混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究

摘要：

传统协同过滤推荐模型仅处理稀疏的评分数据,未深入挖掘用户及对象的潜在语义,且用户喜好信息也未充分利用.围绕旅游景点推荐这一热点问题,提出全新的混合分层抽样统计与贝叶斯个性化排序的推荐模型:采用分层抽样统计及主观赋值评价法刻画用户旅游喜好;基于矩阵分解算法(Matrix Factorization,简称MF)分析用户及对象(景点)的潜在语义,运用贝叶斯个性化排序算法(Bayesian Personalized Ranking,简称BPR)对推荐模型进行优化;综合用户旅游喜好信息及BPR优化结果,生成混合推荐列表.在新的“Wisdom Tourism”数据集上进行仿真实验.实验表明:推荐模型的RMSE、MAE、F1值较最强基线分别提升16.59％、10.05％、5.04％;相比于分层抽样统计方法,BPR算法在推荐过程中发挥更显著的作用.

关键词：分层抽样统计、贝叶斯个性化排序、协同过滤、旅游景点、推荐模型、矩阵分解

所属期刊栏目：53

分类号：F590.8(旅游经济)

资助基金：国家自然科学基金项目61762038,61741108,61861016;教育部人文社会科学研究规划基金项目16YJAZH029,17YJAZH117;江西省自然科学基金项目20171BAB202023;江西省科技厅重点研发计划项目20171BBG70093;江西省社会科学规划项目16TQ02;江西省教育厅科技项目GJJ160497,GJJ160509,GJJ160531

在线出版日期：2019-05-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：214-221