摘 要

近年来由于消费升级和移动互联网的普及，在线旅游业竞争越来越激烈，涌现了很多垂直型的旅游平台，各大OTA获客成本越来越高，除了互联网人口红利的逐步消失，还因为目前的消费需求越来越分散、个性化。面对繁杂的旅游产品信息，需要一个更“聪明”的机制来帮用户筛选适合自己的个性化产品。随着移动互联网的兴起，用户使用产品的时间和空间跨度都变大，产品的使用环境也增多，不同使用环境下用户的需求是不一样的。本文以去哪网为例，深入分析现有个性化推荐系统存在的关键问题，在这个基础上，本文提出了基于用户场景的个性推荐模型，通过分析新用户冷启动场景下用户的痛点以及需求的机会点，提出了相应的算法策略，并设计了衡量推荐系统的用户满意度方式。

关键词：在线旅游 个性化推荐 用户场景 用户冷启动

Abstract

In recent years, due to the consumption upgrade and the popularization of the mobile Internet, the online tourism industry has become more and more fierce, and many vertical travel platforms have emerged. The major OTA customers are getting more and more expensive, in addition to the gradual disappearance of the Internet’s demographic dividend, but also because The current consumer demand is increasingly dispersed and personalized. Faced with complex information on travel products, there is a need for a more "smart" mechanism to help users filter their personalized products. With the rise of the mobile Internet, the time span and the space span of users' use of products have increased, and the use environment of products has also increased. The needs of users under different usage environments are not the same. This paper takes the network as an example to analyze in depth the key problems existing in the existing personalized recommendation system. Based on this, this paper proposes a personalized recommendation model based on user scenarios, through the analysis of the user's pain points and needs in the cold start environment of new users. At the point of opportunity, a corresponding algorithm strategy was proposed and a user satisfaction method for measuring the recommendation system was designed.

KeyWords：Online travel；Personalized recommendation；User scene；User cold-start

目录

摘要 I

Abstract II

1绪论 1

1.1研究的背景及意义 1

1.2国内外研究现状 2

1.2.1个性化推荐系统研究现状 2

1.2.2个性化推荐算法的研究现状 3

1.3研究内容和技术路线 4

1.3.1研究的基本内容 4

1.3.2拟采用的技术方案 4

1.3.3 研究目标 4

2推荐系统相关理论及技术概述 5

2.1在线个性化旅游 5

2.2个性化推荐系统 5

2.2.1个性化推荐系统架构 6

2.2.2个性化推荐系统信息源 6

2.2.3个性化推荐系统评测 7

2.3个性推荐算法 8

2.3.1基于物品的协同过滤算法 8

2.3.2基于内容特征个性化推荐 9

2.3.2隐语义模型算法 10

2.3.3基于社交网络的推荐算法 10

2.3.4热度算法 11

2.4基于用户场景的设计 11

3个性化旅游推荐系统关键问题 13

3.1目前主流旅游个性化推荐系统流程 13

3.1.1用户日志处理 13

3.1.2规则引擎 13

3.1.3需求排序 15

3.2旅游个性化推荐系统现存关键问题 15

3.2.1场景列举 15

3.2.2机会点挖掘 15

3.2.3设计策略 16

3.2.4情感化 16

3.2.5衡量标准 16

4基于用户场景的个性化推荐改进方案 17

4.1基于用户场景的推荐引擎核心架构 17

4.2获取用户数据及推荐策略 17

4.2.1引导用户选择旅游标签 17

4.2.2引用站外数据 19

4.3热门推荐 19

4.4实时反馈三层体系 20

4.4.1在线推荐 21

4.5排序算法 22

4.6衡量标准 22

5总结与展望 24

5.1总结 24

5.2展望 24

参考文献 26

致谢 28

1绪论

1.1研究的背景及意义

近年来由于消费升级和移动互联网的普及，在线旅游的规模在短时间内持续扩张，2017年中国在线旅游OTA市场交易规模为400.0亿元，较2016年增长34.0%。在线OTA就相当于将线下代理商线上化，提供各大代理商一个跟用户交互、售卖的平台。随着其规模的扩大，线下越来越多的代理商被吸引到其平台上，线下的旅游产品全都被信息化，人们可在其平台上直接搜索。在线OTA还会自己直接跟线下旅游行业上游供应商采购放在其平台售卖，这么多的旅游产品，用户反而会因为选择过多而出现信息过载的问题，面对种类和数量越来越多的旅游产品，在线旅游的用户也难以快速高效的找到自己需要的产品。

由于互联网人口红利的逐渐消失，各家获取用户、获取流量变得越来越难，成本越来越高。据悉，某电商获取一个新客的成本高达180元。传统的营销方式，如价格战，无法有效地获得客户，让OTA等综合在线旅游预订平台进入用户规模瓶颈期，但相反垂直领域的住宿、交通平台却逐步迎来上升期。之所以出现这样的现象，业内分析表示，除了互联网人口红利消失带来的影响，还由于当前消费者的需求发生了变化，从以前习惯了被提供标准的服务现在更追求个性化的服务，消费的多元化、个性化将成为在线旅游的下一个风向标。根据艾瑞咨询报告显示，越来越多用户趋向于选择自由行。用户选择自由行，就意味着放弃传统旅行社提供的整套旅行方案，旅行计划由自己制定。传统旅行社在制定旅行方案时会有专人收集信息并进行一定的评估，这个过程需要一定的工作量，现在都转移到了用户身上。由于需要收集信息以及比价，用户会在各大旅游APP之间跳转，比如可能在马蜂窝上看了攻略，攻略对某酒店评价不错，马蜂窝也提供了该酒店的下单入口，但用户还想在去哪儿查看比价。可能该用户是去哪儿的新用户，如果能在该用户使用搜索酒店服务时就能把该用户转化为注册用户或首次下单用户，就相当于获取了一个新用户。

当增量市场逐渐过渡为存量市场，企业的目标不再是以各种营销方式尽可能地获取新的流量，而应该是将自己的产品或服务与市场做出差异化，用差异化的服务撬动竞争对手的老用户，使他们的迁移成本最低化。

用户选择旅游产品是一个重决策的过程，因为其客单价都比较高。面对繁杂的旅游产品信息，需要一个更“聪明”的机制来帮用户筛选适合自己的个性化产品，各大传统OTA们也需要这样一个机制来深度了解用户，实现精细化运营，不断从存量市场尽可能地获取新的用户。

根据研究，目前国内使用个性化推荐较多的行业有电商、在线音乐、电影等。电商行业是应用个性化推荐最多的行业，打开淘宝，页面最底端就是“猜你喜欢”，是根据你的浏览记录和购买记录信息生成的推荐列表。在线音乐会基于你的听歌历史给你推荐每日歌曲，还会从某些社交软件导入你得偏好数据，基于你的偏好推荐歌曲；在线旅游由于业务复杂，个性化推荐进程缓慢。

随着移动互联网的兴起，用户使用产品的时间和空间跨度都变大，产品的使用环境也增多，不同使用环境下用户的需求是不一样的。为了保障用户体验，基于用户场景的设计便被提了出来。基于用户场景的设计，提倡从用户的角度出发，禁止产品设计人自己臆想功能，从而使设计出的功能更贴近用户的真实需求。

基于此背景，本文提出了基于用户场景下的个性化推荐系统优化方案，为现在的旅游信息个性化推荐系统建设提供一定的借鉴意义。

1.2国内外研究现状

1.2.1个性化推荐系统研究现状

目前由于旅游行业的消费热以及个性推荐技术的不完善，国内外对旅游服务的个性化推荐技术的研究日益增多。从推荐目前主流网站的推荐内容维度划分，个性化旅游推荐大致可分为三种：单个旅游产品推荐、旅行包推荐和旅游线路推荐^[1]。

1. 单个旅游产品推荐

Cao 等^[2]使用了均值漂移聚类方法聚类了来自Flikr 上具有元数据的旅游照片，然后计算每个类别的代表性照片和标签。如果用户输入景点名称，则将用户的输入与所有类别的标签匹配，找出最为相似的标签，再根据标签寻找对应的景点；如果用户直接输入图片搜索，则搜索引擎会计算图片库中与用户输入最为相似的图片列表，按相似程度排序，再将该图片列表对应的景点信息列表推送给用户 。

李雅美等^[3]抓取了来自在线旅游网站-百度旅游（lvyou.baidu.com）和马蜂窝（www.mafengwo.cn）上的9857篇游记用来提取景点特征标签，景点标签和４种因素相关，分别是区域、时间、主题、类型，丰富了现有的通过主题模型提取的标签类别。采用线性加权的方式，结合基于标签的协同过滤算法和基于标签内容的推荐算法做出景点推荐。

1. 旅游包推荐

Xie 等^[4]从美食在线网站或是地图服务提供商获取相关信息，比如获取用户附近的餐馆价格和评分，然后，结合用户设置的一些信息，向用户推荐满足条件和最具成本效益的价格的前 k个旅行包。用户需要设置旅行目的地，时间段，旅行预算以及被推荐的旅行包数量等。

1. 旅行线路推荐

吕红亮^[5]提出了一种基于用户-景点-线路三部图的旅游线路推荐算法，综合利用了用户与旅游线路的交互信息，旅游线路与景点的相互关系等信息，通过随机游走的方式确定来用户对旅游线路的偏好，并通过对景点的聚类，减小了数据稀疏性对推荐效果的影响。

Chakraborty ^[6]需要用户输入出发地点以及旅行终点，加上分析用户以往的历史订单信息，然后生成旅游线路的推荐。用户还可以输入对线路的要求，如交通工具用户只想选择飞机，则可以选择交通工具的限用条件为飞机，系统就会自动剔除交通工具不为飞机的线路。实现上回首先利用模糊规则解释用户描述的线路需求并产生一些评估函数，再利用遗传算法生成备选的线路集，最终再将用户画像以及结合目前时间维度将符合条件的旅游线路推荐给用户。

1.2.2个性化推荐算法的研究现状

早期随着Internet的发展，服务器上的网页以指数的形式增长，人们开始进入“信息爆炸”时代，人们需要一个机制帮助大家更快地找到自己需要的信息。再加上20世纪90年代中后期由于电子商务的发展，个性化推荐登上了世界舞台，各大早期电子商务网站都利用个性化推荐技术来助力营销。Amazon是最早吃螃蟹的人，Amazon的几位科学家最早开始个性化推荐的实验，用于给用户推荐书籍，有文献表明当时的个性化推荐为Amazon的销售量提高了35%。于是各大电子商务网站纷纷效仿，由于个性化推荐商业化潜力巨大，短时间内对于个性化推荐技术的研究层出不穷，使个性化推荐技术不断地进行迭代。

目前比较熟知的推荐算法有五种：基于内容的推荐算法、协同过滤推荐算法、基于标签的推荐、隐语义模型推荐、社会化推荐，有时也会在基本的算法上加入时间和位置的加权筛选或者是融合了多种算法的混合推荐。下面简要介绍主流的推荐算法：

(1)基于内容的推荐算法的原理是基于用户历史行为信息，如浏览了哪些物品，购买了哪些物品，根据用户行为信息得出用户的偏好，最后计算出与用户偏好相似的物品，生成推荐列表推荐给用户。该推荐算法的优点是可解释性强以及如果有新上的内容不会存在冷启动问题；缺点是缺乏时效性和新颖性，如果你之前喜欢的东西发生了变化，算法无法快速感知，会一直给你推荐之前你喜欢的东西以及遇到复杂的物品无法做关联分析，如视频与图片之间的关联。基于内容的个性化推荐一般用于新闻等内容容易被特征化的领域，基于内容个性化推荐的难点在于内容特征化的规范性和准确性，为此业内诸多学者提出了基于领域本体的和内容特征化机器学习的研究方向。

(2)协同过滤算法是最早用于个性化推荐的算法也是目前运用最为广泛的算法，它又分为基于用户和基于物品的协同过滤推荐。基于用户的协同过滤推荐的原理是找出与用户兴趣相似的用户集，给当前用户推荐用户级偏好的物品；基于物品的协同过滤推荐的原理是基于用户的历史行为信息，计算出用户历史偏好物品的相似物品集，再推荐给用户。其缺点是需要在线实时计算时，如果用户量或物品量特别大，计算复杂度会非常高；另外，其算法的基础建立在用户的历史行为数据上，会存在冷启动和数据稀疏等问题。关于数据稀疏性带来的影响，目前主流的解决方案是先对物品或用户进行聚类，聚类后数据的稀疏性会大大降低。

(3)隐语义模型是这几年来个性化推荐领域比较热门的话题，它可以根据用户的历史行为数据自动给物品分类，并计算出用户的偏好信息，给用户推荐兴趣内的物品。隐语义模型在实际使用时很难实现实时推荐，每次启用时都会扫一下所有的用户行为记录。

(4)社会化推荐。社会化推荐可以很好地解决冷启动问题，跟各大社交软件合作获取用户的好友列表或偏好信息，可提前了解一个新用户以便为新用户做更贴切个性化推荐。

1.3研究内容和技术路线

1.3.1研究的基本内容

概述在线旅游个性化推荐产生的背景以及研究的目的意义；介绍在线个性化旅游、个性化推荐系统、本文用到的个性化推荐算法以及基于用户场景设计的概念内涵；以去哪儿网为例，介绍其旅游推荐系统的推荐流程，分析其个性化旅游推荐现有关键问题；针对去哪网个性化推荐系统现存的关键问题，基于新用户冷启动场景下，挖掘其机会点和用户痛点，提出相应的算法策略。

1.3.2拟采用的技术方案

拟采用的技术方案思路为提出问题，普及关键理论，以及针对关键问题进行分析，最后提出解决方案，具体如下图1.1所示：

图1.1 技术方案

1.3.3 研究目标

以去哪儿网为例，分析目前主流的个性化推荐系统应用流程，分析出关键问题，提出的基于用户场景的个性化推荐解决方案，对当下的旅游个性化推荐系统提供一定的借鉴意义。

2推荐系统相关理论及技术概述

2.1在线个性化旅游

旅游个性化服务是旅游企业及其从业人员在标准化、规范化服务的基础上，根据旅游消费者不同的兴趣爱好等相关因素，为旅游消费者所提供的满足其个性化需求的产品和服务[7]。在线个性化旅游指的是利用信息技术分析用户的旅游偏好，然后给用户提供个人兴趣相近的产品和服务。在线个性化旅游之所以进入人们的视野，从用户的角度分析，第一是因为用户厌倦了以往传统跟团游带来的不佳用户体验。传统的跟团游本着在最短时间内走最多的景点的原则，一路上基本是“赶路、搭车、照相”三件套，整个旅游过程相当于是走马观花；再加上传统旅行社售卖的旅游线路一般比较固定，间接的后果就是最后大家的选择高度的一致，造成热门景区人满为患，用户最后看到的不是风景而是人山人海；另外可能还会被强制购物，总之传统的跟团游有太多值得诟病的地方，不良的用户体验导致了用户的迁移，越来越多的用户选择自由行。第二，新的一代消费主力对体验经济的追求间接发展了个性化旅游。“80”、“90”逐渐成为消费主力大军，受消费升级观念的影响，他们更追求体验式消费，一年中或多或少都会出去旅游，随着他们出游次数的增加，消费经验和经历不断丰富，他们会持续探索新颖而小众（个性）化的东西，也愿意为无微不至的服务买单。第三，信息爆炸时代，能够快速找到有用的信息是关键。易观数据显示2017在线自由行月活跃人数维持在9000万以上，旅游是个天然的重信息重决策的过程，互联网能够帮助用户在脱离传统旅行社后提供旅游信息，。但是，随着互联网的发展，各类信息爆炸般涌现，面对各大OTA网站琳琅满目的旅游产品用户反而陷入选择困难症。为了帮助用户能从繁多的信息里找到自己想要的，在线个性化旅游便由此诞生。

2.2个性化推荐系统

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^[8,9]推荐系统的定义是通过发掘用户的行为，找到用户的个性化需求，从而将长尾物品准确推荐给需要它的用户，帮助用户找到他们感兴趣但很难发现的物品^[10]。对于电商平台来说，个性化推荐系统的意义就在于一个用户访问电商平台时，系统能够根据用户的历史行为或其他数据渠道获取用户的偏好，从平台众多的商品中筛选出符合用户偏好的商品推荐给用户。对用户来说，好的个性化推荐系统可以帮助用户决策，除了能够帮用户快速找到需要的物品，还能帮用户发现比自己预期更好的物品，带给用户惊喜感，用户体验大大提高。对于电商平台来说，个性化推荐系统不仅能够提高用户的下单转化率，还可以增强用户感知，巩固在用户心中的品牌好感，再次提升复购率。亚马逊是电商推荐系统的鼻祖，它极其重视个性化推荐系统的运用，其的个性化推荐系统为它提高了35%的销售量；Netflix的个性化推荐系统则为其每年节省10亿美元，其中冷门内容的观看量提高了3~4倍。从电视、报纸时代广告商的广撒网到如今各大电商网站个性化推荐系统精准地捕抓用户的需求，是科技进步带来的变革。

2.2.1个性化推荐系统架构

个性化推荐系统一般由数据收集及预处理、建模、推荐算法、推荐引擎、排序五部分核心组成，如下图2.1所示：

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：