第1期 常亮，等：旅游路线规划研究综述 。87· 年来基于位置服务中一个比较流行的研究领域。 规划时，往往存在很大的不确定性，需要加入多 通过分析用户连续的签到数据，分析用户位置随 方面的限制进行预测和判断，很难保证所挖掘到 时间的变化和签到位置在地理空间中的分布特 的用户轨迹的准确性。因此，综合利用多种类型 征，挖掘签到位置在时间周期内的分布规律，从 的用户生成内容，更加准确地挖掘用户历史轨迹 而可以得到用户的历史轨迹和访问时间等信息。 对用户进行旅行路线推荐的方法成为当下研究的 此外，通过对某个特定地点的签到数据进行分 热点。 析，还能够进一步挖掘出热门景点信息。 Guo等利用一种多源社交媒体融合的方法 这类工作通常基于用户的出发点和目的地， 从多方面整合零碎的旅游信息对用户进行路线推 并结合一些用户限制为用户进行推荐行程；在具 荐。利用信息嫡的方法计算一个词在一条评论中 体推荐算法上主要使用了基于人口统计学的推荐 所占的比重，从而进一步得到一条评论在所有评 和基于模型的推荐。宋晓宇等基于用户签到数 论所占的比重，去掉景点的无效评论信息，将游 据提出了一种短时间体验式路线搜索算法，利用 记中景点出现的顺序作为用户对于景点的访问序 签到数据中连续两个景点签到的时间间隔来代表 列，之后利用序列模式挖掘算法从用户游记中挖 两个景点间的总时间代价，能够在短时间内让用 掘流行路线，最后基于用户评论和景点图片之间 户体验到多种类别特点的景点，得到一个满足用 的相似性以及从游记中挖掘的流行路线，得到多 户要求且具有最大收益的路线作为推荐结果；然 源信息间的相关性，实现对用户路线推荐。但是 而，该方法会随着景点个数增加而增大空间的消 这种方法在进行路线推荐时，并没有考虑到一条 耗程度，且没有考虑景点在不同时间段的流行程 路线的时间和花费约束，也没有考虑到用户的个 度问题。文献[40]利用签到数据针对旅游中常见 性化偏好和需求，因此推荐结果的准确性和个性 的结伴出行现象，提出一种群体旅游路线推荐问 化程度不高。 题，通过分析聚合用户偏好时通常采用的平均数 Chen等利用基于地理位置的社交网络中 策略与无痛苦策略在推荐结果方面存在的不足， 的地理标签图像和用户签到信息，提出了一个名 针对搜索路线所具有的动态性特点，提出了一种 为Scenic Planner的新型框架用于旅行路线推 动态聚合用户偏好的策略；基于该策略建立路线 荐。该框架包括风景路网建模和景区路线规划： 评价模型，对路线进行满意度评分，返回分值最高 首先，通过从地理标签图像和签到数据中提取相 的路线，并验证了算法在不同参数设置下的有效性。 关信息，丰富道路网络，为每条路段分配适当的 Cho等基于用户签到行为的时间特征，利 景观评分，为景区道路网建模；之后，应用启发式 用人类运动的周期性原理，设计出了一个能够基 算法在满足用户指定约束（包括起点、目的地和 于当前时间进行位置推荐的路线推荐系统，认为 总新行驶距离)的情况下迭代地添加路段使得总 短期出行在空间和时间上的周期性不受社会网络 景点评分最大化：最后，通过现实世界中的3个数 结构的影响，而长途旅行则更多地受到来自社会 据集验证了框架的效率和效能。虽然该框架在一 网络关系的影响。鉴于此，笔者借助时间概率分 定程度上加速了道路网络中节点距离的计算，但 布函数和社会关系提出了一个人类流动模型，相 并未考虑时间因素，如在一天中的不同时间或者 比现有的人类流动模型具有更好的预测性能，从 在不同季节的建模问题，不能完全整合用户的旅 而可以预测用户未来运动的位置和相关动态，提 游偏好。 高了对用户进行路线规划结果的准确性。但该模 Chen等as抽取多源信息的特征后利用机器 型并没有考虑突发状况对于出行活动的影响，在 学习的方法进行训练，从而获得用户历史行为习 路线预测的可靠性上也还有待提高。 惯，对用户进行路线推荐。首先抽取出景点的分 Rahimi等通过研究用户签到数据中空间和 类、流行度、平均访问时间和总访问时间作为景 时间的周期性进一步扩展了现有工作，提出了 点特征，使用K-means方法对景点进行聚类，通过 2种新的推荐算法，即基于用户空间旅行行为的 景点信息获得兴趣点的排名信息，来解决路线规 概率分类推荐方法和基于用户历史行为的概率分 划中的起点和终点问题；在旅游游记中利用马尔 类推荐方法，然后使用时间概率分布对用户推荐 科夫链模型挖掘兴趣点之间的转移特性，最终结 感兴趣类别的位置。实验结果表明，该方法在召 合景点排名和景点间的转移特性推荐出一条路 回率和准确率上可以实现超过15%的提升。 线。该方法与其他路线推荐方法相比在时间和准 3.2.4利用多类型用户生成内容进行求解 确性上有很大提高，但是这种方法并没有考虑到 利用单一类型的用户生成内容进行旅游路线 用户的个性化需求和旅行路线规划的动态性。例年来基于位置服务中一个比较流行的研究领域。 通过分析用户连续的签到数据，分析用户位置随 时间的变化和签到位置在地理空间中的分布特 征，挖掘签到位置在时间周期内的分布规律，从 而可以得到用户的历史轨迹和访问时间等信息。 此外，通过对某个特定地点的签到数据进行分 析，还能够进一步挖掘出热门景点信息。 这类工作通常基于用户的出发点和目的地， 并结合一些用户限制为用户进行推荐行程；在具 体推荐算法上主要使用了基于人口统计学的推荐 和基于模型的推荐。宋晓宇等[39]基于用户签到数 据提出了一种短时间体验式路线搜索算法，利用 签到数据中连续两个景点签到的时间间隔来代表 两个景点间的总时间代价，能够在短时间内让用 户体验到多种类别特点的景点，得到一个满足用 户要求且具有最大收益的路线作为推荐结果；然 而，该方法会随着景点个数增加而增大空间的消 耗程度，且没有考虑景点在不同时间段的流行程 度问题。文献[40]利用签到数据针对旅游中常见 的结伴出行现象，提出一种群体旅游路线推荐问 题，通过分析聚合用户偏好时通常采用的平均数 策略与无痛苦策略在推荐结果方面存在的不足， 针对搜索路线所具有的动态性特点，提出了一种 动态聚合用户偏好的策略；基于该策略建立路线 评价模型，对路线进行满意度评分，返回分值最高 的路线，并验证了算法在不同参数设置下的有效性。 Cho 等 [41]基于用户签到行为的时间特征，利 用人类运动的周期性原理，设计出了一个能够基 于当前时间进行位置推荐的路线推荐系统，认为 短期出行在空间和时间上的周期性不受社会网络 结构的影响，而长途旅行则更多地受到来自社会 网络关系的影响。鉴于此，笔者借助时间概率分 布函数和社会关系提出了一个人类流动模型，相 比现有的人类流动模型具有更好的预测性能，从 而可以预测用户未来运动的位置和相关动态，提 高了对用户进行路线规划结果的准确性。但该模 型并没有考虑突发状况对于出行活动的影响，在 路线预测的可靠性上也还有待提高。 Rahimi 等 [42]通过研究用户签到数据中空间和 时间的周期性进一步扩展了现有工作，提出了 2 种新的推荐算法，即基于用户空间旅行行为的 概率分类推荐方法和基于用户历史行为的概率分 类推荐方法，然后使用时间概率分布对用户推荐 感兴趣类别的位置。实验结果表明，该方法在召 回率和准确率上可以实现超过 15% 的提升。 3.2.4 利用多类型用户生成内容进行求解 利用单一类型的用户生成内容进行旅游路线 规划时，往往存在很大的不确定性，需要加入多 方面的限制进行预测和判断，很难保证所挖掘到 的用户轨迹的准确性。因此，综合利用多种类型 的用户生成内容，更加准确地挖掘用户历史轨迹 对用户进行旅行路线推荐的方法成为当下研究的 热点。 Guo 等 [43]利用一种多源社交媒体融合的方法 从多方面整合零碎的旅游信息对用户进行路线推 荐。利用信息熵的方法计算一个词在一条评论中 所占的比重，从而进一步得到一条评论在所有评 论所占的比重，去掉景点的无效评论信息，将游 记中景点出现的顺序作为用户对于景点的访问序 列，之后利用序列模式挖掘算法从用户游记中挖 掘流行路线，最后基于用户评论和景点图片之间 的相似性以及从游记中挖掘的流行路线，得到多 源信息间的相关性，实现对用户路线推荐。但是 这种方法在进行路线推荐时，并没有考虑到一条 路线的时间和花费约束，也没有考虑到用户的个 性化偏好和需求，因此推荐结果的准确性和个性 化程度不高。 Chen 等 [44]利用基于地理位置的社交网络中 的地理标签图像和用户签到信息，提出了一个名 为 Scenic Planner 的新型框架用于旅行路线推 荐。该框架包括风景路网建模和景区路线规划： 首先，通过从地理标签图像和签到数据中提取相 关信息，丰富道路网络，为每条路段分配适当的 景观评分，为景区道路网建模；之后，应用启发式 算法在满足用户指定约束 (包括起点、目的地和 总新行驶距离) 的情况下迭代地添加路段使得总 景点评分最大化；最后，通过现实世界中的 3 个数 据集验证了框架的效率和效能。虽然该框架在一 定程度上加速了道路网络中节点距离的计算，但 并未考虑时间因素，如在一天中的不同时间或者 在不同季节的建模问题，不能完全整合用户的旅 游偏好。 Chen 等 [45]抽取多源信息的特征后利用机器 学习的方法进行训练，从而获得用户历史行为习 惯，对用户进行路线推荐。首先抽取出景点的分 类、流行度、平均访问时间和总访问时间作为景 点特征，使用 K-means 方法对景点进行聚类，通过 景点信息获得兴趣点的排名信息，来解决路线规 划中的起点和终点问题；在旅游游记中利用马尔 科夫链模型挖掘兴趣点之间的转移特性，最终结 合景点排名和景点间的转移特性推荐出一条路 线。该方法与其他路线推荐方法相比在时间和准 确性上有很大提高，但是这种方法并没有考虑到 用户的个性化需求和旅行路线规划的动态性。例 第 1 期 常亮，等：旅游路线规划研究综述 ·87·