第18卷第6期太赫兹科学与电子信息学报

Vo1.
18,No.
62020年12月JournalofTerahertzScienceandElectronicInformationTechnologyDec.
,2020文章编号:2095-4980(2020)06-1128-05基于卷积神经网络的旅游推荐模型设计张佳琳,柏思佳,刘爽(哈尔滨商业大学计算机与信息工程学院,黑龙江哈尔滨150028)摘要:旅游业和网络时代高速发展,导致旅游信息过载问题日益严重,旅游推荐方法对解决信息过载问题十分重要.
传统推荐算法只针对用户和项目之间的评分和基本属性计算相似度进行推荐,但行为需求及具有游客情感因素的评论却被忽视.
本文利用卷积神经网络(CNN)对文本评论特征提取进行情感分类,用皮尔逊相似度公式计算相似的用户群体,用平均绝对误差(MAE)对结果误差进行评价.
与传统的协同过滤方法进行对比,本文提出的模型能有效降低预测误差.
关键词:信息过载;旅游推荐;卷积神经网络;协同过滤中图分类号:TP183文献标志码:Adoi:10.
11805/TKYDA2019288DesignoftravelrecommendationmodelbasedonconvolutionalneuralnetworkZHANGJialin,BAISijia,LIUShuang(SchoolofComputerandInformationEngineering,HarbinUniversityofCommerce,HarbinHeilongjiang150028,China)Abstract:TherapiddevelopmentoftourismandInternetleadstotheincreasinglyseriousproblemoftourisminformationoverload.
Therefore,tourismrecommendationmethodisveryimportanttosolvetheproblemofinformationoverload.
Traditionalrecommendationalgorithmsonlycalculatesimilaritybetweenusersanditemsbasedonthescoreandbasicattributes,behavioralneedsandcommentswithtouristemotionalfactorsareignored.
Inthispaper,ConvolutionalNeuralNetwork(CNN)isutilizedtoclassifythefeatureextractionoftextcomments,Pearsonsimilarityformulaisadoptedtocalculatesimilarusergroups,andMeanAbsoluteError(MAE)isemployedtoevaluatetheerroroftheresults.
Comparedwiththetraditionalcollaborativefilteringmethod,theexperimentalresultsshowthattheproposedmodelcaneffectivelyreducethepredictionerror.
Keywords:informationoverload;travelrecommendation;convolutionalneuralnetwork;collaborativefiltering在线旅游已成为日常旅游的应用方式,在很大程度上为人们出行旅游带来了方便.
但由于旅游人数的增多和网络信息的爆炸式增长,导致旅游用户很难在海量的数据中及时找到自己所需的旅游数据,推荐系统的出现有效地解决了这一信息过载问题.
推荐系统[1]指的是,通过网站平台挖掘用户的显式信息和隐式信息判断用户的喜好,选取其中最符合的n项产品推荐给用户,从而帮助用户高效地抉择.
为了更加深入地研究推荐系统,各种各样的推荐算法应运而生.
常用的推荐算法有:基于内容的推荐算法、协同过滤(CollaborativeFiltering,CF)推荐算法和混合推荐算法[2].
基于内容的推荐算法分析用户的历史内容数据,建立兴趣模型,将预测的相似兴趣项目推荐给用户,但该算法最大的问题是推荐领域狭窄.
协同过滤算法仅依赖用户的历史数据,得到兴趣相似的用户群体,然后把该用户群体中偏好的项目推荐给目标用户[3].
混合推荐算法将多种算法融合,在理论上是最能有效解决各算法缺点的一种算法,但该算法的设计相对复杂.
近几年,人工智能发展得如火如荼,作为人工智能领域重要研究方向的深度学习已渗透到各行各业.
深度学习可以深层次地挖掘图像、文本和自然语言处理等方面的数据特征,尤其针对容易忽略的隐式信息,取得了收稿日期:2019-08-13;修回日期:2019-10-23,文件目录:E:\TJY\2020年第6期\1编\2019288\\基金项目:黑龙江省博士后科研启动金资助项目(LBH-Q19028);教育部人文社会科学基金规划项目资助项目(18YJAZH128);黑龙江省哲学社会科学研究规划项目资助项目(18GLB029)作者简介:张佳琳(1979–),女,博士,副教授,主要研究方向为数据挖掘、大数据分析等.
email:pansv@126.
com第6期张佳琳等:基于卷积神经网络的旅游推荐模型设计1129一定进展[4].
在传统的旅游推荐模型中,只是根据游客和景点之间的评分进行预测,忽视了游客和景点的特征属性及游客对旅游体验的评论信息.
通过对属性的分析及利用卷积神经网络挖掘评论信息可以有效改善旅游推荐的质量.
FanYang等[5]为了建立视频中多模式特征之间的特征表示,提出了一种基于多模态深度学习的多模态推荐算法,有效获取了视频中更多信息.
高茂庭等[6]为了更精准地向用户推荐电影,利用循环神经网络处理用户和电影的时间序列数据,使用长短期记忆单元实现长时间距离的历史状态的积累,最终提高推荐准确度.
本文针对旅游业信息过载问题设计了一个基于卷积神经网络的旅游推荐模型.
1相关工作以往的旅游推荐中很少将游客的评论作为考虑的因素,但评论中含有游客对此次旅游的情感因素,这些因素已成为其他用户评判的重要依据.
本文将卷积神经网络和协同过滤方法相结合,通过卷积神经网络对游客文本评论中的因素特征提取并进行分类,利用协同过滤方法对用户项目评分进行预测.
其中,卷积神经网络对评论中的特征进行挖掘可以有效缓解协同过滤方法中的数据稀疏性问题,并且该方法可以保留协同过滤方法中共享经验、个性化的优点.
1.
1协同过滤推荐算法作为应用最广泛的推荐算法,协同过滤的核心思想是计算用户或项目之间的相似度实现推荐.
基于用户的协同过滤推荐算法是计算用户之间的相似度,建立近邻用户群,然后将近邻用户群中兴趣产品推荐给目标用户;基于项目的协同过滤推荐算法计算的是项目间的相似度;基于模型的协同过滤推荐算法结合一些智能模型对数据进行训练和测试,以便更有效地获取用户的偏好信息实现推荐[3].
为了找到近邻的用户或项目,相似度计算是关键.
计算相似度方法中最常用的是皮尔逊方法及余弦方法[7].
其中皮尔逊相似度方法更适用于文档数据的计算,且对于不同用户的考虑更加全面,该公式表示为:,,,,,22,,()()(,)()()abababaiaiaiabbiIbbiIiiIRRRRabRRsiRRm(1)式中:(,)simab表示用户,ab间的相似度;,abI为用户,ab共同用户特征;,aiR为用户a的第i个特征值[7],,ibR为用户b第i个特征值;aR,bR分别为用户,ab的平均特征评分.
JianruiChen等[8]采用一种新的动态进化聚类算法将用户和项目集划分为K个聚类,并对相似度较高的个体进行聚类.
在K个聚类各自中应用协同过滤技术预测,根据聚类所得预测等级对目标用户进行推荐预测.
LinhuiXU等[9]利用组合协同过滤推荐算法,采用离线测试方法提高了团购网站的精准利用率.
1.
2卷积神经网络卷积神经网络(CNN)是目前深度学习中研究的重点之一,它在图像处理领域的应用已经相当成熟,也广泛用于文本评论的处理.
作为一种前馈神经网络,CNN基本结构与其他神经网络相似,都是由输入层、隐含层及输出层进行数据特征提取.
CNN的隐含层包括卷积、池化及全连接,共3层[10].
其中,卷积层是最重要的,它将输入信号与含有特征提取器的卷积核进行卷积计算,深层次地挖掘数据内部信息[11];池化层通过池化函数将提取特征进行过滤筛选,对数据降维,保留更重要的特征数据;全连接层将上层处理过的特征数据整合到一起,再传至输出层.
CNN结构如图1所示.
featureoutputfeatureextractionconvolutionlayerpoolinglayerfullyconnectedlayerinputFig.
1Structureofconvolutionalneuralnetwork图1卷积神经网络结构1130太赫兹科学与电子信息学报第18卷NanZhou等[12]利用卷积神经网络中卷积层和池化层的非线性特征过滤微博文本内容,确保搜索信息安全.
AshuAbdul等[13]将深度卷积神经网络和加权特征提取的输出结合,实现用户数据和音乐之间的相关性提取.
2旅游推荐模型构建2.
1问题描述本文研究目的是设计个性化的旅游推荐模型,针对基于用户协同过滤推荐算法很难挖掘深层次信息的数据稀疏性问题,选用卷积神经网络对旅游数据的评论信息深入抽取进行分类.
游客对旅游的文本评论中包含了对旅游过程的情感因素,分为正面和负面两类.
将旅游用户的基本信息、行为信息及情境信息相结合构成旅游用户数据,解决数据单一问题.
用户数据的具体分类如下:1)用户的基本信息iP包括:姓名(ID)、年龄(age)、性别(sex)、所在地(place)等属性,其中姓名(ID)起唯一标识作用,不参与数据的分析过程,即Pi={namei,agei,sexi,placei}.
2)行为信息Si分为需求(demand)、兴趣偏好(prefer)及消费情况(consume),即Si={demandi,preferi,sexi,consumei}.
a)需求信息是指用户的食、住、行以及旅游方式.
旅游方式包括:家人游、密友游、独游、情侣/夫妻游;本地游、周边游、异地游(指离所在城市较远)等.
b)兴趣偏好包括喜欢什么样的环境、什么风格的景点以及什么活动等.
c)消费情况指用户的价格偏好,如出行方式、门票价格、住宿价格等.
3)情境信息iQ包括所处时间(time)、用户所在位置(location)、用户在网络平台上的会话及互动信息(interact),其中会话和互动信息是指用户对景点的访问时间、访问次数、收藏记录等,Qi={timei,locationi,interacti}.