1. 研究目的与意义
互联网技术的普及以及电子商务网站的兴起，在线旅游信息搜索成为了旅行者制定出行计划的主要途径。但随着在线旅游信息的大量增多 ，旅游者面临这些爆炸式的旅游信息已经无法做出决策，使用旅游推荐系统是解决游客面临的信息过载问题的有效方法。但是传统的推荐算法中针对每个用户，对其历史行为记录的权重学习出相同的一组权重，这样的算法并不符合实际情况，影响了推荐结果的准确性。事实上，用户的关注点是有针对性且个性化的。 如果在传统旅游推荐系统的基础上将注意力机制引入旅游推荐系统的算法中，可以使得推荐系统在历史反馈信息中为不同的待预测项目学习不同的特征权重配比，更加有效地表达用户的个性化偏好。更加精确的个性化的旅游推荐系统不仅可以节省用户的时间，优化用户体验，也增强了用户的忠诚度。
2. 研究内容和预期目标
本文提出了基于注意力机制的推荐算法。在传统的推荐算法的基础上融入注意力机制，让推荐结果更加符合用户的个性与偏好，并将算法应用于旅游推荐领域。在传统的推荐算法中一般会将用户历史反馈的信息赋予相同的权重，而这不符合用户的个性和针对性。通过引入注意力机制就可以为反馈的历史信息赋予相应的不同权重，使得推荐系统能够更精确地学习用户的喜好，推荐结果也就更加满足用户需求。
论文首先对当前旅游推荐系统和注意力机制的发展现状进行阐述，简要介绍了旅游推荐系统和注意力机制的应用。随后系统地解释本文所提出的基于注意力机制的算法。主要会从关键技术引入、推荐系统框架以及算法实例化来介绍。最后寻找数据集做实验验证该系统相较于传统旅游推荐系统有着更好的推荐效果。
3. 国内外研究现状
2017年1月22日，CNNIC发布第39次《中国互联网络发展状况统计报告》，截至2016年12月，在网上预订过机票、酒店、火车票或旅游度假产品的网民规模达到2.99亿，较2015年底增长3967万人，增长率为15.3%。可见，在线旅游发展迅速，但这对于旅游者并不一定是好的现象。因旅游者常被困在大量的信息和产品当中，无法做出选择。而旅游推荐系统则是解决信息过载现象的有效方法。它为用户推荐符合其需求和偏好的旅游产品，以帮助用户快速做出旅游决策。 国内最早出现关于旅游系统推荐的文献是在2006年，并正在成为当前的研究热点。从文献的学科属性来看，主要集中在计算机学科、地理学科、管理学科以及信息技术与旅游的交叉学科中。这主要是因为旅游推荐系统是推荐系统在旅游行业中的应用之一，而推荐系统最初也是来源于信息抽取技术及信息检索技术等与计算机紧密相关的领域，在实现这一系统时往往要用到这些与人工智能相关的理论与技术。国内学者对旅游推荐系统的研究主要集中在旅游推荐系统的研究与设计、旅游推荐系统的方法与技术、旅游推荐项目的研究等方面。陈传敬的个性化的旅游推荐系统，根据移动用户的偏好自发的为游客做出个性化的推送服务，帮助用户找到最适合自己的酒店、景点、餐厅、娱乐场所、购物场所等。严杰的旅游电商个性化推荐系统，在大数据的精确分析基础上，再将推荐结果以服务的展示形式推送到旅游电商的各个营销环节，极大的推动了产品购买的转化率。麻风梅，高文的基于Internet平台的安康旅游景点在线推荐系统，不仅帮助游客做出旅游决策；还可以提供给旅游企业和相关管理部门，使其更好的管理安康的旅游资源。姚海涛的旅游信息推荐系统，为游客提供各种旅游信息的查询，使游客拥有一个准备充分的出游计划。 有关注意力机制的思想最早在九十年代在视觉图像领域被提出，在Google Mind团队发表论文《Recurrent Models of Visual Attention》后逐渐流行，他们在RNN模型上使用了attention机制来进行图像分类。随后，Bahdanau等人在论文《Neural Machine Translation by Jointly Learning to Align and Translate》中，使用类似attention的机制在机器翻译任务上将翻译和对齐同时进行，他们的工作算是是第一个提出attention机制应用到NLP领域中。接着类似的基于attention机制的RNN模型扩展开始应用到各种NLP任务中。最近，如何在CNN中使用attention机制也成为了大家的研究热点。
4. 计划与进度安排
首先，在论文的开始将会有一个简短的摘要，摘要会大致介绍本文的研究背景、意义、主体思想以及最终验证得出的结论，并且罗列出文章的关键词。摘要之后进入目录和正文部分，第一章是绪论部分，这个部分用来详细地介绍研究的背景、当前国内外对于注意力机制和旅游推荐系统的研究现状以及本文的研究内容。第二章是算法描述部分，该部分将会解释基于注意力机制的推荐算法的可行性、基于注意力机制的旅游推荐系统的框架和实例化的过程。第三章介绍实验的设计与分析，为上述的算法设计实验，对数据集和实验工具进行介绍，通过实验分析验证算法的有效性。第四章进行最终的总结，对所完成的工作进行阐述。
5. 参考文献
【1】 Integrating Bi-Dynamic Routing Capsule Network with Label-Constraint for Text classifification
【2】 Personalizing Session-based Recommendations with Hierarchical Recurrent Neural Networks
【3】 Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
