·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、Face￾book 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。Tripad￾visor 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