Алгоритм вироблення комплексних рекомендацій клієнтам туристичної галузі

  • Є. В. Левус Національний університет "Львівська політехніка", м. Львів https://orcid.org/0000-0001-5109-7533
  • А. О. Полянська Національний університет "Львівська політехніка", м. Львів
Ключові слова: колаборативна фільтрація; схожість користувачів; коефіцієнт коригування; машинне навчання; комплексна рекомендація

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

Дані завантаження ще не доступні.

Афіліація авторів

Є. В. Левус, Національний університет "Львівська політехніка", м. Львів

канд. техн. наук, доцент, кафедра програмного забезпечення

А. О. Полянська, Національний університет "Львівська політехніка", м. Львів

магістрант, кафедра програмного забезпечення

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
Опубліковано
2020-11-03
Як цитувати
Левус, Є. В., & Полянська, А. О. (2020). Алгоритм вироблення комплексних рекомендацій клієнтам туристичної галузі. Науковий вісник НЛТУ України, 30(5), 122-127. https://doi.org/10.36930/40300520
Розділ
Інформаційні технології