سیستم توصیه گر زمینه آگاه سفر با بهرهگیری از اطلاعات عکسهای برچسبدار جغرافیایی

سیستم‌های توصیهگر بر اساس اطلاعات کاربران و آیتم‌ها، سلایق و علاقه‌مندی‌های مورد نظر کاربران را پیش‌بینی کرده و بر اساس آنها آیتم‌های مناسب را به کاربران پیشنهاد می‌دهند. اکثر رویکردهای موجود برای سیستم‌های توصیه‌گر بر روی پیشنهاد دادن مرتبط‌ترین آیتم‌ها تمرکز می‌کنند و اطلاعات زمینه‌ای مانند زمان یا مکان را در نظر نمی‌گیرند. در این مقاله یک روش برای سیستم توصیه‌گر زمینه آگاه سفر با بهرهگیری از اطلاعات عکس‌های برچسب دار جغرافیایی ارایه شده است که از دقت بالایی برخوردار است. این روش نسبت به مقالات مشابه، تعداد زمینه‌های بیشتری مانند (وضعیت آب و هوا، وضعیت روحی کاربر، میزان ترافیک و ...) را در نظر می‌گیرد. با این کار باعث نزدیک شدن کاربران یک خوشه و در نتیجه افزایش دقت می‌شود. روش پیشنهادی به جای استفاده از الگوریتم خوشه‌بندی کلاسیک از ادغام دو الگوریتم رقابت استعماری و خوشه‌بندی cmeans فازی استفاده می‌کند. ارزیابی روش ارایه شده بر روی مجموعه داده فلیکر انجام شده و نتایج ارزیابی حاکی از آن است که روش‌ پیشنهادی قادر به فراهم کردن توصیه‌های موثر و دقیق مطابق با علاقه‌مندی‌های کاربر و موقعیت فعلی بازدید او می‌باشد. رویکرد پیشنهادی در معیارهای دقت، متوسط مطلق دقت و میانگین قدر مطلق خطا به ترتیب به 0.69 و 0.53 و 0.31 دست یافته است.

contextaware travel recommender system exploiting from geotagged photos

recommender systems are the systems that help users find and select their target items. most of the available events for recommender systems are focused on recommending the most relevant items to the users and do not include any context information such as time, location . this paper is presented by the use of geographically tagged photo information which is highly accurate. the distinction point between this thesis and other similar articles is that this paper includes more context (weather conditions, users’ mental status, traffic level, etc.) than similar articles which include only time and location as context. this has brought the users close to each other in a cluster and has led to an increase in the accuracy. the proposed method merges the colonial competitive algorithm and fuzzy clustering for a better and stronger processing against using merely the classic clustering and this has increased the accuracy of the recommendations. flickr dataset is used to evaluate the presented method. results of the evaluation indicate that the proposed method can provide location recommendations proportionate to the users’ preferences and their current visiting location.