توسعه‌ی یک چارچوب توصیه بافت آگاه برای گردشگران با استفاده از عکس‌های دارای برچسب مکانی(مطالعه موردی منطقه 6 تهران)

با افزایش محبوبیت به اشتراک‌گذاری عکس‌ها و ویدیوها در شبکه‌های اجتماعی و تسهیل در دسترسی به فنّاوری‌های مکان‌یابی مانند سیستم تعیین موقعیت جهانی کاربران روزبه‌روز تعداد بیشتری از عکس‌ها و ویدیوهای خودشان را با دوستان و آشنایان به اشتراک می‌گذارند. از این رو کاربران وب دیگر تنها استفاده‌کننده نیستند، بلکه تولیدکننده‌ی اطلاعات نیز می‌باشند. این حجم و فراوانی داده‌های مکان‌مبنا می‌تواند برای خدمات و سرویس‌ها استفاده گردد. سیستم های توصیه گر ازجمله سرویس‌های مکان‌مبنای محبوب این شبکه‌ها محسوب می‌شوند. دستگاه‌های توصیه‌گر، با بهره‌گیری از تکنیک‌های آماری و تکنیک های کشف دانش، به توصیه مکان‌های جدید و کاهش مشکلات ناشی از حجم زیاد داده‌ها می‌پردازند. هدف پژوهش حاضر، ارائه یک روش برای توصیه مکان‌های گردشگری محبوب و همچنین توالی سفر (دنباله‌ای از مکان‌های گردشگری) است. روش ذکرشده در این مقاله به‌صورت یک طرح کاربردی می‌باشد به این شکل که در این روش خرد جمعی کاربران را بر اساس مجموعه عکس‌ها با برچسب مکانی جمع‌آوری کرده و از آن به‌منظور ارائه مجموعه‌ای از مکان‌های گردشگری و توالی سفر محبوب متناسب با زمینه‌ی فعلی گردشگر جدید شهر استفاده می‌کند. در این پژوهش از زمینه عکس‌ها (مکانی و زمانی) در ترکیب با وضعیت آب‌وهوایی به‌دست‌آمده از طریق وب‌سرویس‌های آنلاین به‌منظور پشتیبانی از بافت آگاه بودن توصیه استفاده گردیده است.. به‌منظور بررسی عملکرد روش پیشنهادی از مجموعه‌ی داده‌های سایت پانورامیو مربوط به منطقه شش تهران استفاده گردید. نتایج تجربی نشان می‌دهد 64.5% نتایج به دست آمده از طریق این روش با واقعیت یکسان بوده و این بیانگر منطقی بودن توصیه حاصل از تحلیل تصاویر مردم گستر و منطبق بودن این نتایج با واقعیت است.

Developing a Recommendation Framework for Tourist by Mining Geo-tag Photos (Case Study Tehran District 6)

With the increasing popularity of sharing media on social networks and facilitating access to location technologies, such as Global Positioning System (GPS), people are more interested to share their own photos and videos. The world wide web users are no longer the sole consumer but they are producers of information also, hence a wealth of information are available on web 2.0 applications. The shared media usually contain geotagged locations, time stamp, hashtags, and comments. As such, mining social networks can yield extensive knowledge about human dynamics and mobility behaviors within urban context So web users are no longer just users but also producers of information This wealth of information can be leveraged for locationbased services. If the locations visited by users are collected and sorted according to the timestamps, the sequence that the user has visited can be determined; exploring of which can be used in tourism planning. Recently, there is an increasing tendency to adopt the information from these geotagged photos for learning to recommend tourist locations. For a tourist, before traveling to an unfamiliar city, the most important preparation is planning the trip. without any prior knowledge, tourist must either rely on travel books, personal travel blogs or combination of online resources and services. It is difficult and time consuming and painstaking to find out the locations worth to visit and figure out the order in which they are to be visited. Hence, the purpose of the present study is to provide a framework for recommending locations and travel sequences to tourists by using geotagged photos in social networks. Most existing methods for tourist recommendation do not consider context constraints, or at best, address a few dimensions of contexts. The present work aims to develop a contextaware recommender system that recommends interesting locations and the travel sequence. The proposed method is designed such that it can use the collective wisdom of people from collection of geotagged photos in order to provide a set of tourism locations and interesting trip sequences that matches the userchr('39')s current context given a city that is unfamiliar to that user. first Due to the low accuracy of positioning with GPS embedded in mobile phones to find a unique pair of geographic coordinates for a tourist place the geotagged photos were clustered. For this reason OPTICS clustering method exploit to group geotagged photos by their locations. It then uses the combined method, to annotate all of the clusters that are created in the previous step with semantics. Then, we create a profile for clusters by using historical context (time stamps and weather). After that, we generated a travel sequences database and rated the sequences in the database according to their context. Finally In order to evaluate the performance of the proposed method, Panoromia site dataset of one region in Tehran was used and Experimental results showed that 64.5% of the results obtained by our proposed strategy are identical with the user preferences, which illustrate rationality of the recommendation from analyzing the geotagged photos.