مدل‌سازی عدم‌قطعیت در یک سیستم توصیه‌گر گردشگری گروهی بر مبنای معیار شباهت پیرسون، شبکه بیزین و الگوریتم خوشه‌بندی نگاشت خودسازمان‌دهنده

امروزه گردشگری گروهی یکی از مهمترین رویکردهای موجود در سیستم‌های توصیه گر گردشگری می‌باشد. این سیستم ها با وجود تناقضات احتمالی میان سلایق افراد گروه، درصدد ارائه پیشنهادات مشترک به تمامی اعضای گروه هستند و توصیه هایی را پیشنهاد می کنند که جلب رضایت گروهی از کاربران را به جای رضایت فردی در نظر دارد. پرداختن به مساله عدم قطعیت ناشی از ابهام در تعلق یک فرد به یک گروه گردشگری در این سیستم ها، مساله دیگری که کمتر مورد توجه قرار گرفته است. این نوع عدم قطعیت عموما بعلت عدم وجود اطلاعات کامل در رابطه با نظرات همه اعضای گروه و عدم قطعیت در فرآیند ترکیب نظرات افراد ایجاد می‌شود. هدف این پژوهش، ایجاد ساختار توصیه گری گروهی و مدل سازی عدم قطعیت می‌باشد و برای این منظور، یک الگوریتم توصیه گر گروهی مبتنی بر شبکه بیزین، معیار شباهت پیرسون و الگوریتم خوشه بندی نقشه خودسازنده توسعه داده شده است. با استفاده از شبکه ی بیزین و روابط احتمالاتی، عدم قطعیت موجود مدل‌سازی گردیده و برای گروه های تشکیل شده، ترجیحات گردشگری آنها تخمین زده می شود. همچنین با استفاده از دخالت پارامتر درجه ارتباط در محاسبه شباهت بین کاربران، اثر نبود اطلاعات کافی در مورد نظر کاربران در مرحله امتیازدهی معیارها نیز کمرنگ تر گردیده و با ایجاد گروه بندی افرادی که دارای شباهت ذاتی بیشتری بوده، ارائه پیشنهادات به افراد دارای سلایق مشابه در قالب یک گروه، صورت گرفته است. در ادامه جاذبه های گردشگری متناسب به گروهی از کاربران پیشنهاد داده شده و در نهایت جاذبه های گردشگری پیشنهادی متناسب با هر گروه و مسیرهای بهینه بین آنها با استفاده از نقشه گوگل ارائه گردیده است. نتایج حاصل نشان می دهد که خطا در بدترین حالت بر اساس نرخ واقعی 1.263 و در بهترین حالت 0.032 می‌باشد. همچنین درصد موفقیت نیز در سطوح بالای رضایت یعنی کمینه 59.509 و بیشینه 75.353 موفقیت الگوریتم توصیه گری گروهی را خاطر نشان می‌کند.

Uncertainty Modeling of a Group Tourism Recommendation System Based on Pearson Similarity Criteria, Bayesian Network and Self-Organizing Map Clustering Algorithm

Group tourism is one of the most important tasks in tourist recommender systems. These systems, despite of the potential contradictions among the groupchr('39')s tastes, seek to provide joint suggestions to all members of the group, and propose recommendations that would allow the satisfaction of a group of users rather than individual user satisfaction. Another issue that has received less attention is the uncertainty of the memberships ambiguity of a tourist to a group in these systems. This kind of uncertainty is generally caused by the lack of complete information about the opinions of all members in a group and the uncertainty in the process of aggregating users rsquo; viewpoints. The purpose of this research is to develope a group recommendation system through uncertainty modeling. For this purpose, a recommendation algorithm based on Bayesian network, Pearson similarity factor and SelfOrganizing Map (SOM) clustering algorithm have been developed. Using the Bayesian network and probabilistic relationships, the existing uncertainties are modeled and their tourism preferences are estimated for each group. Also, according to the relevance parameter in calculating similarity among users, the effect of insufficient information about users in the criteria scoring phase was further reduced, which leads to provide similar recommendations to more similar individuals in a group. Further, tourist attractions and the optimal routes between them are proposed to each group of users via Google map. The results show that in the worst case the value of mean absolute error (MAE) is equal to 1.263, while it is 0.032 in the best case. Also, the success score demonstrates a high level of satisfaction while the maximum and minimum values are 75.353% and 58.509% respectively, which indicates the success of the developed group recommendation system.