[论文解读] Recommendation Systems for Tourism Based on Social Networks: A Survey

Alan Menk, Laura Sebastiá+1 more|arXiv (Cornell University)|Mar 28, 2019

Recommender Systems and Techniques参考文献 53被引用 11

一句话总结

本综述回顾了利用社交网络数据以提升个性化、准确性和用户满意度的旅游推荐系统。通过分析社交媒体数据——包括用户偏好、社交关系以及推断出的人格特质——识别出关键技术、评估方法和研究空白，主张整合心理画像以提升旅游推荐中的意外发现性与相关性。

ABSTRACT

Nowadays, recommender systems are present in many daily activities such as online shopping, browsing social networks, etc. Given the rising demand for reinvigoration of the tourist industry through information technology, recommenders have been included into tourism websites such as Expedia, Booking or Tripadvisor, among others. Furthermore, the amount of scientific papers related to recommender systems for tourism is on solid and continuous growth since 2004. Much of this growth is due to social networks that, besides to offer researchers the possibility of using a great mass of available and constantly updated data, they also enable the recommendation systems to become more personalised, effective and natural. This paper reviews and analyses many research publications focusing on tourism recommender systems that use social networks in their projects. We detail their main characteristics, like which social networks are exploited, which data is extracted, the applied recommendation techniques, the methods of evaluation, etc. Through a comprehensive literature review, we aim to collaborate with the future recommender systems, by giving some clear classifications and descriptions of the current tourism recommender systems.

研究动机与目标

• 分析并分类利用社交网络数据以提升个性化与准确性的现有旅游推荐系统。
• 识别旅游推荐系统研究中使用最广泛的社交网络、数据类型及推荐技术。
• 通过标准化指标评估这些系统的有效性，并指出当前方法的局限性。
• 探讨将从社交媒体活动推断出的用户人格特质整合到推荐模型中的潜力，以提升意外发现性与用户满意度。
• 为未来研究提供路线图，强调在旅游推荐系统中人格画像应用的未充分探索领域。

提出的方法

• 对2004年至今的同行评审出版物中关于基于社交网络的旅游推荐系统的全面文献综述。
• 根据所使用的社交网络（如Facebook、Twitter、Foursquare）、数据源（如签到、点赞、状态更新）和数据类型（显式反馈与隐式反馈）对系统进行分类。
• 分析所采用的推荐技术，包括协同过滤、基于内容的过滤、混合方法以及上下文感知过滤。
• 使用标准指标（如精确率、召回率、RMSE、MAE）评估系统，特别关注真实用户反馈与实地实验。
• 研究从社交媒体行为中推断心理画像（如大五人格特质）以提升推荐多样性与意外发现性的整合潜力。
• 提出一个未来系统的框架，结合社交网络数据与基于人格的建模，以增强个性化与用户参与度。

实验结果

研究问题

• RQ1 在旅游推荐系统中，哪些社交网络最常被用作数据源？
• RQ2 哪些类型用户数据（如点赞、签到、状态更新）在提升推荐准确性方面最有效？
• RQ3 当在社交网络数据上训练时，不同推荐技术（如协同过滤、混合模型）的表现如何？
• RQ4 从社交媒体中推断出的用户人格特质在多大程度上能提升推荐质量与意外发现性？
• RQ5 在使用真实用户与离线基准评估旅游推荐系统时，面临的主要挑战与局限性是什么？

主要发现

• Facebook、Twitter和Foursquare等社交网络是旅游推荐系统的主要数据来源，提供了丰富的隐式用户行为数据流。
• 整合社交网络数据显著提升了推荐的准确性和个性化水平，通过实现隐式数据收集并缓解冷启动问题。
• 从社交媒体内容中推断人格特质——特别是基于大五人格等心理学理论——在提升推荐的意外发现性与新颖性方面展现出巨大潜力。
• 实地实验中使用真实用户评估对推荐质量至关重要，因为仅靠离线指标无法捕捉用户特定的满意度与情境相关性。
• 尽管兴趣日益增长，但目前很少有旅游推荐系统整合人格画像，这代表了一个显著的研究空白与机遇。
• 使用开放源代码社交网络（如Diaspora和OSSN）可实现伦理合规的数据获取，并支持用户参与评估，从而促进更真实、以用户为中心的系统测试。