基于用户兴趣挖掘的个性化旅游服务系统研究

对孤立点的敏感性小 ； ② （ ） 户认 证 。 ２用 这一模 块 主要功能 是对用户身份进 行验 主要点的位置来确定选择中心点， 该算法对属性类型没有局限性。 算法描述 ： 证， 通过验证 的用户才能合法的使用个性化服务系统系统。 输入： 所有游客的兴趣模型数据库， 期望得到的簇的数 （） ３ 用户建模。 不同的用户可能有不同的兴趣和要求，
． 综上所述 ， 为了满足游客个体差异造成的各式各样的 ３１ 个性化推荐过程 个性化 推荐过程 主要 包括如下过程 ： ①收集用户信 需 求 ， 出了个性 化 的旅 游服 务系统是 很有必 要 的。 文第 提 本 ②分析用户特性， 根据在所有用户中统计出来 的数 据， 章简要的介绍了系统的背景知识， 在第二章 中详细的介 息； 找 出若 干个 所有用户选 择最 多 的景点 ， 以此 为分组特 性将 并 绍 了个 性 化 推荐 系 统 的架 构 ， 三 章详 细 介 绍 了系统 中个 第 ③对每个组的用户再进行统计， 找出组 性化推荐引擎 的结构和实现方法， 最后在 第四章中对全文 用户分成若干个组；
。 用户兴趣建模是一个能为用户提供个性化推荐系统的核 目ｋ 输出： 是得所有对象与其最近中心点的偏差总和最小 组成部分， 它能够获取每个用户的不同需求。 用户兴趣建模的主要步骤分为： ①在观察用户选择的 化的ｋ 个簇。（ 上接Ｐ ５ ３）
王 基 户 趣挖掘的 化旅游服 统研究 欣： 于用 兴 个性 务系
蓊销繁
中国市场 ２ １￣第 ５ （ ５４ ） ００ ３期 总第 ９期
系统贼
王
５１０ ） ４０４
（ 桂林理工大学 博文管理学院， 广西 桂林
【 要】 摘 本文提 出了 全新的个性化旅 游服务 系统模型， 对个性化旅 游服务 的两种常见的实现方法， 即聚类分析与关 联规 则进行了 讨论， 并给 出了 个性化旅 游服务系统引擎的设计思路与实现算法。 ［ 关键词］ 个性化 旅游服务 ｇｇ； 个性化推荐 ； 模型 ［ 中图分类号】 ５２ Ｆ ９ ［ 文献标识码】 Ａ ［ 文章编号】 ０ ５ ６ ３ ２ １ ） ５ ０ ３ — ２ １０ — ４２（０ ０ ３ — ０ ８ ０
一
进行
结。
内的关 联情 况 ， 形成组 内的若 干条 规 则 ， 而得到 组 内成 员 从
２ 个性化 旅游服务系统的结构
的共同特性； ④据实践的变化对所有用户的权重进行调整， 突 出用 户对各 种 兴趣 增 长 或 减 弱 的趋 势 ， 映最 新 的变 化 反
如下图所 示。 个 性化 旅游服 务系统 由客户端 和服务器端 组 成 ， 服务器 情况 ， 端 主要包 括用 户认 证 、 用户建 模 、 数据 匹配 、 荐结 果 封装 推 四大 模 块 ， 现用 户合法 性 认证 、 户兴趣 发 现 、 性 化推 实 用 个
营销策略
方法： ①选择ｋ 个对象作为初始的簇 中心；￣ ｅｅｔ③ 除 一年 时 间 内选 择 景点个 数小 于２ 的用户记 录 ； 根 据系 （） ｐａ； Ｒ 个 ③ 对每个对象， 计算离其最近的簇 中心点， 并将对象分配到该 统两年内的日 ， 志 计算发现超过阈值的而产生的三条规则； 中心点代表的簇； ④随机选取非中心 ｒｎｏ ⑤计算用 ④ 根据发现的规则 ， ￣Ｏ ａｄ ｍ； 对于满足规则前项而没有选择后项的 Ｏ ａｄｍ ｒｎ ｏ 代替０形成新集合前后的总代价ｓ， ； 若ｓ ｓ， 用户， ｊ ｊｓ ⑥ ＜ｊ 主动推荐规则后项的景点。 用Ｏ ａｄｍ ｒｎｏ 代替Ｏ ， ｉ形成新 的ｋ 个中心点的集合 ； ）ｎｉ （ ｕ ｔ不再 ３５ 关联 规则和聚类分析互补的推荐决策 ￣ ｌ ． 发生变化。 ＝ Ｋ 系统中信 息 分类的数量。 聚类分析和关联规则互补的推荐方法是 ， 在挖掘时， 分 选 取 对 各 类别 兴 趣 度 最 大 的ｋ 个用 户兴 趣 数 据 作 为初 别采 用关联 规则 和 聚类 分析得 到规 则和 聚类 结果 ； 推荐 时， 始簇 中心点 。 果 最大 兴 趣度 同时对 应 多个 用户， 随 机选 如果当前用户访问模式能够与关联规则 匹配， 如 则 则优先推荐 取一个最为中心点； 如果一个用户对多个类别的兴趣度都为 按照关联规则推荐的结果 ， 然后再推荐基于聚类分析 的推 否则 ， 计算当前用户访问模式与聚类分析结果的匹 所有用户对该类别的最大值 ， 则依次选下一个兴趣度对应 荐结果 ； 的用 户补 足用户点 。 配值， 找到相似的类 ， 按照聚类分析结果进行推荐。 与基于聚类结果 的实验分析相比， 基于关联推荐的推 Ｄｋ Ｎ 簇 中 ｉ ＝ 用户数量 荐 结果更加准确， 但是只能对在行为满足关联 推荐前项的 ＝ ■■—— ———■—— ——■
１ 概
述
基础上， 记录、 识别用户的目 ； 标 ②在识别用户目标的基础 上， 分析用户的兴趣所在， 为个性化的推荐提供依据。 （） 性化 推荐 。 据不 同用户的模 型 ， ４个 根 考虑 不同用户
时至今 日， 性 化 的思 想 和技 术 在 各 个 领 域 中已是 无 个
处 不 在 。 过个 性 化 的思想 及个 性 化 服务 技 术可 以为不 同 通 不同的兴趣倾向， 按照一定的规则， 在服务数据库中匹配关 的用 户 提供 不 同 的服务 。 性 化 服务 通 过 收 集 和分 析用 户 个 联信息， 作出决策， 给不同的用户提供不同的推荐结果。 相关信息来学习用户的兴趣和行为， 从而实现有针对性的 （） ５ 发送推荐信息。 将推荐结构按照一定的数据结构 推荐。 在互联网领域， 个性化服务能够大大的提高网站的服 和传输标准打包后发送给用户。 务质 量。 而在旅 游服 务领 域 ， 性 化服 务能 够提 高用户满 意 个 （） ６ 用户反馈。 该模块收集用户对收到的推荐结果作 度， 有利 于旅 行社 的发展 。 现在 的旅 游 服务 ， 给游 客 推 而 在 出的反 应 ， 并将 收集 到 的信息发 送 到 服务器 端 ， 以便 于服务 荐 出游地点 时 往往 忽视了游客本 身 的兴趣 和 喜好， 而游客 自 器 端进 一步调 整用 户模 型以及推 荐策 略。 己在 选择 出游地 点上带有一定 的盲 目 和随 意性 ， 样游 客 性 这 在 旅游 之后往 往发 现 目的地 跟心 中期 望不符 ， 样对提 高用 ３ 个 性化推荐 这 户的满意度是非常不利的。
荐以及产生推荐结果这一个完整的过程。 而客户端的主要完 成发送用户请求以及接受服务器端的信息， 并且提供ｘｑ性 Ｃ－ 化推荐结果的反馈ｆ 包。 赢 系统各模块详细介绍如下：
嚣 颈 ■
个 性 化 பைடு நூலகம்荐 过 程 图
． 一中心点思想的聚类算法 （） １ 用户请求。 这一部分包括用户提交需求以及用户 ３２ 基于ｋ 之所以采用ｋ 中心点算法， ’ 是因为： ①该算法通过簇内 提交反馈信息两部分的内容。