[2]提出了一种基于语义特征的模糊逻辑技术对旅游住宿进行了推荐研究。Lucas等[3]提出了一种基于关联分类方法的用户旅游推荐模型。Lee等[4]通过构建旅游本体对旅游路线进行了个性化推荐。类似地，Mereno等[5]通过构建旅游本体来收集多种旅游信息，在此基础上构建了一个旅游推荐系统。这些文献考虑了旅游景点的特征，采用各种先进的数据挖掘方法进行旅游推荐。其次以用户需求为研究视角，也有学者进行了旅游推荐研究。Montejo-Ráez[6]也提出了一个基于Web的旅游计划系统，并进行了原型实现。章杰宽和朱普选[7]用一种优化的灰色神经网络模型预测旅游需求。Garcia等[8]针对不同的用户定位，提出了个人和团体旅游推荐系统。Garcia和Sebastia[9]在已有研究的基础上，深入研究了异质团体旅游推荐的新方法。进一步地，Chiang和Huang[10]提出了一种基于用户特征的个性化推荐方法。Ge等[11]提出了一种考虑用户成本约束的旅游推荐方法。这些研究考虑了用户行为的各种特征，进行旅游推荐的建模或者系统实现。

      然而，随着旅游网站、移动终端的快速发展，越来越多的用户在制定旅行计划的时候会参考其他用户所发布的相关体验。用户口碑是表达用户体验的一种重要渠道，目前已有学者在研究中关注到了旅游用户口碑，例如王素格和吴苏红[12]对旅游景点评论的特征-观点对抽取进行了研究，并证明了提出方法的有效性。赖胜强等[13]从网络口碑的角度分析了社区留言对于游客目的地选择的影响。李作志等[14]在分析旅游资源需求问题时考虑到了用户的陈述性意愿。但截至目前，已有的旅游计划推荐方法并没有考虑用户口碑对线路推荐的影响，而且没有面向移动互联网的特点进行个性化建模和旅游计划推荐。基于此，本文基于旅游评论挖掘的最新进展，提出了一个新的旅游计划推荐方法，该方法首先利用语义分析方法，研究用户需求和旅游路线之间的多层次匹配关系。其次，深入挖掘用户口碑，提出了一个基于用户口碑的动态调整方法。最后，结合匹配模型和用户口碑，提出了综合的旅游计划个性化推荐方案。

      本文的内容安排如下：第二部分提出了基于用户口碑的旅游计划个性化推荐方法，第三部分基于本文提出的方法，构建了一个旅游路线个性化推荐原型系统，第四部分对本文提出的方法进行了评价，并与其他模型进行了对比分析，最后为总结与展望。

      基于用户口碑的旅游路线个性化推荐方法

      在已有研究的基础上，基于用户需求与旅游计划之间的匹配关系，同时考虑用户口碑，本节提出一个基于用户口碑动态调整的旅游计划个性化推荐方法。该方法从流程上分为数据收集与集成、个性化推荐建模和推荐排序与结果展示等三个阶段，推荐方法的框架图如图1所示。

      

      图1 基于用户口碑的个性化旅游推荐框架

      从图1中可以看出，本文提出的个性化旅游线路推荐方法分为三个阶段，首先，进行数据收集，包括用户需求信息、旅游计划信息和用户口碑信息等。其次，进行推荐建模，分别建立用户匹配模型和用户口碑模型。最后，综合用户需求和推荐地点的用户口碑，对旅游计划进行个性化推荐。

      1、旅游数据收集

      为了进行旅游计划推荐，首先要收集与景点和用户相关的信息。目前，许多网站都收集并发布了各地区旅游景点、经典旅游路线、季节天气信息、地理路径信息等旅游相关信息，并提供了供用户查询和评论的接口，用户可以提出自己的旅游需求，并可以发表旅游景点评价、自身旅游感受、旅游攻略等信息。本文利用网络爬虫软件获取若干网站的旅游景点、旅游路线及用户评论信息，同时获取了用户需求信息，并进行实时更新，具体流程如图2所示。

      

      图2 旅游计划个性化推荐信息收集流程

      本文获取的旅游信息包括旅游景点信息、季节天气信息、地理路径信息、实时交通路况信息等景点相关信息，以及用户需求信息和用户评论信息等用户相关信息，为旅游路线个性化推荐提供了数据基础。

      2、旅游计划个性化推荐方法

      为了更好地体现用户个性化，推荐旅行计划时不仅建立用户需求与旅游路线的匹配，更考虑用户口碑的影响对计划进行调整，为用户提供适合的旅游计划。

      (1)用户需求匹配模型

      用户对旅游计划的需求通常涉及旅游主题、旅游费用和旅游时间等三个方面。围绕这三个方面，本研究利用文本挖掘技术，提取了用户需求和各旅游计划的相关信息，并计算各要素之间的匹配关系，构建用户需求匹配模型。用户需求匹配模型可以用如下公式(1)表示。

      

      (2)用户口碑影响模型

      为了利用用户口碑对匹配后的推荐结果进行动态调整，模型进而从以下几个方面计算用户口碑的影响。首先，计算旅游路线j的用户口碑的平均值，作为用户长期口碑值

，然后，选择一个固定时间窗W，例如，时间窗设定为3天，计算时间窗内用户口碑的平均值，作为旅游线路中各景点的用户短期口碑值

，最后，综合考虑旅游路线的用户长期口碑和短期口碑之间的平衡，作为旅游路线的用户口碑的参考值。用户口碑模型可以用如下公式(2)表示。

      

      其中，

表示第j条旅游线路的用户口碑，

表示第j条旅游线路的用户长期口碑的平均值，

表示第j条旅游线路的用户口碑在时间窗内的短期平均值，α为参数，0≤α≤1。

      3、旅游推荐结果

      在综合考虑了用户需求匹配和其他用户口碑之后，每一种旅游计划方案会有相应的得分，具体的计算公式如公式(3)表示。

      

      其中，

表示针对第i个用户需求，第j个旅游计划的得分。进一步地，可以通过排列第i个用户需求下各旅游计划的得分，进而获得了所有旅游计划的排序，由此可以选择前n个旅游计划对用户进行推荐。

      面向移动互联网的智能推荐系统

      为了验证上文提出的旅游计划集成推荐模型的实际推荐效果，本研究进而实现了一个面向移动互联网的旅游计划推荐演示系统。该系统的客户端采用了Mobile App模式，服务端采用了云计算架构，系统的体系框架如图3所示。

      从图3可以看出，智能手机APP做客户端，既方便用户随时随地查看旅游线路和旅游景点信息，又可以根据旅行者的位置信息、季节特征、当地天气情况、甚至旅游景点当时的人流情况，做实时的景点线路推荐。旅游推荐算法需要旅游景点信息、季节天气信息、地理路径信息、实时交通路况信息、用户位置信息等超大规模数据都纳入计算，这些功能显然无法由智能手机APP来承担。鉴于此，旅游推荐系统服务器端采用云计算平台，具有超大存储能力、超大计算能力的特点，而且理论上可以无限扩展，随时获取、按需使用、随时扩展。

      目前，演示系统在服务器端部署了8台刀片服务器构建的“私有云”，存储了9799个国内旅游景点信息，10万多条旅游景点评论信息，5万多条旅游攻略信息，并且开放了对其他系统的输入接口，如地理信息系统和电子地图、路政及路况信息和天气预报信息等等。

      虽然集成推荐算法需要利用大数据进行复杂计算，但是作为一种面向移动应用的信息推荐服务，对用户来讲，操作一定要简单易用。用户只需在客户端APP录入一些简单需求信息，例如旅游主题偏好、旅行时间长短、预算上限等，系统就可以按照模型算法在云端计算后推荐排名前五的旅游计划。用户选定其中一条线路，便可以查看到包含旅游景点介绍、票价、时段和交通路线的详细旅游计划，如图4所示。用户避免了移动端在众多线路中进行选择的困难，使用方便，易用性强。

      

      图3 旅游推荐系统的云计算框架

      

      图4 旅游推荐系统展示

      为了验证所提出方法的有效性，研究中对本文提出的方法(以

表示)进行了评价，并与旅游推荐用户匹配模型(以

表示)和不考虑用户口碑动态调整的推荐模型(以

表示)进行了对比分析。由于没有客观指标衡量各方法推荐的结果，本文采用了主观调查问卷方法对推荐结果进行了评价。本文随机选取了10个用户的旅游需求并邀请了10位评价者进行了调查。对于每个用户旅游需求，我们分别推荐了5个旅游路线。问卷中，为了保证评价者没有受到推荐方法的影响，我们隐去了推荐结果对应的推荐方法，并将推荐线路随机呈现给评价者，让评价者给每个推荐路线打分，分数范围为1分至5分。其中，更高的分数代表更好的推荐效果，表明评价者认为该计划更适合旅游者。

      进一步地，我们选取了常用的推荐评价指标Average Rating(AR)和Normalized Discounted Cumulative Gain(NDCG)进行了评价[15]，AR和NDCG指标可以用如下公式表示：

      

      其中，U代表所有评价者，｜U｜代表评价者人数，N代表推荐旅游计划的个数，

代表第i个评价者对j条旅游计划的评价得分，而Z代表一个从计算值变为标准化值(最高得分为1)的函数。基于以上评价指标，评价结果如表1所示。

      

      从表1中可以看出，本文提出的方法较其他方法在推荐效果上具有明显优势，而且考虑用户口碑可以明显提高旅游路线推荐的满意度。

      总结与展望

      本文针对移动互联网特点，提出了一种考虑用户需求匹配和用户口碑的旅游计划个性化推荐方法，构建了一个旅游推荐原型系统，并进行了方法评价，弥补了现有旅游推荐研究中仅考虑用户需求与旅游信息的匹配，而忽略景点口碑评价的不足。研究结果表明，本文提出的方法较传统方法有明显的改进，具有更好的用户体验。同时，开发的原型系统可以满足移动用户的旅游需求，为用户提供有效的服务工具。本文在理论和管理实践方面的启示主要体现在：首先，在个性化推荐中考虑用户口碑的影响，增加了推荐中的信息透明度，帮助用户判断对信息的信任程度，从而获得更好的推荐效果。基于此，本文提出方法还可以用于其他在线信息推荐服务，比如工作推荐、房屋租售推荐等，这些领域中普遍存在信息不对称的现象。其次，考虑用户口碑不仅增强了用户体验，同时体现了社会化商务的思想。用户在决策前参考他人的意见，而在旅行结束之后，也愿意分享自己的旅游路线和感受，不断丰富推荐的基础数据。最后，在研究中充分考虑了移动终端的特点，将服务器放到了私有云中，既提高了系统效率也保障了数据的安全性。

      本文的研究还可以从下面两个角度进行深入研究。第一，本文仅对既定推荐路线进行了推荐，以后的研究可以进一步考虑景点之间的关系，设计最优旅游路线并进行用户推荐。第二，本文在推荐建模时考虑了用户口碑，可以在以后的研究中引用多层面网络挖掘方法对用户口碑进行深入分析，为用户推荐更为精细化的结果。

标签：用户研究论文;  用户需求论文;  移动互联网论文;