Un modelo de recomendación de viaje de refinación afortunado
Autores: Abbas, Rizwan; Amran, Gehad Abdullah; Abdulraheem, Ahmed A.; Hussain, Irshad; Ghoniem, Rania M.; Ewees, Ahmed A.
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un modelo de recomendación de viaje de refinación afortunado
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Recomendaciones de viaje
Secuencia de LOI
LOIs posteriores
Viaje dinámico
Viaje personalizado
Placer del usuario
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Las recomendaciones de viaje personalizadas proponen ubicaciones de interés (LOIs) para los usuarios. La sugerencia de secuencia de LOIs es más complicada que una recomendación de un solo LOI. Solo unos pocos estudios han considerado las recomendaciones de secuencia de LOIs. Crear una sucesión confiable de LOIs es difícil. Los dos LOIs que se siguen no deben ser idénticos ni de la misma categoría. Es vital examinar los tipos de LOIs subsecuentes al diseñar una secuencia de LOIs. Otro problema es que proporcionar recomendaciones de ubicación precisas y exactas aburre a los usuarios. Puede ser tedioso y monótono ver los mismos tipos de LOIs repetidamente. Los usuarios pueden querer cambiar sus planes en medio de un viaje. El viaje debe ser dinámico en lugar de estático. Para abordar estas preocupaciones en las recomendaciones, organice un viaje personalizado buscando continuidad, implicaciones, innovación y LOIs sorprendentes (es decir, altos niveles de diversión). Utilizamos la similitud de LOIs y las diferencias de categoría entre LOIs subsecuentes para construir LOIs secuenciales. En nuestras recomendaciones de viaje, aprovechamos la suerte y la dinamicidad. Sugerimos una recomendación de viaje de refinamiento afortunado (FRTR) para abordar los problemas de identificación y calificación del placer del usuario. Un algoritmo de recomendación convincente debería ofrecer lo que es probable que disfrutemos y proporcionar componentes espontáneos pero objetivos para mantener una puerta abierta a nuevos mundos y descubrimientos. Además, se presentan dos nuevas estimaciones avanzadas para examinar la precisión recomendada de una secuencia de LOIs: precisión regulada (RP) y precisión de patrón (PP). Consideran la consistencia y el orden de los LOIs. Probamos nuestra estrategia utilizando datos de un conjunto de datos del mundo real y registros de viaje de usuarios del conjunto de datos de Foursquare. Mostramos que nuestro sistema supera a otros algoritmos de recomendación para satisfacer los intereses de viaje de los usuarios.
Descripción
Las recomendaciones de viaje personalizadas proponen ubicaciones de interés (LOIs) para los usuarios. La sugerencia de secuencia de LOIs es más complicada que una recomendación de un solo LOI. Solo unos pocos estudios han considerado las recomendaciones de secuencia de LOIs. Crear una sucesión confiable de LOIs es difícil. Los dos LOIs que se siguen no deben ser idénticos ni de la misma categoría. Es vital examinar los tipos de LOIs subsecuentes al diseñar una secuencia de LOIs. Otro problema es que proporcionar recomendaciones de ubicación precisas y exactas aburre a los usuarios. Puede ser tedioso y monótono ver los mismos tipos de LOIs repetidamente. Los usuarios pueden querer cambiar sus planes en medio de un viaje. El viaje debe ser dinámico en lugar de estático. Para abordar estas preocupaciones en las recomendaciones, organice un viaje personalizado buscando continuidad, implicaciones, innovación y LOIs sorprendentes (es decir, altos niveles de diversión). Utilizamos la similitud de LOIs y las diferencias de categoría entre LOIs subsecuentes para construir LOIs secuenciales. En nuestras recomendaciones de viaje, aprovechamos la suerte y la dinamicidad. Sugerimos una recomendación de viaje de refinamiento afortunado (FRTR) para abordar los problemas de identificación y calificación del placer del usuario. Un algoritmo de recomendación convincente debería ofrecer lo que es probable que disfrutemos y proporcionar componentes espontáneos pero objetivos para mantener una puerta abierta a nuevos mundos y descubrimientos. Además, se presentan dos nuevas estimaciones avanzadas para examinar la precisión recomendada de una secuencia de LOIs: precisión regulada (RP) y precisión de patrón (PP). Consideran la consistencia y el orden de los LOIs. Probamos nuestra estrategia utilizando datos de un conjunto de datos del mundo real y registros de viaje de usuarios del conjunto de datos de Foursquare. Mostramos que nuestro sistema supera a otros algoritmos de recomendación para satisfacer los intereses de viaje de los usuarios.