[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 308
نرخ پذیرش: 62.8
نرخ رد: 37.2
میانگین داوری: 209 روز
میانگین انتشار: 344 روز
..
:: دوره 10، شماره 4 - ( 12-1401 ) ::
جلد 10 شماره 4 صفحات 16-1 برگشت به فهرست نسخه ها
شخصی سازی یک سیستم توصیه گر گردشگری بر مبنای تشابه کاربران و استفاده از شبکه باور عمیق
زینب نیسانی سامانی ، علی اصغر آل شیخ* ، ابوالقاسم صادقی نیارکی ، مهدی نظری اشنی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (1181 مشاهده)
سیستم­های توصیه­ گر مکانی امکان ارائه اطلاعات مفید را برای کاربران با کاهش اطلاعات تکراری و نامربوط در وب به­طور گسترده فراهم می­سازند. در عصر حاضر با وجود سیستم‌های توصیه­ گر یافتن مکان مورد علاقه در کوتاه­ترین زمان،  با صرف کم­ترین هزینه و توسط شخص کاربر صورت می­پذیرد. سیستم­های توصیه ­گر در حوزه­های مختلف از جمله گردشگری کاربرد زیادی دارند و به­عنوان ابزار توسط گردشگر قابل استفاده می باشند. عموما سیستم‌های توصیه­گر بر پایه پالایش مشارکتی و بر اساس مشابهت میان گروه کاربران، پیشنهادات لازم را به کاربران مختلف ارائه می­دهند. درصورتیکه بسیاری از خدمات با ویژگی­های شخصی و خصوصیات فرد منطبق نیست و این امر از کارایی اینگونه سیستم‌ها می‌کاهد. هدف این پژوهش توسعه یک الگوریتم توصیه­ گر مبتنی برشباهت بین کاربران و مفاهیم شخصی‌سازی است. نوآوری این تحقیق بکارگیری شبکه عصبی باور عمیق در راستای شخصی‌سازی پیشنهادات قابل ارائه به گردشگران است. سناریوی تحقیق به این صورت است که ابتدا گردشگران مختلف در سیستم ثبت نام می­کنند، سپس اطلاعات فردی، ارجحیت‌های عمومی و عوامل خاص شخصی‌سازی خود را برای بازدید از مراکز گردشگری بیان می‌­کنند. در رویکرد پیشنهادی نیازی به تفکیک کاربران نیست بلکه با توجه به قدرت یادگیری شبکه­های عمیق، امکان تفکیک و شخصی­ سازی پیشنهادات کاربران وجود دارد. در این راستا داده ­های مربوط به 400 مسافر گردشگری براساس 14 المان ورودی و متمایز کننده دریافت شد. همچنین براساس شبکه آموزش دیده، قابلیت پیش­بینی مکان­های گردشگری شخصی­سازی شده برای 30 کاربر جدید بررسی شد. ارزیابی نتایج براساس سه شاخص معیار صحت، پوشش و معیار F و همچنین رضایت­مندی کاربران انجام شد. نتایج حاصل، دقت بالا و همچنین رضایت­مندی بیش از 79 درصدی کاربران را نشان می­دهد.
واژه‌های کلیدی: سیستم توصیه‌گر، گردشگری، شخصی‌سازی، شبکه باور عمیق.
متن کامل [PDF 1192 kb]   (299 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1400/1/30 | پذیرش: 1400/6/28 | انتشار الکترونیک پیش از انتشار نهایی: 1401/12/21 | انتشار: 1402/2/31
فهرست منابع
1. [1] N. Moshtaghi, H.Vahdat nejad, and M. Ghasemi Gol, "Provide context-aware tour guide system for group tourists," Journal of Tourism Planning and Development, 6, no. 23, pp. 59-76 ,1396 (Persian).
2. [2] A. Heidari Nik, and M. Talei, "Development of a Web GIS-Based recommendation System for Tourism," Journal of Space Planning and Planning (Lecturer of Humanities. Fall 2012), 16. no 3 (consecutive 75 ); pp.141 -159 , 1391(Persian).
3. [3] N. Neysani Samany, M.R. Delavar, N. Chrisman, and M.R. Malek, "An ontology for Spatial Relevant Objects in a Location-aware System: Case study: A tourist guide system", World Academy of Science, Engineering and Technology, vol.63, pp. 878-884, 2012.
4. [4] G.M. Harshvardhan, M.K. Gourisari, S.S. Rautaray, and M. Pandey, "UBMTR: Unsupervised Boltzmann machine-based time-aware recommendation system", Journal of King Saud University - Computer and Information Sciences, in press, 2021. [DOI:10.1016/j.jksuci.2021.01.017]
5. [5] J. Bobadilla, F. Ortega, A. Hernando, and J. Alcalá, "Improving collaborative filtering recommender system results and performance using genetic algorithms", Knowledge-Based Systems, vol.24, pp. 1310-1316, 2011. [DOI:10.1016/j.knosys.2011.06.005]
6. [6] H.S. Chiang, and H. Tien-Chi, "User-adapted travel planning system for personalized schedule recommendation", Information Fusion, vol.21, pp. 3-17, 2015. [DOI:10.1016/j.inffus.2013.05.011]
7. [7] X. Cai, Z. Hu, P. Zhao, W. Zhang, and J. Chen, "A hybrid recommendation system with many-objective evolutionary algorithm", Expert Systems with Applications, vol.159, 2020. [DOI:10.1016/j.eswa.2020.113648]
8. [8] K. Kabassi, "Personalizing recommendations for tourists", Telematics and Informatics, vol.27, pp. 51-66, 2010. [DOI:10.1016/j.tele.2009.05.003]
9. [9] D. Almazro, G. Shahatah, L. Albdulkarim, M. Kherees, R. Martinez, and W. Nzoukou, "A Survey Paper on Recommender Systems", ArXiv, 2010.
10. [10] I. García, L. Sebastia, and E. Onaindia, "On the design of individual and group recommender systems for tourism", Expert Systems with Applications, vol.38, pp. 7683-7692, 2011. [DOI:10.1016/j.eswa.2010.12.143]
11. [11] D. Gavalas, and M. Kenteris, "A web-based pervasive recommendation system for mobile tourist guides", Personal and Ubiquituous Computing, vol.15, pp. 759-770, 2011. [DOI:10.1007/s00779-011-0389-x]
12. [12] Z. Neisani, M. Torabi Azad, and N. Neysani Samani, "Design and Implementation of a User-Centered Tourism Guide System based on Weather Conditions Preferences", 2nd International Conference on Education, Management and Information Technology (ICEMIT), in Jinan, China. 2015.
13. [13] Sh. Ismaili, M. R. Malek, f. Nasery, "Designing an informed context recommendation system to select the desired tourist accommodation," The First International Conference on Human, Architecture, Civil Engineering and the City, Tabriz, 2015 (Persian).
14. [14] p. Goodarzi, A. A. Alesheikh, and S. Honarparvar, " Development of probabilistic place recommender algorithm based on location classification in location-based social networks based on temporal impact, spatial impact, and impact of social relations", Journal of Surveying Science and Technology, vol.7 . no: 2, pp. 215 - 230 , 1396(Persian).
15. [15] M. Aliannejadi, and F. Crestani, "Personalized Context-Aware Point of Interest Recommendation", ACM Transactions on Information Systems, vol.36. no 4, pp.1-28, 2018. [DOI:10.1145/3231933]
16. [16] He. Xiangnan, He. Zhankui, Du. Xiaoyu, Ch, Tat-Seng, "Adversarial Personalized Ranking for Recommendation", Conference: The 41st International ACM SIGIR Conferenc, pp. 355-364, 2018, DOI: 10.1145/3209978.3209981. [DOI:10.1145/3209978.3209981]
17. [17] M. Kolahkaj, A. Harounabadi, A. Nikravanshalmani, and R. Chinipardaz, "DBCACF: A Multidimensional Method for Tourist Recommendation Based on Users", Demographic, Context and Feedback", vol.24, pp. 209-219 , 2019( persian).
18. [18] G. Gungli, J. Hua, T. Yuan, J. Wu, Z. Jiang, H. Zhang, and T. Li, "Novel Recommendation System for Tourist Spots Based on Hierarchical Sampling Statistics and SVD++", Mathematical Problems in Engineering, pp. 1-15, 2019. [DOI:10.1155/2019/2072375]
19. [19] Z. Abbasi-Moud, H. Vahdat-Nejad, and J. Sadri ,"Tourism recommendation system based on semantic clustering and sentiment analysis", Expert Systems with Applications, vol167, 2021. [DOI:10.1016/j.eswa.2020.114324]
20. [20] R. Chen and H. Hendry , " User Rating Classification via Deep Belief Network Learning and Sentiment Analysis," IEEE Transactions on Computational Social Systems, vol. 6, no. 3, pp. 1-12, 2019. [DOI:10.1109/TCSS.2019.2915543]
21. [21] Y. Zhang and F. Liu, " An Improved Deep Belief Network Prediction Model Based on Knowledge Transfer", Future Internet, vol. 9, 2020; [DOI:10.3390/fi12110188.https://doi.org/10.3390/fi12110188]
22. [22] Chen, C., Wang, H., Yuan, F, "Bus travel time prediction based on deep belief network with back-propagation", Neural Comput & Applic, vol. 32, pp.10435-10449, 2020. [DOI:10.1007/s00521-019-04579-x.https://doi.org/10.1007/s00521-019-04579-x]
23. [23] F. Ghasemi, A. Fassihi, H. Pérez-Sánchez, and A. Dehnavi, "The role of different sampling methods in improving biological activity prediction using deep belief network", Journal of computational chemistry , vol.38, pp. 195-203, 2016. [DOI:10.1002/jcc.24671]
24. [24] A. Gunawardana, and G. Shani, "A Survey of Accuracy Evaluation Metrics of recommendation Tasks", Journal of Machine Learning Research, vol.10, 2009.
25. [25] Department Of Environment Islamic Republic of Iran [Online]. Available: . https://tehran.doe.ir/portal/home , ( 1400-06-19).
26. [26] Cochrane, L., and Zeleny, M. (editors), "Multiple Criteria Decision-making", (Columbia: University of South Carolina Press], 1973.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


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

neisani samani Z, Alesheikh A A, Sadeghi-Niaraki A, Nazari Ashani M. Personalization of a tourism recommender system based on users similarity and the use of deep belief network. jgit 2023; 10 (4) :1-16
URL: http://jgit.kntu.ac.ir/article-1-825-fa.html

نیسانی سامانی زینب، آل شیخ علی اصغر، صادقی نیارکی ابوالقاسم، نظری اشنی مهدی. شخصی سازی یک سیستم توصیه گر گردشگری بر مبنای تشابه کاربران و استفاده از شبکه باور عمیق. مهندسی فناوری اطلاعات مکانی. 1401; 10 (4) :1-16

URL: http://jgit.kntu.ac.ir/article-1-825-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 4 - ( 12-1401 ) 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 38 queries by YEKTAWEB 4645