Research on online hotel recommendation technology based on user-friendly characteristics

In recent years, peoples demand for hotels is increasing day by day.But in the face of all kinds of hotel services, how to choose is becoming increasingly prominent. Accurate and reasonable personalized hotel recommendation has a huge market.The existing traditional recommendation technology and its recommendation system do not analyze and explain the useramp;apos;s behavior from the endogenous parameters, and there are limitations in the accuracy of useramp;apos;s interest point mining and recommendation in the case of sparse data.This paper proposes a user-friendly modeling and recommendation method for hotels.According to the digital soul model proposed by the laboratory, it is mapped to the hotel field to get the user-friendly Hotel model.The similarity between user preferences and hotel features is calculated, and the recommendation candidate set is obtained by combining the recommendation technology based on collaborative filtering.Taking 'hotel management and operation game sandbox' as the experimental platform, the sandbox is an e-learning software developed by the laboratory and used by dozens of hotel management colleges.Experimental results show that compared with the simple feature parameter matching and common collaborative filtering, this method has higher accuracy, recall rate and operation efficiency, and to a certain extent solves the problems of cold start and data sparsity.

Key words: Hotel recommendation digital soul model humanized feature collaborative filtering

Chinese library classification number TP3 document identification code a DOI: 10.3969 / j.issn.1000-386x.2019.02.020

A HUMANIZED USER FEATURES APPROACH FOR HOTEL RECOMMENDATION

Wang Jinghong Li Yinsheng

( School of Software，Fudan University，Shanghai 201203，China)

Abstract In recent years，peopleamp;apos;s demand for hotels is increasing rapidly． However，in the face of various hotel services，the problem of how to choose has become increasingly prominent，and accurate and reasonable personalized hotel recommendation has a huge market． The existing traditional recommendation technology and its recommendation system do not analyze and explain user behavior from endogenous parameters，and there are limitations in the accuracy of user interest point discovery and recommendation in the case of sparse data． This paper proposed a humanized user modeling and recommendation method for hotels． According to the Cyber-Anima model proposed by the laboratory，it was mapped to the hotel field，and a humanized hotel user model was obtained． We calculated the similarity between user preferences and hotel features，and combined the recommendation technology based on collaborative filtering to get the recommendation candidate set． Based on the e-learning software developed by our laboratory and used by tens of hotel management schools，we did the experiments． The experimental results show that this method has higher accuracy，recall and operation efficiency than the simple feature parameter matching and common collaborative filtering，and solves the problem of cold start and data sparseness to a certain extent．

Keywords Hotel recommendation Cyber-Anima model Humanized features Collaborative filtering

Received on: September 14, 2018.Wang Jinghong, masteramp;apos;s degree, main research field: e-commerce.Li Yinsheng, associate professor.

At.

As we all know, Robin Li, Ma Yun and Ma Huateng are the founders of BAT respectively. They are all famous male entrepreneurs in China. As shown in Table 1, the rigid demand for hotels is basically the same.

Table 1 common features

If three people arrive in Shanghai and need to stay in the hotel, they will recommend Shanghai Marriott Hongqiao Hotel according to the traditional recommendation method. Because of its close proximity to Hongq

剩余内容已隐藏，支付完成后下载完整资料

基于用户人性化的在线酒店推荐技术研究

摘要：近年来，人们出行频率大幅提高；然而，面对各种各样的酒店服务，如何选择酒店的问题日益突出，准确合理的个性化酒店推荐有着巨大的市场，现有的传统推荐技术及其推荐系统没有分析和完善利用内生参数解释用户行为，在稀疏数据情况下，用户兴趣点发现和推荐的准确性存在一定的局限性，提出了一种人性化的酒店用户建模和推荐方法，并根据实验室提出的Cyber-Anima模型，将其映射到通过计算用户偏好与酒店特征之间的相似度，结合基于协同过滤的推荐技术，得到推荐候选集，基于本实验室开发的e-learning软件，并被数十家酒店使用实验结果表明，该方法比简单的特征参数匹配和常用的协同过滤具有更高的准确性、召回率和操作效率，在一定程度上解决了冷启动和数据稀疏的问题。

关键词：酒店推荐 网络模式 人性化特征 协同过滤

众所周知，李彦宏、马云和马化腾分别是英美烟草的创始人。他们都是中国著名的男企业家。如表1所示，酒店的刚性需求基本相同。

表1共同特点

如果三个人到达上海，需要入住酒店，他们会按照传统的推荐方式推荐上海虹桥万豪酒店。由于距离虹桥机场较近，地理位置优越，商务风格，环境幽静，设施齐全，能更好地满足三个基本要求，酒店特点见表2。

表2酒店特点

对于李彦宏来说，注重保守（性格），崇尚简约（理念），推荐经典商旅酒店，上海虹桥万豪酒店是最好的选择，但对于马云来说，与另外两位有着优秀家庭条件（环境）和it技术背景（知识）的人不同，他的创业历程艰辛坎坷（经历），年纪较大（生理），年轻时不知疲倦，现在事业成功，注重养生，热爱太极拳（理念），因此在满足基本需求的前提下，结合人性的特点，在符合生活方式的上海西郊酒店，马云更适合推荐安静的环境和散步健身的大草坪；对于喜欢粤菜（理念）的广东典型潮汕人（环境）马化腾来说，而对于率直的人来说，能在异地轻松品味家乡的味道，一定是生活中的福气，因此，在满足基本需求的前提下，结合人性化的特点，推荐马化腾周边有“潮汕餐厅”的上海虹桥新华联索菲特大酒店比较合适，更符合其餐饮文化，以上三个人性化特征见表3。将传统推荐和人性化推荐的结果进行比较，如表4所示。

表3人性化特征

表4推荐比较

由此可见，顾客选择酒店实际上是选择一个短期的生活圈。不仅要满足他们对硬件设施的需求，还要从多方面考虑人性化的特点，让顾客意识到，推荐的酒店总是在为他们着想，客人又回来了。

因此，本文提出了一种基于用户人性化特性的在线酒店推荐方法，通过分析和获取用户人性化特性，形成酒店用户模型，结合特征匹配和协同过滤等方法对用户感兴趣的酒店进行推荐“游戏沙盘”实验，得到准确率、查全率、操作效率等综合性能最好的推荐，并在一定程度上解决了冷启动和数据稀疏的问题。

1 相关工作

目前，大多数酒店推荐系统都是基于用户浏览和购买历史进行兴趣分析，重点收集电子商务网站中大量的注册、交易、评价等用户数据，以及web服务器中的日志数据和用户购物信息，但用户的人性化特点是很少关心。

文献[1]收集了用户访问过的酒店资源集合和在线提交的资源需求信息，根据用户在酒店网站上的在线行为，提取浏览用户的特征，构建信息库，形成用户模块，分析用户兴趣特征与产品特征的相似性，采用聚类方法挖掘与用户兴趣相关的酒店产品，量化用户兴趣和产品特征，匹配算法简单明了，但需要逐一列出产品特征，忽略不易量化的特征，文献[2-3]收集了用户的酒店评论信息，并获得用户偏好和酒店评价数据，根据用户输入的酒店要求（如城市、出行类型等信息，以及对房间、食物、位置、服务、设备等的偏好），建立用户模型，根据文献[2]，对集团用户的总体评价往往忽略了具体的推荐用户的需求。因此，我们首先提取评论的偏好，然后根据相同或相似偏好的用户评价形成推荐列表。协同过滤的思想存在冷启动和数据稀疏的问题。文献[3]提出了离线评价的方法，提取酒店用户评论并对其进行处理以获得项目特征矩阵。结合协同过滤，可以加快推荐速度，在一定程度上优化冷启动问题，但不能完全解决，需要不断更新离线资源，文献[4]收集了内部数据（如国籍、性别、年龄等）和外部数据（如设备等），用户的社交媒体、时间、环境等。用户模型是从用户的内部和外部信息数据中提取语义特征，分析用户的情感、行为和偏好。文献[5]收集了基本的用户信息和网站运营信息数据，并基于用户基本信息（性别、年龄、职业等）、用户偏好信息和用户操作行为（学习记录、收藏夹等）构建模型，文献[6]收集用户浏览网站时的眼球跟踪数据和鼠标跟踪数据，获取用户偏好，然后进行基于内容的推荐。

综上所述，现有的推荐系统大多存在数据稀疏、冷启动和对用户行为缺乏了解等问题，几乎没有用户人性化的数据挖掘，为了确定自己的兴趣，推荐自己真正感兴趣的酒店资源。因此，本文结合了用户人性化的特点，更加准确、高效地为酒店提供了一个全新的推荐系统用户推荐酒店。

2 预备知识

2. 1用户建模与推荐技术

国内外相关研究机构和学者在用户建模和推荐技术领域取得了很多研究成果：目前，用户行为分析观察方法被广泛应用于获取用户偏好信息，通过获取用户偏好信息建立用户模型，一般采用基于知识的推荐技术直接激励用户主动提供偏好和需求，然后通过用户偏好结构、关联规则、样本和评论属性建立用户配置模型；基于内容的推荐技术主要是从用户最喜欢或正反馈的内容中获取用户偏好，然后通过基于关键词的向量空间模型、基于内容的标签网络和潜在主题模型构建用户偏好模型；基于协同过滤的推荐技术利用用户偏好模型、余弦相似度、皮尔逊相似度等方法找到相似的用户，然后推荐相似用户喜欢的产品，从而达到更高的推荐效果，这些方法所采用的用户数据相对单一，往往只是用户某一维度的体现，导致推荐缺乏人性化效果。

2. 2用户人性化型

用户人性化模型是由李银生、沈建平等研究者提出的，也被称为数字灵魂模型-Cyber-Anima，Cyber-Anima模型旨在反映个体内生特征的概念，该模型为探索用户需求和推理用户意图提供了一个新的视角，通过用户输入、互联网资源、应用系统、便携设备等获取的信息，可以关联、转化、更新和改进个体的内生特征，因此，Cyber-Anima是为互联网世界中的个人而生的，在使用过程中不需要收集各种与用户相关的数据，因此，如果将用户人性化的模型结合起来，就可以解决传统协同过滤方法的冷启动和数据稀疏的问题。

用户人性化模型由生理维度、人格维度、概念维度、知识维度、体验维度和环境维度六个维度组成，以a∷=（aid，D，D”）表示，其中，aid是唯一的识别，Di是内生维度，Di∷=（DI PH， DI BE， DI CH， DI EX， DI KN，），分别对应前五个维度，D为外生维度，即环境元素，各维度具体内容见表5

表5 六维内容

人性化模型采用基于本体的表示方式，将六维属性作为本体的概念对和关系，以结构化、语义化的方式描述用户，在构建过程中确定了本体的顶层概念，即用户模型的六维，然后根据六个维度的具体定义，将其子维度表示为相应的子概念，用户模型维度可以表示为D∷=Ctimes;R，其中C表示概念集，R表示关集，其中关系是概念之间的关系。本文主要使用几种关系类型来构建人性化的个体模型本体，如表6所示

表6概念之间的关系类型

2. 3语义特

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[236088]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 基于关键词查询的聚焦网络爬虫外文翻译资料
• 移动社交媒体中网络舆论传播模型的构建、仿真与 实证研究外文翻译资料
• 钢铁工业共生网络的定量环境风险评估外文翻译资料
• 社交媒体网络中的知识扩散: 声誉机制和知识角色分配的影响外文翻译资料
• 基于情感分析的数字化内容平台用户行为研究外文翻译资料
• 知识管理在客户关系管理过程中的应用外文翻译资料
• 您如何定义和衡量研究生产力？外文翻译资料
• 对WEEE的再制造与回收的权衡以及中国基金政策下的环境影响外文翻译资料
• 数据库开发过程外文翻译资料
• 双边平台间的两部分关税竞争外文翻译资料