侯寶鎖

(浙江旅游職業(yè)學院 后勤服務處，杭州 311231)

隨著社會經(jīng)濟的發(fā)展，旅游產(chǎn)品不斷豐富，且在互聯(lián)網(wǎng)這一時代背景下，將線下旅游產(chǎn)品發(fā)展為線上和線下相結(jié)合的旅游產(chǎn)品，相較之前單純的線下旅游產(chǎn)品，具有產(chǎn)品豐富、服務廣泛、溝通高效等優(yōu)點[1]。然而，豐富的旅游產(chǎn)品和活動，卻也讓用戶無從選擇，為此，研究旅游景區(qū)推薦系統(tǒng)可以為用戶提供更加人性化的旅游服務[2]。

目前，旅游市場研究出了途牛旅游網(wǎng)、基于情境感知的推薦系統(tǒng)、Web和移動端、混合推薦算法等旅游推薦技術(shù)，為用戶制定個性化旅游產(chǎn)品并推薦[3]。文獻[4]通過爬蟲軟件和Jieba分詞獲取用戶在線評論信息，并對其感情強度進行評價賦權(quán)，使用Topsis排序為用戶推薦旅游景點。文獻[5]將分段用戶群與時間相結(jié)合，建立旅游景點推薦模型，為用戶個性化推薦旅游景點。文獻[6]采用Spark框架設計加權(quán)矩陣分解算法，實現(xiàn)個性化景點推薦系統(tǒng)設計。文獻[7]用混合推薦算法，緩解系統(tǒng)處理用戶數(shù)據(jù)稀疏問題，提高系統(tǒng)推薦質(zhì)量。文獻[8]將融合項目和用戶隱式反饋相結(jié)合，實現(xiàn)個性化推薦系統(tǒng)設計。

上述旅游推薦算法生成景區(qū)推薦列表速度慢且推薦景區(qū)范圍小，難以滿足用戶個性化需求，本研究利用關聯(lián)規(guī)則改進Apriori算法，在分析用戶行為的基礎上設計旅游景區(qū)推薦系統(tǒng)。

1 基于Apriori改進算法及行為分析的旅游景區(qū)推薦系統(tǒng)設計

1.1 系統(tǒng)總體架構(gòu)設計

在目前設計的景區(qū)推薦系統(tǒng)硬件基礎上，采用典型的B/S架構(gòu)將景區(qū)推薦系統(tǒng)架構(gòu)分為應用、業(yè)務邏輯和數(shù)據(jù)3層，所設計的系統(tǒng)架構(gòu)如圖1所示。

圖1 系統(tǒng)架構(gòu)

系統(tǒng)架構(gòu)在系統(tǒng)的業(yè)務邏輯層采用Web服務器接收用戶的推薦請求，并完成相應的推薦邏輯處理，然后以HTML的形式，將處理后的數(shù)據(jù)返回到用戶界面，以供用戶瀏覽景區(qū)推薦數(shù)據(jù)，完成用戶推薦請求；數(shù)據(jù)層將兩個數(shù)據(jù)庫服務器相結(jié)合，并與Mysql數(shù)據(jù)存儲板塊相連接，以增加數(shù)據(jù)的處理和存儲能力。業(yè)務邏輯層軟件方面，將其分為數(shù)據(jù)計算和景區(qū)推薦兩部分，采用Apriori改進算法分析用戶行為，得到用戶行為分析結(jié)果，根據(jù)分析結(jié)果，計算旅游景區(qū)詞頻，通過推薦模型為用戶推薦旅游景區(qū)。此外，在Web服務器和用戶網(wǎng)絡之間增加了一個防火墻，用于過濾惡意IP地址請求[9]。

此次設計系統(tǒng)設計的數(shù)據(jù)層，將數(shù)據(jù)庫處理器分為3部分，一個數(shù)據(jù)庫用于處理、提取存儲數(shù)據(jù)；另一個數(shù)據(jù)庫用于用戶緩存提取的數(shù)據(jù)庫數(shù)據(jù)，以此降低Web服務器訪問數(shù)據(jù)存儲層頻率，提高系統(tǒng)推薦景區(qū)速度。在已有的數(shù)據(jù)庫中選擇Myaql軟件作為此次設計系統(tǒng)的數(shù)據(jù)庫，其中存儲了百科、景點文本和poi等數(shù)據(jù)，以此支持系統(tǒng)詞頻計算。

應用層主要為系統(tǒng)提供訪問接口，用戶可以采用電腦、PC、手機、ipad等智能終端訪問系統(tǒng)，選擇系統(tǒng)應用層不同模塊瀏覽系統(tǒng)內(nèi)容，獲取自身需求的景區(qū)推薦信息[10]。

系統(tǒng)管理終端中包含系統(tǒng)維護、管理、檢修等系統(tǒng)控制功能，如系統(tǒng)推薦、查詢等規(guī)則更新、調(diào)整、用戶信息增添、刪除等功能。

1.2 構(gòu)建用戶行為特征文件

由于旅游景區(qū)的環(huán)境、天氣、開放程度等都存在諸多不確定性，且用戶在選擇旅游景區(qū)時，會受到天氣、時間、同伴等因素影響而發(fā)生變化。因此，系統(tǒng)需要根據(jù)用戶對相關旅游數(shù)據(jù)的瀏覽時長、關鍵詞篩選、標簽等數(shù)據(jù)定義用戶行為。但是，在定義過程中會受數(shù)據(jù)時間界限影響，一旦定義的用戶行為超過規(guī)定時間，其原本定義的用戶行為將不能作為推薦旅游景區(qū)行為標識。

基于此，從系統(tǒng)應用層中抽取的注冊信息和表現(xiàn)、情境和虛擬行為、交易記錄等用戶行為進行分組，整理用戶行為標簽，根據(jù)標簽的多少、頁面瀏覽時長、標簽時間生成等分組排序。其具體過程如下：

步驟1：將分組后的用戶行為文件記為文本文件e，其標準配置文件類型為fconf；

步驟2：根據(jù)fconf初始化文本文件e；

步驟3：按照文件大小排列，存儲一個用戶行為關聯(lián)操作組q；

步驟4：循環(huán)步驟3，當?shù)竭_“!”時即結(jié)束文件存儲循環(huán)，其中，“!”表示文本文件e循環(huán)結(jié)束符；

步驟5：讀取文件e中的一行信息，判斷信息中標識符u的定義。若u表示用戶標識符，按照先后順序?qū)中的元素存儲到r中，同時清空q中的元素；若標識符u表示景區(qū)項目，按照先后順序?qū)中的元素存儲到r中；若標識符u表示用戶行為，重置用戶“篩選條件”，清空q中的元素；

步驟6：循環(huán)步驟5，對比標識符u中的元素與關聯(lián)操作組q中的元素；

步驟7：判斷關聯(lián)操作組q中的元素是否包含標識符u中的元素，若包含標識符u中的元素，標注關聯(lián)操作組q中的行為類型；若不包含標識符u中的元素，將該元素添加在關聯(lián)操作組q的列隊末尾；

步驟8：輸出用戶行為序列。

根據(jù)上述8個步驟生成的用戶行為序列，以用戶為單位建立用戶行為模板g，記錄用戶行為序列和旅游景區(qū)之間的關聯(lián)，形成用戶行為特征文件。為此，將用戶行為作為原始數(shù)據(jù)序列根據(jù)用戶行為種類V，構(gòu)建V維用戶行為特征文件O，則有：

O={(h1,s1),…,(hv,sv),…,(hV,sV)}

(1)

式(1)中，hi表示用戶行為模板g中第v個用戶行為；sv表示行為模板中出現(xiàn)hi的次數(shù)[11]。依據(jù)式(1)所示的用戶行為特征文件，采用關聯(lián)規(guī)則方法改進Apriori算法為用戶行為賦權(quán)，建立用戶行為分析模型，生成推薦旅游景區(qū)集合，為用戶推薦心儀的旅游景區(qū)。

1.3 基于Apriori改進算法建立景區(qū)推薦模型

1.3.1 用戶行為賦權(quán)

根據(jù)式(1)所示的用戶行為特征文件，賦予用戶行為重要程度權(quán)重，將定性問題轉(zhuǎn)化為定量問題?；诖?，將用戶行為劃分為水平、垂直和復合3個層次，利用關聯(lián)規(guī)則算法計算用戶行為關聯(lián)加權(quán)。

將系統(tǒng)中存儲的用戶注冊信息和表現(xiàn)記為用戶行為關聯(lián)水平加權(quán)，假設旅游服務產(chǎn)品項目特征集合為B={b1,…,bi,…,bk}，其中，k表示旅游服務產(chǎn)品項目數(shù)量，bi表示第i個旅游服務產(chǎn)品項目。為bi賦權(quán)，將其權(quán)值記為wi，則wi具有0≤wi≤1,i=1,2,…,k性質(zhì)，則有：

w1=ω(B)z1(B)=max{w1,…,wi,…,wk}z1(B) ，

(2)

式(2)中，w1表示用戶行為關聯(lián)水平加權(quán)支持度；ω(B)表示B的加權(quán)值；z1(B)表示B的支持度；{w1,…,wi,…,wk}表示B中每一項的權(quán)值[12]。

將用戶的情境、虛擬行為等記為用戶行為多源關聯(lián)垂直加權(quán)，假設用戶相關事物記錄集合為A={a1,…,aj,…,al}，其中，aj表示第j條用戶相關事物記錄，l表示用戶相關事物記錄數(shù)量，為aj賦權(quán)，將其權(quán)值記為wj，其具有0≤wj≤1,j=1,2,…,l性質(zhì)，則有：

(3)

式(3)中，w2表示用戶行為多元關聯(lián)垂直加權(quán)支持度；∑wj(a′)表示用戶相關事物記錄中與a′行為相關的權(quán)值和，其中，a′代表情境、虛擬個體和虛擬行為關聯(lián)等行為中的任意一種；∑wj(A)表示用戶相關事物記錄的加權(quán)值[13]。

將B和A相結(jié)合產(chǎn)生的用戶交易記錄行為記為復合關聯(lián)加權(quán)，即在水平權(quán)值wi的基礎上，還具有垂直權(quán)值wj，且同時具有兩個權(quán)值的性質(zhì)，則有：

(4)

式(4)中，z(A,B)表示A,B的支持度；z1(wi)表示wi的支持度；z1(wj)表示wj的支持度[14]。綜合上述3個公式為用戶行為關聯(lián)賦予的權(quán)值，建立用戶行為分析模型。

1.3.2 建立用戶行為分析模型

假設系統(tǒng)應用層存在n個界面訪問事務和m個指標，用戶在瀏覽系統(tǒng)應用層時，可以生成初始行為矩陣ψn*m。與此同時，將上述3個公式計算得到的用戶行為權(quán)值按照降序順序排列，若B中的第i項bi出現(xiàn)在A中的第j項aj中，則ψn*m=1，反之，ψn*m=0。

采用改進后的Apriori算法，計算用戶行為項目最低支持數(shù)zmin(A,B)：

(5)

邏輯運算A和B，即A＾B=ψ2，其中，＾表示邏輯運算符號，ψ2表示＾運算生成的新矩陣。比較ψ1的最低支持數(shù)和ψ2的最低支持數(shù)，生成加權(quán)頻繁2推薦景區(qū)項集。連續(xù)運算A＾B，得到候選l推薦景區(qū)項集的支持數(shù)，并將其與zmin(A,B)對比，得到加權(quán)頻繁l項集。此時，生成的加權(quán)頻繁l項集，即根據(jù)用戶行為向用戶推薦的旅游景區(qū)集合。

2 系統(tǒng)測試

選擇基于Spark的推薦系統(tǒng)[6]和基于深度學習的推薦系統(tǒng)[7]作為此次實驗對比系統(tǒng)，采用8核2.40 GHz的CPU、128 GB的內(nèi)存、12 TB的硬盤、千兆網(wǎng)卡、Centos6.0版本的操作系統(tǒng)等硬件搭建3個配置一樣的推薦系統(tǒng)，通過RMSE、準確率、召回率、覆蓋率4個指標，以及系統(tǒng)推薦離線計算和在線計算耗時測試，驗證此次設計基于Apriori改進算法及行為分析的旅游景區(qū)推薦系統(tǒng)的運行性能。

2.1 實驗設計

此次實驗將系統(tǒng)性能測試分為計算速度和指標評測兩部分，在此次實驗準備的系統(tǒng)推薦測試數(shù)據(jù)集中，對比測試3組系統(tǒng)運行性能。此次實驗準備的系統(tǒng)推薦測試數(shù)據(jù)集中，包含了用戶、旅游景區(qū)、用戶評分3類信息，其數(shù)量分別為10 000、3 000和2 000 000。所選擇的數(shù)據(jù)集中，每位用戶都至少瀏覽過10個旅游景區(qū)。

2.1.1 速度計算設計

推薦系統(tǒng)計算速度快慢體現(xiàn)在用戶在某個具體頁面停留時長，直接影響用戶體驗效果，其停留時間越長用戶體驗效果越差?；诖?，根據(jù)系統(tǒng)推薦引擎，將系統(tǒng)推薦引擎運行前后時間差作為系統(tǒng)推薦速度測試指標，其計算公式如式(6)所示：

Δt=t2-t1

(6)

式(6)中，Δt表示系統(tǒng)推薦引擎運行前后時間差；t2表示系統(tǒng)引擎計算前系統(tǒng)運行時間；t1表示系統(tǒng)引擎計算后運行時間。如式(6)所示的系統(tǒng)推薦速度計算公式，Δt值越小，用戶體驗效果越優(yōu)，系統(tǒng)推薦性能越好。

2.1.2 指標評測設計

將此次實驗選擇的數(shù)據(jù)集中2 000 000的用戶評分信息按照6∶4的比例，分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集兩部分。在測試系統(tǒng)推薦性能時，需要對系統(tǒng)性能進行全方面評測，為此，選擇RMSE、準確率、召回率、覆蓋率4個指標判斷系統(tǒng)推薦性能，其計算公式如下：

(7)

如式(7)所示，準確率、召回率和覆蓋率指標值越高，系統(tǒng)推薦的旅游景區(qū)范圍越廣，越符合用戶需求。RMSE評價指標用于度量系統(tǒng)對用戶行為賦權(quán)結(jié)果，其值越小，用戶行為誤差越小。上述4個指標計算數(shù)據(jù)，其用戶信息和產(chǎn)品信息均從此次實驗選擇的數(shù)據(jù)集中獲取。

2.2 系統(tǒng)推薦測評結(jié)果

2.2.1 系統(tǒng)推薦速度計算結(jié)果

根據(jù)式(7)所示的計算公式，計算3組系統(tǒng)推薦旅游景區(qū)在線和離線計算時間，其計算結(jié)果如圖2所示。從圖2可以看出，系統(tǒng)離線計算速度明顯較在線計算速度快。其中，設計系統(tǒng)較基于Spark的推薦系統(tǒng)和基于深度學習的推薦系統(tǒng)離線計算速度分別快0.42 s、1.8 s，3組系統(tǒng)離線計算速度相差較小；在線計算速度分別快46.9 s、114.16 s，3組系統(tǒng)在線計算速度相差極大。由此可見，此設計系統(tǒng)具有較快的推薦速度，用戶所需等待時間短。

圖2 系統(tǒng)推薦旅游景區(qū)在線和離線計算時間

2.2.2 系統(tǒng)評測指標測試結(jié)果

根據(jù)式(7)所示的計算公式，計算3組系統(tǒng)推薦旅游景區(qū)評測指標，其計算結(jié)果如圖3所示。

圖3 系統(tǒng)推薦旅游景區(qū)評測指標計算結(jié)果

從圖3中可以看出，此次設計系統(tǒng)的RMSE指標相較基于Spark的推薦系統(tǒng)和基于深度學習的推薦系統(tǒng)分別小0.07和0.1，準確率、召回率和覆蓋率分別高0.133 8和0.216 2、0.099 2和0.138 5、0.457 7和0.323 5。由此可見，此次設計系統(tǒng)4個指標值均處于最優(yōu)值。

綜合上述兩組實驗結(jié)果可知，本設計系統(tǒng)生成旅游景區(qū)推薦列表速度快，且推薦范圍相對較廣，更加符合用戶需求。

3 結(jié)語

系統(tǒng)采用Apriori改進算法賦予用戶行為特征權(quán)重，以此確定用戶對旅游景區(qū)的需求，從而生成滿足用戶需求的旅游景區(qū)推薦列表；經(jīng)驗證，系統(tǒng)提高了旅游景區(qū)推薦速度、范圍和正確率。但是系統(tǒng)并未考慮推薦資源調(diào)配方法，處理用戶行為數(shù)據(jù)方面稍顯不足。因此，在今后的研究中，還需深入研究推薦資源調(diào)配方法，進一步提高系統(tǒng)對用戶行為數(shù)據(jù)處理能力。