توصیه های سفر اختصاصی برای افراد و گروه ها
طاهره مصطفویدر۱۴۰۳/۲/۱۸(سیارک) با رشد سریع دستگاه های موبایل که دارای قابلیت GPS هستند، مقادیر بسیار زیادی از داده ای که کاربران در آن سهیم بوده و اطلاعات موقعیت در آن قرار دارد می تواند از اینترنت جمع آوری شود. با وجود چنین داده ای، توصیه هایی برای سفر می تواند یکی از کاربرد های مناسب باشد و محققان بسیاری را نیز به سوی خود جلب کرده است. با این وجود، اکثر مطالعات قبلی تنها بر یکی از جنبه های رابطه های میان کاربران و مکان ها تمرکز یا ترکیب خطی از رابطه ها را تولید می کردند. علاوه بر این، تمام تحقیقات انجام شده در رابطه با توصیه های سفر، توصیه به صورت گروهی را که یک جنبه مهم از رفتار مسافران است در نظر نمی گیرند. در این مقاله، یک سیستم راهنمایی سفر اختصاصی را به نام WhereToGo ارائه می دهیم. این سیستم یک مدل 3R است که می تواند رابطه مکان - کاربر، رابطه ی کاربر – کاربر، و مکان – مکان را در یک چارچوب واحد قرار دهد و راه رفتن تصادفی را با شروع مجدد به منظور تحلیل مدل انجام دهد. ما سپس روش خود را به منظور ارائه ی توصیه هایی برای گروه ها گسترش می دهیم. تا آنجایی که ما می دانیم، این مقاله اولین تحقیقی است که از راه رفتن تصاوفی با شروع مجدد برای توصیه های گروهی استفاده می کند. ما ارزیابی چارچوب جامعی را با استفاده از یک پایگاه داده واقعی که از Flicker که یکی از محبوب ترین سایت های اشتراک گذاری تصاویر است جمع آوری شده انجام می دهیم. نتایج آزمایشی نشان می دهند که کیفیت توصیه های تولید شده توسط روش ما در مقایسه با سایر روش های نوین راهنمایی های سفر هم برای افراد و هم گروه ها بسیار بیشتر است.
در روزگار جدید، سفر کردن تبدیل به یکی از مهمترین روش های سرگرمی شده است. بر اساس یک گزارش تولید شده ، نقش صنعت گردشگری بر GDP جهانی(Gross domestic product) در سال 2012 برابر 9.3% بوده است. به نظر می رسد که با توجه به پیش بینی رشد سالانه ای برابر با 4.4% تا سال 2022 افق های در پیش رو مثبت تر نیز باشند. با رشد اقتصادی و جهانی شدن، افراد بیشتری توانایی سفر کردن را پیدا می کنند. در همین حال، با کمک دستگاه های موبایل مجهز به GPS و تکنولوژی های وب 2، تعداد زیادی از وب سایت ها با اطلاعات مکانی غنی مانند سایت های اشتراک گذاری عکس ( مثل فلیکر) و وب سایت های سرویس های بر اساس مکان ( مثل Foursquare) ایجاد شده اند. تصاویر مقیاس بزرگ ) geo-tagged برچسب جغرافیایی) و check inها از این وب سایت ها در دسترس قرار گرفتند. آن ها رفتار حرکتی افراد را ضبط می کردند و بنابراین منابع ارزشمندی برای راهنمایی های مکانی هستند. در مقایسه با check ins، تصاویر Geo-tagged نسبتا برای راهنمایی سفر مناسب ترند ( از انجایی که مشاهده شده است که این تصاویر ترجیحات مسافران را به شکل بهتری نشان می دهند، در حالی که check-inها اغلب ترجیحات شهروندان محلی را بازتاب می دهند). بنابراین، در این مقاله هدف ما توصیه ی جاذبه های گردشگری با توجه به سلایق هر فرد، با کمک تصاویر بزرگ مقیاس و geo-tagged جمع آوری شده از Flicker است.
اخیرا، توصیه های مکانی به مسافران بر اساس داده ی تولید شده توسط کاربران بسیار مورد توجه محققان قرار گرفته است. با این وجود، اکثر مطالعات قبلی بر یکی از جنبه های رابطه ی میان کاربران و مکان ها تمرکز می کنند و یا رابطه ای خطی میان رابطه ها برقرار می سازند. علاوه بر این، تمام مقالات درباره ی توصیه های سفر، توصیه ها را برای تنها یک نفر ارائه می دهند. با این وجود، در واقعیت، اغلب افراد با یکدیگر سفر می کنند یعنی با هسران یا دوستان خود. در این موقعیت، در نظر گرفتن ترجیحات تنها یک کاربر برای گروهی که اعضای ان ممکن است دارای سلایق مشابه و مخالف باشند مناسب نیست. ما این مشکل را مشکل توصیه گروهی می نامیم و چگونگی تولید موثر نتایج را برای چنین توصیه هایی بررسی می کنیم.
در این مقاله، یک سیستم توصیه های سفر منحصر به افراد به نام WhereToGo را معرفی می کنیم که مشکلات مطرح شده در بالا را مخاطب قرار می دهد و به کابران می گوید که در یک شهر ناآشنا از چه مکان هایی دیدن کنند. این سیستم یک مدل 3R تازه را که رابطه های کاربر- مکان، کاربر – کاربر و مکان – مکان را در یک چارچوب قرار می دهد می سازد. به منظور فراهم کردن توصیه های شخصی برای مسافران، از راه رفتن تصادفی برای تحلیل مدل 3R خود استفاده می کنیم. به علاوه، random walk with restart را برای پشتیبانی از توصیه های گروهی توسعه می دهیم. در نتیجه، WhereToGo محبوبیت مکان، مشابهت کاربران و مشابهت مکان را به صورت همزمان در نظر می گیرد و می تواند توصیه هایی را با کیفیت بیشتر هم برای کاربران و هم گروه ها تولید کند. به طور خلاصه کارهای زیر را انجام می دهیم:
1. یک مدل 3R جدید را که محبوبیت مکان، مشابهت کاربران و مشابهت موقعیت را به صورت همزمان در نظر می گیرد و از random walk with restart برای تحلیل این مدل استفاده می کند ارائه می دهیم.
2. روش خود را برای پشتیبانی از توصیه های گروهی توسعه می دهیم. تا آنجا که ما می دانیم در این مقاله برای اولین بار است که از random walk with restart برای توصیه های گروهی استفاده شده است.
3. ما یک تکنیک پارتیشن بندی بر اساس ناحیه را برای فراهم کردن مقیاس بندی خوب برای روشمان توسعه می دهیم.
4. یک سری از آزمایش ها را بر اساس پایگاه داده ی واقعی که از Flicker ایجاد شده است برای ارزیابی روش خود انجام می دهیم. نتایج این آزمایش ها نشان می دهند که روش ما عملکرد برتری نسبت به سایر روش های مدرن دارد.
توصیه های سفر اختصاصی تنها عملی علمی/آکادمیک نیست. در واقع، کاربردی عملی دارد. راهنمای گردشگری سیار بر اساس اطلاعات متنی از جمله موقعیت فعلی کاربر و تاریخچه موقعیت های قبلی طراحی شده بود. در ، یک سیستم هوشمند برای ارائه توصیه های شخصی در شهری ناآشنا معرفی شده بود. این سیستم جاذبه های گردشگری را با استفاده از تکنیک شبکه ی Bayesian و روش پردازش سلسله مراتب تحلیلی به گردشگران پیشنهاد می دهد و رفتار گردشگری افراد و گروه ها را در نظر می گیرد. در، سیستمی به نام TripTip به منظور پیشنهاد مکان بعدی برای سفر به افراد با در نظر گرفتن مشابهت ها میان مکان هایی که سابقا بازدید شده اند و مکان بعدی توسعه یافت. برای رسیدن به این هدف، کاربران باید بر آن مکان برچسب بزند و دلیل خود را برای ملاقات از آن بازگو کنند. در، یک فیلترینگ پیشرفته (CF) برای ارائه ی نتایج کاربردی بیشتر درباره ی موقعیت های فعلی کاربر پیشنهاد شد. با این وجود، اکثر آن ها به دنبال اطلاعاتی هستند که توسط متخصصان دامنه تعریف شده است در حالی که این نوع از اطلاعات در عمل نادر اند. علاوه بر این، چنین نوع از اطلاعات می تواند به راحتی منقرض شود.
سایر تلاش های تحقیقاتی، توصیه های مکانی را که بر اساس داده ی موجود که توسط کاربر تولید شده بود ( مانند تصاویر Geo-tagged شده و check – ins ) مطالعه می کنند. clements و همکاران توصیه های مختص به هر کاربر را بر اساس مشابهت های مکانی میان جاذبه ها با استفاده از تصاویر geo-tagged ارائه کردند. shie و همکاران از طریق ترکیب ترجیحات user – landmark و مشابهت landmark با استفاده از تصاویر geo-tagged، توصیه های منحصر به فرد را مطالعه کردند. با این وجود، روش آن ها عملکرد ضعیف تری نسبت به روش محبوبیت مکان دارد و برای توصیه ی مکان هایی که کمتر مورد بازدید قرار می گیرند مناسب است. Ye و همکاران نقاط علاقه را برای کاربران از طریق ترکیب روش CF بر اساس کاربر و عوامل جغرافیایی به شکلی خطی با استفاده از check – inهای جمع آوری شده از Foursquare پیشنهاد کردند. با این وجود، این مطالعات تنها یکی از جنبه های رابطه میان کاربران و مکان ها را در نظر می گیرند یا یک ترکیب خطی را از برخی از رابطه ها تولید می کنند اما کاملا از تمام رابطه ها بهره نمی برند. در مقایسه با مطالعات قبلی، روش ما رابطه ی کاربر مکان، رابطه ی کاربر کاربر و رابطه ی مکان مکان را به روشی دیگر ادغام می کند و بنابراین می تواند نتایج توصیه های منحصر به فرد را با کیفتی بهتر ارائه دهد. این مقاله ادامه دارد...........ترجمه itrans.ir