The Impact of User Features on Trip Recommendation Systems

Year 2018, , 152 - 161, 31.01.2018

Gizem Zeynep Parim , Nevcihan Duru

https://doi.org/10.29130/dubited.361807

Abstract

Nowadays, the areas that recommendation systems are used are on the increase. It has become considerably important to make appropriate recommendations to users of the recommendation system. In this study, the influence of the personal characteristics of the users on the recommender systems we encountered in many areas has been investigated. In the study conducted, participants from various cities were asked to vote for the touristic places they visited from 50 touristic places in Istanbul province via the internet. Participants were also asked to share some demographic data (age, gender, marital status, etc.). It is desired to investigate the system effects of some user characteristics as well as user votes in the obtained data. The obtained data is converted into a form that can be used on Azure Machine Learning. Then the data loaded into the system. First, collaborative filtering was performed by using only the user votes, then hybrid approach that collaborative filtering and content based filtering are combined was performed by using user votes and demographic data. After training and testing, it was observed which features of the users affected the recommendation system.

Keywords

Collaborative Filtering, Content Based Filtering, Hybrid Approach, Demographic Data, Azure Machine Learning

Gezi Öneri Sistemine Kullanıcı Özelliklerinin Etkisi

Abstract

Günümüzde öneri sistemlerinin kullanıldığı alanlar
giderek artmaktadır. Öneri(tavsiye) sistemlerinin yaygınlaşmasıyla
kullanıcılara doğru önerilerde bulunmak gün geçtikçe önem kazanmıştır. Bu
çalışmada, birçok alanda karşılaştığımız öneri sistemlerine, kullanıcıların
kişisel özelliklerinin etkisi araştırılmıştır. Yapılan çalışmada çeşitli
illerdeki katılımcılardan internet aracılığı ile İstanbul ili içerisinde yer
alan 50 turistik yerden ziyaret etmiş oldukları turistik yerleri oylamaları
istenmiştir. Ayrıca katılımcılardan bazı demografik verilerini(yaş, cinsiyet,
medeni hal vb.) paylaşmaları istenmiştir. Elde edilen veriler ile öneri
sistemlerinde kullanıcı oylarının yanı sıra bazı kullanıcı özelliklerinin de
sisteme etkisi araştırılmak istenmiştir. Elde edilen veriler Azure Machine
Learning(AML) üzerinde kullanılabilecek formata dönüştürülüp sisteme
yüklenmiştir. Eğitim ve test işlemi sonrasında kullanıcıların hangi özelliklerinin
sisteme nasıl etki ettiği gözlemlenmiştir. 

Keywords

işbirlikçi filtreleme, içerik tabanlı filtreleme, hibrit yaklaşım, demografik veri, azure machine learning

References

• [1] E. Rich, "User Modeling Via Stereotypes," Cognitive science vol. 3, no.4, pp. 329-354, 1979.
• [2] M. D. Ekstrand, J. T. Riedl, and A. J. Konstan. "Collaborative filtering recommender systems," Foundations and Trends® in Human–Computer Interaction vol. 4, no.2, pp. 81-173, 2011.
• [3] H. Bulut, M. Milli, “İşbirlikçi Filtreleme İçin Yeni Tahminleme Yöntemleri,” Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, c. 22, s. 2, ss.123-128, 2016.
• [4] Ç. Bakır, “Zamana bağlı işbirlikçi filtreleme,” Yüksek lisans tezi, Bilgisayar Mühendisliği Bölümü, Yıldız Teknik Üniversitesi, İstanbul, Türkiye, 2014.
• [5] S. Taşçı, “İçerik Bazlı Medya Takip ve Haber Tavsiye Sistemi,” Yüksek lisans tezi, Bilgisayar Mühendisliği Bölümü, Hacettepe Üniversitesi, Ankara, Türkiye, 2015.
• [6] R. Lvn, Q. Wang, J.D. Raj, “Recommending news articles using cosine similarity function,” SAS Global Forum 2014, Washington, USA, 2014, pp 1-8.
• [7] R.S. Srinivas, C.S.A. Balaji, P. Saravanan, ” Online Product Recommendation using Relationships and Demographic Data on Social Networks,” Indian Journal of Science and Technology, vol. 9, no. 44, 2016.
• [8] Anonim, (26 Kasım 2017). [Online]. Access: https://www.netflixprize.com/community/topic_1537.html.
• [9] S. Kennedy, (2017, 28 Kasım). Potentially Deadly Bomb Ingredients-On-Amazon. Access: https://www.channel4.com/news/potentially-deadly-bomb-ingredients-on-amazon.
• [10] R.M. Bell, Y. Koren, C. Volinsky. (2017, 1 Aralık). Netflixprize. Access: https://www.netflixprize.com/assets/ProgressPrize2008_BellKor.pdf.
• [11] Anonim, (25 Kasım 2017). [Online]. Access: https://studio.azureml.net [12] Anonim, (26 Kasım 2017). [Online]. Access: https://www.dataiku.com
• [13] Anonim, (26 Kasım 2017). [Online]. Access: https://www.itcentralstation.com/categories/data-science-platforms#top_rated.aspx.
• [14] Anonim, (26 Kasım 2017). [Online] https://msdn.microsoft.com/en-us/library/azure/dn905987.aspx.