[发明专利]给游客推荐其很可能会浏览的景点的方法

说明书

技术领域

本发明属于智能信息处理技术，具体涉及一种基于聚类与马尔科夫（Markov）的预测方法，可用于解决游客偏好预测、旅游产品信息预取、旅游产品推荐等问题，特别是给游客推荐其很可能会浏览的景点。

背景技术

随着互联网与旅游业的不断发展，人们可以随时随地从旅游网站上了解各种旅游信息，但是，旅游信息太多，严重的信息过载使得游客不容易从因特网上找到自己想要的旅游信息，同时导致游客基于因特网做出旅游决策的效率愈低。然而，个性化旅游推荐成为解决这一问题的有效工具。

现在，个性化推荐系统也已经成为人们的热点。其中，获取游客的偏好成为个性化旅游推荐的关键，在游客访问旅游网站时候，游客的行为信息是获取游客的需求与偏好的主要来源，通过分析游客的行为，可以预测游客的需求与偏好，从而为游客提供旅游信息的主动推送，同时，预测出的需求与偏好信息还可以进一步用于个性化旅游推荐。在本发明中主要通过分析游客的浏览行为信息来给游客主动推送旅游信息。

游客的行为包括显示反馈行为和隐式反馈行为，利用显示反馈行为可以很明显地知道游客的偏好，比如对浏览景点的打分，标记喜欢或者不喜欢，想去、不想去或者是去过，以及游客直接输入的偏好信息等；而隐式反馈行为却不能很明显的看出游客的偏好。根据游客普遍的行为习惯，当游客访问网站时，若想了解某些信息，一般都会在搜索框中搜索，或者点击某个喜欢的链接继续浏览，而在浏览页面时，若游客比较关注某处内容，一般都会做出一些标记行为，比如鼠标拖选，或者就是浏览时在某处停留一段时间，因为游客的浏览行为往往要受到其内在兴趣的驱动，如：游客只有对相关的页面信息感兴趣，才会打开相应的链接并主动浏览相关的内容。

本发明主要针对游客浏览旅游网站时的隐性反馈行为做出分析处理，预测游客的下一步要浏览的景点，其采集的游客浏览行为包括：鼠标点击、键盘搜索、鼠标拖选、浏览截取。

由于游客浏览的景点内容依附于网页，因此游客的浏览景点的行为的预测与网页的智能预取之间存在着一定的相似性和相关性，网页智能预取的算法也可以尝试用来解决景点浏览的预测。

班志杰等人(班志杰,古志民,金瑜.Web预取技术综述[J].计算机研究与发展.2009,46(2):202-210)对网页智能预取的方法做了一个总结，指出共有五种典型的方法：1)基于DG(dependency graph)的方法;2)基于数据挖掘的方法;3)基于成本函数的方法;4)基于语义预测模型的方法;5)基于马尔可夫（Markov）预测模型的方法。许多学者采用马尔可夫预测模型进行网页预取。Dhyani等人(D.Dhyani,S.S Bhowmick and W.K.Ng,“Modelling and Predicting Web Page Accesses Using Markov Processes,”Proc.International Workshop on Database and Expert Systems Applications,2003,pp.332-336)将页面浏览过程看做一个马尔可夫链,并利用n步转移矩阵来进行预测。在分析研究马尔可夫模型和K步马尔可夫模型后,Awad等人(M.A.Awad,I.Khalil,“Prediction of User's Web Browsing Behavior:Application of Markov Model,”Proc.IEEE transactions on systems,man,and cybernetics.Part B,Cybernetics:a publication of the IEEE Systems,Man,and Cybernetics Society,vol42,no.4,Aug.2012,pp.1131-1142)提出了利用修改后的马尔可夫模型与关联规则挖掘的方法来进行网页预取。Faten和Chimphlee等人（K.Faten,J Y Li and H Wang,“A framework of combining Markov model with association rules for predicting web page accesses,”Proc.Australasian Data Mining Conference,Nov.2006,pp.177-184；S.Chimphlee,N.Salim,M.S.B.Ngadiman and W.Chimphlee,“Using Association Rules and Markov Model for Predit Next Access on Web Usage Mining,”Proc.Advances in Systems,Computing Sciences and Software Engineering,2006,pp.371-376)也利用了低阶马尔可夫模型和关联规则来预测下一步将访问的网页，这不仅可以避免复杂的高阶马尔可夫模型,也可以减少关联规则的数量，以便做出更准确的预测。Nanopoulos等人(A.Nanopoulos,D.Katsaros and Y.Manolopoulos,“A Data Mining Algorithm for Generalized Web Prefetching,”IEEE Transactions on Knowledge and Data Engineering,vol.15,no.5,Sep.2003,pp.1155-1169)在研究马尔可夫模型和DG后，提出了一个新的基于关联规则的预测方法WMo。邢永康等人(邢永康,马少平.类Markov链用户浏览预测模型[J].计算机学报.2003,26(11):1510-1517)指出：受浏览目的、文化背景、爱好和其他因素的影响,不同的用户其浏览过程不尽相同，假定每个用户的浏览行为都可以用一条马尔科夫链来表示。通过计算每个用户的Markov状态转移概率矩阵之间的相似性，根据标准函数，通过聚类Markov链将用户聚类为多个用户群，并为每个用户群建立一个新的马尔可夫模型。当用户访问该网站时，根据其浏览行为，利用贝叶斯分类算法将该用户归入某个用户群，并利用其所属用户群相应的马尔可夫预测模型预测该用户下一步想要访问的页面。