CN104965883A - 一种匹配用户特征的个性化旅游信息筛选方法 - Google Patents

Abstract

本发明提供了一种匹配用户特征的个性化旅游信息筛选方法，包括个性化需求建模和映射规则建模。个性化需求建模包括实体需求建模和线路需求建模；其中，实体需求建模中采用两层粒度分类方法对所述实体需求参数进行分类处理；线路需求建模中采用三层粒度分类方法对所有线路需求进行分类处理。映射规则建模包括映射算法和推荐算法。本发明针对旅游行业总体用户数量多、总体历史数据量丰富和单个用户数据量小等特性，设计了一种匹配用户特征的个性化算法：用户登录系统后，不必输入任何参数，能够根据用户角色特征主动推荐给用户最需要的旅游服务，满足用户个性化需求，为用户节省大量时间。

Description

一种匹配用户特征的个性化旅游信息筛选方法

技术领域

本发明属于旅游信息服务领域，具体涉及一种匹配用户特征的个性化旅游信息筛选方法。

背景技术

目前，大多数旅游企业都提供了各种信息服务，游客可以通过这些服务获取相关旅游信息如景点、旅游路线和报价等。但是这些服务是由企业设置的，更多的是从企业的角度出发，忽略了用户的主体地位，推荐的信息服务千篇一律，往往不能反映用户的个性化需求。

目前用于旅游信息筛选的个性化算法跟应用场景紧密相关，个性化算法主要有以下几类：

(1)基于内容的推荐算法

基于内容的信息推荐方法的理论依据主要来自于信息检索和信息过滤，根据用户过去的历史数据来向用户推荐用户没有接触过的推荐项。该算法运用用户以往对项目的偏好兴趣建立用户特征，并对项目内容进行分析，评估项目与用户兴趣之间的相关性，进而判断并找出用户可能感兴趣的项目推荐给用户。该算法广泛应用图书系统个性化推荐服务，其缺点也很明显：要求用户历史数据丰富；不适合新用户。

(2)基于协同过滤的推荐算法

基于协同过滤的推荐算法根据用户对项目的评分矩阵计算用户的相似性，找出用户的最近邻居，从而根据最近邻居的喜好做出未知项的评分预测。该算法存在的缺点是：要求用户历史数据丰富；对新加入的项目不能进行准确推荐。

(3)基于关联规则推荐算法

基于关联规则推荐算法主要应用于电子商务活动，通过发现不同商品在销售过程中的相关性，判断顾客潜在的购买意向，从而向用户推荐。这种算法的主要缺点是：规则的建立和逻辑合理性是一个相当复杂的过程。

除了这几种个性化推荐算法外，还有基于知识的推荐算法、基于效用的推荐算法等。这些算法各有优缺点，但是都不适合旅游行业，这是由于旅游行业自身特性决定的。与图书管理系统、电子商务系统比较，旅游信息系统的特征主要有：一是是整体历史数据量大，用户规模大，一些主流的旅游信息系统用户数量已达数十万，旅游信息十分巨大；二是单个用户的历史数量较少，有统计显示，目前旅游信息系统注册用户平均两年进行一次旅游活动。因此，传统的从单个用户历史数据根据逻辑规则获取单个用户的个性化需求方式不能适应旅游服务，特别是对那些新加入的用户更是如此。

发明内容

本发明目的之一在于克服现有技术的缺陷，提供一种能够满足用户个性化需求，为用户节省大量时间的匹配用户特征的个性化旅游信息筛选方法。

本发明提供的一种匹配用户特征的个性化旅游信息筛选方法，包括个性化需求建模和映射规则建模，所述个性化需求建模包括如下步骤：

步骤S100：构建实体需求参数数值模型；

步骤S200：采用两层粒度分类方法对所述实体需求参数进行分类处理，并将该分类处理结果加入到实体需求集S₁中；

步骤S300：采用三层粒度分类方法对所有线路需求进行分类处理，并将该分类处理结果加入到线路需求集S₂中，将实体需求集S₁和线路需求集S₂结合在一起，构成个性化需求集S；

所述映射规则建模包括如下步骤：

步骤S400：根据用户角色信息分成不同的角色组，当用户被分配单一角色时，进行单角色映射，当用户被分配多个角色时，进行多角色映射；

所述步骤S400中单角色映射包括如下步骤：

步骤S411：对用户角色的需求项进行分类，根据每类需求项出现的概率进行排序，得到用户角色与个性化需求集S的映射关系；

步骤S412：对每类需求项参数数值进行大小排序，最后输出用户单角色映射下的个性化需求；

所述步骤S400中多角色映射包括如下步骤：

步骤S421：统计用户多个角色下的需求项；

步骤S422：对所有需求项进行单角色映射处理。

进一步的，所述步骤S200中的两层粒度分类方法包括如下步骤：

步骤S201：系统初始化，构造一个需求记录为零的实体需求集S₁，统计实体所有需求记录，设需求记录数量为n₁。

步骤S202：统计n₁条需求记录的参数类型和参数值，如果存在m₁条包含的参数类型和数量都相同的需求记录，并且每个参数都有确定的取值，该m₁条相同需求类别的需求记录为第一层粒度的分类；

步骤S203：对m₁条需求记录继续进行分类，如果存在w₁条参数排序完全一致记录，该w₁条相同需求类别的需求记录为第二层粒度的分类；

步骤S204：将获得的所有需求类别加入到实体需求集S₁中。

进一步的，所述步骤S300中的三层粒度分类方法包括如下步骤：

步骤S301：系统初始化，构造一个线路需求记录为零的线路需求集S₂，统计所有线路需求记录，并根据线路编号进行第一层粒度分类；

步骤S302：第二层粒度的分类：统计某条线路需求记录的数量，如果存在m₂条包含的实体类型和数量都相同的线路需求记录，并且每个实体都有确定的取值，该m₂条线路需求记录初步作为相同需求类别；

步骤S303：第三层粒度的分类：对m₂条线路需求记录继续进行分类，如果存在w₂条实体排序完全一致的线路需求记录，该w₂条线路需求记录确定为相同需求类别；

步骤S304：将获得的所有需求类别加入到线路需求集S₂中。

本发明的有益效果在于，本发明针对旅游行业总体用户数量多、总体历史数据量丰富和单个用户数据量小等特性，设计了一种匹配用户特征的个性化算法：用户登录系统后，不必输入任何参数，能够根据用户角色特征主动推荐给用户最需要的旅游服务，满足用户个性化需求，为用户节省大量时间。

附图说明

图1所示为本发明匹配用户特征的个性化旅游信息筛选方法中个性化需求建模流程图。

图2所示为本发明匹配用户特征的个性化旅游信息筛选方法中角色映射流程图。

具体实施方式

下文将结合具体实施例详细描述本发明。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。

本发明提供的一种匹配用户特征的个性化旅游信息筛选方法，包括个性化需求建模和映射规则建模。

如图1所示，个性化需求建模包括如下步骤：

步骤S100：构建实体需求参数数值模型。

实体需求涉及吃、住、行、娱、购、玩，是基础性需求。实体需求参数数值模型的表示采用键值对的形式：设实体需求有n个参数，每个参数的值已知，则该需求可以表示为：

A[(p₁,v₁)、(p₂,v₂)、(p₃,v₃)......(p_n,v_n)]

其中，A为实体名，p为参数名，v为参数值。参数值有数值型、字符型和布尔型。例如酒店价格属于数值型，酒店环境属于字符型，酒店设施(是否配备游泳池)属于布尔型。数值型参数和布尔型参数容易处理，字符型参数是经过系统处理、遵循一定规范的描述。

步骤S200：采用两层粒度分类方法对所述实体需求参数进行分类处理，并将该分类处理结果加入到实体需求集S₁中，完成实体需求建模。

系统中6类实体需求参数数量非常巨大，对这些需求参数进行处理、分类，工作量非常繁重。分类粒度是需求分类主要考虑的因素。粒度太大，分类类别数量太少，不能充分反映需求的个性化特征。粒度太小，则系统处理的复杂程度高，实现难度大。本算法提出两层粒度的实体需求分类方法，包括如下步骤：

步骤S201：系统初始化，构造一个需求记录为零的实体需求集S₁，统计实体所有需求记录，设需求记录数量为n₁。

步骤S202：统计n₁条需求记录的参数类型和参数值，如果存在m₁条包含的参数类型和数量都相同的需求记录，并且每个参数都有确定的取值，这m₁条相同需求类别的需求记录为第一层粒度的分类。

步骤S203：对m₁条需求记录继续进行分类，如果存在w₁条参数排序完全一致记录，该w₁条相同需求类别的需求记录为第二层粒度的分类。

步骤S204：将获得的所有需求类别加入到实体需求集S₁中，使得实体需求集S₁中能够包含各种需求类别。

采用两层粒度的分类方法能够提高个性化需求与用户真实需求的契合度。例如，设A、B、C三个用户预订酒店时，关注的参数相同，都是酒店价格、环境和地理位置。虽然参数数量相同，参数类型相同，但是由于三个用户的经济能力、兴趣、偏好存在差异，表现出的需求仍然存在差异。A用户可能首先考虑价格因素，其次分别是地理位置和环境。B用户则优先考虑环境因素，其次分别是环境和地理位置。C用户关注的参数顺序为地理位置、价格和环境。

步骤S300：采用三层粒度分类方法对所有线路需求进行分类处理，并将该分类处理结果加入到需求集中，完成线路需求建模。

线路需求是高层次的需求，是建立在实体需求的基础之上。线路需求的参数是指：时间、地点、酒店等。例如海南三日游包括的参数有：海口市、三天时间、参观的景点等。线路需求建模也要经过历史线路需求记录处理、分类等过程。实体需求建模一般只涉及6类实体，线路需求建模由于线路数量多，时间跨度大，因此其流程与实体建模虽然相似，但需要对实体需求进行配置，因此复杂程度要高。线路需求建模采用三层粒度的分类方法，第一层是线路编号，第二层是实体数量和类型，第三层是实体排序。具体地，三层粒度的分类方法包括如下步骤：

步骤S301：系统初始化，构造一个线路需求记录为零的线路需求集S₂，统计所有线路需求记录，并根据线路编号进行第一层粒度分类。

步骤S302：第二层粒度的分类：统计某条线路需求记录的数量，如果存在m₂条包含的实体类型和数量都相同的线路需求记录，并且每个实体都有确定的取值，该m₂条线路需求记录初步作为同一类需求类型。

步骤S303：第三层粒度的分类：对m₂条线路需求记录继续进行分类，如果存在w₂条实体排序完全一致的线路需求记录，该w₂条线路需求记录确定为相同需求类别。

步骤S304：将获得的所有需求类别加入到线路需求集S₂中，使得线路需求集S₁中能够包含各种需求类别。

步骤S400：根据用户角色信息分成不同的角色组，当用户被分配单一角色时，进行单角色映射，当用户被分配多个角色时，进行多角色映射。

单个用户历史需求记录数量较小，难以推导出符合用户真实意图的个性化需求。通过映射规则，建立用户角色与个性化需求之间的映射，从而间接得到用户个性化需求。本方法的用户数据结构分为两部分：基本信息和角色信息。基本信息主要包括电话、姓名、邮编等，这部分信息与用户的个性化信息没有关系。角色信息主要包括职业、收入、偏好等，会对用户的个性化需求产生影响。因此，角色信息是重点研究内容。角色采用角色组结构，即根据用户个性信息分成不同的角色组，每个角色组由具体角色组成。如角色组可以是职业类别，具有包括公务员、教师、公司职员等角色。也可以根据收入来进行类别划分，如高收入群体、白领收入群体、蓝领收入群体等角色。

单角色映射：用户注册时分配的角色是单一的，属于某用户组。由于系统历史用户规模大，历史数据多，每种角色对应的需求量都具备一定规模。单角色映射对这些需求进行处理，找出最符合角色的需求集，并根据相关度进行排序。

如图2所示，步骤S400中单角色映射包括如下步骤：

步骤S411：映射算法：对用户角色的需求项进行分类，根据每类需求项出现的概率进行排序，得到用户角色与个性化需求集S的映射关系。具体地，映射算法包括如下步骤：

步骤a：设角色A下需求项为N_A，并对这些需求项进行分类，分类方法采用需求建模方式，主要考虑参数数量、种类和排序。

步骤b：设N个需求项分为a、b、c…….等类，每类的用户数量为N_a、N_b、N_c…….，则可表示为：

N_A[N_a、N_b、N_c......]

步骤c：分别统计每类需求的数量，并计算其出现的概率，如下所示：

$\begin{array}{cccc}{p}_a=\frac{M_a}{N_A}& p_b=\frac{M_b}{N_A}& p_c=\frac{M_c}{N_A}& \mathrm{..........}\end{array}$

根据概率大小进行排序，若

p_a＞p_b＞p_c＞......

可以得出用户类型a与需求集的映射关系：

A→N_A(p_a,p_b,p_c,.....)。

步骤S412：推荐算法：对每类需求项参数数值进行大小排序，最后输出用户单角色映射下的个性化需求。

映射算法建立了用户角色与需求类别之间的关系，类别可以按概率进行排序。但是对用户而言，除了对参数数量、种类和排序有要求外，个性化的要求还体现在参数值上。例如，两个用户在预订酒店时，关注的参数完全一致，排序是价格、位置、环境。但是价格的范围仍然存在差异。因此，还要需要对映射需求集进行进一步处理，把每类需求进行大小排序，推荐给用户最合适的个性化需求。推荐方法如下：

步骤d：设角色A下需求类别a的数量为N_a，参数类别为T₁、T₂、…T_m。

步骤e：若T₁为数值型参数，则进行如下处理：

$\stackrel{\‾}{T_1}=\frac{\underset{i=1}{\overset{N_a}{\Σ}}{T}_{1i}}{N_a}$

式中T_1i为参数T₁的具体取值。

步骤f：进行参数值筛选，设经验系数为E，若

$|T_{1i}-\stackrel{\‾}{T_1}|>E$

则删掉该参数，重新进行步骤e和步骤f，直到所有参数值筛选完备。

步骤g：把参数值按照与距离为标准排序，与越接近，排序越靠前，可表示为：

T₁(T₁₁,T₁₂,T₁₃,.....T_1W)_。

系统对布尔型和字符型参数的处理方式相同，认为布尔型参数是字符型参数的特例。字符型参数处理过程与数值型不同，采用数理统计方式。首先对参数值进行编码，统计各个编码的概率，然后根据概率大小进行排序。

所述步骤S400中多角色映射包括如下步骤：

步骤S421：统计用户多个角色下的需求项；

步骤S422：对所有需求项进行单角色映射处理。

系统允许用户具有多个角色，其个性化需求通过多角色映射获取。多角色映射以单角色映射为基础，对多个角色下所有需求类别进行综合处理。

角色映射实际上是通过两个步骤来进行的：映射算法实现了需求参数类型、数量和顺序的筛选，确定了需求类别，并进行了排序。推荐算法则实现了某类需求下参数值的筛选，实现了参数值排序。通过这两个步骤，以角色为中介，实现了用户个性化需求的获取。

本发明针对旅游行业总体用户数量多、总体历史数据量丰富和单个用户数据量小等特性，设计了一种匹配用户特征的个性化算法：用户登录系统后，不必输入任何参数，能够根据用户角色特征主动推荐给用户最需要的旅游服务，满足用户个性化需求，为用户节省大量时间。

本文虽然已经给出了本发明的一些实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (3)

1.一种匹配用户特征的个性化旅游信息筛选方法，其特征在于，包括个性化需求建模和映射规则建模，所述个性化需求建模包括如下步骤：

步骤S100：构建实体需求参数数值模型；

步骤S200：采用两层粒度分类方法对所述实体需求参数进行分类处理，并将该分类处理结果加入到实体需求集S₁中；

步骤S300：采用三层粒度分类方法对所有线路需求进行分类处理，并将该分类处理结果加入到线路需求集S₂中，将实体需求集S₁和线路需求集S₂结合在一起，构成个性化需求集S；

所述映射规则建模包括如下步骤：

步骤S400：根据用户角色信息分成不同的角色组，当用户被分配单一角色时，进行单角色映射，当用户被分配多个角色时，进行多角色映射；

所述步骤S400中单角色映射包括如下步骤：

步骤S411：对用户角色的需求项进行分类，根据每类需求项出现的概率进行排序，得到用户角色与个性化需求集S的映射关系；

步骤S412：对每类需求项参数数值进行大小排序，最后输出用户单角色映射下的个性化需求；

所述步骤S400中多角色映射包括如下步骤：

步骤S421：统计用户多个角色下的需求项；

步骤S422：对所有需求项进行单角色映射处理。

2.如权利要求1所述的一种匹配用户特征的个性化旅游信息筛选方法，其特征在于，所述步骤S200中的两层粒度分类方法包括如下步骤：

步骤S201：系统初始化，构造一个需求记录为零的实体需求集S₁，统计实体所有需求记录，设需求记录数量为n₁。

步骤S202：统计n₁条需求记录的参数类型和参数值，如果存在m₁条包含的参数类型和数量都相同的需求记录，并且每个参数都有确定的取值，该m₁条相同需求类别的需求记录为第一层粒度的分类；

步骤S203：对m₁条需求记录继续进行分类，如果存在w₁条参数排序完全一致记录，该w₁条相同需求类别的需求记录为第二层粒度的分类；

步骤S204：将获得的所有需求类别加入到实体需求集S₁中。

3.如权利要求1所述的一种匹配用户特征的个性化旅游信息筛选方法，其特征在于，所述步骤S300中的三层粒度分类方法包括如下步骤：

步骤S301：系统初始化，构造一个线路需求记录为零的线路需求集S₂，统计所有线路需求记录，并根据线路编号进行第一层粒度分类；

步骤S302：第二层粒度的分类：统计某条线路需求记录的数量，如果存在m₂条包含的实体类型和数量都相同的线路需求记录，并且每个实体都有确定的取值，该m₂条线路需求记录初步作为相同需求类别；

步骤S303：第三层粒度的分类：对m₂条线路需求记录继续进行分类，如果存在w₂条实体排序完全一致的线路需求记录，该w₂条线路需求记录确定为相同需求类别；

步骤S304：将获得的所有需求类别加入到线路需求集S₂中。