馬莉娟,蔡鯤鵬,張松婷

(1.阜陽師范大學(xué) 歷史文化與旅游學(xué)院，安徽 阜陽 236000；2.阜陽師范大學(xué) 計算機與信息工程學(xué)院,安徽 阜陽 236000)

隨著經(jīng)濟社會的發(fā)展,人們對于旅游的需求量越來越大,給旅游產(chǎn)業(yè)帶來了新的發(fā)展機遇.旅游信息呈爆發(fā)式增長,如何方便快捷地從這些海量旅游信息中獲取有用信息變得越來越困難.為解決上述問題,研究一種行之有效的旅游景區(qū)推薦方法具有重要意義,因此對旅游景區(qū)推薦系統(tǒng)的探索與研究受到人們的極大重視[1].研究旅游景區(qū)推薦系統(tǒng)優(yōu)化設(shè)計方法,在發(fā)展智慧化旅游中具有重要意義[2].為了克服傳統(tǒng)旅游景區(qū)推薦系統(tǒng)的推薦準(zhǔn)確率低的缺陷,本文提出基于規(guī)則推理的旅游景區(qū)推薦系統(tǒng).在原有系統(tǒng)硬件基礎(chǔ)上對軟件部分進行優(yōu)化設(shè)計,建立旅游景區(qū)推薦的空間信息分布式檢索模型,通過模糊規(guī)則推理方法提取信息的相似度和差異度特征量,根據(jù)差異度水平設(shè)計旅游景區(qū)推薦決策過程,并對旅游景區(qū)推薦決策過程進行自適應(yīng)智能尋優(yōu).最后進行仿真測試分析,展示了本文方法在提高旅游景區(qū)智能化推薦能力方面的優(yōu)越性能.

1 旅游景區(qū)推薦系統(tǒng)優(yōu)化設(shè)計

1.1 空間信息分布式檢索與信息重構(gòu)

本文在原有旅游景區(qū)推薦系統(tǒng)硬件基礎(chǔ)上,對軟件部分進行優(yōu)化設(shè)計.建立旅游景區(qū)空間信息分布式檢索模型,采用子塊分析方法進行旅游景區(qū)推薦信息重構(gòu)和關(guān)聯(lián)規(guī)則分析[3].首先構(gòu)建旅游景區(qū)空間信息分布式檢索模型,表示為：

(1)

采用Leacock- Chodorow聯(lián)合特征分析方法進行旅游景區(qū)空間分塊融合處理,函數(shù)描述為：

(2)

其中,FT(t)=(F1(t),F2(t)...FN(t)),表示旅游景區(qū)的關(guān)聯(lián)特征量.采用統(tǒng)計分析方法進行旅游景區(qū)推薦的信任度分析[4],計算公式如下：

(3)

利用矩陣分解技術(shù)進行旅游景區(qū)推薦過程中的自相關(guān)匹配和信息融合,得到特征分解結(jié)果為：

(4)

將上式采用多維尺度分解方法進行旅游景區(qū)推薦過程進一步展開：

(5)

根據(jù)貢獻度水平,進行旅游景區(qū)推薦項目屬性集合分析[5],得到旅游景區(qū)推薦的適應(yīng)度特征量為ix,iy.在此基礎(chǔ)上,采用子塊分析方法對檢索到的信息進行重構(gòu),表示為：

(6)

其中,n為旅游景區(qū)數(shù)據(jù)特征維數(shù),m為重構(gòu)閾值.

6#樣品顏色為白色，鏡面狀，表面光滑，外觀較為特殊，經(jīng)紅外光譜檢測，該種塑料快遞包裹袋表面存在聚對苯二甲酸乙二醇酯成分，如圖4所示。

1.2 關(guān)聯(lián)規(guī)則分析

結(jié)合關(guān)聯(lián)規(guī)則推理方法進行旅游景區(qū)特征提取和信息融合[6-8],構(gòu)建旅游景區(qū)推薦信息的大數(shù)據(jù)融合模型,旅游景區(qū)推薦的屬性特征匹配概率分布為：

(7)

旅游景區(qū)推薦的貝葉斯推理過程描述為：

(8)

在特征空間中,進行旅游景區(qū)推薦的冗余信息過濾[9],其中旅游景區(qū)推薦的冗余信息特征分量為：

(9)

(10)

結(jié)合條件概率分布,進行旅游景區(qū)推薦的關(guān)聯(lián)規(guī)則分析,結(jié)果如下：

(11)

2 旅游景區(qū)推薦算法優(yōu)化

2.1 旅游景區(qū)推薦的規(guī)則推理

以構(gòu)建的空間信息檢索模型為基礎(chǔ),通過模糊規(guī)則推理方法提取信息的相似度和差異度特征量,旅游景區(qū)信息的相似度特征向量N(Y),則旅游景區(qū)項目X、Y的差異度計算公式為：

(12)

(13)

采用自適應(yīng)加權(quán)信息融合方法,得到旅游景區(qū)評分,可表示為：

(14)

采用協(xié)同信息過濾方法進行旅游景區(qū)推薦過程收斂性控制,則旅游景區(qū)項目推薦的可靠性信任度,表示為：

(15)

式(15)中,D表示a→c尋優(yōu)過程中旅游景區(qū)推薦信息維數(shù)；βd∈(0,1]是旅游景區(qū)項目推薦的規(guī)則性特征量,旅游景區(qū)項目推薦的評分規(guī)則為：

F(Gj,i)=w1·R(Gj,i)+w2·(1-dis(Gj,i))

(16)

式(16)中,w1、w2分別為旅游景區(qū)推薦的自適應(yīng)權(quán)重,且0≤w1≤1,0≤w2≤1,旅游景區(qū)推薦過程的互動度為：

(17)

式(17)中,MPDist為旅游景區(qū)推薦的差異化結(jié)果之間的特征分布距離,d為旅游景區(qū)推薦效果約束因子[11].

2.2 旅游景區(qū)推薦決策過程尋優(yōu)

通過模糊推理方法提取旅游景區(qū)信息的相似度和差異度特征量,根據(jù)差異度水平設(shè)計旅游景區(qū)推薦決策過程,采用自適應(yīng)尋優(yōu)方法進行旅游景區(qū)推薦決策過程的智能尋優(yōu).

通過模糊信息感知方法,計算旅游景區(qū)空間信息融合的慣性特征量權(quán)重系數(shù)w(k)∈Rn,采用離散樣本檢測方法,建立旅游景區(qū)評分控制模型為：

(18)

采用自相關(guān)匹配進行旅游景區(qū)信息深度融合,得到綜合評分矩陣：

(19)

采用相似度信息分解方法,得到旅游景區(qū)項目評分的備選集：

(20)

式(20)中,P為實數(shù)集,x(i)為旅游景區(qū)備選標(biāo)簽集.旅游景區(qū)項目評分優(yōu)化推薦輸出：

(21)

其中,旅游景區(qū)推薦的差異度水平為：

(22)

根據(jù)差異度水平設(shè)計旅游景區(qū)推薦決策過程,采用自適應(yīng)尋優(yōu)方法進行旅游景區(qū)推薦決策過程的智能尋優(yōu),結(jié)果表示為：

(23)

3 仿真實驗與結(jié)果分析

為了驗證本文提出的基于規(guī)則推理的旅游景區(qū)推薦系統(tǒng)的實際應(yīng)用效果,進行了仿真實驗.實驗中采用Matlab進行旅游景區(qū)推薦的仿真分析.采用統(tǒng)計分析與調(diào)查問卷相結(jié)合的方法進行旅游景區(qū)推薦信息采集,參與問卷調(diào)查的游客數(shù)量為12000人,旅游景區(qū)數(shù)量設(shè)定為4,信息采集的樣本數(shù)為200個,測試集為16組.根據(jù)上述參數(shù)設(shè)定,進行景區(qū)推薦,得到推薦結(jié)果的特征分布值如圖1所示.

分析圖1得知,本文方法進行旅游景區(qū)推薦結(jié)果的特征分布值波動較為平穩(wěn),因此該方法的信息融合度水平較高,自適應(yīng)性較好.測試旅游景區(qū)推薦的準(zhǔn)確性,得到對比結(jié)果如圖2所示.

圖1 旅游景區(qū)推薦結(jié)果的特征分布值

圖2 旅游景區(qū)推薦的準(zhǔn)確性對比

分析圖2可知,與文獻方法相比,采用本文方法進行旅游景區(qū)推薦的準(zhǔn)確性較高,實際應(yīng)用效果更好.

4 結(jié) 語

將信息技術(shù)與旅游業(yè)相融合,是旅游發(fā)展的必然趨勢,研究旅游景區(qū)推薦系統(tǒng)的優(yōu)化設(shè)計方法,在發(fā)展智慧旅游過程中具有重要意義,因此設(shè)計基于規(guī)則推理的旅游景區(qū)推薦系統(tǒng).建立旅游景區(qū)空間信息分布式檢索模型,采用子塊分析方法對檢索到的信息進行重構(gòu)和關(guān)聯(lián)規(guī)則分析.通過模糊推理方法提取旅游景區(qū)信息的相似度和差異度特征量,根據(jù)旅游景區(qū)的差異度水平實現(xiàn)對旅游景區(qū)推薦和優(yōu)化決策,采用自適應(yīng)尋優(yōu)方法進行旅游景區(qū)推薦決策過程中的智能尋優(yōu).分析得知,采用本文方法進行旅游景區(qū)推薦的自適應(yīng)性較好,推薦準(zhǔn)確性較高,有效滿足了旅游景區(qū)智慧化推薦的需求,能夠?qū)⑵鋺?yīng)用在智能化的旅游信息管理中.