[论文解读] An Intelligent Data Analysis for Hotel Recommendation Systems using Machine Learning

Bushra Ramzan, Imran Sarwar Bajwa+2 more|arXiv (Cornell University)|Oct 15, 2019

Recommender Systems and Techniques参考文献 42被引用 4

一句话总结

本文提出了一种基于协同过滤的新型酒店推荐系统，通过整合用户评论的情感分析与客人类型画像（例如，单身、家庭、情侣）以提升个性化程度。通过结合词汇、句法和语义分析进行极性检测，并利用Hadoop进行大数据处理的模糊规则，该系统在精度、召回率和F1值方面均优于传统方法，且响应时间显著提升。

ABSTRACT

This paper presents an intelligent approach to handle heterogeneous and large-sized data using machine learning to generate true recommendations for the future customers. The Collaborative Filtering (CF) approach is one of the most popular techniques of the RS to generate recommendations. We have proposed a novel CF recommendation approach in which opinion based sentiment analysis is used to achieve hotel feature matrix by polarity identification. Our approach combines lexical analysis, syntax analysis and semantic analysis to understand sentiment towards hotel features and the profiling of guest type (solo, family, couple etc). The proposed system recommends hotels based on the hotel features and guest type as additional information for personalized recommendation. The developed system not only has the ability to handle heterogeneous data using big data Hadoop platform but it also recommend hotel class based on guest type using fuzzy rules. Different experiments are performed over the real world dataset obtained from two hotel websites. Moreover, the values of precision and recall and F-measure have been calculated and results are discussed in terms of improved accuracy and response time, significantly better than the traditional approaches.

研究动机与目标

• 解决传统协同过滤在处理异构、大规模酒店评论数据时的局限性。
• 通过将客人类型（例如，单身、家庭）作为上下文因素，提升推荐的个性化程度。
• 通过使用机器学习进行智能数据分析，提升酒店推荐系统的准确性和响应时间。
• 利用Hadoop平台开发可扩展的解决方案，以处理来自现实世界酒店网站的大数据。
• 整合用户评论的情感分析，以提取有意义的酒店功能偏好。

提出的方法

• 该系统采用混合方法，结合协同过滤与基于意见的情感分析，以提取用户对特定酒店功能的情感极性。
• 使用词汇、句法和语义分析技术，识别用户评论中针对每个酒店功能的情感极性。
• 将客人类型画像（单身、家庭、情侣等）作为额外输入，以定制推荐结果。
• 应用模糊逻辑规则，将客人类型与情感得分映射至酒店等级推荐。
• 系统在Hadoop大数据平台上实现，以管理来自两家真实酒店网站的异构大规模数据集。
• 通过计算精确率、召回率和F1值，评估其相对于基线协同过滤方法的性能表现。

实验结果

研究问题

• RQ1 如何通过用户评论的情感分析提升酒店推荐的准确性？
• RQ2 将客人类型（例如，单身、家庭）作为上下文因素，能在多大程度上提升酒店推荐系统的个性化程度？
• RQ3 结合协同过滤与情感分析的混合方法，是否能在精确率和响应时间方面超越传统协同过滤方法？
• RQ4 模糊规则在将客人画像与情感得分映射至酒店等级推荐方面，效果如何？
• RQ5 在使用Hadoop进行异构酒店数据可扩展处理时，性能提升程度如何？

主要发现

• 所提出的系统在精度、召回率和F1值方面显著优于传统协同过滤方法。
• 由于采用Hadoop平台进行高效数据处理，响应时间明显缩短。
• 将客人类型作为上下文因素，显著提升了推荐的个性化与相关性。
• 基于词汇、句法和语义技术的情感分析，能有效捕捉用户对特定酒店功能的评价。
• 模糊规则的整合实现了用户画像与情感得分向合适酒店等级的稳健映射。
• 基于真实世界数据集的实证评估证实，该系统在准确性和可扩展性方面表现更优。