文摘

快速增长的网络及其应用创造了一个巨大的推荐系统的重要性。被应用在各种领域,推荐系统被设计来生成建议等物品或服务根据用户的利益。基本上,推荐系统经历许多反映减少有效性的问题。集成强大的数据管理技术推荐系统可以解决这样的问题,建议质量可以显著增加。最近对推荐系统的研究揭示了利用社交网络数据,加强传统的推荐系统有更好的预测和提高精度。本文基于社会网络数据表达意见通过考虑使用各种推荐算法的推荐系统,功能的系统,不同类型的接口,过滤技术和人工智能技术。检查目标的深度后,方法和现有模型的数据源,本文可以帮助任何人感兴趣的旅游推荐系统的发展和促进未来的研究方向。我们还提出了一种位置推荐系统基于社会相关信托沃克(SPTW)和比较的结果与现有的基线随机游走模型。之后,我们已经提高了SPTW模型组用户的建议。从实验的结果。

1。介绍

网络的巨大增长和它的用户群已成为网上大量的信息来源。这些信息可能有助于用户,建议项目或服务按照他们的喜好。推荐系统的角色生成建议通过收集用户信息,如喜好,兴趣和位置。对推荐系统的研究了协同过滤(出现后的重要性1,2]。各种研究导致推荐系统的实现不同的领域,如电子商务(3)、广告(4),和旅游5]。生成建议根据用户偏好对推荐系统是一个复杂的任务。语义web技术帮助推荐系统来解决这些任务很容易6]。推荐系统使用,还可以从许多别的来源信息进行预测,为用户显示一个项目。因素,如新奇、稳定性和准确性是平衡在生成的建议。过滤机制发挥重要作用在推荐过程中(7]。最常用的过滤技术协同过滤、基于内容的过滤、基于知识的过滤,和社会过滤(8]。许多研究已经导致了各种推荐系统如电影的发展(9,10)、音乐(11,12)、书籍(13)、电子商务(14- - - - - -16),在线学习(17,18),网络搜索(19),和旅游20.]。

使用个性化技术的主要目的是生成定制的建议(根据用户偏好和利益21]。推荐系统有一个目的来过滤不需要的信息,为特定用户提供特定的结果(22]。旅游推荐系统(20.),提出学习用户偏好模型和生成的地方景点根据用户的利益。本文在旅游推荐系统及其应用。使这篇文章有用,包括新读者的推荐系统,它涵盖的话题从进化到应用程序的挑战。因为需要更多的研究来提高推荐系统的有效性和效率,本文将更有用的即将到来的科学家开发出了一种特定于用户的推荐系统。

本文贡献明确的推荐系统回顾发表在科学期刊和会议特别注重旅游推荐系统。这些系统通过推荐机制,分析了界面,数据源,使用和功能。本文还提供了一些指导方针,开发高效、用户特定的旅游推荐系统。

作为一个描述的方法收集和组织旅游推荐文章的分析问题,开始研究专注于最说明主题和推荐系统领域。最初,105推荐系统论文选择从各种期刊和会议论文,需要更高的电流和经常提到的文章。接下来,我们从这些文件中最可观的条件。我们给最强调决定性的话说,不太强调标题,,最后,最低强调修改作品。

本文给出了一个明确的推荐系统观和解释了传统推荐系统中的各种问题。然后,我们解释了发展旅游推荐系统的技术和接口的类型。之后,介绍了基于位置的社交网络,其需求和问题进行了详细的解释。对于模型的一部分,我们已经解释了在深度SPTW类别(社会相关信托walker)模型位置的建议。增强的位置的提议推荐标准模型中,我们引入了基于SPTW集团推荐模型(SPTW-GRM)的用户组。拟议的模型已经证明其效率和精度评价指标。

本文组织如下。下一节描述了推荐系统的重要性。部分3简要解释了关于旅游推荐系统和部分4内裤的使用人工智能技术在旅游推荐系统。然后,部分5简要讨论了基于位置的社交网络和部分6描绘了该社会相关信托沃克(SPTW)算法。部分7描述提出基于SPTW集团推荐模型(SPTW-GRM)和部分8说明了该模型的评价结果和讨论。最后,论文总结与分析调查系统和部分9也表示新领域集中在旅游推荐系统领域的未来。

2。推荐系统的意义

推荐系统(RSs)通常被定义为专家系统用于推荐产品或服务的用户。图1将传统的推荐系统的工作。各种因素影响用户的利益做出决定关于推荐的产品或服务。通过使用提供了数以千计的数据,比如博客、社交网络、地理定位系统(GPS)日志、照片地理标记后,推荐系统倾向于帮助用户通过生成个性化的建议,这将是更有用的用户在他们的决策过程。图2描述了传统推荐系统工作流程模型。

2.1。推荐系统的基础

传统上,推荐系统是基于他们的积木等算法,过滤方法,分类,和数据库。当推荐系统只有少量的数据生成的建议,面临问题与他们协作模型。这样的问题被称为冷启动问题,描述如下。然后,部分描述神经网络算法,主要是使用基于协同过滤的推荐系统。使用用户的利益之间的相似性和差异主要是由许多推荐模型使用。最后,通过比较用户或项目,不同的相似性度量。

2.1.1。基本面

推荐系统,过程中生成的建议取决于各种因素,如以下:(我)可用的用户数据库中的数据(如用户信息,利益,评级,地点,和社会关系);(2)过滤机制/算法(基于内容的,混合的、协作的、等);(3)技术用于提高结果(如贝叶斯网络、奇异值分解和模糊模型);(iv)稀疏程度和可伸缩性的数据库;(v)系统性能(如内存和时间消耗);(vi)考虑系统的目标(如前建议和预测);(七)质量及其指标用于结果分析(如精密,记得,测量和新奇)。

公共数据库中使用推荐系统的研究开发新方法、技术和算法。美味的和最后一个。fm是最受欢迎的数据库中使用推荐系统的发展。

2.1.2。冷启动问题

生成nonreliable建议的问题由于缺乏初始评级被称为冷启动问题22,23]。新用户,新项目,新社区的三种类型的冷启动问题。在推荐系统的操作,新用户问题(24,25)是一个很大的困难生产个性化推荐。因为没有用户评级由这些新用户,提供基于内存的内容过滤不能帮助的建议。新用户可以拒绝不可靠,非个性化的建议和推荐服务。新用户添加额外的信息数据库,如喜好,解决新用户的问题。同样,新项目问题[26,27)出现由于推荐系统中添加新的条目。由于没有初始评级为这些新项目添加到推荐系统中,它被大多数用户和大群的用户可能不知道这些物品。开发的一套激励用户速率新项目将有助于解决新项目问题。新的社会问题(28]发生在推荐系统由于评级不足的初始化。基于协同过滤的推荐,并鼓励用户评价项目可以很容易地解决新的社会问题。

2.1.3。的最近的邻居的推荐算法

在大部分的推荐过程中,使用协同过滤,参考算法最近的邻居(NN)推荐算法。神经网络推荐算法简单而合理产生精确的结果。的缺点神经网络推荐算法低可伸缩性(29日),它是容易受到高水平的稀疏(29日,30.在推荐系统数据库。的NN算法通常侧重于相似性度量和用户之间的相似度计算进行了用户(31日),项目项目(32,33),和用户项目(34]。使用相似的措施,类似用户分配邻居用户和项目的建议是为用户预测。然后,从顶部-建议,项选择满足特定的活跃用户。

2.1.4。相似的措施

用户或项目之间的相似性可以由相似性度量或相似性度量。最常用的传统指标COS (COS),调整COS(治疗)、皮尔森相关(相关系数),限制关联(CCOR),欧几里得(EUC)和均方差异(MSD) (22,35]。也有一些新的指标使用,如Jaccard平方的均值差异(JMSD) [36)计算通过使用非数值的信息,奇点(唱)37)有预谋的利用信息在用户投票,创(31日)作为相似性度量的推荐系统,它采用遗传算法,nc (37)作为相似性度量的推荐系统使用神经学习,信任(38),利用用户的声誉评级项目和UERROR [39]预测初始用户的实际评级,也决定了预测错误。

3所示。旅游推荐系统

大量的用户信息利用旅游推荐系统有效的方式向用户提供建议(40]。旅游/旅行推荐系统利用人工智能技术来生成个性化推荐给用户。本节描述了推荐系统的应用领域的e-Tourism。

3.1。接口

本节提供了一个不同的接口在今天的推荐系统中流行的概述。接口是面向web的或基于移动设备;一些设计web和移动设备的兼容性。推荐系统是基于分类两大类(即基于web和移动)。图3描述现有系统界面中使用的数据的百分比。用户被发现给高偏好基于web的接口,因为它提供了易于使用的任何计算机不需要下载、安装和配置过程。但由于移动设备的数量迅速增加,特别是智能手机,大多数基于web的推荐系统也有一个基于移动设备的对应。

有些系统是面向桌面特定的和他们不支持web的或基于移动设备的接口(例如,41])。必须指出的是,这些系统更容易制定和实施。但他们并不受游客欢迎,因为下载、安装和配置是初步的部分使用。游客倾向于用非常简单的方法来得到他们的建议。

3.1.1。基于Web的推荐系统

基于Web的接口的接口中是最普遍用于e-Tourism推荐系统。它非常用户友好的各种交互选项供用户获取信息地图,图片和视频。鼠标使用的可能性,允许用户探索地图的放大、选择、和拖放选项。基于Web的系统是适合旅游的规划阶段。这些系统的设计限制了使用计算机系统,这是一种关心的不可用,旅游必须牢记。大型桌面屏幕的可用性提供容易获取信息是这些系统的一个关键优势。我们现在提供利用这种类型的推荐系统的特性。在Venkataiaha et al。42)之间的比较研究已经取得了所谓的离散和连续系统。在离散系统中,利用屏幕在很高程度上为用户提供所需的信息,而连续系统结合了相关媒体,文字,照片,和视频内容到一个视频剪辑,从而减少用户所需的努力理解提供的内容。

李的建议工作等。43)是第一个方法,把谷歌地图服务的web界面允许路径的绘制地图,指导用户完成个性化路线选定的地点和食物在台南市的地方。城市的旅行计划(44],e-Tourism [45],Otium [46)是基于web的系统的一些地图的标注预定地点是一天的访问。EnoSigTur [47)也使用同样的方法除了用户的偏好和社会人口信息,之后的建议。

中用化身互动方法,允许用户提供他们的需求已经由氛围实现虚拟spa顾问(48]。这允许动态添加新属性的目录进而自动推荐的变化,引出的偏好,以及web界面的过程。它还包括部分领域专家可以操纵会话和推荐程序。

基于本体的推荐系统由王et al。49)使用语义web技术加上web 2.0服务,整合了不同的信息从用户在旅行。Ajax开发的基于web的应用程序在Ruby on Rails包括雅虎天气等其他第三方服务,谷歌地图,维基旅行。

3.1.2。移动的建议

基于移动的推荐系统增加近年来由于移动设备的可用性,网络设备和智能手机的支持。移动推荐系统设计以这样一种方式,只有相关和必要的信息提供给用户自互联网连接将会是缓慢的,也可以有效地显示的信息量较小比一个标准的web页面。必须指出,除了现代智能手机提供更容易触摸交互为基础,基于移动的系统很难执行操作,如滚动相比标准的web页面。基于手机的系统的优势是,它可以用在任何地方网络连接可用;这可以在旅行期间可以获得在线信息,可用于进一步提升的建议。GPS是大多数移动设备的一部分,也用于定位用户反过来有助于提供相关建议。

Yu和Ping Chang (50报告系统可以被认为是第一个实现pda移动系统的方法设计。建议基于用户位置和规划建议旅游提供的服务系统,考虑了用户的位置、时间的访问,和偏好。不同的系统所提供的服务,用户首选项设置,旅游计划的建议,使用谷歌地图可以看到。

米(51)也是一个基于PDA的方法认为互联网连接的问题。互联网连接是一个旅游的问题由于农村或漫游期间,由于高昂的花费。距离检测以及方法来更新内容以最小的成本提出了使用无线传感器网络将实现在小型或中等规模的范围内。基础设施允许放置高重量评级的用户从固定连接设施相比,用户从使用互联网访问位置和速度。

MapMobyRek [52)是另一个基于手机的系统,使用地图和列表界面的优点有效地提供建议。比较地方和项目根据他们的特点是通过并排显示建议帮助我们决定。另一个产品,作为导游通过描述他们推荐的位置,当用户接近GeOasis [53]。它利用设备GPS定位旅游和旅行速度的估计时间可以做准备的解释。用户提供双向互动选项,使用语音识别或触觉界面。

如今,最新的技术,包括Android和iPhone平台是针对移动旅游推荐系统的发展有持续增加的用户基础。我们现在展示一些流行的系统,利用这些平台。MoreTourism [54)是基于Android系统利用视频、图片、mashup,地理位置和其他可用的特性来帮助用户获取信息。EnoSigTur [47)也是一个系统,它使用的Android平台推荐的地方,旅行路线协助,名胜古迹的描述。

用户可以按照他们提供的信息环境LiveCities推荐系统(55)这使得使用Android平台的通知服务。推动信息可能是文本,视频,音频,或者HTML。STS系统[56允许用户提供准确信息的利益,观点,和描述访问的地方,然后将它转变成一个强大的基于安卓平台的应用程序。这是通过一个用户友好的和直观的设计。

GUIDEME [57)是一个最近的系统可以表示为其设计和实现,因为它有一个兼容的手机和平板电脑的应用程序。iOS平台的设计与自适应特性,允许调整的屏幕尺寸从而使它可用在iPhone和iPad的设备。另一个基于iOS平台的系统是铁格栅(58]。

3.2。功能

我们描述了旅游推荐系统的通用功能特性在四组方法是基于推荐的建议和提供旅游包的内容,建议景点的一个特定的位置,设计的长途旅行时间表,和社交媒体的能力。在接下来的部分,我们对这些功能与相关的例子进一步置评。表1总结了旅游推荐系统的比较基于其界面和功能。

3.2.1之上。旅游目的地和旅游包

用户的偏好是考虑在某些系统提供的推荐适合用户。PersonalTour [59],发痒英尺[60],MyTravelPal [61年这种类型的)。PersonalTour使用是一个推荐系统,旅行社为了找到合适的旅游包按照客户的偏好。建议推荐列表的形式。然后从每个项目每个旅行社的评级可以通过客户。

痒脚允许购买服务预订行程,帮助,和其他服务的建议的位置。它使用内部数据库和外部数据源当用户搜索请求。其接口允许用户选择从结果项显示如机票或酒店的列表。

MyTravelPal [61年),按照关联用户感兴趣的领域,建议第一个图形。当选择一个区域,进一步列出推荐的旅游景点和服务基于用户的偏好。

3.2.2。排名列表建议的景点

旅游推荐系统通常提供建议只有在事先获得目标和成本等信息的用户。这将导致清单出许多景点,时间事件,和其他名胜古迹。因此,这些系统更复杂的系统分类和等级相关建议从一个巨大的数据库可用的信息。景点的建议列表帮助用户发现地方利益的一种有效方式,支持他在发现更多的位置。静态数据库通常用于存储元素的建议。一些系统利用网络的自动提取信息,以便更新的建议是保证(例如,Otium [46])。

一些推荐系统匹配用户的偏好,检查过去的旅行史的位置,也比较积极评论其他用户的位置提供一个建议列表。这是通过使用机制,比较不同的偏好和相似性不同用户配置文件和流媒体数据。语境因素,如用户的当前位置还可以考虑选择建议(58]。证明能力的列表也提供一些建议的系统(例如,48])。

自动检测用户的室内或室外的存在是一个更复杂的系统SMARTMUSEUM [74年),为此利用用户位置信息。当用户在户外,传统的地图表示,而当用户在室内,合适的对象清单基于用户的偏好。

3.2.3。计划路线

除了提供的列表点和位置相关的用户首选项,有一些系统,指导旅游路线计划在准备沿着几个地方。

CT规划师(41,71年]改进旅游计划提供基于用户的喜好和要求,选择计划。用户选择的步行速度和持续时间等因素被认为是计划的路线。雷达图表和卡通人物的部分界面,帮助导航提供更好的交互性。

在一些系统中,用户可以建立或操作一个初始计划建议包括活动和位置。用户可以重新排序计划和路线,增加更多的活动,安排他们根据他们的选择。最初的计划是设计的考虑各个景点的时间,距离之间覆盖着,预计访问时间。这种类型的推荐系统的例子包括EnoSigTur [47),城市旅行计划(62年),智能城市66年],Otium [46],e-Tourism [45]。Vansteenwegen和Souffriau77年)详细讨论这种旅行规划者的功能。SAMAP [78年和泛亚汽车79年)的一些先进的系统生成的建议,通过计算活动的可能性对不同的运输设施;交通工具,汽车,自行车,步行,或公共交通,是考虑。

地理信息系统(GIS)是注册的这些系统管理地理数据与推荐的位置和有关活动。根据(80年),大量的空间数据是不可以保持计算使用和利用的规划过程。因此,位置、距离和行驶方向已经从地理空间web服务技术获得现有连同ESRI ArcWeb服务。连续计算用户的位置和速度是由GeOasis [53]估计所需的时间达到一个位置,这样计划可以实时。预测是系统的关键方面决定用户是否会在路上,在一个城市,或附近的一个城市。规划算法只考虑最近的地方,如果用户已经在一个城市,假设他们没有计算更接近速度或路线。城市的景点是如果用户接近他们。算法变得复杂由于时间的限制,当用户在移动,但远离城市。计划是由客户机应用程序而不是服务器计算GPS确定位置的不断检查是必要的。谷歌地图作为外部资源来计算的路线。

检索完整的时间表以及路线可能由用户一旦完成。检索方法不同系统之间,如EnoSigTur [47支持下载PDF格式,包含地图是地理和详细解释。城市的旅行计划(44]和Otium [46支持下载的手机线路图和细节。

3.2.4。社会方面

社会功能所关注的一些项目(如[44,57,69年,79年]),从而允许用户交互和共享材料,如评价,评论,或图片与其他游客。这一方面促进推荐当用户的使用在一个特定的位置或活动。一些系统,如脚发痒60]和MoreTourism [54)允许用户组织事件或活动相似的游客除了交流和评论。e-Tourism [65年]可以考虑整个团队的游客的偏好和显示活动或路线计划。

iTravel [76年)允许对等通信共享评级和评论的景点。导航地图显示用户的位置附近的路线和景点。系统显示的是绿针和蓝针反映建议的景点和附近的用户,分别。

炼金术所使用的API访问系统(73年]为了运用情绪分析方法更新Twitter和Facebook这样的一个给定的吸引力分析确定用户是否提供积极或消极情绪评论关于它。该信息传达给用户的显示界面的绿色和红色的颜色表示一天中最喜欢的位置由用户和这样的企业是没有希望的。

使用社会信息的三个主要目标是(我)来提高预测的准确性,(ii)开发或设计新的混合推荐系统,和(3)来确定不同流程之间的相关特性和社会信息。

当社会信息包括在推荐系统中,项目可以由用户进行标注。大众分类法信息空间组成的三元组集合指定一个用户,一个项目,一个标签(81年- - - - - -83年]。

4所示。使用人工智能技术在旅游推荐系统

现在,我们短暂的最普遍的人工智能方法在推荐系统,利用旅游近年来。表2是一个比较旅游推荐系统使用的人工智能技术在本文的文章了。

4.1。可替换主体系统

代理智能地从环境中获取信息,他们行动完成分配的任务或目标。这些软件都是积极的和自动化。获得的最优解问题是可替换主体系统,一组代理操作的协调和合作的资源和信息共享88年]。

Turist@ [67年)实现了一个基于代理的系统中生成文化活动的建议。代理分配有关的每一个活动来维护一个数据库相关的事件和可用性的位置。博物馆都指定一个代理,因此被免除。图形化交互的用户代理提供了一个接口。代理代理接口的通信用户代理和代理之间的信息分配给每一个文化活动。用户提供了交互的能力为了查询,搜索,或评估建议。推荐代理作为Turist@系统的主要组件通过维护游客的用户配置文件。Automatic-dynamic调优的知识库完成从游客获得的启发在最初使用。这个最初的知识包括利益和文化活动偏好的用户。分析和查询过程进行最初的知识以完善他们。 Proactive suggestions are possible since the current user-location can be used to determine the activities that match the user preference. The system incorporates both CL and CB suggestion methods.

在Ceccaroni et al。79年),从用户修改配置文件获得最初的分析明确的评估和隐式活动的行为。概要管理代理除了初始化配置文件分类用户分成的组执行的基于游客反馈修改。这项工作提出了有信息服务代理为了查询旅游信息的数据库以及个性化代理实现CB方法提供建议通过选择项根据用户配置文件和数据。

PersonalTour [59)实现旅行社分配给特定的特性如酒店、景点或航班。在新用户的到来,偏好和利益引发处理然后一起实现代理获得一个适合旅行的计划。包的评价内容和用户段是可能的,从而被认为是一个隐式反馈,有助于改善剂的性能和使用系统所提供的建议。

卡斯蒂略et al。78年),李et al。43],Sebastia et al。63年)研究中的一些例子,系统是由代理的组合对应不同的操作组件,比如用户界面、偏好和利益抽取模块,分析和匹配模块,和路线规划和生成模块。为了保持系统简单,沟通和协调代理商保持最小,这是通过安排的顺序激活代理。这限制了代理商的功能而言的并发、分布式和协调。

4.2。优化技术

复杂的计划和时间表必须产生的推荐系统,导致情况解决相关问题是NP完全的最佳近似。计算复杂度通常被认为是在这方面权衡;因此,次优的方法在某些情况下也会被考虑。

蚁群优化使用李et al。43),在设计路线推荐系统的注册代理。获得最优覆盖沿着路线的景点在这里旅行推销员问题的近似解一组自治实体代表全球的蚂蚁和间接通过信息素中介沟通。遗传算法的规划建设城市旅游实现CT-Planner4 [71年]。它是一种迭代方法,考虑可能的计划随着人口与用户效用评价函数。迭代是变异和交叉后确定最佳人口。迭代导致选择最好的计划评估对用户偏好。在访问系统73年)自适应的建议基于用户上下文的关于社交媒体情绪等因素,提出了偏好,天气,时间,地点。人工神经网络评估建议使用的每个上下文因素之间的相关性和用户概要文件。

Vansteenwegen et al。44和加西亚等。69年)的一些作品,使用基于启发式的方法来开发旅游路线。另一个例子是城市规划师制度。迭代局部搜索也可以使用这种方法,一代又一代的解决方案对本地搜索可以迭代序列。不同解决方案的路线计划可以直接有效的启发式最优解之后,可以认为是最初的解决方案对本地搜索。迭代可以继续,直到达到一个阈值标准。在Souffriau等的研究89年的贪婪随机自适应搜索技术,查询迭代生成一组可能的位置或景点产生旅游的选择开始和结束的位置。因此得到过滤集最初建立的启发式阈值和随机选择了剩下的物品。

启发式和分层时序规划利用SAMAP系统(78年]。除了这些方法,推荐系统的旅游被广泛整合与专案规划方法,以生成个性化的路线和计划为一个特定的用户。还经典的人工智能方法由一些独立的领域也应用系统。

4.3。自动聚类

CL方法在旅游建议系统通常用于集团用户基于共同的属性和特性。这里,假设它是合适的建议所有其他组的成员一个活动或位置,被评为积极的用户组。根据用户的人口统计信息、用户偏好和评级历史是用来确定这些团体基于相似性通过应用基于人工智能的自动聚类技术。我们现在进一步考虑这种方法的选择。

最近的邻居方法用于确定哪一组必须添加一个新用户(90年),其中包括计算过去用户类似于[等新58,91年]。一旦新用户被分配到一个组,给出的建议可以对其他成员的利益和偏好。领域本体分析来确定一组的用户之间的相似性指数SAMAP [78年]。这里所必须重视的一个问题是可伸缩性。

另一种方法,通常用于类似的用户组则算法如Gavalas和肯特里斯[51和卢卡斯et al。72年]。在这里,是集群所需的数量对初始种子决心独立的应用程序。这是紧随其后的是迭代的对象,基于集群的计算最近的排序,并重新计算集群的原型。融合的解决方案是实现当重复迭代的对象在同一集群。的应用确定一组初始的旅游领域,则类相似的用户基于人口统计学和分类对显式反馈在莫雷诺et al。87年]。100通用的初始段类型的用户确定基于历史数据,包括30000份问卷。每一段有关一个原型和水平的偏好对每种类型的活动。基本信息是如何引起一个新的用户通过显式反馈形式可以充分用于将用户的组织和提供初步建议。旅游集团的组成、类型的住宿、预算和原产国的人口被认为是为了对用户进行分类。为了结合各种数据,运营商等聚合太阳能发电(92年]和OWA [93年使用)。

在Fenza et al。85年),的一个变体——方面的不确定性,模糊则提出,可以划分为簇的对象集,这样每个对象隶属度是在0和1之间。和所有集群的隶属度是1。该算法处理感兴趣的点(poi)和用户。一旦POIs和用户集群定义规则,描述它们,这样新用户或POI集群可以放在最好的拟合。关联规则还可以建在这样一种方式,他们捕捉POI集群和用户之间的关系和其他上下文的信息。获得的规则可以用来计算及其类型的活动,可以建议一个用户。在推荐系统中可以找到类似的方法(个性化旅游信息系统)72年]。

CL过滤方法,使用类定义的分组用户实现Turist@ [67年]。每当系统获得一个添加10个新用户,聚类是重做更新的类。在ClusDM [94年),用户兴趣和偏好以及相应的人口数据被用来建立一个类层次结构。所需数量的类可以通过分段树从而获得不同级别。

SPETA系统(95年]使用分类的支持向量机(svm)算法。为此,存储用户首选项的各种活动的形式和其相应的特征向量,而支持向量机可以用来确定合适的和最合适的建议,通过分析项目集和用户偏好之间的距离。

4.4。管理的不确定性

确定合适的建议用户是困难的计算关系用户人口统计,偏好,可用POIs的位置涉及到复杂的方法。这导致的不确定性系统,可以解决人工智能方法,包括近似推理技巧可以确定,这些不确定的关系。

贝叶斯网络是一个这样的可能性,即无圈图表示的因果关系或节间的影响可以在边缘。概率分析是用来确定可能的或最合适的父节点的。一个概率表是用于此目的。条件概率表包含节点的节点的父母。这个表显示的机会发生基于父节点的存在与否。许et al。86年)展示一个简单的方法,包括贝叶斯网络的概率来确定POI被考虑用户偏好的各种属性,如国籍、年龄、收入、职业、和旅行目的。提出网络认为用户的概率可能更喜欢一个活动或位置是影响因素,比如年龄,性格,和职业。中指定的活动或事件并不是使用网络。

模糊逻辑也广泛用于处理各种系统的不确定性。语言变量值处理由该方法操作一系列的值。属于一个模糊集合的变量映射到相应的值的模糊隶属函数,结果值在0和1之间。因此,一个泛化的标准逻辑。模糊逻辑可以用来表示用户偏好和人口和可能的项目和活动列表和地图用户选择一个项的可能性(43,95年]。的类似的用户组或特定用户对其他用户或组可以确定使用模糊逻辑分析[72年]。上下文方面的表现与旅游路线或路径可以做到(73年]。

在推荐系统中,模糊的组件是避免使用基于规则的方法。音乐会系统[96年需要建议的生成规则,考虑用户上下文和偏好。

4.5。知识表示

旅游推荐系统需要领域知识的表示方法,是高效和有效的推理机制,如在任何知识或基于规则的系统。人工智能技术是发现足够的代表和建立知识库,并推导出原因。特别是,本体现在广泛应用的领域知识表示。类代表层次关系描述的概念和分类,nontaxonomical是这种系统的重要组成部分97年,98年]。除了这些公理和特定对象,其他组件通常被认为是(99年]。

在一些旅游推荐系统的,基于本体的形式化的领域知识。文化活动的建议是由考虑通用本体信息存储各个方面,如王et al。49),形成对方面如餐馆、购物、交通、住宿、旅游和文化包括通用本体。用户本体建模考虑用户偏好和人口统计数据。在GeOasis [53],SAMAP [78年],SMARTMUSEUM [74年),有包容的本体建模的各种用户活动和项目和语义推理。本体再次用于相似度测量和演绎的类似的项目或组织以及CL过滤方法被用来生成的建议。

在e-Tourism [45,63年,65年),广泛使用基于本体的方法。领域本体的一个城市的各种活动和事件的细节。本体是用于SigTur组成概念大于200,僧侣的安排在5水平。

SigTur,存储的用户偏好本体的每个节点与置信水平的偏好。对这些本体引用的初始化是引起的新用户的帮助下一个小问卷。系统更新信息的传播和蔓延从子节点到父母当用户与系统交互。交互可能是搜索,添加某些活动生成的计划,或任何提供了额外的了解用户的使用偏好。因此,根据本体(动态管理用户首选项68年]。同样在e-Tourism推荐系统,优先更新的分析之后,明确用户评级。

一组本体而不是集成单本体提出了一些系统。在泛亚汽车79年),分离本体维护等活动和地方娱乐,餐馆和酒店。工作提出了本体基于用户模型的链接基于用户的刻板印象和W3C的本体财团时间标准和基于地理定位。在音乐会96年),使用“ContOlogy”即包含11种不同本体相关的属性,如服务、旅游、偏好、动机、或活动模型本体网络,认为所有旅游相关的上下文。

通常设计和开发本体的推荐系统是人工建成的一种特别的方式为特定的应用程序。在[One hundred.),本体人口自动化以最小化其建设成本。这是通过电子资源的分析。

5。基于位置的社交网络

不止一个的个人连接在一起超过一种类型的关系(例如,朋友、家人的共同利益,和组)被称为社交网络(101年]。一个真实的社交网络服务可以数字代表。社交网络不仅提到了用户的网络,还增强了他们的活动。一个用户的活动取决于他们的实际想法和分享文章和事件,并喜欢。

基于用户位置的社交网络数据加强社交网络活动,也提到这个位置的社交网络服务。提出的基于位置的社交网络的正式定义是郑(102年]。

基于位置的社交网络由人民在他们的社会结构物理位置共享嵌入式系统的信息的位置。创建新的结构,当一个用户连接到一个位置一个社交网络。用户来自他们的位置的位置标记的媒体内容和其他活动(如照片、视频和文本)。用户物理位置由个人位置在当前时间和它们的位置与特定历史时期。如果一个或更多的人有相同的位置以及类似的位置历史,它不会影响我们的社会网络结构。这种结构还包含个人行为、活动和其他信息。

基于位置的网络的概念展示了新的地点,除了旧的相关性。的新信息,图形构建成三种类型的基于位置的社交网络,如位置图形,用户位置的图形,user-user图。

(我)位置图表。在这个图中,用户连续访问两个地点之间的边表示节点位置图形的位置。优势的两个地点之间的关系由边缘的重量。

(2)用户位置图表。用户和位置是用户位置的两种类型的实体图。用户的访问位置由边缘表示从用户开始和结束在一个位置和访问的数量按重量计算的优势。

(3)User-User图。基本上一个节点是一个用户和两个节点之间的边表示两个关系。两个用户之间的两个关系是现有的社交网络和用户的一个新的位置。

三组的基于位置的社交网络服务是geotagged-media-based服务,基于位置的服务,和trajectory-based服务。

(我)Geotagged-Media-Based。位置标记地理标记添加的媒体内容的用户服务。新内容的用户是被动地添加到物理世界和这个内容的地理环境是被用户。这包括在基于位置的社交网络服务网站(Flickr, Panoramio, Geo-twitter)。社交网络服务仍然关注媒体内容,因为用户是基于媒体本身之间的联系。

(2)基于位置的点。一些应用程序像foursquare和谷歌纬度主要关注人们当前的位置,如宾馆或公园。Foursquare应用程序用于指出最多的个体数量的签到和一个受欢迎的人群评级较高的地方。可以发现用户的实时位置社交网络,这使得社会活动的用户在现实世界中。这些实时位置社交活动是很有用的邀请人们与用户共进晚餐或去购物。

(3)Trajectory-Based。点位置和路线连接点位置由用户和记录被称为trajectory-based社交网络服务(如自行车、SportsDo和微软GeoLife)。通常情况下,用户的体验是由他们的标签,如照片,媒体,和技巧,也沿着轨迹和这些服务是用来记录用户的基本信息,如距离、时间和速度。除了社交网络服务,trajectory-based服务系统还提供个性化的信息的用户在何时何地。

5.1。独特的位置属性

三个独特的基于位置的社交网络的属性是分等级的,可测量的距离和顺序排序属性如图4。

5.1.1。层次属性

多尺度位置跨度;的位置可以是酒店或城镇,这取决于用户的位置。不同粒度的位置形成一个层次结构;面积较小的位置也与地理区域。每个位置都有关系;例如,酒店属于一个社区,社区属于一个小镇,小镇属于一个国家;位置图表和用户位置图表位置粒度在不同层次(图4(一))。水平较低的层次关系取决于用户位置共享和更高水平位置共享。低水平的连接比更高的水平位置共享。这是一个独特的基于位置的社交网络的属性。

5.1.2中。可测量的距离

新地理空间距离关系有三种类型的基于位置的社交网络,连接到物理世界,不同用户的位置和他们的距离,用户和位置的距离和距离两个用户的位置。地理学第一定律指出,“一切一切有关,但附近比遥远的相关事情”(图4 (b))。基于位置的社交网络受到的影响user-user距离之间的相似性;例如,用户有更多的访问量最大位置偏好(103年),用户感兴趣的特定位置,因为位置接近家园,例如,酒店,公园。位置之间的相关性也会影响基于位置的社交网络,因为有些地方相互接近。

5.1.3。顺序排序

用户的按时间排序是用来提两个地点的后续访问。例如,我们考虑两个用户访问模式如图位置4 (c)。对于每个用户访问,我们可以创建一个顺序的类似的位置和喜好。

5.2。挑战在LBSNs建议

新LBSNs有三个位置的独特属性。LBSN独特属性的位置上下文感知、异构域和增长率。

5.2.1。位置上下文感知

需要什么样的推荐系统LBSNs考虑用户当前位置,用户位置的历史,和其他用户的影响位置历史吗?

5.2.2。一个用户的当前位置

由于以下原因,当前用户的位置更重要参数为LBSNs生成推荐系统。不同层次的位置粒度是由用户的当前位置。在推荐系统中,很难选择一个合适的粒度。如果我们选择酒店的位置有一个细粒度的用户,然后相对粗粒度表示位置的用户。

最常访问的位置是靠近用户相比,位置在远方;这意味着房地产的位置的距离。也的位置是非常重要的质量使LBSNs因为排名推荐系统的推荐系统基于位置的质量和位置接近用户。另一个挑战是对收集用户的细粒度的位置,因为它是使用移动频繁更新。通过使用高效的算法,利用LBSNs能够解决这个问题。用户当前位置影响未来的旅行计划由于位置顺序属性。例如,更多的人随后前往镇上拜访一些重要的地方。

5.2.3。用户的历史位置

用户的偏好由强大的历史表示用户的行为(104年]。LBSNs提到用户的历史位置,也反映出用户的偏好,经验,和生活模式相比,用户的在线行为。不容易模型的位置历史用户因为历史位置取决于距离,层次结构和连续属性的用户。基于用户位置的历史我们必须学习用户的个人喜好。由于以下原因,它在LBSNs是非常具有挑战性的工作。具有挑战性的工作是我们创建用户偏好从稀疏的位置因为全套的位置历史数据的用户不存在。用户的位置偏好不仅局限于酒店和购物地点,因为用户有多个类型的利益:骑自行车,运动,电影,艺术等等。用户的偏好也粒度和遵循一些分层的像蛇一样的步骤食物披萨。用户的偏好总是依赖他们的位置。

5.2.4。其他用户位置的历史

社会舆论是最重要的信息之一,依据推荐系统做了位置历史生成的其他用户。我们提取的位置历史社会意见;它不是简单的因为我们面临以下挑战。用户改变位置的连续表示历史是一项复杂的任务。 为每个位置,用户有不同的知识。例如,本地用户专家知识找到高质量的酒店和购物中心。很容易接口用户的经验和知识社会的意见。从这个用户的偏好,我们创建了一个庞大的用户位置数据。但是对于所有位置,相同的用户没有这么多知识和位置数据。

5.2.5。异构域

LBSNs异构图形组成的用户和位置节点和三条边user-user,位置和用户位置的边缘。LBSN是由至少三个紧密关联图模型。的轨迹可以消除LBSN社交网络的另一个节点。LBSN位置是一个重要的对象,还包括用户信息。两个用户之间的连接是推断异构图形的两个对象。两个用户之间的相似度是通过他们的位置信息共享和将增加两个用户之间的连接强度。

. 5.2.6。的速度增长

基于位置的社交网络的增长速度比正常的社交网络。LBSNs有更高的链接、节点和社会结构与正常相比。学术的社交网络是异构的结构和组成的会议与作者和论文。对于这个社交网络,添加新链接比LBSNs更加困难。将位置添加到LBSNs比学术文章容易社交网络。LBSNs的增长率上升效率高和标准推荐系统可伸缩性和更新新的位置。因此,研究需要一年LBSNs关于用户的经验。

图5显示了不同类型的社交网络,社交网络等学者,一般在线社交网络,基于位置的社交网络。

6。沃克提出位置推荐系统使用社交相关的信任算法

在本节中,我们提出一个社会相关信托沃克推荐算法有效的位置。在提出建议的模型中,位置,建议用户基于位置的社交网络的预测。社会相关信托沃克算法决定了评级得分的位置基于现有的评分评级类别相似的位置。位置分类,计算评级得分后的位置有更多的关联推荐给用户。

社会相关信托沃克算法引入透露更多有关建议和提出建议更有用。提出的建议是描绘在图模型6。拟议中的位置推荐系统包括四个主要部分,即用户界面模块,评级预测模块、推荐模块,基于位置的社交网络。

该模型可以重组如图7。在该位置推荐系统中,用户的交互是通过用户界面模块。然后,用户请求转发到评级预测模块。这里的评级类别的位置通过提出社会相关信托沃克预测算法。该算法的扩展版本提出的随机漫步贾玛利和酯105年]。预测位置的评级类别,基于位置的社交网络使用数据。然后,计算评级是转发到推荐模块,评级是用来制作列表的地方LBSN数据的建议与帮助。

这项工作的主要成分是基于位置的社交网络的用户之间的信任。图8是表示位置的建议基于信任LBSN增强。每个用户可以调用不同类别的位置和利率的位置分类基于他们的经历。在一个情况下,当一个用户请求一个位置的建议,为特定用户评级计算和预测评级越高的位置推荐给用户。因此,利用LBSN数据和评级的提高推荐的准确性。

一般来说,用户设置和位置类别设置的主要组件是基于信任的推荐系统位置。用户评级表示通过一个称为评级矩阵的矩阵,它可以用。评级可以是任意整数范围内。通常,评级的范围是1 - 5。一个表示不喜欢,5表示喜欢。在基于位置的社交网络中,两个用户之间的信任用实数0,1。信任的表示是一个完全信任和零意味着没有信任。用户间的信任是通过一个信任矩阵来表达的。在信任矩阵,用户或用户之间的信任关系是用非零值。最后,位置的问题类别推荐可以定义如下:用户请求一个类别的位置评级是未知的,因此评级的预测为用户虽然利用评级矩阵和信任矩阵。

6.1。信任的相关性

这是众所周知的事实,用户之间的信任关系LBSN不会直接帮助提高精度的建议。但位置推荐的信任用户的类别可以被认为是更可靠。通过这种矛盾,建议位置的类别可能会影响预测的评级为特定用户偏好的差异,兴趣和观察。因此,考虑到用户之间的相似性和信任关系可能更有助于解决上述挑战。

两个用户之间的信任关系和可以被定义为在哪里是用户之间的相似性和和用户的信任程度吗用户。之间的信任程度,计算用户使用现有的算法基于历史交互的用户(106年]。通过计算信任连接用户基于位置的社交网络之间的相关性,可以获得加权LBSN。为了计算用户之间的相似之处,使用矩阵分解。定义矩阵分解,用户位置分类评级矩阵可以分解成矩阵,即和,

两个用户之间的相似度和可以计算如下:

6.2。社会相关信托沃克算法

提出工作,SPTW算法被设计去发现有趣的类别的地点特定用户的基于位置的社交网络。SPTW算法若干次迭代后达到最终的解决方案。对于每次迭代,从目标用户随机漫步发起在加权LBSN。同时到达th一步可信LBSN随机游走的是达成的过程。如果额定位置分类推荐,,那么这个评级作为迭代。其他基于随机游走将终止。另一方面,沃克的信任基于1 -继续走时,一个目标用户信任加权LBSN的下一个节点。

算法1是一个信任行走模型计算评级类别为特定用户的位置和评估使用实时的基于位置的社交网络数据集(foursquare)。结果证明算法是最优的,显示了更好的性能评价指标,如保险,精度测量。相比现有的信任模型走,该算法显示精度的改善建议。基于位置的推荐类别提出社会相关信托沃克算法,顶部的列表最近的位置将显示给用户。

SPTW算法在数据的工作9(一个)和9 (b)。用户之间的边缘都有概率作为的重量。让我们考虑位置类别这被认为是向用户推荐吗。在信任的第一步走,如图9(一个),选择下一个节点和目标节点基于大概率优势价值。如果用户额定位置类别吗与评级ratex,相信走将返回的结果ratex。如果没有达到终止条件,迭代继续第二步。在这个步骤中,用户选为指定的图吗9 (b)。检查用户是否再次算法额定位置分类。如果用户没有额定位置类别,但是已经达到终止条件,则算法从列表中选择最相似的位置分类类别用户的位置额定。选择的概率是基于类似的服务。选择相似位置的评级类别用户打分将被分配ratex并将结果返回的迭代。

7所示。小组建议

拟议中的SPTW推荐模型扩展到集团推荐特定小组的成员。POI的流行组中起主要作用的建议。该集团推荐模型显示POI的小组成员呼吁旅游的建议。提出模型的位置分类的基础上特定的POI和POI的流行是用来找到相关位置。

总的来说,小组成员可以基于用户偏好的同构或异构的位置。SPTW基础组推荐模型(SPTW-GRM)利用每个用户的利益集团以及感兴趣的位置类别从他们的社会形象。感兴趣的位置分类重复的组成员的用户配置文件是用来形成一个组概要。创建的组概要复制共同感兴趣的位置分类评级较高的用户的组。之后,基于位置的类别关系属性,提出推荐模型确定POIs的确切类别尚未分配的数据集。POIs的综合排名是通过计算提出了特别小组集体排名函数。POI的一般计算排名是基于POI的流行和POI的考虑分数。POI的流行代表所有用户的意见和他们的反馈关于特定的POI。POI的考虑分数反映的重复位置类别的组概要。基于SPTW集团的流程和工作推荐模型见图10。

7.1。组概要的一代

基于提出的主要目的SPTW组推荐系统是生成POIs的用户列表通过分析小组的每个成员的偏好。系统创建了一个组概要所有用户的偏好相结合在一起,形成群体的偏好。改编自一个聚合组概要创建模型合并个人用户为一组(107年,108年]。反映了小组成员的组合利益集团对位置类别。

该模型发现有趣的位置类别的特定用户组分配相关位置类别给用户。个人用户类别分类的位置,它代表用户对POIs的利益。然后,SPTW-GRM创建一个常见的组概要的成员组和概要文件包括常见的位置类别分配小组成员的个人资料。类别与更高的位置重复的组概要显示了用户的兴趣对这个位置类别和它有更多影响POI建议相比,位置较低的类别重复。图11显示了创建的组概要SPTW-GRM考虑位置类别可在小组成员的个人用户配置文件。

7.2。位置类别属性的关系

SPTW-GRM取决于位置类别关系类别属性之间的相似度计算两个位置。相似度计算过程有助于识别更多的相关POIs应该被认为是最高的一部分列表。类别关系属性也被用来确定位置的考虑分数POI有关特定的群体。位置计算广泛的类别关系属性相似度的计算过程提出SPTW算法。SPTW-GRM采用了使用的相似性计算模型SPTW算法和分类位置/ POI根据其特性。

7.3。发现有关POIs推荐

LBSN上可用POIs的数量很高和找到一个相关的POI在广阔的列表是一个复杂的任务。分析每个POI对小组成员的利益并不是一个有效的方法来产生推荐。减少的数量比较,SPTW-GRM遵循一个特定的过滤机制创建一组位置分类,必须考虑POI的建议。的具体过滤机制SPTW-GRM认为小组成员的个人位置分类,包括位置最相似类别的列表。从类别描述了POI位置,位置类别也可以反映群体的利益。推荐POIs群体偏好的结果在位置POI所使用的类别。

7.4。小组推荐一代

在发现相关组POIs的基于位置的类别,这是推荐的用户组,SPTW-GRM收益计算排名POI基于声望的POI和POI考虑分数。两个特性结合在一起,形成前POIs的建议。注意,前推荐POIs会考虑有更高的分数对特定组织考虑。

7.4.1。POI的流行

POI的流行是用来找到它受到全球用户的评级。通过这个考虑,用户的满意度水平通过蠕虫(口碑)和反馈系统。POI的公共利益所表达的一般用户评级LBSNs。上的高评级POIs LBSN更高等级时考虑的建议。流行POIs LBSNs吸引更多的用户和更有签到。SPTW-GRM分析POIs的签到和评级基于群体类别和位置考虑用户的利益。如果POI的流行是单独考虑这些建议,然后建议可能的相关性程度低,早期的研究表明,这些建议是无用的。加强POI推荐的准确性,应考虑POIs的流行以及用户的个性化需求。被SPTW-GRM的POI的流行是一个决定因素为所有用户的签到信息生成建议POIs LBSNs。

7.4.2。考虑POI的分数

POI的声望计算并行,SPTW-GRM计算考虑为POI的组分数。一组用户的兴趣程度的POI是由SPTW-GRM通过计算考虑得分。考虑分数收集所有位置的位置属性类别关系群体成员感兴趣的类别。POI的CScore组被描述为在哪里位置类别关系位置的属性类别吗和兴趣点(poi)。的重复的组概要位置类别和表示最大重复的组概要。的是重复的表示特定的POI的价值吗表示最大的POI列表中重复。的重量,用于位置类别和兴趣点,分别。是代表用户的利益位置的指标类别。更大的价值显示更多的位置分类的重要性。SPTW-GRM认为所有这些加权属性考虑分数而生成前POI的建议。

7.4.3。一般等级计算

经过计算整体人气和考虑每个POI的分数,SPTW-GRM估计总体排名POI CombMNZ,李提出的测量线性组合(109年]。CombMNZ用于许多数据融合模型和需要的多个又项目考虑到计算斜的项目相结合。POI的CombMNZ模型可以表示如下:排名列表的数量被合并在哪里用。换句话说,是排名的数量列表作为输入。所有非零的归一化计算分数的的排名列表是被合并。在计算总得分排名POI之前,个人的评级应该转化为一系列使用以下方程:在哪里评级POI的吗和和代表POI的最大和最小功率。

SPTE-GRM利用POI的流行和考虑POI的分数计算在前面章节基础并通过上述方程可实现价值。的价值被分配在CombMNZ 2计算,因为只有两个输入集,也就是说,声望分数和考虑得分。POI的综合排名得分和SPTW-GRM建议前决定有关POI组成员。通过利用数据合并模型,提出探索工作的效率考虑分数和声望分数POI的有效的建议与更高的人气和相关性。

8。实验评估

在本节中,我们展示了实验的结果来评估社会相关信托走算法的性能通过foursquare的数据集。该模型是实现Java JDK 1.7英特尔酷睿i7 3.1 GHz的机器上有16 GB的内存运行微软Windows 7。即将到来的部分描述数据集实验结果和评价方法的讨论。

8.1。数据集

Foursquare是一个基于位置的社交网络拥有用户以前访问的位置。位置是称为场馆和访问称为“签到”。Foursquare是一个真实的数据集,由用户评级场馆和签到用于评估建议的质量(表3)。foursquare数据用于我们的实验装置提取用户的社会关系。这个数据集包含了2153471用户,2153471签到,1143092,2809581评级,27098490信任关系已从foursquare中提取应用程序通过公共API。由于没有用户基于性别的分类数据集,我们采取了分类模型分类用户匿名到男性和女性进行评估的目的。可能的用户数据的数据集划分为男性用户和女性用户集。

社会相关信托沃克算法的评估是通过比较它与下面的最先进的方法。Golbeck [110年]提出了TidalTrust模型生成评级为用户通过信任推理算法。马萨和Avesani111年)设计了一款被称为MoleTrust,目标用户的信任分数将通过走预测社交网络。TrustWalker贾玛利提出的是一个随机游走模型和酯105年),利用相似性和信任。邓RelevantTrustWalker是TrustWalker的扩展引入et al。112年),使用的用户之间的信任程度预测评级。

评价的SPTW-GRM POI推荐小组成员是foursquare的数据集上完成。作为个人用户的数据集,我们已经创建了一个修改评价过程的数据集。由于没有基准数据集用于POI为集团用户的建议,我们已经适应熟悉方法为评估过程的用户组。一代的用户组的基础上进行均匀性和大小。我们已经适应组大小从2到8小组成员之间达到更高的共识(113年]。基于相似用户,组分为三种类型,即随机的,不同的,高度相似的团体。计算用户之间的相似性在哪里代表POIs额定由用户的集合和兴趣和poi是一个点代表POIs额定由用户的集合。是两个用户共享的poi的限制和。作为传统的评级量表从0到5,可能被认为是高和低的相似之处。基于相似性的分数计算,foursquare的用户数据被分组为高度相似和不同的组与组的大小从2到8。我们也评估随机用户组创建的目的。随机的组可能包含相似的用户或不同的用户,但其规模的用户范围从2到8。组形成统一的凝聚力。

8.2。评价指标

我们采用基准评价指标评估的性能和准确性提出SPTW推荐方法和结果与基线相比推荐算法。一般来说,推荐算法的准确性由均方根误差分析,我们也采用RMSE确定错误生成的建议在哪里是真正的评级的用户给了类别的位置吗和预测评级的用户吗类别的位置。用测试的总数评级。较大的RMSE值表示推荐算法的不精确而RMSE值越小表示算法的准确性。

由于高稀疏的数据集使用,一些推荐算法不能够预测评级。利用用户之间的信任增加了覆盖和查准率。覆盖率指标是用来计算生成的预测价值把用户和类别的位置。在任何情况下,如果推荐算法不能够预测用户之间的相似性和类别的位置,那么就说这个算法不覆盖位置的特定的用户和类别:在哪里表示评级预测和数量表示数量的评级进行测试。

RMSE可以组合成单一指标和覆盖范围测量。计算测量,它是必要的,以确定精度值。可以从RMSE获得精度值。这样计算,RMSE值应该转化为精确度量范围从0到1:

在上面的方程中,RMSE除以最大可能误差,也就是说,4。在这里,4是最大可能误差由于评级在1到5的范围。

测量是由使用范围和精度如下:

NDCG是常规心电图的标准化版本定义为(折扣累积获得)在哪里是每个用户的收益(当兴趣点(poi)建议poi的位置在推荐:

在这里,是理想的常规心电图,pois排列顺序递减到的位置吗关于。

的列表的兴趣点,平均NDCG定义如下:

美是平均绝对误差用来评估该模型,它被定义为在哪里表示用户预测评分芋泥和代表实际评级和是用户和利益点的集合用于测试目的。

8.3。实验结果

各种实验结果比较推荐结果和绩效评估不同的算法提出了分段。实验结果的表4和图表的数据12(一个),12 (b),12 (c),12 (d),很明显,没有完全获得信任的基础算法的推荐精度。虽然其他模型考虑信任的用户建议,提出SPTW结合用户和用户之间相似性的信任以及当前位置。的准确性,SPTW已经改进了很多比其他方法和推荐更好的性能比其他算法。显然,SPTW RMSE较少与其他算法相比,由于基于信任和选择适当的用户相似性的覆盖率SPTW也很高等算法。同时考虑的指标测量,SPTW执行很好与其他算法进行比较。由于巨大的数据集的大小,位置推荐所花费的时间也应该视为一个评价因素。图12 (e)描绘所花费的平均时间成本消耗的各种算法的考虑。因为信任计算有点额外的任务添加到预测和推荐过程,它使计算时间成本产生影响。相对于其他模型,考虑用户之间的信任,SPTW花费更少的时间,因为在每一个迭代或者走路,SPTW选择基于概率和目标节点信任的相关性。这种方法使得SPTW算法更可靠,有助于更快地通过提高计算效率提出建议。

SPTW算法的评价及其POI推荐得分作为评估传统的信息检索系统。因此,我们已经调整了著名的评价指标NDCG(标准化累积获得折扣)和梅(平均绝对误差)。NDCG用于确定该模型的性能,通过分析相关POIs在推荐列表中。美是用来发现的错误数生成的建议。梅的大值显示了更高的错误的建议。数据(13日),13 (b),13 (c)描绘NDCG比较重要的是,男性和女性用户,分别。调优参数扮演一个关键的角色在SPTW算法的性能。权重的调优参数是用来识别SPTW算法在不同数据集的最优性能。获得最佳性能在所有用户和男性的数据集为所有NDCG@5、10和20。女性用户的数据集,当获得最佳性能NDCG@5和NDCG@10 20。梅的比较男、女,所有用户数据集在图中进行了描述13 (d)。作为用户的行为选择随机选择不同,也要考虑数据集非常稀疏。数据集的稀疏可以解决使用调优参数。梅的结果表明,当调优参数SPTW显示乐观的结果,它可以在未来实验和评估。

集团推荐评估基于SPTW-GRM均匀分布群大小从2到8。SPTW-GRM的性能评估使用NDCG和梅的性能和效率。SPTW-GRM是foursquare形成组织数据集上实现基于相似用户之间是高度相似的,随机的,和不同的团体。POI的流行和考虑分数增加团体的准确性。的完整比较NDCG图表示(14日),14 (b),14 (c)高度相似的,随机的,分别和不同的团体。梅的比较高度相似,不同的,随机的用户是描绘在图14 (d)。SPTW-GRM的结果之间的差异不同群体的不同用户的大小显示了统计学意义的工作。从观测结果,完成确定小组成员的各种团体的一致性。高度相似的组织保持较高的一致性水平相对于其他组。这个集团的建议迅速生成相比其他两种类型。随机团队接下来的性能和不同的团体举行最后的位置在性能、效率和精度的建议。作为下一步SPTW-GRM的评价,分析了模型的效率为各种组织大小无论其类型。所有组大小的计算处理时间和平均。平均处理时间增加随着组的大小增加。平均处理时间的趋势表示SPTW-GRM和图的可伸缩性(15日)代表集团用户的平均处理时间。我们也评估所有类型的用户集通过平均处理时间来确定效率。平均处理时间的比较SPTW-GRM为不同类型的用户集描绘在图15 (b)。平均处理时间显示推荐的一代所花费的时间取决于大小和均匀水平之间的用户组。SPTW-GRM的结果表明,一个用户可以影响其他用户的意见。换句话说,一个用户的满意度会影响另一个用户的组通过生成的建议。

9。结论

这最后一部分的总结提出了工作,它描述了应该考虑的重点研究的目标是开发一个推荐系统。本文通过创建一个影响几个未来的工作挑战的轮廓在该地区推荐系统的设计和开发。通过分析接口使用的推荐系统,它是很好的注意到移动平台的最近发展已很少使用。聪明的移动平台开发与当前位置等个人资料可能有助于提供精确的推荐给用户以一种改进的方式。大多数旅游推荐系统缺乏个性化、交互性和自适应性。尽管TRS提供的利益点,他们的建议根据用户首选项,系统仍然需要用户手动帮助建立他们的旅行。一些研究试图解决的问题自动性旅游规划服务,但仍自动旅游计划的问题仍有待解决。这是一个新颖的问题,用户可以利用的社会信息和上下文来解决这个问题。

每一个经典方法(如合作、基于内容和人口)患有各种问题在向个人用户提供个性化的推荐。混合推荐模型的趋势以及用户的上下文信息可能解决这些问题的个性。使用隐式和显式的用户偏好与语义模型扩展地址推荐过程中不确定性的问题。一种人工智能技术,如知识表示是常用的推理推荐过程。自动聚类算法可以用来分类用户和优化技术可以部署生成成本有效的推荐给用户。调度问题的复杂性和规划路线生成过程是一个新颖的问题在旅游路线的建议。获得更多的信息从用户的最好方法是开发他们的社会网络数据。因为旅游领域非常社会在本质上,这些数据可以帮助很多推荐系统发展的基于用户的利益。利用社会数据,如登记行为,评级,社会关系,和最近的工作面积可以帮助发现更准确的旅行建议,更适合用户的口味。

每一个推荐系统,它是非常重要的具体信息用户和他们的利益作为一个概要文件。开发新的学习机制来分析用户与系统的交互及其转换成用户偏好的能力可以提高推荐系统的动态性在提供建议。可以使用作为一个混合方法利用本体语义的方式来表示用户的偏好,这种方法可以克服困难与文本信息缺乏个性化。位置信息已经被很多推荐系统使用,可随后利用设备传感器的数据,如射频识别信号,天气温度、和健康指标/信号。最初,推荐系统关注过滤机制来提高推荐的准确性。现在,混合算法结合各种因素影响数据已经考虑模型发展的有效建议。

快速增长的社交媒体网站建立社会推荐系统创建了一个广泛的机会。集群的用户,根据他们的口味相似度量,可以产生良好的建议以更高效的方式。调查的影响等问题的朋友和他们的距离,时间序列信息,获取个人用户的口味,使隐私和安全的用户和他们的数据,用户的动态变化和地方,异构数据的自动化分析通过一个灵活的框架,实际情况影响改善性能和冷启动问题可能被认为是发现和开发新的混合推荐系统。作为一个重要的结论,推荐系统的成功完全取决于用户行为的有效学习和一代的用户可接受的建议。

位置推荐系统提出了使用foursquare数据集和评估。沃克评级预计通过社会相关的信任算法。结果与其他现有TrustWalker方法相比,即TidalTrust, MoleTrust TrustWalker, RelevantTrustWalker。从实验结果观察,RMSE报道,精度测量提出了基于SPTW位置推荐系统达到最佳性能。相对于其他模型,考虑用户之间的信任,SPTW花费更少的时间,因为在每一个迭代或者走路,SPTW选择基于概率和目标节点信任的相关性。这种方法使得SPTW算法更可靠,有助于更快地通过提高计算效率提出建议。

基于SPTW位置推荐系统扩展的用户组。系统评价的用户组建议通过组织形成的foursquare的数据集。组的大小范围从2到8组被列为高度相似,随机的,不同的。组进行分类的基础上统一用户之间保持凝聚力和束缚。结果评估基于NDCG和梅指标。评估过程的推理结果表明模型的效率和性能降低随着组的大小增加。结果表明,群体的最终结果有更多类似的用户执行相比,随机的用户和不同的用户。平均处理时间各种类型的组织也支持推荐的性能推理结果。SPTW-GRM证明其效率和性能两个建议为个人用户和组的用户。

9.1。未来工作的指导方针

在本节中,我们很快的话检查目前的重要问题在e-Tourism推荐系统框架的发展领域,如(我)扩大的建议提供给客户端;(2)利用社会信息在当前的Web 2.0应用程序访问;(3)改进建议的变化通过利用智能手机的额外能力。

基于内容的系统在旅游的必要性是什么?主要集中的基于内容的系统推荐用户根据自己的配置文件,通过生成用户特定的结果可能吸引用户。在旅游领域,这可能被视为旅游推荐系统的一个重要问题。一些推荐系统试图推广新的斑点或活动,使无效的建议。一个好的旅游推荐系统为用户提供广泛的建议,并允许他们选择路线和活动。列表中用户的吸引力应该同步评级限制为了保持质量的建议。使用多种技术来过滤推荐生成的活动在这一领域是一个新的范围。项目分成组具有类似属性的聚类是一种有效的机制在推荐过程中建立一个良好的建议利用每个集群的物品列表用户特定的命题的旅游兴趣。

是增长的Web和旅游推荐系统视为一个问题吗?在目前的情况下,推荐系统使用基于web的应用程序的强度与他们的社会网络曝光。通过社会的工具,网络应用推广使用协同过滤等过滤机制。众所周知,这些协同过滤技术允许项目评级和收集数据的用户在社会层面和个人层面。系统使用这种机制被称为社会推荐系统。这些可用的社会工具可以用来区分商品的用户从集群的集群。在现有的工作中,用户持有相关标签云相关的概要文件和另一个标记是为了他们的利益。这种类型的数据是用来发现用户和项目之间的巧合。一些旅游推荐系统获取数据的连接的用户以及分析维基搜索和阅读。这些推荐系统利用这些数据来计算用户的满意度为特定的文章。另一个现有的推荐系统保持社交媒体的用户考虑的联系信息和查看其他用户之间的通信。 The main concept while considering the social recommender systems is trust. Trust is very important challenge as it deals with the ratings of the items and the reliability of the user. While addressing the issues in the segment of trust in social recommender systems, the significant aspect to be considered is that the user with higher reliability score should be treated with higher weights compared to others with the lower weights.

为什么适应性被认为是非常重要的旅游推荐系统质量?旅游的一个独特的特征域是推荐系统已经使用的地方,因为它适应用户通过生成的建议,帮助他们在不同的地方和不同的时刻。这些旅游推荐系统已经开始融合环境感知机制。这种方法的成就是因为深远的利用率的智能手机。众多的旅游推荐系统继续运行的移动设备,因此用户的位置可能被利用在过滤过程中展示的物品。与现有系统,增强位置的考虑必须修改。当前用户的位置是很重要的。但是随着它,其他景点参观的意义已经也应该分析和使用的建议。在旅游推荐系统中,不同的亮点被认为是作为一个事件的相关数据。例如,目前的气候分析选择合适的户外或室内活动推荐。

在TRS混合推荐模型的要求是什么?旅游推荐框架,五花八门的上下文模型被认为是用于构建定制的路线安排。提取的上下文数据整理在一个秩序,与特征识别与气候、旅游交通、安全(如停车,移动连接,和医疗设施),服务设施(汽车加油站等),和度假景点(海滩,娱乐的地方,捕鱼区,等等)。上下文是位置的一般定义的四个主要参数(例如,用户的当前位置和点的位置)、时间(时间由客户端实现现货,打开/关闭时间,等等),气候和自然条件(如温度、闷热、降水,风,季节,一天的片段),和社会元素(附近的客户数量的位置和数量正/负输入)。这些方面的成就被制定为重点的旅游推荐系统e-Tourism的面积,由于内在移动用户的活动在这个特定的应用领域。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

作者真诚地感谢DST-SERB () YSS / 2014/000718)和要大学提供高性能计算集群(HPCC)设施和大力支持,使我们开展这项研究工作。