Personal Itinerary Recommender with Time

1. Personal Itinerary Recommender with Time 組員：林聖偉、黃裕隆 指導教授：薛幼苓 教授 • 專題介紹 最後，我們利用Similar users去過而使用者p沒去過的景點，來預測使用者p對這些景點的分數（Prediction scores）。如此，我們就可以幫使用者p推薦他們從未去過的景點，而這些景點是符合他的喜好，並非單純只是熱門的景點。以下為計算Prediction scores的公式，PS(p, ℓ)表示使用者p對景點ℓ的Prediction score，S是前m個相似使用者集合，IsVisited(s,ℓ)代表使用者p的Similar users是否去過景點ℓ。 此專題開發了一個可以規劃出符合個人化旅遊路線的APP。我們提供的服務是建構在適地性社群網路上，藉由與適地性社群網站的整合，我們可以取得一些包含地理特徵以及使用者的社交關係的重要訊息，再透過資料探勘技術來分析這些資訊，接著利用這些資訊，為使用者規劃出最符合他們所期望的旅遊路線，以達到節省規劃旅遊行程的時間。 • 系統流程 景點與旅遊路線推薦（On-line） 在規畫推薦的旅遊路線上，我們提出一個有效率的演算法（Top-k personalized itinerary recommendation和 Re-ranking itinerary candidate algorithms）。使用者只要指定出發地、目的地，以及旅遊時間，我們的旅遊推薦系統就會根據查詢使用者的旅遊行為、地理資訊的特徵、景點適合拜訪的時間等訊息，推薦k條符合個人化和旅遊時間的路線給使用者。 • 結果 資料預處理（Off-line） • 1. GPS data： • 目前系統處於開發階段，所以我們先收集Gowalla網站的使用者打卡資料。 • 2. 密度式分群分析： • 為了處理數百萬筆的使用者打卡資料，以及相同的景點但打卡資料不一樣等問題，我們使用以密度為基礎的分群演算法（Density-based clustering），對龐大的GPS資料做分群。如此便可以減少資料的數量，而留下景點。 • 3. 地理資訊的特徵： • 接著，我們使用統計模型（Statistical models）找出景點的地理特徵（如使用者感興趣的景點、景點在什麼時段最多人拜訪、人們拜訪景點的順序、和景點間的交通時間），然後利用這些地理特徵來評估欲查詢的使用者p曾經拜訪過的所有景點的Rating，但是Rating僅僅代表使用者p的旅遊行為。Rating的計算方式如下，公式中rating(ℓ)是使用者p對景點ℓ的Rating，fpop(ℓ)代表地點ℓ的熱門程度，fvisit(ℓ)代表地點ℓ適合被拜訪的時間，α值是用來控制fpop與fvisit的比例；而Rp是使用者p對所有拜訪過景點的Rating集合，其中L′是使用者p拜訪過的景點集合。 • 4. 使用者偏好的地點： • 為了找出與使用者p有高度相似旅遊行為的Similar users，我們結合地理的特徵，並且以使用者為基礎的協同過濾，將使用者p與其他所有使用者做相似度的計算。相似度的計算方式如下，公式中similarity(p,u)代表使用者p與使用者u的相似度，L”則是兩個使用者共同去過的景點，Rp(ℓ)是使用者p對景點ℓ的評分，Ru(ℓ)是使用者u對景點ℓ的評分。 • 然後我們再從這些使用者中，挑選相似度最高的前m個使用者當作使用者p的Similar users。 系統架構圖 本專案是由伺服器與用戶端兩個模組構成。伺服器的任務便是整個系統流程；而用戶端的主要工作則是提供給使用者一個豐富且容易操作的使用者介面，幫助使用者能夠輕易地搜尋景點與旅遊路線。 用戶端是以Android APP的方式呈現，以下是APP的執行畫面： 規劃結果 左為地圖版，右為文字版 登入註冊頁面 • 參考文獻 • [1] H.-P. Hsieh, C.-T. Li, and S.-D. Lin, “Exploiting large-scale check-in data to recommend time-sensitive routes,” in Proceedings of the ACM SIGKDD International Workshop on Urban Computing, ser. UrbComp ’12. New York, NY, USA: ACM, 2012, pp. 55–62. • [2] M. Ester, H.-P. Kriegel, J. Sander, and X. Xu, “A density-based algorithm for discovering clusters in large spatial databases with noise,” in KDD, E. Simoudis, J. Han, and U. M. Fayyad, Eds. AAAI Press, 1996, pp. 226–231. • [3] G. Adomavicius and A. Tuzhilin. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6):734 – 749, june 2005.