基于行为特征的相关性排序用于旅游政策推荐:一种决策支持框架

《Engineering Applications of Artificial Intelligence》:Behavioral feature-based relevance ranking for tourism-policy recommendation: A decision-support framework

【字体: 大 中 小 】 时间:2026年10月23日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   摘要本文开发了一套决策支持系统,根据个人的出行行为对旅游补贴项目进行排序。韩国现行的旅游推广政策通过先到先得机制发放福利,忽略了旅行者偏好方面的差异。我们针对这一问题,利用零截断负二项分布模型构建个体特定的惩罚性行为特征——一个基础出行倾向项和一个距离敏感度项——通过基于机器

  

摘要

本文开发了一套决策支持系统,根据个人的出行行为对旅游补贴项目进行排序。韩国现行的旅游推广政策通过先到先得机制发放福利,忽略了旅行者偏好方面的差异。我们针对这一问题,利用零截断负二项分布模型构建个体特定的惩罚性行为特征——一个基础出行倾向项和一个距离敏感度项——通过基于机器学习的 Gaussian Mixture Model 聚类算法对旅行者进行分组,然后通过显式资格筛选器依次结合群体相似度、地理距离以及基于 Bidirectional Encoder Representations from Transformers 的自然语言处理语义相似度,为每位旅行者排序推荐政策。利用2024年韩国旅游调查数据(n=3616名多目的地旅行者),我们识别出七个探索性旅行者群体,并通过重抽样整个流程来评估其稳定性。在揭示性偏好留一法评估中,按个体特定行为特征为目的地打分在Hit@10上优于随机和最近邻基线,但未超过粗略的区域匹配启发式方法或同质化数据伪影控制组,仍低于一个简单的汇总距离系数;汇总层面的距离效应和最大的单一群体是这些控制中唯一保留下来的组成部分。因此,我们将人工智能的贡献定位为探索性的行为分群和相关性排序,而非经过验证的个体级个性化,将工程应用定位为决策支持原型而非经过验证的提高出行率的有效机制。

引言

旅游推广政策代表了旨在刺激国内旅游和支持区域经济的巨额公共投资。2024年,韩国政府在住宿折扣活动上投入了大量预算,通过线上平台发放30,000至50,000韩元的优惠券。这些政策采用先到先得的发放机制,不考虑旅行者偏好和行为的差异,导致资源分配效率低下且效果有限。
高效的旅游政策分配问题是一个更广泛的公共资源配置问题类的实例。标准做法将所有潜在受益者视为同等对待,忽视了个体在出行偏好、距离敏感度和对政策干预的反应方面的差异。这种统一做法导致了三个问题。第一,先到先得机制根据获取速度而非响应度分配福利:优惠券在发布后几分钟内就被恰好在线且本身已有出行意愿的用户抢走,因此补贴不成比例地奖励了早期采用者和边际内旅行者,而非政策意图改变其行为的人群。第二,由于向所有人提供相同的工具,补贴形式(例如固定的住宿折扣)与实际约束不同旅行者的异质性因素(如距离、时间或交通可达性)之间存在结构性错配。第三,先到先得渠道仅记录了领取行为,而非谁获得了何种福利或福利如何改变了行为,因此现有系统无法在个体层面追踪政策效果或将其反馈到后续分配中。
本文通过构建一套决策支持系统来解决这些问题,该系统基于从出行记录中提取的行为特征为个人排序旅游政策推荐。该方法融合了计量经济学建模、机器学习和自然语言处理。具体而言,我们针对三个研究问题展开。研究问题1:能否从横截面出行调查数据中构建个体级行为特征——基础倾向和距离敏感度——并将其作为可解释的输入用于分群和排序?研究问题2:这些特征是否揭示了不仅仅是标准人口统计类别的代理变量的探索性旅行者群体?研究问题3:能否构建一个多准则匹配函数,将这些行为特征与政策的文本内容相结合,从而产生资格约束下的相关性排序以支持决策?这些问题将组织后续的方法、结果和讨论。
本文对决策支持系统文献做出了四项贡献。
第一,我们从零截断负二项分布模型中构建了个体特定的L2惩罚性行为特征——一个基础出行倾向项α和一个距离敏感度项β,按每位旅行者分别拟合。由于我们样本中位旅行者的出行次数仅为两次,这些估计值最好被解释为正则化的描述性特征,而非结构性识别的个体需求函数。我们通过参数恢复模拟和同质化数据伪影控制组直接验证了这一框架,后者再现了定性上相似的参数几何结构,从而量化了观察到的结构中有多少可能仅由估计噪声产生。
第二,我们利用 Gaussian Mixture Model 对这些行为特征进行聚类,将旅行者分为七个探索性群体。我们明确报告群体稳定性而非假设其存在:参数化的自助法通过重新估计整个流程——从个体参数估计到聚类——表明,最大的群体(约占样本的三分之一)具有相对稳健性,而若干较小的群体在重抽样下无法被可靠地恢复。因此,我们将七分组解作为一个临时性的设计启发,而非经过验证的旅行者类型学。
第三,我们构建了一个政策相关性排序引擎,将显式的非嵌入资格筛选器(年龄、收入、区域和政策周期)与群体相似度、地理距离以及基于KoSimCSE的语义相似度相结合。我们在揭示性偏好留一法目的地选择任务上评估排序结果,并将其与完整的基线集合——流行度、汇总距离系数、仅区域启发式方法、词汇和语义文本基线——进行严格比较,而非仅与随机和最近邻基线比较。
第四,我们整合了政策资格数据库以及完整的可重复性套件——包括代码、派生变量定义、评估脚本和随机种子——并明确将所得系统定位为相关性排序和决策支持原型。我们不声称已证明提高出行参与率的机制;建立此类效果需要进行因果或实地评估,我们将其列为未来工作。

章节摘要

旅游需求建模

旅游需求建模在过去三十年间发生了重大变化,从宏观时间序列方法转向了考虑个体差异的微观选择模型。Song和Li(2008)综述了旅游需求预测,指出虽然ARIMA和指数平滑等宏观模型适用于宏观层面预测,但无法捕捉目标政策干预所需的行为差异。Li等人(2005)综述了84项关于国际的实证研究

数据来源

我们使用的是韩国文化院2024年韩国旅游调查数据,这是一项关于国内出行行为的全国代表性调查。该调查采用基于行政区域和人口配额的分层随机抽样,每年覆盖约50,000户家庭。受访者报告了访谈前12个月的详细出行历史,包括出行频率、访问目的地、出行目的

方法

该方法包括三个阶段,将原始出行调查数据转化为政策相关性排序。第一阶段利用零截断负二项分布模型构建个体特定的惩罚性行为特征,获得每位旅行者的基础出行倾向α和距离敏感度β。第二阶段对这些特征应用Gaussian Mixture Model聚类,将行为相似的个体进行分组。第三阶段实现一个多准则排序引擎

结果

本节报告将方法应用于2024年韩国旅游调查数据的实证发现。结果涵盖三个方面:行为特征估计与群体识别、群体稳定性,以及与完整基线集合的推荐系统评估。

讨论

结果对研究方法学和实际政策均具有启示意义,但若干局限性限制了可得出结论的范围。
估计结果的一个显著特征是,拟合的个体参数差异巨大,β_ab的标度标准差超过了其均值。关键在于,这种离散性并未转化为可用的个体级排序信号:如第5.5节所示,单一汇总系数优于按旅行者估计的个体参数,且每位旅行者的

结论

本文开发了一套利用探索性行为特征为个人排序旅游补贴项目的决策支持系统。该系统包含三个组件:零截断负二项分布模型构建个体特定的惩罚性行为特征、Gaussian Mixture Model聚类进行行为分群,以及一个结合显式资格筛选器与群体、地理和BERT语义信号的相关性排序引擎。
应用于3616

作者贡献声明

Chung Yujin:撰写——审阅与编辑,撰写——原始草稿,可视化,验证,项目管理,方法学,调查研究,形式化分析,数据管理,概念构思。Lim Juhyun:可视化,方法学,调查研究,形式化分析,数据管理,概念构思。Choi Insu:撰写——审阅与编辑,撰写——原始草稿,验证,指导,项目管理。

生成式人工智能及AI辅助技术声明

在准备本作品期间,作者使用了Claude Opus 4.5(Anthropic)以改进语法、优化句子结构并提升学术写作的清晰度。使用此工具后,作者对内容进行了审阅和编辑,并对已发表文章的内容承担全部责任。

资助

本研究未获得来自公共、商业或非营利部门资助机构的任何专项资助。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争经济利益或个人关系。
Chung Yujin | Lim Juhyun | Choi Insu
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号