Α recommender system for e-tourism services

Abstract

Η παρούσα διατριβή στοχεύει στην παροχή νέων, πρωτότυπων ιδεών για την έρευνα του προβλήματος παραγωγής προτάσεων μέσω της εισαγωγής μεθοδολογιών και τεχνικών ανάλυσης κειμένου και πολύπλοκων αποφάσεων και από τον ευρύτερο τομέα της ασαφούς λογικής στο ερευνητικό πεδίο των συστημάτων προτάσεων. Συλλέχθηκαν κριτικές από 43 ξενοδοχεία του Λονδίνου συνολικά 2.779 κριτικές οι οποίες τέθηκαν υπό επεξεργασία από το εργαλείο επεξεργασίας κειμένου KNIME από την εφαρμογή του οποίου υπολογίστηκε η σημαντικότητα που έχει δώσει κάθε χρήστης στις υπηρεσίες του ξενοδοχείου που έχει αναφέρει. Με χρήση της AHP για κάθε χρήστη υπολογίζονται οι προτιμήσεις του που αποτελούν το προφίλ του χρήστη. Το προφίλ των ξενοδοχείων δημιουργείται από το άθροισμα των αξιολογήσεων των πελατών που τα επισκέφτηκαν για κάθε υπηρεσία οι οποίες αποτελούνται από τις προτιμήσεις του πελάτη, το συναίσθημα του πελάτη για κάθε υπηρεσία όπως εκφράστηκε στην κριτική και τη χρονολογία κατά την οποία γράφτηκε μια κριτική κανονικοποιημένο με τον αριθμό των κριτικών κάθε ξενοδοχείου. Με τη μέθοδο ανάλυσης συναισθημάτων που αναπτύσσεται αποδίδεται ένας βαθμός συναισθήματος για κάθε υπηρεσία που αναφέρει κάθε χρήστης επιτρέποντας ακριβέστερη αξιολόγηση των υπηρεσιών που παρέχει κάθε ξενοδοχείο. Επίσης η ενσωμάτωση της χρονικής διάστασης στον τύπο παραγωγής προτάσεων επιτρέπει τη δυναμική παρακολούθηση της εξέλιξης της ποιότητας των παρεχόμενων υπηρεσιών από τα ξενοδοχεία. Για την αξιολόγηση της αποτελεσματικότητας του αλγορίθμου συλλέχθηκαν μέσω ερωτηματολογίου οι προτιμήσεις 207 πελατών ξενοδοχείων και πολλαπλασιάστηκαν οι προτιμήσεις κάθε χρήστη με το προφίλ κάθε ξενοδοχείου ώστε να υπολογιστούν τα σκορ κάθε ξενοδοχείου για κάθε χρήστη. Το ποσοστό αποτελεσματικότητας του προτεινόμενου αλγορίθμου είναι 73,4%.

This thesis focuses on the provision new, innovative ideas on recommendation using text analysis methods and complicated decision making process using fuzzy logic techniques in recommendation system filed. 2.779 reviews were collected by 43 London hotels which were processed by KNIME text analysis tool. This process calculated the significance of each service mentioned by each user. The profile of each user is formed by applying AHP in the significance service matrix. The hotel profile is built based the sum of the multiplication of customer preferences, the customer sentiment as expressed in the reviews and the time a review was written normalized by the total number of reviews written for the hotel . In terms representing hotel services is assigned a fuzzy number for each service mentioned by the user thus making better evaluation of the hotel services. Also the consideration of time in recommendation process allows for the changes in hotel services quality to be captured and to be taken into consideration when recommendations are produced. For the evaluation of the effectiveness of the algorithm the preferences of 207 hotel customers were collected through questionnaire and were multiplied by hotel profiles formed earlier. Thus the recommendation score of each hotel for each user was calculated. The effectiveness of the algorithm proposed is 73,4.