越南旅游目的地推荐数据集
数据集简介
项目缘起
越南旅行者常常用一段自然语言描述自己的出行想法,却难以在琳琅满目的目的地列表中快速定位合适选项。本项目从这一实际需求出发,构建了一个以自由文本检索为核心的目的地推荐系统:用户用越南语或英语描述旅行需求,系统在手工整理的全国旅游地点数据中进行匹配,按相关度返回结果,并支持按省份过滤。数据集本身即是为这一检索场景准备的底层资源,兼顾地点元数据、文本描述与图片链接。
数据构成
数据集共包含 315 个旅游地点,覆盖 2025 年前 63 个旧省份,每个旧省份收录 5 个地点;所有地点均映射到 2025 年 7 月生效的 34 个省级单位(依据第 202/2025/QH15 号决议),便于按最新行政区划检索和展示。每条地点记录的主要字段如下:
| 字段 | 说明 |
|---|---|
| name | 地点名称 |
| new province | 2025 年 7 月后的新省份 |
| old province | 2025 年前的旧省份 |
| description | 地点文本描述 |
| rating | 评分 |
| keywords | 关键词标签 |
| image URL | 图片链接 |
其中 215 个地点带有明确的关键词标签,可用于评测检索效果;项目准备了 46 条查询用于这一评测。原始手工表保存在 data/DataSet.xlsx,短链接数据在 data/short_links.csv,清洗后的主表为 data/processed/places.csv,数据说明文档为 data/DATASET.md。
检索与排序机制
系统以 underthesea 完成越南语分词,再以 TF-IDF(1-2 gram)向量化地点文本,通过余弦相似度对候选地点排序。用户输入既可以是越南语,也可以是英语;检索范围覆盖全国目的地,并可选按省份过滤,从而把自由文本需求直接转化为可浏览的推荐列表。项目的评测以 215 个带标签地点为基准,用 46 条查询衡量排序质量,并与基线方法进行对比。
运行方式
项目以 Streamlit 应用形式提供交互界面,仓库中包含完整的数据处理与检索代码。使用者可克隆 GitHub 公开仓库,在本地安装依赖后启动应用;也可直接访问在线 Streamlit 演示体验检索流程。数据文件均已随仓库提供,无需额外申请即可开始使用。
项目结构与文件
仓库围绕数据、处理脚本与应用三部分组织:data/DataSet.xlsx 为原始手编表,data/short_links.csv 保存短链接,data/processed/places.csv 为清洗后的检索用表,data/DATASET.md 记录数据说明。代码部分负责分词、向量化、相似度排序与界面展示,整体结构清晰,便于替换数据或调整检索参数。
使用限制
数据集为 2024 年手工整理,地点评分与描述反映采集时的情况;省份映射依据 2025 年 7 月的行政区划调整,使用旧版省份口径时需注意对应关系。检索效果受分词与文本描述质量影响,46 条查询的评测规模有限,结果仅供方法参考。文本数据以 CC BY 4.0 许可开放,代码采用 MIT 许可,使用时请遵循相应条款。