[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 8، شماره 1 - ( 3-1399 ) ::
جلد 8 شماره 1 صفحات 39-61 برگشت به فهرست نسخه ها
مدل‌سازی عدم‌قطعیت در یک سیستم توصیه‌گر گردشگری گروهی بر مبنای معیار شباهت پیرسون، شبکه بیزین و الگوریتم خوشه‌بندی نگاشت خودسازمان‌دهنده
سمیه علی یاری، نجمه نیسانی سامانی*، محمدرضا جلوخانی نیارکی
دانشگاه تهران
چکیده:   (280 مشاهده)
امروزه گردشگری گروهی یکی از مهمترین رویکردهای موجود در سیستم‌های توصیه­گر گردشگری می‌باشد. این سیستم­ها با وجود تناقضات احتمالی میان سلایق افراد گروه، درصدد ارائه­­ پیشنهادات مشترک به تمامی اعضای گروه هستند و توصیه­هایی را پیشنهاد می­کنند که جلب رضایت گروهی از کاربران را به جای رضایت فردی در نظر دارد. پرداختن به مسأله­ عدم قطعیت ناشی از ابهام در تعلق یک فرد به یک گروه گردشگری در این سیستم­ها، مسأله­­ دیگری که کمتر مورد توجه قرار گرفته است. این نوع عدم قطعیت عموما بعلت عدم وجود اطلاعات کامل در رابطه با نظرات همه­ اعضای گروه و عدم قطعیت در فرآیند ترکیب نظرات افراد ایجاد می‌شود. هدف این پژوهش، ایجاد ساختار توصیه­گری گروهی و مدل­سازی عدم قطعیت می‌باشد و برای این منظور، یک الگوریتم توصیه­گر گروهی مبتنی بر شبکه بیزین، معیار شباهت پیرسون و الگوریتم خوشه­بندی نقشه خودسازنده توسعه داده شده است. با استفاده از شبکه­ی بیزین و روابط احتمالاتی، عدم قطعیت موجود مدل‌سازی گردیده و برای گروه­های تشکیل شده، ترجیحات گردشگری آنها تخمین زده می­شود. همچنین با استفاده از دخالت پارامتر درجه ارتباط در محاسبه­ شباهت بین کاربران، اثر نبود اطلاعات کافی در مورد نظر کاربران در مرحله­ امتیازدهی معیارها نیز کمرنگ­تر گردیده و با ایجاد گروه­بندی افرادی که دارای شباهت ذاتی بیشتری بوده، ارائه­ پیشنهادات به افراد دارای سلایق مشابه در قالب یک گروه، صورت گرفته است. در ادامه جاذبه­های گردشگری متناسب به گروهی از کاربران پیشنهاد داده شده و در نهایت جاذبه­های گردشگری پیشنهادی متناسب با هر گروه و مسیرهای بهینه بین آنها با استفاده از نقشه گوگل ارائه گردیده است. نتایج حاصل نشان می دهد که خطا در بدترین حالت بر اساس نرخ واقعی 263/1 و در بهترین حالت 032/0 می‌باشد. همچنین درصد موفقیت نیز در سطوح بالای رضایت یعنی کمینه 509/59 و بیشینه 353/75 موفقیت الگوریتم توصیه­گری گروهی را خاطر نشان می‌کند.
واژه‌های کلیدی: گردشگری گروهی، عدم قطعیت، شبکه بیزین، الگوریتم خوشه‌بندی نقشه خودسازنده، توصیه‌گری.
متن کامل [PDF 1863 kb]   (80 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1398/4/19 | پذیرش: 1399/2/20 | انتشار: 1399/3/31
فهرست منابع
1. [1] V. Soltani and M. Kargar, "A mobile-based hybrid advocate for individual and group tourists", International Conference on Development, Focusing on Agriculture, Environment and Tourism, Iran, Tabriz, 2014 (Persian).
2. [2] N. Mushtaghi, Kh.Vahdatnejad, and G. Ghasemi, "Provide a tour-aware guide system to the field for group tourists", Journal of Tourism Planning and Development, 6 (23), 59-76, 2017 (Persian).
3. [3] A. Toghyani, A. Rajabzadeh, A. Azar, "Designing a decision-making model in conditions of uncertainty." New researches in decision making, 1 (1), 2016 (Persian).
4. [4] L. Ardissono, A. Goy, G. Petrone, M. Segnan, and P. Torasso, "Intrigue: personalized recommendation of tourist attractions for desktop and hand held devices". Applied artificial intelligence, 17(8-9), 687-714, 2003.
5. [5] J. Mast off, "Group recommender systems: aggregation, satisfaction and group attributes", In recommender systems handbook (pp. 743-776). Springer, Boston, MA, 2015.
6. [6] I. Christensen, S. Schiaffino and M. Armentano, "Social group recommendation in the tourism domain", Journal of Intelligent Information Systems, 47(2), 209-231, 2016.
7. [7] L. M. de Campos, J.M. Fernández-Luna, J. F. Hate and M.A. Rueda-Morales, "Managing uncertainty in group recommending processes", User Modeling and User-Adapted Interaction, 19(3), 207-242, 2009.
8. [8] I. Garcia, L. Sebastian and E. Oneida, "On the design of individual and group recommender systems for tourism", Expert systems with applications, 38(6), 7683-7692, 2011.
9. [9] A. Jameson, "More than the sum of its members: challenges for group recommender systems", In Proceedings of the working conference on Advanced visual interfaces (pp. 48-54). ACM, 2004.
10. [10] K. McCarthy, L. McGinty, B. Smyth and M.Salamó, "The needs of the many: a case-based group recommender system", In European Conference on Case-Based Reasoning (pp. 196-210). Springer, Berlin, Heidelberg, 2006.
11. [11] T.N. Nguyen and F. Ricci, "A chat-based group recommender system for tourism", Information Technology & Tourism, 18(1-4), 5-28, 2018.
12. [12] G. Fenza, E. Fischetti, D. Furno and V. Loia, "A hybrid context aware system for tourist guidance based on collaborative filtering", In Fuzzy Systems (FUZZ), 2011 IEEE International Conference on (pp. 131-138). IEEE, 2011.
13. [13] L. Castillo, E. Armengol, E. Onaindía, L. Sebastiá, J. González-Boticario, A. Rodríguez and D.Borrajo, "SAMAP: An user-oriented adaptive system for planning tourist visits", Expert Systems with Applications, 34(2), 1318-1332, 2008.
14. [14] J. Bores, A. Moren and A. Valles, "Intelligent tourism recommender systems: A survey", Expert Systems with Applications, 41(16), 7370-7389, 2014.
15. [15] S.K. Andersen, "Probabilistic reasoning in intelligent systems: networks of plausible inference Judea Pearl", Artificial Intelligence,(48)(1), 117-124, 1991.
16. [16] F.M. Hsu, Y.T. Lin and T.K. Ho, "Design and implementation of an intelligent recommendation system for tourist attractions: The integration of EBM model Bayesian network and Google Maps", Expert Systems with Applications, 39(3), 3257-3264, 2012.
17. [17] W. Wang, G. Zhang J. Lu, Member contribution-based group recommender system Author links open overlay panel, Decision Support Systems (87), 80-93, 2016.
18. [18] E. Khazaei and A. Alimohammadi, "Context-Aware Group-Oriented Location Recommendation in Location-Based Social Networks", ISPRS Int. J. Geo-Inf. 8(9), 406, 2019. [DOI:10.3390/ijgi8090406]
19. [19] K. R., P. Kumar, B. Bhasker, "DNNRec: A novel deep learning based hybrid recommender system author links open overlay panel, Expert Systems with Applications, 144, 2020, 113054.
20. [20] F. Pajuelo-Holguera, J.A. Gómez-Pulido, F. Ortega, J.M. Granado-Criado, "Recommender system implementations for embedded collaborative filtering applications", Microprocessors and Microsystems, 2020, [DOI:10.1016/j.micpro.2020.102997]
21. [21] J. Pinho, B.E. da Silva, M.N. Moreno, A.M. de Almeida and C.L. Martins, "Applying recommender methodologies in tourism sector, highlights in practical applications of agents and multiagent systems", Advances in Intelligent and Soft Computing, 89, 101-108, 2011.
22. [22] C. Lamsfus, A. Alzua-Sorzabal, D. Martín, Z. Salvador, and A. Usandizag, "Human-centric Ontology-based Context Modelling in Tourism", In KEOD (pp. 424-434), 2009.
23. [23] A. Sarafrazi, "Mid-century after clustering, assessment and evaluation of approaches and clustering method using MCDA", Researches in science, engineering and technology, June, 4:65-84, 2018.
24. [24] S.J. Russell, and P. Norvig, "Artificial intelligence: a modern approach", Malaysia; Pearson Education Limited, 2016.
25. [25] L.Borate, and S.Carta, "State-of-the-art in group recommendation and new approaches for automatic identification of groups", In Information retrieval and mining in distributed environments (pp. 1-20). Springer, Berlin, Heidelberg, 2016.
26. [26] S. Shang, P. Hui, S.R. Kulkarni and P.W. Cuff , "Wisdom of the crowd: Incorporating social influence in recommendation models", In Parallel and Distributed Systems (ICPADS), 2011 IEEE 17th International Conference on (pp. 835-840). IEEE, 2011.
27. [27] S. Pizzutilo, B. De Carols, G. Cozzolongo and F. Ambrose, "Group modeling in a public space: methods, techniques, experiences", In Proceedings of the 5th WSEAS International Conference on Applied Informatics and Communications (pp. 175-180), World Scientific and Engineering Academy and Society (WSEAS), 2005.
28. [28] J.F. McCarthy and T.D. Antagonist, "Music: an arbiter of group preferences for computer supported collaborative workouts", In Proceedings of the 1998 ACM conference on Computer supported cooperative work (pp. 363-372). ACM, 1998.
29. [29] J.F. McCarthy, "Pocket restaurantfinder: A situated recommender system for groups", Workshop on Mobile Ad-Hoc Communication at the 2002 ACM Conference on Human Factors in Computer Systems, 2002.
30. [30] L. Borate and S. Carta, "ART: group recommendation approaches for automatically detected groups". International Journal of Machine Learning and Cybernetics, 6(6), 953-980, 2015.
31. [31] N. Dharaneeshwaran, A. Srinivasan, S. Nithya, M. Senthilkumar , "Calculating the User-item Similarity using Pearson's and Cosine Correlation Senthilkumar M", International Conference on Trends in Electronics and Informatics, ICEI 2017.
32. [32] D. Goren-Bar and O. Glinansky, " FIT-recommend in TV programs to family members", Computers & Graphics, 28(2), 149-156, 2004.
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ali-Yari S, Neissani Samani N, Jelokhani Nayarki M R. Uncertainty Modeling of a Group Tourism Recommendation System Based on Pearson Similarity Criteria, Bayesian Network and Self-Organizing Map Clustering Algorithm. jgit. 2020; 8 (1) :39-61
URL: http://jgit.kntu.ac.ir/article-1-783-fa.html

علی یاری سمیه، نیسانی سامانی نجمه، جلوخانی نیارکی محمدرضا. مدل‌سازی عدم‌قطعیت در یک سیستم توصیه‌گر گردشگری گروهی بر مبنای معیار شباهت پیرسون، شبکه بیزین و الگوریتم خوشه‌بندی نگاشت خودسازمان‌دهنده. مهندسی فناوری اطلاعات مکانی. 1399; 8 (1) :39-61

URL: http://jgit.kntu.ac.ir/article-1-783-fa.html



دوره 8، شماره 1 - ( 3-1399 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 28 queries by YEKTAWEB 4240