李亞鵬，李敬花，張子祥，周青驊

1.哈爾濱工程大學(xué) 機(jī)電工程學(xué)院，黑龍江 哈爾濱 150001

2.哈爾濱工程大學(xué) 船舶工程學(xué)院，黑龍江 哈爾濱 150001

隨著海上生活服務(wù)平臺(tái)、旅游平臺(tái)、大型郵輪等具有高密集度人群的船海類產(chǎn)品不斷發(fā)展，船上服務(wù)行業(yè)的重要性日趨突出，越來越多的遠(yuǎn)洋客船開始利用智能化、網(wǎng)絡(luò)化的手段開發(fā)網(wǎng)絡(luò)化服務(wù)系統(tǒng)，為船上乘員提供服務(wù)。同時(shí)，乘員在船上生活中的個(gè)性化服務(wù)需求日益增加，如何結(jié)合乘員自身特征為其提供個(gè)性化的服務(wù)成為船上網(wǎng)絡(luò)化服務(wù)系統(tǒng)亟需解決的問題。推薦系統(tǒng)的概念提出后，在電子商務(wù)、菜品、音樂推薦等方面得到了廣泛的應(yīng)用，但結(jié)合船上服務(wù)的特殊環(huán)境，存在以下問題：

1）對(duì)首次登船乘員產(chǎn)生的服務(wù)推薦困難問題。由于遠(yuǎn)洋客船服務(wù)環(huán)境的特殊性，多數(shù)遠(yuǎn)洋客船在近幾年逐漸應(yīng)用網(wǎng)絡(luò)化服務(wù)軟件為乘員提供服務(wù)。多數(shù)乘員均為首次登船，且對(duì)于船上網(wǎng)絡(luò)化服務(wù)軟件的使用同樣尚屬首次。網(wǎng)絡(luò)化服務(wù)軟件無(wú)法獲取這些乘員的服務(wù)偏好，無(wú)法為乘員提供個(gè)性化服務(wù)。

2）服務(wù)資源使用率問題。船上各類服務(wù)項(xiàng)目存在流行度差異，部分熱門服務(wù)可能因?yàn)榇铣藛T過多存在排隊(duì)時(shí)間長(zhǎng)、人員擁堵等現(xiàn)象。如果按照傳統(tǒng)的推薦方式向乘員推薦船上服務(wù)項(xiàng)目，許多冷門的服務(wù)項(xiàng)目可能會(huì)因?yàn)榱餍卸容^低而不被人關(guān)注。面向擁有小眾愛好的乘員，無(wú)法真正為其進(jìn)行個(gè)性化推薦。

船上乘員首次登船產(chǎn)生的服務(wù)推薦困難問題是典型的新用戶冷啟動(dòng)問題。針對(duì)冷啟動(dòng)問題國(guó)內(nèi)外已經(jīng)進(jìn)行了大量研究，并且在我們?nèi)粘Ｊ褂玫挠啿图百?gòu)物等平臺(tái)上已經(jīng)應(yīng)用，部分依然存在過擬合的問題，不能很好地滿足用戶的需求。關(guān)于冷啟動(dòng)模式研究還在不斷發(fā)展，其中包括基于項(xiàng)目流行度、項(xiàng)目評(píng)分、用戶參與、輔助數(shù)據(jù)、多媒體信息推薦、跨領(lǐng)域推薦等傳統(tǒng)方式[1-2]；也包含有融合用戶偏好屬性、熱門物品懲罰因子、項(xiàng)目流行度的改進(jìn)冷啟動(dòng)推薦模型[3-4]，通過融合推薦項(xiàng)目屬性信息、反向信息[5]或統(tǒng)計(jì)學(xué)信息[6]來進(jìn)一步提高推薦準(zhǔn)確程度。隨著冷啟動(dòng)問題的深入研究，研究人員通過對(duì)基本的策略方法整合改進(jìn)，建立了針對(duì)用戶獲得推薦信息前后場(chǎng)景動(dòng)態(tài)變化的模型[7]，包括考慮動(dòng)態(tài)情景和動(dòng)態(tài)時(shí)間的推薦策略方法[8]；另一方面也有通過融合條件構(gòu)建主體進(jìn)行主體建模的方法[9-10]，對(duì)不同以及新進(jìn)用戶進(jìn)行高效推薦，更好地解決冷啟動(dòng)問題。為使船上乘員能夠更好地享受船上服務(wù)，充分利用船上各類服務(wù)項(xiàng)目資源，提高船上網(wǎng)絡(luò)化服務(wù)系統(tǒng)推薦質(zhì)量[11]，本文將結(jié)合某國(guó)產(chǎn)大型客船船上服務(wù)智慧社區(qū)系統(tǒng)研發(fā)項(xiàng)目，針對(duì)面向乘員的船上服務(wù)冷啟動(dòng)個(gè)性化推薦系統(tǒng)部分進(jìn)行研究。通過將人口統(tǒng)計(jì)學(xué)方法和乘員初始標(biāo)簽與傳統(tǒng)協(xié)同過濾推薦算法相結(jié)合的方式，進(jìn)行乘員群體的預(yù)處理，同時(shí)根據(jù)項(xiàng)目的流行度和客容量對(duì)推薦內(nèi)容進(jìn)行實(shí)時(shí)調(diào)整，以達(dá)到對(duì)乘員的個(gè)性化推薦效果。

1 推薦算法

1.1 基于人口統(tǒng)計(jì)學(xué)的推薦算法

對(duì)于冷啟動(dòng)推薦系統(tǒng)，除了通過利用注冊(cè)用戶提交的基本信息，還可以結(jié)合用戶對(duì)初始采集時(shí)特定項(xiàng)目的評(píng)分和瀏覽記錄來引導(dǎo)乘員進(jìn)行興趣顯示，設(shè)置初始化界面。目前，多數(shù)用戶為獲得軟件或網(wǎng)站提供的個(gè)性化推薦信息，不介意提供個(gè)人的性別、年齡、職業(yè)、教育背景和興趣愛好等相對(duì)不敏感的信息；更多的軟件通過QQ、微信等社交軟件進(jìn)行登陸，這種方式能夠獲得更加完善的用戶信息?；谌丝诮y(tǒng)計(jì)學(xué)的推薦算法是將用戶的性別、年齡、職業(yè)、地區(qū)等信息構(gòu)建用戶特征模型，并根據(jù)特征模型來計(jì)算用戶之間的相似性，從而找到相似用戶，獲得推薦信息，其基本流程圖1 所示。

圖1 基于人口統(tǒng)計(jì)學(xué)算法基本

基于人口統(tǒng)計(jì)學(xué)的推薦算法不需要?dú)v史數(shù)據(jù)，沒有用戶冷啟動(dòng)問題，也不依賴于物品屬性。但由于算法采樣信息比較局限，獲取信息精確度不夠，不能夠保證提供準(zhǔn)確且根據(jù)用戶習(xí)慣調(diào)整的推薦模型。因此本文設(shè)計(jì)的推薦系統(tǒng)在初始時(shí)刻考慮用戶地區(qū)、年齡、職業(yè)等信息進(jìn)行層次聚類以確定相似群體作為用戶首次使用的推薦依據(jù)[12]，并且通過初始興趣愛好標(biāo)簽采集作為推薦打分的一部分，而后用戶的個(gè)性化需求還需要與其他推薦算法結(jié)合使用，從而得到更加準(zhǔn)確的推薦結(jié)果。

1.2 基于協(xié)同濾波算法的推薦算法

協(xié)同過濾算法通?？梢苑譃榛谟脩舻膮f(xié)同過濾算法（user-based collaborative filtering，UBCF）（如圖2）和基于物品的協(xié)同過濾算法（item-based collaborative filtering，IBCF）[13]2 種類型。結(jié)合船上服務(wù)特點(diǎn)，本文將采用基于用戶的協(xié)同過濾算法，以用戶偏好的信息作為輸入數(shù)據(jù)集，通過選擇相似度計(jì)算方式對(duì)相似度進(jìn)行量化計(jì)算得到最近鄰用戶集，以此為用戶推薦個(gè)性化的服務(wù)項(xiàng)目。

圖2 基于用戶的協(xié)同過濾算法

相似度計(jì)算需要找到目標(biāo)用戶的最近鄰用戶集，最終為目標(biāo)用戶生成一組推薦。通常包括以下3 個(gè)步驟。

1）用戶數(shù)據(jù)表示。使用m×n階矩陣來表示用戶的評(píng)分信息，如表1 所示。評(píng)分分為5 個(gè)等級(jí)，其中一般是以1～5 的整數(shù)取值，用以表示用戶對(duì)偏好的喜愛程度。

2）相似性計(jì)算。計(jì)算用戶間相似性的目的是為目標(biāo)用戶找到最鄰近的用戶集，相似度一般用sim(s,t)來表示，在進(jìn)行相似度計(jì)算時(shí)有歐式距離、余弦相似度和Pearson 相關(guān)系數(shù)等方法[14]。

歐式距離法。歐氏距離法通過計(jì)算2 點(diǎn)間的絕對(duì)距離來衡量相似性，用一行n列的行向量Au來表示用戶u對(duì)所有項(xiàng)目的評(píng)分，其計(jì)算公式如下

式中：Au和Av表示用戶u、v的特征向量；sim(u,v)值越大，說明用戶間相似性越高。

余弦相似度法。通過2 個(gè)用戶向量的夾角余弦值大小來量化用戶之間的相似度，通過計(jì)算可得其余弦角越大相似度越高。余弦相似性的計(jì)算公式為

Pearson 相關(guān)系數(shù)法。設(shè)用戶u、v進(jìn)行過相同評(píng)分的集合為I，則用戶u、v之間的 sim(u,v)可通過Pearson 系數(shù)進(jìn)行計(jì)算。其計(jì)算公式為

式中：Ru,i、Rv,i分別表示用戶u、v對(duì)偏好項(xiàng)目i的評(píng)分，和分別表示用戶u、v對(duì)所有項(xiàng)目的平均評(píng)分。

3）生成推薦序列。選擇一種相似度計(jì)算方式計(jì)算用戶之間的相似度得到最近鄰用戶集，用Pu,i表示用戶u對(duì)偏好項(xiàng)目i的預(yù)測(cè)評(píng)分，可通過用戶u對(duì)最近鄰集合U中用戶的評(píng)分加權(quán)相似度的值得到。其計(jì)算公式為

根據(jù)項(xiàng)目需求情況采用單個(gè)項(xiàng)目的相似度或者平均相似度作為依據(jù)標(biāo)準(zhǔn)，選擇評(píng)分最高的個(gè)偏好項(xiàng)目推薦給目標(biāo)用戶。

2 面向船上服務(wù)的乘員個(gè)性化推薦算法

2.1 用戶相似度的計(jì)算方法

為緩解乘員首次登船時(shí)產(chǎn)生的冷啟動(dòng)問題，對(duì)基于人口統(tǒng)計(jì)學(xué)的推薦算法進(jìn)行改進(jìn)。在考慮用戶屬性對(duì)相似度的影響時(shí)，會(huì)存在如用戶a和用戶b在用戶性別、年齡等基礎(chǔ)屬性上差異較大，但興趣愛好類似的情況。由此考慮在推薦船上服務(wù)項(xiàng)目時(shí)，興趣愛好這一屬性的權(quán)值應(yīng)大于乘員基本屬性。因此，在乘員首次登船使用船上網(wǎng)絡(luò)化服務(wù)軟件或系統(tǒng)時(shí)，提供愛好標(biāo)簽供乘員進(jìn)行選擇，記錄乘員的興趣愛好標(biāo)簽信息。

乘員在登船時(shí)，通過乘員注冊(cè)信息可以獲取到的用戶基本屬性包括年齡、性別、職業(yè)，如表2所示。原始的乘員人口統(tǒng)計(jì)學(xué)信息需要處理后使用。

表2 乘員人口統(tǒng)計(jì)學(xué)信息

乘員年齡。首先根據(jù)年齡段對(duì)乘員年齡信息進(jìn)行處理，將乘員年齡劃分為7 組數(shù)據(jù)（用數(shù)值1—7 表示）：年齡小于18 歲、年齡18～25 歲、年齡26～33 歲、年齡34～41 歲、年齡42～49 歲、年齡50～57歲以及年齡58 歲及以上。

乘員性別。性別男（M）、女（F）分別用1、0表示。

乘員職業(yè)。原有乘員表中有X個(gè)分類，根據(jù)《中華人民共和國(guó)職業(yè)分類大典》，將所有乘員職業(yè)分為7 類，使用數(shù)字1—7 表示。

用戶屬性差異度值越大，說明用戶間相似性越高。

乘員在首次使用船上網(wǎng)絡(luò)化服務(wù)軟件或系統(tǒng)時(shí)，選擇個(gè)人的愛好屬性標(biāo)簽，即通過字段來描述這一屬性。通過用戶標(biāo)簽與已有用戶選擇標(biāo)簽的情況進(jìn)行對(duì)比分析得到之間的相似度情況，并將得到的相似度情況作為首次使用的推薦情況，計(jì)算公式為

式中：n為可供選擇的所有標(biāo)簽數(shù)，k為目標(biāo)用戶s與已有用戶t之間共有標(biāo)簽的數(shù)量。

在進(jìn)行用戶間相似度計(jì)算時(shí)，引入權(quán)重系數(shù)W，用來調(diào)節(jié)不同屬性在進(jìn)行相似度計(jì)算時(shí)各自所占的權(quán)重[15]。為保證算法在目標(biāo)用戶產(chǎn)生評(píng)分信息后仍然能夠持續(xù)地進(jìn)行推薦，將上述根據(jù)用戶屬性的相似度計(jì)算方法與Pearson 相關(guān)系數(shù)法結(jié)合，形成的用戶s和t之間的相似度計(jì)算方法為

式中w1+w2+w3=1。

目標(biāo)用戶項(xiàng)目評(píng)分預(yù)測(cè)：在完成目標(biāo)用戶與現(xiàn)有用戶相似度計(jì)算后，按照相似度從高到低選取K個(gè)用戶作為目標(biāo)用戶的近鄰用戶集，記為Ni=(N1,N2,···,NK)，同時(shí)，合并所有近鄰用戶Ni的評(píng)分項(xiàng)目集合為C。

對(duì)所有船上項(xiàng)目x屬于集合C，計(jì)算目標(biāo)用戶的預(yù)測(cè)評(píng)分，計(jì)算公式為

式中：Pi,x為目標(biāo)用戶i對(duì)項(xiàng)目x的預(yù)測(cè)評(píng)分，Rx為用戶i的近鄰集，Rj,x為用戶j對(duì)項(xiàng)目x的評(píng)分，sim(i,j)為用戶i與用戶j之間的相似性。

將目標(biāo)用戶對(duì)其近鄰項(xiàng)目集合C中所有項(xiàng)目的預(yù)測(cè)評(píng)分按照按降序進(jìn)行排序，選取前N個(gè)項(xiàng)目作為目標(biāo)用戶的推薦序列。

2.2 考慮項(xiàng)目流行度和客容量的推薦修正

前述研究中，基于船上新乘員的人口統(tǒng)計(jì)學(xué)數(shù)據(jù)以及喜好標(biāo)簽信息，初始化其與其他乘客的相似度列表，得到最近鄰用戶集，以此來預(yù)測(cè)新乘客的偏好信息。但是，在整個(gè)過程中，船上不同偏好項(xiàng)目的權(quán)重始終保持為一種狀態(tài)是不合理的。因?yàn)閺纳鐣?huì)學(xué)角度來看，所有事物都遵循著“馬太效應(yīng)”。比如在電商網(wǎng)站中，流行的商品容易被更多人購(gòu)買，同時(shí)冷門的商品則會(huì)變得愈加不被人們發(fā)現(xiàn)與了解，顯然這并不符合個(gè)性化推薦的初衷。船上各類服務(wù)項(xiàng)目預(yù)設(shè)有每日客容量屬性，但由于存在流行度差異，部分熱門服務(wù)可能因?yàn)榇铣藛T過多前往而導(dǎo)致出現(xiàn)排隊(duì)時(shí)間長(zhǎng)、人員擁堵等現(xiàn)象。以此在進(jìn)行推薦模型建立的過程中也需要避免產(chǎn)生過擬合的情況，即為所有用戶都推薦最熱門的項(xiàng)目的同時(shí)需要考慮船上服務(wù)項(xiàng)目容量屬性，并進(jìn)行均衡?？紤]到一些用戶的個(gè)性化需求的特點(diǎn)，冷門項(xiàng)目的推薦則更能體現(xiàn)系統(tǒng)針對(duì)用戶的細(xì)微特點(diǎn)偏好提供的優(yōu)質(zhì)服務(wù)特性，同時(shí)避免了過量用戶非個(gè)性化興趣的數(shù)據(jù)所占權(quán)重過大情況。

在船上各類服務(wù)項(xiàng)目使用過程中，船上網(wǎng)絡(luò)化服務(wù)系統(tǒng)能夠采集到所有項(xiàng)目每日使用情況，結(jié)合項(xiàng)目預(yù)設(shè)每日客容量，在目標(biāo)用戶項(xiàng)目評(píng)分預(yù)測(cè)公式中引入考慮項(xiàng)目流行度和客容量的權(quán)重因子。船上項(xiàng)目x預(yù)設(shè)每日客容量為m，實(shí)際每日接待乘員數(shù)量為n，權(quán)重因子計(jì)算僅統(tǒng)計(jì)最近30 d乘員使用數(shù)據(jù)。將每個(gè)項(xiàng)目的平均使用率作為項(xiàng)目流行度，則Qx=n/m為每日項(xiàng)目使用率，Qˉx為近30 d 內(nèi)該項(xiàng)目的每日平均使用率，即該項(xiàng)目在近30 d 內(nèi)的流行度。用Qmin表示最不流行項(xiàng)目的流行度，Qmax表示最流行項(xiàng)目的流行度，則項(xiàng)目流行度和客容量的權(quán)重因子為

因此，將考慮項(xiàng)目流行度和客容量的權(quán)重因子添加到目標(biāo)用戶評(píng)分預(yù)測(cè)公式中進(jìn)行修正，得到新的評(píng)分預(yù)測(cè)公式：

通過加入項(xiàng)目流行度作為約束條件對(duì)模型進(jìn)行改進(jìn)得到新的最近鄰項(xiàng)目集合，將目標(biāo)用戶對(duì)其近鄰項(xiàng)目集合C中所有項(xiàng)目的預(yù)測(cè)評(píng)分按照降序進(jìn)行排序，取前N個(gè)項(xiàng)目作為目標(biāo)用戶的推薦序列。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 運(yùn)行平臺(tái)

本文所介紹船上推薦服務(wù)系統(tǒng)通過與某國(guó)產(chǎn)大型客船船上服務(wù)智慧社區(qū)系統(tǒng)研發(fā)項(xiàng)目相結(jié)合，并與船上訂餐系統(tǒng)和船上導(dǎo)航系統(tǒng)實(shí)現(xiàn)集成兼容，作為系統(tǒng)子環(huán)節(jié)進(jìn)行乘客服務(wù)，面向大型郵輪、客船人員密集、對(duì)服務(wù)質(zhì)量要求高的特點(diǎn)，進(jìn)行針對(duì)性的冷啟動(dòng)服務(wù)，以提供更好的用戶體驗(yàn)。系統(tǒng)主要功能界面如圖3 所示。

圖3 高技術(shù)客船網(wǎng)絡(luò)化服務(wù)平臺(tái)主功能界面

本文驗(yàn)證設(shè)備及環(huán)境參數(shù)如下：操作系統(tǒng)為windows10-64 bits，環(huán)境配置為Anaconda3、Python3.8.8，處理器為intel i7-8550U，內(nèi)存為 8 GB。

3.2 案例驗(yàn)證

在對(duì)所設(shè)計(jì)推薦算法的具體驗(yàn)證中結(jié)合船舶智能化推薦服務(wù)中需求，本文將以菜品推薦為例進(jìn)行面向冷啟動(dòng)乘員的船上服務(wù)個(gè)性化推薦方法驗(yàn)證分析，其中測(cè)試數(shù)據(jù)集選擇來自大眾點(diǎn)評(píng)，數(shù)據(jù)信息說明如表3 所示，用戶評(píng)分?jǐn)?shù)據(jù)格式如表4 所示。

表3 數(shù)據(jù)信息說明

表4 用戶評(píng)分?jǐn)?shù)據(jù)格式

測(cè)試數(shù)據(jù)集由restaurants、ratings 和links 這3 個(gè)部分?jǐn)?shù)據(jù)構(gòu)成，其中rating 部分包含口味評(píng)分rating_flavor、環(huán)境評(píng)分rating_env 和服務(wù)評(píng)分rating_service。本文只選擇利用口味評(píng)分作為打分依據(jù)，通過對(duì)數(shù)據(jù)（其中包括缺失數(shù)據(jù)及異常數(shù)據(jù)清理）預(yù)處理，針對(duì)餐廳評(píng)分?jǐn)?shù)據(jù)進(jìn)行匹配推薦，將推薦結(jié)果通過映射關(guān)系為特色菜品評(píng)分，從而滿足本文實(shí)驗(yàn)驗(yàn)證分析需要。

1）進(jìn)行人口統(tǒng)計(jì)學(xué)分類處理。如表2 所示，通過在系統(tǒng)初始冷啟動(dòng)階段對(duì)乘員人口統(tǒng)計(jì)學(xué)信息的收集，對(duì)其中包括年齡、性別、職業(yè)、地區(qū)及與菜品口味的關(guān)聯(lián)情況進(jìn)行聚類分析。此處針對(duì)菜品推薦，選擇將國(guó)內(nèi)地區(qū)作為主要因素進(jìn)行差異性層次系統(tǒng)服務(wù)進(jìn)行層次聚類分析，劃分不同口味。淡味區(qū)：江蘇、浙江、上海、福建、廣東、香港、澳門；微辣區(qū)：山東、江西、北京、廣西、陜西、寧夏、甘肅、青海、新疆；重辣區(qū)：湖北、湖南、貴州，重慶、四川；多味區(qū)：河南、安徽、河北、天津、黑龍江、吉林、遼寧、內(nèi)蒙古、西藏、云南、海南、臺(tái)灣。根據(jù)K-means 聚類結(jié)果，將每個(gè)類組作為考慮項(xiàng)目流行度和客容量的協(xié)同過濾推薦系統(tǒng)的輸入數(shù)據(jù)進(jìn)行處理，以提高系統(tǒng)在冷啟動(dòng)時(shí)的推薦精度。輸入數(shù)據(jù)經(jīng)過處理表現(xiàn)形式通常為1 個(gè)如表1 格式的i×j的用戶評(píng)價(jià)矩陣，其中i是乘員數(shù)，j是菜品數(shù)，Matrix[i,j]表示第i個(gè)乘員對(duì)第f個(gè)菜品的評(píng)價(jià)。

2）進(jìn)行基于協(xié)同過濾算法的推薦。程序具體實(shí)現(xiàn)步驟如圖4 所示。

圖4 協(xié)同過濾步驟

在結(jié)合數(shù)據(jù)集進(jìn)行算法驗(yàn)證過程中通過設(shè)置用戶1 為目標(biāo)推薦用戶進(jìn)行推薦，其中關(guān)于目標(biāo)用戶1 的相關(guān)數(shù)據(jù)如表5 所示。通過上述所設(shè)計(jì)模型得到推薦結(jié)果如表6 所示，其中設(shè)置相鄰用戶n為6，設(shè)置推薦個(gè)數(shù)k為4。

表5 目標(biāo)推薦用戶1 相關(guān)數(shù)據(jù)

表6 推薦結(jié)果

4 結(jié)論

本文通過對(duì)船上服務(wù)冷啟動(dòng)進(jìn)行分析，建立服務(wù)推薦模型，在傳統(tǒng)協(xié)同過濾推薦算法基礎(chǔ)上，結(jié)合人口統(tǒng)計(jì)學(xué)方法和乘員初始標(biāo)簽選擇，實(shí)現(xiàn)對(duì)新乘員進(jìn)行個(gè)性化推薦，進(jìn)而提升乘員的服務(wù)體驗(yàn)。通過在實(shí)際海上客運(yùn)服務(wù)系統(tǒng)中進(jìn)行實(shí)例驗(yàn)證，證明可用于船舶服務(wù)智能化推薦。

本文研究方法可使船上乘員能夠更好地享受船上服務(wù)，充分利用船上各類服務(wù)項(xiàng)目資源，提高船上網(wǎng)絡(luò)化服務(wù)系統(tǒng)推薦質(zhì)量。本文方法仍需做進(jìn)一步改進(jìn)研究，存在諸如針對(duì)每種服務(wù)仍然要進(jìn)行不同的人口統(tǒng)計(jì)學(xué)分析，進(jìn)行菜品推薦時(shí)地區(qū)因素所占權(quán)重較高，但在進(jìn)行電影推薦時(shí)年齡及性別因素所占權(quán)重就要大于地區(qū)，這些問題都有待進(jìn)一步優(yōu)化服務(wù)場(chǎng)景，以進(jìn)行更加準(zhǔn)確的相似度計(jì)算。此外，對(duì)不同船上服務(wù)項(xiàng)目推薦實(shí)現(xiàn)需要與船上服務(wù)項(xiàng)目客容量、交通等設(shè)施的動(dòng)態(tài)變化相融合，通過對(duì)用戶屬性權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整以達(dá)到更好的推薦效果。