基于网络信息嵌入性的旅游目的地形象传导研究

以福建武夷山景区和九鲤湖景区为例,从发射性形象和接受性形象两个方面来探讨旅游目的地形象的传导模式。发射性形象通过对景区管理者的访谈资料得出结论,接受性形象通过驴妈妈网站上游客对景区的点评资料分析得出,指出网络点评资料具有丰富化与差异化、分散化与整体性、参与性与传导性特征。对比两个景区的发射性形象和接受性形象的差异并分析不吻合的原因后,文章构建了网络信息嵌入前的目的地形象单向传导模式和网络信息嵌入后的双向传导模式,同时验证了信息嵌入后的双向传导模式有更大的优势,即双向性、循环性和反馈性特征,有助于提高发射性形象和接受性形象的吻合度。

基于图卷积集成的网络表示学习

针对现有网络表示学习方法泛化能力较弱等问题,提出了将stacking集成思想应用于网络表示学习的方法,旨在提升网络表示性能。首先,将3个经典的浅层网络表示学习方法DeepWalk、Node2Vec、Line作为并列的初级学习器,训练得到三部分的节点嵌入拼接后作为新数据集;然后,选择图卷积网络(graph convolutional network,GCN)作为次级学习器对新数据集和网络结构进行stacking集成得到最终的节点嵌入,GCN处理半监督分类问题有很好的效果,因为网络表示学习具有无监督性,所以利用网络的一阶邻近性设计损失函数;最后,设计评价指标分别评价初级学习器和集成后的节点嵌入。实验表明,选用GCN集成的效果良好,各评价指标平均提升了1.47~2.97倍。

基于多重相似度和CatBoost的个性化推荐

针对历史数据稀疏性导致推荐算法预测精度低的问题,提出基于多重相似度分析和CatBoost的推荐算法。利用修正的余弦相似度函数求解项目元数据和评分数据的相似矩阵并进行融合;采用大规模信息嵌入网络(large-scale information network embedding,LINE)对融合后的相似矩阵进行多阶相似性分析计算更精确的近邻集;以此作为CatBoost的输入预测项目评分并利用Top-N推荐项目。为验证其有效性,在MovieLens数据集上进行实验并与其它方法对比。实验结果表明,该方法具有更高的推荐精度、更强的稳定性,可解决历史数据稀疏性导致的推荐质量低的问题。