基于用户兴趣模型的个性化旅游线路生成建模研究.pdf

自动化技术与应用2024 年第 43 卷第 3 期行业应用与交流Industrial Applications and CommunicationsTechniques ofAutomation&Applications基于用户兴趣模型的个性化旅游线路生成建模研究*韦 鑫（西安欧亚学院工商管理学院，陕西 西安 710065）摘要:针对个性化旅游线路生成过程中用户个人喜好分析环节较为薄弱，依照用户兴趣分析结果生成路线景点过于分散，旅游线路景区覆盖率较低的问题，提出一种基于用户兴趣模型的个性化旅游线路生成建模方法。获取用户数据，并按照显性兴趣、隐性兴趣的分类方式设定数据标签，完成数据预处理。根据关联规则结合数据预处理结果，构建用户兴趣模型，分析用户对部分旅游目的地的兴趣值以及用户的旅游行为特征。基于用户兴趣模型的个性化旅游线路生成建模方法设计完成。实验结果证实，所提模型可有效克服用户个人喜好分析问题，提升旅游线路景区覆盖率。关键词:用户兴趣模型；协同过滤；旅游路线规划；多目标优化中图分类号：TP183文献标识码:A文章编号:1003-7241(2024)03-0177-04Research on Personalized Tourism Route Generation ModelingBased on User Interest ModelWEI Xin(BusinessAdministration School of Xian Eurasia University,Xian 710065 China)Abstract:In view of the weak link of user personal preference analysis in the process of personalized tourism route generation,the scatteredroute scenic spots generated according to the user interest analysis results and the low coverage of tourism route scenic spots,apersonalized tourism route generation modeling method based on user interest model is proposed.It obtains user data,sets data la-bels according to the classification of explicit interest and implicit interest,and completes data preprocessing.According to the as-sociation rules and the data preprocessing results,the user interest model is constructed to analyze the users interest value insome tourism destinations and the users tourism behavior characteristics.The design of personalized tourism route generationmodeling method based on user interest model is completed.The experimental results show that this model can effectively over-come the problem of users personal preference analysis and improve the scenic spot coverage of tourist routes.Keywords:user interest model;collaborative filtering;tourism route planning;multi objective optimization*基金项目：西安欧亚学院校级重点课程建设项目（2019KC023）;陕西省体育局2021年常规项目（2021215）收稿日期:2022-03-14DOI:10.20033/j.1003-7241.（2024）03-0177-04.1引言随着国民经济的高速发展，旅游成为人们平时最为重要的休闲方式1-2。近些年，我国旅游业发展较快并以较高的增长率逐年递升。随着互联网的快速发展，各种各样的数据信息在网络上涌现，信息的多样性为人们提供了多样性的享受，但也可能为用户提供错误的导向。将此部分数据与旅游业融合发展，成为影响旅游业发展方向的重要因素。在如今这个大数据时代，如果对海量信息中的关键内容进行挖掘，为用户提供个性化旅游路线，无论是对于旅游行业的发展还是景区的经济发展具有重要价值3。国内现有的旅游推荐系统，大部分仅根据用户输入的信息进行内容推荐，甚至只具备为用户提供基本的旅游信息查询等功能，缺少鲜明的个性化旅游推荐服务。国外进行个性化旅游推荐时，集中侧重在聚类算法的应用和用户信息、行为数据的处理上，通过用户对推荐数据的打分评价，来寻求与用户相似度较高的邻域用户，并且与聚类规则进行结合，最终目标用户会得到根据相应的邻居用户评分情况而推荐出的物品。在以往的研究中，个性化旅游路线生成技术成为个性化旅游规划中的重要技术。大量的专家学者提出了个性化旅游路线生成模型辅助完成旅游路线的规划工作，但依旧无法获取用户数据较为全面的关键信息，导致路线生成结果差强人意4-5。针对此问题，在本次研究中选择与用户兴趣模型对原有的个性化旅游路线生成模型展开优化，提升用户对于旅游路线的满意度。用户兴趣模型是一种基于用户画像的静态模型构建方法，使用此模型可对用户的深层次信息进行数据采集与分析，将深层数据应用到旅游路线的设计中，确保旅游路线符合用户的设计需求。177行业应用与交流Industrial Applications and Communications自动化技术与应用2024 年第 43 卷第 3 期Techniques ofAutomation&Applications2基于用户兴趣模型的个性化旅游线路生成建模设计2.1用户数据抓取与处理在本次研究中，将用户信息大致分为3类，分别为显性信息、隐性信息6以及旅游目的地信息。大致内容划分情况如图1所示。图1用户数据类型按照图1中内容，首先对采集到的显性用户兴趣进行剥离。在本次研究中，使用多维兴趣标签完成显性用户兴趣抽取过程，具体计算过程如下所示：（1）式中，B表示采集到的用户数据的总文本数量；bi表示用户数据中的特征值ti出现的次数；aij表示文本中ti的权重值。根据此公式，得到用户多维兴趣标签7-8处理后的信息集合，此时存在：（2）式中，ai表示多维标签兴趣项的权重数值；tyij表示文本中用户ci使用过ti的频次；tyij的取值结果体现了标签的重要性。B表示用户集合C中的用户总量；b表示用户中使用过ti的用户量；Gi表示标签集合，且存在tiGi。此时，上述公式的标准权重ai取值区间设定为0,1，且存在：（3）当ai=0时，不存在用户标签；当ai=1时，存在唯一的用户标签。在上述计算内容的基础上，计算用户的隐性兴趣标签，以用户对某一旅游地点的提及次数作为计算内容，则有：（4）式中，Vmin表示用户在谈及某旅游目的地时的最短交谈时间；Vmax表示用户在谈及某旅游目的地时的最长交谈时间；v表示用户在谈及旅游资源时的谈及时间；r表示用户在浏览旅游目的地信息时的平均速度；P表示旅游目的地信息的篇幅长短。根据此公式，得到用户对于旅游目的地兴趣度：（5）式中，当0,rate=0表示用户对此目的地没有兴趣；0.3,rate(v)1.5表示用户对目的地具有略微的兴趣；0.6,rate(v)(1.5,1.7)表示用户对目的地具有一般兴趣；0.8,rate(v)(1.5,1.7表示用户对目的地具有较大的兴趣；1,rate(v)0.80表示用户对目的地十分具有游览兴趣。对上述公式中内容进行叠加，得到用户对于旅游目的地的综合兴趣值，则有：（6）将公式（6）与公式（5）进行融合，得到用户行为特征兴趣，则有：（7）式中，max(a)表示用户兴趣的最大权重值。对上述计算内容进行融合处理，得到用户兴趣数据，为后续的用户模型构建以及个性化旅游路线规划提供基础。2.2用户兴趣模型构建在上文中计算内容的基础上，构建用户兴趣模型，分析用户对部分旅游目的地的兴趣值以及用户的旅游行为特征。选用关联性原则9-10，对已经获取到的用户兴趣标签进行整理，生成对应的用户兴趣模型。假设用户的互信息为H(i,j)，其可表示为用户兴趣标签i与用户兴趣标签j的概率语义关系，则有：（8）式中，H(i,j)表示两标签的共有概率，此数值表示标签中同时拥有信息的频率；E(i)、E(j)分别表示标签在待测项目中存在的概率。根据以往研究结果可知，当H(i,j)0时，存在：（9）上述公式证实，标签之间相互独立，不具备关联性。为了构建出合适的模型，在模型构建过程中设定阈值，保证模型使用效果。若存在E(i,j)，则扩大阈值的178自动化技术与应用2024 年第 43 卷第 3 期行业应用与交流Industrial Applications and CommunicationsTechniques ofAutomation&Applications取值范围以增强标签扩展的强度。此计算过程完成后，对模型中各个指标的权重进行计算，则有：（10）式中，ui表示用户对不同旅游目的地的兴趣取值；fi表示用户对旅游路线的兴趣程度。在计算的过程中，需要对权重进行不断地更新，则有：（11）将公式（11）与用户兴趣标签融合计算，以此得到用户兴趣模型，并将此模型作为个性化旅游路线的研究基础。2.3个性化旅游路线规划与生成以上述用户兴趣模型为基础，对个性化旅游路线进行规划。在本次研究中，将个性化旅游路线规划与生成过程设定如图2所示。图2个性化旅游路线规划与生成过程按照图2中内容，将用户偏好特征、主题特征以及旅游目的地因子特征，将所有信息整合为向量的形式导入预设的神经网络中，得到各个旅游目的地的连接过程：（12）式中，Tw表示旅游路线主题特征；Jzo表示旅游目的地特征。此时，神经网络隐层的计算公式可表示为：（13）式中，Relu()表示路线规划规则；表示隐层层级；Dropout()表示神经网络隐层计算系数。根据此公式，对用户可接受的旅游路线进行统计并将其作为用户兴趣分析的基础。在上述计算结果的基础上，将上文中获取的用户兴趣权重，根据权重值的不同确定用户对兴趣的偏好。同时，根据以往研究结果，将卷积神经网络的计算结果带入用户兴趣模型中，确定不同旅游目的地的兴趣得分。将得分较高的目的地进行串联，得到最终符合用户心理预期的旅游路线。对上文中内容进行整合，至此，基于用户兴趣模型的个性化旅游线路生成建模方法设计完成。3仿真实验论证分析本次研究中提出了一种基于用户兴趣模型的个性化旅游线路生成建模方法，仅通过理论研究是无法证实此模型构建方法的可行性与科学性的。因此，构建仿真实验环节对此方法的使用效果进行验证。3.1实验准备3.1.1实验数据准备在个性化旅游路线生成模拟实验中，实验数据需要以采集到的真实数据为基础。本次实验中使用的数据源于智能手机、无线网络以及旅游社交网站。为了更好地完成实验过程，首先对此部分数据进行抓取。原始实验数据集采集开始于2016年1月，截至2021年12月，一共收集了200个用户的信息，其中包含其旅游活动期间的纬度、时间、偏好等等。将原始数据中的旅游目的地设定为500个兴趣点，同时将此部分兴趣点规划为10个旅游兴趣点类型。具体类型如表1所示。表1旅游兴趣点类型兴趣点类型序号XQD-01XQD-02XQD-03XQD-04XQD-05XQD-06XQD-07XQD-08XQD-09XQD-10兴趣点类型古建筑类现代建筑类自然山水类人文类田园风光类红色文化类博物馆类教育类非物质文化遗产类环境保护区类旅游目的地/个50505050505050505050在为用户生成旅游路线时，用户只需要提供具体的出发点与目的地以及给定的兴趣点类型，即可根据实验数据完成旅游路线生成过程。3.1.2实验环境准备由于本次实验需要进行大量的数据计算，实验环境对于实验结果的可靠性具有直接影响。因此，对实验环境中的关键参数进行设定，具体内容如下：（1）操作环境：Win 10 32位操作系统（2）处理器：Intel(R)Core(TM)i7（3）内存：50 GB（4）模拟软件：Eclipse软件（5）数据库软件：SQL 2016按照上文中设定内容对实验环境进行搭建与管理，同时将实验数据导入数据库中，为后续的实验操作过程提供基础。3.2实验方案设定在本次研究中，需要使用预设的实验数据对200位用户提供符合其要求的个性化旅游路线。在路线生成结束后，为保证路线生成结果具有科学性，通过用户兴趣模型179行业应用与交流Industrial Applications and Communications自动化技术与应用2024 年第 43 卷第 3 期Techniques ofAutomation&Applications对用户与路线之间的兴趣关系进行评定。本次实验过程中，获取路线生成结果中，每个用户对旅游目的地的兴趣程度，提供特别感兴趣、还行以及不感兴趣三个等级，针对每个兴趣等级的兴趣点生成准确率分别赋值为3分，2分，1分。统计用户对旅游路线生成结果的兴趣程度，设定兴趣阈值为，此时用户t的路线列表中其兴趣程度大于 的旅游线路集合E(t)，则个性化旅游路线的生成准确率可表示为：（14）在本次实验中不仅需要对生成准确率进行分析，同时更要保证此路线生成结果在景区选择的全面性。为将其体现为具现化数据，使用覆盖率指标对路线生成结果进行分析，具体指标计算公式如下所示：（15）式中，u表示基础兴趣点类型的集合，实验数据集中的兴趣总数设定为J。使用此公式对200个用户的个性化旅游路线生成结果的旅游景点覆盖率进行分析。按照实验方案中设定的实验对照指标，对本文模型的使用效果进行分析。本次研究中，选择基础旅游路线生成模型以及基于贪心算法的旅游路线生成模型与本文模型进行同期实验，并对所得实验结果进行对照分析，确定本文模型的应用效果。3.3实验结果分析实验结果见图3、4。图3旅游路线生成结果准确性实验结果图4旅游路线生成结果全面性实验结果对上述实验结果进行分析可以看出，在初始用户量为20人时，三种模型的生成准确率大致相同，没有过多的差异。但随着用户量不断增加，三种方法的差异度逐渐加大。当用户量达到80时，三种模型的生成准确率得到了质的变化。本文模型在此条件下，所得实验结果均达到95.0%左右，可见此模型的旅游路线生成结果符合用户的兴趣要求与预期的目的地准确性。此实验结果证实了本文模型具有一定的可行性，可对其进行后续的覆盖率实验。对图4实验结果进行分析可以看出，本文模型所得旅游路线中景区的覆盖率相对较高，可在保证生成路线准确率的同时，提升旅游路线中兴趣点的覆盖率，在一定程度上提升用户的满意度。与此模型相比，基础旅游路线生成模型以及基于贪心算法的旅游路线生成模型所生成的旅游路线景点覆盖率相对较差，由此可知此两种模型路线生成结果较为空洞，无法为用户提供充分的景区，极易降低用户满意度。综合上述实验结果可知，本文模型的路线生成结果较好，证实了本文模型具有极高的应用价值。4结束语旅游业的高速发展为人们提供了多种休闲娱乐方式，国内生产总值的提升导致人们对旅游路线的个性化要求日益提升。在本次研究中提出了一种基于用户兴趣模型的个性化旅游线路生成建模方法，在此方法理论研究完成后对其应用价值进行分析，取得了预期的设计目标。在日后的研究中可多使用此模型解决路线规划问题，为用户提供更具个人特色的旅游路线。参考文献:1 王友卫,朱晨,朱建明,等.基于用户兴趣词典和LSTM的个性化情感分类方法J.计算机科学,2021,48(S2):251-257.2 廖旺宇.基于游记图文信息的个性化旅游路线推荐应用J.计算机应用与软件,2020,37(6):6.3 李旭,李景文,俞娜.基于用户需求的旅游路线推荐方法J.计算机工程与设计,2021,42(5):1339-1345.4 徐永康,高文超,廖宏科,等.基于Android的个性化旅游路线规划系统设计与实现J.电脑知识与技术:学术版,2021,17(24):3.5 吴剑云,胥明珠.基于用户画像和视频兴趣标签的个性化推荐J.情报科学,2021,39(1):128-134.6 王豪,郭斌,郝少阳,等.基于深度学习的个性化对话内容生成方法J.图学学报,2020,41(2):210-216.7 吴良平,胡健敏,张健.中国省域入境旅游发展的空间计量建模与影响因素效应研究J.旅游学刊,2020,35(3):14-27.8 蔡清.融合热度和隐特征分析模型推荐个性化森林旅游景点J.林业经济问题,2020,40(1):60-65.9 杨奉毅,马玉鹏,包恒彬,等.基于稀疏轨迹聚类的自驾车旅游路线挖掘J.计算机应用,2020,40(4):1079-1084.10 刘辉,万程峰,吴晓浩.基于语义位置和区域划分的兴趣点推荐模型J.计算机应用研究,2020,37(2):375-380.作者简介:韦鑫（1980-），女，硕士，副教授，研究方向：乡村旅游，旅游企业管理。180