·86· 智能系统学报 第14卷 估计用户的旅行行为频率，然后基于朴素贝叶斯 将该照片的拍摄者认定为本地居民，否则认为是 模型生成一个符合用户旅行习惯的路线。2)在路 游客拍摄的照片。最后利用DBSCAN算法从照 线生成的过程中考虑了用户冷启动问题，利用所 片数据中识别出地标建筑，并按照流行度进行排 有用户的隐含因子向量的平均值作为未挖掘出用 序。实验数据表明，该方法能够给用户推荐一个 户旅行习惯的用户的隐含因子向量；此外，该方 包括合适景点且路线长度适中的旅游路线，但这 法还融合了用户旅行习惯中的最大可能出行距 种方法存在一定的缺点，主要体现在计算兴趣点 离，能够更好地限制生成路线的长度来满足用户 流行度时并没有考虑游客的经验和知识。 的历史出行习惯。实验结果表明，这2种方法在 wei等提出了基于集体知识的路线推理框 召回率和准确率上均有更好的表现，但这两种方 架。首先给定一个位置序列和时间跨度，通过以 法在处理用户旅行习惯时，并没有考虑用户旅 相互加强的方式聚合用户照片数据，得到流行的 行习惯的序列性，也没有考虑用户旅行时的动 路线信息，之后路线算法根据用户指定的查询来 态性，在生成路线结果的合理性上存在一定的 构造top-k路线。算法可以在0.5s内找到前3个 偏差。 路线，与其相应的地理实况相比，距离误差小于 32.2利用带地理标签的照片进行求解 300m。 目前，社交网站中存在大量带地理标签的照 Tai等B使用关联规则挖掘和序列模式挖掘 片数据，从这些照片数据中分析历史用户位置在 从用户带地理标签的照片中提取用户对热门景点 地理空间中的分布特征和用户位置随时间的变化 的访问序列，从而进一步得到流行路线信息，之 特征可以挖掘出用户的行进路线，这些路线可以 后基于用户的历史访问信息，从这些路线中挑选 加入到用于路线推荐的知识库中，通过这些挖掘 出最适合该用户的路线推荐给用户：Lu等B使用 出的路线帮助新用户进行旅游路线规划.可以提 从Panoramio中收集的大量带地理标签的照片， 高路线规划的准确度和个性化程度。 提出一个旅行路线生成算法，该方法考虑到在每 利用带地理标签的用户照片进行旅游路线规 个位置花费的时间、总旅行时间和用户偏好。 上述工作并没有将用户行为习惯、兴趣偏好 划的工作是当前旅游路线规划问题研究领域中的 和路线的流行度进行结合，路线规划结果的个性 一大热点。其中一类工作的重点是从地理标签照 化程度不高。此外，在对用户进行路线规划时并 片中挖掘出隐含信息，进而得到用户的旅行习 没有过多地考虑上下文信息，如天气、访问时间、 惯、移动模式或兴趣偏好等信息为用户进行路线 季节等，而这些因素往往影响了旅行者的访问习 规划。而另一类将重点放在从照片中挖掘序列特 惯，进而使得推荐结果的准确性大大降低。文 性，之后利用挖掘到的序列特性结合概率模型， 献[35-36]基于以上不足出发，在利用用户照片数 得到从一个景点最有可能去往的下一个景点信 据的同时加入更多的上下文信息来提高路线推荐 息，最终生成路线规划结果，这类工作的推荐结 结果的准确性。例如，Arain等Bm利用带地理标签 果更倾向于路线的流行程度。 的照片提取旅游景点语义信息的同时挖掘用户喜 Sun等B将重点放在挖掘旅游路线中的道路 好信息，在进行推荐时考虑到用户的当前上下文 片段信息上，而不是挖掘用户相关信息，通过计 信息，包括时空上下文信息、社交上下文信息和 算得到道路片段的流行度进行两个景点间的道路 天气上下文信息。Huang基于游客对景点进行 推荐。首先利用空间聚类对照片进行分类，而在 访问时在上下文存在相似性的原理出发，提出一 噪音数据的处理上，提出一种熵过滤方法从照片 种基于启发式的上下文相似度的计算方法，能够 数据中去除掉与旅行无关的照片，具体实现如式 准确刻画用户间的上下文相似性，从而在对用户 (1)、式(2)： 进行路线推荐的过程中加入上下文信息，给用户 Mon(ar） 提供更加准确的推荐；这种方法不但能够用于照 E(w=- P(u)log P(u) (1) 片数据，同样可以在用户GPS轨迹、签到信息等 D.(u) 数据中使用，提供具有上下文感知的推荐结果。 P(W)= (2) 3.2.3利用用户签到数据进行求解 ΣD.m 随着基于位置的服务的兴起，Facebook等社 式中：D()是在目标区域用户u在第i个月的拍 交网络提供了用户“签到”的服务，用户通过该服 照天数；Mon(u)是用户u在目标区域拍照的月 务可以将自己当前的访问地点与时间信息展现在 数，作者使用一个阈值E(),当超过这个值时，就 自己的主页上。基于签到数据进行路线规划是近估计用户的旅行行为频率，然后基于朴素贝叶斯 模型生成一个符合用户旅行习惯的路线。2) 在路 线生成的过程中考虑了用户冷启动问题，利用所 有用户的隐含因子向量的平均值作为未挖掘出用 户旅行习惯的用户的隐含因子向量；此外，该方 法还融合了用户旅行习惯中的最大可能出行距 离，能够更好地限制生成路线的长度来满足用户 的历史出行习惯。实验结果表明，这 2 种方法在 召回率和准确率上均有更好的表现，但这两种方 法在处理用户旅行习惯时，并没有考虑用户旅 行习惯的序列性，也没有考虑用户旅行时的动 态性，在生成路线结果的合理性上存在一定的 偏差。 3.2.2 利用带地理标签的照片进行求解 目前，社交网站中存在大量带地理标签的照 片数据，从这些照片数据中分析历史用户位置在 地理空间中的分布特征和用户位置随时间的变化 特征可以挖掘出用户的行进路线，这些路线可以 加入到用于路线推荐的知识库中，通过这些挖掘 出的路线帮助新用户进行旅游路线规划，可以提 高路线规划的准确度和个性化程度。 利用带地理标签的用户照片进行旅游路线规 划的工作是当前旅游路线规划问题研究领域中的 一大热点。其中一类工作的重点是从地理标签照 片中挖掘出隐含信息，进而得到用户的旅行习 惯、移动模式或兴趣偏好等信息为用户进行路线 规划。而另一类将重点放在从照片中挖掘序列特 性，之后利用挖掘到的序列特性结合概率模型， 得到从一个景点最有可能去往的下一个景点信 息，最终生成路线规划结果，这类工作的推荐结 果更倾向于路线的流行程度。 Sun 等 [31]将重点放在挖掘旅游路线中的道路 片段信息上，而不是挖掘用户相关信息，通过计 算得到道路片段的流行度进行两个景点间的道路 推荐。首先利用空间聚类对照片进行分类，而在 噪音数据的处理上，提出一种熵过滤方法从照片 数据中去除掉与旅行无关的照片，具体实现如式 (1)、式 (2)： E(u) = − Mon( ∑u) i Pi(u)logPi(u) (1) Pi(u) = Di(u) Mon( ∑u) i Di(u) (2) 式中：Di (u) 是在目标区域用户 u 在第 i 个月的拍 照天数；Mon(u) 是用户 u 在目标区域拍照的月 数，作者使用一个阈值 E(u)，当超过这个值时，就 将该照片的拍摄者认定为本地居民，否则认为是 游客拍摄的照片。最后利用 DBSCAN 算法从照 片数据中识别出地标建筑，并按照流行度进行排 序。实验数据表明，该方法能够给用户推荐一个 包括合适景点且路线长度适中的旅游路线，但这 种方法存在一定的缺点，主要体现在计算兴趣点 流行度时并没有考虑游客的经验和知识。 Wei 等 [32]提出了基于集体知识的路线推理框 架。首先给定一个位置序列和时间跨度，通过以 相互加强的方式聚合用户照片数据，得到流行的 路线信息，之后路线算法根据用户指定的查询来 构造 top-k 路线。算法可以在 0.5 s 内找到前 3 个 路线，与其相应的地理实况相比，距离误差小于 300 m。 Tai 等 [33]使用关联规则挖掘和序列模式挖掘 从用户带地理标签的照片中提取用户对热门景点 的访问序列，从而进一步得到流行路线信息，之 后基于用户的历史访问信息，从这些路线中挑选 出最适合该用户的路线推荐给用户；Lu 等 [34]使用 从 Panoramio 中收集的大量带地理标签的照片， 提出一个旅行路线生成算法，该方法考虑到在每 个位置花费的时间、总旅行时间和用户偏好。 上述工作并没有将用户行为习惯、兴趣偏好 和路线的流行度进行结合，路线规划结果的个性 化程度不高。此外，在对用户进行路线规划时并 没有过多地考虑上下文信息，如天气、访问时间、 季节等，而这些因素往往影响了旅行者的访问习 惯，进而使得推荐结果的准确性大大降低。文 献[35-36]基于以上不足出发，在利用用户照片数 据的同时加入更多的上下文信息来提高路线推荐 结果的准确性。例如，Arain 等 [37]利用带地理标签 的照片提取旅游景点语义信息的同时挖掘用户喜 好信息，在进行推荐时考虑到用户的当前上下文 信息，包括时空上下文信息、社交上下文信息和 天气上下文信息。Huang[38]基于游客对景点进行 访问时在上下文存在相似性的原理出发，提出一 种基于启发式的上下文相似度的计算方法，能够 准确刻画用户间的上下文相似性，从而在对用户 进行路线推荐的过程中加入上下文信息，给用户 提供更加准确的推荐；这种方法不但能够用于照 片数据，同样可以在用户 GPS 轨迹、签到信息等 数据中使用，提供具有上下文感知的推荐结果。 3.2.3 利用用户签到数据进行求解 随着基于位置的服务的兴起，Facebook 等社 交网络提供了用户“签到”的服务，用户通过该服 务可以将自己当前的访问地点与时间信息展现在 自己的主页上。基于签到数据进行路线规划是近 ·86· 智 能 系 统 学 报 第 14 卷