·616 智能系统学报 第14卷 荐。以下将从这3个方面来介绍相关研究工作。 的目的地，在时空约束条件下，结合用户偏好生 3.1旅游景点推荐 成旅行包。该系统从移动客户端获取用户旅行需 旅游景点推荐方法主要采用传统的推荐方法 求并生成含有大量景点及游览路线的旅行包。该 并结合上下文的信息，根据用户的历史数据分析 系统不仅可为用户提供符合用户喜爱的景点，还 用户的兴趣点所在，为用户做游览景点的推荐。 能生成景点游览序列，在特定数据集上进行的实验 Gao等0研究了基于位置服务的社会网络， 表明，该方法有效地提高了推荐的准确性和多样性。 对兴趣点属性、用户兴趣与情绪信息进行建模， Dipali等B4设计了一个自助旅行服务系统。 结合这3种类型的信息与签到行为的关系为用户 在这个系统中，管理员负责维护系统，向导负责 做兴趣点推荐。Zimba等考虑到当用户搬迁至 计划旅行路线并提供旅行路线中景点的360°视角 异地从而导致用户在当前城市的历史游玩数据缺 下的照片与视频信息，而用户需要进行注册后才 乏的情况，基于用户以往评论与评分数据对隐含 能使用系统，通过选择目的地，系统为用户提供 其中的用户偏好建模，结合景点自身属性为用户 向导与其推荐的旅行路线信息，并允许用户预览 进行推荐，有效地克服了传统推荐算法中异地推 路线中相关景点的详细信息，以便用户在清楚每 荐面临的数据稀疏性限制。Debnath等Iu不同于 条路线的情况下选择合心意的向导与路线。实验 以往的兴趣点推荐研究工作，首次提出综合考虑 表明，该系统能获得较好的推荐效果并具有一定 个人偏好、位置偏好、时间效应与兴趣点流行度 的现实意义，商用性能较高。 这4个因素的兴趣点推荐，且经实验证明该方法 旅游套餐通常对景点的时空关系要求很强， 有效地提高了推荐性能。 通常来看，只有具有相近时空关系的景点才会被 3.2旅游路线推荐 放入同一个套餐中。此外，由于旅游套餐有一定 旅游路线的推荐能够很好地反映出用户的兴 的生存周期，其设计会受到游客兴趣等需求的左 趣。如何根据用户的偏好和用户在景区分布的密 右，这意味着旅游套餐的更新速度非常之快。由 度这两个因素合理规划游览线路，是上下文感知 此来看，不同于旅游景点与旅游路线的推荐，旅 旅游推荐系统需要考虑的问题。旅游路线/旅游 游套餐推荐需要更高的复杂度。 规划应该包含多种公共交通路规划，根据旅游需 上下文感知旅游推荐面临的重点 求（如步行穿过人行区域的路线可能比短途地铁 和难点 更可取)。不过设计解决这类问题的高效算法仍 然是一个开放的研究课题。 基于上下文的旅游推荐系统是一项融合了组 Chen等B等使用基于Hadoop的云计算技术 织学、认知科学、决策科学、个性化服务、计算机 设计和实现了一个智能旅游路线推荐系统。该系 科学等多门学科的交叉性学科。从以上内容可以 统整合了旅游景点、旅游线路、住宿和一些其他 看出，近年来国内外研究者已经在上下文感知旅 信息，提供一站式服务，在旅游路线推荐中得到 游推荐领域取得了许多进展。但总的来说，目前 了理想的效果。该系统在整体架构上主要分成数 推荐技术仍然面临以下重点和难点问题。 据收集、数据加工、数据存储和路线推荐4个模 1)需要考虑机器学习算法和旅游推荐相结 块，并利用了云计算平台来解决基于分布式计算 合。在旅游推荐系统中，随着各种上下文信息的 的大规模数据的安全存储和加工问题。实验表 不断加入，对数据集的规模和算法处理也提出了 明，该系统能以更好的方式利用用户的相关信息 新的要求，同时在人工智能领域，机器学习受到 并根据其反馈信息推荐旅游路线。 越来越多的关注。因此在上下文旅游推荐中加入 3.3 旅游套餐推荐 合适的机器学习算法以提高处理大数据的能力及 通常来看，做旅行计划时，用户有3个要解决 推荐效果，将成为未来旅游推荐的一个研究热点。 的问题：目的地、旅行时长与旅游路线。因此，旅 2)需要考虑用户的情绪信息。目前研究工作 游套餐的推荐面临着两大挑战：1)用户感兴趣的 中用到的上下文信息通常指的是客观因素，而主 景点有哪些；2)判断哪个计划是更好的旅行安 观的感性因素在消费决策中起着越来越重要的作 排。如何在这两方面提高性能成为了旅游套餐推 用，用户的情绪在一定条件下反映出用户的内心 荐的研究重点。 活动状态。在上下文信息如社会化网络中，用户 Yu等3)利用位置服务对用户偏好和景点流 情感信息可能会起到关键的作用，因此对用户进行 行度进行建模，通过协同过滤方法得到用户喜爱 情绪分析将成为旅游推荐研究的一个难点问题。荐。以下将从这 3 个方面来介绍相关研究工作。 3.1 旅游景点推荐 旅游景点推荐方法主要采用传统的推荐方法 并结合上下文的信息，根据用户的历史数据分析 用户的兴趣点所在，为用户做游览景点的推荐。 Gao 等 [30] 研究了基于位置服务的社会网络， 对兴趣点属性、用户兴趣与情绪信息进行建模， 结合这 3 种类型的信息与签到行为的关系为用户 做兴趣点推荐。Zimba 等 [2] 考虑到当用户搬迁至 异地从而导致用户在当前城市的历史游玩数据缺 乏的情况，基于用户以往评论与评分数据对隐含 其中的用户偏好建模，结合景点自身属性为用户 进行推荐，有效地克服了传统推荐算法中异地推 荐面临的数据稀疏性限制。Debnath 等 [31] 不同于 以往的兴趣点推荐研究工作，首次提出综合考虑 个人偏好、位置偏好、时间效应与兴趣点流行度 这 4 个因素的兴趣点推荐，且经实验证明该方法 有效地提高了推荐性能。 3.2 旅游路线推荐 旅游路线的推荐能够很好地反映出用户的兴 趣。如何根据用户的偏好和用户在景区分布的密 度这两个因素合理规划游览线路，是上下文感知 旅游推荐系统需要考虑的问题。旅游路线/旅游 规划应该包含多种公共交通路规划, 根据旅游需 求 (如步行穿过人行区域的路线可能比短途地铁 更可取)。不过设计解决这类问题的高效算法仍 然是一个开放的研究课题。 Chen 等 [32] 等使用基于 Hadoop 的云计算技术 设计和实现了一个智能旅游路线推荐系统。该系 统整合了旅游景点、旅游线路、住宿和一些其他 信息，提供一站式服务，在旅游路线推荐中得到 了理想的效果。该系统在整体架构上主要分成数 据收集、数据加工、数据存储和路线推荐 4 个模 块，并利用了云计算平台来解决基于分布式计算 的大规模数据的安全存储和加工问题。实验表 明，该系统能以更好的方式利用用户的相关信息 并根据其反馈信息推荐旅游路线。 3.3 旅游套餐推荐 通常来看，做旅行计划时，用户有 3 个要解决 的问题：目的地、旅行时长与旅游路线。因此，旅 游套餐的推荐面临着两大挑战:1) 用户感兴趣的 景点有哪些；2) 判断哪个计划是更好的旅行安 排。如何在这两方面提高性能成为了旅游套餐推 荐的研究重点。 Yu 等 [33] 利用位置服务对用户偏好和景点流 行度进行建模，通过协同过滤方法得到用户喜爱 的目的地，在时空约束条件下，结合用户偏好生 成旅行包。该系统从移动客户端获取用户旅行需 求并生成含有大量景点及游览路线的旅行包。该 系统不仅可为用户提供符合用户喜爱的景点，还 能生成景点游览序列，在特定数据集上进行的实验 表明，该方法有效地提高了推荐的准确性和多样性。 Dipali 等 [34] 设计了一个自助旅行服务系统。 在这个系统中，管理员负责维护系统，向导负责 计划旅行路线并提供旅行路线中景点的 360°视角 下的照片与视频信息，而用户需要进行注册后才 能使用系统，通过选择目的地，系统为用户提供 向导与其推荐的旅行路线信息，并允许用户预览 路线中相关景点的详细信息，以便用户在清楚每 条路线的情况下选择合心意的向导与路线。实验 表明，该系统能获得较好的推荐效果并具有一定 的现实意义，商用性能较高。 旅游套餐通常对景点的时空关系要求很强， 通常来看，只有具有相近时空关系的景点才会被 放入同一个套餐中。此外，由于旅游套餐有一定 的生存周期，其设计会受到游客兴趣等需求的左 右，这意味着旅游套餐的更新速度非常之快。由 此来看，不同于旅游景点与旅游路线的推荐，旅 游套餐推荐需要更高的复杂度。 4 上下文感知旅游推荐面临的重点 和难点 基于上下文的旅游推荐系统是一项融合了组 织学、认知科学、决策科学、个性化服务、计算机 科学等多门学科的交叉性学科。从以上内容可以 看出，近年来国内外研究者已经在上下文感知旅 游推荐领域取得了许多进展。但总的来说，目前 推荐技术仍然面临以下重点和难点问题。 1) 需要考虑机器学习算法和旅游推荐相结 合。在旅游推荐系统中，随着各种上下文信息的 不断加入，对数据集的规模和算法处理也提出了 新的要求，同时在人工智能领域，机器学习受到 越来越多的关注。因此在上下文旅游推荐中加入 合适的机器学习算法以提高处理大数据的能力及 推荐效果，将成为未来旅游推荐的一个研究热点。 2) 需要考虑用户的情绪信息。目前研究工作 中用到的上下文信息通常指的是客观因素，而主 观的感性因素在消费决策中起着越来越重要的作 用，用户的情绪在一定条件下反映出用户的内心 活动状态。在上下文信息如社会化网络中，用户 情感信息可能会起到关键的作用，因此对用户进行 情绪分析将成为旅游推荐研究的一个难点问题[35]。 ·616· 智 能 系 统 学 报 第 14 卷