Алгоритм вироблення комплексних рекомендацій клієнтам туристичної галузі
Анотація
На прикладі туристичної галузі розглянуто розроблений алгоритм вироблення комплексних рекомендацій щодо вибору клієнтами товару чи отримання послуги, що максимально мають відповідати їхнім уподобанням і збереженні клієнтів й прибутків туристичними фірмами. З'ясовано, що рекомендаційні алгоритми використовують у багатьох інтернет-системах для надання споживачеві поради стосовно вибору клієнтами товару чи отримання послуги, які найбільше відповідають його уподобанням. Незважаючи на значне поширення рекомендаційних систем у різноманітних галузях (електронна комерція, розваги, послуги, соціальні мережі тощо), залишається невирішеним питання, пов'язане з вибором конкретного алгоритмічного підходу для певної області застосування. Наявні алгоритми здебільшого опрацьовують прості об'єкти і не дають змоги якісно вирішити задачу конструювання рекомендації з окремих складових, враховуючи їх сумісність між собою та шукаючи найкращий варіант з можливих комбінацій. Побудовано новий алгоритм для комплексної рекомендації на підставі удосконалення алгоритму колаборативної фільтрації за рахунок комбінації методів, заснованих на сусідстві, пам'яті та моделі з використанням машинного навчання для коригування ступеня значущості характеристик складових елементів комплексного рішення. Рішення практично реалізовано у формі програмного модуля для рекомендації туристичної подорожі, яка описується місцем відпочинку, маршрутами, готелем та екскурсіями. Особливостями побудованого алгоритму є використання концепції рейтингу користувача для надання збалансованих оцінок елементам турів та коригування коефіцієнтів важливості складових подорожі методом машинного навчання, що дає змогу їх виокремити як параметри моделі рекомендування. Отримані результати порівняно з результатами простіших реалізацій колаборативної фільтрації (засновані на пам'яті та сусідстві). Побудований алгоритм демонструє найкращі результати (30-60) % рекомендацій, що відповідають очікуванням користувача. Недоліки алгоритму виявляються у разі малої кількості даних і їх розрідженості.
Завантаження
Посилання
Aggarwal, C. (2016). Neighborhood-Based Collaborative Filtering. Retrieved from: https://www.researchgate.net/publication/314921150_Neighborhood-Based_Collaborative_Filtering.
Bahramian, Z., Abbaspour, R., & Claramunt, T. (2018). Geospatial Collaborative Tourism Recommender Systems. In book: GIS Applications in the Tourism and Hospitality Industry. https://doi.org/10.4018/978-1-5225-5088-4.ch010
Blattmann, J. (2018). Netflix: Binging on the Algorithm. Retrieved from: https://uxplanet.org/netflix-binging-on-the-algorithm-a3a74a6c1f59
Bobadilla, J., Ortega, F., Hernando, A., & Bernal, J. (2012). A collaborative filtering approach to mitigate the new user cold start problem. Knowledge-Based Systems, 26, 225–238. https://doi.org/10.1016/j.knosys.2011.07.021
Brinton, C., & Chiang, M. (2019). Netflix Recommendation System. Retrieved from: https://www.coursera.org/lecture/networks-illustrated/netflix-recommendation-system-TYOZV.
Chhabra, S. (2017). Netflix says 80 percent of watched content is based on algorithmic recommendations. Retrieved from: https://mobilesyrup.com/2017/08/22/80-percent-netflix-shows-discovered-recommendation/.
Christakou, Ch., Vrettos, S., & Stafylopatis, A. (2007). A hybrid movie recommender system based on neural networks. International Journal on Artificial Intelligence Tools, 05(16), 771–792. https://doi.org/10.1142/S0218213007003540
Dommeti, R. (2007). Neighborhood Based Methods For Collaborative Filtering. Retrieved from: http://cs229.stanford.edu/proj2007/Dommeti-NeighborhoodBasedMethodsForCollaborativeFiltering.pdf.
Ge, M., Delgado-Battenfeld, C., & Jannach, D. (2010). Beyond accuracy: Evaluating recommender systems by coverage and serendipity. Proceedings of the fourth ACM conference on Recommender systems – RecSys 10, 257–260. https://doi.org/10.1145/1864708.186476110
Koul, A. (2019). Understanding YouTubes Algorithm in 2019. Retrieved from: http://social.colostate.edu/2019/04/02/youtube-algorithm/.
Kumar, A. (2020). YouTubes Recommendation Engine: Explained. Retrieved from: https://hackernoon.com/youtubes-recommendation-engine-explained-40j83183.
Linden, G., Smith, B., & York, J. (2003). Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Computing, 7(1), 76–80. https://doi.org/10.1109/mic.2003.1167344
Lytvyn, V., Vysotska, V., Shatskykh, V., et. al. (2019). Design of a recommendation system based on collaborative filtering and machine learning considering personal needs of the user. Eastern-European Journal of Enterprise Technologies, 4(2(100)), 6–28. https://doi.org/10.15587/1729-4061.2019.175507
Tufekci, Z. (2019). YouTube Has a Video for That. Scientific American 320, 4, 77. https://doi.org/10.1038/scientificamerican0419-7713
Xiaoyuan, Su, Taghi, M., & Khoshgoftaar, A. (2009). Survey of Collaborative Filtering Techniques. Hindawi Publishing Corporation, Advances in Artificial Intelligence archive, 1–19. https://doi.org/10.1155/2009/421425
Переглядів анотації: 208 Завантажень PDF: 0
Авторське право (c) 2018 http://creativecommons.org/licenses/by/4.0
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.