融入景点标签的矩阵分解个性化推荐

张 鑫，许璐璐

（1.山东科技大学测绘与空间信息学院，山东青岛 266590；2.烟台市钰丰地质技术服务有限公司，山东烟台 264010）

0 引言

近年来，互联网旅游业呈现爆炸式增长，给人们的生活带来了巨大影响。在线旅游评论数据作为一种反馈机制，为用户决策提供了重要依据。然而，海量的旅游景点在为用户提供更多选择的同时，出现了信息过载问题。景点推荐是解决当前问题的有效方法，其基本思想是通过景点及用户信息，自动为用户推荐其感兴趣的旅游景点，从而达到景点个性化推荐。

1 相关工作

协同过滤（Collaborative Filtering，CF）是目前使用最为广泛的推荐技术［1-2］，主要是利用用户相似性［3-4］或物品相似性［5-6］预测目标用户对物品的评分值。现有基于协同过滤的景点推荐方法主要是基于用户的协同过滤［7-9］（Userbased Collaborative Filtering，UBCF），即通过用户的相似用户对景点的评分值预测目标用户的景点评分值，从而对目标用户进行景点推荐。最初，研究者利用景点评分、浏览时间、打卡次数等数据计算用户之间的相似度［10-12］，从而预测用户对景点的评分值，该方法有效利用了用户间的关联进行景点推荐，但由于景点评论数据比较稀疏，因此计算精度不高。随后，许多学者对UBCF 方法进行了改进。Huang 等［8］在计算相似度时加入季节因素，从时间和景点两个维度分析用户的旅游历史，从而为用户进行景点推荐；Zhu 等［13］将景点的位置标签引入用户相似度计算，充分考虑了位置信息对用户进行景点选择的影响；陈氢等［14］、Xu 等［15］在为用户进行景点推荐的同时引入景点位置、旅游季节和天气因素，充分挖掘了景点的时间和空间信息；……