石 洋

(湖南工程職業(yè)技術(shù)學(xué)院 生態(tài)文旅學(xué)院，湖南 長沙 410151)

隨著酒店業(yè)的發(fā)展和信息技術(shù)的應(yīng)用，如何借助信息技術(shù)提高酒店服務(wù)水平，成為當(dāng)前信息化背景下應(yīng)思考的重點(diǎn)。其中，面向海量的用戶和酒店，如何找到用戶更感興趣的酒店，是當(dāng)前酒店推薦系統(tǒng)需要解決的難題。針對該問題，丁丁[1]提出依托大數(shù)據(jù)分析模型實(shí)現(xiàn)用戶相同偏好或相似偏好對酒店需求的預(yù)測；李書昊等[2]通過提取酒店用戶評論，提出采用線下酒店評估方法構(gòu)建酒店推薦模型。以上都是基于當(dāng)前協(xié)同推薦算法的研究。錢春琳等[3]、楊博等[4]認(rèn)為協(xié)同推薦需要解決數(shù)據(jù)稀疏性問題，進(jìn)而提高推薦的準(zhǔn)確率。劉巖[5]則提出，先用機(jī)器算法對特征進(jìn)行提取，然后再采用協(xié)同推薦算法進(jìn)行推薦。基于以上思路，本研究首先提取用戶和酒店特征，同時(shí)利用余弦相似度計(jì)算公式減少數(shù)據(jù)的稀疏性，以提高推薦精度。

1 協(xié)同過濾推薦

協(xié)同過濾推薦是在現(xiàn)有用戶特征中，利用相似度計(jì)算公式計(jì)算用戶間的相似度，找到興趣愛好相近的用戶，最終產(chǎn)生推薦結(jié)果[6]。根據(jù)協(xié)同過濾目的的不同，協(xié)同過濾推薦可分為基于項(xiàng)目的推薦、基于用戶的推薦和基于模型的推薦[7]。本研究是通過提取酒店用戶的特征，然后針對特征給用戶進(jìn)行推薦，所以采用基于用戶的協(xié)同過濾。先計(jì)算用戶特征的相似度，將相似度接近的用戶歸為一個(gè)集合，然后用項(xiàng)目評分預(yù)測用戶對目標(biāo)項(xiàng)目的評分，最終生成目標(biāo)項(xiàng)目top-N列表。具體步驟如下：

(1)獲取用戶對項(xiàng)目的評分值，然后用向量R表示“用戶+項(xiàng)目+用戶對項(xiàng)目的評分”建立用戶偏好矩陣：

(1)

式中：N表示用戶數(shù)量；n表示項(xiàng)目數(shù)量。某用戶u對項(xiàng)目i的評分用Rui表示，取值為1～5的整數(shù)。

(2)

(3)從集合U中選出與目標(biāo)用戶相似度接近的近鄰構(gòu)成集合。由于集合U的數(shù)量對推薦結(jié)果和推薦質(zhì)量影響較大，故參考文獻(xiàn)[5]和文獻(xiàn)[6]，將集合U的數(shù)量設(shè)定為[20,50]。

(4)選擇最近鄰用戶評價(jià)過的且目標(biāo)用戶沒有評價(jià)過的項(xiàng)目，根據(jù)用戶對項(xiàng)目的評分，預(yù)測目標(biāo)對該項(xiàng)目的評分產(chǎn)生合適的項(xiàng)目集并推薦給目標(biāo)用戶。u對i的評分預(yù)測計(jì)算方法如式(3)所示：

(3)

(4)

2 基于用戶特征的酒店協(xié)同推薦

2.1 推薦基本思想

本推薦模型的基本思路如下：基于酒店特征和用戶特征構(gòu)建酒店推薦候選集，根據(jù)基于用戶的協(xié)同推薦算法產(chǎn)生推薦結(jié)果，得到top-N推薦列表供酒店用戶選擇。

2.2 用戶特征矩陣構(gòu)建

用戶特征矩陣構(gòu)建是推薦的基礎(chǔ)，也是關(guān)鍵。用戶特征包括性別、年齡、知識(shí)等多種特征，為更好地提取這些特征，在構(gòu)建用戶模型前對用戶相關(guān)信息文本的語義特征進(jìn)行提取，選取具有代表性的詞作為用戶特征。具體采用詞頻(term frequency，TF)與逆文本頻率指數(shù)(inverse document frequency,IDF)結(jié)合的方法實(shí)現(xiàn)用戶相關(guān)文本信息語義特征的提取。設(shè)V=(t1w1，t2w2，…，tiwi)表示每個(gè)文本文檔，其中的ti表示詞條項(xiàng)，wi為對應(yīng)權(quán)值。若第i個(gè)詞在某個(gè)文本中出現(xiàn)的頻率高、在其他文本中的頻率低，則說明第i個(gè)詞區(qū)別能力良好；詞條t在文檔中出現(xiàn)的頻率越低，逆向文件頻率越高，則認(rèn)為t具有良好的類別區(qū)分能力。具體計(jì)算公式如下：

(5)

式中：tc表示權(quán)重；tfi表示第i個(gè)詞在訓(xùn)練集文本N中的詞頻；ni表示沒有出現(xiàn)第i個(gè)詞的文本數(shù)量。

提取語義特征后，結(jié)合用戶信息構(gòu)建用戶偏好矩陣U(f)：

U(f)=(U1，U2，…，Uj)，

(6)

式中：Uj表示用戶u對第j個(gè)特征的偏好。

另外，為解決數(shù)據(jù)中存在的稀疏性問題，更好地挖掘用戶間的相關(guān)性，采用余弦相似度計(jì)算用戶間的相似度，具體計(jì)算公式如下：

(7)

基于以上的相似計(jì)算，用戶u可用n個(gè)相似用戶和用戶間的相似度表示。

2.3 酒店特征矩陣構(gòu)建

酒店特征通常包括房價(jià)、房間設(shè)備、酒店星級(jí)、酒店設(shè)施等。參考王婧虹等[6]對酒店特征的分析，本研究提取了k個(gè)酒店特征，具體特征及賦值見表1。

表1 酒店特征及賦值

在以上提取的基礎(chǔ)上，構(gòu)建酒店特征矩陣H(f)：

H(f)=(H11，H12，…，H1j，…，H2j，…，Hij)，

(8)

式中：Hij表示酒店i的第j個(gè)特征。

同樣，為減少數(shù)據(jù)的稀疏性，采用余弦相似度計(jì)算公式計(jì)算酒店的相似度，從而得到相似酒店的相似度：

(9)

2.4 酒店協(xié)同推薦

在構(gòu)建酒店特征矩陣和用戶特征矩陣后，利用協(xié)同推薦算法計(jì)算用戶u對酒店i的期望評分pr(u，i)，并根據(jù)期望評分篩選出符合用戶特征的前N家酒店作為推薦列。pr(u,i)的計(jì)算如下：

pr(u，i)=r(v，j)×sim_u(u，v)×sim_h(i，j)，

(10)

式中：r(v，j)表示用戶v對酒店j的評分；sim_u(u,v)表示用戶u與v之間的相似度；sim_h(i,j)表示酒店i和j之間的相似度。

2.5 整體推薦框架

通過以上步驟，得到基于用戶特征的酒店推薦模型(圖1)。在圖1的整體推薦框架中，基于源數(shù)據(jù)信息，通過tf-idf獲取文本特征，然后基于用戶特征和酒店特征，利用協(xié)同推薦算法實(shí)現(xiàn)酒店推薦。

圖1 基于用戶特征的酒店推薦模型

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)環(huán)境搭建及數(shù)據(jù)來源

為驗(yàn)證以上方案的可行性，以酒店管理營運(yùn)博弈沙盤為仿真平臺(tái)[8]進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)數(shù)據(jù)均來自該平臺(tái)爬取的用戶數(shù)據(jù)和酒店數(shù)據(jù)。對爬取的數(shù)據(jù)進(jìn)行預(yù)處理，最終獲取用戶數(shù)據(jù)11 823條、酒店數(shù)據(jù)958條、訂單數(shù)據(jù)14 847條。

3.2 實(shí)驗(yàn)評價(jià)指標(biāo)

本研究選用常用的推薦算法評價(jià)指標(biāo)——準(zhǔn)確率P[9]、召回率R[10]、F1值[11]，計(jì)算方法見式(11)至式(13)：

(11)

(12)

(13)

以上3個(gè)指標(biāo)取值為[0,1]，值越大，表示酒店推薦效果越好。

3.3 酒店推薦效果

結(jié)合構(gòu)建的推薦模型對用戶進(jìn)行酒店推薦，得到如表2所示的推薦結(jié)果。表2中，n表示用戶u存在相似用戶的個(gè)數(shù)。由表2可知：當(dāng)n≤6時(shí)，隨著其取值的增大，準(zhǔn)確率、召回率、F1值均逐漸升高；當(dāng)n>6時(shí)，隨著n的取值繼續(xù)增大，準(zhǔn)確率、召回率、F1值沒有明顯提升。由此說明，基于用戶特征的酒店推薦模型在相似用戶少于6個(gè)時(shí)，推薦效果良好。

表2 不同n值時(shí)模型推薦效果

為驗(yàn)證本研究構(gòu)建模型推薦效果的優(yōu)越性，取用戶n=6，與傳統(tǒng)推薦算法進(jìn)行對比，得到如表3所示的結(jié)果。由表3可知，本算法的召回率、F1值均高于對比算法，雖然準(zhǔn)確率略低于基于特征參數(shù)匹配的推薦算法，但其擴(kuò)展性和推薦效果更好，故本算法的推薦效果總體上優(yōu)于對比算法。

表3 不同推薦算法的推薦結(jié)果

4 結(jié)語

本研究提出了基于用戶特征的酒店推薦模型，可根據(jù)用戶特征為用戶推薦類似酒店。相較于傳統(tǒng)的基于特征參數(shù)匹配和基于協(xié)同過濾的推薦算法，本算法的召回率和F1值更高，擴(kuò)展性和推薦效果更優(yōu)。