陳 丹，王東燦，蔣玉香

（西南交通大學希望學院 四川 成都 610400）

0 引言

大數(shù)據(jù)時代是信息過載的時代，個人旅游決策干擾因素驟然增加。與此同時，推薦系統(tǒng)得到越來越廣泛的應用，其應用范疇由電子商務領域延伸到社交網(wǎng)絡、旅游推薦等領域。在旅游推薦領域，較之搜索引擎，推薦系統(tǒng)具有“私人定制”特點，可貼合用戶使用習慣，滿足不同用戶獨特旅游需求。協(xié)同過濾是一種智能推薦算法，可以進一步提升推薦系統(tǒng)的運行精準度。因此，探究基于協(xié)同過濾的景區(qū)智能推薦系統(tǒng)具有非常突出的現(xiàn)實意義。

1 景區(qū)智能推薦系統(tǒng)中的協(xié)同過濾算法選擇

1.1 算法改進思路

傳統(tǒng)協(xié)同過濾算法可以計算用戶（或物品）相似度，推薦相似用戶（或物品）相關的用戶（或物品），但是存在長尾效應（零散差異化需求在需求曲線上形成長長的“尾巴”，促使冷門推薦物累加形成一個較熱門推薦物更大的結果），導致部分冷門但用戶可能會感興趣的商品難以出現(xiàn)在用戶的推薦列表內，埋下旅游攻略推薦算法對應推薦度偏離實際的隱患，抑制最終推薦的攻略覆蓋度。基于此，綜合考慮用戶、城市、攻略之間的聯(lián)系，在User-CF-1 算法和Item-CF-1 算法混合協(xié)同過濾算法（以下簡稱Final 算法）內，分別計算基于旅游用戶的推薦度、基于旅游攻略的推薦度、基于旅游城市推薦的推薦度并平衡3 個推薦度［1］。同時全面研究旅游攻略產(chǎn)品，根據(jù)景區(qū)旅游攻略的數(shù)據(jù)特點以及先推薦城市景區(qū)再推薦旅游攻略的特殊流程，加入城市熱度和攻略熱度等影響旅游攻略推薦的各種參數(shù)，并對相關參數(shù)加以懲罰，以抑制熱度高的城市景區(qū)景點或攻略推薦度，促使冷門的城市景區(qū)景點或攻略能順利展示在推薦列表內，提高旅游推薦覆蓋度。

1.2 算法改進實踐

算法輸入為User-Item 評分矩陣Final，最近鄰個數(shù)k和前列排名值N，輸出列表內前列排名景區(qū)數(shù)據(jù)。

第一步，收集User 評分數(shù)據(jù)，預先進行清洗過濾、格式轉換，建立User-Item 評分矩陣Final，如式（1）所示。

式（1）中，每一個User 為一個m維向量，其中Nnm表示第n個User 對第m個景區(qū)的評分值。在User 為系統(tǒng)已評分游客時，可在式（1）內借助User 特征向量Um＝（Nm1，Nm2，…，Nmm）與其他游客特征向量，開展相似度運算，獲得相似用戶；在User 為未對系統(tǒng)內景區(qū)評分游客時，根據(jù)游客信息提取特征對其開展相似度計算，獲得相似游客對景區(qū)評分加權數(shù)作為新游客評分加入Final 矩陣。

第二步，收集景區(qū)評價指標數(shù)據(jù)，預先清洗過濾、格式轉換，建立scenic-evaluate 指標矩陣Jmn。因景區(qū)數(shù)量較為穩(wěn)定且遠遠小于用戶數(shù)量，所獲得的scenic-evaluate 指標矩陣數(shù)據(jù)密集，變量之間基本存在共有值，根據(jù)景區(qū)相似度輸出要求，可以Final 矩陣內數(shù)據(jù)為依據(jù)，推測評價指標體系每一項數(shù)據(jù)權重，構建指標矩陣如式（2）所示。

式（2）中，每一行代表1 個景區(qū)的數(shù)據(jù)，每一列代表已構建評價指標數(shù)據(jù)。將每一列數(shù)據(jù)、指標權重相乘，可得到scenic-evaluate 指標相似度。

表1 普通游客信息表（局部）

選取前20 名作為景區(qū)相似景區(qū)，相似景區(qū)列表記錄為I1，可設定景區(qū)核心代碼如下：

第三步，根據(jù)層次分析思路，確定景區(qū)評價指標的權重。

第四步，根據(jù)評價指標權重，加入scenic-evaluate 指標矩陣內指標類數(shù)據(jù)，獲得景區(qū)之間相似度。以景區(qū)a、景區(qū)b為例，將景區(qū)a內指標數(shù)據(jù)集合Ja（a1，a2，…，an）（n≥1）與b的指標集合Jb（b1，b2，…，bn）（n≥1）代入矩陣Jmn，得出景區(qū)a、景區(qū)b的相似度sim（a，b）。

第五步，計算Final 矩陣中每2 個景點的相似度值，根據(jù)結果排序，選取排名前列的最近毗鄰集合。

第六步，在Final 矩陣中，利用User 對景點的評分，推測游客間相似度，獲得游客最近鄰游客，選取排名前列的鄰居游客。

第七步，根據(jù)排名前列的鄰居游客對游客未評價景區(qū)的評分，以加權方式，預先估測游客對未評價景區(qū)的評分。

第八步，判斷預先估測評價分值中較高的景區(qū)數(shù)量，在景區(qū)數(shù)量少于推薦列表個數(shù)時，利用列表中已有景區(qū)的相似經(jīng)典補充缺失部分［2］。

2 基于協(xié)同過濾的景區(qū)智能推薦系統(tǒng)設計

2.1 系統(tǒng)需求分析

景區(qū)智能推薦系統(tǒng)的服務對象為游客，主要參與者為普通游客和系統(tǒng)管理維護人員［3］。普通游客需要景區(qū)智能推薦系統(tǒng)具有景區(qū)信息瀏覽、未注冊或未登錄熱門景區(qū)推薦、景區(qū)評分查看、景區(qū)攻略發(fā)布與分享、個人名稱與密碼修改、預訂信息修改等功能。

系統(tǒng)管理維護人員要求景區(qū)智能推薦系統(tǒng)具有用戶信息管理（含注冊用戶管理、密碼修改）、景區(qū)資訊管理、站內新聞管理、旅游攻略信息管理等幾個部分。

“Don’t put me off,Anna.Are you afraid of being chaotic?”（1972：247）

除功能需求外，基于協(xié)同過濾的景區(qū)智能推薦系統(tǒng)還需要滿足安全性需求，確保普通游客登錄系統(tǒng)安全以及數(shù)據(jù)存取安全。同時系統(tǒng)應當可根據(jù)外部需求動態(tài)而擴展，允許優(yōu)化維護，適應未來發(fā)展需要［4］。

2.2 系統(tǒng)總體架構

基于協(xié)同過濾算法的系統(tǒng)總體架構如圖1 所示。

圖1 基于協(xié)同過濾的景區(qū)智能推薦系統(tǒng)總體框架

由圖1 可知，基于協(xié)同過濾的景區(qū)智能推薦系統(tǒng)由數(shù)據(jù)應用層、數(shù)據(jù)接口層、數(shù)據(jù)存儲層、數(shù)據(jù)采集層幾個層級組成。其中數(shù)據(jù)應用層主要是系統(tǒng)操作界面，包括旅游資訊、景區(qū)推薦、旅游小助手、個人中心等。旅游資訊主要根據(jù)普通游客歷史瀏覽喜好推薦網(wǎng)絡爬蟲采集的旅游新聞、圖片、短視頻信息；景區(qū)推薦主要根據(jù)改進Final 算法生成推薦列表，便于用戶查看景區(qū)推薦信息；旅游小助手可將后臺智能生成推薦數(shù)據(jù)推送至APP 端，為用戶推薦景區(qū)周邊與用戶需求相符的內容；個人中心主要是用戶個人資料設置以及歷史訪問足跡查看位置。

數(shù)據(jù)接口層主要為編程開發(fā)訪問服務器Websocket接口；數(shù)據(jù)存儲層主要為分布式數(shù)據(jù)庫，包括非結構化數(shù)據(jù)庫、MySQL 結構化數(shù)據(jù)庫；數(shù)據(jù)采集層主要為網(wǎng)絡爬蟲、旅游APP 接口［5］。

2.3 系統(tǒng)數(shù)據(jù)庫設計

在系統(tǒng)數(shù)據(jù)庫設計時，可以先進行數(shù)據(jù)模型的構建，如景區(qū)實體數(shù)據(jù)模型如圖2 所示。

圖2 景區(qū)實體數(shù)據(jù)模型

由圖2 可知，景區(qū)實體數(shù)據(jù)模型是景區(qū)智能推薦的重要支撐，有景區(qū)編號、景區(qū)介紹、地址等幾個屬性。在景區(qū)實體數(shù)據(jù)模型構建后，可以從實體與實體之間聯(lián)系著手，進行數(shù)據(jù)庫表的構建，包括普通游客信息表、景區(qū)推薦信息表、景區(qū)攻略信息表、后臺維護管理人員信息表等。以普通游客信息表為例，局部數(shù)據(jù)庫表信息如表1 所示。

3 基于協(xié)同過濾的景區(qū)智能推薦系統(tǒng)實現(xiàn)

3.1 系統(tǒng)實現(xiàn)環(huán)境

基于協(xié)同過濾的景區(qū)智能推薦系統(tǒng)實現(xiàn)環(huán)境為Windows 10，網(wǎng)絡站點服務器為MyEclipse 2022.1.0 ＋Tomcat 8.5 ＋JDK 8.5， 數(shù)據(jù)庫管理系統(tǒng)為 SQL Server 2020。

3.2 系統(tǒng)功能實現(xiàn)

旅游景點推薦界面主要面對普通游客，需提供景區(qū)信息、景區(qū)攻略、景區(qū)線路等搜索、瀏覽、留言、分享服務。其中景區(qū)信息瀏覽為站內瀏覽模式，游客可在系統(tǒng)首頁瀏覽推薦信息。根據(jù)游客歷史瀏覽信息的差異，旅游景點推薦界面顯示景區(qū)信息也具有一定差異。對于部分新注冊登錄游客，因其無歷史瀏覽數(shù)據(jù)，僅推薦當前熱門旅游景區(qū)；對于已注冊登錄一段時間的游客，系統(tǒng)自動記錄其歷史瀏覽數(shù)據(jù)，借助協(xié)同過濾技術為其推薦所需的旅游景區(qū)。局部實現(xiàn)代碼如下所示：

3.2.2 用戶注冊登錄界面

用戶注冊登錄界面主要面對系統(tǒng)用戶，需要提供系統(tǒng)賬戶注冊、系統(tǒng)登錄以及登錄后用戶個人信息修改、密碼口令修改服務。在注冊時，系統(tǒng)要求用戶提供有效名稱和密碼口令，并自動驗證用戶輸入信息是否與已注冊信息重復，若重復，則提醒用戶重新注冊。在用戶登錄界面，系統(tǒng)要求用戶填寫注冊名及密碼口令，并在后臺驗證用戶輸入注冊名、密碼是否有誤，一方有誤即提示重新登錄，當且僅當注冊名、密碼均正確的情況下，用戶可進入景區(qū)旅游推薦系統(tǒng)主界面。進入主界面后，用戶可以根據(jù)需要修改個人名稱、簡介、簽名等信息，也可以重新設置密碼口令。若需重新設置密碼口令，用戶需利用注冊手機號重新驗證。

3.2.3 后臺信息管理界面

后臺信息管理界面主要面對系統(tǒng)管理維護人員，是系統(tǒng)前端運行的基礎，主要包括用戶信息管理、景區(qū)信息管理、景區(qū)攻略管理等。在功能齊全、操作簡單便捷原則指導下，后臺界面可劃分為功能列表、系統(tǒng)名稱、操作界面三個部分。在功能列表部分，后臺操作者可以點擊各個功能列表，根據(jù)需要更新功能；對于系統(tǒng)名稱，權限內的后臺操作者可以進行修改；在操作界面，后臺操作者可以在個人權限范圍內進行操作。

3.3 系統(tǒng)核心功能測試

景區(qū)旅游攻略推薦是系統(tǒng)核心功能，也是測試的主要對象。因攻略是旅行市場的一款產(chǎn)品，由用戶創(chuàng)建，被用戶閱覽，優(yōu)質旅游攻略包含標題、內容、旅游城市、游玩景點，平均旅游攻略篇數(shù)過萬，覆蓋多個城市，且多數(shù)城市相互毗鄰?；诖?，系統(tǒng)功能測試選擇覆蓋度指標，利用游客覆蓋度、城市覆蓋度、旅游攻略覆蓋度幾個二級指標進行評價，覆蓋度高代表通過基于協(xié)同過濾的景區(qū)智能推薦系統(tǒng)推薦景區(qū)能力強，覆蓋度低則表示基于協(xié)同過濾算法的景區(qū)智能推薦系統(tǒng)推薦效果不佳。在系統(tǒng)核心功能測試指標及判定依據(jù)明確的情況下，選擇旅游網(wǎng)站真實用戶，評測的普通游客用戶歷史行為記錄為42 362 條，優(yōu)質旅游攻略為11 251 篇，城市為1 525 個，分別計算User-CF-1 算法、Item-CF-1 算法、Final 算法支持下的景區(qū)智能推薦系統(tǒng)游客覆蓋度、城市覆蓋度、旅游功率覆蓋度。得出基于用戶協(xié)同過濾算法的景區(qū)智能推薦系統(tǒng)覆蓋度見表2。

表2 基于用戶協(xié)同過濾算法的景區(qū)智能推薦系統(tǒng)覆蓋度 %

由表2 可知，基于Final 協(xié)同過濾算法的景區(qū)智能推薦系統(tǒng)游客覆蓋度、城市覆蓋度、旅游攻略覆蓋度最高，分別為44.36%、78.36%、49.68%，各項覆蓋度指標均高于基于User-CF-1 算法的景區(qū)智能推薦系統(tǒng)覆蓋度、基于Item-CF-1 算法的景區(qū)智能推薦系統(tǒng)覆蓋度，表明改進的Final 算法推薦效果較佳，基于Final 算法的景區(qū)智能推薦系統(tǒng)具有較大的推廣應用價值。

4 結語

綜上所述，協(xié)同過濾推薦算法是智能推薦系統(tǒng)的核心算法，利用協(xié)同過濾算法對景區(qū)景點信息進行過濾與選取，可以有效解決景區(qū)景點信息泛濫問題，并為游客提供個性化推薦方案。借鑒協(xié)同過濾系統(tǒng)Tapestry 開發(fā)經(jīng)驗，景區(qū)可以整合傳統(tǒng)User-CF-1 算法和Item-CF-1 算法兩種協(xié)同過濾推薦算法，打造一個極具特色的旅游攻略推薦系統(tǒng)，增加推薦攻略的覆蓋度，解決“長尾效應”的推薦問題。進而在景區(qū)智能推薦系統(tǒng)中，分析游客歷史旅游行為，對景區(qū)景點信息進行分類，并為不同游客提供個性化旅游建議，滿足游客個性化游覽需求。