题目：基于上下文的旅游资源推荐研究与实现

当前，网络高速发展，大量的信息通过网络实现展现和共享。各种旅游信息包括景点介绍、饭店评价、酒店配置等纷纷在网上出现。面对大量以及分散的资源介绍，旅游者无法在短时间内浏览所有的旅游资源，只能从各个旅行社发布的静态旅行套餐中进行选择。对于这些静态套餐，用户无法改变其中的行程或者选择自己可能喜欢的资源，因此也局限了旅游行程的多样性，无法满足用户的个性化需求。为了解决资源量大和用户个性化需求之间的矛盾，旅游资源推荐的有效手段已经成为研究热点。目前，绝大多数资源推荐通过用户的显性反馈、用户对资源的评价来获取用户的偏好，并基于用户偏好给出推荐的结果。旅游资源推荐相对于其他资源推荐(电影、书籍)不同的是，其对环境有较强的依赖性，在给用户推荐旅游资源是需要综合考虑环境因素的。因此，本文立足于基于旅游资源环境（上下文）开展有关旅游资源推荐方法和系统的研究。本文首先对相关推荐算法进行了详细的分析和对比，针对现有推荐算法的局限性，提出了加入上下文信息来增强推荐资源合理性的论文基本思路；然后，本文针对旅游资源推荐的特点提出了混合推荐算法和片段推荐算法模型。混合推荐算法将资源与资源之间的关系加入到协同过滤中，提高了矩阵的稠密度，从而提高了推荐的准确度。片段推荐模型通过将聚类算法Affinity Propagation与Markov model结合来提高行程规划效率；根据从Flickr以及TripAdvisor爬取的真实数据，将本文提出的算法与已经存在的算法进行对比分析，通过实验的结果和相关参数对实验的影响证明了本文提出算法的有效性。