·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