文摘
如今,大量的旅游信息和服务可以在网络上。这使得用户很难寻找一些特定的信息,如选择在一个给定的城市旅游的兴趣点的有序集合。此外,用户很少知道他所有的需求提前和他的喜好推荐过程中可能会发生变化。用户也可能有限数量的初始评级和最常推荐系统可能面临著名的冷启动问题。本文研究的目的是引入一种混合交互上下文感知旅游推荐系统,考虑用户的反馈和额外的上下文信息。它提供个性化旅游用户根据自己的喜好的组合基于案例的推理框架和一个人工神经网络。该方法已在伊朗德黑兰的城市。结果表明,该方法优于目前的人工神经网络方法和基于案例推理的组合最近的邻居方法的用户工作,精度和用户满意度。
1。介绍
如今,大量的旅游信息在网络上是可用的。这些信息可能是有用的对于一个给定的用户计划访问一个未知的区域。然而,它往往是压倒性的和费时的用户浏览所有可用的信息来找到一些相关的名胜古迹和组织在一种定义良好的旅游。因此,无关信息过滤和个性化的选择应该根据用户的偏好提取。
推荐系统(RSs)大致可以定义为信息过滤和决策支持工具,提供产品和服务匹配用户的喜好1- - - - - -3]。这样的推荐系统限制了信息过载,提供个性化内容,提高系统可用性的适应问题(4- - - - - -8]。大多数当前推荐系统假定用户的偏好不改变任何上下文(9,10]。然而,对于推荐系统应用于旅游领域,用户的偏好可以受到许多语境因素的影响,尤其应该考虑提供建议。例如,当考虑用户兴趣对于一个给定的兴趣点(POI),许多额外的上下文参数如用户的移动性,以前的历史,和建议的时间应被视为重要的上下文信息。因此,为了向最终用户提供满意的服务,应该使用上下文感知旅游推荐系统来自动调整建议改变上下文(11- - - - - -13]。换句话说,上下文感知旅游推荐系统应该将上下文信息在推荐过程适当的模型和预测用户首选项。此外,他们应该使这些建议不仅适应用户的偏好也上下文情况产生更多的相关建议。
然而,我们所知,之前的上下文感知旅游推荐系统发展到目前为止并没有完全解决这些问题(9,11- - - - - -28]。这些研究的一个弱点是,他们经常建议给定用户POIs的列表,这是特定的用户可能会发现有趣的旅游景点如历史或文化建筑或任何值得参观的地方,而不是一个旅游POIs的有序集合。此外,尽管合作建议往往基于其他用户,提供自主学习过程根据用户给定的上下文和评估不考虑。同时,相关的上下文感知旅游推荐系统的另一个常见的缺点是,他们通常提供建议给定用户在一个会话中。事实上,大多数的用户很少知道他们所有的需求。因此,最初的建议很可能并不总是令人满意的。此外,大多数当前的上下文感知旅游推荐系统经常遭受冷启动问题,当一个新用户没有评级已经注册到系统之前,很难提出有意义的建议,新用户。他们还认为用户的偏好是稳定的,不考虑用户的偏好随时间变化。
为了克服这些问题,一些研究人员运用基于案例推理(CBR) [29日- - - - - -31日)开发基于案例的推荐系统,目前用户的偏好查询项,他喜欢和每一项为一组属性(32- - - - - -34]。这些系统检索项类似于用户的查询情况。CBR的主要优点是(a)可以直接应用到学习用户配置文件的用户建模水平,(b)它有能力了解系统的动态行为随着时间的推移,和(c),它可以提供有效的解释机制之前当一个足够数量的情况下是可用的。
然而,一个重要的问题仍然留给CBR如何预测旅游的评级为了向用户推荐最顶级的旅游。换句话说,一些功能比其他人更重要,然后适当的功能权重应该执行任何评级预测之前为了考虑每个特性的相对重要性。在现有的情况下推荐系统为基础,最近的邻居(资讯)方法(35)广泛用于评级预测(32,33),但它假设所有选定功能同样重要的是,这不是真的在很多情况下,例如,每个POI类型可能会有一个特定的利益价值。另一个开放问题是如何逐步适应基于信息来源于用户模型之间的差异确定选择的旅游和其他旅游为了建议参观下一个循环。
这些问题让我们提出一个混合方法,结合人工神经网络(ANN) [36,37与CBR)。我们的研究开发了冷启动上下文感知推荐系统应用于旅游领域提供个性化旅游用户根据自己的喜好和一些上下文信息。我们的目标是克服上述问题,考虑用户的反馈和应用CBR使用一个安。本文的贡献包括()提供一个旅游推荐系统推荐过程中考虑到上下文情况;()提出一个交互式框架,认为用户的反馈(a)建议旅游有限的用户了解自己的需求,(b)克服冷启动问题,当一个新用户没有评级使用系统之前,和(c)考虑用户的偏好变化;()推荐一些旅游的用户包括POIs和它们之间的路线在街上网络;和()提出旅游用户只考虑自己的喜好和反馈不考虑其他用户的偏好和反馈。
本文的其余部分如下。部分2介绍了几种概念从上下文感知推荐系统的推荐。它还简要回顾上下文感知推荐系统应用于旅游领域。然后介绍了CBR和安背后的原理,并简要介绍语义相似性原则。该方法及其实现的结果是解释部分3和4,分别。最后,部分5提供的结论,并概述了未来的工作。
2。文献综述
本节描述推荐几个基本概念和上下文感知推荐系统集中在旅游领域。CBR背后的主要原则,安,简要讨论了基于属性的语义相似度。
2.1。推荐系统
推荐系统(RSs)选择一些项目证明更好的匹配用户的偏好和减少信息过载(4,5,38]。不失一般性,我们当前分类推荐方法对基于内容的推荐系统,协同推荐系统、基于知识的推荐系统和混合推荐系统。他们在下面讨论。
基于内容的推荐系统推导出相似的功能对用户的偏好和选择最佳匹配的用户的喜好39]。协同推荐系统基于相似用户的偏好(提出建议3,40]。基于知识的推荐系统运用推理机制,提出适当的建议根据用户的喜好作为相关项目属性(41- - - - - -43]。一个交互式的推荐系统也可以认为是一个基于知识的推荐系统。Navigation-by-proposing是一种互动推荐系统基于个性化的反馈(44- - - - - -46]。混合推荐系统应用现有的推荐技术的结合。混合推荐系统背后的主要思想是利用一种技术的优势来弥补另一个的缺点,提高总体性能(47]。元级混合推荐系统是一个类使用的混合推荐系统模型学习由一个推荐系统作为输入另一个(47]。
2.2。上下文感知推荐系统
上下文可以被定义为任何额外的信息,可以用来描述一个给定的实体的位置和性质。一个实体是一个人、地方或物体之间的相互作用被认为是相关的用户和应用程序,包括用户和应用程序本身48]。在上下文感知推荐系统(卡斯),评级的函数不仅项目和用户,但也上下文属性的作用大致可以形式化如下(10,49]: 用户,项目,和上下文表示考虑建模维度评级时返回的值被认为是用户根据上下文项。
2.3。在旅游领域上下文感知推荐系统
一些上下文感知推荐系统已经发展到目前为止在旅游业的应用程序域。早期的移动一个例子在旅游领域Cyberguide项目(14]。Cyberguide提供几个导游原型手持设备上下文信息在用户提供的环境要求。语境知识的考虑到用户的当前和过去的位置生成用户日常的历史。GeoWhiz [22)提出了一种移动餐厅推荐系统,使用一个基于用户的协同过滤方法的位置。Magitti [16)提供了一种移动休闲指南系统检测到用户上下文。它推断当前和未来可能的休闲活动感兴趣的用户和推荐合适的场所(例如,商店、餐馆、公园和电影院)。它提供了一个上下文感知系统,考虑时间和地点和额外的上下文数据,如天气和场馆开放时间,以及以前的用户模式。也是activity-aware和过滤器项目不匹配用户或显式指定的活动。文献[9)发展相结合的基于位置的服务推荐模型(LBSRM)位置和用户首选项向用户推荐最合适的酒店。考虑用户偏好多亏了一种自适应方法包括长期和短期偏好调整。
文献[15)提出了一种混合移动环境敏感系统个性化POIs的建议。POIs位于半径在用户的位置和基于用户的轨迹和速度。上下文过滤POIs过滤,根据用户的选择偏好。移动旅游推荐系统(米)由(20.移动用户)提供一些个性化推荐服务,考虑上下文信息,例如用户的位置,当前时间,天气,POIs已经访问的用户。iTravel系统(27应用协同过滤的方法。用户之间的相似性是评估使用用户评级列表。附近检测到用户和评级数据交换使用手机点对点通信。我发疯的感觉13)是一种无处不在的定位网站的建议。它使用用户的偏好来自Foursquare基于位置的社交网络,用户的位置,使用的运输方式(如步行、自行车或汽车),和当前用户推荐过程中感觉。ReRex [11评估和语境因素和项目评级之间的关系模型。使用预测模型基于矩阵分解,ReRex建议POI并显示一个完整的行程根据特定的行程的上下文。
SigTur / E-Destination [25提供个性化的推荐应用于旅游活动。它认为不同类型的数据,包括人口统计信息和旅游动机和考虑用户操作和评级来产生推荐。这种方法是基于一个旅游领域本体,支持用户活动的分类。推理过程也结合了基于内容和协同推荐。TRIPBUILDER [17]显示个性化的城市观光旅游。POIs来自维基百科和Flickr地标照片所示。旅游从POI推断旅行倍推断从谷歌地图和旅行商问题的算法,最大限度地减少旅行时间和用户的利益最大化。POIs分类和语义描述他们的受欢迎程度和平均访问时间,进一步丰富了旅游活动的模式。
在[26),旅游地点的兴趣来源于他们接近Flickr照片地理标记后,根据季节和天气相关的上下文语义语境化,最后为了推荐一些POIs额定。旅游历史然后派生和注释在一种基于主题的模型中,这有利于寻找用户相似之处。文献[21推荐POIs]发展概率主题模型,基于用户的利益以及社会相关的用户。
POST-VIA 36019帮助游客previsit,参观时,postvisit阶段的旅行通过客户关系管理(CRM)的方法。定位POIs进行分类和推荐多亏了一个人工免疫系统(AIS),先后利率POIs根据用户评级。PlanTour [18)生成个性化的面向多天旅游计划。从Minutube POIs确定旅游社交网络和集群/每天。旅游计划最大化用户效用和POIs的旅行距离。文献[28)矿山中的多个时期时间序列来计算用户的到达某一地区的时期。然后他们使用基于项目协同过滤推荐位置根据用户的偏好和周期性的行为。
表1总结等环境敏感推荐系统应用于旅游领域根据一系列预选的标准。前面的上下文感知推荐系统在旅游领域应用单发推荐策略并返回一个单一的一套建议给定用户在一个会话中。他们不考虑交互式推荐系统中的用户反馈在旅游领域。此外,他们无法提出建议的用户有限的知识对他的需求,或少评级之前,期间或改变偏好。此外,先前所有的上下文感知RSs在旅游领域向用户推荐旅游POIs的序列。
2.4。基于案例推理
基于案例的推理(CBR)是一种机器学习方法,模型人类推理过程学习和解决问题。CBR存储过去的情况下作为一个历史库。每个案例包括两个部分包括问题描述和解决方案(29日,50,51]。问题描述代表了上下文,当情况发生,而解决方案部分显示了方法应用于解决问题。CBR的目的是来解决新问题的解决方案,用于解决类似的问题(30.,31日]。结构CBR方法是一种类型的情况下表示表示情况下根据普通的结构化的词汇使用预定义的属性和值(52]。CBR通常涉及四个步骤(53):()检索相似的先前经验的情况下,()重用的情况下通过复制或整合新兴解决方案检索情况下,()修改或调整检索解决方案来解决一个新问题,和()保留一个新的确认或验证方案(图1)。
2.5。人工神经网络
人工神经网络(ANN) [36,37)是人工智能的一个分支的灵感来自大脑的生物。这是一个连接节点(即结构。,artificial neurons) that are arranged in layers. The links between nodes have weights associated with them depending on the amount of influence one node has on another. A feedforward ANN is an ANN without any cycles in the network and propagates incoming data in a forward direction only. A multilayer perceptron (MLP) is one type of feedforward ANNs with full connection of each layer to the next one. The MLP consists of one input layer, one or more hidden layers, and one output layer. Nodes in the input layer respond to data that is fed into the network, while output nodes produce network output values. Hidden nodes receive the weighted output from the previous layer’s nodes. Figure2显示了 (表示输入神经元,表示隐藏神经元,表示输出神经元)架构的前馈多层感知器安。
单元的输出在层 是 最常见的中长期规划具体的学习算法是反向传播算法。反向传播算法,计算输出值与正确的输出值计算误差函数的值。然后,通过网络反馈的错误。衍生品的误差函数对网络权值计算。每个连接的权重调整使用梯度下降方法,误差函数的值减少。重复这个过程,直到网络收敛于一个小错误状态。
不同的训练算法迄今为止一直应用于训练反向传播延时。每个算法调整安如下: 在哪里迭代的指数,权重的向量在吗训练算法的迭代是向量的权重变化,计算每个训练算法包括与动量梯度下降法和自适应学习速率反向传播股票指数型基金(简称eft)(纽,弹性反向传播(RP)、共轭梯度反向传播Fletcher-Reeves更新(CGF)、共轭梯度反向传播Polak-Ribiere更新(本金保证产品)、共轭梯度反向传播与Powell-Beale重启(CGB),按比例缩小的共轭梯度反向传播(SCG), BFG拟牛顿反向传播(高炉煤气),一步sec反向传播(OSS)和Levenberg-Marquardt反向传播(LM)(表吗2)。
2.6。基于属性的语义相似度
两个对象的语义相似性可以评估基于他们的共同特征或缺乏特色的每个对象根据领域本体。提出了语义相似度测量的主要方法之一,评价概念之间的语义相似度(54]。它认为根据本体概念的特性考虑,评估共同和不同的特性来得到相似度度量。
考虑对象和与属性( )。使用特沃斯基的公式,给出了两个对象之间的相似度,基于功能的语义相似度计算方法如下(54,55]: 在哪里,, 表示的共同特征和的特色和独特的特征对财产,分别。分配相关的属性和 是常数,值各自的特点考虑的重要性。
3所示。提出的方法
本文的目的是要考虑用户反馈和开发一种混合动力交互上下文感知推荐系统应用于旅游领域提供个性化旅游用户根据自己的喜好。该方法结合了一个交互式旅游推荐系统设计为以知识为基础的推荐系统和基于内容的旅游推荐系统由于应用CBR和安。
该方法考虑上下文信息建模过程的上下文建模方法的目标是向用户推荐最合适的旅游。它考虑上下文信息如下:(我)POIs地点在用户的环境(2)POIs开启和关闭时间(3)街道网络(iv)旅游已经参观了由用户表示他流动的历史(v)在街上的距离由用户网络。此外,评级分配给参观旅游的用户和用户的反馈被认为是用户首选项和反馈。下面的内容将发展问题制定和提出了上下文感知旅游推荐系统。
3.1。问题公式化
在本文中,每个旅游是POIs的建模为一个序列。POI是一个特定的旅游景点或感兴趣的地方,一个用户可能会发现有价值的。Pois表示所有Pois位于区域 在哪里POIs的总数是位于区域。
该方法认为POI类型如餐馆和文化类型的地方。每个POI属于这些类型之一。让类型表示所有POI的集合类型可用区域 FuncType函数返回给定的POI的类型 一个是一个非空的nonrepetitive POIs的序列,一个用户访问: 在哪里POIs的数量吗和是一个山芋( )的方式 : 。
表示用户开始访问的时间。不失一般性,我们引入一个约束来说明这种方法的潜力。该方法还假定就餐时间是12点到2点之间。因此,如果开始时间参观参观POI的上午12点到下午2点,提到POI必须位于“餐厅”类型。 然后参观代表所有可能的旅游考虑的约束提到了 用户可以分配一个评级为每个访问旅游,然后存储在他的历史中。评级的值在单位时间(),反映了用户的需要。最高等级的旅游将是最有趣的一个。FuncRank函数返回的评级。 为每一个 ,是计算 在哪里 表示POIs的数量,位于POI类型;表示的距离这是每两个连续POIs之间的距离在街上网络和计算 在哪里 之间的最短路径是吗和在大街上网络。
3.2。提出了上下文感知旅游推荐系统
我们的目标是开发一个上下文感知的旅游推荐系统,建议最高额定旅游用户根据自己的喜好。我们假设用户不知道先验POIs他想访问的类型,而且他没有先验知识可能推荐的旅游。系统要求用户指定的起始时间和结束时间的要求。该方法首先考虑用户的移动性的历史和他的交互系统来捕捉用户的偏好。拟议中的互动旅游推荐系统开发的三个连续的步骤。
步骤1。系统当前用户模型和学习建议新旅游用户根据当前用户模型和一些上下文信息。
步骤2。用户选择(或拒绝)参观推荐的旅游和分配一个评级反馈。选择旅游引发的反馈用户的需求。这种反馈是基于案例的而不是基于特征。
步骤3。系统的用户模型修正使用选定的旅游信息和下一个周期类似的旅游。
推荐过程结束演讲后一个合适的旅游后的用户或一些预定义的迭代。
为了实现这个交互式旅游推荐系统,该系统应用CBR方法作为知识过滤器。发展结构表示,每个案件包含旅游及其相关评级。每个旅游被认为是一个问题描述在其评级问题的解决方案。CBR商店参观旅游的历史及其相关评级之前的情况。应用检索和重用时CBR循环阶段,系统使用以前参观游览和建议用户评价最高之旅。在CBR循环的修改阶段,用户选择或拒绝推荐的旅游之一,修正其评级通过分配一个新评级作为反馈。在CBR的保留阶段周期,系统适应使用它的用户模型下一个周期。
克服提到的问题在一个互动的情况下推荐系统的基础上,该方法结合了CBR的安和实际考虑每个旅游的具体属性和值。我们引入一个混合推荐系统,适用于安(作为基于内容的推荐系统)和CBR(作为一个基于知识的推荐)均匀的方法表示的元级混合推荐系统。安一个前馈多层感知机用于检索、重用,并留住CBR周期的阶段如下。
3.2.1之上。学习当前用户模型和推荐新的旅行
在这一步中,安提出的应用于检索和重用CBR周期的阶段。拟议的多层感知器神经网络是由3层:输入层、隐藏层和输出层。对于每一个访问的输入,提出安的元素。因此,输入层 神经元。拟议的安输出的相关评级之旅(),因此输出层有一个神经元。系统使用的历史访问旅游及其相关评级训练安。
评级的ANN计算所有可能的旅游(旅游)和建议最好的用户计算额定旅游,在那里是一个系统指定的常数。
3.2.2。分配用户的反馈
用户选择(或拒绝)参观推荐游览和分配其评级作为反馈。这个反馈用于修改用户模型。
3.2.3。根据他的反馈修改用户模型
在这一步中,提出安仍保留CBR周期的阶段中使用由于其强大的自适应学习能力。安适应用户模型基于用户的反馈。选择旅游的相似性与所有其他计算。考虑两个旅游 和 。系统计算 和 。为了计算相似性和, 之间的相似性和使用特沃斯基的基于功能的语义相似度计算方法中描述的部分2.6。 在本文中,我们假设 。
因此,系统决定了最相似的旅游选择的旅游,在哪里是一个系统指定的常数。分配他们的评级一样选择旅游评级。使用新的评级选择旅游及其类似的旅游,提出系统适应安和更新提出了安的权重。因此,更新用户模型为下一个循环。因此,系统存储用户的反馈新的经历的记忆。
这个过程是迭代,直到一个合适的旅游呈现给用户或预定义的迭代次数,在指定的是一个系统的迭代次数不变。事实上,太少可能会导致不准确的用户建模和交互阶段的建议,而另一方面在太多的交互迭代阶段用户可能是一个复杂的任务。为了提供一个良好的平衡,我们认为20迭代阶段。这个选择相对比较类似的由相关作品,被认为是10至20迭代阶段(56- - - - - -59]。
提出的混合CBR-ANN方法作为一个相互影响的旅游推荐系统通过结合基于内容的推荐系统(使用ANN)和基于知识的推荐系统(使用CBR)(图3)。如图3,支持数据库代表每个POI的位置和类型,街道信息,和餐厅的开放时间。系统指定的旅游系统推荐用户在每个周期(),选择最相似的旅游之旅,用于保留阶段()和迭代的数量。用户定义的开始和结束时间所需的旅游系统和分配一个评级选择旅游。算法1显示了该方法的伪代码。
|
||||||||||||||||||||||||
4所示。实验结果和讨论
评估拟议的混合环境敏感旅游推荐系统根据用户的实验环境,想参观计划。该算法实现了一个基于android系统的原型。
4.1。数据集
提出的混合环境敏感旅游推荐系统建议参观每个用户谁想计划参观地区11和12德黑兰,伊朗的首都。为了发展实验设置中,用户的角色已经由20名学生在测量和地理空间德黑兰大学的工程学院。在这两个地区考虑,有55 POIs。每个POI属于一个十一POI类型识别( ),包括酒店、文化的地方,博物馆,购物中心,清真寺,公园,剧院,电影院,咖啡厅,餐厅,和体育场(图4)。
不失一般性,被认为是一系列的假设如下:(我)每一个旅行都是两到五POIs的序列。它类似于一个由几个以前在旅游推荐系统(25,60,61年)推荐2到5 POIs /旅行。然而,该方法可以扩展和应用情况下更大数量的POIs /旅游一些细小。(2)用户开始访问POI的时间是8点,10点,12点,下午2点,或者下午4点( )。(3)用户开始访问POI ()2小时后他开始访问先前POI (): 最初,每个用户访问6旅游在区域和分配一个评级单位间隔的每个人。系统保存用户的历史上这些评级。评估拟议的上下文感知旅游推荐系统,应该确定评价指标和方法。
4.2。评价指标和方法
为了评估方法,提出系统(基于CBR-ANN推荐系统)相比其他两个推荐系统包括基于ANN的推荐系统和基于CBR-KNN推荐系统:(我)基于ANN的推荐系统是一种单发基于内容的推荐系统,它使用一个安学习用户配置文件。(2)基于CBR-KNN的推荐系统是一个互动的推荐系统,利用CBR方法的知识过滤结合资讯检索、重用和CBR的保持阶段。另一方面,三个评价指标被认为比较CBR-ANN安和CBR-KNN方法包括用户努力,accuracy_error, user_satisfaction(我)用户:系统需要足够的用户反馈来生成有效的建议,而没有收集足够的用户反馈这可能会导致糟糕的用户模型和不准确的建议。用户与系统交互的数量决定了用户在到达终点之前建议指标。(2)accuracy_error: accuracy_error表示程度推荐系统匹配用户的偏好。是评价之间的区别的评级系统最终选择旅游来作为和用户的一个表示。越低误差精度,更好的方法是执行;它给出如下: (3)user_satisfaction: user_satisfaction评估通过确定的程度最终推荐旅游被认为是有效的用户。评级由用户最终的推荐之旅(user_satisfaction的)作为指标。它的价值是一个区间,0满意不满意为1。 此外,评估该方法,应用两种不同的评价方法包括每个用户和综合评价方法:(我)每个用户评价方法只考虑一个特定用户的推荐过程和计算评价指标为一个特定的用户。(2)综合评价方法计算平均、最小和最大质量对所有用户。让,,表示用户努力,accuracy_error,分别和user_satisfaction特定用户。让表示用户的数量考虑(即。摘要20)。平均、最小和最大值用户努力在所有用户的计算如下: 平均、最小和最大值的accuracy_error所有用户计算如下: 平均、最小和最大值的user_satisfaction所有用户计算如下: 在确定评价指标,综合评价的数据从一个给定的用户作为下一个部分中所描述的一个例子。
4.3。每个用户的评价结果
对于每个用户,系统学习当前用户模型和相应建议新的旅游(部分4.3.1)。然后用户选择推荐的旅游之一,分配一个评级。系统修改相应的用户模型(部分4.3.2)。经过20迭代,最后的建议是向用户提供。
4.3.1。学习当前用户模型和推荐新的旅行
为每个用户在检索和重用CBR周期的阶段,提出安接受给定用户的历史作为输入来确定访问旅游之间的关系及其相关评级。这给了学习过程背后的基本原理。提出了前馈多层感知器神经网络由三层包括一个输入层、一个隐藏层和一个输出层。在此,十一POI类型被认为是。由于提出了神经网络的输入是POIs的数量位于每个POI类型的旅游和旅行的距离,输入层有十二个神经元。输出层神经元有一个评估考虑旅游的评级。
隐藏的神经元的最佳数量取决于问题和相关的输入和输出映射的复杂性,噪声的数据量,训练数据的数量。神经元导致underfitting太少,太多的神经元导致过度拟合。对于每个用户,获取最优隐层神经元的数量,不同的人工神经网络与不同的隐藏神经元数一至十二训练。
为了培养每一个人工神经网络,数据集分为三个子集包括培训,验证集和测试集。我们考虑四个旅游及其相关评级作为训练数据集,一个旅游及其相关评级作为验证数据集,和一个旅游及其相关评级作为测试数据集,然后均方误差(MSE)计算训练,验证集和测试集。MSE之旅是由平均平方区别评级由安和用户分配的计算。训练集用于调整安的重量和偏见而验证集是用来防止过度拟合的问题。在执行,验证集的MSE减少在最初阶段的训练。然而,当安开始overfit训练数据,验证MSE开始上升。训练停止在这一点上,重量和偏见与最小MSE返回验证。不使用MSE的测试数据在安训练,但它是用来比较人工神经网络训练期间和之后。
与隐藏的神经元网络的数字1到12,网络训练和均方误差(MSE)计算价值。表3显示均方误差值与人工神经网络与不同数量的隐藏神经元为用户1。根据这个实验,看来最好的多层感知器神经网络应该有五个隐藏神经元作为该用户反映在均方误差值。
对于每个用户,一旦确定最优数量的隐藏的神经元,安训练使用几个训练算法用于训练反向传播安。表4显示不同的训练算法的均方误差用来训练与用户相关的安1。结果表明,Levenberg-Marquardt (LM)训练法是最好的训练方法,用户1,因为它有最小均方误差值。训练有素的安决定参观旅游之间的关系和各自的推荐评级,因此模型用户的偏好。
类似的方法通常用来确定最佳数量的隐藏神经元和其他用户的最佳训练算法。表5显示隐藏的神经元的最佳数量,最好的学习训练算法的安当前用户模型。股票指数型基金结果表明,简称eft和LM通常是最好的培训功能。
4.3.2。根据反馈修改用户模型
安后,为每个用户培训,旅游的新评级计算使用训练有素的安。因此,根据当前用户模型,新的最好的额定旅游推荐给用户。
在CBR周期的修正阶段,用户评论的建议和选择和旅游作为反馈。在CBR的保留阶段周期,系统修改用户模型基于用户的反馈。系统之间的基于属性的语义相似度计算选定旅游和其他旅游,决定了最相似的旅游选择的旅游,根据所选旅游评级分配它们的评级。这些值用于调整下一个周期的用户模型的权重更新提出了安。因此,系统从当前用户的反馈和学习用它来修改用户模型。这个过程是迭代20周期,以确定最后的建议。
4.3.3。实验结果为一个用户
数据5和6显示的结果,该方法为用户考虑 和 。可以的话,最终选定旅游不同于用户此前认为的旅行。类似的方法被用于其他用户。
(一)
(b)
(c)
(一)
(b)
(c)
图7显示了用户的评级1分配选择旅游在每个周期。在第一个周期,提出安建议四个旅游和用户选择其中之一。用户的评级的第一选择旅游是0.50。在下一个周期,用户选择推荐的旅游之一,系统根据用户反馈修正的建议。选择旅游的用户等级达到0.80后11个周期。
确定最佳的建议,该方法应设置的参数。
4.3.4。该方法设置参数
评价该方法参数的影响,提出系统尝试使用不同的和值。表6显示迭代步骤的数量达到一个稳定状态最终选择的旅游地点不同值。结果表明,增加减少了所需的迭代次数达到最终选择旅游。
表7显示迭代步骤的数量达到一个稳定状态最终选择的旅游地点不同值。结果表明,增加降低了最终选择旅游的评级。
4.3.5。一个用户的结果评价
表8显示了该方法的评价结果为用户1。实验表明,用户的评级的选择旅游达到一个好的价值0.80 11个周期后,0.5一个周期,和0.70 CBR_ANN 12个周期后,安,分别和CBR_KNN方法。这表明CBR_ANN需要用户努力CBR_KNN相比相对较少。实验结果显示accuracy_error CBR_ANN值,安,和CBR_KNN方法0.01,0.06,和0.04,分别;这概括了一个关于accuracy_error CBR_ANN方法的更好的性能指标。应用CBR-ANN方法增加了用户的选择旅游的评级周期60%和14%相对于安和CBR-ANN方法,分别;这表示一个user_satisfaction增加。
4.4。综合评价的结果
表9显示了该方法的总体评价结果。结果表明,CBR_ANN方法需要用户努力不如CBR-KNN方法和减少的意思是,最小和最大值(即用户的努力。、17%、33%、和13%,职责)。此外,结果表明,CBR-ANN方法优于安和CBR_ANN关于总体accuracy_error和user_satisfaction指标。应用CBR-ANN方法增加意味着,最小和最大值用户选择的旅游满意度75%,140%,和23%相比,安法,分别。它也增加了的意思是,最小和最大值用户选择的旅游满意度14%,33%,和14%相比ANN-KNN方法,分别。此外,CBR-ANN方法具有较小的平均和最小值相对于安和accuracy_error CBR_KNN方法。这概括了一个关于accuracy_error CBR_ANN方法的更好的性能指标。
4.5。讨论
提出旅游推荐系统具有以下能力:(我)它认为上下文的情况下在推荐过程中包括POIs地点,POIs开启和关闭时间,旅游已经由用户访问,和用户的距离。此外,它认为评级分配给参观旅游的用户和用户的反馈用户的偏好和反馈。(2)它同时考虑POIs选择和路由之间同时推荐最合适的旅游。(3)它提出了旅游的用户有一些特定的利益。它只考虑自己的喜好和不需要任何其他用户的偏好和反馈信息。(iv)它不仅限于推荐旅游之前被用户。计算用户评级的看不见的旅游没有表示任何意见。(v)该方法考虑了用户的反馈在交互框架。它需要用户的反馈应用交互式学习算法和逐步推荐一个更好的旅游。因此,它克服了提到的冷启动问题。该方法只需要少量的评级产生足够的好建议。此外,它提出了一些旅游知识有限的用户需求。由于可用知识的历史情况下,更少的知识来自用户的输入必须想出一个解决方案。也考虑了在推荐过程中改变用户的偏好。(vi)该方法使用隐式策略模型用户问他分配一个评级所选之旅。这样的过程需要更少的用户工作相对于当一个用户分配一个偏好价值每个旅游选择标准。(七)该方法重新计算用户预测评分后他评价一个旅游以顺序的方式。与方法相比在用户率几个旅游调整模型,用户将看到系统输出。也可以对用户提供数据和调整。(八)该方法结合了CBR和安和利用每个技术的优势来弥补各自的缺点。CBR和安可以直接应用于用户建模回归或分类问题没有更多的转换学习用户配置文件。此外,CBR的一个值得注意的特性是,它提供了一个解决方案由考虑过去例新病例。此外,训练有素的安权重计算的特性,发挥核心作用的连接两种学习策略。该方法的优点是适应性强的动态情况。安修正用户模型,它有一个在线学习房地产和基础与新数据不断更新。(第九)CBR-ANN提出的结果表明,该方法优于基于ANN单发和CBR_KNN互动的用户推荐系统努力,accuracy_error, user_satisfaction指标。
5。结论和未来的工作
研究开发的介绍了混合交互上下文感知推荐系统应用于旅游领域。方法的特点是,它结合了CBR(基于知识的推荐系统)和安(作为基于内容的推荐系统)克服新用户冷启动问题没有提到之前的评级。该方法可以建议参观用户有限的了解他的喜好和考虑用户的偏好推荐过程中改变。此外,它只考虑给定用户的偏好和反馈选择POIs以及它们之间的航线网络同时在街上。
关于进一步工作额外的上下文信息,如预算,天气,用户情绪,拥挤,交通模式可以被考虑。目前,用户必须显式地率旅游提供反馈,可以视为一个复杂的任务。剩下一个方向探索是一个系统可以获得用户反馈,分析用户活动,如储蓄或书签推荐之旅。此外,其他技术(即基于内容的过滤。(即,模糊逻辑)和基于知识的过滤。可以使用,批评)。同时,协同过滤可以组合方法。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。