上下文感知旅游推荐系统研究综述（桂林电子科技大学：匡海丽、常亮、宾辰忠、古天龙）

第14卷第4期 智能系统学报 Vol.14 No.4 2019年7月 CAAI Transactions on Intelligent Systems Jul.2019 D0:10.11992/tis.201901013 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20190409.0932.006html 上下文感知旅游推荐系统研究综述 匡海丽，常亮，宾辰忠，古天龙 (桂林电子科技大学广西可信软件重点实验室，广西桂林541004) 摘要：随着人们生活水平的提高，旅游已成为一项普遍的休闲活动，进而推动了旅游推荐方面技术的研究。 与传统推荐系统相比，除了考虑游客和旅游产品的相关特征之外，旅游推荐系统的推荐质量在很大程度上受到 位置、时间、天气、游客社交群体等上下文信息的影响。本文首先给出上下文感知旅游推荐系统的总体框架： 然后对位置、时间、游客社会化网络和多维上下文等4类典型的上下文信息在旅游推荐系统中的应用进行了详 细考察，并对综合应用各种上下文信息的旅游推荐系统进行了分析：从旅游推荐产品的角度对推荐系统进行分 类考察：最后讨论了上下文感知旅游推荐系统目前面临的重点和难点问题，指出下一步的研究方向。 关键词：上下文感知：旅游推荐系统：基于位置的推荐：社会化网络；个性化推荐：旅游景点推荐：旅游路线推 荐；旅游套餐推荐 中图分类号：TP301文献标志码：A文章编号：1673-4785(2019)04-0611-08 中文引用格式：国海丽，常亮，宾辰忠，等.上下文感知旅游推荐系统研究综述J.智能系统学报，2019,14(4)：611-618 英文引用格式：KUANG Haili,CHANG Liang,BIN Chenzhong,etal.Review of a context--aware travel recommendation systemJ. CAAI transactions on intelligent systems,2019,14(4):611-618. Review of a context-aware travel recommendation system KUANG Haili,CHANG Liang,BIN Chenzhong,GU Tianlong (Guangxi Key Laboratory of Trusted Software,Guilin University of Electronic Technology,Guilin 541004,China) Abstract:With improved living standards,tourism has become a common leisure activity that has promoted the re- search of tourism recommendation technologies.When compared with a traditional recommendation system,the quality the proposed system is considerably influenced by the contextual information,including the location,time,weather,and social groups of tourists,in addition to relevant characteristics of tourists and tourism products.In this study,we provide the overall framework of a context-aware tourism recommendation system.The application of four typical types of con- text information in the travel recommendation system,such as the location.time,visitor social network,and multidimen- sional context,is investigated in detail,and the tourism recommendation system that comprehensively applies various types of contextual information is analyzed.Further,the tourism recommendation system is classified and inspected from the perspective of the tourism recommendation products.Finally,key and difficult problems faced by the context- aware tourism recommendation system are discussed,and the future research direction is identified. Keywords:context-aware;tourism recommendation system;recommendation based on location;social network;per- sonalized recommendation;tourist attraction recommendation;travel route recommendation;travel package recom- mendation 旅游业的发展使得网络正成为人们规划旅游 的最重要信息来源。推荐系统的出现为人们提 收稿日期：2019-01-18.网络出版日期：2019-04-11. 前计划行程提供了很有价值的参考信息，跟搜索 基金项目：国家自然科学基金项目(U1711263,U1811264 U1501252.61572146):广西创新那动重大专项项目 引擎相比，推荐系统最明显的优势在于它可以直 (AA17202024):桂林电子科技大学研究生教育创新 计划资助项目(2018YJCX52):广西自然科学基金项 接通过用户的历史记录数据分析用户的喜好，从 目(2016 GXNSFDA380006,ACI6380122):广西信息 科学实验中心平台建设项目(PT1601)广西高校中 而能够给用户推荐其需要的信息。旅游推荐系统 青年教师基础能力提升项目(2018KYD203):广西可 的设计与应用极为复杂，不仅包括用户的主观决 信软件重点实验资助课题(KX201729). 通信作者：宾辰忠.E-mail:binchenzhong@guet.edu.cn. 策因素，还包括用户当前的上下文因素（如位置

DOI: 10.11992/tis.201901013 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20190409.0932.006.html 上下文感知旅游推荐系统研究综述 匡海丽，常亮，宾辰忠，古天龙 （桂林电子科技大学 广西可信软件重点实验室，广西 桂林 541004） 摘 要：随着人们生活水平的提高，旅游已成为一项普遍的休闲活动，进而推动了旅游推荐方面技术的研究。 与传统推荐系统相比，除了考虑游客和旅游产品的相关特征之外，旅游推荐系统的推荐质量在很大程度上受到 位置、时间、天气、游客社交群体等上下文信息的影响。本文首先给出上下文感知旅游推荐系统的总体框架； 然后对位置、时间、游客社会化网络和多维上下文等 4 类典型的上下文信息在旅游推荐系统中的应用进行了详 细考察，并对综合应用各种上下文信息的旅游推荐系统进行了分析；从旅游推荐产品的角度对推荐系统进行分 类考察；最后讨论了上下文感知旅游推荐系统目前面临的重点和难点问题，指出下一步的研究方向。 关键词：上下文感知；旅游推荐系统；基于位置的推荐；社会化网络；个性化推荐；旅游景点推荐；旅游路线推 荐；旅游套餐推荐 中图分类号：TP301 文献标志码：A 文章编号：1673−4785(2019)04−0611−08 中文引用格式：匡海丽, 常亮, 宾辰忠, 等. 上下文感知旅游推荐系统研究综述 [J]. 智能系统学报, 2019, 14(4): 611–618. 英文引用格式：KUANG Haili, CHANG Liang, BIN Chenzhong, et al. Review of a context-aware travel recommendation system[J]. CAAI transactions on intelligent systems, 2019, 14(4): 611–618. Review of a context-aware travel recommendation system KUANG Haili，CHANG Liang，BIN Chenzhong，GU Tianlong (Guangxi Key Laboratory of Trusted Software, Guilin University of Electronic Technology, Guilin 541004, China) Abstract: With improved living standards, tourism has become a common leisure activity that has promoted the re￾search of tourism recommendation technologies. When compared with a traditional recommendation system, the quality the proposed system is considerably influenced by the contextual information, including the location, time, weather, and social groups of tourists, in addition to relevant characteristics of tourists and tourism products. In this study, we provide the overall framework of a context-aware tourism recommendation system. The application of four typical types of con￾text information in the travel recommendation system, such as the location, time, visitor social network, and multidimen￾sional context, is investigated in detail, and the tourism recommendation system that comprehensively applies various types of contextual information is analyzed. Further, the tourism recommendation system is classified and inspected from the perspective of the tourism recommendation products. Finally, key and difficult problems faced by the context￾aware tourism recommendation system are discussed, and the future research direction is identified. Keywords: context-aware; tourism recommendation system; recommendation based on location; social network; per￾sonalized recommendation; tourist attraction recommendation; travel route recommendation; travel package recom￾mendation 旅游业的发展使得网络正成为人们规划旅游 的最重要信息来源[1]。推荐系统的出现为人们提 前计划行程提供了很有价值的参考信息，跟搜索 引擎相比，推荐系统最明显的优势在于它可以直 接通过用户的历史记录数据分析用户的喜好，从 而能够给用户推荐其需要的信息。旅游推荐系统 的设计与应用极为复杂，不仅包括用户的主观决 策因素，还包括用户当前的上下文因素 (如位置、 收稿日期：2019−01−18. 网络出版日期：2019−04−11. 基金项目：国家自然科学基金项目 (U1711263, U1811264， U1501252，61572146)；广西创新驱动重大专项项目 (AA17202024)；桂林电子科技大学研究生教育创新 计划资助项目 (2018YJCX52)；广西自然科学基金项 目 (2016GXNSFDA380006，AC16380122)；广西信息 科学实验中心平台建设项目 (PT1601)；广西高校中 青年教师基础能力提升项目 (2018KYD203)；广西可 信软件重点实验资助课题 (KX201729). 通信作者：宾辰忠. E-mail：binchenzhong@guet.edu.cn. 第 14 卷第 4 期 智 能 系 统 学 报 Vol.14 No.4 2019 年 7 月 CAAI Transactions on Intelligent Systems Jul. 2019

·612· 智能系统学报 第14卷 天气、身体状况)。上下文感知推荐系统通过将上 来将有效地提高推荐精确度和用户满意度。 下文信息引入推荐系统，旨在通过减少信息超载 在基于上下文的旅游推荐系统中，通过旅游 并向用户提供感兴趣的旅游信息，以进一步提高 行业信息库、第三方web服务信息库和旅游产品 推荐精确度和用户满意度。对于上下文感知推 知识库中挖掘的信息构建旅游信息库，利用天气 荐系统的研究已成为一个新兴的热点。 信息、移动设备感知信息等用户上下文信息与同 1基于上下文的旅游推荐理论 伴意见等社会上下文信息作为补充，根据用户爱 好、限制条件和用户评分等信息分别获取用户的 “上下文”通常的定义是指所有可以表征物体 显式及隐式偏好并对用户建模。针对用户输入的 特征的信息。在位置、物体属性、时间等维度都 需求，根据实际情况选用合适的推荐方法，最终 存在丰富的用户及被推荐对象的上下文信息。 产生个性化的推荐结果。最后，结合图表、虚拟 比如，用户的上下文信息通常是由不同的属性组 现实等技术将推荐结果可视化到客户端。因此， 成：物理位置、情绪状态、个人历史、天气因素 本文设计了如图1所示的基于上下文的旅游推荐 等。在个性化推荐系统中，将上下文信息融入进 系统的整体框架。 限制条件 通过第三方的web service提供的 交互历史 天气信息（天气、实时交通信息） 用户爱好 批判交互 移动设备感知信息（位置 目标 用户评分 方向、速度等) 显式信息获取 隐式信息获取 用户建模 环境设备感知 用户上下文感知 用户输入需求 同伴意见 基于位置的旅游推荐 同伴的人口统计信息 基于时间的旅游推荐 同伴在社交网路中的个人信息 社会上下文感知 基于社会化网路的旅游推荐] 上下文信息 基于多潍上下文的旅游推荐☐ 推荐引擎 旅游行业信息库（包括各类景点、饭店 产生个性化的、基于位置感知 娱乐场所等信息) 环境感知/批判的推荐 第三方web服务信息库（如各景 推荐结果的展（排 开放时间、公共交通时间表等) GIS.北斗旅游 名列表、2D/3D的 地图服务 图、虛拟现实获增 强现实展示等) 旅游产品知识库（如距离、价格等） 客户端（浏览器、Java ME☑ 旅游信息库 Android/IOS apps） 图1基于上下文的旅游推荐系统整体框架 Fig.1 The framework of the context-aware tourism recommendation system 一般来说，基于上下文的推荐系统流程可以 的改进。 分为4个阶段)：1)数据收集与预处理，通过相关 传统的推荐方法直接通过用户的历史记录数 技术获取用户作用于项目的相关历史行为数据并 据分析用户的喜好，从而能够给用户推荐其需要 按所需规整数据；2)用户偏好分析，利用用户历 的信息。但传统的推荐方法在应用中存在不足， 史行为数据或者其他源数据发现隐含的用户偏 例如：基于协同过滤推荐经常受到冷启动和数 好；3)推荐列表生成，根据用户偏好信息预测用 据稀疏等问题的困扰：基于内容的推荐)虽然可 户喜爱的项目，结合获取的上下文信息为用户提 以相对有效地应对项目冷启动问题，却经常受到 供推荐列表；4)反馈，根据相关评价方法和评价 过拟合问题的困扰，同时也不能处理那些非文本 标准对推荐列表中的结果进行评估，并做出适当 项目的特征抽取和推荐问题；基于知识的推荐⑧

天气、身体状况)。上下文感知推荐系统通过将上 下文信息引入推荐系统，旨在通过减少信息超载 并向用户提供感兴趣的旅游信息，以进一步提高 推荐精确度和用户满意度[2]。对于上下文感知推 荐系统的研究已成为一个新兴的热点[3]。 1 基于上下文的旅游推荐理论 “上下文”通常的定义是指所有可以表征物体 特征的信息。在位置、物体属性、时间等维度都 存在丰富的用户及被推荐对象的上下文信息[4]。 比如，用户的上下文信息通常是由不同的属性组 成：物理位置、情绪状态、个人历史、天气因素 等。在个性化推荐系统中，将上下文信息融入进 来将有效地提高推荐精确度和用户满意度。 在基于上下文的旅游推荐系统中，通过旅游 行业信息库、第三方 web 服务信息库和旅游产品 知识库中挖掘的信息构建旅游信息库，利用天气 信息、移动设备感知信息等用户上下文信息与同 伴意见等社会上下文信息作为补充，根据用户爱 好、限制条件和用户评分等信息分别获取用户的 显式及隐式偏好并对用户建模。针对用户输入的 需求，根据实际情况选用合适的推荐方法，最终 产生个性化的推荐结果。最后，结合图表、虚拟 现实等技术将推荐结果可视化到客户端。因此， 本文设计了如图 1 所示的基于上下文的旅游推荐 系统的整体框架。 限制条件 用户爱好 目标 交互历史 批判交互 用户评分 显式信息获取 隐式信息获取 用户建模 用户输入需求 产生个性化的、基于位置感知/ 环境感知/批判的推荐 推荐结果的展（排 名列表、2D/3D的 图、虚拟现实获增 强现实展示等） GIS，北斗旅游 地图服务 客户端（浏览器、Java ME/ Android/IOS apps） 通过第三方的 web service 提供的 天气信息（天气、实时交通信息） 移动设备感知信息（位置、 方向、速度等） 环境设备感知 用户上下文感知 同伴意见 同伴的人口统计信息 同伴在社交网络中的个人信息 社会上下文感知 上下文信息 旅游行业信息库（包括各类景点、饭店、 娱乐场所等信息） 第三方 web 服务信息库（如各景 开放时间、公共交通时间表等） 旅游产品知识库（如距离、价格等） 旅游信息库 推荐引擎 基于位置的旅游推荐 基于时间的旅游推荐 基于社会化网络的旅游推荐 基于多维上下文的旅游推荐 图 1 基于上下文的旅游推荐系统整体框架 Fig. 1 The framework of the context-aware tourism recommendation system 一般来说，基于上下文的推荐系统流程可以 分为 4 个阶段[5] ：1) 数据收集与预处理，通过相关 技术获取用户作用于项目的相关历史行为数据并 按所需规整数据；2) 用户偏好分析，利用用户历 史行为数据或者其他源数据发现隐含的用户偏 好；3) 推荐列表生成，根据用户偏好信息预测用 户喜爱的项目，结合获取的上下文信息为用户提 供推荐列表；4) 反馈，根据相关评价方法和评价 标准对推荐列表中的结果进行评估，并做出适当 的改进。 传统的推荐方法直接通过用户的历史记录数 据分析用户的喜好，从而能够给用户推荐其需要 的信息。但传统的推荐方法在应用中存在不足， 例如：基于协同过滤推荐[6] 经常受到冷启动和数 据稀疏等问题的困扰；基于内容的推荐[7] 虽然可 以相对有效地应对项目冷启动问题，却经常受到 过拟合问题的困扰，同时也不能处理那些非文本 项目的特征抽取和推荐问题；基于知识的推荐 [8] ， ·612· 智 能 系 统 学 报 第 14 卷

第4期 匡海丽，等：上下文感知旅游推荐系统研究综述 ·613· 不需要计算大量的用户数据，但难以获取到足够 织旅游路线，这显然是耗时的；一些平台为游客 的知识来构建用户-项目知识库；基于人口统计 提供的路线选择通常是由旅行社制定，并不能满 的推荐在一定程度上侵犯了用户的隐私，而且 足用户的个性化需求。 用户画像信息的收集可能存在很大噪音1。此 6)需要考虑景区分流问题。游客进入景区 外，旅游推荐领域特有的情况使得传统的推荐 后，面对数量众多的景点和有限的时间及体力， 方法不能够实现理想的推荐结果，所面临的问 如何根据用户的偏好及当前的交通信息安排游览 题有： 路线，实现景区、景点的排序及游览路线推荐，也 1)对于旅游产品本身，既可以是单一的住 是旅游推荐领域关注的一个焦点。 宿、景点、交通等产品的选择，亦可以是这些元素 因此，通过引入上下文信息优化推荐效果是 的组合，因此需要考虑用户和旅游产品之间的时 目前旅游推荐领域的研究热点。 空关系。 2基于上下文的旅游推荐方法 2)除了考虑用户的偏好之外，用户还经常受 到特定的限制。例如旅行之前，用户会综合权衡 在基于上下文的旅游推荐系统的框架中，根 时间和金钱的花销。这与传统的推荐很不同，比 据使用到的上下文信息范畴不同，基于上下文的 如电影推荐就很少考虑花销（因为电影时长和价 旅游推荐方法可以分为基于位置的旅游推荐、基 格变化幅度都较小)。 于时间的旅游推荐、基于社会化网络的旅游推荐 3)需要考虑用户的社会属性。网络社区中， 和基于多维上下文的旅游推荐。本节将从以上 相互联系的群体，受社会因素的相互影响，往往 4个角度来介绍上下文感知推荐系统的相关研究 表现出相似的兴趣爱好。 工作。 4)同伴的人口统计信息、社会地位、偏好的 2.1基于位置的旅游推荐 差异性可能会对用户的最终选择产生一定的影 基于位置的旅游推荐系统可以根据用户的历 响，因此结合所有成员偏好的组推荐系统☒也是 史消费位置获取用户在位置方面的偏好以提供个 需要关注的问题。 性化的旅游推荐，其中，用户的位置可以通过移 5)旅游网站一般呈现静态的景点，景点之间 动设备和GPS定位等获取。基于位置的旅游推 没有更多的关联，游客需要自行浏览、搜索和组 荐一般模型如图2所示。 GPS卫星 用户D/位置 用户D/位置 地形数据 推荐 推荐】 移动设备 推荐服务器 GIS服务器 蜂窝网络 用户1 用户2 用户n 用户信息库 旅游信息库 2D/3D地形数据 图2基于位置的旅游推荐一般模型 Fig.2 The general location-based recommendation model for travel

不需要计算大量的用户数据，但难以获取到足够 的知识来构建用户−项目知识库；基于人口统计 的推荐[9] 在一定程度上侵犯了用户的隐私，而且 用户画像信息的收集可能存在很大噪音[10]。此 外，旅游推荐领域特有的情况使得传统的推荐 方法不能够实现理想的推荐结果，所面临的问 题有： 1) 对于旅游产品本身，既可以是单一的住 宿、景点、交通等产品的选择，亦可以是这些元素 的组合，因此需要考虑用户和旅游产品之间的时 空关系。 2) 除了考虑用户的偏好之外，用户还经常受 到特定的限制。例如旅行之前，用户会综合权衡 时间和金钱的花销。这与传统的推荐很不同，比 如电影推荐就很少考虑花销 (因为电影时长和价 格变化幅度都较小)。 3) 需要考虑用户的社会属性。网络社区中， 相互联系的群体，受社会因素的相互影响，往往 表现出相似的兴趣爱好[11]。 4) 同伴的人口统计信息、社会地位、偏好的 差异性可能会对用户的最终选择产生一定的影 响，因此结合所有成员偏好的组推荐系统[12] 也是 需要关注的问题。 5) 旅游网站一般呈现静态的景点，景点之间 没有更多的关联，游客需要自行浏览、搜索和组 织旅游路线，这显然是耗时的；一些平台为游客 提供的路线选择通常是由旅行社制定，并不能满 足用户的个性化需求[13]。 6) 需要考虑景区分流问题。游客进入景区 后，面对数量众多的景点和有限的时间及体力， 如何根据用户的偏好及当前的交通信息安排游览 路线，实现景区、景点的排序及游览路线推荐，也 是旅游推荐领域关注的一个焦点。 因此，通过引入上下文信息优化推荐效果是 目前旅游推荐领域的研究热点。 2 基于上下文的旅游推荐方法 在基于上下文的旅游推荐系统的框架中，根 据使用到的上下文信息范畴不同，基于上下文的 旅游推荐方法可以分为基于位置的旅游推荐、基 于时间的旅游推荐、基于社会化网络的旅游推荐 和基于多维上下文的旅游推荐。本节将从以上 4 个角度来介绍上下文感知推荐系统的相关研究 工作。 2.1 基于位置的旅游推荐 基于位置的旅游推荐系统可以根据用户的历 史消费位置获取用户在位置方面的偏好以提供个 性化的旅游推荐，其中，用户的位置可以通过移 动设备和 GPS 定位等获取。基于位置的旅游推 荐一般模型如图 2 所示。 推荐服务器 GIS 服务器 移动设备 用户 1 GPS 卫星 蜂窝网络 用户信息库 旅游信息库 2D/3D 地形数据 用户 2 用户 n ... 位置 用户交互 用户 ID/位置 推荐 地形数据 用户 ID /位置 位置 推荐 图 2 基于位置的旅游推荐一般模型 Fig. 2 The general location-based recommendation model for travel 第 4 期 匡海丽，等：上下文感知旅游推荐系统研究综述 ·613·

·614· 智能系统学报 第14卷 Noguera等结合用户位置和偏好为移动设 Zhang等针对以往研究中将连续时间切分 备提供一个汇集了推荐引擎和移动三维地理信息 为多个时间段，导致时间信息缺失且时间联系被 的混合推荐系统。采用基于协同过滤和基于知识 切断的问题，提出了一种利用时间影响的时间感 的混合方法在信息稀缺的情况下解决了冷启动问 知位置推荐算法(TICRec)。利用连续时间内用户 题，根据用户位置与偏好为用户提供餐馆推荐服 访问某景点的概率密度来避免时间信息的缺失， 务。该系统克服了某些推荐系统不能应用在移动 在实现位置推荐的同时，还能为用户推荐访问该 设备上的缺点。但在实际应用中，对距离与景 位置的时间。经实验，该算法有效地利用了时间 点的兴趣度上需要用户自主权衡，自动化程度较低。 信息并能充分考虑时间因素为用户推荐更准确的 Lⅰ等%使用协同过滤算法结合位置信息，通 结果。 过GPS定位系统为旅游移动商务服务平台提供 总的来看，基于时间的旅游推荐有比较强的 一个位置感知推荐系统。根据用户的即时位置以 时间依赖性，不像传统的项目推荐通常稳定在一 及距离远近对用户的偏好影响的大小，得到旅游 段很长时期内（如歌曲）。这样的特性要求了基于 者对旅游信息的兴趣值，通过对兴趣值的计算为 时间的旅游推荐在考虑时间因素对用户的影响 旅游者推荐。虽然在一定程度上提高了用户的满 时，不仅需要考虑用户长期历史行为，还需要考 意度，但系统仍然存在协同过滤算法所面临的数 虑用户近期行为。而在考虑时间因素对推荐项目 据稀疏性和冷启动问题。 的影响时，则需要考虑推荐项目本身存在的时间 Lu等1刀根据地理信息系统提供的信息，结 效应。基于时间的旅游推荐让推荐系统能有效地 合数据挖掘和Web GIS技术，根据用户和景点的 提高某个特定时间情景下的推荐效果。 特征数据设计了一个个性化的智能路线推荐系 2.3基于社会化网络的旅游推荐 统，使得用户在一定的时间内能够花费最少的费 社会化推荐通过社交网络、社交搜索、社交 用到达尽可能多的景点。不过该系统的不足之处 媒体、标签等获取社交行为数据，利用计算机技 在于没有使用移动设备和GPS动态地收集用户 术，例如数据挖掘、自然语言处理等进行研究，挖 数据，无法实现实时推荐。 掘出集体智慧。这种服务方式不同于传统的信息 2.2基于时间的旅游推荐 推荐服务，它将社会网络、社交媒体视为信息推 基于时间的旅游推荐通常需要考虑推荐景点 荐的主要平台，使用户的隐性知识在社会化推荐 明显的季节性因素，而考虑到景点都位于不同的 过程中与其他用户进行交互，形成交流。在社会 地区，这些时空信息也可以被视为景点的季节性 化网络中，用户间的信任关系对于用户的兴趣存 旅游情境剧。比如，在冬季外出旅行，温泉、滑雪 在着巨大的影响，用户间隐含的信任信息在推荐 比较受欢迎，而夏季出游时，更多人倾向于选择 系统可靠性上扮演重要角色。比如，社会关系更 水上乐园等避暑项目。在旅游推荐的背景下，时 亲近的用户之间，对于彼此的推荐，由于较高的 间信息对用户的影响主要体现在两个方面：用户 信任度，用户倾向于相信并选择推荐的项目。基 兴趣变化与季节效应。 于社会化网络中用户信任关系方面已存在不少旅 李雅美等四提取时间等与旅游景点密切相关 游推荐的相关研究工作。 的特征标签来描述用户兴趣特征，将相似的用户 Ravi等a1发现用户倾向于接受信任用户的 群体聚类，通过协同过滤的方法为用户推荐感兴 推荐，利用社交网络数据提出了基于社会相关信 趣的景点。基于时间标签的推荐算法在实验中提 任度算法的旅游推荐系统。两个用户之间的信任 高了推荐结果的准确率，验证了时间因素对于提 度通过真实的数值来表示，1代表完全信任，0代 高推荐系统性能的有效性。 表不信任，系统通过公式 卢露2]针对时间因素对推荐效果的影响，提 ruRel=SimUser(x,y)x Trust(x,y) (1) 出了一种概率模型，综合考虑并结合了用户的兴 来计算用户之间的信任关系。其中SimUser(x, 趣度、用户所处的时间和地点自身的流行度这 y)是用户x和y之间的相似度，Trust(x,y)是用户 3个因素对推荐结果的影响。该模型克服了数据 x和y之间的信任度。 稀疏性问题，在Foursquare数据集上开展的实验 Cenamor等2]设计了一个旅游计划系统，该 证实了该模型能获得更好的推荐效果。但该模型 系统使用从旅行社交网络中收集到的信息来发现 中3种因素对应的权重仍需人工忖度设置，自动 群组并创建个性化旅游计划。系统遵循自动化的 化程度低。 规划方法，收集用户和兴趣点的信息，用聚类技

Noguera 等 [14] 结合用户位置和偏好为移动设 备提供一个汇集了推荐引擎和移动三维地理信息 的混合推荐系统。采用基于协同过滤和基于知识 的混合方法在信息稀缺的情况下解决了冷启动问 题，根据用户位置与偏好为用户提供餐馆推荐服 务。该系统克服了某些推荐系统不能应用在移动 设备上的缺点[15]。但在实际应用中，对距离与景 点的兴趣度上需要用户自主权衡，自动化程度较低。 Li 等 [16] 使用协同过滤算法结合位置信息，通 过 GPS 定位系统为旅游移动商务服务平台提供 一个位置感知推荐系统。根据用户的即时位置以 及距离远近对用户的偏好影响的大小，得到旅游 者对旅游信息的兴趣值，通过对兴趣值的计算为 旅游者推荐。虽然在一定程度上提高了用户的满 意度，但系统仍然存在协同过滤算法所面临的数 据稀疏性和冷启动问题。 Liu 等 [17] 根据地理信息系统提供的信息，结 合数据挖掘和 Web GIS 技术，根据用户和景点的 特征数据设计了一个个性化的智能路线推荐系 统，使得用户在一定的时间内能够花费最少的费 用到达尽可能多的景点。不过该系统的不足之处 在于没有使用移动设备和 GPS 动态地收集用户 数据，无法实现实时推荐。 2.2 基于时间的旅游推荐 基于时间的旅游推荐通常需要考虑推荐景点 明显的季节性因素，而考虑到景点都位于不同的 地区，这些时空信息也可以被视为景点的季节性 旅游情境[18]。比如，在冬季外出旅行，温泉、滑雪 比较受欢迎，而夏季出游时，更多人倾向于选择 水上乐园等避暑项目。在旅游推荐的背景下，时 间信息对用户的影响主要体现在两个方面：用户 兴趣变化与季节效应。 李雅美等[19] 提取时间等与旅游景点密切相关 的特征标签来描述用户兴趣特征，将相似的用户 群体聚类，通过协同过滤的方法为用户推荐感兴 趣的景点。基于时间标签的推荐算法在实验中提 高了推荐结果的准确率，验证了时间因素对于提 高推荐系统性能的有效性。 卢露[20] 针对时间因素对推荐效果的影响，提 出了一种概率模型，综合考虑并结合了用户的兴 趣度、用户所处的时间和地点自身的流行度这 3 个因素对推荐结果的影响。该模型克服了数据 稀疏性问题，在 Foursquare 数据集上开展的实验 证实了该模型能获得更好的推荐效果。但该模型 中 3 种因素对应的权重仍需人工忖度设置，自动 化程度低。 Zhang 等 [21] 针对以往研究中将连续时间切分 为多个时间段，导致时间信息缺失且时间联系被 切断的问题，提出了一种利用时间影响的时间感 知位置推荐算法 (TICRec)。利用连续时间内用户 访问某景点的概率密度来避免时间信息的缺失， 在实现位置推荐的同时，还能为用户推荐访问该 位置的时间。经实验，该算法有效地利用了时间 信息并能充分考虑时间因素为用户推荐更准确的 结果。 总的来看，基于时间的旅游推荐有比较强的 时间依赖性，不像传统的项目推荐通常稳定在一 段很长时期内 (如歌曲)。这样的特性要求了基于 时间的旅游推荐在考虑时间因素对用户的影响 时，不仅需要考虑用户长期历史行为，还需要考 虑用户近期行为。而在考虑时间因素对推荐项目 的影响时，则需要考虑推荐项目本身存在的时间 效应。基于时间的旅游推荐让推荐系统能有效地 提高某个特定时间情景下的推荐效果。 2.3 基于社会化网络的旅游推荐 社会化推荐通过社交网络、社交搜索、社交 媒体、标签等获取社交行为数据，利用计算机技 术，例如数据挖掘、自然语言处理等进行研究，挖 掘出集体智慧。这种服务方式不同于传统的信息 推荐服务，它将社会网络、社交媒体视为信息推 荐的主要平台，使用户的隐性知识在社会化推荐 过程中与其他用户进行交互，形成交流。在社会 化网络中，用户间的信任关系对于用户的兴趣存 在着巨大的影响，用户间隐含的信任信息在推荐 系统可靠性上扮演重要角色。比如，社会关系更 亲近的用户之间，对于彼此的推荐，由于较高的 信任度，用户倾向于相信并选择推荐的项目。基 于社会化网络中用户信任关系方面已存在不少旅 游推荐的相关研究工作。 Ravi 等 [22] 发现用户倾向于接受信任用户的 推荐，利用社交网络数据提出了基于社会相关信 任度算法的旅游推荐系统。两个用户之间的信任 度通过真实的数值来表示，1 代表完全信任，0 代 表不信任，系统通过公式 ruRel = SimUser(x, y)×Trust(x, y) (1) 来计算用户之间的信任关系。其中 SimUser (x, y) 是用户 x 和 y 之间的相似度，Trust (x, y) 是用户 x 和 y 之间的信任度。 Cenamor 等 [23] 设计了一个旅游计划系统，该 系统使用从旅行社交网络中收集到的信息来发现 群组并创建个性化旅游计划。系统遵循自动化的 规划方法，收集用户和兴趣点的信息，用聚类技 ·614· 智 能 系 统 学 报 第 14 卷

第4期 匡海丽，等：上下文感知旅游推荐系统研究综述 ·615· 术对这些点进行分组，同时将旅行规划中的问题 位置而忽略其他上下文信息的现象，提出了一个 分解为不同子问题，以生成具有所访问城市地区 智能上下文感知推荐系统。在该推荐系统中，环 最相关兴趣点的多个旅游计划，并使用一个现成 境上下文中包含的旅游景点天气信息，时间上下 的域名独立的自动化计划器，找到更好的旅游计 文中包含的季节效应、社会上下文中包含的景点 划。该系统具有高度的自动化，有效地实现了个 流行度影响与位置数据及用户上下文融合在一 性化旅行计划的推荐。 起，从而可获得更全面丰富且相对更贴近生活现 Christensen等2首先对用户的偏好进行建 实的上下文信息，实验证明，与仅依靠位置信息 模，包括价格、局限性、活动、年龄、教育、性别和 的位置感知推荐系统相比，该推荐系统能有效地 收入等，然后使用协同过滤、人口统计和基于内 提高推荐性能。对于融入信息太多可能造成的信 容的混合方法给出单个用户偏好，并根据群体中 息过载问题，该系统加入了信息过滤操作来确保 的社会关系（如父母、朋友）计算群体中成员对于 融入信息的可靠有效性。 最终决策达成的影响力，用户“对景点T的评分 赵海燕等29基于时间和空间感知，结合用户 R(T),用户u的个人影响力评分ir(T): 的社会关系，利用位置信息、时间信息、社交信 ir,(T)=R(T)+∑(R,(T)-R(T》/w 息、活动信息的数据，构建用户、地点、时间、活 EG,≠ 动、朋友关系异构信息网络，通过随机游走方法 然后使用乘法融合策略生成最终的组推荐列表。 产生推荐。该方法综合利用时空信息和用户社交 总体来看，基于社会化关系上下文的旅游推 信息为用户提供个性化活动推荐，实验表明，该 荐系统，充分利用社会化网络中相关信息来评估 方法能获得较好的推荐效果。此外，利用构建的 用户间的信任度，以此可衡量用户相似度并实现 异构信息网络，该方法还可以实现朋友推荐等增 增强推荐2。在推荐系统中融入这些信息将进一 值服务。 步改进推荐系统的精度和用户满意度。 总体来看，理论上，做旅游推荐的时候，推荐 2.4基于多维上下文的旅游推荐 系统中考虑的上下文信息越丰富，推荐效果越 多维上下文通常指的是利用用户与系统交互 好。但在实际研究中，如何在多种信息中协调平 时产生的环境要素的集合，例如用户在选择户外 衡取舍对于研究者来说是个极大的考验。一方 游览景点时，景点流行度是静态稳定的信息，而 面，旅游景点本身存在着物理形态固定的位置信 天气条件会对用户决策产生重要的影响。旅游是 息与时间效应，随着时间的作用，景点被赋予流 一项受多种因素限制的活动，旅游推荐中可用信 行度影响因素，而时下最热门的景点通常存在游 息种类繁多，关键在于如何充分利用可获取的信息。 客高度聚集现象，这又会给游客带来不佳的旅游 Yao等2利用张量代替传统方法中的二维矩 体验。另一方面，用户本身也存在着丰富的信 阵来表示异构多维上下文信息，结合用户与位置 息，通过用户相关信息可以推断用户喜好，但在 之间的潜在联系来实现兴趣点推荐。实验结果表 目前的研究工作中，用户情绪信息还不能被有效 明，合理的融合多源信息有利于提高推荐系统的 利用。因此，由于上下文具有的范围动态性、偶 推荐准确率。 发性、不可观察等特征，基于多维上下文的旅游 任星怡等2针对用户在异地旅行的时候，签 推荐成为了一项极具挑战性的工作。 到行为具有高稀疏性为推荐带来了很大挑战的问 3上下文感知旅游推荐系统的主要 题，提出了一种联合概率生成模型(GTSCP),综合 应用类型 分析地理影响、时间效应、社会相关性、内容信息 和流行度影响等方面的因素，模拟用户签到行为 在实际应用环境下，用户对于推荐系统有着 的决策过程，实现本地推荐与异地推荐两种场景 不同的需求。例如，当用户规划短期旅行时，他 下的推荐，且同时支持离线推荐与在线推荐两种 们希望推荐系统能提供满足自身喜好的旅游景点 模式。利用社会相关性信息，该模型有效地克服 推荐或者旅游路线推荐；而当用户有一段较长时 了冷启动问题。通过融合多维度信息，该模型很 间的休闲时光时，根据给定的时间约束与消费条 大程度地缓解了数据稀疏问题。该模型具有高度 件，他们希望推荐系统能智能地结合天气因素等 的灵活性与适用性。但由于融入的信息繁多杂 其他上下文信息给出旅游套餐推荐。因此，根据 乱，该模型存在一定的特征缺失问题。 实际场景需求，上下文感知旅游推荐系统可以分 Meehan等2]针对上下文旅游系统严重依赖 为旅游景点推荐、旅游路线推荐与旅游套餐推

术对这些点进行分组，同时将旅行规划中的问题 分解为不同子问题，以生成具有所访问城市/地区 最相关兴趣点的多个旅游计划，并使用一个现成 的域名独立的自动化计划器，找到更好的旅游计 划。该系统具有高度的自动化，有效地实现了个 性化旅行计划的推荐。 Christensen 等 [24] 首先对用户的偏好进行建 模，包括价格、局限性、活动、年龄、教育、性别和 收入等，然后使用协同过滤、人口统计和基于内 容的混合方法给出单个用户偏好，并根据群体中 的社会关系 (如父母、朋友) 计算群体中成员对于 最终决策达成的影响力，用户 u 对景点 Ti 的评分 Ru (Ti )，用户 u 的个人影响力评分 iiru (Ti )： iiru (Ti) = Ru (Ti)+ ∑ v∈G,v,u (Rv (Ti)−Ru (Ti)) /wu,v 然后使用乘法融合策略生成最终的组推荐列表。 总体来看，基于社会化关系上下文的旅游推 荐系统，充分利用社会化网络中相关信息来评估 用户间的信任度，以此可衡量用户相似度并实现 增强推荐[25]。在推荐系统中融入这些信息将进一 步改进推荐系统的精度和用户满意度。 2.4 基于多维上下文的旅游推荐 多维上下文通常指的是利用用户与系统交互 时产生的环境要素的集合，例如用户在选择户外 游览景点时，景点流行度是静态稳定的信息，而 天气条件会对用户决策产生重要的影响。旅游是 一项受多种因素限制的活动，旅游推荐中可用信 息种类繁多，关键在于如何充分利用可获取的信息。 Yao 等 [26] 利用张量代替传统方法中的二维矩 阵来表示异构多维上下文信息，结合用户与位置 之间的潜在联系来实现兴趣点推荐。实验结果表 明，合理的融合多源信息有利于提高推荐系统的 推荐准确率。 任星怡等[27] 针对用户在异地旅行的时候，签 到行为具有高稀疏性为推荐带来了很大挑战的问 题，提出了一种联合概率生成模型 (GTSCP)，综合 分析地理影响、时间效应、社会相关性、内容信息 和流行度影响等方面的因素，模拟用户签到行为 的决策过程，实现本地推荐与异地推荐两种场景 下的推荐，且同时支持离线推荐与在线推荐两种 模式。利用社会相关性信息，该模型有效地克服 了冷启动问题。通过融合多维度信息，该模型很 大程度地缓解了数据稀疏问题。该模型具有高度 的灵活性与适用性。但由于融入的信息繁多杂 乱，该模型存在一定的特征缺失问题。 Meehan 等 [28] 针对上下文旅游系统严重依赖 位置而忽略其他上下文信息的现象, 提出了一个 智能上下文感知推荐系统。在该推荐系统中，环 境上下文中包含的旅游景点天气信息，时间上下 文中包含的季节效应、社会上下文中包含的景点 流行度影响与位置数据及用户上下文融合在一 起，从而可获得更全面丰富且相对更贴近生活现 实的上下文信息，实验证明，与仅依靠位置信息 的位置感知推荐系统相比，该推荐系统能有效地 提高推荐性能。对于融入信息太多可能造成的信 息过载问题，该系统加入了信息过滤操作来确保 融入信息的可靠有效性。 赵海燕等[29] 基于时间和空间感知，结合用户 的社会关系，利用位置信息、时间信息、社交信 息、活动信息的数据，构建用户、地点、时间、活 动、朋友关系异构信息网络，通过随机游走方法 产生推荐。该方法综合利用时空信息和用户社交 信息为用户提供个性化活动推荐，实验表明，该 方法能获得较好的推荐效果。此外，利用构建的 异构信息网络，该方法还可以实现朋友推荐等增 值服务。 总体来看，理论上，做旅游推荐的时候，推荐 系统中考虑的上下文信息越丰富，推荐效果越 好。但在实际研究中，如何在多种信息中协调平 衡取舍对于研究者来说是个极大的考验。一方 面，旅游景点本身存在着物理形态固定的位置信 息与时间效应，随着时间的作用，景点被赋予流 行度影响因素，而时下最热门的景点通常存在游 客高度聚集现象，这又会给游客带来不佳的旅游 体验。另一方面，用户本身也存在着丰富的信 息，通过用户相关信息可以推断用户喜好，但在 目前的研究工作中，用户情绪信息还不能被有效 利用。因此，由于上下文具有的范围动态性、偶 发性、不可观察等特征，基于多维上下文的旅游 推荐成为了一项极具挑战性的工作。 3 上下文感知旅游推荐系统的主要 应用类型 在实际应用环境下，用户对于推荐系统有着 不同的需求。例如，当用户规划短期旅行时，他 们希望推荐系统能提供满足自身喜好的旅游景点 推荐或者旅游路线推荐；而当用户有一段较长时 间的休闲时光时，根据给定的时间约束与消费条 件，他们希望推荐系统能智能地结合天气因素等 其他上下文信息给出旅游套餐推荐。因此，根据 实际场景需求，上下文感知旅游推荐系统可以分 为旅游景点推荐、旅游路线推荐与旅游套餐推 第 4 期 匡海丽，等：上下文感知旅游推荐系统研究综述 ·615·