基于循环神经网络的旅游推荐系统设计与实现开题报告

2．研究内容、拟解决的关键问题、写作提纲：

在大数据的背景下，推荐系统是解决信息冗余问题的常见方法^[1]。“推荐系统”^[2]在电子商务领域得到了广泛应用，并引发了广泛关注。传统的旅游推荐系统基于用户过去的浏览和消费记录寻找相似的景点或者根据和用户有相同喜好的其他用户所喜好的景点进行推荐。但是旅游这一行为具有非常强的时间相关性，用户的偏好往往会随着时间而动态变化。

本文预计针对旅游推荐系统中基于传统推荐方法的数据稀疏性和冷启动问题，以及现有轨迹挖掘方法忽略旅游轨迹中时序信息等问题提出自己的解决办法。

写作提纲：

第一章：引言。从国内外的旅游情况分析旅游业的重要性，旅游业与互联网行业

结合后不可避免的信息超载问题就需要推荐系统来解决，并对国内外关于推荐系统的

研究文献进行概括，分析了旅游推荐系统的可研究性，并简单的叙述了本论文的研究

内容。

第二章：相关知识介绍。对推荐系统进行介绍后又对可以使用在旅游领域的推荐

算法进行了描述，分别列出了各类算法的优点和缺点。

第三章：对于现有基于循环神经网络的旅游推荐算法改进

第四章：数据分析图标展示和问题总结

第五章：总结与展望。总结论文的研究内容后并展望在推荐系统领域比较热门的

方法。

3．国内外研究现状:

1. 基于协同过滤的旅游推荐

GavalasD^[3]等人在 2014 年提出通过地点,天气等环境信息来对用户进行匹配推荐，比如在晴天的时候桂林的象鼻山比在雨天更受欢迎，而在雨天银子岩则更应该被推荐给用户。推荐给用户的路线中包含的人文景点也较多，通过加入环境信息来进行更高效的推荐。

任星怡^[4]等人在 2017 年提出通过位置社交网络的上下文的兴趣点进行推荐。首先使用 LDA 模型挖掘兴趣点相关信息生成分数，再根据地理位置信息生成相关位置分数，通过社会关系生成关系分数，最后运用矩阵分解模型将各类分数融合进行有效的推荐。

张伟^[5]等人在 2017 年提出在贝叶斯模型和协同过滤模型的结合下加入了旅行长度这一参数，通过分析游客最喜欢的旅游长度作为参数，然后以权重的方式融合到矩阵分解的推荐模型中。

徐宏^[6]等人在 2018 年提出使用 Apriori 算法结合矩阵聚类的 Apriori 算法在旅游领域进行推荐，该模型挖掘用户的旅游历史，计算出矩阵信息，结合 Apriori 算法进行推荐。

朱桂祥^[7]等人在 2018 年在产品推荐领域提出基于主题序列模式的产品推荐引擎，从页面文本中挖掘主题捕捉行为模式，从页面访问时间形成序列数据库，最后使用n-garm 模型进行推荐。

上述文献都是应用在旅游景点推荐和旅游产品领域基于协同过滤算法的推荐，计算项目与项目之间的相关性，属于传统的推荐算法。通过矩阵信息来进行推荐，存在冷启动问题，矩阵稀疏问题，没有利用到序列中项目与项目之间关系的问题。

2.基于知识图谱的旅游推荐

OstuniV 等人^[8]在 2013 年通过从 LOD 中获取隐层的语义反馈信息提出了 SPrank 算法。在数据集中以路径进行挖掘获取项目与项目之间的隐藏关系。SPrank 的主要思想是通过分析数据集中的路径来找到用户喜欢项目的相似项目。

Lu 等^[9]在 2013 年从 DBpedia、Geonames 和 Wikidata 获取数据构建了包括全世界景点的大型旅游知识图谱。其中包含了 1000 多个景点类型，对景点进行了细粒度的刻画。LU 使用类别标签来表示用户的兴趣，为用户对类别标签设置得分。采用两种方式：基于频率和时间。基于频率根据访问景点频率/次数来计算得分值。基于时间根据用户在景点的停留时间来计算分值。更加精细的刻画景点类型，通过景点类型分类出游客的兴趣以达到更好的推荐。

Palumbo 等^[10]在 2017 年针对知识图谱的推荐提出了 entity2rec 模型，通过神经网络把知识图谱中的三元组中两个实体相连的边用向量表示，通过计算连接两个实体的边的向量来计算两个实体的相关性，然后在利用排序函数生成推荐列表。

Wang 等^[11]在 2018 年通过加入知识图谱作为信息的来源解决原有算法中的冷启动问题和矩阵的稀疏性。为了解决现有基于嵌入和基于路径的知识图谱感知推荐方法的局限性，提出了 Ripple 网络，这是一种端到端框架，自然地将知识图谱合并到推荐系统中。RippleNetwork 通过沿着知识图谱中的连接自动迭代扩展用户的潜在兴趣来刺激用户偏好在知识图谱上的传播。由用户的历史点击项激活的多个传播被叠加形成用户关于候选项的偏好分布，其可用于预测最终点击概率。

Palumbo^[12]在 2018 年通过学习知识图谱的嵌入来使用 node2vec 来生成项目推荐将 node2vec 应用于从 MovieLens 1M 数据集和 DBpedia 构建的知识图，并使用节点相关性生成推荐。

在旅游推荐领域中使用基于知识图谱的算法来进行推荐，通过加入知识图谱丰富了用户和项目的信息，本质上还是计算项目与项目之间的相关度来进行推荐，虽然推荐结果比协同过滤算法优秀但仍无法解决传统推荐算法存在的问题。

3.基于序列学习的推荐

HidasiB^[13]等人在 2015 年最先提出使用循环神经网络来进行序列的推荐，在电子商务和视频浏览推荐领域来进行推荐的方法-Gru4rec。只根据用户的实时点击序列来预测下一个点击项目的方法称为基于 session 的推荐。这种方法的好处是不需要用户之前的交互信息来进行推荐，解决了冷启动和矩阵稀疏的问题，同时也利用到了项目与项目之间的信息，通过预测项目之前的所有点击序列来进行预测下一项的推荐方法。因此基于循环网络的 session 推荐取得了巨大的成功，不仅解决了冷启动和矩阵稀疏的问题，同时也提高了推荐准确度。

HidasiB^[14]等人在 2016 年又提出在深度学习循环神经网络上加入从项目的图片和介绍中提取出的文本信息，两者信息互相融合并提出三种融合方式分别进行训练，最后结果表明加入从图片以及介绍中提取出的文本信息后推荐效果有所提升。

TanY K^[15]等人在 2016 年进一步改进基于 session 的循环网络推荐算法。通过对序列进行预处理来增强训练减少过拟合，对模型进行预训练考虑时间分布带来的变化，以及使用用户之前的交互信息来进行小数据集的训练，通过这三种改进方式来提高推荐准确度。

JannachD^[16]等人在 2017 年提出了在 Gru4rec 的基础上进行改进的推荐系统。作者在原基础上采用最近邻居（KNN）进行采样的方案，邻域采样和高效的内存数据结构确保了 KNN 方法的可扩展性。最后 KNN 和 Gru4rec 进行混合加权的方法在音乐推荐和电子商务推荐上取得了更好的效果。同时也证明循环神经网络应用在推荐领域的正确性。

BoginaV^[17]等在 2017 年改进了在电商领域基于循环神经网络的推荐系统，作者认为用户在购买东西时在网页上停留时间与个人喜好以及感兴趣的程度有关，所以引入了新的参数-停留时间，通过计算每个项目的启始时间戳和结束的时间戳来计算停留时间。同时把过长的停留作为无效时间，这是因为会有一些情况用户点击页面后会离开电脑，这样的过长停留时间是无效的。在电商领域的基于循环神经网络的推荐系统中加入停留间隔这样的参数取得了良好的效果。

QuadranaM^[18]2017 年在基于 session 的神经网络推荐领域提出有些用户可以获取到之前的用户交互信息，利用之前的用户交互信息可以进行更准确的推荐，而对新用户进行推荐时则不需要用户之前的交互信息。首先判断用户是否有交互信息，如果有则把之前的交互信息加入到现有交互序列中形成新的交互序列，根据新的交互序列来进行推荐。

孙彦鹏^[19]等人 2018 年在旅游推荐领域，考虑到 LSTM 网络对不同的上下文进行分析，能够使用 LSTM 网络高效的挖掘旅游路线中的丰富语义，分析用户上下文中的时间和景点，分析景点在每个季节的受欢迎程度等方式来进行个性化的推荐。

4．论文（设计）的研究计划或撰写方案:

1.运用爬虫技术在主流旅游app上获取旅游景点数据集及用户行为信息数据集

2.复现现有的基于循环神经网络的旅游推荐算法。

3.根据现有问题提出改进措施。

4.利用推荐准确度等参数进行算法优劣衡量。

5. 参考文献:

[1] Adomavicius G, Tuzhilin A. Toward the next generation ofrecommender systems: A survey of the

state-of-the-art and possible extensions[J]. IEEE Transactions onKnowledge amp; Data Engineering,2005 (6): 734-749.

[2] P. Resnick, H. R. Varian. Recommender systems,Commun. ACM, vol. 40, iss.3, pp.56-68,1997.

[3] GavalasD, Konstantopoulos C, Mastakas K, et al. Mobile recommender systems in tourism[J].

Journal ofnetwork and computer applications, 2014, 39: 319-333.

[4] 任星怡,宋美娜,宋俊德.基于位置社交网络的上下文感知的兴趣点推荐[J].计算机学报,2017,40(4):824-841．

[5] 张 伟 , 韩 林 玉 , 张 佃 磊 , 等 .GeoPMF: 距 离 敏 感 的 旅 游 推 荐 模 型 [J]. 计 算 机 研 究 与 发展,2017,54(2):405-414.

[6] 徐 宏, 陈 焰 ,支 艳 利 , 等. 基 于 Apriori 改 进 算法 的 旅 游个 性 化 推荐 [J]. 微 型 电脑 应用,2018,34(1):74-79.

[7] 朱桂祥,曹杰.基于主题序列模式的旅游产品推荐引擎[J].计算机研究与发展,2018,55(5):920-932.

[8] Ostuni VC, Di Noia T, Di Sciascio E, et al. Top-n recommendations from implicitfeedbackleveraging linked open data[C]//Proceedings of the 7th ACM conferenceon Recommender systems.

ACM, 2013:85-92.

[9] Lu C,Laublet P, Stankovic M. Travel attractions recommendation with knowledge

graphs[C]//EuropeanKnowledge Acquisition Workshop. Springer, Cham, 2016: 416-431.

[10] PalumboE, Rizzo G, Troncy R. Entity2rec: Learning user-item relatedness fromknowledge

graphs fortop-n item recommendation[C]//Proceedings of the Eleventh ACM Conference on

RecommenderSystems. ACM, 2017: 32-36.

[11] Wang H,Zhang F, Wang J, et al. RippleNet: Propagating user preferences on theknowledge graph

forrecommender systems[C]//Proceedings of the 27th ACM International Conferenceon Information and Knowledge Management. ACM, 2018: 417-426.

[12]Palumbo, Enrico, et al. Knowledge graph embeddings with node2vec for itemrecommendation.

EuropeanSemantic Web Conference. Springer, Cham, 2018.

[13] HidasiB, Karatzoglou A, Baltrunas L, et al. Session-based recommendations withrecurrent neural networks[J]. arXiv preprint arXiv:1511.06939, 2015.

[14] HidasiB, Quadrana M, Karatzoglou A, et al. Parallel recurrent neural networkarchitectures for

feature-richsession-based recommendations[C]//Proceedings of the 10th ACM Conference on RecommenderSystems. ACM, 2016: 241-248.

[15] Tan YK, Xu X, Liu Y. Improved recurrent neural networks for session-based

recommendations[C]//Proceedingsof the 1st Workshop on Deep Learning for Recommender

Systems.ACM, 2016: 17-22.

[16] JannachD, Ludewig M. When recurrent neural networks meet the neighborhood for

session-basedrecommendation[C]//Proceedings of the Eleventh ACM Conference on

RecommenderSystems. ACM, 2017: 306-310.

[17] BoginaV, Kuflik T. Incorporating Dwell Time in Session-Based Recommendations with

RecurrentNeural Networks[C]//RecTemp@ RecSys. 2017: 57-59.

[18]Quadrana M, Karatzoglou A, Hidasi B, et al. Personalizing session-basedrecommendations with

hierarchicalrecurrent neural networks[C]//Proceedings of the Eleventh ACM Conference on

RecommenderSystems. ACM, 2017: 130-137.

[19] 孙彦鹏,古天龙,宾辰忠,等.基于多重隐语义表示模型的旅游路线挖掘[J].模式识别与人工

智能,2018,31(5):462-469.hk