第14卷第4期 智能系统学报 Vol.14 No.4 2019年7月 CAAI Transactions on Intelligent Systems Jul.2019 D0:10.11992/tis.201901013 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20190409.0932.006html 上下文感知旅游推荐系统研究综述 匡海丽，常亮，宾辰忠，古天龙 (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：随着人们生活水平的提高，旅游已成为一项普遍的休闲活动，进而推动了旅游推荐方面技术的研究。 与传统推荐系统相比，除了考虑游客和旅游产品的相关特征之外，旅游推荐系统的推荐质量在很大程度上受到 位置、时间、天气、游客社交群体等上下文信息的影响。本文首先给出上下文感知旅游推荐系统的总体框架： 然后对位置、时间、游客社会化网络和多维上下文等4类典型的上下文信息在旅游推荐系统中的应用进行了详 细考察，并对综合应用各种上下文信息的旅游推荐系统进行了分析：从旅游推荐产品的角度对推荐系统进行分 类考察：最后讨论了上下文感知旅游推荐系统目前面临的重点和难点问题，指出下一步的研究方向。 关键词：上下文感知：旅游推荐系统：基于位置的推荐：社会化网络；个性化推荐：旅游景点推荐：旅游路线推 荐；旅游套餐推荐 中图分类号：TP301文献标志码：A文章编号：1673-4785(2019)04-0611-08 中文引用格式：国海丽，常亮，宾辰忠，等.上下文感知旅游推荐系统研究综述J.智能系统学报，2019,14(4)：611-618 英文引用格式：KUANG Haili,CHANG Liang,BIN Chenzhong,etal.Review of a context--aware travel recommendation systemJ. CAAI transactions on intelligent systems,2019,14(4):611-618. Review of a context-aware travel recommendation system KUANG Haili,CHANG Liang,BIN Chenzhong,GU Tianlong (Guangxi Key Laboratory of Trusted Software,Guilin University of Electronic Technology,Guilin 541004,China) Abstract:With improved living standards,tourism has become a common leisure activity that has promoted the re- search of tourism recommendation technologies.When compared with a traditional recommendation system,the quality the proposed system is considerably influenced by the contextual information,including the location,time,weather,and social groups of tourists,in addition to relevant characteristics of tourists and tourism products.In this study,we provide the overall framework of a context-aware tourism recommendation system.The application of four typical types of con- text information in the travel recommendation system,such as the location.time,visitor social network,and multidimen- sional context,is investigated in detail,and the tourism recommendation system that comprehensively applies various types of contextual information is analyzed.Further,the tourism recommendation system is classified and inspected from the perspective of the tourism recommendation products.Finally,key and difficult problems faced by the context- aware tourism recommendation system are discussed,and the future research direction is identified. Keywords:context-aware;tourism recommendation system;recommendation based on location;social network;per- sonalized recommendation;tourist attraction recommendation;travel route recommendation;travel package recom- mendation 旅游业的发展使得网络正成为人们规划旅游 的最重要信息来源。推荐系统的出现为人们提 收稿日期：2019-01-18.网络出版日期：2019-04-11. 前计划行程提供了很有价值的参考信息，跟搜索 基金项目：国家自然科学基金项目(U1711263,U1811264 U1501252.61572146):广西创新那动重大专项项目 引擎相比，推荐系统最明显的优势在于它可以直 (AA17202024):桂林电子科技大学研究生教育创新 计划资助项目(2018YJCX52):广西自然科学基金项 接通过用户的历史记录数据分析用户的喜好，从 目(2016 GXNSFDA380006,ACI6380122):广西信息 科学实验中心平台建设项目(PT1601)广西高校中 而能够给用户推荐其需要的信息。旅游推荐系统 青年教师基础能力提升项目(2018KYD203):广西可 的设计与应用极为复杂，不仅包括用户的主观决 信软件重点实验资助课题(KX201729). 通信作者：宾辰忠.E-mail:binchenzhong@guet.edu.cn. 策因素，还包括用户当前的上下文因素（如位置
DOI: 10.11992/tis.201901013 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20190409.0932.006.html 上下文感知旅游推荐系统研究综述 匡海丽，常亮，宾辰忠，古天龙 （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：随着人们生活水平的提高，旅游已成为一项普遍的休闲活动，进而推动了旅游推荐方面技术的研究。 与传统推荐系统相比，除了考虑游客和旅游产品的相关特征之外，旅游推荐系统的推荐质量在很大程度上受到 位置、时间、天气、游客社交群体等上下文信息的影响。本文首先给出上下文感知旅游推荐系统的总体框架； 然后对位置、时间、游客社会化网络和多维上下文等 4 类典型的上下文信息在旅游推荐系统中的应用进行了详 细考察，并对综合应用各种上下文信息的旅游推荐系统进行了分析；从旅游推荐产品的角度对推荐系统进行分 类考察；最后讨论了上下文感知旅游推荐系统目前面临的重点和难点问题，指出下一步的研究方向。 关键词：上下文感知；旅游推荐系统；基于位置的推荐；社会化网络；个性化推荐；旅游景点推荐；旅游路线推 荐；旅游套餐推荐 中图分类号：TP301 文献标志码：A 文章编号：1673−4785(2019)04−0611−08 中文引用格式：匡海丽, 常亮, 宾辰忠, 等. 上下文感知旅游推荐系统研究综述 [J]. 智能系统学报, 2019, 14(4): 611–618. 英文引用格式：KUANG Haili, CHANG Liang, BIN Chenzhong, et al. Review of a context-aware travel recommendation system[J]. CAAI transactions on intelligent systems, 2019, 14(4): 611–618. Review of a context-aware travel recommendation system KUANG Haili，CHANG Liang，BIN Chenzhong，GU Tianlong (Guangxi Key Laboratory of Trusted Software, Guilin University of Electronic Technology, Guilin 541004, China) Abstract: With improved living standards, tourism has become a common leisure activity that has promoted the research of tourism recommendation technologies. When compared with a traditional recommendation system, the quality the proposed system is considerably influenced by the contextual information, including the location, time, weather, and social groups of tourists, in addition to relevant characteristics of tourists and tourism products. In this study, we provide the overall framework of a context-aware tourism recommendation system. The application of four typical types of context information in the travel recommendation system, such as the location, time, visitor social network, and multidimensional context, is investigated in detail, and the tourism recommendation system that comprehensively applies various types of contextual information is analyzed. Further, the tourism recommendation system is classified and inspected from the perspective of the tourism recommendation products. Finally, key and difficult problems faced by the contextaware tourism recommendation system are discussed, and the future research direction is identified. Keywords: context-aware; tourism recommendation system; recommendation based on location; social network; personalized recommendation; tourist attraction recommendation; travel route recommendation; travel package recommendation 旅游业的发展使得网络正成为人们规划旅游 的最重要信息来源[1]。推荐系统的出现为人们提 前计划行程提供了很有价值的参考信息，跟搜索 引擎相比，推荐系统最明显的优势在于它可以直 接通过用户的历史记录数据分析用户的喜好，从 而能够给用户推荐其需要的信息。旅游推荐系统 的设计与应用极为复杂，不仅包括用户的主观决 策因素，还包括用户当前的上下文因素 (如位置、 收稿日期：2019−01−18. 网络出版日期：2019−04−11. 基金项目：国家自然科学基金项目 (U1711263, U1811264， U1501252，61572146)；广西创新驱动重大专项项目 (AA17202024)；桂林电子科技大学研究生教育创新 计划资助项目 (2018YJCX52)；广西自然科学基金项 目 (2016GXNSFDA380006，AC16380122)；广西信息 科学实验中心平台建设项目 (PT1601)；广西高校中 青年教师基础能力提升项目 (2018KYD203)；广西可 信软件重点实验资助课题 (KX201729). 通信作者：宾辰忠. E-mail：binchenzhong@guet.edu.cn. 第 14 卷第 4 期 智 能 系 统 学 报 Vol.14 No.4 2019 年 7 月 CAAI Transactions on Intelligent Systems Jul. 2019
·612· 智能系统学报 第14卷 天气、身体状况)。上下文感知推荐系统通过将上 来将有效地提高推荐精确度和用户满意度。 下文信息引入推荐系统，旨在通过减少信息超载 在基于上下文的旅游推荐系统中，通过旅游 并向用户提供感兴趣的旅游信息，以进一步提高 行业信息库、第三方web服务信息库和旅游产品 推荐精确度和用户满意度。对于上下文感知推 知识库中挖掘的信息构建旅游信息库，利用天气 荐系统的研究已成为一个新兴的热点。 信息、移动设备感知信息等用户上下文信息与同 1基于上下文的旅游推荐理论 伴意见等社会上下文信息作为补充，根据用户爱 好、限制条件和用户评分等信息分别获取用户的 “上下文”通常的定义是指所有可以表征物体 显式及隐式偏好并对用户建模。针对用户输入的 特征的信息。在位置、物体属性、时间等维度都 需求，根据实际情况选用合适的推荐方法，最终 存在丰富的用户及被推荐对象的上下文信息。 产生个性化的推荐结果。最后，结合图表、虚拟 比如，用户的上下文信息通常是由不同的属性组 现实等技术将推荐结果可视化到客户端。因此， 成：物理位置、情绪状态、个人历史、天气因素 本文设计了如图1所示的基于上下文的旅游推荐 等。在个性化推荐系统中，将上下文信息融入进 系统的整体框架。 限制条件 通过第三方的web service提供的 交互历史 天气信息（天气、实时交通信息） 用户爱好 批判交互 移动设备感知信息（位置 目标 用户评分 方向、速度等) 显式信息获取 隐式信息获取 用户建模 环境设备感知 用户上下文感知 用户输入需求 同伴意见 基于位置的旅游推荐 同伴的人口统计信息 基于时间的旅游推荐 同伴在社交网路中的个人信息 社会上下文感知 基于社会化网路的旅游推荐] 上下文信息 基于多潍上下文的旅游推荐☐ 推荐引擎 旅游行业信息库（包括各类景点、饭店 产生个性化的、基于位置感知 娱乐场所等信息) 环境感知/批判的推荐 第三方web服务信息库（如各景 推荐结果的展（排 开放时间、公共交通时间表等) GIS.北斗旅游 名列表、2D/3D的 地图服务 图、虛拟现实获增 强现实展示等) 旅游产品知识库（如距离、价格等） 客户端（浏览器、Java ME☑ 旅游信息库 Android/IOS apps） 图1基于上下文的旅游推荐系统整体框架 Fig.1 The framework of the context-aware tourism recommendation system 一般来说，基于上下文的推荐系统流程可以 的改进。 分为4个阶段)：1)数据收集与预处理，通过相关 传统的推荐方法直接通过用户的历史记录数 技术获取用户作用于项目的相关历史行为数据并 据分析用户的喜好，从而能够给用户推荐其需要 按所需规整数据；2)用户偏好分析，利用用户历 的信息。但传统的推荐方法在应用中存在不足， 史行为数据或者其他源数据发现隐含的用户偏 例如：基于协同过滤推荐经常受到冷启动和数 好；3)推荐列表生成，根据用户偏好信息预测用 据稀疏等问题的困扰：基于内容的推荐)虽然可 户喜爱的项目，结合获取的上下文信息为用户提 以相对有效地应对项目冷启动问题，却经常受到 供推荐列表；4)反馈，根据相关评价方法和评价 过拟合问题的困扰，同时也不能处理那些非文本 标准对推荐列表中的结果进行评估，并做出适当 项目的特征抽取和推荐问题；基于知识的推荐⑧
天气、身体状况)。上下文感知推荐系统通过将上 下文信息引入推荐系统，旨在通过减少信息超载 并向用户提供感兴趣的旅游信息，以进一步提高 推荐精确度和用户满意度[2]。对于上下文感知推 荐系统的研究已成为一个新兴的热点[3]。 1 基于上下文的旅游推荐理论 “上下文”通常的定义是指所有可以表征物体 特征的信息。在位置、物体属性、时间等维度都 存在丰富的用户及被推荐对象的上下文信息[4]。 比如，用户的上下文信息通常是由不同的属性组 成：物理位置、情绪状态、个人历史、天气因素 等。在个性化推荐系统中，将上下文信息融入进 来将有效地提高推荐精确度和用户满意度。 在基于上下文的旅游推荐系统中，通过旅游 行业信息库、第三方 web 服务信息库和旅游产品 知识库中挖掘的信息构建旅游信息库，利用天气 信息、移动设备感知信息等用户上下文信息与同 伴意见等社会上下文信息作为补充，根据用户爱 好、限制条件和用户评分等信息分别获取用户的 显式及隐式偏好并对用户建模。针对用户输入的 需求，根据实际情况选用合适的推荐方法，最终 产生个性化的推荐结果。最后，结合图表、虚拟 现实等技术将推荐结果可视化到客户端。因此， 本文设计了如图 1 所示的基于上下文的旅游推荐 系统的整体框架。 限制条件 用户爱好 目标 交互历史 批判交互 用户评分 显式信息获取 隐式信息获取 用户建模 用户输入需求 产生个性化的、基于位置感知/ 环境感知/批判的推荐 推荐结果的展（排 名列表、2D/3D的 图、虚拟现实获增 强现实展示等） GIS，北斗旅游 地图服务 客户端（浏览器、Java ME/ Android/IOS apps） 通过第三方的 web service 提供的 天气信息（天气、实时交通信息） 移动设备感知信息（位置、 方向、速度等） 环境设备感知 用户上下文感知 同伴意见 同伴的人口统计信息 同伴在社交网络中的个人信息 社会上下文感知 上下文信息 旅游行业信息库（包括各类景点、饭店、 娱乐场所等信息） 第三方 web 服务信息库（如各景 开放时间、公共交通时间表等） 旅游产品知识库（如距离、价格等） 旅游信息库 推荐引擎 基于位置的旅游推荐 基于时间的旅游推荐 基于社会化网络的旅游推荐 基于多维上下文的旅游推荐 图 1 基于上下文的旅游推荐系统整体框架 Fig. 1 The framework of the context-aware tourism recommendation system 一般来说，基于上下文的推荐系统流程可以 分为 4 个阶段[5] ：1) 数据收集与预处理，通过相关 技术获取用户作用于项目的相关历史行为数据并 按所需规整数据；2) 用户偏好分析，利用用户历 史行为数据或者其他源数据发现隐含的用户偏 好；3) 推荐列表生成，根据用户偏好信息预测用 户喜爱的项目，结合获取的上下文信息为用户提 供推荐列表；4) 反馈，根据相关评价方法和评价 标准对推荐列表中的结果进行评估，并做出适当 的改进。 传统的推荐方法直接通过用户的历史记录数 据分析用户的喜好，从而能够给用户推荐其需要 的信息。但传统的推荐方法在应用中存在不足， 例如：基于协同过滤推荐[6] 经常受到冷启动和数 据稀疏等问题的困扰；基于内容的推荐[7] 虽然可 以相对有效地应对项目冷启动问题，却经常受到 过拟合问题的困扰，同时也不能处理那些非文本 项目的特征抽取和推荐问题；基于知识的推荐 [8] ， ·612· 智 能 系 统 学 报 第 14 卷
第4期 匡海丽，等：上下文感知旅游推荐系统研究综述 ·613· 不需要计算大量的用户数据，但难以获取到足够 织旅游路线，这显然是耗时的；一些平台为游客 的知识来构建用户-项目知识库；基于人口统计 提供的路线选择通常是由旅行社制定，并不能满 的推荐在一定程度上侵犯了用户的隐私，而且 足用户的个性化需求。 用户画像信息的收集可能存在很大噪音1。此 6)需要考虑景区分流问题。游客进入景区 外，旅游推荐领域特有的情况使得传统的推荐 后，面对数量众多的景点和有限的时间及体力， 方法不能够实现理想的推荐结果，所面临的问 如何根据用户的偏好及当前的交通信息安排游览 题有： 路线，实现景区、景点的排序及游览路线推荐，也 1)对于旅游产品本身，既可以是单一的住 是旅游推荐领域关注的一个焦点。 宿、景点、交通等产品的选择，亦可以是这些元素 因此，通过引入上下文信息优化推荐效果是 的组合，因此需要考虑用户和旅游产品之间的时 目前旅游推荐领域的研究热点。 空关系。 2基于上下文的旅游推荐方法 2)除了考虑用户的偏好之外，用户还经常受 到特定的限制。例如旅行之前，用户会综合权衡 在基于上下文的旅游推荐系统的框架中，根 时间和金钱的花销。这与传统的推荐很不同，比 据使用到的上下文信息范畴不同，基于上下文的 如电影推荐就很少考虑花销（因为电影时长和价 旅游推荐方法可以分为基于位置的旅游推荐、基 格变化幅度都较小)。 于时间的旅游推荐、基于社会化网络的旅游推荐 3)需要考虑用户的社会属性。网络社区中， 和基于多维上下文的旅游推荐。本节将从以上 相互联系的群体，受社会因素的相互影响，往往 4个角度来介绍上下文感知推荐系统的相关研究 表现出相似的兴趣爱好。 工作。 4)同伴的人口统计信息、社会地位、偏好的 2.1基于位置的旅游推荐 差异性可能会对用户的最终选择产生一定的影 基于位置的旅游推荐系统可以根据用户的历 响，因此结合所有成员偏好的组推荐系统☒也是 史消费位置获取用户在位置方面的偏好以提供个 需要关注的问题。 性化的旅游推荐，其中，用户的位置可以通过移 5)旅游网站一般呈现静态的景点，景点之间 动设备和GPS定位等获取。基于位置的旅游推 没有更多的关联，游客需要自行浏览、搜索和组 荐一般模型如图2所示。 GPS卫星 用户D/位置 用户D/位置 地形数据 推荐 推荐】 移动设备 推荐服务器 GIS服务器 蜂窝网络 用户1 用户2 用户n 用户信息库 旅游信息库 2D/3D地形数据 图2基于位置的旅游推荐一般模型 Fig.2 The general location-based recommendation model for travel
不需要计算大量的用户数据，但难以获取到足够 的知识来构建用户−项目知识库；基于人口统计 的推荐[9] 在一定程度上侵犯了用户的隐私，而且 用户画像信息的收集可能存在很大噪音[10]。此 外，旅游推荐领域特有的情况使得传统的推荐 方法不能够实现理想的推荐结果，所面临的问 题有： 1) 对于旅游产品本身，既可以是单一的住 宿、景点、交通等产品的选择，亦可以是这些元素 的组合，因此需要考虑用户和旅游产品之间的时 空关系。 2) 除了考虑用户的偏好之外，用户还经常受 到特定的限制。例如旅行之前，用户会综合权衡 时间和金钱的花销。这与传统的推荐很不同，比 如电影推荐就很少考虑花销 (因为电影时长和价 格变化幅度都较小)。 3) 需要考虑用户的社会属性。网络社区中， 相互联系的群体，受社会因素的相互影响，往往 表现出相似的兴趣爱好[11]。 4) 同伴的人口统计信息、社会地位、偏好的 差异性可能会对用户的最终选择产生一定的影 响，因此结合所有成员偏好的组推荐系统[12] 也是 需要关注的问题。 5) 旅游网站一般呈现静态的景点，景点之间 没有更多的关联，游客需要自行浏览、搜索和组 织旅游路线，这显然是耗时的；一些平台为游客 提供的路线选择通常是由旅行社制定，并不能满 足用户的个性化需求[13]。 6) 需要考虑景区分流问题。游客进入景区 后，面对数量众多的景点和有限的时间及体力， 如何根据用户的偏好及当前的交通信息安排游览 路线，实现景区、景点的排序及游览路线推荐，也 是旅游推荐领域关注的一个焦点。 因此，通过引入上下文信息优化推荐效果是 目前旅游推荐领域的研究热点。 2 基于上下文的旅游推荐方法 在基于上下文的旅游推荐系统的框架中，根 据使用到的上下文信息范畴不同，基于上下文的 旅游推荐方法可以分为基于位置的旅游推荐、基 于时间的旅游推荐、基于社会化网络的旅游推荐 和基于多维上下文的旅游推荐。本节将从以上 4 个角度来介绍上下文感知推荐系统的相关研究 工作。 2.1 基于位置的旅游推荐 基于位置的旅游推荐系统可以根据用户的历 史消费位置获取用户在位置方面的偏好以提供个 性化的旅游推荐，其中，用户的位置可以通过移 动设备和 GPS 定位等获取。基于位置的旅游推 荐一般模型如图 2 所示。 推荐服务器 GIS 服务器 移动设备 用户 1 GPS 卫星 蜂窝网络 用户信息库 旅游信息库 2D/3D 地形数据 用户 2 用户 n ... 位置 用户交互 用户 ID/位置 推荐 地形数据 用户 ID /位置 位置 推荐 图 2 基于位置的旅游推荐一般模型 Fig. 2 The general location-based recommendation model for travel 第 4 期 匡海丽，等：上下文感知旅游推荐系统研究综述 ·613·
·614· 智能系统学报 第14卷 Noguera等结合用户位置和偏好为移动设 Zhang等针对以往研究中将连续时间切分 备提供一个汇集了推荐引擎和移动三维地理信息 为多个时间段，导致时间信息缺失且时间联系被 的混合推荐系统。采用基于协同过滤和基于知识 切断的问题，提出了一种利用时间影响的时间感 的混合方法在信息稀缺的情况下解决了冷启动问 知位置推荐算法(TICRec)。利用连续时间内用户 题，根据用户位置与偏好为用户提供餐馆推荐服 访问某景点的概率密度来避免时间信息的缺失， 务。该系统克服了某些推荐系统不能应用在移动 在实现位置推荐的同时，还能为用户推荐访问该 设备上的缺点。但在实际应用中，对距离与景 位置的时间。经实验，该算法有效地利用了时间 点的兴趣度上需要用户自主权衡，自动化程度较低。 信息并能充分考虑时间因素为用户推荐更准确的 Lⅰ等%使用协同过滤算法结合位置信息，通 结果。 过GPS定位系统为旅游移动商务服务平台提供 总的来看，基于时间的旅游推荐有比较强的 一个位置感知推荐系统。根据用户的即时位置以 时间依赖性，不像传统的项目推荐通常稳定在一 及距离远近对用户的偏好影响的大小，得到旅游 段很长时期内（如歌曲）。这样的特性要求了基于 者对旅游信息的兴趣值，通过对兴趣值的计算为 时间的旅游推荐在考虑时间因素对用户的影响 旅游者推荐。虽然在一定程度上提高了用户的满 时，不仅需要考虑用户长期历史行为，还需要考 意度，但系统仍然存在协同过滤算法所面临的数 虑用户近期行为。而在考虑时间因素对推荐项目 据稀疏性和冷启动问题。 的影响时，则需要考虑推荐项目本身存在的时间 Lu等1刀根据地理信息系统提供的信息，结 效应。基于时间的旅游推荐让推荐系统能有效地 合数据挖掘和Web GIS技术，根据用户和景点的 提高某个特定时间情景下的推荐效果。 特征数据设计了一个个性化的智能路线推荐系 2.3基于社会化网络的旅游推荐 统，使得用户在一定的时间内能够花费最少的费 社会化推荐通过社交网络、社交搜索、社交 用到达尽可能多的景点。不过该系统的不足之处 媒体、标签等获取社交行为数据，利用计算机技 在于没有使用移动设备和GPS动态地收集用户 术，例如数据挖掘、自然语言处理等进行研究，挖 数据，无法实现实时推荐。 掘出集体智慧。这种服务方式不同于传统的信息 2.2基于时间的旅游推荐 推荐服务，它将社会网络、社交媒体视为信息推 基于时间的旅游推荐通常需要考虑推荐景点 荐的主要平台，使用户的隐性知识在社会化推荐 明显的季节性因素，而考虑到景点都位于不同的 过程中与其他用户进行交互，形成交流。在社会 地区，这些时空信息也可以被视为景点的季节性 化网络中，用户间的信任关系对于用户的兴趣存 旅游情境剧。比如，在冬季外出旅行，温泉、滑雪 在着巨大的影响，用户间隐含的信任信息在推荐 比较受欢迎，而夏季出游时，更多人倾向于选择 系统可靠性上扮演重要角色。比如，社会关系更 水上乐园等避暑项目。在旅游推荐的背景下，时 亲近的用户之间，对于彼此的推荐，由于较高的 间信息对用户的影响主要体现在两个方面：用户 信任度，用户倾向于相信并选择推荐的项目。基 兴趣变化与季节效应。 于社会化网络中用户信任关系方面已存在不少旅 李雅美等四提取时间等与旅游景点密切相关 游推荐的相关研究工作。 的特征标签来描述用户兴趣特征，将相似的用户 Ravi等a1发现用户倾向于接受信任用户的 群体聚类，通过协同过滤的方法为用户推荐感兴 推荐，利用社交网络数据提出了基于社会相关信 趣的景点。基于时间标签的推荐算法在实验中提 任度算法的旅游推荐系统。两个用户之间的信任 高了推荐结果的准确率，验证了时间因素对于提 度通过真实的数值来表示，1代表完全信任，0代 高推荐系统性能的有效性。 表不信任，系统通过公式 卢露2]针对时间因素对推荐效果的影响，提 ruRel=SimUser(x,y)x Trust(x,y) (1) 出了一种概率模型，综合考虑并结合了用户的兴 来计算用户之间的信任关系。其中SimUser(x, 趣度、用户所处的时间和地点自身的流行度这 y)是用户x和y之间的相似度，Trust(x,y)是用户 3个因素对推荐结果的影响。该模型克服了数据 x和y之间的信任度。 稀疏性问题，在Foursquare数据集上开展的实验 Cenamor等2]设计了一个旅游计划系统，该 证实了该模型能获得更好的推荐效果。但该模型 系统使用从旅行社交网络中收集到的信息来发现 中3种因素对应的权重仍需人工忖度设置，自动 群组并创建个性化旅游计划。系统遵循自动化的 化程度低。 规划方法，收集用户和兴趣点的信息，用聚类技
Noguera 等 [14] 结合用户位置和偏好为移动设 备提供一个汇集了推荐引擎和移动三维地理信息 的混合推荐系统。采用基于协同过滤和基于知识 的混合方法在信息稀缺的情况下解决了冷启动问 题，根据用户位置与偏好为用户提供餐馆推荐服 务。该系统克服了某些推荐系统不能应用在移动 设备上的缺点[15]。但在实际应用中，对距离与景 点的兴趣度上需要用户自主权衡，自动化程度较低。 Li 等 [16] 使用协同过滤算法结合位置信息，通 过 GPS 定位系统为旅游移动商务服务平台提供 一个位置感知推荐系统。根据用户的即时位置以 及距离远近对用户的偏好影响的大小，得到旅游 者对旅游信息的兴趣值，通过对兴趣值的计算为 旅游者推荐。虽然在一定程度上提高了用户的满 意度，但系统仍然存在协同过滤算法所面临的数 据稀疏性和冷启动问题。 Liu 等 [17] 根据地理信息系统提供的信息，结 合数据挖掘和 Web GIS 技术，根据用户和景点的 特征数据设计了一个个性化的智能路线推荐系 统，使得用户在一定的时间内能够花费最少的费 用到达尽可能多的景点。不过该系统的不足之处 在于没有使用移动设备和 GPS 动态地收集用户 数据，无法实现实时推荐。 2.2 基于时间的旅游推荐 基于时间的旅游推荐通常需要考虑推荐景点 明显的季节性因素，而考虑到景点都位于不同的 地区，这些时空信息也可以被视为景点的季节性 旅游情境[18]。比如，在冬季外出旅行，温泉、滑雪 比较受欢迎，而夏季出游时，更多人倾向于选择 水上乐园等避暑项目。在旅游推荐的背景下，时 间信息对用户的影响主要体现在两个方面：用户 兴趣变化与季节效应。 李雅美等[19] 提取时间等与旅游景点密切相关 的特征标签来描述用户兴趣特征，将相似的用户 群体聚类，通过协同过滤的方法为用户推荐感兴 趣的景点。基于时间标签的推荐算法在实验中提 高了推荐结果的准确率，验证了时间因素对于提 高推荐系统性能的有效性。 卢露[20] 针对时间因素对推荐效果的影响，提 出了一种概率模型，综合考虑并结合了用户的兴 趣度、用户所处的时间和地点自身的流行度这 3 个因素对推荐结果的影响。该模型克服了数据 稀疏性问题，在 Foursquare 数据集上开展的实验 证实了该模型能获得更好的推荐效果。但该模型 中 3 种因素对应的权重仍需人工忖度设置，自动 化程度低。 Zhang 等 [21] 针对以往研究中将连续时间切分 为多个时间段，导致时间信息缺失且时间联系被 切断的问题，提出了一种利用时间影响的时间感 知位置推荐算法 (TICRec)。利用连续时间内用户 访问某景点的概率密度来避免时间信息的缺失， 在实现位置推荐的同时，还能为用户推荐访问该 位置的时间。经实验，该算法有效地利用了时间 信息并能充分考虑时间因素为用户推荐更准确的 结果。 总的来看，基于时间的旅游推荐有比较强的 时间依赖性，不像传统的项目推荐通常稳定在一 段很长时期内 (如歌曲)。这样的特性要求了基于 时间的旅游推荐在考虑时间因素对用户的影响 时，不仅需要考虑用户长期历史行为，还需要考 虑用户近期行为。而在考虑时间因素对推荐项目 的影响时，则需要考虑推荐项目本身存在的时间 效应。基于时间的旅游推荐让推荐系统能有效地 提高某个特定时间情景下的推荐效果。 2.3 基于社会化网络的旅游推荐 社会化推荐通过社交网络、社交搜索、社交 媒体、标签等获取社交行为数据，利用计算机技 术，例如数据挖掘、自然语言处理等进行研究，挖 掘出集体智慧。这种服务方式不同于传统的信息 推荐服务，它将社会网络、社交媒体视为信息推 荐的主要平台，使用户的隐性知识在社会化推荐 过程中与其他用户进行交互，形成交流。在社会 化网络中，用户间的信任关系对于用户的兴趣存 在着巨大的影响，用户间隐含的信任信息在推荐 系统可靠性上扮演重要角色。比如，社会关系更 亲近的用户之间，对于彼此的推荐，由于较高的 信任度，用户倾向于相信并选择推荐的项目。基 于社会化网络中用户信任关系方面已存在不少旅 游推荐的相关研究工作。 Ravi 等 [22] 发现用户倾向于接受信任用户的 推荐，利用社交网络数据提出了基于社会相关信 任度算法的旅游推荐系统。两个用户之间的信任 度通过真实的数值来表示，1 代表完全信任，0 代 表不信任，系统通过公式 ruRel = SimUser(x, y)×Trust(x, y) (1) 来计算用户之间的信任关系。其中 SimUser (x, y) 是用户 x 和 y 之间的相似度，Trust (x, y) 是用户 x 和 y 之间的信任度。 Cenamor 等 [23] 设计了一个旅游计划系统，该 系统使用从旅行社交网络中收集到的信息来发现 群组并创建个性化旅游计划。系统遵循自动化的 规划方法，收集用户和兴趣点的信息，用聚类技 ·614· 智 能 系 统 学 报 第 14 卷
第4期 匡海丽，等：上下文感知旅游推荐系统研究综述 ·615· 术对这些点进行分组，同时将旅行规划中的问题 位置而忽略其他上下文信息的现象，提出了一个 分解为不同子问题，以生成具有所访问城市地区 智能上下文感知推荐系统。在该推荐系统中，环 最相关兴趣点的多个旅游计划，并使用一个现成 境上下文中包含的旅游景点天气信息，时间上下 的域名独立的自动化计划器，找到更好的旅游计 文中包含的季节效应、社会上下文中包含的景点 划。该系统具有高度的自动化，有效地实现了个 流行度影响与位置数据及用户上下文融合在一 性化旅行计划的推荐。 起，从而可获得更全面丰富且相对更贴近生活现 Christensen等2首先对用户的偏好进行建 实的上下文信息，实验证明，与仅依靠位置信息 模，包括价格、局限性、活动、年龄、教育、性别和 的位置感知推荐系统相比，该推荐系统能有效地 收入等，然后使用协同过滤、人口统计和基于内 提高推荐性能。对于融入信息太多可能造成的信 容的混合方法给出单个用户偏好，并根据群体中 息过载问题，该系统加入了信息过滤操作来确保 的社会关系（如父母、朋友）计算群体中成员对于 融入信息的可靠有效性。 最终决策达成的影响力，用户“对景点T的评分 赵海燕等29基于时间和空间感知，结合用户 R(T),用户u的个人影响力评分ir(T): 的社会关系，利用位置信息、时间信息、社交信 ir,(T)=R(T)+∑(R,(T)-R(T》/w 息、活动信息的数据，构建用户、地点、时间、活 EG,≠ 动、朋友关系异构信息网络，通过随机游走方法 然后使用乘法融合策略生成最终的组推荐列表。 产生推荐。该方法综合利用时空信息和用户社交 总体来看，基于社会化关系上下文的旅游推 信息为用户提供个性化活动推荐，实验表明，该 荐系统，充分利用社会化网络中相关信息来评估 方法能获得较好的推荐效果。此外，利用构建的 用户间的信任度，以此可衡量用户相似度并实现 异构信息网络，该方法还可以实现朋友推荐等增 增强推荐2。在推荐系统中融入这些信息将进一 值服务。 步改进推荐系统的精度和用户满意度。 总体来看，理论上，做旅游推荐的时候，推荐 2.4基于多维上下文的旅游推荐 系统中考虑的上下文信息越丰富，推荐效果越 多维上下文通常指的是利用用户与系统交互 好。但在实际研究中，如何在多种信息中协调平 时产生的环境要素的集合，例如用户在选择户外 衡取舍对于研究者来说是个极大的考验。一方 游览景点时，景点流行度是静态稳定的信息，而 面，旅游景点本身存在着物理形态固定的位置信 天气条件会对用户决策产生重要的影响。旅游是 息与时间效应，随着时间的作用，景点被赋予流 一项受多种因素限制的活动，旅游推荐中可用信 行度影响因素，而时下最热门的景点通常存在游 息种类繁多，关键在于如何充分利用可获取的信息。 客高度聚集现象，这又会给游客带来不佳的旅游 Yao等2利用张量代替传统方法中的二维矩 体验。另一方面，用户本身也存在着丰富的信 阵来表示异构多维上下文信息，结合用户与位置 息，通过用户相关信息可以推断用户喜好，但在 之间的潜在联系来实现兴趣点推荐。实验结果表 目前的研究工作中，用户情绪信息还不能被有效 明，合理的融合多源信息有利于提高推荐系统的 利用。因此，由于上下文具有的范围动态性、偶 推荐准确率。 发性、不可观察等特征，基于多维上下文的旅游 任星怡等2针对用户在异地旅行的时候，签 推荐成为了一项极具挑战性的工作。 到行为具有高稀疏性为推荐带来了很大挑战的问 3上下文感知旅游推荐系统的主要 题，提出了一种联合概率生成模型(GTSCP),综合 应用类型 分析地理影响、时间效应、社会相关性、内容信息 和流行度影响等方面的因素，模拟用户签到行为 在实际应用环境下，用户对于推荐系统有着 的决策过程，实现本地推荐与异地推荐两种场景 不同的需求。例如，当用户规划短期旅行时，他 下的推荐，且同时支持离线推荐与在线推荐两种 们希望推荐系统能提供满足自身喜好的旅游景点 模式。利用社会相关性信息，该模型有效地克服 推荐或者旅游路线推荐；而当用户有一段较长时 了冷启动问题。通过融合多维度信息，该模型很 间的休闲时光时，根据给定的时间约束与消费条 大程度地缓解了数据稀疏问题。该模型具有高度 件，他们希望推荐系统能智能地结合天气因素等 的灵活性与适用性。但由于融入的信息繁多杂 其他上下文信息给出旅游套餐推荐。因此，根据 乱，该模型存在一定的特征缺失问题。 实际场景需求，上下文感知旅游推荐系统可以分 Meehan等2]针对上下文旅游系统严重依赖 为旅游景点推荐、旅游路线推荐与旅游套餐推
术对这些点进行分组，同时将旅行规划中的问题 分解为不同子问题，以生成具有所访问城市/地区 最相关兴趣点的多个旅游计划，并使用一个现成 的域名独立的自动化计划器，找到更好的旅游计 划。该系统具有高度的自动化，有效地实现了个 性化旅行计划的推荐。 Christensen 等 [24] 首先对用户的偏好进行建 模，包括价格、局限性、活动、年龄、教育、性别和 收入等，然后使用协同过滤、人口统计和基于内 容的混合方法给出单个用户偏好，并根据群体中 的社会关系 (如父母、朋友) 计算群体中成员对于 最终决策达成的影响力，用户 u 对景点 Ti 的评分 Ru (Ti )，用户 u 的个人影响力评分 iiru (Ti )： iiru (Ti) = Ru (Ti)+ ∑ v∈G,v,u (Rv (Ti)−Ru (Ti)) /wu,v 然后使用乘法融合策略生成最终的组推荐列表。 总体来看，基于社会化关系上下文的旅游推 荐系统，充分利用社会化网络中相关信息来评估 用户间的信任度，以此可衡量用户相似度并实现 增强推荐[25]。在推荐系统中融入这些信息将进一 步改进推荐系统的精度和用户满意度。 2.4 基于多维上下文的旅游推荐 多维上下文通常指的是利用用户与系统交互 时产生的环境要素的集合，例如用户在选择户外 游览景点时，景点流行度是静态稳定的信息，而 天气条件会对用户决策产生重要的影响。旅游是 一项受多种因素限制的活动，旅游推荐中可用信 息种类繁多，关键在于如何充分利用可获取的信息。 Yao 等 [26] 利用张量代替传统方法中的二维矩 阵来表示异构多维上下文信息，结合用户与位置 之间的潜在联系来实现兴趣点推荐。实验结果表 明，合理的融合多源信息有利于提高推荐系统的 推荐准确率。 任星怡等[27] 针对用户在异地旅行的时候，签 到行为具有高稀疏性为推荐带来了很大挑战的问 题，提出了一种联合概率生成模型 (GTSCP)，综合 分析地理影响、时间效应、社会相关性、内容信息 和流行度影响等方面的因素，模拟用户签到行为 的决策过程，实现本地推荐与异地推荐两种场景 下的推荐，且同时支持离线推荐与在线推荐两种 模式。利用社会相关性信息，该模型有效地克服 了冷启动问题。通过融合多维度信息，该模型很 大程度地缓解了数据稀疏问题。该模型具有高度 的灵活性与适用性。但由于融入的信息繁多杂 乱，该模型存在一定的特征缺失问题。 Meehan 等 [28] 针对上下文旅游系统严重依赖 位置而忽略其他上下文信息的现象, 提出了一个 智能上下文感知推荐系统。在该推荐系统中，环 境上下文中包含的旅游景点天气信息，时间上下 文中包含的季节效应、社会上下文中包含的景点 流行度影响与位置数据及用户上下文融合在一 起，从而可获得更全面丰富且相对更贴近生活现 实的上下文信息，实验证明，与仅依靠位置信息 的位置感知推荐系统相比，该推荐系统能有效地 提高推荐性能。对于融入信息太多可能造成的信 息过载问题，该系统加入了信息过滤操作来确保 融入信息的可靠有效性。 赵海燕等[29] 基于时间和空间感知，结合用户 的社会关系，利用位置信息、时间信息、社交信 息、活动信息的数据，构建用户、地点、时间、活 动、朋友关系异构信息网络，通过随机游走方法 产生推荐。该方法综合利用时空信息和用户社交 信息为用户提供个性化活动推荐，实验表明，该 方法能获得较好的推荐效果。此外，利用构建的 异构信息网络，该方法还可以实现朋友推荐等增 值服务。 总体来看，理论上，做旅游推荐的时候，推荐 系统中考虑的上下文信息越丰富，推荐效果越 好。但在实际研究中，如何在多种信息中协调平 衡取舍对于研究者来说是个极大的考验。一方 面，旅游景点本身存在着物理形态固定的位置信 息与时间效应，随着时间的作用，景点被赋予流 行度影响因素，而时下最热门的景点通常存在游 客高度聚集现象，这又会给游客带来不佳的旅游 体验。另一方面，用户本身也存在着丰富的信 息，通过用户相关信息可以推断用户喜好，但在 目前的研究工作中，用户情绪信息还不能被有效 利用。因此，由于上下文具有的范围动态性、偶 发性、不可观察等特征，基于多维上下文的旅游 推荐成为了一项极具挑战性的工作。 3 上下文感知旅游推荐系统的主要 应用类型 在实际应用环境下，用户对于推荐系统有着 不同的需求。例如，当用户规划短期旅行时，他 们希望推荐系统能提供满足自身喜好的旅游景点 推荐或者旅游路线推荐；而当用户有一段较长时 间的休闲时光时，根据给定的时间约束与消费条 件，他们希望推荐系统能智能地结合天气因素等 其他上下文信息给出旅游套餐推荐。因此，根据 实际场景需求，上下文感知旅游推荐系统可以分 为旅游景点推荐、旅游路线推荐与旅游套餐推 第 4 期 匡海丽，等：上下文感知旅游推荐系统研究综述 ·615·
·616 智能系统学报 第14卷 荐。以下将从这3个方面来介绍相关研究工作。 的目的地，在时空约束条件下，结合用户偏好生 3.1旅游景点推荐 成旅行包。该系统从移动客户端获取用户旅行需 旅游景点推荐方法主要采用传统的推荐方法 求并生成含有大量景点及游览路线的旅行包。该 并结合上下文的信息，根据用户的历史数据分析 系统不仅可为用户提供符合用户喜爱的景点，还 用户的兴趣点所在，为用户做游览景点的推荐。 能生成景点游览序列，在特定数据集上进行的实验 Gao等0研究了基于位置服务的社会网络， 表明，该方法有效地提高了推荐的准确性和多样性。 对兴趣点属性、用户兴趣与情绪信息进行建模， Dipali等B4设计了一个自助旅行服务系统。 结合这3种类型的信息与签到行为的关系为用户 在这个系统中，管理员负责维护系统，向导负责 做兴趣点推荐。Zimba等考虑到当用户搬迁至 计划旅行路线并提供旅行路线中景点的360°视角 异地从而导致用户在当前城市的历史游玩数据缺 下的照片与视频信息，而用户需要进行注册后才 乏的情况，基于用户以往评论与评分数据对隐含 能使用系统，通过选择目的地，系统为用户提供 其中的用户偏好建模，结合景点自身属性为用户 向导与其推荐的旅行路线信息，并允许用户预览 进行推荐，有效地克服了传统推荐算法中异地推 路线中相关景点的详细信息，以便用户在清楚每 荐面临的数据稀疏性限制。Debnath等Iu不同于 条路线的情况下选择合心意的向导与路线。实验 以往的兴趣点推荐研究工作，首次提出综合考虑 表明，该系统能获得较好的推荐效果并具有一定 个人偏好、位置偏好、时间效应与兴趣点流行度 的现实意义，商用性能较高。 这4个因素的兴趣点推荐，且经实验证明该方法 旅游套餐通常对景点的时空关系要求很强， 有效地提高了推荐性能。 通常来看，只有具有相近时空关系的景点才会被 3.2旅游路线推荐 放入同一个套餐中。此外，由于旅游套餐有一定 旅游路线的推荐能够很好地反映出用户的兴 的生存周期，其设计会受到游客兴趣等需求的左 趣。如何根据用户的偏好和用户在景区分布的密 右，这意味着旅游套餐的更新速度非常之快。由 度这两个因素合理规划游览线路，是上下文感知 此来看，不同于旅游景点与旅游路线的推荐，旅 旅游推荐系统需要考虑的问题。旅游路线/旅游 游套餐推荐需要更高的复杂度。 规划应该包含多种公共交通路规划，根据旅游需 上下文感知旅游推荐面临的重点 求（如步行穿过人行区域的路线可能比短途地铁 和难点 更可取)。不过设计解决这类问题的高效算法仍 然是一个开放的研究课题。 基于上下文的旅游推荐系统是一项融合了组 Chen等B等使用基于Hadoop的云计算技术 织学、认知科学、决策科学、个性化服务、计算机 设计和实现了一个智能旅游路线推荐系统。该系 科学等多门学科的交叉性学科。从以上内容可以 统整合了旅游景点、旅游线路、住宿和一些其他 看出，近年来国内外研究者已经在上下文感知旅 信息，提供一站式服务，在旅游路线推荐中得到 游推荐领域取得了许多进展。但总的来说，目前 了理想的效果。该系统在整体架构上主要分成数 推荐技术仍然面临以下重点和难点问题。 据收集、数据加工、数据存储和路线推荐4个模 1)需要考虑机器学习算法和旅游推荐相结 块，并利用了云计算平台来解决基于分布式计算 合。在旅游推荐系统中，随着各种上下文信息的 的大规模数据的安全存储和加工问题。实验表 不断加入，对数据集的规模和算法处理也提出了 明，该系统能以更好的方式利用用户的相关信息 新的要求，同时在人工智能领域，机器学习受到 并根据其反馈信息推荐旅游路线。 越来越多的关注。因此在上下文旅游推荐中加入 3.3 旅游套餐推荐 合适的机器学习算法以提高处理大数据的能力及 通常来看，做旅行计划时，用户有3个要解决 推荐效果，将成为未来旅游推荐的一个研究热点。 的问题：目的地、旅行时长与旅游路线。因此，旅 2)需要考虑用户的情绪信息。目前研究工作 游套餐的推荐面临着两大挑战：1)用户感兴趣的 中用到的上下文信息通常指的是客观因素，而主 景点有哪些；2)判断哪个计划是更好的旅行安 观的感性因素在消费决策中起着越来越重要的作 排。如何在这两方面提高性能成为了旅游套餐推 用，用户的情绪在一定条件下反映出用户的内心 荐的研究重点。 活动状态。在上下文信息如社会化网络中，用户 Yu等3)利用位置服务对用户偏好和景点流 情感信息可能会起到关键的作用，因此对用户进行 行度进行建模，通过协同过滤方法得到用户喜爱 情绪分析将成为旅游推荐研究的一个难点问题
荐。以下将从这 3 个方面来介绍相关研究工作。 3.1 旅游景点推荐 旅游景点推荐方法主要采用传统的推荐方法 并结合上下文的信息，根据用户的历史数据分析 用户的兴趣点所在，为用户做游览景点的推荐。 Gao 等 [30] 研究了基于位置服务的社会网络， 对兴趣点属性、用户兴趣与情绪信息进行建模， 结合这 3 种类型的信息与签到行为的关系为用户 做兴趣点推荐。Zimba 等 [2] 考虑到当用户搬迁至 异地从而导致用户在当前城市的历史游玩数据缺 乏的情况，基于用户以往评论与评分数据对隐含 其中的用户偏好建模，结合景点自身属性为用户 进行推荐，有效地克服了传统推荐算法中异地推 荐面临的数据稀疏性限制。Debnath 等 [31] 不同于 以往的兴趣点推荐研究工作，首次提出综合考虑 个人偏好、位置偏好、时间效应与兴趣点流行度 这 4 个因素的兴趣点推荐，且经实验证明该方法 有效地提高了推荐性能。 3.2 旅游路线推荐 旅游路线的推荐能够很好地反映出用户的兴 趣。如何根据用户的偏好和用户在景区分布的密 度这两个因素合理规划游览线路，是上下文感知 旅游推荐系统需要考虑的问题。旅游路线/旅游 规划应该包含多种公共交通路规划, 根据旅游需 求 (如步行穿过人行区域的路线可能比短途地铁 更可取)。不过设计解决这类问题的高效算法仍 然是一个开放的研究课题。 Chen 等 [32] 等使用基于 Hadoop 的云计算技术 设计和实现了一个智能旅游路线推荐系统。该系 统整合了旅游景点、旅游线路、住宿和一些其他 信息，提供一站式服务，在旅游路线推荐中得到 了理想的效果。该系统在整体架构上主要分成数 据收集、数据加工、数据存储和路线推荐 4 个模 块，并利用了云计算平台来解决基于分布式计算 的大规模数据的安全存储和加工问题。实验表 明，该系统能以更好的方式利用用户的相关信息 并根据其反馈信息推荐旅游路线。 3.3 旅游套餐推荐 通常来看，做旅行计划时，用户有 3 个要解决 的问题：目的地、旅行时长与旅游路线。因此，旅 游套餐的推荐面临着两大挑战:1) 用户感兴趣的 景点有哪些；2) 判断哪个计划是更好的旅行安 排。如何在这两方面提高性能成为了旅游套餐推 荐的研究重点。 Yu 等 [33] 利用位置服务对用户偏好和景点流 行度进行建模，通过协同过滤方法得到用户喜爱 的目的地，在时空约束条件下，结合用户偏好生 成旅行包。该系统从移动客户端获取用户旅行需 求并生成含有大量景点及游览路线的旅行包。该 系统不仅可为用户提供符合用户喜爱的景点，还 能生成景点游览序列，在特定数据集上进行的实验 表明，该方法有效地提高了推荐的准确性和多样性。 Dipali 等 [34] 设计了一个自助旅行服务系统。 在这个系统中，管理员负责维护系统，向导负责 计划旅行路线并提供旅行路线中景点的 360°视角 下的照片与视频信息，而用户需要进行注册后才 能使用系统，通过选择目的地，系统为用户提供 向导与其推荐的旅行路线信息，并允许用户预览 路线中相关景点的详细信息，以便用户在清楚每 条路线的情况下选择合心意的向导与路线。实验 表明，该系统能获得较好的推荐效果并具有一定 的现实意义，商用性能较高。 旅游套餐通常对景点的时空关系要求很强， 通常来看，只有具有相近时空关系的景点才会被 放入同一个套餐中。此外，由于旅游套餐有一定 的生存周期，其设计会受到游客兴趣等需求的左 右，这意味着旅游套餐的更新速度非常之快。由 此来看，不同于旅游景点与旅游路线的推荐，旅 游套餐推荐需要更高的复杂度。 4 上下文感知旅游推荐面临的重点 和难点 基于上下文的旅游推荐系统是一项融合了组 织学、认知科学、决策科学、个性化服务、计算机 科学等多门学科的交叉性学科。从以上内容可以 看出，近年来国内外研究者已经在上下文感知旅 游推荐领域取得了许多进展。但总的来说，目前 推荐技术仍然面临以下重点和难点问题。 1) 需要考虑机器学习算法和旅游推荐相结 合。在旅游推荐系统中，随着各种上下文信息的 不断加入，对数据集的规模和算法处理也提出了 新的要求，同时在人工智能领域，机器学习受到 越来越多的关注。因此在上下文旅游推荐中加入 合适的机器学习算法以提高处理大数据的能力及 推荐效果，将成为未来旅游推荐的一个研究热点。 2) 需要考虑用户的情绪信息。目前研究工作 中用到的上下文信息通常指的是客观因素，而主 观的感性因素在消费决策中起着越来越重要的作 用，用户的情绪在一定条件下反映出用户的内心 活动状态。在上下文信息如社会化网络中，用户 情感信息可能会起到关键的作用，因此对用户进行 情绪分析将成为旅游推荐研究的一个难点问题[35]。 ·616· 智 能 系 统 学 报 第 14 卷
第4期 匡海丽，等：上下文感知旅游推荐系统研究综述 ·617· 3)群组发现中需要考虑用户之间的社会化关 lection for FM-based context-aware recommendation sys- 系。随着社交媒体网站的兴起，用户之间的社会 tems[C]//Proceedings of 2017 IEEE International Symposi- 化关系将在基于上下文旅游推荐系统中起到越来 um on Multimedia(ISM).Taichung,China,2017 [4]李慧，马小平，胡云，等.融合上下文信息的社会网络推 越重要的作用。文献[24]虽然考虑了用户的社会 荐系统).智能系统学报，2015,10(2)：293-300 关系、地理位置等信息，但仍具有一定的局限性。 LI Hui,MA Xiaoping,HU Yun,et al.Social network re- 因此结合用户社会网络关系的上下文感知旅游推 commendaton system mixing contex information[J].CAAl 荐将成为未来旅游推荐中一个值得关注的问题。 transactions on intelligent systems,2015,10(2):293-300. 4)旅行出游是一个受多种因素影响的场景。 [5]MIAO Dongchen,LANG Fei.A recommendation system based on text mining[Cl//Proceedings of 2017 Internation- 不管是筹划旅行还是旅行过程中，用户都会受到 al Conference on Cyber-enabled Distributed Computing 许多因素的影响，如何协调各类因素的影响权重 and Knowledge Discovery.Nanjing,China,2017. 以及合理地选取哪些信息融入到推荐系统将是未 [6]FU Mingsheng,QU Hong,YI Zhang,et al.A novel deep 来旅游推荐中一个研究难点。 learning-based collaborative filtering model for recom- 另外，近年来国家出台了多项法律法规全力 mendation system[J].IEEE transactions on cybernetics, 2019,49(3):1084-1096 推动旅游产业的发展，旅游业整体行业欣欣向 [7]WANG Donghui,LIANG Yanchun,XU D,et al.A con 荣。同时随着网络资源的不断丰富，智慧旅游推 tent-based recommender system for computer science pub- 荐和服务能有效地提高推荐结果的质量并提高用 lications[J].Knowledge-based systems,2018,157:1-9. 户满意度。因此在未来旅游推荐中，如何构建推 [8]ZHANG Yongfeng,AI Qingyao,CHEN Xu,et al.Learn- 荐性能高且实用性强的旅游推荐系统将是一个研 ing over knowledge-base embeddings for recommendation 究重点。 [JJ.arXiv:1803.06540.2018. [9]ZHAO X W,GUO Yanwei,HE Yulan,et al.We know what 5结束语 you want to buy:a demographic-based system for product recommendation on microblogs[C]//Proceedings of the 为了解决信息过载问题，对于以推荐系统为 20th ACM SIGKDD International Conference on Know- ledge Discovery and Data Mining.New York.USA.2014. 代表的个性化技术的研究将越来越受研究者所重 [10]常亮，曹玉婷，孙文平，等.旅游推荐系统研究综述) 视。高效的推荐系统不仅有助于用户节省时间成 计算机科学，2017,44(10)：1-6. 本，也能在一定程度上帮助企业发现潜在的用 CHANG Liang,CAO Yuting,SUN Wenping,et al.Re- 户。随着经济的不断发展，旅游逐渐成为人们休 view on tourism recommendation system[J].Computer science,.2017,4410):1-6. 闲度假必不可少的生活方式。传统的旅游推荐技 [11]孟祥武，刘树栋，张玉洁，等.社会化推荐系统研究[U 术已不能应对当前旅游领域面临的各种复杂的问 软件学报，2015,26(6)：1356-1372 题，随着网络的发展及卫星定位技术的普及，上 MENG Xiangwu,LIU Shudong,ZHANG Yujie,et al. 下文信息在旅游推荐中的作用变得越来越明显。 Research on social recommender systems[J].Journal of 因此，本文对上下文感知旅游推荐系统的研究现 software,2015,26(6:1356-1372. [12]张玉洁，杜雨露，孟祥武.组推荐系统及其应用研究 状进行了较深入的探索与考察。不同的上下文信 计算机学报，2016,39(4)：745-764. 息的加入体现了不同的侧重点，如何获取并整合 ZHANG Yujie,DU Yulu,MENG Xiangwu.Research on 上下文信息来实现有效的利用对旅游推荐结果的 group recommender systems and their applications[J] 好坏起到直接的影响。因此，对于本文提到的研 Chinese journal of computers,2016,39(4):745-764. [13]VINH T D Q,PHAM T A N,CONG Gao,et al.Attention- 究重点与难点的解决，将有利于更好地提高推荐 based group recommendation[J].arXiv:1804.04327,2018. 系统的推荐性能，能使旅游推荐取得较好的效果。 [14]NOGUERA J M,BARRANCO M J,SEGURA R J,et al. A mobile 3D-GIS hybrid recommender system for tour- 参考文献： ism[J].Information sciences,2012,215:37-52 [15]彭菲菲，钱旭.基于用户关注度的个性化新闻推荐系统 [1]DE PESSEMIER T.DHONDT J.MARTENS L.Hybrid [).计算机应用研究，2012,29(3)：1005-1007 group recommendations for a travel service[J].Multime- PENG Feifei,QIAN Xu.Personalized recommendation dia tools and applications,2017,76(2):2787-2811. system for news based on user concern[J.Application re- [2]ZIMBA B.CHIBUTA S,CHISANGA D,et al.Point of in- search of computers,2012,29(3):1005-1007. terest recommendation methods in location based social [16]LI Xinyu,MI Zhongchun,ZHANG Zhenmei,et al.A loc- networks:traveling to a new geographical region[J].ar Xiv: ation-aware recommender system for tourism mobile 1711.09471,2017. commerce[C]//Proceedings of the 2nd International Con- [3]MAO Xueyu,MITRA S,SWAMINATHAN V.Feature se- ference on Information Science and Engineering.Hang-
3) 群组发现中需要考虑用户之间的社会化关 系。随着社交媒体网站的兴起，用户之间的社会 化关系将在基于上下文旅游推荐系统中起到越来 越重要的作用。文献 [24] 虽然考虑了用户的社会 关系、地理位置等信息，但仍具有一定的局限性。 因此结合用户社会网络关系的上下文感知旅游推 荐将成为未来旅游推荐中一个值得关注的问题。 4) 旅行出游是一个受多种因素影响的场景。 不管是筹划旅行还是旅行过程中，用户都会受到 许多因素的影响，如何协调各类因素的影响权重 以及合理地选取哪些信息融入到推荐系统将是未 来旅游推荐中一个研究难点。 另外，近年来国家出台了多项法律法规全力 推动旅游产业的发展，旅游业整体行业欣欣向 荣。同时随着网络资源的不断丰富，智慧旅游推 荐和服务能有效地提高推荐结果的质量并提高用 户满意度。因此在未来旅游推荐中，如何构建推 荐性能高且实用性强的旅游推荐系统将是一个研 究重点。 5 结束语 为了解决信息过载问题，对于以推荐系统为 代表的个性化技术的研究将越来越受研究者所重 视。高效的推荐系统不仅有助于用户节省时间成 本，也能在一定程度上帮助企业发现潜在的用 户。随着经济的不断发展，旅游逐渐成为人们休 闲度假必不可少的生活方式。传统的旅游推荐技 术已不能应对当前旅游领域面临的各种复杂的问 题，随着网络的发展及卫星定位技术的普及，上 下文信息在旅游推荐中的作用变得越来越明显。 因此，本文对上下文感知旅游推荐系统的研究现 状进行了较深入的探索与考察。不同的上下文信 息的加入体现了不同的侧重点，如何获取并整合 上下文信息来实现有效的利用对旅游推荐结果的 好坏起到直接的影响。因此，对于本文提到的研 究重点与难点的解决，将有利于更好地提高推荐 系统的推荐性能，能使旅游推荐取得较好的效果。 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] 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. [2] [3] MAO Xueyu, MITRA S, SWAMINATHAN V. Feature selection for FM-based context-aware recommendation systems[C]//Proceedings of 2017 IEEE International Symposium on Multimedia (ISM). Taichung, China, 2017. 李慧, 马小平, 胡云, 等. 融合上下文信息的社会网络推 荐系统 [J]. 智能系统学报, 2015, 10(2): 293–300. LI Hui, MA Xiaoping, HU Yun, et al. Social network recommendaton system mixing contex information[J]. CAAI transactions on intelligent systems, 2015, 10(2): 293–300. [4] MIAO Dongchen, LANG Fei. A recommendation system based on text mining[C]//Proceedings of 2017 International Conference on Cyber-enabled Distributed Computing and Knowledge Discovery. Nanjing, China, 2017. [5] 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. [6] WANG Donghui, LIANG Yanchun, XU D, et al. A content-based recommender system for computer science publications[J]. Knowledge-based systems, 2018, 157: 1–9. [7] ZHANG Yongfeng, AI Qingyao, CHEN Xu, et al. Learning over knowledge-base embeddings for recommendation [J]. arXiv: 1803.06540, 2018. [8] ZHAO X W, GUO Yanwei, HE Yulan, et al. We know what you want to buy: a demographic-based system for product recommendation on microblogs[C]//Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, USA, 2014. [9] 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. CHANG Liang, CAO Yuting, SUN Wenping, et al. Review on tourism recommendation system[J]. Computer science, 2017, 44(10): 1–6. [10] 孟祥武, 刘树栋, 张玉洁, 等. 社会化推荐系统研究 [J]. 软件学报, 2015, 26(6): 1356–1372. MENG Xiangwu, LIU Shudong, ZHANG Yujie, et al. Research on social recommender systems[J]. Journal of software, 2015, 26(6): 1356–1372. [11] 张玉洁, 杜雨露, 孟祥武. 组推荐系统及其应用研究 [J]. 计算机学报, 2016, 39(4): 745–764. ZHANG Yujie, DU Yulu, MENG Xiangwu. Research on group recommender systems and their applications[J]. Chinese journal of computers, 2016, 39(4): 745–764. [12] VINH T D Q, PHAM T A N, CONG Gao, et al. Attentionbased group recommendation[J]. arXiv: 1804.04327, 2018. [13] NOGUERA J M, BARRANCO M J, SEGURA R J, et al. A mobile 3D-GIS hybrid recommender system for tourism[J]. Information sciences, 2012, 215: 37–52. [14] 彭菲菲, 钱旭. 基于用户关注度的个性化新闻推荐系统 [J]. 计算机应用研究, 2012, 29(3): 1005–1007. PENG Feifei, QIAN Xu. Personalized recommendation system for news based on user concern[J]. Application research of computers, 2012, 29(3): 1005–1007. [15] LI Xinyu, MI Zhongchun, ZHANG Zhenmei, et al. A location-aware recommender system for tourism mobile commerce[C]//Proceedings of the 2nd International Conference on Information Science and Engineering. Hang- [16] 第 4 期 匡海丽，等：上下文感知旅游推荐系统研究综述 ·617·
·618· 智能系统学报 第14卷 zhou,China,2010:1709-1711 推荐方法[U.计算机工程，2018,444)：218-224 [17]LIU Hailing,LI Junhuai,PENG Jun.A novel recom- ZHAO Haiyan,LUO Jin,CHEN Qingkui.Time and loca- mendation system for the personalized smart tourism tion-aware activity personalized recommendation route:design and implementation[C]//Proceedings of the method[J].Computer engineering,2018,44(4):218-224 14th International Conference on Cognitive Informatics& [30]GAO Huiji,TANG Jiliang,HU Xia,et al.Content-aware Cognitive Computing.Beijing,China,2015:291-296. point of interest recommendation on location-based so- [18]王青.考虑季节情境因素的旅游景点主题模型及应用 cial networks[C //Proceedings of the Twenty-Ninth AAAl 研究D].南京：东南大学，2017. conference on artificial intelligence.Austin,USA,2015: WANG Qing.Research on topic model of tourist attrac- 1721-1727. tion considering seasonal context and its applications[D]. [31]DEBNATH M,TRIPATHI P K,ELMASRI R.Prefer- Nanjing:Southeast University,2017. ence-aware successive POI recommendation with spatial [19)]李雅美，王昌栋.基于标签的个性化旅游推荐[).中国 and temporal influence[C]//Proceedings of the 8th Inter- 科学技术大学学报，2017,47(7)：547-555 national Conference on Social Informatics.Bellevue,USA,2016. LI Yamei,WANG Changdong.Tag-based personalized [32]CHEN Xi,ZHOU Liqing.Design and implementation of travel recommendation[J].Journal of University of Sci- an intelligent system for tourist routes recommendation ence and Technology of China,2017,47(7):547-555 based on Hadoop[C]//Proceedings of the 6th IEEE Inter- [20]卢露.基于时间感知的地点推荐算法.计算机工程与 national Conference on Software Engineering and Ser- 科学，2016,38(3590-594 vice Science.Beijing,China,2015:774-778. LULu.A time-aware based location recommendation al- [33]YU Zhiwen,XU Huang,YANG Zhe,et al.Personalized gorithm[J].Computer engineering science,2016,38(3): 590-594」 travel package with multi-point-of-interest recommenda- [21]ZHANG Jiadong,CHOW C Y.TICRec:a probabilistic tion based on crowdsourced user footprints[J].IEEE transactions on human-machine systems,2016,46(1): framework to utilize temporal influence correlations for time-aware location recommendations[J].IEEE transac- 151-158. tions on services computing,2016,9(4):633-646. [34]DIPALI J,PRAGATI S,PRATIK U,et al.Travel pack- [22]RAVI L.VAIRAVASUNDARAM S.A collaborative age recommendation system based on package locations location based travel recommendation system through en- and rating[J].International journal of computer applica- hanced rating prediction for the group of users[J].Compu- tions,2017,179(8):1-3. tational intelligence and neuroscience,2016:1291358. [35]AYATA D,YASLAN Y,KAMASAK M E.Emotion [23]CENAMOR I,DE LA ROSA T,NUNEZ S,et al.Plan- based music recommendation system using wearable ning for tourism routes using social networks[J].Expert physiological sensors[J].IEEE transactions on consumer systems with applications,2017,69:1-9. electronics,2018,64(2):196-203. [24]CHRISTENSEN I.SCHIAFFINO S.ARMENTANO M. 作者简介： Social group recommendation in the tourism domain[J]. Journal of intelligent information systems,2016,47(2): 匡海丽，女，1995年生，硕士研究 209-231. 生，主要研究方向为个性化推荐、人工 [25]潘一腾，何发智，于海平.一种基于信任关系隐含相似 智能。主持桂林电子科技大学研究生 度的社会化推荐算法[J】.计算机学报，2018,41(1)： 教育创新计划项目1项。 65-81 PAN Yiteng,HE Fazhi,YU Haiping.Social recommend- ation algorithm using implicit similarity in trust[J]. Chinese journal of computers,2018,41(1):65-81. [26]YAO Lina,SHENG Q Z,WANG Xianzhi,et al.Collab- 常亮，男，1980年生，教授，博士 orative location recommendation by integrating multi-di- 中国计算机学会高级会员，主要研究 mensional contextual information[J].ACM transactions 方向为数据与知识工程、形式化方法 on internet technology,2017,18(3):32. 智能系统。主持国家自然科学基金项 [2]任星怡，宋美娜，宋俊德.基于用户签到行为的兴趣点 目1项，广西自然科学基金项目 推荐.计算机学报，2017,40(1)少28-51. 1项。发表学术论文70余篇，被SCI、 REN Xingyi,SONG Meina,SONG Junde.Point-of-in- EI收录60余篇。 terest recommendation based on the user check-in behavi- or[J].Chinese journal of computers,2017,40(1):28-51. 宾辰忠，男，1979年生，博士研究 [28]MEEHAN K,LUNNEY T,CURRAN K,et al.Aggregat- 生，讲师，主要研究方向为数据挖掘 ing social media data with temporal and environmental 智能推荐。主持广西高校中青年教师 context for recommendation in a mobile tour guide sys- 基础能力提升项目1项。 tem[J].Journal of hospitality and tourism technology, 2016,7(3)281-299. [29]赵海燕，骆金，陈庆奎.时间与位置感知的活动个性化
zhou, China, 2010: 1709-1711. LIU Hailing, LI Junhuai, PENG Jun. A novel recommendation system for the personalized smart tourism route: design and implementation[C]//Proceedings of the 14th International Conference on Cognitive Informatics & Cognitive Computing. Beijing, China, 2015: 291-296. [17] 王青. 考虑季节情境因素的旅游景点主题模型及应用 研究 [D]. 南京: 东南大学, 2017. WANG Qing. Research on topic model of tourist attraction considering seasonal context and its applications[D]. Nanjing: Southeast University, 2017. [18] 李雅美, 王昌栋. 基于标签的个性化旅游推荐 [J]. 中国 科学技术大学学报, 2017, 47(7): 547–555. LI Yamei, WANG Changdong. Tag-based personalized travel recommendation[J]. Journal of University of Science and Technology of China, 2017, 47(7): 547–555. [19] 卢露. 基于时间感知的地点推荐算法 [J]. 计算机工程与 科学, 2016, 38(3): 590–594. LU Lu. A time-aware based location recommendation algorithm[J]. Computer engineering & science, 2016, 38(3): 590–594. [20] ZHANG Jiadong, CHOW C Y. TICRec: a probabilistic framework to utilize temporal influence correlations for time-aware location recommendations[J]. IEEE transactions on services computing, 2016, 9(4): 633–646. [21] RAVI L, VAIRAVASUNDARAM S. A collaborative location based travel recommendation system through enhanced rating prediction for the group of users[J]. Computational intelligence and neuroscience, 2016: 1291358. [22] CENAMOR I, DE LA ROSA T, NÚÑEZ S, et al. Planning for tourism routes using social networks[J]. Expert systems with applications, 2017, 69: 1–9. [23] CHRISTENSEN I, SCHIAFFINO S, ARMENTANO M. Social group recommendation in the tourism domain[J]. Journal of intelligent information systems, 2016, 47(2): 209–231. [24] 潘一腾, 何发智, 于海平. 一种基于信任关系隐含相似 度的社会化推荐算法 [J]. 计算机学报, 2018, 41(1): 65–81. PAN Yiteng, HE Fazhi, YU Haiping. Social recommendation algorithm using implicit similarity in trust[J]. Chinese journal of computers, 2018, 41(1): 65–81. [25] YAO Lina, SHENG Q Z, WANG Xianzhi, et al. Collaborative location recommendation by integrating multi-dimensional contextual information[J]. ACM transactions on internet technology, 2017, 18(3): 32. [26] 任星怡, 宋美娜, 宋俊德. 基于用户签到行为的兴趣点 推荐 [J]. 计算机学报, 2017, 40(1): 28–51. REN Xingyi, SONG Meina, SONG Junde. Point-of-interest recommendation based on the user check-in behavior[J]. Chinese journal of computers, 2017, 40(1): 28–51. [27] MEEHAN K, LUNNEY T, CURRAN K, et al. Aggregating social media data with temporal and environmental context for recommendation in a mobile tour guide system[J]. Journal of hospitality and tourism technology, 2016, 7(3): 281–299. [28] [29] 赵海燕, 骆金, 陈庆奎. 时间与位置感知的活动个性化 推荐方法 [J]. 计算机工程, 2018, 44(4): 218–224. ZHAO Haiyan, LUO Jin, CHEN Qingkui. Time and location-aware activity personalized recommendation method[J]. Computer engineering, 2018, 44(4): 218–224. GAO Huiji, TANG Jiliang, HU Xia, et al. Content-aware point of interest recommendation on location-based social networks[C]//Proceedings of the Twenty-Ninth AAAI conference on artificial intelligence. Austin, USA, 2015: 1721-1727. [30] DEBNATH M, TRIPATHI P K, ELMASRI R. Preference-aware successive POI recommendation with spatial and temporal influence[C]//Proceedings of the 8th International Conference on Social Informatics. Bellevue, USA, 2016. [31] CHEN Xi, ZHOU Liqing. Design and implementation of an intelligent system for tourist routes recommendation based on Hadoop[C]//Proceedings of the 6th IEEE International Conference on Software Engineering and Service Science. Beijing, China, 2015: 774-778. [32] YU Zhiwen, XU Huang, YANG Zhe, et al. Personalized travel package with multi-point-of-interest recommendation based on crowdsourced user footprints[J]. IEEE transactions on human-machine systems, 2016, 46(1): 151–158. [33] DIPALI J, PRAGATI S, PRATIK U, et al. Travel package recommendation system based on package locations and rating[J]. International journal of computer applications, 2017, 179(8): 1–3. [34] AYATA D, YASLAN Y, KAMASAK M E. Emotion based music recommendation system using wearable physiological sensors[J]. IEEE transactions on consumer electronics, 2018, 64(2): 196–203. [35] 作者简介： 匡海丽，女，1995 年生，硕士研究 生，主要研究方向为个性化推荐、人工 智能。主持桂林电子科技大学研究生 教育创新计划项目 1 项。 常亮，男，1980 年生，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。主持国家自然科学基金项 目 1 项，广西自然科学基金项 目 1 项。发表学术论文 70 余篇，被 SCI、 EI 收录 60 余篇。 宾辰忠，男，1979 年生，博士研究 生，讲师，主要研究方向为数据挖掘、 智能推荐。主持广西高校中青年教师 基础能力提升项目 1 项。 ·618· 智 能 系 统 学 报 第 14 卷