魯 芳，彭志強(qiáng)，羅定提（湖南工業(yè)大學(xué)管理科學(xué)與工程研究所，湖南 株洲 412000）

基于遺忘函數(shù)和流行度的旅游產(chǎn)品個性化推薦研究

魯 芳，彭志強(qiáng)，羅定提
（湖南工業(yè)大學(xué)管理科學(xué)與工程研究所，湖南 株洲 412000）

非線性遺忘函數(shù)能夠改進(jìn)傳統(tǒng)協(xié)同過濾推薦算法沒有考慮游客興趣穩(wěn)定性的缺點(diǎn)，從而實(shí)現(xiàn)精準(zhǔn)旅游個性化服務(wù)推薦。但是非線性遺忘函數(shù)并沒有考慮到旅游產(chǎn)品的流行度，流行度越高的旅游產(chǎn)品，游客之間的興趣相似度便越不準(zhǔn)確，而流行度越低的產(chǎn)品，預(yù)測游客之間的興趣相似度就更加準(zhǔn)確。鑒于此，為了更進(jìn)一步提高推薦精準(zhǔn)度，在非線性遺忘函數(shù)的基礎(chǔ)上構(gòu)建考慮旅游產(chǎn)品流行度的數(shù)學(xué)模型，削弱流行度高的旅游產(chǎn)品的權(quán)值，調(diào)整游客間興趣相似度。實(shí)驗(yàn)表明，引入產(chǎn)品流行度后，得到的平均絕對差值變小，推薦精準(zhǔn)度也顯著增加。

非線性遺忘函數(shù)；產(chǎn)品流行度；協(xié)同過濾；個性化推薦

0 引 言

隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)能夠?yàn)槁糜螛I(yè)提供非常廣泛的各種各樣的旅游服務(wù)和旅游產(chǎn)品。由于旅游業(yè)的信息化程度越來越高和人們在網(wǎng)上的選擇與日俱增，所以大部分時間，游客漫游在信息的海洋中從而找不到自己所需要的旅游產(chǎn)品。游客數(shù)量的劇增和旅游信息的日益增多導(dǎo)致的旅游網(wǎng)站信息量過載，由于沒有為游客量身定做旅游產(chǎn)品和旅游方案以及網(wǎng)頁的千篇一律，從而使游客瀏覽旅游網(wǎng)站的時間機(jī)會成本大大增加，也一定程度降低了游客對網(wǎng)站的忠誠度。傳統(tǒng)的協(xié)同過濾推薦方法能夠?yàn)橛慰屯扑]部分自己想要的產(chǎn)品，但僅僅是根據(jù)其他游客的評分和自己本身歷史評分?jǐn)?shù)據(jù)來預(yù)測當(dāng)前游客的偏好［1］，該方法并沒有考慮到游客偏好動態(tài)轉(zhuǎn)移的特性。消費(fèi)者心理學(xué)研究表明，消費(fèi)者的偏好并非事先確定的、一成不變的［2］，而是受到外部環(huán)境如自己本身的購物歷史、人口統(tǒng)計(jì)和產(chǎn)品本身的流行性程度以及對產(chǎn)品的了解程度等所決定的。那么也就是說游客的興趣是變化的，只是變化的程度不一樣。因此，許多學(xué)者提出基于非線性遺忘函數(shù)來改善傳統(tǒng)的協(xié)同過濾算法，雖然推薦效果有所提升，但是產(chǎn)品有冷熱門之分，而產(chǎn)品的流行程度對推薦有明顯且重要的影響。熱門產(chǎn)品所包含的信息沒有冷門產(chǎn)品包含的信息多，流行度對推薦的效果影響非常大，例如，假設(shè)摩天輪在網(wǎng)上的評分是最高的，游客打開網(wǎng)站第一眼能看到的就是它，游客選擇它并不是僅僅是因?yàn)橄矚g，還包含隨大流的思想。因此，推薦效果顯然不是很精確。所以在遺忘函數(shù)基礎(chǔ)上同時提出產(chǎn)品流行度，通過對熱門產(chǎn)品降權(quán)的方式，融合兩種方法，以此來提高對游客推薦的旅游產(chǎn)品的精準(zhǔn)度，從而解決旅游信息量過載問題，提高游客對網(wǎng)站的忠誠度，實(shí)現(xiàn)旅游資源配置的最優(yōu)化。

1 相關(guān)研究綜述

由于網(wǎng)絡(luò)的發(fā)展，互聯(lián)網(wǎng)+被越來越重視，人們在網(wǎng)上購物已是大勢所趨，也越來越多的人會在網(wǎng)上訂制旅游門票和旅游產(chǎn)品，許多學(xué)者開始在大數(shù)據(jù)的背景下，通過數(shù)據(jù)挖掘來掌握游客的偏好。協(xié)同過濾算法是旅游電子商務(wù)進(jìn)行個性化推薦最常用、最有效的方法。其中協(xié)同過濾算法是根據(jù)鄰居用戶對產(chǎn)品的評分和游客本身對產(chǎn)品的歷史評分建立游客興趣度矩陣，預(yù)測游客對該產(chǎn)品未來的興趣偏好程度，此方法能克服基于內(nèi)容過濾算法的缺點(diǎn)，也應(yīng)用最為廣泛。但是存在嚴(yán)重的數(shù)據(jù)稀疏性問題和冷啟動問題［3］。此外，該方法預(yù)測的只是游客的歷史興趣，不能對游客當(dāng)前的興趣進(jìn)行預(yù)測。為了改善協(xié)同過濾的推薦效果，Schiaffino等［4］在協(xié)同過濾中應(yīng)用了人口統(tǒng)計(jì)學(xué)，在這種情況下推薦系統(tǒng)會根據(jù)對用戶的人口統(tǒng)計(jì)和用戶本身的行為特性把用戶分為不同的類別，以此來改善協(xié)同過濾上的不足。Bedi等［5］為在線旅游提出基于聲譽(yù)協(xié)同過濾的多智能推薦系統(tǒng)，用來改善協(xié)同過濾的冷啟動問題。Burke［6］和 Abbas等［7］采用了將協(xié)同過濾和基于內(nèi)容過濾算法結(jié)合的方式，有效地減少了冷啟動問題，通過兩種方法的結(jié)合能夠給用戶提供一個全新的內(nèi)容或者自己從未使用過的服務(wù)，充分挖掘它們的優(yōu)點(diǎn)有效減少它們的不足。與此同時許多研究學(xué)者對旅游需求方面也進(jìn)行了研究，周霓［8］運(yùn)用灰色預(yù)測動態(tài)模型對山東入境旅游游客量進(jìn)行預(yù)測，為山東入境旅游客源市場的規(guī)劃發(fā)展提供了相關(guān)的建議。張廣海等［9］針對淄博旅游業(yè)的發(fā)展現(xiàn)狀和現(xiàn)存的問題，運(yùn)用單位根檢驗(yàn)、協(xié)整分析、VAR模型對城鎮(zhèn)化和旅游發(fā)展之間的關(guān)聯(lián)機(jī)制進(jìn)行動態(tài)計(jì)量分析，最后結(jié)合協(xié)同學(xué)理論研究了兩者之間的協(xié)調(diào)性和有序性，為文章研究旅游個性化推薦做好一定程度上的背景和鋪墊，最后鄧鵬等［10］提出了一種基于用戶情境的POI個性化推薦模型，實(shí)現(xiàn)實(shí)時位置的個性化推薦，推薦結(jié)果具有較好的精度，也為個性化推薦做出了更進(jìn)一步的推進(jìn)。后期學(xué)者考慮到游客偏好隨時間的變化發(fā)生動態(tài)轉(zhuǎn)移，并對此做出了研究。于洪等［11］提出基于遺忘曲線協(xié)同過濾算法，借鑒心理學(xué)上艾賓浩斯遺忘曲線來跟蹤和學(xué)習(xí)用戶的興趣，來改善傳統(tǒng)的協(xié)同過濾不能及時反映用戶的興趣變化的不足。鄭先榮等［12］提出非線性逐步遺忘協(xié)同過濾算法，改善傳統(tǒng)協(xié)同過濾算法沒有考慮用戶興趣變化，導(dǎo)致其推薦質(zhì)量較差的問題。田寶軍等［13］在協(xié)同過濾個性化推薦系統(tǒng)中把時間因素的影響考慮進(jìn)去，改變不同時刻評分的權(quán)重，解決了對用戶興趣更新不及時所導(dǎo)致的推薦結(jié)果不夠全面、準(zhǔn)確的問題。曾東紅等［14］提出一種基于指數(shù)函數(shù)的協(xié)同過濾算法，通過對評分矩陣的修正，得到一種改進(jìn)的協(xié)同過濾算法，并且推薦的精準(zhǔn)度顯著提高。朱國瑋等［15］提出基于遺忘函數(shù)和領(lǐng)域最近鄰的混合推薦，通過非線性遺忘函數(shù)建立用戶興趣模型，引入領(lǐng)域最近鄰處理方法，改善協(xié)同過濾面臨嚴(yán)峻的數(shù)據(jù)稀疏性和冷啟動問題和基于內(nèi)容過濾存在新用戶問題。

然而上述研究在引入遺忘函數(shù)時都是假設(shè)產(chǎn)品的流行性程度是平等的，即產(chǎn)品與產(chǎn)品之間的流行與否并沒有區(qū)別，現(xiàn)實(shí)生活中流行度越高的產(chǎn)品在網(wǎng)站的排名就越靠前，從而導(dǎo)致用戶獲取不同流行度產(chǎn)品的難易程度不同，進(jìn)而用戶對不同流行度產(chǎn)品的選擇所包含的用戶興趣程度也不同，從而造成兩個用戶同時選擇一個流行度高的產(chǎn)品興趣相似度就不一定很高，預(yù)測不準(zhǔn)確。有許多學(xué)者為解決這一問題，在協(xié)同過濾的基礎(chǔ)上引入產(chǎn)品流行度，削弱熱門產(chǎn)品的權(quán)值達(dá)到提高推薦效果。趙向宇［16］在傳統(tǒng)的協(xié)同過濾算法上考慮了產(chǎn)品的流行度問題，并做出相應(yīng)的實(shí)驗(yàn)，通過對熱門產(chǎn)品進(jìn)行降權(quán)，推薦精度顯著提高。Song等［17］針對推薦系統(tǒng)很容易給用戶推薦出流行性高的小說，而不能夠滿足一些用戶偏好流行度低的產(chǎn)品進(jìn)行推薦的問題，提出了個人聲望傾向匹配方法，改善小說的流行度和興趣偏好之間的不平衡問題，并且處罰流行度高的小說，提高了推薦的效果。Lai［18］通過分離高用戶追蹤和低用戶追蹤的項(xiàng)目，來預(yù)測二進(jìn)制用戶的興趣偏好，將基于鄰居用戶模型、潛在因素模型和基于內(nèi)容的模型進(jìn)行線性組合，結(jié)合項(xiàng)目的流行性程度，最后有針對地推薦。

由以上文獻(xiàn)可以看出，個性化推薦獲得大批國內(nèi)外學(xué)者的廣泛關(guān)注，雖然從不同角度完善個性化推薦模型的應(yīng)用，并有一定的研究成果，但是很少文獻(xiàn)能有效地結(jié)合非線性遺忘函數(shù)和產(chǎn)品流行度給予推薦。單一的對游客興趣變化分析只是假設(shè)了所推薦的產(chǎn)品都是平等的，沒有流行與否，這會造成網(wǎng)站在設(shè)計(jì)個性化推薦時假設(shè)游客面對產(chǎn)品的興趣偏好是平等的，造成預(yù)測不準(zhǔn)確。而單一的對產(chǎn)品流行度分析試圖提高推薦效果都是假設(shè)游客興趣是不變的，得到的只是游客的歷史興趣，也會造成預(yù)測不準(zhǔn)確。鑒于此，本文在遺忘函數(shù)的基礎(chǔ)上，在考慮到游客興趣隨時間變化的同時，對熱門旅游產(chǎn)品進(jìn)行懲罰，降低熱門旅游產(chǎn)品的權(quán)值，然后確定游客之間的興趣相似度，最后結(jié)合傳統(tǒng)的推薦算法，以此更進(jìn)一步提高旅游產(chǎn)品個性化推薦精準(zhǔn)度，提高游客對旅游網(wǎng)站的忠誠度，一定程度緩解旅游網(wǎng)站信息量過載問題。

2 相關(guān)模型算法

2.1 非線性遺忘函數(shù)推薦模型

游客的興趣偏好預(yù)測與游客對旅游產(chǎn)品點(diǎn)擊頻率和每次評分之間的相隔時間密切相關(guān)，也稱之為游客隱性偏好，假設(shè)游客當(dāng)前實(shí)際評分時間為 tN，游客評分參照時間為 tL，游客對旅游產(chǎn)品的相對評分時間為 t，相對評分時間，也即實(shí)際評分時間與所設(shè)參照時間的時間間隔。因此，當(dāng)前游客瀏覽時間距上次最大時間間隔 tmax=max（TN-tL），最小間隔時間 tmin=min（tN-tL）。根據(jù)德國心理學(xué)家艾賓浩斯（Ebbinghaus）對人類遺忘現(xiàn)象做出的系統(tǒng)研究，人對于事物的遺忘過程是非線性的［19］。其中h（t）函數(shù)表達(dá)方式為：

其中：m是遺忘系數(shù)，即表示游客對旅游產(chǎn)品的遺忘速度。其值越大，游客對產(chǎn)品遺忘越快，其興趣變化程度越大，反之亦然。當(dāng)m=0時，游客未進(jìn)行非線性遺忘，即表示歷史偏好與當(dāng)前偏好一致；當(dāng)0＜m＜1時，游客進(jìn)行部分非線性遺忘；當(dāng) m=1時，游客進(jìn)行完全非線性遺忘，游客偏好隨時間開始呈現(xiàn)非線性變化。m值受系統(tǒng)中游客偏好變化程度的影響，游客偏好變化大，值就會大一些，反之則小一些。為了解決游客興趣隨時間變化的問題，文獻(xiàn)［12］在傳統(tǒng)的協(xié)同過濾基礎(chǔ)上引入非線性遺忘函數(shù)，對其改進(jìn)如下：

其中：u是當(dāng)前游客；v是其他游客；sin（u，v）是當(dāng)前游客和游客的興趣相似度；CRI是當(dāng)前游客和其他游客共同評分的產(chǎn)品集合；Ru，i是游客 u對旅游產(chǎn)品的評分；Rv，i是游客 v對項(xiàng)目 i的評分；表示游客 u對所有旅游產(chǎn)品評分的均值；表示游客v對所有旅游產(chǎn)品的評分的均值，該方法是利用Ru，i×h（t）代替Ru，i來確定游客的相似性，h（t）起到調(diào)節(jié)游客偏好變化程度，緩解游客興趣隨時間變化的程度，增加游客目前評分的重要性同時也降低了游客歷史評分的重要性，最后結(jié)合協(xié)同過濾算法，找出最近鄰居，從而產(chǎn)生推薦。

2.2 產(chǎn)品流行度推薦模型

馬太效應(yīng)描述的是流行的物質(zhì)越來越流行，不流行的物質(zhì)越不被人知的現(xiàn)象。該現(xiàn)象在生活中比較常見，并且適用推薦系統(tǒng)，以產(chǎn)品為例，越流行的產(chǎn)品就越容易被推薦給用戶，相反不流行的產(chǎn)品就相對很難被推薦，甚至需要用戶主動檢索，由此便會影響用戶對產(chǎn)品的選擇，最終會影響用戶對不同流行程度產(chǎn)品的興趣。為了降低產(chǎn)品流行度給推薦系統(tǒng)帶來的影響，文獻(xiàn)［16］在協(xié)同過濾的基礎(chǔ)上通過引入一般產(chǎn)品流行度函數(shù)來削弱熱門產(chǎn)品的權(quán)值，提高游客之間的興趣相似度，從而達(dá)到推薦效果的提升。其改進(jìn)如下：

其中：W是對熱門產(chǎn)品的懲罰函數(shù)。

結(jié)合協(xié)同過濾算法確定最近鄰居，根據(jù)最近鄰居計(jì)算出用戶對未知項(xiàng)目的評分大小，從而依據(jù)評分的大小予以推薦。

3 非線性遺忘函數(shù)與流行度結(jié)合算法

上述函數(shù)表示對所有產(chǎn)品進(jìn)行一定程度的懲罰，降低其所占的權(quán)值，其表達(dá)式為：

其中，W是對熱門產(chǎn)品的懲罰值，pi是旅游產(chǎn)品i的流行度，大部分文獻(xiàn)對流行度的計(jì)算考慮到產(chǎn)品的評分次數(shù)，越流行的產(chǎn)品評分次數(shù)就越多，故文章用評分次數(shù)來反映產(chǎn)品的流行與否。因此公式中的pi也代表產(chǎn)品i被用戶評分的次數(shù)。即對所有的產(chǎn)品進(jìn)行降權(quán)處理，評分越高的項(xiàng)目，也即越流行的項(xiàng)目，其W值越小，反之亦然。因此，本文改進(jìn)以上兩種推薦算法，改進(jìn)的興趣相似度算法如下：

以此來改善上述單一模型的不足，同時考慮游客興趣隨時間的變化和產(chǎn)品流行度在預(yù)測中起到的作用，共同調(diào)節(jié)，重新確定用戶的相似度，找到用戶的最近鄰居，然后結(jié)合協(xié)同過濾推薦，計(jì)算出當(dāng)前游客對旅游產(chǎn)品未來的評分值，按照評分以高向低排列，為游客推薦旅游產(chǎn)品。

Nu表示用戶 u的鄰居用戶，表示用戶u對所有項(xiàng)目的平均評分，表示用戶v對所有項(xiàng)目的平均評分，最終形成推薦。

4 實(shí)驗(yàn)仿真及分析

4.1 數(shù)據(jù)集

旅游產(chǎn)品是需要游客親身體驗(yàn)其中具體的內(nèi)容方知喜好程度，而電影同樣需要用戶親身體驗(yàn)才能反映出用戶的喜好程度，同時旅游產(chǎn)品評分和 MoviesLens中包含的電影評分都是五分制，并且用戶選擇都是根據(jù)內(nèi)容來選擇，電影和旅游產(chǎn)品的流行程度都能影響用戶對其選擇，所以文章引用MoviesLens中電影數(shù)據(jù)來做實(shí)驗(yàn)仿真能夠反應(yīng)模型的準(zhǔn)確性。MoviesLens數(shù)據(jù)集是經(jīng)常被許多研究學(xué)者采集用來研究推薦系統(tǒng)的，其中涉及1 682個電影和943個用戶，包含100 000條評論。本文從中提取2 666條記錄，包含50個用戶和150個電影，并且每部電影至少有11個評論次數(shù)。本文將采取80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測試集。

4.2 評價標(biāo)準(zhǔn)

目前，推薦算法中最常用的評價標(biāo)準(zhǔn)就是采用平均絕對差法，見（7）式，該方法通過利用定量方法計(jì)算游客興趣偏好與游客真實(shí)偏好之間的偏差關(guān)系，以確定該推薦算法預(yù)測出來的游客興趣的精確性。并且與推薦精度成負(fù)相關(guān)關(guān)系，也即所得值越小，其預(yù)測精確度越高。

其中，Ri表示算法（7）式預(yù)測出來對項(xiàng)目 i的評分，ri表示游客對項(xiàng)目 i的真實(shí)評分。

4.3 實(shí)驗(yàn)結(jié)果

m值從0到1變化的三種方法推薦精準(zhǔn)度，隨機(jī)選取k=15個鄰居游客，三種方法參數(shù)設(shè)定下的推薦結(jié)果如圖1所示。

m是游客興趣遺忘系數(shù)，其值越小表示游客興趣變化越慢，反之亦然。其中 m過大過小都不適合，過大或過小不僅不會提高推薦效果反而會影響推薦效果。從圖 1可知，當(dāng)設(shè)定參數(shù)m=0.6時，其推薦效果最好。然后在目標(biāo)游客中尋找25個鄰居用戶，分別比較傳統(tǒng)協(xié)同過濾、非線性遺忘、產(chǎn)品流行度的 MAE值，實(shí)驗(yàn)結(jié)果如圖2所示。

圖2可以看出，傳統(tǒng)協(xié)同過濾值MAE最大，引入產(chǎn)品流行度后 MAE值最小，而非線性遺忘函數(shù)的MAE值居于其中，并且總體的MAE值都與鄰居數(shù)量呈現(xiàn)負(fù)相關(guān)的關(guān)系，也即隨著鄰居游客數(shù)量的增加，三種推薦手段的推薦精度是有所提高的，其中基于產(chǎn)品流行度的推薦方法的 MAE值最小，推薦精度最高。并且推薦效果隨著鄰居數(shù)量的增多，值就越小，看來鄰居的數(shù)量對推薦效果有著重要的影響，由圖2可以看出，非線性遺忘函數(shù)對協(xié)同過濾的改進(jìn)在鄰居數(shù)量k=15的時候，達(dá)到最優(yōu)效果，其提高了26%，基于遺忘函數(shù)的流行度函數(shù)相對于協(xié)同過濾算法，提高了47.8%的推薦效果，相對于非線性遺忘函數(shù)提高了29%。其他鄰居數(shù)量下的推薦提高在10%左右。

圖 1 改進(jìn)算法與傳統(tǒng)算法推薦精度隨值變化關(guān)系

圖2 改進(jìn)算法與傳統(tǒng)算法值

5 結(jié) 論

旅游產(chǎn)品越來越信息化和人們更愿意在網(wǎng)上購買產(chǎn)品的趨勢下，非線性遺忘函數(shù)結(jié)合協(xié)同過濾算法已經(jīng)不能滿足當(dāng)下旅游網(wǎng)站對游客實(shí)現(xiàn)精準(zhǔn)推薦的需求，并且一般的非線性遺忘函數(shù)也并沒有考慮到產(chǎn)品的流行性程度，為了更進(jìn)一步提高推薦的精準(zhǔn)度，融合了旅游產(chǎn)品流行度，以期從不同角度考慮旅游個性化推薦，實(shí)現(xiàn)更加精準(zhǔn)的推薦。實(shí)驗(yàn)表明，在引入流行度后，其值顯著下降，推薦精度明顯比較傳統(tǒng)的協(xié)同過濾算法和基于非線性遺忘函數(shù)的協(xié)同過濾算法要高得多，從而解決游客在大數(shù)據(jù)面前找到自己所需要產(chǎn)品耗時的難題，進(jìn)而提高游客對網(wǎng)站的忠誠度，更進(jìn)一步優(yōu)化旅游業(yè)資源配置。

本文雖然為提高推薦的精準(zhǔn)度，提出了產(chǎn)品的流行度，但是旅游個性化推薦模型還有更進(jìn)一步的發(fā)展空間。并不是所有的產(chǎn)品都需要降權(quán)處理，所以對產(chǎn)品的劃分確定產(chǎn)品的置信區(qū)間，是下一步急需解決的問題。

［1］BREESE J S，HECKERMAN D，KADIE C.Empirical Analysis of Predictive Algorithms for Collaborative Filtering［C］.Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence.Morgan Kaufmann Publishers Inc.，1998：43-52.

［2］KWON K，CHO J，PARK Y.Influences of Customer Preference Development on the Effectiveness of Recommendation Strategies ［J］.Electronic Commerce Research and Applications，2009，8（5）：263-275.

［3］HUANG Y，BIAN L.A Bayesian Network and Analytic Hierarchy Process Based Personalized Recommendations for Tourist Attractions over the Internet［J］.Expert Systems with Applications，2009，36（1）：933-943.

［4］SCHIAFFINO S，AMANDI A.Building an Expert Travel Agent as a Software Agent［J］.Expert Systems with Applications，2009，36（2）：1291-1299.

［5］BEDI P，VASHISTH P.Empowering Recommender Systems Using Trust and Argumentation［J］.Information Sciences，2014，279：569-586.

［6］BURKE R.Hybrid Recommender Systems：Survey and Experiments［J］.User Modeling and User-Adapted Interaction，2002，12 （4）：331-370.

［7］ABBAS A，ZHANG L，KHAN S U.A Survey on Context-Aware Recommender Systems Based on Computational Intelligence Techniques［J］.Computing，2015，97：667-690.

［8］周霓.山東省入境旅游客源市場預(yù)測研究——基于灰色GM（1，1）模型［J］.山東財(cái)政學(xué)院學(xué)報(bào)，2013，25（2）：46-51.

［9］張廣海，李晶晶.資源型城市城鎮(zhèn)化和旅游發(fā)展水平的關(guān)聯(lián)機(jī)制分析——以淄博市為例［J］.山東財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015，27 （4）：36-45.

［10］鄧鵬，李霖，陳功，等.基于用戶情境的 POI個性化推薦模型［J］.測繪地理信息，2015，40（3）：52-56.

［11］于洪，李轉(zhuǎn)運(yùn).基于遺忘曲線的協(xié)同過濾推薦算法［J］.南京大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，46（5）：520-527.

［12］鄭先榮，湯澤瀅，曹先彬.適應(yīng)用戶興趣變化的非線性逐步遺忘協(xié)同過濾算法［J］.計(jì)算機(jī)輔助工程，2007，16（2）：69-73.

［13］田保軍，張超，蘇依拉，等.基于 Hadoop的改進(jìn)協(xié)同過濾算法研究［J］.內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，36 （1）：132-138.

［14］曾東紅，汪濤，嚴(yán)水發(fā)，等.一種基于指數(shù)遺忘函數(shù)的協(xié)同過濾算法［J］.科技廣場，2013（7）：10-15.

［15］朱國瑋，周利.基于遺忘函數(shù)和領(lǐng)域最近鄰的混合推薦研究［J］.管理科學(xué)學(xué)報(bào)，2012，15（5）：55-64.

［16］趙向宇.Top-N協(xié)同過濾推薦技術(shù)研究［D］.北京：北京理工大學(xué)，2014.

［17］SONG.M，PARK S，YU H，et al.Novel RecommEndation Based on Personal Popularity Tendency［C］.Data Mining（ICDM），2011 IEEE 11th International Conference on.IEEE，2011：507-516.

［18］LAI S，LIU Y，GU H，et al.Hybrid Recommendation Models for Binary User Preference Prediction Problem［J］.Journal of Machine Learning Research-Proceedings Track，2012，18：137-151.

［19］GENQING Y.Medical Psychology［M］.Nanjing：Southeast University Press，1995：47-53.

（責(zé)任編輯 王玉燕）

Tourism Product Personalized Recommendation Based on Forgetting Function and Popularity

LU Fang，PENG Zhiqiang，LUO Dingti
（Institute of Management Science and Engineering，Hunan University of Technology，Zhuzhou 412000，China）

Although nonlinear forgetting functions can be used to overcome the shortcoming of traditional collaborative filtering recommendation algorithms ignoring tourists'interest stability and to realize accurate personalized service recommendations，it fails to take tourism product popularity into consideration.Tourists'interest similarity degree is increasingly inaccurate in highly popular tourism products while it is increasingly accurate in less popular tourism products.In order to improve the recommendation accuracy，a mathematical model involving tourism product popularity is constructed based on nonlinear forgetting functions so as to weaken the weight of highly popular tourism products and adjust tourists'interest similarity degree.The experiment shows that the mean absolute difference value decreases with recommendation accuracy increasing significantly when product popularity is included.

nonlinear forgetting function；product popularity；collaborative filtering；personalized recommendation

F590

A

2095-929X（2016）01-0092-08

2015-12-03

國家自然科學(xué)基金“雙重委托代理下旅游服務(wù)供應(yīng)鏈激勵機(jī)制設(shè)計(jì)”（71201053）；湖南省教育廳優(yōu)秀青年項(xiàng)目“基于雙邊非對稱信息的合作旅游服務(wù)質(zhì)量生產(chǎn)契約研究”（15B070）；湖南工業(yè)大學(xué)研究生創(chuàng)新基金項(xiàng)目“旅游個性化服務(wù)推薦”（cx1507）。

魯芳，女，湖南瀏陽人，湖南工業(yè)大學(xué)財(cái)經(jīng)學(xué)院副教授，研究方向：信息安全、物流與供應(yīng)鏈管理；彭志強(qiáng)，男，河南信陽人，湖南工業(yè)大學(xué)財(cái)經(jīng)學(xué)院碩士生，研究方向：物流與供應(yīng)鏈管理，Email：946463152@qq.com；羅定提，湖南長沙人，湖南工業(yè)大學(xué)管理學(xué)院教授，研究方向：物流與供應(yīng)鏈管理。