·30· 智能系统学报 第15卷 mides等利用神经网络技术提出了一种基于用 terest recommendation methods in location based social 户需求的位置推荐方法。作者首先从Foursquare networks:traveling to a new geographical region[J].arXiv: 上收集必要的数据，然后将其发送到负责运行机 1711.09471,2017. 器学习算法的云平台上，通过学习用户朋友的历 [4]WANG Donghui,LIANG Yanchun,XU Dong,et al.A 史数据，并根据用户偏好来进行位置推荐。Zhao content-based recommender system for computer science 等1通过挖掘用户-用户对和用户一兴趣点对之 publications[J].Knowledge-based systems,2018,157:1-9. 间的相关性，提出了一种新的通用推荐系统GR [5]FU Mingsheng,QU Hong,YI Zhang,et al.A novel deep DELM。通过提取基于路径的特征和基于邻居的 learning-based collaborative filtering model for recom- 特征，作者认为用户的相似点越多，那么将来就 mendation system[J].IEEE transactions on cybernetics, 2019,49(3):1084-1096. 越有可能成为朋友。 Huang等基于因子图提出了一种半监督概 [6]BOBADILLA J,ORTEGA F,HERNANDO A,et al.Re- 率模型。作者首先假设大约10%的用户签到数 commender systems survey[J].Knowledge-based systems, 2013,46:109-132. 据也能被其朋友访问，并且两个朋友在同一个兴 [7]PAZZANI M J.A framework for collaborative,content- 趣点签到的概率要高于两个陌生人。然后，通过 based and demographic filtering[J].Artificial intelligence 整合地理影响和社会影响对用户签到行为的影响 review,1999,13(5/6):393-408. 来预测用户访问新的兴趣点的概率。Kefalas等 [8]LUCAS J P,LUZ N,MORENO M N,et al.A hybrid re- 重点考虑了位置和好友在推荐系统中的时间维度， commendation approach for a tourism system[J.Expert 并提出了一个混合三分图（即用户、会话和位置）， systems with applications,2013,40(9):3532-3550. 基于异构时空图重启随机遍历方法RST-HST从 [9]LONGHI E,Titz JB,et al."Open data:Challenges and op- 图中捕获用户-用户相似性或用户位置相关性的 portunities for the tourism industry,"Tourism management, 概念。 Marketing and development[J].2014,57-76. [10]SAH M,WADE V.Personalized concept-based search on 5结束语 the linked open data[J].Journal of web semantics,2016, 旅游业的迅猛发展和开放链接数据及移动数 36:32-57. 据在“信息过载”问题中扮演的重要角色，使得基 [11]PANTANO E.PRIPORAS C V.STYLOS N.'You will 于位置的开放链接数据的旅游推荐系统得到了广 like it!using open data to predict tourists'response to a 泛关注和应用。本文对基于位置的LOD的旅游 tourist attraction[J].Tourism management,2017,60 430-438. 推荐系统做了一个系统的综述，并在综合考察这 些工作的基础上，对该领域的现状进行了概述。 [12]REN Xingyi,SONG Meina,E Haihong,et al.Context- aware probabilistic matrix factorization modeling for 通过调研2014一2018年期间发表在著名国际期 point-of-interest recommendation[J].Neurocomputing. 刊的相关文献，总结了该领域目前取得的研究成 2017,241:38-55. 果；同时，根据不同的推荐应用对这些文献进行 [13]GAO Rong,LI Jing,DU Bo,et al.Exploiting geo-social 了分类。 correlations to improve pairwise ranking for point-of-in- 由于开放链接数据规模庞大及其开放性，LOD terest recommendation[J].China communications,2018. 在基于位置的旅游推荐系统仍然面临着诸多挑 15(7):180-201 战。典型的问题包括融合多源数据、实体对齐、 [14]LI Xin,XU Guandong,CHEN Enhong,et al.Learning re- 多维度推荐和用户隐私保护等，这些问题值得进 cency based comparative choice towards point-of-interest 一步研究。 recommendation[J].Expert systems with applications, 参考文献： 2015,42(9):4274-4283 [15]GAO Rong,LI Jing,LI Xuefei,et al.A personalized [1]DE PESSEMIER T,DHONDT J,MARTENS L.Hybrid point-of-interest recommendation model via fusion of group recommendations for a travel service[J].Multime- geo-social information[J].Neurocomputing,2018,273: dia tools and applications,2017,76(2):2787-2811. 159-170 [2]常亮，曹玉婷，孙文平，等.旅游推荐系统研究综述[叮.计 [16]XU Guandong,FU Bin,GU Yanhui.Point-of-interest re- 算机科学，2017,4410)：1-6. commendations via a supervised random walk [3]ZIMBA B.CHIBUTA S,CHISANGA D,et al.Point of in- algorithm[J].IEEE intelligent systems,2016,31(1):mides 等 [42] 利用神经网络技术提出了一种基于用 户需求的位置推荐方法。作者首先从 Foursquare 上收集必要的数据，然后将其发送到负责运行机 器学习算法的云平台上，通过学习用户朋友的历 史数据，并根据用户偏好来进行位置推荐。Zhao 等 [43] 通过挖掘用户−用户对和用户−兴趣点对之 间的相关性，提出了一种新的通用推荐系统 GR￾DELM。通过提取基于路径的特征和基于邻居的 特征，作者认为用户的相似点越多，那么将来就 越有可能成为朋友。 Huang 等 [44] 基于因子图提出了一种半监督概 率模型。作者首先假设大约 10% 的用户签到数 据也能被其朋友访问，并且两个朋友在同一个兴 趣点签到的概率要高于两个陌生人。然后，通过 整合地理影响和社会影响对用户签到行为的影响 来预测用户访问新的兴趣点的概率。Kefalas 等 [45] 重点考虑了位置和好友在推荐系统中的时间维度， 并提出了一个混合三分图 (即用户、会话和位置)， 基于异构时空图重启随机遍历方法 RST-HST 从 图中捕获用户−用户相似性或用户位置相关性的 概念。 5 结束语 旅游业的迅猛发展和开放链接数据及移动数 据在“信息过载”问题中扮演的重要角色，使得基 于位置的开放链接数据的旅游推荐系统得到了广 泛关注和应用。本文对基于位置的 LOD 的旅游 推荐系统做了一个系统的综述，并在综合考察这 些工作的基础上，对该领域的现状进行了概述。 通过调研 2014—2018 年期间发表在著名国际期 刊的相关文献，总结了该领域目前取得的研究成 果；同时，根据不同的推荐应用对这些文献进行 了分类。 由于开放链接数据规模庞大及其开放性，LOD 在基于位置的旅游推荐系统仍然面临着诸多挑 战。典型的问题包括融合多源数据、实体对齐、 多维度推荐和用户隐私保护等，这些问题值得进 一步研究。 参考文献： DE PESSEMIER T, DHONDT J, MARTENS L. Hybrid group recommendations for a travel service[J]. Multime￾dia tools and applications, 2017, 76(2): 2787–2811. [1] 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. [2] [3] ZIMBA B, CHIBUTA S, CHISANGA D, et al. Point of in￾terest recommendation methods in location based social networks: traveling to a new geographical region[J]. arXiv: 1711.09471, 2017. WANG Donghui, LIANG Yanchun, XU Dong, et al. A content-based recommender system for computer science publications[J]. Knowledge-based systems, 2018, 157: 1–9. [4] FU Mingsheng, QU Hong, YI Zhang, et al. A novel deep learning-based collaborative filtering model for recom￾mendation system[J]. IEEE transactions on cybernetics, 2019, 49(3): 1084–1096. [5] BOBADILLA J, ORTEGA F, HERNANDO A, et al. Re￾commender systems survey[J]. Knowledge-based systems, 2013, 46: 109–132. [6] PAZZANI M J. A framework for collaborative, content￾based and demographic filtering[J]. Artificial intelligence review, 1999, 13(5/6): 393–408. [7] LUCAS J P, LUZ N, MORENO M N, et al. A hybrid re￾commendation approach for a tourism system[J]. Expert systems with applications, 2013, 40(9): 3532–3550. [8] LONGHI E, Titz JB, et al.“Open data: Challenges and op￾portunities for the tourism industry,”Tourism management, Marketing and development[J]. 2014, 57−76. [9] SAH M, WADE V. Personalized concept-based search on the linked open data[J]. Journal of web semantics, 2016, 36: 32–57. [10] PANTANO E, PRIPORAS C V, STYLOS N. ‘You will like it!’ using open data to predict tourists' response to a tourist attraction[J]. Tourism management, 2017, 60: 430–438. [11] REN Xingyi, SONG Meina, E Haihong, et al. Context￾aware probabilistic matrix factorization modeling for point-of-interest recommendation[J]. Neurocomputing, 2017, 241: 38–55. [12] GAO Rong, LI Jing, DU Bo, et al. Exploiting geo-social correlations to improve pairwise ranking for point-of-in￾terest recommendation[J]. China communications, 2018, 15(7): 180–201. [13] LI Xin, XU Guandong, CHEN Enhong, et al. Learning re￾cency based comparative choice towards point-of-interest recommendation[J]. Expert systems with applications, 2015, 42(9): 4274–4283. [14] GAO Rong, LI Jing, LI Xuefei, et al. A personalized point-of-interest recommendation model via fusion of geo-social information[J]. Neurocomputing, 2018, 273: 159–170. [15] XU Guandong, FU Bin, GU Yanhui. Point-of-interest re￾commendations via a supervised random walk algorithm[J]. IEEE intelligent systems, 2016, 31(1): [16] ·30· 智 能 系 统 学 报 第 15 卷