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·