基于用户聚类的旅游景点推荐算法研究
这是一篇关于推荐算法,旅游景点,协同过滤,K-means聚类,个性化需求的论文, 主要内容为互联网的飞速发展使得大量的信息涌入到人们的生活之中,使人们的生活变得更加方便的同时也出现了信息过多的问题,因此人们需要对信息进行筛选,推荐系统由此产生。推荐系统可以满足用户的个性化需求,提高用户获得有用信息的效率。推荐系统被推广到多个领域之中,旅游景点的个性化就是其中之一。协同过滤算法是推荐系统比较常用的推荐算法,但是协同过滤算法自身有一些限制条件使得它不能够完全应用于旅游景点的推荐之中,需要在传统的协同过滤算法的基础上进行改进,才能够更好的满足用户的旅游景点个性化需求。本文介绍了旅游景点推荐的相关研究,分析得出旅游景点的推荐系统问题非常值得研究。介绍了推荐系统的发展背景,并总结了各种推荐算法的优缺点,根据对比选择了协同过滤算法中的基于用户来进行旅游景点个性化推荐研究。但协同过滤算法存在着数据稀疏性、冷启动等问题,因此要对协同过滤算法进行改进。本文选择了聚类这一方法,并利用实验法来进行研究。首先利用聚类方法中的K-means对数据集的用户进行聚类,然后将聚类结果输入到协同过滤算法之中得到推荐结果,最后将推荐结果与传统协同过滤算法进行对比。实验结果表明,进行了聚类的基于用户的协同过滤算法旅游景点推荐的平均绝对误差要小于传统的协同过滤算法,并且算法的运行时间也小于传统的协同过滤算法,这证明了聚类后的基于用户的协同过滤算法能够适应于旅游景点的推荐,并且要更为准确也更加迅速。本文针对旅游景点推荐系统中的基于用户的协同过滤算法进行改进,使用了聚类方法中的K-means来提高平均绝对误差以及节省了运行时间,该改进能够更好的为旅游景点进行个性化推荐。
基于用户聚类的旅游景点推荐算法研究
这是一篇关于推荐算法,旅游景点,协同过滤,K-means聚类,个性化需求的论文, 主要内容为互联网的飞速发展使得大量的信息涌入到人们的生活之中,使人们的生活变得更加方便的同时也出现了信息过多的问题,因此人们需要对信息进行筛选,推荐系统由此产生。推荐系统可以满足用户的个性化需求,提高用户获得有用信息的效率。推荐系统被推广到多个领域之中,旅游景点的个性化就是其中之一。协同过滤算法是推荐系统比较常用的推荐算法,但是协同过滤算法自身有一些限制条件使得它不能够完全应用于旅游景点的推荐之中,需要在传统的协同过滤算法的基础上进行改进,才能够更好的满足用户的旅游景点个性化需求。本文介绍了旅游景点推荐的相关研究,分析得出旅游景点的推荐系统问题非常值得研究。介绍了推荐系统的发展背景,并总结了各种推荐算法的优缺点,根据对比选择了协同过滤算法中的基于用户来进行旅游景点个性化推荐研究。但协同过滤算法存在着数据稀疏性、冷启动等问题,因此要对协同过滤算法进行改进。本文选择了聚类这一方法,并利用实验法来进行研究。首先利用聚类方法中的K-means对数据集的用户进行聚类,然后将聚类结果输入到协同过滤算法之中得到推荐结果,最后将推荐结果与传统协同过滤算法进行对比。实验结果表明,进行了聚类的基于用户的协同过滤算法旅游景点推荐的平均绝对误差要小于传统的协同过滤算法,并且算法的运行时间也小于传统的协同过滤算法,这证明了聚类后的基于用户的协同过滤算法能够适应于旅游景点的推荐,并且要更为准确也更加迅速。本文针对旅游景点推荐系统中的基于用户的协同过滤算法进行改进,使用了聚类方法中的K-means来提高平均绝对误差以及节省了运行时间,该改进能够更好的为旅游景点进行个性化推荐。
基于位置社交网络的旅游景点推荐模型研究与系统实现
这是一篇关于个性化推荐,位置社交网络,兴趣点,旅游景点的论文, 主要内容为当今社会,科学技术不断发展和进步,其中定位技术日趋成熟,各类型的智能移动设备得到广泛应用,基于位置的社交网络(Location-based Social Network,LBSN)已经成为生活、工作、学习中非常重要的组成部分。在位置社交网络相关的服务中,位置推荐服务已经越来越得到重视和推广,兴趣点(Point of Interest,POI)推荐技术应运而生。兴趣点推荐技术在获取到用户的历史签到数据后,对获取到的数据深入分析,发掘用户的兴趣偏好,根据偏好为其提供推荐列表。本文主要对基于位置社交网络的旅游景点推荐相关模型和系统开展研究。首先分析用户的签到行为,在此基础上,对现有旅游景点推荐模型进行深入分析,针对存在的数据稀疏问题和冷启动问题,提出基于位置社交网络的旅游景点推荐模型,并开发相应系统。主要完成了以下两方面的工作:(1)提出了一种基于位置社交网络的旅游景点推荐模型。该模型融合社交关系影响因素、空间分布相似用户影响因素、旅游景点影响因素,引入二级朋友到协同过滤算法中,缓解了数据稀疏的问题,获得社交关系影响因素对推荐的影响。考虑旅游景点影响因素,对现有的协同过滤推荐模型存在准确率较低的情况进行改善,引入对用户影响力的发现,在获取用户影响力的基础上发现旅游景点影响力,对旅游景点影响进行深入的挖掘。同时考虑空间分布相似用户影响因素,在完成空间分布相似性计算的基础上发现空间分布相似用户影响力。最后综合三种因素的影响,计算用户受这些因素影响下访问某一旅游景点的概率,构建推荐列表。通过与不同的模型进行对比实验,实验的结果表明,本文提出的基于位置社交网络的旅游景点推荐模型在准确率和召回率以及F1值评价指标上均有着明显的提升,旅游景点的推荐效果得到了显著的提高。(2)开发了基于位置社交网络的旅游景点推荐系统。本文以上述推荐模型为核心,完成了基于位置社交网络的旅游景点推荐系统的设计与实现。在调研的基础上,对旅游景点推荐系统进行需求分析,确定了本系统的功能,主要包括登录注册、个人信息管理、旅游景点个性化推荐、旅游景点热度推荐、旅游分享、行业情况、政策法规、景点搜索、景点评价等功能。在实现了本文所提推荐模型后,进行系统的分析与设计,开发了基于位置社交网络的旅游景点推荐系统。开发的旅游景点推荐系统一方面可以很好地满足游客的期望,另一方面也能够提升旅游平台的用户黏性,具有良好的应用前景。
基于位置社交网络的旅游景点推荐模型研究与系统实现
这是一篇关于个性化推荐,位置社交网络,兴趣点,旅游景点的论文, 主要内容为当今社会,科学技术不断发展和进步,其中定位技术日趋成熟,各类型的智能移动设备得到广泛应用,基于位置的社交网络(Location-based Social Network,LBSN)已经成为生活、工作、学习中非常重要的组成部分。在位置社交网络相关的服务中,位置推荐服务已经越来越得到重视和推广,兴趣点(Point of Interest,POI)推荐技术应运而生。兴趣点推荐技术在获取到用户的历史签到数据后,对获取到的数据深入分析,发掘用户的兴趣偏好,根据偏好为其提供推荐列表。本文主要对基于位置社交网络的旅游景点推荐相关模型和系统开展研究。首先分析用户的签到行为,在此基础上,对现有旅游景点推荐模型进行深入分析,针对存在的数据稀疏问题和冷启动问题,提出基于位置社交网络的旅游景点推荐模型,并开发相应系统。主要完成了以下两方面的工作:(1)提出了一种基于位置社交网络的旅游景点推荐模型。该模型融合社交关系影响因素、空间分布相似用户影响因素、旅游景点影响因素,引入二级朋友到协同过滤算法中,缓解了数据稀疏的问题,获得社交关系影响因素对推荐的影响。考虑旅游景点影响因素,对现有的协同过滤推荐模型存在准确率较低的情况进行改善,引入对用户影响力的发现,在获取用户影响力的基础上发现旅游景点影响力,对旅游景点影响进行深入的挖掘。同时考虑空间分布相似用户影响因素,在完成空间分布相似性计算的基础上发现空间分布相似用户影响力。最后综合三种因素的影响,计算用户受这些因素影响下访问某一旅游景点的概率,构建推荐列表。通过与不同的模型进行对比实验,实验的结果表明,本文提出的基于位置社交网络的旅游景点推荐模型在准确率和召回率以及F1值评价指标上均有着明显的提升,旅游景点的推荐效果得到了显著的提高。(2)开发了基于位置社交网络的旅游景点推荐系统。本文以上述推荐模型为核心,完成了基于位置社交网络的旅游景点推荐系统的设计与实现。在调研的基础上,对旅游景点推荐系统进行需求分析,确定了本系统的功能,主要包括登录注册、个人信息管理、旅游景点个性化推荐、旅游景点热度推荐、旅游分享、行业情况、政策法规、景点搜索、景点评价等功能。在实现了本文所提推荐模型后,进行系统的分析与设计,开发了基于位置社交网络的旅游景点推荐系统。开发的旅游景点推荐系统一方面可以很好地满足游客的期望,另一方面也能够提升旅游平台的用户黏性,具有良好的应用前景。
基于分层抽样统计与协同过滤的旅游景点推荐系统研究
这是一篇关于分层抽样,聚类,SVD++,协同过滤,旅游景点,推荐系统的论文, 主要内容为旅游景点推荐系统是旅游门户网站向人们推荐景点的一种主要方式。目前,旅游景点推荐研究已取得一定进展,但仍存在“冷启动”、用户兴趣不充分、未考虑用户隐性喜好等问题。本文基于分层抽样统计模型挖掘用户兴趣,对传统协同过滤算法加以改进,设计并实现了性能更优的旅游景点推荐系统,主要工作有:一、基于聚类算法的旅游景点推荐系统。基于协同过滤算法的旅游景点推荐系统能提升用户满意度,增强旅游网站影响力与竞争力,并在一定程度上解决“冷启动”问题。采用问卷调查与自动抓取相结合的方式,采集用户信息、用户评分等旅游数据,生成“智慧旅游”数据集。围绕该数据集,预处理用户评分并执行层次聚类、模糊聚类、K-means聚类等三种基于用户聚类的协同过滤算法,以计算目标用户与聚类中心的相似性,生成预推荐列表LB。实验表明:基于K-means聚类的协同过滤算法在三种推荐算法中性能最优,当聚类数k=8时,推荐效果最好。二、基于分层抽样统计与聚类算法的旅游景点推荐系统。基于聚类算法的协同过滤推荐系统仅考虑用户间相似性,未充分挖掘用户兴趣。利用问卷调查收集不同用户属性的旅游偏好,基于分层抽样统计模型挖掘用户兴趣,并运用层次分析法设定用户属性权重,生成预推荐列表LA;设定聚类数k=8,分别执行层次聚类、模糊聚类、K-means聚类算法,生成预推荐列表LB,融合LA、LB进行混合推荐。实验表明:相比传统方法,基于分层抽样统计与K-means聚类算法的推荐系统性能最佳,相比最强基线,它的准确率平均值、召回率平均值、F1平均值分别提升14.3%、32.4%、27.1%,推荐效果良好。三、基于分层抽样统计与SVD++算法的旅游景点推荐系统。多数推荐系统基于聚类算法,它们易陷入局部极小值,且未考虑用户隐性喜好。提出基于分层抽样统计与SVD++算法的推荐系统:对“智慧旅游”数据集进行分层抽样统计,挖掘针对不同用户属性的用户兴趣,生成预推荐列表LA;设计基于SVD++算法的协同过滤模型,生成预推荐列表LC,融合LA、LC进行混合推荐。实验表明:相比最强基线,该混合推荐的准确率平均值、召回率平均值、F1平均值分别提升7.5%、6.2%、6.5%,推荐效果最优。主要创新点:1)建立“智慧旅游”数据集,采用分层抽样统计模型挖掘用户兴趣;2)将用户兴趣融入到基于聚类或SVD++算法的协同过滤推荐系统中,提升推荐性能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码驿站 ，原文地址：https://m.bishedaima.com/lunwen/54840.html
