混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究

摘要

传统协同过滤推荐模型仅处理稀疏的评分数据,未深入挖掘用户及对象的潜在语义,且用户喜好信息也未充分利用.围绕旅游景点推荐这一热点问题,提出全新的混合分层抽样统计与贝叶斯个性化排序的推荐模型:采用分层抽样统计及主观赋值评价法刻画用户旅游喜好;基于矩阵分解算法(Matrix Factorization,简称MF)分析用户及对象(景点)的潜在语义,运用贝叶斯个性化排序算法(Bayesian Personalized Ranking,简称BPR)对推荐模型进行优化;综合用户旅游喜好信息及BPR优化结果,生成混合推荐列表.在新的"Wisdom Tourism"数据集上进行仿真实验.实验表明:推荐模型的RMSE、MAE、F1值较最强基线分别提升16.59%、10.05%、5.04%;相比于分层抽样统计方法,BPR算法在推荐过程中发挥更显著的作用.

关键词

分层抽样统计 / 贝叶斯个性化排序 / 协同过滤 / 旅游景点 / 推荐模型 / 矩阵分解

基金资助

国家自然科学基金项目(61762038,61741108,61861016); 教育部人文社会科学研究规划基金项目(16YJAZH029,17YJAZH117); 江西省自然科学基金项目(20171BAB202023); 江西省科技厅重点研发计划项目(20171BBG70093); 江西省社会科学规划项目(16TQ02); 江西省教育厅科技项目(GJJ160497,GJJ160509,GJJ160531)