راهکارهای ارتقای عملکرد سیستم های توصیه گر مکان مورد علاقه به گردشگران (POI) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
کاربرد سیستم های توصیه گر در تخمین و پیشنهاد مکان های مورد علاقه (POI) گردشگران در سال های اخیر گسترش چشمگیری یافته است. رویکرد متداول برای شناسایی علایق کاربران استفاده از تکنیک فیلترینگ مشارکتی (CF) است. با وجود این، دقت و کارآمدی رویکرد CF 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 ساعت های شبانه روز، روزهای هفته، روزهای ماه، ماه های سال و مناسبت ها استفاده می کند و با محاسبه فاصله اقلیدسی بین زمان توصیه با زمان تجربه های قبلی کاربر فعال و کاربران مشابه او مکان های مناسب را شناسایی و پیشنهاد می کند. راهکار پیشنهادی همچنین از پارامتر اعتماد برای افزایش دقت پیشنهاد POI بهره می گیرد. برای بهبود دقت ارزیابی اعتماد یک معیار جدید مبتنی بر ساختار درخت شباهت بین زمینه ها معرفی شده است. نتایج آزمایش های انجام شده بر روی چند مجموعه داده معروف نشان می دهد که مدل پیشنهادی کارآمدی و صحت بالاتری نسبت به روش های موجود ارائه می کند.Techniques for Improving Performance of Recommender Systems for Tourist Point of Interest Recommendation
Among the various applications of recommender systems, their use in estimating and suggesting points of interest (POIs) for tourists has expanded significantly in recent years. A common approach to identify user interests is to use collaborative filtering (CF) technique. However, the accuracy and efficiency of CF can be improved by applying different parameters and complementary approaches. In this paper, 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. The proposed solution also uses the trust parameter to increase the accuracy of POI suggestion. To improve the accuracy of trust evaluation, a new criterion based on a similarity tree structure between contexts is introduced. The results of experiments conducted on three well-known datasets show that the proposed model outperforms the state-of-the-art methods in term of efficiency and accuracy.
تبلیغات
