上下文感知下的个性化旅游推荐系统初探

张伟伟，赵 飞，王 敦

（1.湘潭大学 旅游管理学院，湖南 湘潭 411105；2.国家基础地理信息中心，北京 100830；3.湖北财税职业学院，湖北 武汉 430064）

上下文感知下的个性化旅游推荐系统初探

张伟伟1，赵 飞2，王 敦3

（1.湘潭大学 旅游管理学院，湖南 湘潭 411105；2.国家基础地理信息中心，北京 100830；3.湖北财税职业学院，湖北 武汉 430064）

为了将用户感兴趣的旅游信息主动推荐给用户，通过引入上下文感知技术，提出了旅游推荐系统中的上下文模型，借助上下文敏感的地球空间信息服务设计了上下文感知下的个性化旅游推荐系统的原型架构。

上下文感知；个性化推荐系统；旅游信息服务；空间信息服务

普适计算通过感知显式或隐式包含在事物间的各种联系[1]，实现对系统行为的调整。存在于事物间的联系被称为上下文，能感知用户上下文信息进而调整系统行为，称为上下文感知技术。其目标是将由通信和计算机构成的信息空间与人们生活和工作的物理空间融为一体，支持用户“随时随地”并“透明”地获得符合其个性化需求的信息服务，要求计算设备能感知用户所处的环境及其变化，并做出相应动作。但是，随着普适计算的发展，用户不断被庞大的信息淹没，人们在寻求一种将用户感兴趣的信息主动推荐给用户的服务模式[2]。

个性化推荐被认为是目前解决信息过载最有效的工具之一。个性化推荐系统已在很多领域中广泛应用，如网络商品推荐、音乐推荐等。此类系统明确（提问）或暗示（挖掘用户的在线活动日志）用户需求，并提供各种产品和服务，如前往目的地、兴趣点、事件或活动等。近年来，研究者设计了很多旅游推荐系统，某些已运行于主要的旅游门户网站。但大多数推荐系统都没有考虑上下文对推荐结果的影响，推荐结果没有随上下文信息的改变而更新，如时间、位置以及活动的参与者等。

1 上下文与个性化旅游推荐系统

个性化推荐研究直到20世纪90年代才被作为一个独立的概念提出来[3]，通过捕捉用户对于不同项目的偏好程度来计算每个项目的权重，按分数先后顺序推荐给用户。对于旅游推荐系统来说，相应的项目即为旅游——目的地、路线及相应的旅游花销，例如，Mary去武汉归元寺旅游的权重为7(总权重为10)，那么，就可相应设置为Rtourism(Mary,GuiYuanSi) = 7。这种推荐方式通过用户显式操作或系统隐式计算，在User、Item所组成的一个二维空间中推荐相应的项目。绝大多数推荐集中在推荐项目给用户或考虑项目的相应用户群，推荐的项目并没有考虑到上下文信息。当前的旅游推荐系统对用户的查询条件的理解，仅停留在语法或语义层，并没有达到语用层。

鉴于此，本文在旅游推荐系统中加入上下文模型，相应的推荐权重公式为[4]：

式中，User和Tourist Contents分别为用户本体模型和旅游内容本体模型；Context为与该旅游推荐系统相关的上下文信息；Rating为相应的权重。各项具体内容如下：

1）User。系统推荐旅游内容的用户，包含用户的ID、姓名、住址、年龄、性别、专业、旅游兴趣爱好及旅游目的。定义为User(UserID, Name, Address, Age,Gender, Profession, Interest, Tourism purpose)。

2）Tourist Contents。系统所包含的旅游内容，包含住宿、餐饮、购物、景点、历史/文化、节日/事件、交通运输、气象、娱乐和位置。定义为Tourist Contents(Accommodation, Food, Shopping, Attractions,History/Culture, Festival/Event, Transportation, Weather,Entertainment and Location)。

3）Context。相关的上下文信息，包含空间上下文[5]和旅游上下文，具体为：①地理位置，包括用户当前所在的位置、用户所感兴趣的区域以及区域的建筑、道路结构等；②时间，包括当前时间、过去某个时间、将来某个时间（涉及空间信息的推演）；③天气状况，雨天、晴天或多云；④用户状态，年龄、性别、从事领域、兴趣、知识水平、用户目的以及所使用的交通工具等；⑤设备环境，传感器、接收器；⑥参与者，即同行者，如单独出游、朋友、女友/男友、家庭、同事和其他。其本体模型定义为Tourist Context=（identity, state, location, time, companion） ,其中 identity表示上下文信息的来源；state 表示传感器信息源的状态；location 和time 分别是上下文发生的地点和时间。通过这种结构，可统一定义空间信息上下文信息。如Marry一个人乘公交去归元寺，可表示为：（Marry,Take a bus, GuiYuanSi, Now, Alone）。

上述旅游推荐系统中的空间上下文模型为用户、旅游内容、上下文所组成的三维空间，系统根据相应用户的文化、年龄、收入等个人统计信息以及当前的情感状态决定其旅游偏好，如果景点信息的呈现正好符合了用户当前的旅游偏好，用户就会产生一个初步的旅游意图，然后根据相应的空间上下文——天气、交通、时间景观属性等，自动计算出旅游项目的权重推荐给用户。用户交互式地选取推荐结果，系统根据用户上下文动态推送空间信息服务，便于用户确定旅游线路。

2 原型系统设计

基于旅游推荐系统中的上下文模型，本文借助上下文敏感的地球空间信息服务[6]设计了上下文感知下的个性化旅游推荐系统的原型架构（如图1所示）。系统分为旅游上下文、上下文感知中间件、推荐服务模块、旅游信息服务模块以及地球空间信息服务模块5个部分。

图1 上下文感知下的个性化旅游推荐系统架构图

各实体的功能描述如下：

1）旅游上下文，存储了推荐的多维上下文信息，本文为用户、旅游内容（服务）、上下文等三维信息。该上下文是和服务注册紧密配合的，当服务提供者在服务注册中心注册其服务时，服务上下文会主动分配其上下文属性。服务提供者也可在服务上下文模块（这里的服务特指旅游信息）注册新的上下文属性。

2）上下文感知中间件，包括用户请求分发、上下文信息管理、服务注册以及相关地图服务推送等。请求分发记录用户的信息及交互操作，相应地实时改变旅游上下文，并记录到上下文模型中。上下文管理即管理旅游上下文信息，并对上下文信息进行初步过滤。

3）推荐服务模块。一个完整的推荐系统由3个部分组成：收集用户信息的行为记录模块, 分析用户喜好的模型分析模块和推荐算法模块。其中, 推荐算法模块是推荐系统中最为核心的部分。本文采用协作过滤推荐算法，是目前推荐系统中使用最多的个性化推荐技术。该技术往往被应用在电子商务环境中为用户推荐商品信息，没有对用户上下文进行定义。在旅游推荐系统中，上下文环境是动态变化的，用户的旅游行为也会因为环境中上下文信息的变化而发生改变。本文基于旅游上下文模型，结合协作过滤推荐算法，给出个性化旅游推荐算法的初步设计。

4）旅游信息服务模块，提供给用户旅游信息交互界面，并依据相应的推荐服务，选择出用户感兴趣的旅游景点及适宜的旅游路线，进一步提供用户交互刷选。

5）地球空间信息服务模块。服务种类为WMS、WFS、WCS和WPS；服务内容为遥感影像、电子地图、兴趣点服务、空间信息查询服务和路径查询服务等。

地球空间信息服务模块、上下文感知中间件参考文献[6]，文章主要探讨旅游上下文模型、推荐服务模块以及相应的旅游信息服务模块。

2.1 旅游上下文建模

个性化旅游推荐系统中的用户模型不是对用户个体的一般性描述，而是一种面向算法的、具有特定数据结构的、形式化的用户描述。相应地，用户建模是指从有关用户兴趣和行为的信息(浏览内容、浏览行为、背景知识等)中归纳出可计算的用户模型的过程。只有在高质量的用户模型的基础上，才能实现个性化信息服务系统所追求的各种目标。用户模型的表示方法是指用户的信息需要或兴趣如何存储。用户模型的表示提供了一种结构化的模型存储形式，它决定了用户模型反映用户真实信息的能力和可计算能力，同时也在一定程度上限制了用户建模方法的选取。它往往和系统采用的知识表示方法密切相关。本文在用户建模过程中加入上下文信息，对旅游推荐系统进行上下文建模，其模型如图2所示。

图2对 User×Tourist Contents×Context三维旅游上下文模型进行了说明，用户维度包含用户基本信息及旅游偏好等，旅游服务维度为在系统中注册的旅游服务，具体包括住宿、餐饮、购物、景点、历史/文化、节日/事件、交通运输、气象、娱乐和位置等，上下文维度即为上文所述的Tourist Context模型。系统根据某个用户在特定的上下文推荐相应的旅游服务，其权重即为R(u,t,c)。

图2 用户上下文User×Tourist Contents×Context建模

2.2 个性化推荐方法

个性化旅游推荐就是根据旅游上下文信息，将候选的旅游兴趣点及相应的旅游线路、其他旅游服务通过一定的规则进行打分、排序，并结合空间信息服务，形成不同粒度的多维信息（空间信息、上下文信息、旅游信息以及多媒体信息）服务链的过程。常用的推荐算法为基于内容的推荐算法和协作过滤推荐算法。协作过滤推荐[7]是目前推荐系统中使用最多的个性化推荐技术，它基于邻居用户的评分数据得到目标用户的推荐，个性化程度高。其最大优点是对推荐对象没有特殊要求，能处理非结构化的复杂对象，如书店、音乐、餐馆等。传统协作过滤算法流程大体分为4步：首先输入用户—服务评分矩阵；然后选择用户相似性度量方法；再形成最近用户邻居集合；最后产生推荐数据。

但该技术没有对用户上下文进行定义。将旅游上下文引入到协作过滤推荐算法中后，原来的二维评分矩阵变为用户-上下文-旅游服务三维矩阵（见图2），使服务选择更加复杂，评分矩阵更加稀疏，但推荐更加精确。引入上下文相似度后三维协作过滤推荐模型处理有3种方法（见图3）：①上下文初过滤，即在给用户推荐前先根据当前上下文信息对旅游服务、空间信息服务进行初次筛选，形成推荐服务候选集，将三维模型降为二维，然后根据传统的协作过滤算法进行推荐；②上下文后过滤，先不考虑上下文信息，根据用户—旅游服务二维矩阵来初步推荐，形成结果集，再进一步用上下文信息过滤，形成基于上下文的推荐服务；③通过扩展二维推荐算法，一开始即把上下文、用户考虑进去，进行推荐，该方法算法比较复杂，但结果最为精确。

图3 引入上下文后的3种推荐模式示意图

2.3 旅游信息服务

旅游信息服务，包含用户交互界面和系统所推荐的旅游服务内容——旅游兴趣点、旅行路线以及住宿、餐饮、购物等信息，进一步提供用户交互筛选。

以一位青年男性用户外出旅行为例，首先用户登入系统，填写基本信息及专业、兴趣、旅游目的等，然后收集各类上下文信息并建模，通过上下文感知寻找合适的空间信息服务、旅游信息服务；最后结合用户—上下文—旅游信息三维矩阵，依据协作过滤推荐模型进行推荐。该过程中实时记录用户状态及上下文信息，并实时推荐旅游信息。主要的网络地图服务、网络要素服务、路径查询服务（导航服务）以及坐标转化服务通过请求地球空间信息服务中间件获得。

3 结 语

要实现旅游信息化，旅游信息共享是最终目标[8]。在旅游信息系统的开发方面，国外侧重于从推荐系统角度来尝试建立各种旅行信息系统，这些系统一般仅提供一些旅游资源信息的查询和推荐，并不能提供空间分析功能, 没有充分利用GIS技术；国内侧重于从GIS角度出发，利用各种GIS技术（WebGIS、虚拟现实），建立各种旅游地理信息系统[9]，这些系统能提供用户兴趣点查询、路径查询等，但没有从根本上实现个性化、智能化服务。为此，本文引入上下文感知技术，对旅游推荐系统中的上下文进行建模，借助上下文敏感的地球空间信息服务设计了上下文感知下的个性化旅游推荐系统的原型架构，并阐述了上下文建模的过程，以及引入上下文后的个性化空间信息服务、旅游信息服务的推荐模式。具体上下文本体模型构建，推荐算法优化及推荐结果评价是后续研究中亟待解决的问题。

[1] Weiser M. The Computer for the Twenty-first Century [J].Scientific American, 1991, 265 (3): 43-50

[2] Gorgoglione M, Palmisano C,Tuzhilin A. Personalization in Context: Does Context Matter When Building Personalized Customer Models?[C].ICDM 2006, 2006

[3] Hill W, Stead L,Rosenstein M, et al. Recommending and Evaluating Choices in a Virtual Community of Use [C]. Conf Human Factors in Computing Systems， Denver,1995

[4] Adomavicius G, Tuzhilin A. Context-aware Recommender Systems[C].RecSys, 2008

[5] 王少一,杜清运．基于上下文感知的地球空间信息服务中间件的实现[J]．武汉大学学报:信息科学版,2010,35(7):790-793

[6] 王少一,杜清运．基于本体的地球空间信息上下文建模[J]．地理信息世界,2008(5):58-60

[7] 刘建国,周涛.汪秉宏.个性化推荐系统的研究进展[J].自然科学进展,2009,19(1):1-15

[8] 黄俊,万幼川,谭宁生,等. 分布式旅游信息系统研究[J].测绘科学,2009,34(5):168-180

[9] 王峰,刘仁义,刘南．WebGIS和虚拟现实技术在旅游业发展中的应用研究[J].浙江大学学报:理学版,2005,32(6):706-710

Research on Personalized Tourist Recommendation System Based on Context-awareness

byZHANG Weiwei

In this paper, we argued that relevant contextual information did matter in tourist recommender systems and that it was important to take this information into account when providing recommendations.We discussed the general notion of context and how it could be modeled in tourist recommender systems. Finally, we presented the architecture of a prototype system for context-aware recommenders based the geospatial information service and promising directions for future research.

context-aware, recommendation system, tourism services,geospatial information service

P208

B

1672-4623（2014）02-0024-04

10.11709/j.issn.1672-4623.2014.02.010

2013-07-03。

项目来源：湖南省教育厅社科资助项目（2010null03011）；湘潭大学博士科研启动资助项目（09ly06001)。

张伟伟，博士，讲师，硕士生导师，主要研究方向为旅游信息系统与空间信息可视化。