Журнал туризма и гостеприимства
Открытый доступ

Абстрактный

Динамический выбор рекомендательных систем: применение в туризме

Сэмюэль Арлео и Бруно Силва

Рекомендательные системы — это программные инструменты и методы, которые стремятся предлагать товары, которые, вероятно, будут интересны конкретному пользователю. Эти системы являются ключевой частью большинства приложений электронной коммерции, поскольку они облегчают пользователям поиск товаров, которые соответствуют их потребностям, одновременно улучшая продажи. Было создано несколько подходов для определения предпочтений пользователей путем работы с различными источниками и типами информации. Коллаборативная фильтрация использует историю оценок, рекомендатели на основе контента и знаний работают с характеристиками товаров, контекстно-зависимые системы предоставляют предложения на основе параметров ситуации или условий, которые окружают пользователя, в то время как демографическая фильтрация использует демографические характеристики пользователя. Кроме того, существуют гибридные подходы, которые объединяют два или более методов для преодоления недостатков каждого метода.
В этой работе изучается применение динамического выбора в области рекомендательных систем. Эта стратегия выбора, взятая из систем множественных классификаторов, состоит из выбора определенного набора классификаторов для каждого тестового шаблона. Чтобы адаптировать это понятие к контексту этого исследования, была предложена гибридная система, которая динамически стремится выбрать лучший метод рекомендации в каждом прогнозе.
После проведения экспериментов применение динамического отбора не дало существенного улучшения рекомендаций. Однако включение демографической и контекстной информации в гибридную контентную основу значительно повысило точность системы. Окончательное решение было оценено с использованием наборов данных, содержащих обзоры отелей и книг. Результаты показали, что рекомендатель способен работать в сценариях, связанных с туризмом, и что его также можно параметризовать для других проблем рекомендаций, если доступны контентные, демографические или контекстные характеристики.