Research on Recommendation Framework for Personalized Push of Cultural and Creative Products in Tourist Cities Based on Multi-Level Computational User Profiling
Notice bibliographique
Résumé
Currently, the development of cultural tourism has become a new trend of urban development, and how to use modern technology to realize the innovative development of urban cultural tourism has become a key issue to be considered in the process of urban construction.The research combines the Web domain ontology to construct a multi-level user portrait master model, which mainly includes four sub-models: retailer static attribute vector model, retailer domain dimension model, retailer marketing ability model and retailer social dimension model.The FCM algorithm based on the improved AP algorithm is utilized to cluster the user portraits, and the user portrait clusters obtained by the method studied in this paper perform well with an average number of iterations and an average time consumed of 21.3 and 60.35 compared with the traditional K-Means algorithm, the improved K-Means algorithm, and the traditional FCM algorithm, respectively.Then a personalized recommendation method for tourism products based on MAGFM is proposed, which achieves Top-N recommendation of tourism products by calculating the total interest value of users and the comprehensive similarity of tourism products.And test and analyze in the tourism e-commerce platform, the results show that the recommendation algorithm proposed in this paper has higher effectiveness compared with the traditional recommendation algorithm.Finally, the research content builds a personalized recommendation system for tourism cultural and creative products.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».