طراحی سیستم توصیهگر با استفاده از داده های مکانی و زمانی برای پیشنهاد فعالیتهای اوقات فراغت

سیستمهای توصیه گر نقش مهمی در ارائه پیشنهادات شخصی سازیشده به کاربران دارند. در حوزه پیشنهاد فعالیت های اوقات فراغت، سیستمهای سنتی معموال بر اساس تاریخچه تعاملات کاربران عمل می کنند، اما نادیده گرفتن داده های مکانی و زمانی باعث کاهش دقت این پیشنهادات می شود. این پژوهش با هدف طراحی یک سیستم توصیه گر مکانی-زمانی برای پیشنهاد فعالیت های اوقات فراغت انجام شده است. سیستم پیشنهادی از یک مدل ترکیبی شامل فیلترینگ محتوایی، فیلترینگ همکاری و یادگیری عمیق برای ارائه پیشنهادات شخصی سازیشده استفاده کرده است. داده های مورد استفاده از مجموعه داده Yelp و OpenStreetMap استخراج شده اند و ابزارهای PostGIS، Google Places API و یادگیری عمیق با TensorFlow برای پردازش دادهها به کار رفته اند. نتایج ارزیابی نشان داد که مدل ترکیبی پیشنهادی افزایش دقت ۵۱ تا ۰۲ درصدی نسبت به روشهای سنتی دارد. همچنین، نرخ تعامل کاربران (CTR) حدود ۳۱٪ افزایش یافت و میزان رضایت کاربران از پیشنهادات بهبود چشمگیری داشت. تحلیلها نشان داد که دادههای مکانی تاثیر بیشتری نسبت به دادههای زمانی در بهبود دقت توصیهها دارند. این پژوهش نشان می دهد که ترکیب داده های مکانی و زمانی با مدل های یادگیری ماشین باعث بهبود دقت توصیهها و افزایش تعامل کاربران می شود. این رویکرد می تواند به توسعه سیستمهای توصیه گر هوشمندتر در حوزه های مختلف از جمله گردشگری، خرید و فعالیتهای تفریحی منجر شود.

کلیدواژه ها:

سیستم توصیهگر ، داده های مکانی-زمانی ، یادگیری عمیق ، فیلترینگ همکاری ، پیشنهاد فعالیت های اوقات فراغت