Алгоритм вироблення комплексних рекомендацій клієнтам туристичної галузі

• Main Authors: Ye. V. Levus, A. O. Polianska
• Format: Article
• Language: English
• Published: Ukrainian National Forestry University 2020-11-01
• Series: Науковий вісник НЛТУ України
• Subjects: колаборативна фільтрація; схожість користувачів; коефіцієнт коригування; машинне навчання; комплексна рекомендація
• Online Access: https://nv.nltu.edu.ua/index.php/journal/article/view/2233
• ISSN: 1994-7836; 2519-2477

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.