基于协同过滤的景点推荐WebGIS平台设计与实现

摘要

景点推荐服务平台在促进旅游业发展、推动地区经济增长、改善游客出游体验等方面发挥着不可或缺的作用。为了弥补当前主流旅游电子商务平台景点推荐功能缺失的不足以及改善个性化景点推荐应用缺乏的现状，本文以微博数据作为研究与应用的基础数据，以提出的自学习协同过滤算法与交集相似度计算方法作为景点推荐引擎构建的理论支撑，以WebGIS技术、数据库技术以及前端开发技术等作为平台设计实现的技术支持，通过构建时空标签数据模型与景点推荐模型，进行推荐算法的评测以及平台程序的编码与测试，完成了南京市景点推荐服务平台的设计与实现。具体研究内容与结果如下：
　　（1）在时空标签数据模型构建中，从微博数据特征的角度阐述了采用微博数据作为研究与应用基础数据的可行性，并对微博数据的获取途径进行了说明；详细介绍了微博数据的聚合处理过程以及景点、游客、相似景点三个方面的时空标签数据模型。
　　（2）在景点推荐模型构建中，为了改善协同过滤存在的数据稀疏和新用户问题，提出了基于文本分词与标签提取的自学习协同过滤算法；为了解决传统相似度度量方法只适用于量化数值的问题，提出了基于特征标签的交集相似度计算方法；然后对应于基于项目、用户以及自学习的协同过滤构建了各自的景点推荐模型。
　　（3）在景点推荐算法评测中，分别介绍了评测数据、评测指标以及评测流程；通过对评测结果在准确率、召回率以及兴趣度方面的对比分析，得出在基于标签的景点推荐中，自学习的协同过滤明显优于基于项目的协同过滤和基于用户的协同过滤，良好的改善了数据稀疏和新用户问题。
　　（4）在基于WebGIS的景点推荐服务平台设计与实现中，基于自学习的协同过滤算法和交集相似度计算方法构建了景点推荐引擎，采用GeoDataBase和MongoDB存储景点空间数据和属性数据，通过ArcGIS Server和WCF REST发布数据服务，调用ArcGIS API、jQuery类库等进行功能实现，利用Html、CSS、Javascript进行平台用户界面的布局与设计，完成了南京市景点推荐服务平台的设计与实现。

目录

声明

1 绪论

1.1 研究背景与意义

1.2 国内外研究概述

1.3 研究内容及技术路线图

1.4 章节安排

2 基于微博的时空标签模型构建

2.1 微博数据特征

2.2 微博数据获取

2.3 数据聚合处理

2.4 时空标签数据模型

2.5 本章小结

3基于协同过滤的景点推荐模型构建

3.1 推荐算法介绍

3.2 相似度度量

3.3 景点推荐模型构建

3.4 本章小结

4 基于景点推荐模型的推荐算法评测

4.1 评测数据

4.2 评测指标

4.3 评测内容及结果

4.4 本章小结

5 基于WebGIS的景点推荐服务平台设计与实现

5.1 需求分析

5.2 架构设计

5.3 详细设计

5.4 关键技术与编码实现

5.5 功能测试与平台展示

5.6本章小结

6结论与展望

6.1结论

6.2展望

致谢

参考文献

附录

附录一：数据聚合处理（DataProcessing.cs）

附录二：协同过滤算法实现（CFAlgorithm.cs）

附录三：评测指标实现（EvaluationIndices.cs）

附录四：攻读硕士研究生期间相关获奖情况