راهکارهای ارتقای عملکرد سیستمهای توصیه گر مکان مورد علاقه به گردشگران (POI)

کاربرد سیستمهای توصیه گر در تخمین و پیشنهاد مکانهای مورد علاقه (POI) گردشگران در سالهای اخیر گسترش چشمگیری یافته است. رویکرد متداول برای شناسایی علایق کاربران استفاده از تکنیک فیلترینگ مشارکتی (CF) است. با وجود این، دقت و کارآمدی رویکرد CF با اعمال پارامترهای مختلف و رویکردهای تکمیلی قابل بهبود است. در این مقاله، راهکار جدیدی برای ارتقاء پیشنهادهای POI به گردشگران ارائه می شود که از یک مدل زمانی پنج بعدی شامل ابعاد ساعتهای شبانه روز، روزهای هفته، روزهای ماه، ماه های سال و مناسبت ها استفاده می کند و با محاسبه فاصله اقلیدسی بین زمان توصیه با زمان تجربه های قبلی کاربر فعال و کاربران مشابه او مکانهای مناسب را شناسایی و پیشنهاد می کند. راهکار پیشنهادی همچنین از پارامتر اعتماد برای افزایش دقت پیشنهاد POI بهره می گیرد. برای بهبود دقت ارزیابی اعتماد یک معیار جدید مبتنی بر ساختار درخت شباهت بین زمینه ها معرفی شده است. نتایج آزمایشهای انجام شده بر روی چند مجموعه داده معروف نشان می دهد که مدل پیشنهادی کارآمدی و صحت بالاتری نسبت به روشهای موجود ارائه می کند.