第15卷第1期 智能系统学报 Vol.15 No.1 2020年1月 CAAI Transactions on Intelligent Systems Jan.2020 D0L:10.11992tis.201912023 基于位置和开放链接数据的旅游推荐系统综述 YOCHUM Phatpicha,.常亮，古天龙，祝曼丽 (桂林电子科技大学广西可信软件重点实验室，广西桂林541004) 摘要：利用开放链接数据解决基于位置的推荐系统中存在的信息过载问题是目前的研究热点，并在旅游领域 展现出了巨大的潜力。首先给出推荐系统的基本概况：然后对旅游开放链接数据进行了概况；从文献分类、应 用分类和研究成果对基于位置和开放链接数据的旅游推荐系统从2014一2018年的相关文献进行了详细考察， 并从基于位置的单点推荐、旅游路线推荐、GPS轨迹推荐、基于媒介的地理标签推荐、基于本体的位置推荐和 基于位置的朋友推荐等6类典型的应用进行分类考察，最后对全文并为该领域指明了研究方向。 关键词：开放链接数据：基于位置的推荐：旅游路线推荐：轨迹挖掘：个性化推荐：本体 中图分类号：TP301 文献标志码：A文章编号：1673-4785(2020)01-0025-08 中文引用格式：YOCHUM Phatpicha,常亮，古天龙，等.基于位置和开放链接数据的旅游推荐系统综述IJ.智能系统学报， 2020,15(1):25-32. 英文引用格式：YOCHUM Phatpicha,,CHANG Liang,GU Tianlong,etal.A review of linked open data in location-based recom- mendation system in the tourism domainJ CAAI transactions on intelligent systems,2020,15(1):25-32. A review of linked open data in location-based recommendation system in the tourism domain YOCHUM Phatpicha,CHANG Liang,GU Tianlong,ZHU Manli (Guangxi Key Laboratory of Trusted Software,Guilin University of Electronic Technology,Guilin 541004,China) Abstract:Using linked open data to solve the problem of information overload in location-based recommendation sys- tem is currently a hot topic.In particular,it has shown a great promising future in the tourism area.First,we make an in- troduction to the recommendation system,then present linked open data of tourism.We also have a detailed survey of journal papers that were published from 2014 to 2018 on the recommendation system in the tourism domain based on location and linked open data,including classification of publications,categorization of recommendation applications, and research achievements.Further,the applications of six typical types of linked open data in location-based tourism recommendation system,such as stand-alone point location-based recommendation,travel route recommendation,GPS trajectory-based recommendation,geo-tagged-media-based recommendation,ontology-based location recommendation, and location-based friend recommendation,are investigated in detail.A summary of the paper and the future research directions are made in the end. Keywords:linked open data;location-based recommendation;tourism route recommendation;trajectory mining;per- sonalized recommendation;ontology 随着互联网的发展，网络正在成为人们规划要花费大量时间和精力。开放链接数据(opn 旅游的重要信息途径。虽然旅行者可以方便地 linked data,LOD)得益于互联网数据的互联，通过 在互联网上查看相关信息来规划行程，但仍然需 整合多源异质数据来创建新的知识，使得它能够 收稿日期：2019-12-18 提供强大的服务和应用。海量与旅游相关的LOD 基金项目：国家自然科学基金项目(U1711263,U1811264):广西 具有多源性和数据语义关联的优势，为旅游领域 自然科学基金项目(2018 GXNSFDA281045). 通信作者：常亮.E-mail:changl(@guet.edu.cn, 推荐系统的发展提供了良好的契机
DOI: 10.11992/tis.201912023 基于位置和开放链接数据的旅游推荐系统综述 YOCHUM Phatpicha，常亮，古天龙，祝曼丽 （桂林电子科技大学 广西可信软件重点实验室，广西 桂林 541004） 摘 要：利用开放链接数据解决基于位置的推荐系统中存在的信息过载问题是目前的研究热点，并在旅游领域 展现出了巨大的潜力。首先给出推荐系统的基本概况；然后对旅游开放链接数据进行了概况；从文献分类、应 用分类和研究成果对基于位置和开放链接数据的旅游推荐系统从 2014—2018 年的相关文献进行了详细考察， 并从基于位置的单点推荐、旅游路线推荐、GPS 轨迹推荐、基于媒介的地理标签推荐、基于本体的位置推荐和 基于位置的朋友推荐等 6 类典型的应用进行分类考察，最后对全文并为该领域指明了研究方向。 关键词：开放链接数据；基于位置的推荐；旅游路线推荐；轨迹挖掘；个性化推荐；本体 中图分类号：TP301 文献标志码：A 文章编号：1673−4785(2020)01−0025−08 中文引用格式：YOCHUM Phatpicha, 常亮, 古天龙, 等. 基于位置和开放链接数据的旅游推荐系统综述 [J]. 智能系统学报, 2020, 15(1): 25–32. 英文引用格式：YOCHUM Phatpicha, CHANG Liang, GU Tianlong, et al. A review of linked open data in location-based recommendation system in the tourism domain[J]. CAAI transactions on intelligent systems, 2020, 15(1): 25–32. A review of linked open data in location-based recommendation system in the tourism domain YOCHUM Phatpicha，CHANG Liang，GU Tianlong，ZHU Manli (Guangxi Key Laboratory of Trusted Software, Guilin University of Electronic Technology, Guilin 541004, China) Abstract: Using linked open data to solve the problem of information overload in location-based recommendation system is currently a hot topic. In particular, it has shown a great promising future in the tourism area. First, we make an introduction to the recommendation system, then present linked open data of tourism. We also have a detailed survey of journal papers that were published from 2014 to 2018 on the recommendation system in the tourism domain based on location and linked open data, including classification of publications, categorization of recommendation applications, and research achievements. Further, the applications of six typical types of linked open data in location-based tourism recommendation system, such as stand-alone point location-based recommendation, travel route recommendation, GPS trajectory-based recommendation, geo-tagged-media-based recommendation, ontology-based location recommendation, and location-based friend recommendation, are investigated in detail. A summary of the paper and the future research directions are made in the end. Keywords: linked open data; location-based recommendation; tourism route recommendation; trajectory mining; personalized recommendation; ontology 随着互联网的发展，网络正在成为人们规划 旅游的重要信息途径[1]。虽然旅行者可以方便地 在互联网上查看相关信息来规划行程，但仍然需 要花费大量时间和精力[2]。开放链接数据 (open linked data, LOD) 得益于互联网数据的互联，通过 整合多源异质数据来创建新的知识，使得它能够 提供强大的服务和应用。海量与旅游相关的 LOD 具有多源性和数据语义关联的优势，为旅游领域 推荐系统的发展提供了良好的契机。 收稿日期：2019−12−18. 基金项目：国家自然科学基金项目 (U1711263，U1811264)；广西 自然科学基金项目 (2018GXNSFDA281045). 通信作者：常亮. E-mail：changl@guet.edu.cn. 第 15 卷第 1 期 智 能 系 统 学 报 Vol.15 No.1 2020 年 1 月 CAAI Transactions on Intelligent Systems Jan. 2020
·26· 智能系统学报 第15卷 随着智能手机的日益普及，以及Twitter、Face 户画像搜集能够表达用户兴趣、偏好和需求的数 book和Foursquare等在线应用程序的出现，它们 据。基于内容的推荐仅仅是简单的匹配项目特征 在基于位置的服务和基于轨迹的信息中扮演着越 的过程，并在这个过程中将用户画像数据考虑进 来越重要的角色。这些服务和内容同时也为用户 去。因此，其经常面临过拟合问题。 提供旅游信息，并能够更深入地了解用户偏好和 2)基于协同过滤的推荐算法6：协同过滤方 行为。这促进了基于位置的新型推荐系统的研 法依赖于用户历史评分数据，系统会根据其他与 究，使用户旅行及其社交活动变得更加容易。基 当前用户相似的用户偏好进行新的物品推荐。然 于位置的开放链接数据旅游推荐系统通过将位置 而，基于系统过滤推荐通常面临冷启动和数据稀 信息和开放链接数据引入推荐系统，旨在通过减 疏等问题。 少信息超载并向用户提供感兴趣的旅游相关信 3)混合推荐算法)：混合推荐方法通常会结 息，以进一步提高推荐准确度和用户满意度。 合两种或两种以上的推荐算法来进行新的物品推 近年来，基于位置的开放链接数据旅游推荐 荐。考虑到单一推荐方法都存在各自的不足，通 系统引起了广泛关注和研究兴趣，但该方向仍然 过组合不同的推荐算法通常能够克服传统方法存 面临诸多挑战。本文将介绍开放链接数据在基于 在的数据稀疏、冷启动及可扩展性问题，往往能 位置的旅游推荐系统方向论文的筛选方法，并从 够产生更好的推荐性能。 应用层面对6种不同的应用类型进行详细考察， 推荐系统中常用推荐技术如图1所示。 旨在为读者提供该方向的最新进展。 推荐系统 1推荐系统 推荐系统早在20世纪90年代中期就已经成 基于内容的推荐算法 协同过滤算法 混合算法 为一个重要的研究领域。研究人员最初大多使 用用户-物品评分矩阵来做推荐，常见的推荐技 基于记忆的算法 基于模型的算法 术也大多依赖用户历史评分来预测用户对新物品 可能的评分，并根据评分高低将物品推荐给用 基于用户的算法 户。表1给出了一个关于旅游景点推荐应用的用 基于物品的算法 户项目评分矩阵的示例。表中用户的评分范围 为1~5，符号“一”表示用户未对相应的景点给出 图1推荐技术概览 Fig.1 An overview of recommendation techniques 评分。例如，用户Diana对旅游景点Times Square的评分为3，推荐系统会为其创建一条记 2旅游开放链接数据 录。与用户相关的每条信息如年龄、性别和国籍 等都会被保存到系统中。同样的，与项目相关的 越来越多的用户在网上生成并传播数据使得 每条信息如名字、类别、位置及建立的年份也都 语义Web上有大量可用的信息。语义Web的目 会被记录在系统中。 标是基于Web的信息和服务能够被人和机器理 解及重用。链接数据是用于链接Web上数据的 表1用户-项目评分矩阵示例 技术，能够在语义Web上公开、共享和连接信息 Table 1 An example of a user-item rating matrix 及知识片段，是一种能够解决大规模数据集成的 用户 Times Mackinac 种有潜力的技术⑧。 Central Park Disneyland Square Bridge 开放数据的定义由开放知识基金会在2015 Alexander 年提出。人们可以免费在线访问并且能够自由使 Benjamin 用、重用及重新发布内容或信息。这里有3个原 Carter 则：1)可用性和可访问性，即人们可以得到数据： Diana 2)重用和再分配，即人们可以重用和共享数据： 3)全民参与，即所有人都可以参与并使用数据。 推荐系统中所使用的算法一般分为如下3类： 与旅游活动和服务相关的各种形式的数据主 1)基于内容的推荐算法：基于内容的推荐 要通过一些在线应用程序生成和使用。Tripad- 方法依赖于文本及关键词之间的相似度。通过用 visor和Yelp在很多方面都能够对旅游决策产生
随着智能手机的日益普及，以及 Twitter、Facebook 和 Foursquare 等在线应用程序的出现，它们 在基于位置的服务和基于轨迹的信息中扮演着越 来越重要的角色。这些服务和内容同时也为用户 提供旅游信息，并能够更深入地了解用户偏好和 行为。这促进了基于位置的新型推荐系统的研 究，使用户旅行及其社交活动变得更加容易。基 于位置的开放链接数据旅游推荐系统通过将位置 信息和开放链接数据引入推荐系统，旨在通过减 少信息超载并向用户提供感兴趣的旅游相关信 息，以进一步提高推荐准确度和用户满意度[3]。 近年来，基于位置的开放链接数据旅游推荐 系统引起了广泛关注和研究兴趣，但该方向仍然 面临诸多挑战。本文将介绍开放链接数据在基于 位置的旅游推荐系统方向论文的筛选方法，并从 应用层面对 6 种不同的应用类型进行详细考察， 旨在为读者提供该方向的最新进展。 1 推荐系统 推荐系统早在 20 世纪 90 年代中期就已经成 为一个重要的研究领域[4]。研究人员最初大多使 用用户−物品评分矩阵来做推荐，常见的推荐技 术也大多依赖用户历史评分来预测用户对新物品 可能的评分，并根据评分高低将物品推荐给用 户。表 1 给出了一个关于旅游景点推荐应用的用 户项目评分矩阵的示例。表中用户的评分范围 为 1~5，符号“—”表示用户未对相应的景点给出 评分。例如，用 户 Dian a 对旅游景 点 Times Square 的评分为 3，推荐系统会为其创建一条记 录。与用户相关的每条信息如年龄、性别和国籍 等都会被保存到系统中。同样的，与项目相关的 每条信息如名字、类别、位置及建立的年份也都 会被记录在系统中。 表 1 用户−项目评分矩阵示例 Table 1 An example of a user-item rating matrix 用户 Times Square Central Park Disneyland Mackinac Bridge Alexander — 4 3 — Benjamin 2 — 4 — Carter 4 3 2 3 Diana 3 5 — 5 推荐系统中所使用的算法一般分为如下 3 类： 1) 基于内容的推荐算法[5] ：基于内容的推荐 方法依赖于文本及关键词之间的相似度。通过用 户画像搜集能够表达用户兴趣、偏好和需求的数 据。基于内容的推荐仅仅是简单的匹配项目特征 的过程，并在这个过程中将用户画像数据考虑进 去。因此，其经常面临过拟合问题。 2) 基于协同过滤的推荐算法[6] ：协同过滤方 法依赖于用户历史评分数据，系统会根据其他与 当前用户相似的用户偏好进行新的物品推荐。然 而，基于系统过滤推荐通常面临冷启动和数据稀 疏等问题。 3) 混合推荐算法[7] ：混合推荐方法通常会结 合两种或两种以上的推荐算法来进行新的物品推 荐。考虑到单一推荐方法都存在各自的不足，通 过组合不同的推荐算法通常能够克服传统方法存 在的数据稀疏、冷启动及可扩展性问题，往往能 够产生更好的推荐性能。 推荐系统中常用推荐技术如图 1 所示。 推荐系统 基于内容的推荐算法 协同过滤算法 混合算法 基于记忆的算法 基于模型的算法 基于物品的算法 基于用户的算法 图 1 推荐技术概览 Fig. 1 An overview of recommendation techniques 2 旅游开放链接数据 越来越多的用户在网上生成并传播数据使得 语义 Web 上有大量可用的信息。语义 Web 的目 标是基于 Web 的信息和服务能够被人和机器理 解及重用。链接数据是用于链接 Web 上数据的 技术，能够在语义 Web 上公开、共享和连接信息 及知识片段，是一种能够解决大规模数据集成的 一种有潜力的技术[8]。 开放数据的定义由开放知识基金会在 2015 年提出。人们可以免费在线访问并且能够自由使 用、重用及重新发布内容或信息。这里有 3 个原 则：1) 可用性和可访问性，即人们可以得到数据； 2) 重用和再分配，即人们可以重用和共享数据； 3) 全民参与，即所有人都可以参与并使用数据[9]。 与旅游活动和服务相关的各种形式的数据主 要通过一些在线应用程序生成和使用。Tripadvisor 和 Yelp 在很多方面都能够对旅游决策产生 ·26· 智 能 系 统 学 报 第 15 卷
第1期 YOCHUM Phatpicha,等：基于位置和开放链接数据的旅游推荐系统综述 ·27· 影响，比如目的地和景点的选择。如何找到有用 30 的信息并将信息分享给所有人是当前旅游领域面 3 临的一个挑战。因此，LOD扮演了重要角色，因 22 为任何人都可以共享和构建这些数据。 17 很多研究者在旅游领域都采用了LOD的概 念。如Sah等开发了一个个性化旅游搜索的在 线演示系统，并基于LOD建立了一个基准数据集。 10 该系统主要由两部分组成：I)允许用户在LOD 上进行搜索，并对检索到的搜索结果进行分类； 2)根据用户交互对搜索结果进行个性化处理。 20142015201620172018 Pantano等)利用tripadvisor..com免费提供的大量 发表年份 开放数据来预测游客对某个目的地的评分。此 图2 近5年基于位置和LOD的旅游推荐系统相关论文 外，许多研究人员还将开放数据链接到本体概念 发表数量 Fig.2 Number of publications of location-based open link 中。特别是Bischof等提出的开放城市数据管 data recommendation systems on tourism over years 道，是一个从多种数据来源收集、集成和丰富开 放城市数据的平台。 根据不同的基于位置的推荐应用，其发表情 况如图3所示。 3基于位置的开放链接数据旅游推荐 概览 50 % 本文调研了近5年（从2014一2018年）发表 在重要期刊上基于位置和LOD的旅游推荐系统 30 的研究现状。对发表在以下6个国际重要数据库 10 上从2014一2018年的期刊论文进行了考察： ACM Digital Library,IEEE Xplore Digital Library, 基于旅游GPS 基于基于基于 位置 路线轨迹媒介 本体 EI Compendex、ScienceDirect、Springer Link和Web 的单 推荐推荐 的地的位 的朋 of Science。使用关键词'linked open data”、“loca- 点推 理标置推 友 签推荐 tion-based”、“tourism”和“recommendation”以及 荐 基于位置的推荐应用类别 它们的同义词"linked data'”、“open data”、“onto- logy”、“knowledge'”、“location”、“attraction”、 图3不同推荐应用分类对应的论文数量 Fig.3 Distribution of publications by the different categories “travel”、“tourist'”、“POI”、“point-of-interest'”和 从图3中可以看出，从2014一2018年，基于 “recommender'”过滤搜索到的论文。基于以上关 位置和LOD的旅游推荐系统正日益引起研究者 键词产生的搜索字符串为：Linked Open Data 或“Linked Data'”或“Open Data”或“Ontology”或 的关注，并且研究者倾向使用多种推荐技术如本 “Knowledge”和“Location-based”或Location”和 体、基于内容的推荐方法、协同过滤、混合推荐、 “Tourism”或“Attraction'”或“Travel”或“Tourist' 模糊推荐和深度学习等来提高推荐系统的性能。 或“POI”或“Point-of-interest'”和“Recommenda- 4 基于位置和开放链接数据的旅游 tion”或“Recommender”。 推荐系统的应用分类 本文通过以下标准来选择相关的论文：1)有 显式的基于位置的推荐技术；2)使用LOD作为数 研究者已经在基于位置和LOD的旅游推荐 据源；3)发表时间为2014一2018年；4)应用领域 系统应用领域进行了很多研究，现有的应用可以 为旅游。 被分为基于位置的单点推荐、旅游路线推荐、 分类的目的是为了清楚地说明过去几年出版 GPS轨迹推荐、基于媒介的地理标签推荐、基于 物的发行情况并总结这些研究成果。图2给出了 本体的位置推荐和基于位置的朋友推荐。 基于位置和LOD的推荐系统在旅游领域共89篇 4.1基于位置的单点推荐 期刊论文的发行情况。从图中可以看出该领域的 基于位置的单点推荐系统仅能为用户推荐单 研究逐年递增，预计未来几年还会进一步增加。 个地点和景点。很多研究者通过挖掘用户偏好
影响，比如目的地和景点的选择。如何找到有用 的信息并将信息分享给所有人是当前旅游领域面 临的一个挑战。因此，LOD 扮演了重要角色，因 为任何人都可以共享和构建这些数据。 很多研究者在旅游领域都采用了 LOD 的概 念。如 Sah 等 [10] 开发了一个个性化旅游搜索的在 线演示系统，并基于 LOD 建立了一个基准数据集。 该系统主要由两部分组成：1) 允许用户在 LOD 上进行搜索，并对检索到的搜索结果进行分类； 2) 根据用户交互对搜索结果进行个性化处理。 Pantano 等 [11] 利用 tripadvisor.com 免费提供的大量 开放数据来预测游客对某个目的地的评分。此 外，许多研究人员还将开放数据链接到本体概念 中。特别是 Bischof 等 [12] 提出的开放城市数据管 道，是一个从多种数据来源收集、集成和丰富开 放城市数据的平台。 3 基于位置的开放链接数据旅游推荐 概览 本文调研了近 5 年 (从 2014—2018 年) 发表 在重要期刊上基于位置和 LOD 的旅游推荐系统 的研究现状。对发表在以下 6 个国际重要数据库 上从 2014—201 8 年的期刊论文进行了考察： ACM Digital Library、IEEE Xplore Digital Library、 EI Compendex、ScienceDirect、Springer Link 和 Web of Science。使用关键词“linked open data”、“location-based”、“tourism”和“recommendation”以及 它们的同义词“linked data”、“open data”、“ontology”、“knowledge”、“location”、“attraction”、 “travel”、“tourist”、“POI”、“point-of-interest”和 “recommender”过滤搜索到的论文。基于以上关 键词产生的搜索字符串为：“Linked Open Data” 或“Linked Data”或“Open Data”或“Ontology”或 “Knowledge”和“Location-based”或“Location”和 “Tourism”或“Attraction”或“Travel”或“Tourist” 或“POI”或“Point-of-interest”和“Recommendation”或“Recommender”。 本文通过以下标准来选择相关的论文：1) 有 显式的基于位置的推荐技术；2) 使用 LOD 作为数 据源；3) 发表时间为 2014—2018 年；4) 应用领域 为旅游。 分类的目的是为了清楚地说明过去几年出版 物的发行情况并总结这些研究成果。图 2 给出了 基于位置和 LOD 的推荐系统在旅游领域共 89 篇 期刊论文的发行情况。从图中可以看出该领域的 研究逐年递增，预计未来几年还会进一步增加。 5 17 21 22 24 0 5 10 15 20 25 30 2014 2015 2016 2017 2018 期刊论文数量 发表年份 图 2 近 5 年基于位置和 LOD 的旅游推荐系统相关论文 发表数量 Fig. 2 Number of publications of location-based open link data recommendation systems on tourism over years 根据不同的基于位置的推荐应用，其发表情 况如图 3 所示。 基于 位置 的单 点推 荐 旅游 路线 推荐 GPS 轨迹 推荐 基于 媒介 的地 理标 签推 荐 基于 本体 的位 置推 荐 基于 位置 的朋 友推 荐 43 12 6 15 5 8 0 10 20 30 40 50 期刊论文数量 基于位置的推荐应用类别 图 3 不同推荐应用分类对应的论文数量 Fig. 3 Distribution of publications by the different categories 从图 3 中可以看出，从 2014—2018 年，基于 位置和 LOD 的旅游推荐系统正日益引起研究者 的关注，并且研究者倾向使用多种推荐技术如本 体、基于内容的推荐方法、协同过滤、混合推荐、 模糊推荐和深度学习等来提高推荐系统的性能。 4 基于位置和开放链接数据的旅游 推荐系统的应用分类 研究者已经在基于位置和 LOD 的旅游推荐 系统应用领域进行了很多研究，现有的应用可以 被分为基于位置的单点推荐、旅游路线推荐、 GPS 轨迹推荐、基于媒介的地理标签推荐、基于 本体的位置推荐和基于位置的朋友推荐。 4.1 基于位置的单点推荐 基于位置的单点推荐系统仅能为用户推荐单 个地点和景点。很多研究者通过挖掘用户偏好、 第 1 期 YOCHUM Phatpicha，等：基于位置和开放链接数据的旅游推荐系统综述 ·27·
·28· 智能系统学报 第15卷 地理影响和社会影响对用户进行兴趣点推荐。 或旅游套餐的评分；最后，利用用户出行约束，以 Gao等]提出了GSBPR模型来捕捉用户偏 个性化的方式为用户提供出行路线规划。Hang 好与地理影响之间的关系，并使用用户及其在 等2通过分析用户历史数据，提出了一种最优的 Foursquare和Yelp的LOD上登记超过5次的兴 出行路线推荐系统。该方法基于用户的偏好而不 趣点和贝叶斯个性化排名方法将pairwise排名参 是个人兴趣点来进行旅游路线推荐，并基于关联 数优化为兴趣点推荐。最后通过整合来自用户签 规则挖掘的方法使用上下文信息如日期、季节和 到行为的正面反馈、负面反馈、地理反馈和地理 用户历史访问景点生成旅游路线，且使用了遗传 社会反馈来挖掘用户偏好，从而进行兴趣点推荐。 算法来寻找最优路径。 Li等提出了一种基于位置、评分和时间戳 此外，一些研究还在基于位置的推荐系统中 的兴趣点推荐方法。通过对用户评分行为建模来 考虑了用户兴趣、用户当前位置、热门地点和上 学习用户在特定时间和地点的偏好，并基于人类 下文信息。例如，Wornd等提出了一种基于起 不能记住很久以前的事情这一事实给予新访问的 点、终点和兴趣点的城市旅游兴趣点序列生成方 地点一个较高的分数。 法。通过计算用户对兴趣点的兴趣等级和每个类 Gao等s1提出了一个融合用户偏好、社会关 别的兴趣点数目发现兴趣点，并基于Dijkstra算 联和地理影响的统一推荐框架。并对用户的签到 法产生路线。Jiang等四通过学习主题包模型，提 行为采用矩阵分解方法来融合地理信息和社会信 出了一种个性化的旅游序列推荐方法。该方法考 息。但是，由于在社会模型中采用了预定义的社 虑了用户的主题兴趣，以及旅游日志和社区提供 会关系，因此计算成本比较昂贵。 的照片的访问时间和季节的偏好。系统根据用户 Xu等提出了一种将用户签到信息及评论 包和路线包之间的相似性对著名线路进行提取和 信息与随机游走算法结合的兴趣点推荐方法。该 排序，然后，根据用户偏好对路线进行排序和优化。 方法以用户和兴趣点的分布为目标，并在图模型 4.3GPS轨迹推荐 中计算用户和兴趣点之间的关系，然后用情感词 近年来，GPS轨迹在智能手机或专用GPS跟 将用户最喜欢的地点选择到推荐系统中，进而进 踪器中越来越常见。基于位置的推荐系统可以利 行兴趣点推荐。 用GPS轨迹记录旅行路线或者定位游客当前所 Gao等m提出了一种时空感知的社会协作位 在位置。 置推荐系统STSCR,研究了时间、时空顺序影响 Cui等2提出通过用户历史GPS轨迹来定义 和社会影响的联合影响。该模型由用户一位置、 用户出行行为的个性化出行路线推荐方法。通过 用户-朋友、朋友-位置、位置-时间和位置-位置 拉普拉斯平滑算法计算概率来估计协同过滤中用 之间的交互来构建，然后利用贝叶斯个性化排序 户的出行频率，并利用贝叶斯模型来计算推荐路 技术对位置进行优化排序。 线。Duan等2通过考虑游客的实时位置和历史 4.2旅游线路推荐 记录，提出了一种能够根据实时交通环境为用户 基于位置的推荐系统通过与其他出行模式顺 推荐并提供附近相关的旅游服务的方法，且基于 序相结合可以帮助用户根据自己的偏好来规划路 聚类的方法从时空维度来细化游客在某一时刻停 线或行程。此外，用户历史数据和签到记录通常 留的地点的轨迹信息。Chen等2通过考虑兴趣 被用于旅游路线推荐中。 点和路线信息来进行路线推荐。利用用户历史轨 Wen等1割提出了一个高效的关键字感知旅 迹信息学习游客从起点到终点的兴趣点与兴趣点 游路线推荐框架，充分利用了用户历史记录和社 排序之间的转换模式，最后为游客推荐可能的 会交互性息。用户可以指定一组关键字和查询区 路线。 域，然后系统从关键字提取模块中对感兴趣的标 此外，Zhu等2提出了一种地理信息转换为 签进行分类，最后使用签到数据进行路线推荐。 原始GPS轨迹的语义信息的个性化兴趣点推荐 同时，一些研究还考虑了社交互动和用户约 模型SEM-PPA。还提出了一种根据地理信息和 束。如Lu等9将旅游景点和旅游套餐结合起来 语义信息将位置划分为不同类型进行位置识别的 开发了PATPlanner系统来满足用户出行约束的 新方法，通过在不同的位置轨迹中寻找相似的用 个性化出行规划。首先，从LOD中收集旅游套 户来进行兴趣点推荐。Hsieh等7提出了一种时 餐、旅游景点、个人签到日志、社交链接关系等信 间敏感的旅游路线推荐方法。通过考虑景点的人 息；然后，计算基于用户和基于时间的旅游景点 气信息、景点访问顺序、景点的最佳访问时间，以
地理影响和社会影响对用户进行兴趣点推荐。 Gao 等 [13] 提出了 GSBPR 模型来捕捉用户偏 好与地理影响之间的关系，并使用用户及其在 Foursquare 和 Yelp 的 LOD 上登记超过 5 次的兴 趣点和贝叶斯个性化排名方法将 pairwise 排名参 数优化为兴趣点推荐。最后通过整合来自用户签 到行为的正面反馈、负面反馈、地理反馈和地理 社会反馈来挖掘用户偏好，从而进行兴趣点推荐。 Li 等 [14] 提出了一种基于位置、评分和时间戳 的兴趣点推荐方法。通过对用户评分行为建模来 学习用户在特定时间和地点的偏好，并基于人类 不能记住很久以前的事情这一事实给予新访问的 地点一个较高的分数。 Gao 等 [15] 提出了一个融合用户偏好、社会关 联和地理影响的统一推荐框架。并对用户的签到 行为采用矩阵分解方法来融合地理信息和社会信 息。但是，由于在社会模型中采用了预定义的社 会关系，因此计算成本比较昂贵。 Xu 等 [16] 提出了一种将用户签到信息及评论 信息与随机游走算法结合的兴趣点推荐方法。该 方法以用户和兴趣点的分布为目标，并在图模型 中计算用户和兴趣点之间的关系，然后用情感词 将用户最喜欢的地点选择到推荐系统中，进而进 行兴趣点推荐。 Gao 等 [17] 提出了一种时空感知的社会协作位 置推荐系统 STSCR，研究了时间、时空顺序影响 和社会影响的联合影响。该模型由用户−位置、 用户−朋友、朋友−位置、位置−时间和位置−位置 之间的交互来构建，然后利用贝叶斯个性化排序 技术对位置进行优化排序。 4.2 旅游线路推荐 基于位置的推荐系统通过与其他出行模式顺 序相结合可以帮助用户根据自己的偏好来规划路 线或行程。此外，用户历史数据和签到记录通常 被用于旅游路线推荐中。 Wen 等 [18] 提出了一个高效的关键字感知旅 游路线推荐框架，充分利用了用户历史记录和社 会交互性息。用户可以指定一组关键字和查询区 域，然后系统从关键字提取模块中对感兴趣的标 签进行分类，最后使用签到数据进行路线推荐。 同时，一些研究还考虑了社交互动和用户约 束。如 Lu 等 [19] 将旅游景点和旅游套餐结合起来 开发了 PATPlanner 系统来满足用户出行约束的 个性化出行规划。首先，从 LOD 中收集旅游套 餐、旅游景点、个人签到日志、社交链接关系等信 息；然后，计算基于用户和基于时间的旅游景点 或旅游套餐的评分；最后，利用用户出行约束，以 个性化的方式为用户提供出行路线规划。Hang 等 [20] 通过分析用户历史数据，提出了一种最优的 出行路线推荐系统。该方法基于用户的偏好而不 是个人兴趣点来进行旅游路线推荐，并基于关联 规则挖掘的方法使用上下文信息如日期、季节和 用户历史访问景点生成旅游路线，且使用了遗传 算法来寻找最优路径。 此外，一些研究还在基于位置的推荐系统中 考虑了用户兴趣、用户当前位置、热门地点和上 下文信息。例如，Worndl 等 [21] 提出了一种基于起 点、终点和兴趣点的城市旅游兴趣点序列生成方 法。通过计算用户对兴趣点的兴趣等级和每个类 别的兴趣点数目发现兴趣点，并基于 Dijkstra 算 法产生路线。Jiang 等 [22] 通过学习主题包模型，提 出了一种个性化的旅游序列推荐方法。该方法考 虑了用户的主题兴趣，以及旅游日志和社区提供 的照片的访问时间和季节的偏好。系统根据用户 包和路线包之间的相似性对著名线路进行提取和 排序，然后，根据用户偏好对路线进行排序和优化。 4.3 GPS 轨迹推荐 近年来，GPS 轨迹在智能手机或专用 GPS 跟 踪器中越来越常见。基于位置的推荐系统可以利 用 GPS 轨迹记录旅行路线或者定位游客当前所 在位置。 Cui 等 [23] 提出通过用户历史 GPS 轨迹来定义 用户出行行为的个性化出行路线推荐方法。通过 拉普拉斯平滑算法计算概率来估计协同过滤中用 户的出行频率，并利用贝叶斯模型来计算推荐路 线。Duan 等 [24] 通过考虑游客的实时位置和历史 记录，提出了一种能够根据实时交通环境为用户 推荐并提供附近相关的旅游服务的方法，且基于 聚类的方法从时空维度来细化游客在某一时刻停 留的地点的轨迹信息。Chen 等 [25] 通过考虑兴趣 点和路线信息来进行路线推荐。利用用户历史轨 迹信息学习游客从起点到终点的兴趣点与兴趣点 排序之间的转换模式，最后为游客推荐可能的 路线。 此外，Zhu 等 [26] 提出了一种地理信息转换为 原始 GPS 轨迹的语义信息的个性化兴趣点推荐 模型 SEM-PPA。还提出了一种根据地理信息和 语义信息将位置划分为不同类型进行位置识别的 新方法，通过在不同的位置轨迹中寻找相似的用 户来进行兴趣点推荐。Hsieh 等 [27] 提出了一种时 间敏感的旅游路线推荐方法。通过考虑景点的人 气信息、景点访问顺序、景点的最佳访问时间，以 ·28· 智 能 系 统 学 报 第 15 卷
第1期 YOCHUM Phatpicha,.等：基于位置和开放链接数据的旅游推荐系统综述 ·29· 及从一个地方到另一个地方最佳的交通时间进行 息，进而进行位置推荐。除了语义信息外，作者 旅游路线推荐。 还利用核密度估计技术以及空间、时间和天气信 4.4基于媒介的地理标签推荐 息对用户偏好和用户相似性建模，并利用协同过 基于媒介的地理标签推荐通常利用用户生成 滤方法进行最后的路线推荐。 的带有地理标记的媒介（如照片、新闻和消息）信 另外，Palovics等B还利用GPS定位提出了 息进行位置推荐。 twitter标签推荐。通过在线机器学习和矩阵分解 Sun等2网提出了一种融合道路路标和路径的 技术来学习区域在地理层次上的相关性，并结合 基于道路的旅游推荐方法。通过提取带有地理标 标签在当地的受欢迎程度，为当时与地理相关的 签的照片来挖掘出一个城市排名最高的旅游目的 tweet推荐最相关的散列标签。 地或热门旅游目的地之间的最佳旅游路线。采用 4.5基于本体的推荐 空间聚类的方法对道路的地标进行排序，并通过 很多研究人员通过LOD收集旅游数据，并构 道路的旅游知名度计算出该道路的用户数量和兴 建旅游本体来进行旅游推荐，如兴趣点列表、热 趣点数量。Lim等2提出了一种使用Flickr标签 门旅游地点、旅游行程、路线规划等推荐。 和Wki兴趣点数据库中带有地理标记的真实照 Smirnov等B6提出了针对旅游文化遗产的推 片进行个性化旅游推荐的方法PERSTOUR。该 荐系统TAIS,通过从LOD中提取文化遗产信息 方法能够为用户推荐适合旅行的景点以及每个景 来构建本体，然后基于协同过滤方法和游客历史 点的游玩时间。Han等0提出了一个能够分析带 偏好及所在区域现状来确定游客偏好，进而进行 有地理标签照片的路标推荐系统。首先，从旅游 推荐。Si等B7提出了一种本体驱动的双重旅游 博客网站上收集地标性建筑以获取热门地点的旅 推荐方法。利用本体描述并整合旅游资源，实现 游时空属性，并对用户历史轨迹聚类；然后，根据 了用户的直接需求与用户潜在偏好之间的关联。 这些聚类进行排序以获取地标之间的相似度和距 用户通过推荐界面直接输入需求，系统即可根据 离：最后，根据用户当前位置将该位置所在的聚 用户偏好返回推荐排名结果。 类推荐给他。 Volkova等1提出了一种基于用户兴趣的一 Kaushik等IB]提出了一个众包位置推荐系 组地点类别的城市旅游行程推荐系统。该系统主 统。通过从旅游人群中收集和提取最新的图像、 要关注用户在开放数据评论中对场地方面的偏 录音、反馈等信息，并利用他们的集体信息为游 好，通过旅游本体可以对旅游场所进行比较分 客进行推荐。使用模糊推理技术为用户当前位置 析，加强了对相关场所的搜索，并实现了旅游线 附近的每个位置生成一个人气评分，然后系统根 路的自动规划、景点的灵活搜索和场地分析。Ferraro 据每个地方的人气信息对每个地方的评分进行排 等B9基于语义方法开发出了一种能够为用户提 序，进而推荐给用户。Yu等B]通过提取不同游 供旅游规划的本体驱动的旅游自适应推荐系统。 客分享的地点和路径的照片，研究了群体式旅游 该系统使用数据挖掘技术来预测用户的兴趣和偏 轨迹模式。首先，通过建立带有地理标记的照片 好，从而为用户提供高质量的推荐服务。 轨迹数据库来发现游客密度；然后，将时空轨迹 4.6基于位置的朋友推荐 转化为聚类序列；最后，将距离感知和一致性感 社交网络中用户之间的关系在基于位置的推 知推荐应用于封闭的聚类群体，进而为用户推荐 荐系统中起着至关重要的作用。基于位置的朋友 热门的旅游路线。 推荐系统能够根据用户朋友的喜好、旅行方式和 此外，一些研究者通过LOD中用户生成的地 旅游地点来进行朋友推荐。 理标签来提取用户签到模式和用户内容。如 Kesorn等o利用用户签到数据和用户朋友签 Wang等B划利用地点语义相似度提出了一种新的 到数据来分析用户兴趣和用户活动并为用户建立 位置推荐方法来提高位置推荐的性能。通过从用 用户画像，进而开发出了一个个性化景点推荐系 户生成的位置信息中挖掘照片、用户签到模式和 统。该系统利用亲密明友的信息，如亲密度评 文本描述来研究兴趣点的语义。并将用户签到历 分、边的权重和时间衰减等向用户推荐景点。 史记录的潜在表示形式与地点语义结合来计算位 Gao等通过提取用户社交关系、固定时间段签 置语义相似度和基于潜在表示的推荐位置。 到距离、签到行为来建立用户画像、用户社交网 Arain等B使用带有地理标记的照片，从照片集 络和用户位置。并利用支持向量机预测朋友之 中提取用于查找旅游位置和用户画像的语义信 间的共同签到位置，进而进行朋友推荐。Kos-
及从一个地方到另一个地方最佳的交通时间进行 旅游路线推荐。 4.4 基于媒介的地理标签推荐 基于媒介的地理标签推荐通常利用用户生成 的带有地理标记的媒介 (如照片、新闻和消息) 信 息进行位置推荐。 Sun 等 [28] 提出了一种融合道路路标和路径的 基于道路的旅游推荐方法。通过提取带有地理标 签的照片来挖掘出一个城市排名最高的旅游目的 地或热门旅游目的地之间的最佳旅游路线。采用 空间聚类的方法对道路的地标进行排序，并通过 道路的旅游知名度计算出该道路的用户数量和兴 趣点数量。Lim 等 [29] 提出了一种使用 Flickr 标签 和 Wiki 兴趣点数据库中带有地理标记的真实照 片进行个性化旅游推荐的方法 PERSTOUR。该 方法能够为用户推荐适合旅行的景点以及每个景 点的游玩时间。Han 等 [30] 提出了一个能够分析带 有地理标签照片的路标推荐系统。首先，从旅游 博客网站上收集地标性建筑以获取热门地点的旅 游时空属性，并对用户历史轨迹聚类；然后，根据 这些聚类进行排序以获取地标之间的相似度和距 离；最后，根据用户当前位置将该位置所在的聚 类推荐给他。 Kaushik 等 [31] 提出了一个众包位置推荐系 统。通过从旅游人群中收集和提取最新的图像、 录音、反馈等信息，并利用他们的集体信息为游 客进行推荐。使用模糊推理技术为用户当前位置 附近的每个位置生成一个人气评分，然后系统根 据每个地方的人气信息对每个地方的评分进行排 序，进而推荐给用户。Yu 等 [32] 通过提取不同游 客分享的地点和路径的照片，研究了群体式旅游 轨迹模式。首先，通过建立带有地理标记的照片 轨迹数据库来发现游客密度；然后，将时空轨迹 转化为聚类序列；最后，将距离感知和一致性感 知推荐应用于封闭的聚类群体，进而为用户推荐 热门的旅游路线。 此外，一些研究者通过 LOD 中用户生成的地 理标签来提取用户签到模式和用户内容。如 Wang 等 [33] 利用地点语义相似度提出了一种新的 位置推荐方法来提高位置推荐的性能。通过从用 户生成的位置信息中挖掘照片、用户签到模式和 文本描述来研究兴趣点的语义。并将用户签到历 史记录的潜在表示形式与地点语义结合来计算位 置语义相似度和基于潜在表示的推荐位置。 Arain 等 [34] 使用带有地理标记的照片，从照片集 中提取用于查找旅游位置和用户画像的语义信 息，进而进行位置推荐。除了语义信息外，作者 还利用核密度估计技术以及空间、时间和天气信 息对用户偏好和用户相似性建模，并利用协同过 滤方法进行最后的路线推荐。 另外，Palovics 等 [35] 还利用 GPS 定位提出了 twitter 标签推荐。通过在线机器学习和矩阵分解 技术来学习区域在地理层次上的相关性，并结合 标签在当地的受欢迎程度，为当时与地理相关的 tweet 推荐最相关的散列标签。 4.5 基于本体的推荐 很多研究人员通过 LOD 收集旅游数据，并构 建旅游本体来进行旅游推荐，如兴趣点列表、热 门旅游地点、旅游行程、路线规划等推荐。 Smirnov 等 [36] 提出了针对旅游文化遗产的推 荐系统 TAIS，通过从 LOD 中提取文化遗产信息 来构建本体，然后基于协同过滤方法和游客历史 偏好及所在区域现状来确定游客偏好，进而进行 推荐。Shi 等 [37] 提出了一种本体驱动的双重旅游 推荐方法。利用本体描述并整合旅游资源，实现 了用户的直接需求与用户潜在偏好之间的关联。 用户通过推荐界面直接输入需求，系统即可根据 用户偏好返回推荐排名结果。 Volkova 等 [38] 提出了一种基于用户兴趣的一 组地点类别的城市旅游行程推荐系统。该系统主 要关注用户在开放数据评论中对场地方面的偏 好，通过旅游本体可以对旅游场所进行比较分 析，加强了对相关场所的搜索，并实现了旅游线 路的自动规划、景点的灵活搜索和场地分析。Ferraro 等 [39] 基于语义方法开发出了一种能够为用户提 供旅游规划的本体驱动的旅游自适应推荐系统。 该系统使用数据挖掘技术来预测用户的兴趣和偏 好，从而为用户提供高质量的推荐服务。 4.6 基于位置的朋友推荐 社交网络中用户之间的关系在基于位置的推 荐系统中起着至关重要的作用。基于位置的朋友 推荐系统能够根据用户朋友的喜好、旅行方式和 旅游地点来进行朋友推荐。 Kesorn 等 [40] 利用用户签到数据和用户朋友签 到数据来分析用户兴趣和用户活动并为用户建立 用户画像，进而开发出了一个个性化景点推荐系 统。该系统利用亲密朋友的信息，如亲密度评 分、边的权重和时间衰减等向用户推荐景点。 Gao 等 [41] 通过提取用户社交关系、固定时间段签 到距离、签到行为来建立用户画像、用户社交网 络和用户位置。并利用支持向量机预测朋友之 间的共同签到位置，进而进行朋友推荐。Kos- 第 1 期 YOCHUM Phatpicha，等：基于位置和开放链接数据的旅游推荐系统综述 ·29·
·30· 智能系统学报 第15卷 mides等利用神经网络技术提出了一种基于用 terest recommendation methods in location based social 户需求的位置推荐方法。作者首先从Foursquare networks:traveling to a new geographical region[J].arXiv: 上收集必要的数据，然后将其发送到负责运行机 1711.09471,2017. 器学习算法的云平台上，通过学习用户朋友的历 [4]WANG Donghui,LIANG Yanchun,XU Dong,et al.A 史数据，并根据用户偏好来进行位置推荐。Zhao content-based recommender system for computer science 等1通过挖掘用户-用户对和用户一兴趣点对之 publications[J].Knowledge-based systems,2018,157:1-9. 间的相关性，提出了一种新的通用推荐系统GR [5]FU Mingsheng,QU Hong,YI Zhang,et al.A novel deep DELM。通过提取基于路径的特征和基于邻居的 learning-based collaborative filtering model for recom- 特征，作者认为用户的相似点越多，那么将来就 mendation system[J].IEEE transactions on cybernetics, 2019,49(3):1084-1096. 越有可能成为朋友。 Huang等基于因子图提出了一种半监督概 [6]BOBADILLA J,ORTEGA F,HERNANDO A,et al.Re- 率模型。作者首先假设大约10%的用户签到数 commender systems survey[J].Knowledge-based systems, 2013,46:109-132. 据也能被其朋友访问，并且两个朋友在同一个兴 [7]PAZZANI M J.A framework for collaborative,content- 趣点签到的概率要高于两个陌生人。然后，通过 based and demographic filtering[J].Artificial intelligence 整合地理影响和社会影响对用户签到行为的影响 review,1999,13(5/6):393-408. 来预测用户访问新的兴趣点的概率。Kefalas等 [8]LUCAS J P,LUZ N,MORENO M N,et al.A hybrid re- 重点考虑了位置和好友在推荐系统中的时间维度， commendation approach for a tourism system[J.Expert 并提出了一个混合三分图（即用户、会话和位置）， systems with applications,2013,40(9):3532-3550. 基于异构时空图重启随机遍历方法RST-HST从 [9]LONGHI E,Titz JB,et al."Open data:Challenges and op- 图中捕获用户-用户相似性或用户位置相关性的 portunities for the tourism industry,"Tourism management, 概念。 Marketing and development[J].2014,57-76. [10]SAH M,WADE V.Personalized concept-based search on 5结束语 the linked open data[J].Journal of web semantics,2016, 旅游业的迅猛发展和开放链接数据及移动数 36:32-57. 据在“信息过载”问题中扮演的重要角色，使得基 [11]PANTANO E.PRIPORAS C V.STYLOS N.'You will 于位置的开放链接数据的旅游推荐系统得到了广 like it!using open data to predict tourists'response to a 泛关注和应用。本文对基于位置的LOD的旅游 tourist attraction[J].Tourism management,2017,60 430-438. 推荐系统做了一个系统的综述，并在综合考察这 些工作的基础上，对该领域的现状进行了概述。 [12]REN Xingyi,SONG Meina,E Haihong,et al.Context- aware probabilistic matrix factorization modeling for 通过调研2014一2018年期间发表在著名国际期 point-of-interest recommendation[J].Neurocomputing. 刊的相关文献，总结了该领域目前取得的研究成 2017,241:38-55. 果；同时，根据不同的推荐应用对这些文献进行 [13]GAO Rong,LI Jing,DU Bo,et al.Exploiting geo-social 了分类。 correlations to improve pairwise ranking for point-of-in- 由于开放链接数据规模庞大及其开放性，LOD terest recommendation[J].China communications,2018. 在基于位置的旅游推荐系统仍然面临着诸多挑 15(7):180-201 战。典型的问题包括融合多源数据、实体对齐、 [14]LI Xin,XU Guandong,CHEN Enhong,et al.Learning re- 多维度推荐和用户隐私保护等，这些问题值得进 cency based comparative choice towards point-of-interest 一步研究。 recommendation[J].Expert systems with applications, 参考文献： 2015,42(9):4274-4283 [15]GAO Rong,LI Jing,LI Xuefei,et al.A personalized [1]DE PESSEMIER T,DHONDT J,MARTENS L.Hybrid point-of-interest recommendation model via fusion of group recommendations for a travel service[J].Multime- geo-social information[J].Neurocomputing,2018,273: dia tools and applications,2017,76(2):2787-2811. 159-170 [2]常亮，曹玉婷，孙文平，等.旅游推荐系统研究综述[叮.计 [16]XU Guandong,FU Bin,GU Yanhui.Point-of-interest re- 算机科学，2017,4410)：1-6. commendations via a supervised random walk [3]ZIMBA B.CHIBUTA S,CHISANGA D,et al.Point of in- algorithm[J].IEEE intelligent systems,2016,31(1):
mides 等 [42] 利用神经网络技术提出了一种基于用 户需求的位置推荐方法。作者首先从 Foursquare 上收集必要的数据，然后将其发送到负责运行机 器学习算法的云平台上，通过学习用户朋友的历 史数据，并根据用户偏好来进行位置推荐。Zhao 等 [43] 通过挖掘用户−用户对和用户−兴趣点对之 间的相关性，提出了一种新的通用推荐系统 GRDELM。通过提取基于路径的特征和基于邻居的 特征，作者认为用户的相似点越多，那么将来就 越有可能成为朋友。 Huang 等 [44] 基于因子图提出了一种半监督概 率模型。作者首先假设大约 10% 的用户签到数 据也能被其朋友访问，并且两个朋友在同一个兴 趣点签到的概率要高于两个陌生人。然后，通过 整合地理影响和社会影响对用户签到行为的影响 来预测用户访问新的兴趣点的概率。Kefalas 等 [45] 重点考虑了位置和好友在推荐系统中的时间维度， 并提出了一个混合三分图 (即用户、会话和位置)， 基于异构时空图重启随机遍历方法 RST-HST 从 图中捕获用户−用户相似性或用户位置相关性的 概念。 5 结束语 旅游业的迅猛发展和开放链接数据及移动数 据在“信息过载”问题中扮演的重要角色，使得基 于位置的开放链接数据的旅游推荐系统得到了广 泛关注和应用。本文对基于位置的 LOD 的旅游 推荐系统做了一个系统的综述，并在综合考察这 些工作的基础上，对该领域的现状进行了概述。 通过调研 2014—2018 年期间发表在著名国际期 刊的相关文献，总结了该领域目前取得的研究成 果；同时，根据不同的推荐应用对这些文献进行 了分类。 由于开放链接数据规模庞大及其开放性，LOD 在基于位置的旅游推荐系统仍然面临着诸多挑 战。典型的问题包括融合多源数据、实体对齐、 多维度推荐和用户隐私保护等，这些问题值得进 一步研究。 参考文献： DE PESSEMIER T, DHONDT J, MARTENS L. Hybrid group recommendations for a travel service[J]. Multimedia tools and applications, 2017, 76(2): 2787–2811. [1] 常亮, 曹玉婷, 孙文平, 等. 旅游推荐系统研究综述 [J]. 计 算机科学, 2017, 44(10): 1–6. [2] [3] ZIMBA B, CHIBUTA S, CHISANGA D, et al. Point of interest recommendation methods in location based social networks: traveling to a new geographical region[J]. arXiv: 1711.09471, 2017. WANG Donghui, LIANG Yanchun, XU Dong, et al. A content-based recommender system for computer science publications[J]. Knowledge-based systems, 2018, 157: 1–9. [4] FU Mingsheng, QU Hong, YI Zhang, et al. A novel deep learning-based collaborative filtering model for recommendation system[J]. IEEE transactions on cybernetics, 2019, 49(3): 1084–1096. [5] BOBADILLA J, ORTEGA F, HERNANDO A, et al. Recommender systems survey[J]. Knowledge-based systems, 2013, 46: 109–132. [6] PAZZANI M J. A framework for collaborative, contentbased and demographic filtering[J]. Artificial intelligence review, 1999, 13(5/6): 393–408. [7] LUCAS J P, LUZ N, MORENO M N, et al. A hybrid recommendation approach for a tourism system[J]. Expert systems with applications, 2013, 40(9): 3532–3550. [8] LONGHI E, Titz JB, et al.“Open data: Challenges and opportunities for the tourism industry,”Tourism management, Marketing and development[J]. 2014, 57−76. [9] SAH M, WADE V. Personalized concept-based search on the linked open data[J]. Journal of web semantics, 2016, 36: 32–57. [10] PANTANO E, PRIPORAS C V, STYLOS N. ‘You will like it!’ using open data to predict tourists' response to a tourist attraction[J]. Tourism management, 2017, 60: 430–438. [11] REN Xingyi, SONG Meina, E Haihong, et al. Contextaware probabilistic matrix factorization modeling for point-of-interest recommendation[J]. Neurocomputing, 2017, 241: 38–55. [12] GAO Rong, LI Jing, DU Bo, et al. Exploiting geo-social correlations to improve pairwise ranking for point-of-interest recommendation[J]. China communications, 2018, 15(7): 180–201. [13] LI Xin, XU Guandong, CHEN Enhong, et al. Learning recency based comparative choice towards point-of-interest recommendation[J]. Expert systems with applications, 2015, 42(9): 4274–4283. [14] GAO Rong, LI Jing, LI Xuefei, et al. A personalized point-of-interest recommendation model via fusion of geo-social information[J]. Neurocomputing, 2018, 273: 159–170. [15] XU Guandong, FU Bin, GU Yanhui. Point-of-interest recommendations via a supervised random walk algorithm[J]. IEEE intelligent systems, 2016, 31(1): [16] ·30· 智 能 系 统 学 报 第 15 卷
第1期 YOCHUM Phatpicha,等：基于位置和开放链接数据的旅游推荐系统综述 ·31· 15-23 ages[J].Computers,environment and urban systems, [17]GAO Rong,LI Jing,LI Xuefei,et al.STSCR:exploring 2015,53:110-122 spatial-temporal sequential influence and social informa- [29]LIM K H,CHAN J,LECKIE C,et al.Personalized trip tion for location recommendation[J].Neurocomputing, recommendation for tourists based on user interests. 2018.319:118-133 points of interest visit durations and visit recency[J]. [18]WEN Yuting,YEO J,PENG W,et al.Efficient keyword- Knowledge and information systems,2018,54(2): aware representative travel route recommendation[J]. 375-406. IEEE transactions on knowledge and data engineering, [30]HAN J,LEE H.Adaptive landmark recommendations for 2017,29(8):1639-1652 travel planning:personalizing and clustering landmarks [19]LU E HC.FANG S H,TSENG V S.Integrating tourist using geo-tagged social media[J].Pervasive and mobile packages and tourist attractions for personalized trip plan- computing,.2015,18:4-17. ning based on travel constraints[J].Geolnformatica,2016. [31]KAUSHIK S,TIWARI S,AGARWAL C,et al.Ubiquit- 20(4):741-763 ous crowdsourcing model for location recommender sys- [20]HANG Lei,KANG S H,JIN Wenquan,et al.Design and tem[J].Journal of computers,2016,11(6):463-471 implementation of an optimal travel route recommender [32]YU Yaxin,ZHAO Yuhai,YU Ge,et al.Mining coterie system on big data for tourists in Jeju[J].Processes,2018, patterns from Instagram photo trajectories for recom- 6(8):133 mending popular travel routes[J].Frontiers of computer [21]WORNDL W.HEFELE A,HERZOG D.Recommending science,.2017,11(6):1007-1022 a sequence of interesting places for tourist trips[J].In- [33]WANG Xiangyu,ZHAO Yiliang,NIE Ligiang,et al.Se- formation technology tourism,2017,17(1):31-54. mantic-based location recommendation with multimodal [22]JIANG Shuhui,QIAN Xueming,MEI Tao,et al.Person- venue semantics[J].IEEE transactions on multimedia, alized travel sequence recommendation on multi-source 2015,17(3:409-419. big social media[J.IEEE transactions on big data,2016. [34]ARAIN Q A,MEMON H,MEMON I,et al.Intelligent 2(1):43-56 travel information platform based on location base ser- [23]CUI Ge,LUO Jun,WANG Xin.Personalized travel route vices to predict user travel behavior from user-generated recommendation using collaborative filtering based on GPS traces[J].International journal of computers and ap- GPS trajectories[J].International journal of digital earth plications,2017,39(3):155-168. 2018,11(3:284-307 [35]PALOVICS R.SZALAI P,PAP J,et al.Location-aware [24]DUAN Zongtao,TANG Lei,GONG Xuehui,et al.Per- online learning for top-k recommendation[J].Pervasive sonalized service recommendations for travel using tra- and mobile computing,2017,38:490-504. jectory pattern discovery[J].International journal of dis- [36]SMIRNOV A V,KASHEVNIK A M,PONOMAREV A. tributed sensor networks,2018,14(3). Context-based infomobility system for cultural heritage [25]CHEN Dawei,ONG C S,XIE Lexing.Learning points recommendation:Tourist Assistant-TAIS[J].Personal and routes to recommend trajectories[C]//Proceedings of and ubiquitous computing,2017,21(2):297-311. the 25th ACM International on Conference on Informa- [37]SHI Lin,LIN Feiyu,YANG Tianchu,et al.Context-based tion and Knowledge Management.Indianapolis,IN,USA, ontology-driven recommendation strategies for tourism in 2016. ubiquitous computing[J].Wireless personal communica- [26]ZHU Liang,XU Changqiao,GUAN Jianfeng,et al.SEM- tions,.2014,76(4):731-745 PPA:a semantical pattern and preference-aware service [38]VOLKOVA L,YAGUNOVA E,PRONOZA E,et al.Re- mining method for personalized point of interest recom- commender system for tourist itineraries based on aspects mendation[J].Journal of network and computer applica- extraction from reviews corpora[J].Polibits,2018,57: tions.2017,82:35-46. 81-88 [27]HSIEH H P.LI Chengte,LIN Shoude.Measuring and re- [39]FERRARO P,LO RE G.Designing ontology-driven re- commending time-sensitive routes from location-based commender systems for tourism[M]//GAGLIO S,LO RE data[J].ACM transactions on intelligent systems and G.Advances onto the Internet of Things.Cham,Ger- technology,2014,5(3):45. many:Springer,2014:339-352 [28]SUN Yeran,FAN Hongchao,BAKILLAH M,et al. [40]KESORN K.JURAPHANTHONG W.SALAIWARAK- Road-based travel recommendation using geo-tagged im- UL A.Personalized attraction recommendation system for
15–23. GAO Rong, LI Jing, LI Xuefei, et al. STSCR: exploring spatial-temporal sequential influence and social information for location recommendation[J]. Neurocomputing, 2018, 319: 118–133. [17] WEN Yuting, YEO J, PENG W, et al. Efficient keywordaware representative travel route recommendation[J]. IEEE transactions on knowledge and data engineering, 2017, 29(8): 1639–1652. [18] LU E H C, FANG S H, TSENG V S. Integrating tourist packages and tourist attractions for personalized trip planning based on travel constraints[J]. GeoInformatica, 2016, 20(4): 741–763. [19] HANG Lei, KANG S H, JIN Wenquan, et al. Design and implementation of an optimal travel route recommender system on big data for tourists in Jeju[J]. Processes, 2018, 6(8): 133. [20] WÖRNDL W, HEFELE A, HERZOG D. Recommending a sequence of interesting places for tourist trips[J]. Information technology & tourism, 2017, 17(1): 31–54. [21] JIANG Shuhui, QIAN Xueming, MEI Tao, et al. Personalized travel sequence recommendation on multi-source big social media[J]. IEEE transactions on big data, 2016, 2(1): 43–56. [22] CUI Ge, LUO Jun, WANG Xin. Personalized travel route recommendation using collaborative filtering based on GPS trajectories[J]. International journal of digital earth, 2018, 11(3): 284–307. [23] DUAN Zongtao, TANG Lei, GONG Xuehui, et al. Personalized service recommendations for travel using trajectory pattern discovery[J]. International journal of distributed sensor networks, 2018, 14(3). [24] CHEN Dawei, ONG C S, XIE Lexing. Learning points and routes to recommend trajectories[C]//Proceedings of the 25th ACM International on Conference on Information and Knowledge Management. Indianapolis, IN, USA, 2016. [25] ZHU Liang, XU Changqiao, GUAN Jianfeng, et al. SEMPPA: a semantical pattern and preference-aware service mining method for personalized point of interest recommendation[J]. Journal of network and computer applications, 2017, 82: 35–46. [26] HSIEH H P, LI Chengte, LIN Shoude. Measuring and recommending time-sensitive routes from location-based data[J]. ACM transactions on intelligent systems and technology, 2014, 5(3): 45. [27] SUN Yeran, FAN Hongchao, BAKILLAH M, et al. Road-based travel recommendation using geo-tagged im- [28] ages[J]. Computers, environment and urban systems, 2015, 53: 110–122. LIM K H, CHAN J, LECKIE C, et al. Personalized trip recommendation for tourists based on user interests, points of interest visit durations and visit recency[J]. Knowledge and information systems, 2018, 54(2): 375–406. [29] HAN J, LEE H. Adaptive landmark recommendations for travel planning: personalizing and clustering landmarks using geo-tagged social media[J]. Pervasive and mobile computing, 2015, 18: 4–17. [30] KAUSHIK S, TIWARI S, AGARWAL C, et al. Ubiquitous crowdsourcing model for location recommender system[J]. Journal of computers, 2016, 11(6): 463–471. [31] YU Yaxin, ZHAO Yuhai, YU Ge, et al. Mining coterie patterns from Instagram photo trajectories for recommending popular travel routes[J]. Frontiers of computer science, 2017, 11(6): 1007–1022. [32] WANG Xiangyu, ZHAO Yiliang, NIE Liqiang, et al. Semantic-based location recommendation with multimodal venue semantics[J]. IEEE transactions on multimedia, 2015, 17(3): 409–419. [33] ARAIN Q A, MEMON H, MEMON I, et al. Intelligent travel information platform based on location base services to predict user travel behavior from user-generated GPS traces[J]. International journal of computers and applications, 2017, 39(3): 155–168. [34] PÁLOVICS R, SZALAI P, PAP J, et al. Location-aware online learning for top-k recommendation[J]. Pervasive and mobile computing, 2017, 38: 490–504. [35] SMIRNOV A V, KASHEVNIK A M, PONOMAREV A. Context-based infomobility system for cultural heritage recommendation: Tourist Assistant—TAIS[J]. Personal and ubiquitous computing, 2017, 21(2): 297–311. [36] SHI Lin, LIN Feiyu, YANG Tianchu, et al. Context-based ontology-driven recommendation strategies for tourism in ubiquitous computing[J]. Wireless personal communications, 2014, 76(4): 731–745. [37] VOLKOVA L, YAGUNOVA E, PRONOZA E, et al. Recommender system for tourist itineraries based on aspects extraction from reviews corpora[J]. Polibits, 2018, 57: 81–88. [38] FERRARO P, LO RE G. Designing ontology-driven recommender systems for tourism[M]//GAGLIO S, LO RE G. Advances onto the Internet of Things. Cham, Germany: Springer, 2014: 339−352. [39] KESORN K, JURAPHANTHONG W, SALAIWARAKUL A. Personalized attraction recommendation system for [40] 第 1 期 YOCHUM Phatpicha，等：基于位置和开放链接数据的旅游推荐系统综述 ·31·
·32· 智能系统学报 第15卷 tourists through check-in data[J].IEEE access,2017,5: 作者简介： 26703-26721 YOCHUM Phatpicha,博士研究 [41]GAO Xurui,WANG Li,WU Weili.Using multi-features 生，主要研究方向为机器学习、推荐 to recommend friends on location-based social 系统。 networks[J].Peer-to-peer networking and applications, 2017,10(6:1323-1330. [42]KOSMIDES P,DEMESTICHAS K P,ADAMO- POULOU E,et al.Providing recommendations on loca- tion-based social networks[J].Journal of ambient intelli- 常亮，教授，博土，中国计算机学 gence and humanized computing,2016,7(4):567-578 会高级会员，主要研究方向为数据与 [43]ZHAO Xiangguo,MA Zhongyu,ZHANG Zhen.A novel 知识工程、形式化方法、智能系统。主 持并完成国家自然科学基金项目 recommendation system in location-based social net- 1项、广西省自然科学基金项目1项， works using distributed ELM[J].Memetic computing, 发表学术论文70余篇。 2018,10(3:321-331. [44]HUANG Liwei.MA Yutao.LIU Yanbo.Point-of-interest recommendation in location-based social networks with 古天龙，教授，博士生导师，博士， 主要研究方向为形式化方法、知识工 personalized geo-social influence[J].China communica- 程与符号推理、协议工程与移动计算、 tions.2015,12(12):21-31 可信泛在网络、嵌入式系统。主持国 [45]KEFALAS P.SYMEONIDIS P.MANOLOPOULOS Y. 家863计划项目、国家自然科学基金 Recommendations based on a heterogeneous spatio-tem- 国防预研重点项目、国防预研基金项 poral social network[J].World wide web,2018,21(2): 目等30余项。出版学术著作3部，发 345-371. 表学术论文130余篇。 第3届中国模式识别与计算机视觉大会 The 3rd Chinese Conference on Pattern Recognition and Computer Vision,PRCV 2020 第3届中国模式识别与计算机视觉大会(PRCV2020)将于2020年10月16日一18日在六朝古都南京举 行。PRCV2020由中国自动化学会、中国图象图形学学会、中国人工智能学会和中国计算机学会联合主办： 由南京理工大学、南京信息工程大学以及东南大学等单位共同承办；江苏省人工智能学会协办。PRCV是 由中国模式识别学术大会(CCP)和中国计算机视觉大会(CCCV)合并而来，定位国内顶级的模式识别和计 算机视觉领域学术盛会。本届会议将主要汇聚国内国外模式识别和计算机视觉理论与应用研究的广大科 研工作者及工业界同行，共同分享我国模式识别与计算机视觉领域的最新理论和技术成果，提供精彩的学 术盛宴。现向广大科技工作者公开征集高质量、原创性的优秀英文学术论文。大会录用的稿件将在会上展 示，会议论文集将由Springer出版社出版，并被EI和ISTP检索。优秀的论文将推荐到国内外高质量期刊的 特刊。 会议网址：htp:www.prcv.cnl
tourists through check-in data[J]. IEEE access, 2017, 5: 26703–26721. GAO Xurui, WANG Li, WU Weili. Using multi-features to recommend friends on location-based social networks[J]. Peer-to-peer networking and applications, 2017, 10(6): 1323–1330. [41] KOSMIDES P, DEMESTICHAS K P, ADAMOPOULOU E, et al. Providing recommendations on location-based social networks[J]. Journal of ambient intelligence and humanized computing, 2016, 7(4): 567–578. [42] ZHAO Xiangguo, MA Zhongyu, ZHANG Zhen. A novel recommendation system in location-based social networks using distributed ELM[J]. Memetic computing, 2018, 10(3): 321–331. [43] HUANG Liwei, MA Yutao, LIU Yanbo. Point-of-interest recommendation in location-based social networks with personalized geo-social influence[J]. China communications, 2015, 12(12): 21–31. [44] KEFALAS P, SYMEONIDIS P, MANOLOPOULOS Y. Recommendations based on a heterogeneous spatio-temporal social network[J]. World wide web, 2018, 21(2): 345–371. [45] 作者简介： YOCHUM Phatpicha，博士研究 生，主要研究方向为机器学习、推荐 系统。 常亮，教授，博士，中国计算机学 会高级会员，主要研究方向为数据与 知识工程、形式化方法、智能系统。主 持并完成国家自然科学基金项目 1 项、广西省自然科学基金项目 1 项， 发表学术论文 70 余篇。 古天龙，教授，博士生导师，博士， 主要研究方向为形式化方法、知识工 程与符号推理、协议工程与移动计算、 可信泛在网络、嵌入式系统。主持国 家 863 计划项目、国家自然科学基金、 国防预研重点项目、国防预研基金项 目等 30 余项。出版学术著作 3 部，发 表学术论文 130 余篇。 第 3 届中国模式识别与计算机视觉大会 The 3rd Chinese Conference on Pattern Recognition and Computer Vision, PRCV 2020 第 3 届中国模式识别与计算机视觉大会（PRCV 2020）将于 2020 年 10 月 16 日—18 日在六朝古都南京举 行。PRCV2020 由中国自动化学会、中国图象图形学学会、中国人工智能学会和中国计算机学会联合主办； 由南京理工大学、南京信息工程大学以及东南大学等单位共同承办；江苏省人工智能学会协办。 PRCV 是 由中国模式识别学术大会 (CCPR) 和中国计算机视觉大会 (CCCV) 合并而来，定位国内顶级的模式识别和计 算机视觉领域学术盛会。 本届会议将主要汇聚国内国外模式识别和计算机视觉理论与应用研究的广大科 研工作者及工业界同行，共同分享我国模式识别与计算机视觉领域的最新理论和技术成果，提供精彩的学 术盛宴。现向广大科技工作者公开征集高质量、原创性的优秀英文学术论文。大会录用的稿件将在会上展 示，会议论文集将由 Springer 出版社出版，并被 EI 和 ISTP 检索。优秀的论文将推荐到国内外高质量期刊的 特刊。 会议网址：http://www.prcv.cn/ ·32· 智 能 系 统 学 报 第 15 卷