基于规则推理的旅游景区推荐系统探索

马莉娟,蔡鲲鹏,张松婷

(1.阜阳师范大学 历史文化与旅游学院，安徽 阜阳 236000；2.阜阳师范大学 计算机与信息工程学院,安徽 阜阳 236000)

随着经济社会的发展,人们对于旅游的需求量越来越大,给旅游产业带来了新的发展机遇.旅游信息呈爆发式增长,如何方便快捷地从这些海量旅游信息中获取有用信息变得越来越困难.为解决上述问题,研究一种行之有效的旅游景区推荐方法具有重要意义,因此对旅游景区推荐系统的探索与研究受到人们的极大重视[1].研究旅游景区推荐系统优化设计方法,在发展智慧化旅游中具有重要意义[2].为了克服传统旅游景区推荐系统的推荐准确率低的缺陷,本文提出基于规则推理的旅游景区推荐系统.在原有系统硬件基础上对软件部分进行优化设计,建立旅游景区推荐的空间信息分布式检索模型,通过模糊规则推理方法提取信息的相似度和差异度特征量,根据差异度水平设计旅游景区推荐决策过程,并对旅游景区推荐决策过程进行自适应智能寻优.最后进行仿真测试分析,展示了本文方法在提高旅游景区智能化推荐能力方面的优越性能.

1 旅游景区推荐系统优化设计

1.1 空间信息分布式检索与信息重构

本文在原有旅游景区推荐系统硬件基础上,对软件部分进行优化设计.建立旅游景区空间信息分布式检索模型,采用子块分析方法进行旅游景区推荐信息重构和关联规则分析[3].首先构建旅游景区空间信息分布式检索模型,表示为：

(1)

采用Leacock- Chodorow联合特征分析方法进行旅游景区空间分块融合处理,函数描述为：

(2)

其中,FT(t)=(F1(t),F2(t)...FN(t)),表示旅游景区的关联特征量.采用统计分析方法进行旅游景区推荐的信任度分析[4],计算公式如下：

(3)

利用矩阵分解技术进行旅游景区推荐过程中的自相关匹配和信息融合,得到特征分解结果为：

(4)

将上式采用多维尺度分解方法进行旅游景区推荐过程进一步展开：

(5)

根据贡献度水平,进行旅游景区推荐项目属性集合分析[5],得到旅游景区推荐的适应度特征量为ix,iy.在此基础上,采用子块分析方法对检索到的信息进行重构,表示为：

(6)

其中,n为旅游景区数据特征维数,m为重构阈值.

6#样品颜色为白色，镜面状，表面光滑，外观较为特殊，经红外光谱检测，该种塑料快递包裹袋表面存在聚对苯二甲酸乙二醇酯成分，如图4所示。

1.2 关联规则分析

结合关联规则推理方法进行旅游景区特征提取和信息融合[6-8],构建旅游景区推荐信息的大数据融合模型,旅游景区推荐的属性特征匹配概率分布为：

(7)

旅游景区推荐的贝叶斯推理过程描述为：

(8)

在特征空间中,进行旅游景区推荐的冗余信息过滤[9],其中旅游景区推荐的冗余信息特征分量为：

(9)

(10)

结合条件概率分布,进行旅游景区推荐的关联规则分析,结果如下：

(11)

2 旅游景区推荐算法优化

2.1 旅游景区推荐的规则推理

以构建的空间信息检索模型为基础,通过模糊规则推理方法提取信息的相似度和差异度特征量,旅游景区信息的相似度特征向量N(Y),则旅游景区项目X、Y的差异度计算公式为：

(12)

(13)

采用自适应加权信息融合方法,得到旅游景区评分,可表示为：

(14)

采用协同信息过滤方法进行旅游景区推荐过程收敛性控制,则旅游景区项目推荐的可靠性信任度,表示为：

(15)

式(15)中,D表示a→c寻优过程中旅游景区推荐信息维数；βd∈(0,1]是旅游景区项目推荐的规则性特征量,旅游景区项目推荐的评分规则为：

F(Gj,i)=w1·R(Gj,i)+w2·(1-dis(Gj,i))

(16)

式(16)中,w1、w2分别为旅游景区推荐的自适应权重,且0≤w1≤1,0≤w2≤1,旅游景区推荐过程的互动度为：

(17)

式(17)中,MPDist为旅游景区推荐的差异化结果之间的特征分布距离,d为旅游景区推荐效果约束因子[11].

2.2 旅游景区推荐决策过程寻优

通过模糊推理方法提取旅游景区信息的相似度和差异度特征量,根据差异度水平设计旅游景区推荐决策过程,采用自适应寻优方法进行旅游景区推荐决策过程的智能寻优.

通过模糊信息感知方法,计算旅游景区空间信息融合的惯性特征量权重系数w(k)∈Rn,采用离散样本检测方法,建立旅游景区评分控制模型为：

(18)

采用自相关匹配进行旅游景区信息深度融合,得到综合评分矩阵：

(19)

采用相似度信息分解方法,得到旅游景区项目评分的备选集：

(20)

式(20)中,P为实数集,x(i)为旅游景区备选标签集.旅游景区项目评分优化推荐输出：

(21)

其中,旅游景区推荐的差异度水平为：

(22)

根据差异度水平设计旅游景区推荐决策过程,采用自适应寻优方法进行旅游景区推荐决策过程的智能寻优,结果表示为：

(23)

3 仿真实验与结果分析

为了验证本文提出的基于规则推理的旅游景区推荐系统的实际应用效果,进行了仿真实验.实验中采用Matlab进行旅游景区推荐的仿真分析.采用统计分析与调查问卷相结合的方法进行旅游景区推荐信息采集,参与问卷调查的游客数量为12000人,旅游景区数量设定为4,信息采集的样本数为200个,测试集为16组.根据上述参数设定,进行景区推荐,得到推荐结果的特征分布值如图1所示.

分析图1得知,本文方法进行旅游景区推荐结果的特征分布值波动较为平稳,因此该方法的信息融合度水平较高,自适应性较好.测试旅游景区推荐的准确性,得到对比结果如图2所示.

图1 旅游景区推荐结果的特征分布值

图2 旅游景区推荐的准确性对比

分析图2可知,与文献方法相比,采用本文方法进行旅游景区推荐的准确性较高,实际应用效果更好.

4 结 语

将信息技术与旅游业相融合,是旅游发展的必然趋势,研究旅游景区推荐系统的优化设计方法,在发展智慧旅游过程中具有重要意义,因此设计基于规则推理的旅游景区推荐系统.建立旅游景区空间信息分布式检索模型,采用子块分析方法对检索到的信息进行重构和关联规则分析.通过模糊推理方法提取旅游景区信息的相似度和差异度特征量,根据旅游景区的差异度水平实现对旅游景区推荐和优化决策,采用自适应寻优方法进行旅游景区推荐决策过程中的智能寻优.分析得知,采用本文方法进行旅游景区推荐的自适应性较好,推荐准确性较高,有效满足了旅游景区智慧化推荐的需求,能够将其应用在智能化的旅游信息管理中.