[發(fā)明專(zhuān)利]一種基于Spark的旅游興趣推薦系統(tǒng)及推薦方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710496944.6
• 申請(qǐng)日: 2017-06-26
• 公開(kāi)（公告）號(hào): CN107357845A
• 公開(kāi)（公告）日: 2017-11-17
• 發(fā)明（設(shè)計(jì)）人: 繆亞林;趙立怡
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安理工大學(xué)
• 主分類(lèi)號(hào): G06F17/30
• 分類(lèi)號(hào): G06F17/30
• 代理公司: 西安弘理專(zhuān)利事務(wù)所61214
• 代理人: 成丹

技術(shù)領(lǐng)域

本發(fā)明屬于旅游技術(shù)領(lǐng)域，具體涉及一種基于Spark的旅游興趣推薦系統(tǒng)，本發(fā)明還涉及利用上述推薦系統(tǒng)進(jìn)行推薦的方法。

背景技術(shù)

目前，隨著生活水平的提高，人們?cè)跐M(mǎn)足物質(zhì)需求的基礎(chǔ)上，更加注重精神需求，但是，目前旅游景點(diǎn)商業(yè)化和旅行團(tuán)跟團(tuán)游存在的強(qiáng)制消費(fèi)以及無(wú)自由時(shí)間活動(dòng)等問(wèn)題，使得消費(fèi)者無(wú)法享受當(dāng)?shù)匚幕械慕ㄖ溃幕溃惋嬛馈６遥壳暗穆糜蜗M(fèi)體系中忽略了當(dāng)?shù)卮髮W(xué)生的導(dǎo)游作用，通過(guò)私人定制旅游系統(tǒng)，有利于當(dāng)?shù)卮髮W(xué)生通過(guò)兼職導(dǎo)游解決生活來(lái)源的問(wèn)題，有利于大學(xué)生帶領(lǐng)消費(fèi)者體驗(yàn)純正的當(dāng)?shù)匚幕辉倜つ烤奂Ｔ诋?dāng)前大數(shù)據(jù)的時(shí)代背景下，信息過(guò)載是消費(fèi)者面臨的重要問(wèn)題之一，如何幫助游客在海量的數(shù)據(jù)集中獲取自己不明確和難以表達(dá)的需求，篩選到滿(mǎn)意的大學(xué)生導(dǎo)游是目前面臨的主要問(wèn)題。

在旅游推薦系統(tǒng)中面臨的主要挑戰(zhàn)是：數(shù)據(jù)稀疏性、冷啟動(dòng)以及多樣性和新穎性等問(wèn)題。當(dāng)采用單一的推薦算法如SVD算法會(huì)存在冷啟動(dòng)以及維度高，計(jì)算復(fù)雜等問(wèn)題，基于人口統(tǒng)計(jì)學(xué)的推薦方法粗糙不準(zhǔn)確。這些推薦算法都有自己的特點(diǎn)和適用場(chǎng)景，但都無(wú)法面對(duì)復(fù)雜的旅游推薦場(chǎng)景。為了充分利用各種數(shù)據(jù)提供的信息，保證推薦的準(zhǔn)確性、多樣性、新穎性，旅游推薦中采用并行混合推薦算法。

傳統(tǒng)的推薦算法運(yùn)行在單機(jī)環(huán)境中，其性能受到限制，使得分析計(jì)算效率低下，存儲(chǔ)空間擴(kuò)展性能不足，為了快速響應(yīng)用戶(hù)的需求，推薦系統(tǒng)需要大數(shù)據(jù)處理的能力。目前這一領(lǐng)域的框架很多，其中Spark是最新一代的計(jì)算框架，大數(shù)據(jù)處理能力很強(qiáng)，將Spark用于大數(shù)據(jù)的離線和在線計(jì)算將大大提高推薦系統(tǒng)的運(yùn)行效率。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于Spark的旅游興趣推薦系統(tǒng)，解決了現(xiàn)有推薦算法分析計(jì)算效率低下、存儲(chǔ)空間擴(kuò)展性不足的問(wèn)題。

本發(fā)明的另一個(gè)目的是提供利用上述推薦系統(tǒng)進(jìn)行推薦的方法。

本發(fā)明所采用的第一種技術(shù)方案是，一種基于Spark的旅游興趣推薦系統(tǒng)，包括：

數(shù)據(jù)倉(cāng)庫(kù)模塊，用于存儲(chǔ)數(shù)據(jù)；

數(shù)據(jù)收集模塊，將用戶(hù)交互界面的數(shù)據(jù)進(jìn)行收集，將收集到的數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)倉(cāng)庫(kù)模塊中；

推薦引擎組模塊，從數(shù)據(jù)倉(cāng)庫(kù)模塊中提取數(shù)據(jù)，每個(gè)引擎都有自己的推薦策略；

結(jié)果處理模塊，對(duì)推薦引擎組模塊輸出的結(jié)果按照權(quán)重統(tǒng)一起來(lái)，并將最終的結(jié)果展示給游客；

評(píng)估模塊，對(duì)推薦引擎組模塊的每一個(gè)引擎針對(duì)準(zhǔn)確度和多樣性進(jìn)行評(píng)估，以便確定各個(gè)引擎的使用場(chǎng)景；

引擎管理模塊，根據(jù)評(píng)估模塊的結(jié)果，動(dòng)態(tài)的增加、刪除推薦引擎，確定各個(gè)引擎的權(quán)重；

用戶(hù)反饋處理模塊，將用戶(hù)交互界面的用戶(hù)反饋數(shù)據(jù)收集，并將收集到的反饋數(shù)據(jù)發(fā)送至數(shù)據(jù)倉(cāng)庫(kù)模塊。

本發(fā)明第一種技術(shù)方案的特點(diǎn)還在于：

推薦引擎組模塊包括三個(gè)推薦引擎，分別是：

基于內(nèi)容的推薦，利用了大學(xué)生導(dǎo)游描述文件；

基于人口統(tǒng)計(jì)學(xué)的推薦，利用了游客描述文件；

基于SVD的推薦，利用了游客評(píng)分文件；

三個(gè)推薦引擎之間采用模塊化設(shè)計(jì)，根據(jù)情況線性添加、刪除及實(shí)時(shí)的調(diào)整推薦系統(tǒng)的權(quán)值分布。

每一個(gè)推薦引擎都分為兩部分，離線計(jì)算模塊和在線計(jì)算模塊。

推薦引擎的離線計(jì)算模塊處理數(shù)據(jù)量和計(jì)算量較大的原始數(shù)據(jù)，采用Spark分布式計(jì)算框架，供在線計(jì)算時(shí)使用。

推薦引擎的在線計(jì)算模塊與具體的推薦目標(biāo)相關(guān)，計(jì)算量不大，在離線計(jì)算的基礎(chǔ)上，以最快的速度給出推薦結(jié)果。