基于人性化特征的旅游地智能推荐系统

史亚奇

摘  要： 针对传统旅游地推荐系统，无法满足用户的功能诉求，提出基于人性化特征的旅游地智能推荐系统。以系统逻辑处理层、程序表达层以及数据记录层为基础，构建系统硬件结构。通过信息存储设备与行为收集设备收集与整理用户行为数据，从而满足不同用户行为收集需求。系统以推理原则为基础构建系统数据库，通过数据输入与输出以及推荐三部分完成信息处理，从而实现人性化智能推荐。设计仿真实验，通过模拟使用环境，将所提系统与传统推荐系统使用认可度进行对比，实验结果证明旅游地智能推荐系统具有更高的认可度和有效性。

关键词： 旅游地智能推荐系统; 人性化特征; 用户行为数据收集; 系统数据库构建; 系统信息处理; 系统仿真对比

中图分类号： TN02?34; TP391                     文献标识码： A                      文章编号： 1004?373X（2020）11?0183?04

Tourist destination intelligent recommendation system

based on humanization characteristics

SHI Yaqi

（Shangqiu Institute of Technology， Shangqiu 476000， China）

Abstract： Since the traditional tourist destination recommendation system fails to meet the functional demands for uses， a tourist destination intelligent recommendation system based on humanization characteristics is proposed. The system hardware structure is constructed on the basis of system logic processing layer， program expression layer and data recording layer. The user behavior data are collected and processed by information storage device and behavior collection device to meet the collection requirements of users′ different behavior. In the system， a system database is built based on the reasoning principle， and the information processing is completed by data input and output and recommendation， so as to realize humanization intelligent recommendation. The simulation experiment was designed to compare the approval degree of the proposed system with that of the traditional recommendation system by simulating the service environment. The experimental results prove that the intelligent recommendation system for tourist destination has a higher approval degree and effectiveness.

Keywords： intelligent recommendation system for tourist destination; humanization characteristic; user behavior data collection; system database construction; system information processing; system simulation contrast

0  引  言

隨着旅游行业不断发展，个性化旅游已经成为旅游行业的主要发展方向，传统的人工导游模式已经很难满足目前游客的旅游需求，因此，人性化的旅游地推荐系统成为人们出行的首选[1]。现代旅游行业具有较强的国际化特征，国内国际旅游市场区域统一化，且各国旅游业相互依赖，呈现一体化状态。传统旅游模式路线较为固定，且无法满足用户个性化需求，在社会经济发展基础下，更多游客愿意采用自助游的方式，依靠网络或其他资源自行设计旅游线路。如何在这一发展趋势下将自身旅游资源推销出去，成为旅游城市与风景区极大的挑战，游客如果无法更加方便地获取自身感兴趣的旅游综合信息，则游客的消费欲望与逗留时间也随之减少[2]。因此，基于人性化特征的旅游地智能推荐系统主要以包括交通、购物、餐饮、娱乐等各方面旅游综合信息推荐为主，改进了传统旅游方式中游客无法方便获取旅游综合信息的弊端。

1  系统硬件设计

1.1  系统硬件结构设计

根据旅游景区资源为游客提供个性化特色旅游服务的目的，系统以协同过滤算法为主要技术，根据用户所需信息，结合历史数据向其推荐符合用户需求的资源信息[3]。系统以数据库为基础，实现系统逻辑处理、程序表达以及数据记录三方面功能设定，如图1所示。

用户登录系统后，系统根据数据挖掘技术对历史浏览数据进行分析，提供满足游客喜好的推荐数据。用户在输入相关查询信息时，将查询关键字输入查询页面后，系统实现用户信息数据挖掘，并将推荐数据整理后的最优结果显示在终端。

结合上述过程，硬件结构受到计算设备、数据源大小等因素影响，为此采用多通道交互模式设计硬件结构。多通道交互模式建立专用的接收、发送通信媒介渠道，利用视频、声音以及文本等，将每种媒介串联在一起，让用户通过专用通道实现信息交互，形成完整的系统与用户之间多渠道多路径的传递机制[4]。构建硬件信息枢纽管制器，保证用户与系统之间信息传递的应激性。用户通过手写、语音等多种模式与系统交互，有效扩宽了系统智能推送能力。

1.2  信息存储设备设计

信息存储设备主要用于系统对数据计算过程中的快速读取，以及对用户行为数据的存储[5]。建立数据库记录得到行为响应，为以后智能推荐提供硬件基础。系统数据存储设备主要以用户信息存储器以及定位信息存储器为主，结合嵌入式GIS平台，构成信息硬件存储设备。信息存储设备能够记录用户每次的使用环境，并对比出环境变化情况。系统信息存储设备在设计上设置了地理服务器、无线网络、设备终端以及数据处理器等多个设备结构，如图2所示。

信息存储设备通过GPS定位，收集用户信息，针对数据特性，采用EOTD（Enhanced Observed Time Difference）与TOA（Time of Arrival）技术将执行器与数据调用装置集成在一起，利用移动终端PC传感器对数据进行识别[6]。传输器将信号发送至指定位置保存，改变原有信息存储设备的终端接收装置，但保留原有执行数据，实现数据信息反馈式存储。

1.3  行为收集设备

行为收集设备以信息存储装置为基础，衍生出多像的传感装置，负责收集用户与项目之间的相关信息，反馈系统推荐结果[7]。行为收集传感器会筛选收集数据与系统存储数据，根据不同行为数据对应的权值进行机械学习，并给出行为数据分析结果，如表1所示。

行为收集设备，对用户的隐性行为进行评分，隐性评分均采用5分制。其中，收藏界面评分为4、仔细浏览评分为3、简单浏览评分为1、购买程度评分为4、搜索精准度评分为3。收集信息处理设备对行为与相应隐性行为调节动态数据，并跳转到相关旅游业务领域[8]。优化动态频段置换器，将大用户行为信息单独收集，对所有请求设立信息拦截器，收集用户行为的多项数据，以此满足大用户的需求。

2  系统软件设计

2.1  系统数据库设计

智能推荐系统数据库设计主要以推理规则为基础，实现用户旅游信息的相关数据规则提取[9]。数据库主要由旅游领域实例库与规则库组成，通过加载粗糙集方式自动获取数据，其结构如图3所示。

数据库资源提取采用最小支持度加权算法，设用户访问所有景区集合为[L1=l1，l2，…，lm]，对于[L1]中任何景点所存在的文本、图片以及视频三类访问信息的访问时间[10]分别设为[Tv]，[Tp]，[Tt]。为更好地了解用户人性化需求，需要分析出在单位时間内用户使用视频获取信息量多还是文本图片信息量多，由于数据库中视频加权值为[B2]，图片与文本加权值为[B4]，从而得到用户兴趣权限总值为：

[r=12Tv+14Tt+14Tp] （1）

在用户景点访问数据中，系统根据权值获取对应的使用信息，将用户兴趣度较低的景点自动剔除，其余景点按照序列[L1=l1，l2，…，ls]存入数据库中，作为备选数据，至此完成系统数据库设计[11]。

2.2  基于人性化特征的信息处理模块设计

信息处理模块采用协同过滤算法，为用户准备更加符合用户需求的人性化结果。假设用户对某地旅游景点感兴趣，系统根据用户其他项目评分，判断出用户对该景区项目好感度，发送至信息处理模块[12]。系统信息处理模块主要进行人性化特征信息输入与选择结果输出，同时，综合结果在数据库中调用景点相关信息，信息处理模块工作流程如图4所示。

信息处理模块对用户在输出评价信息后，将反馈数据收集在数据库中，并将记录的相关反馈结果发送至其他信息引擎中，根据用户以往数据记录生成对应的推荐信息[13]。信息处理模块保留原有的处理计算方式，加入人性化特征协同过滤算法，将预测结果与推荐结果进行人性化处理，优化传统意义上的输出值，贴合输入数据补充人性化概念。

2.3  景点推荐模块设计

在景点推荐模块设计中，利用产生式规则将游客需求视为系统数据库中一个属性合集，融合上述信息处理模块，根据用户不同输入信息产生不同推荐结果[14]。当用户结束对某一景点浏览时，将数据库中所有组合数据汇总在推荐模块中，根据数据库中匹配规则形成用户兴趣规则合集，加权兴趣度[rγ=rx]，根据景点提供的数据，计算数据组中任一景点s的推荐兴趣度[rs=li∈γrs]，作为景点推荐依据。使用加权口令显示数据集前5项数据，完成旅游地智能推荐，实现旅游地智能推荐系统软件设计。

3  仿真实验

3.1  实验环境

设计仿真实验，对基于人性化特征的旅游地智能推荐系统合理性进行实验。仿真实验环境配置如表2所示。实验以网络景区旅游项目初期数据作为实验数据集，为实验提供全面的数据信息。实验中选取数据集中的1 000个用户数据，将用户所有评价信息整理后，形成若干数据集[15]。对比传统推荐系统与智能推荐系统处理结果，找出更符合人性化特征旅游景区推荐结果，确定用户使用认可度。

3.2  推荐结果认可度对比

两组系统对划分后数据集进行处理，其划分比重分别为20%，40%，60%，80%，100%，利用误差算法对比推荐结果。经过两组不同系统处理后，其结果偏差主要取决于数据稀疏程度，数据坐标误差越小，用户认可度越高，如图5所示。

分析图5中对旅游地推荐结果差异值，可以看出智能推荐系统与标准结果基本一致，从而更加容易得到用户认可。在数据条件下，传统数据划分结果不理想，相比较之下，智能推荐系统能够在各个区域划分中更容易得到用户认可。在数据稀疏程度差距较大的情况下，传统数据推荐结果表现较差，且用户对旅游地推荐结果认可度较差，而智能推荐系统在推荐结果等方面均得到了较高的认可度。

4  结  语

基于人性化特征的旅游地智能推荐系统在构建过程中，利用多种技术与算法相互协调，实现更加高精度的推荐结果，更加适用于多维度数据查询。旅游地智能推荐系统解决了传统推荐系统计算误差大、用户认可度低等问题，具有广阔的发展前景。

参考文献

[1] 李雅美，王昌栋.基于标签的个性化旅游推荐[J].中国科学技术大学学报，2017，47（7）：547?555.

[2] 常亮，曹玉婷，孙文平，等.旅游推荐系统研究综述[J].计算机科学，2017，44（10）：1?6.

[3] 张伟，韩林玉，张佃磊.GeoPMF：距离敏感的旅游推荐模型[J].计算机研究与发展，2017，76（2）：16?18.

[4] 童向荣，姜先旭，王莹洁，等.信任网络形成及其在智能推荐中的应用研究进展[J].小型微型计算机系统，2017，38（1）：92?98.

[5] 郭嘉，代耀宗，沈建京.基于协同过滤的景区旅游智能推荐系统设计[J].现代电子技术，2018，41（23）：148?152.

[6] 王潇慧.基于Web的旅游产品推荐系统设计与研究[J].现代电子技术，2018，41（10）：97?99.

[7] 刘存地，徐炜.能否让算法定义社会：传媒社会学视角下的新闻算法推荐系统[J].学术论坛，2018，41（4）：34?43.

[8] 陳君同，古天龙，常亮，等.融合协同过滤与用户偏好的旅游组推荐方法[J].智能系统学报，2018，13（6）：999?1005.

[9] 郑诚，徐启南，章金平.基于互信息的推荐系统方法研究[J].微电子学与计算机，2018，35（12）：82?85.

[10] HAO Yaxian， SUN Yanrui. K?nearest neighbor matrix factorization for recommender systems [J]. Journal of chinese computer systems， 2018， 39（4）： 43?51.

[11] 朱桂祥，曹杰.基于主题序列模式的旅游产品推荐引擎[J].计算机研究与发展，2018，55（5）：920?932.

[12] 姜野.算法的规训与规训的算法：人工智能时代算法的法律规制[J].河北法学，2018，36（12）：144?155.

[13] 崔建双，车梦然.基于多分类支持向量机的优化算法智能推荐系统与实证分析[J].计算机工程与科学，2019，41（1）：157?164.

[14] 程秀峰，范晓莹，杨金庆.一种融合了基于朴素贝叶斯算法与情境感知的协同推荐系统：以大学图书馆实体图书推荐为例[J].现代情报，2019，39（2）：59?67.

[15] 常亮，张伟涛，古天龙.知识图谱的推荐系统综述[J].智能系统学报，2019，14（2）：5?14.