یک سامانه توصیه گر گردشگری با استفاده از الگوریتم خفاش بر اساس اطلاعات موجود در شبکه اجتماعی اینستاگرام

در سامانه های توصیه گر جزئی حیاتی از خدمات شخصی سازی شده ی مبتنی بر مکان هستند. چنین سامانه هایی برای فیلترکردن اطلاعات ارائه شده به کاربر و ارائه پیشنهادهایی به کاربر بر اساس علایق آن ها عمل می کنند. باتوجه به افزایش حجم اطلاعات موجود در سطح شبکه جهانی وب که انتخاب کاربران در زمینه های مختلف را با چالش روبرو کرده و به فرآیندی بسیار زمان بر تبدیل می کند، به الگوریتم هایی با عملکرد بهتر و دقت بالاتر برای فیلترکردن این اطلاعات نیاز است. در این مقاله، یک سامانه توصیه گر سفر مبتنی بر الگوریتم خفاش طراحی شده است که از اطلاعات عکس ها در اینستاگرام برای بهبود پیشنهادات ارائه شده به کاربران استفاده می کند. الگوریتم پیشنهادی، یک سامانه توصیه گر مبتنی بر مکان است که از بهینه سازی خفاش برای بهبود سرعت تصمیم گیری در سامانه بهره می برد. روش پیشنهادی با سه فیلتر مبتنی بر محتوا، فیلتر مشارکتی و فیلتر جمعیت شناختی موارد متعددی مانند تاریخچه سفر کاربر، علایق کاربران مشابه و شباهت مکان های مختلف به یکدیگر را در نظر می گیرد. روش پیشنهادی روی یک مجموعه داده ی جمع آوری شده برای این مقاله ارزیابی شده است. نتایج آزمایش ها نشان می دهد روش پیشنهادی در مقایسه با روش های hltrs، mlrs و kbtrs به ترتیب بهبود متوسط 1.9٪ در معیار پوشش، 2.6٪ در یادآوری، 3.3٪ در دقت و 2.8٪ در معیار f1 را نشان می دهد که بیانگر کارایی بالاتر مدل پیشنهادی در ارائه توصیه های شخصی سازی شده گردشگری است.

a tourism recommender system using the bat algorithm based on the information available on the instagram social network

recommender systems are a core component of personalized location-based services. they function by filtering information presented to users and generating suggestions aligned with their interests. the exponential growth of information on the world wide web challenges user decision-making across various domains and renders the selection process highly time-consuming،thereby creating a demand for more efficient and accurate information-filtering algorithms. one application of recommender systems is trip planning and travel destination suggestion. this paper proposes a travel recommendation system based on the bat algorithm،which utilizes data from instagram social network images to enhance suggestion relevance for users. the proposed system is a location-based recommender that employs bat-inspired optimization to accelerate decision-making. furthermore،the proposed method integrates three content-based filters،a collaborative filter،and a demographic filter،considering multiple factors such as user travel history،interests of similar users،and inter-location similarity. experimental results demonstrate that the proposed method achieves an average improvement of 1.9% in coverage،2.6% in recall،3.3% in precision،and 2.8% in the f1-score compared to the hltrs،mlrs،and kbtrs methods،respectively. this indicates the superior efficacy of the proposed model in providing personalized tourism recommendations.