《Technologies》：Combining Content-Based Filtering Methods for Building a Powerful Hybrid Recommender System to Improve Tourism in Draa-Tafilalet Area
编辑推荐：
本文提出了一种混合基于内容的推荐系统，旨在增强个性化旅游体验并支持摩洛哥旅游推广，特别关注德拉-塔菲拉勒特（Draa-Tafilalet）地区。该研究方法集成了三种机器学习模型——决策树（Decision Tree）、k近邻（k-nearest neighbo
本文提出了一种混合基于内容的推荐系统，旨在增强个性化旅游体验并支持摩洛哥旅游推广，特别关注德拉-塔菲拉勒特（Draa-Tafilalet）地区。该研究方法集成了三种机器学习模型——决策树（Decision Tree）、k近邻（k-nearest neighbors）和支持向量机（Support Vector Machine）——以预测历史旅游景点的用户评分。旅游景点元数据和用户生成评论通过TF-IDF向量化表示，而各个模型产生的预测通过逆误差加权策略进行组合。该系统使用两个数据集进行评估：一个是从Yelp数据集中提取的包含美国历史建筑评论的子集，以及一个区域性的德拉-塔菲拉勒特（Draa-Tafilalet）数据集。使用平均绝对误差（MAE）和均方根误差（RMSE）评估的实验结果表明，加权混合模型通过实现更低的预测误差优于各个独立的推荐模型。这些发现证明了混合基于内容的推荐方法在提高个性化旅游推荐准确性、支持游客决策以及推广代表性不足的区域目的地方面的潜力。
**论文解读：基于混合内容过滤的旅游推荐系统——以摩洛哥Draa-Tafilalet地区为例**
**研究背景与问题**
信息与通信技术（ICT）显著改变了旅行者与旅游业的互动方式。在线旅游平台（如Expedia、Booking）虽提供了海量数据，却也使旅行规划变得复杂耗时。传统推荐系统依赖静态方法且需大量人工干预，难以满足个性化需求。尽管人工智能（AI）驱动的推荐系统已被引入旅游领域，但现有框架多采用静态、预定的混合权重或未加权的启发式组合，无法动态适应不同算法在文本驱动特征上的表现差异。此外，摩洛哥的Draa-Tafilalet地区拥有丰富历史遗产，但旅游推广不足，亟需精准的推荐工具来提升游客体验并促进区域旅游发展。为此，研究人员提出一种加权混合基于内容的推荐系统，以解决上述局限性。
**研究内容与结论**
研究人员设计并实现了一个混合基于内容的推荐系统，集成决策树（Decision Tree, DT）、k近邻（k-nearest neighbors, k-NN）和支持向量机（Support Vector Machine, SVM）三种机器学习模型，通过TF-IDF（Term Frequency-Inverse Document Frequency）向量化技术将旅游景点元数据和用户评论转化为数值特征，并采用逆误差加权策略动态组合各模型的预测结果。系统在两个数据集上评估：Yelp数据集子集（包含128个美国历史建筑的16002条评论）和区域Draa-Tafilalet数据集（包含70个历史建筑的1737条评论，通过TripAdvisor收集）。实验采用平均绝对误差（MAE）和均方根误差（RMSE）作为评价指标。结果表明，加权混合方法的MAE（0.034）和RMSE（0.124）均显著低于单一模型（DT：MAE 0.058/RMSE 0.268；k-NN：MAE 0.050/RMSE 0.184；SVM：MAE 0.038/RMSE 0.130），证明动态权重优化能有效提升预测精度。该研究发表在《Technologies》期刊上，其重要意义在于为欠发达旅游目的地提供了可部署的个性化推荐方案，并验证了混合内容过滤方法在文本驱动旅游推荐中的优越性。
**关键技术与方法**
- **机器学习模型**：分别采用决策树（DT，基于规则的分层分类器）、k近邻（k-NN，基于邻居相似度的实例学习器）和支持向量机（SVM，基于最大间隔超平面的线性分类器），三者并行运行以捕获不同的数据结构特征。
- **特征表示**：使用TF-IDF将预处理后的景点元数据（名称、类别、评论）转化为加权数值向量，构建n×m维（景点×词项）的文档-词项矩阵。
- **组合策略**：通过逆误差加权（Inverse-Error Weighting）计算各模型权重——基于验证集的RMSE取倒数后归一化——使预测误差更低的模型获得更高权重，最终线性加权得到混合预测评分。
- **数据来源**：Yelp公共数据集（美国历史建筑子集，16,002条评论）及自主收集的Draa-Tafilalet数据集（2025年中旬通过TripAdvisor爬取，1,737条评论）。
（忽略试剂、培养等无关步骤。）
**研究结果**
**4.5 结果与讨论**
研究人员采用掩蔽留出验证策略，将用户历史数据按60%训练集、10%验证集（用于优化逆误差权重）、30%测试集划分。对比实验在Yelp和Draa-Tafilalet两个数据集上进行，结果如下：
- **MAE比较**（图3、表1）：加权混合方法MAE为0.034，低于SVM（0.038）、k-NN（0.050）和DT（0.058）。
- **RMSE比较**（图4、表2）：加权混合方法RMSE为0.124，低于DT（0.268）、k-NN（0.184）和SVM（0.130）。
这些结果证实了逆误差加权混合策略能有效集成三种模型的优势，在文本驱动的历史旅游景点推荐任务中取得最低预测误差。
**讨论与结论**
研究人员在讨论部分指出，基于内容的方法有效缓解了新物品的冷启动问题，但对新用户仍存在挑战（因无历史评分可供比较）。结论部分重申：本文研究的混合基于内容方法通过动态加权机制显著提升了预测精度；未来工作将开发协同过滤和基于人口统计学的组件，整合到混合旅游推荐系统的大数据架构中，以扩展兴趣点（PoI）数据库并规划完整旅行路线。最终目标是构建一个服务于摩洛哥（尤其是Draa-Tafilalet地区）旅游推广的行程规划服务。
