راهکارهای ارتقای عملکرد سیستم‏ های توصیه ‏گر مکان مورد علاقه به گردشگران (poi)

کاربرد سیستم‏های توصیه ‏گر در تخمین و پیشنهاد مکان‏های مورد علاقه گردشگران در سال‏های اخیر گسترش چشمگیری یافته است. رویکرد متداول برای شناسایی علایق کاربران استفاده از تکنیک فیلترینگ مشارکتی است. با وجود این، دقت و کارآمدی رویکرد با اعمال پارامترهای مختلف و رویکردهای تکمیلی قابل بهبود است. در این مقاله، راهکار جدیدی برای ارتقاء پیشنهادهای poi به گردشگران ارائه می‏ ‏شود که از یک مدل زمانی پنج ‏بعدی شامل ابعاد ساعت‏های شبانه ‏روز، روزهای هفته، روزهای ماه، ماه‌های سال و مناسبت‌ها استفاده می ‏کند و با محاسبه فاصله اقلیدسی بین زمان توصیه با زمان تجربه‏ های قبلی کاربر فعال و کاربران مشابه او مکان‏های مناسب را شناسایی و پیشنهاد می ‏کند. راهکار پیشنهادی همچنین از پارامتر اعتماد برای افزایش دقت پیشنهاد بهره می ‏گیرد. برای بهبود دقت ارزیابی اعتماد یک معیار جدید مبتنی بر ساختار درخت شباهت بین زمینه‏ ها معرفی شده است. نتایج آزمایش‏های انجام ‏شده بر روی چند مجموعه ‏داده‏ معروف نشان می ‏دهد که مدل پیشنهادی کارآمدی و صحت بالاتری نسبت به روش‏های موجود ارائه می ‏کند.

techniques for improving performance of recommender systems for tourist point of interest recommendation

recommender systems estimate the interests and preferences of each user and suggest items and services to them, thus helping users to make a quick and favorable choice. among the various applications of these systems, their use in estimating and suggesting points of interest (pois) for tourists has expanded significantly in recent years. a common approach to identifying user interests is to use the collaborative filtering (cf) technique. however, the accuracy and efficiency of cf can be improved by applying different parameters and complementary approaches. in this research, a new solution for promoting poi offers to tourists is presented, which uses a five-dimensional time model including the dimensions of day and night hours, days of the week, days of the month, months of the year, and occasions, and by calculating the euclidean distance between the time of recommendation and the time of previous experiences of the active user and his similar users identifies and suggests suitable venues.