شخصی سازی یک سیستم توصیه گر گردشگری بر مبنای تشابه کاربران و استفاده از شبکه باور عمیق

سیستم های توصیه گر مکانی امکان ارائه اطلاعات مفید را برای کاربران با کاهش اطلاعات تکراری و نامربوط در وب به طور گسترده فراهم می سازند. در عصر حاضر با وجود سیستم‌های توصیه گر یافتن مکان مورد علاقه در کوتاه ترین زمان،  با صرف کم ترین هزینه و توسط شخص کاربر صورت می پذیرد. سیستم های توصیه گر در حوزه های مختلف از جمله گردشگری کاربرد زیادی دارند و به عنوان ابزار توسط گردشگر قابل استفاده می باشند. عموما سیستم‌های توصیه گر بر پایه پالایش مشارکتی و بر اساس مشابهت میان گروه کاربران، پیشنهادات لازم را به کاربران مختلف ارائه می دهند. درصورتیکه بسیاری از خدمات با ویژگی های شخصی و خصوصیات فرد منطبق نیست و این امر از کارایی اینگونه سیستم‌ها می‌کاهد. هدف این پژوهش توسعه یک الگوریتم توصیه گر مبتنی برشباهت بین کاربران و مفاهیم شخصی‌سازی است. نوآوری این تحقیق بکارگیری شبکه عصبی باور عمیق در راستای شخصی‌سازی پیشنهادات قابل ارائه به گردشگران است. سناریوی تحقیق به این صورت است که ابتدا گردشگران مختلف در سیستم ثبت نام می کنند، سپس اطلاعات فردی، ارجحیت‌های عمومی و عوامل خاص شخصی‌سازی خود را برای بازدید از مراکز گردشگری بیان می‌ کنند. در رویکرد پیشنهادی نیازی به تفکیک کاربران نیست بلکه با توجه به قدرت یادگیری شبکه های عمیق، امکان تفکیک و شخصی سازی پیشنهادات کاربران وجود دارد. در این راستا داده های مربوط به 400 مسافر گردشگری براساس 14 المان ورودی و متمایز کننده دریافت شد. همچنین براساس شبکه آموزش دیده، قابلیت پیش بینی مکان های گردشگری شخصی سازی شده برای 30 کاربر جدید بررسی شد. ارزیابی نتایج براساس سه شاخص معیار صحت، پوشش و معیار f و همچنین رضایت مندی کاربران انجام شد. نتایج حاصل، دقت بالا و همچنین رضایت مندی بیش از 79 درصدی کاربران را نشان می دهد.

personalization of a tourism recommender system based on users similarity and the use of deep belief network

spatial recommendation systems allow users to provide useful information by reducing duplicate and irrelevant information on the web widely. recommendation systems are widely used in various fields, including tourism. tourism recommendation systems can be used as tools by the tourist. a tourist can visit the tourist attractions of the region in a short time and with the least facilities, cost, and knowledge. recommendation  systems generally offer the necessary suggestions to different users based on participatory refinement and the similarity between the groups of the users. however, many services do not match the personal characteristics of the individual, and this reduces the effectiveness of such systems. the purpose of this study is to develop a recommendation algorithm based on the similarities between  the users and personalization concepts. the innovation of this research is the use of a deep belief neural network to personalize the suggestions  that can be offered to the tourists. the research scenario is as follows: first different tourists register in the system; then they express their personal information and general preferences and specific personalization factors for visiting the tourist centres. in the proposed approach, there is no need to separate the users; rather, due to the learning power of deep neural networks, it is possible to differentiate and personalize the user suggestions. in this regard, the related data to 400 tourists were received based on 14 input and distinguishing elements. furthermore, based on the trained network, the predictability of personalized tourist places for 30 new users was examined. the results were evaluated based on these three indicators: precision, recall, and f-score, as well as the user satisfaction. the results showed the high accuracy as well as the satisfaction of more than 79% of the users.