مدل‌سازي عدم‌قطعيت در يك سيستم توصيه‌گر گردشگري گروهي بر مبناي معيار شباهت پيرسون، شبكه بيزين و الگوريتم خوشه‌بندي نگاشت خودسازمان‌دهنده

امروزه گردشگري گروهي يكي از مهمترين رويكردهاي موجود در سيستم‌هاي توصيه­گر گردشگري مي‌باشد. اين سيستم­ها با وجود تناقضات احتمالي ميان سلايق افراد گروه، درصدد ارائه­­ پيشنهادات مشترك به تمامي اعضاي گروه هستند و توصيه­هايي را پيشنهاد مي­كنند كه جلب رضايت گروهي از كاربران را به جاي رضايت فردي در نظر دارد. پرداختن به مسأله­ عدم قطعيت ناشي از ابهام در تعلق يك فرد به يك گروه گردشگري در اين سيستم­ها، مسأله­­ ديگري كه كمتر مورد توجه قرار گرفته است. اين نوع عدم قطعيت عموما بعلت عدم وجود اطلاعات كامل در رابطه با نظرات همه­ اعضاي گروه و عدم قطعيت در فرآيند تركيب نظرات افراد ايجاد مي‌شود. هدف اين پژوهش، ايجاد ساختار توصيه­گري گروهي و مدل­سازي عدم قطعيت مي‌باشد و براي اين منظور، يك الگوريتم توصيه­گر گروهي مبتني بر شبكه بيزين، معيار شباهت پيرسون و الگوريتم خوشه­بندي نقشه خودسازنده توسعه داده شده است. با استفاده از شبكه­ي بيزين و روابط احتمالاتي، عدم قطعيت موجود مدل‌سازي گرديده و براي گروه­هاي تشكيل شده، ترجيحات گردشگري آنها تخمين زده مي­شود. همچنين با استفاده از دخالت پارامتر درجه ارتباط در محاسبه­ شباهت بين كاربران، اثر نبود اطلاعات كافي در مورد نظر كاربران در مرحله­ امتيازدهي معيارها نيز كمرنگ­تر گرديده و با ايجاد گروه­بندي افرادي كه داراي شباهت ذاتي بيشتري بوده، ارائه­ پيشنهادات به افراد داراي سلايق مشابه در قالب يك گروه، صورت گرفته است. در ادامه جاذبه­هاي گردشگري متناسب به گروهي از كاربران پيشنهاد داده شده و در نهايت جاذبه­هاي گردشگري پيشنهادي متناسب با هر گروه و مسيرهاي بهينه بين آنها با استفاده از نقشه گوگل ارائه گرديده است. نتايج حاصل نشان مي دهد كه خطا در بدترين حالت بر اساس نرخ واقعي 263/1 و در بهترين حالت 032/0 مي‌باشد. همچنين درصد موفقيت نيز در سطوح بالاي رضايت يعني كمينه 509/59 و بيشينه 353/75 موفقيت الگوريتم توصيه­گري گروهي را خاطر نشان مي‌كند.

Group tourism is one of the most important tasks in tourist recommender systems. These systems, despite of the potential contradictions among the group's tastes, seek to provide joint suggestions to all members of the group, and propose recommendations that would allow the satisfaction of a group of users rather than individual user satisfaction. Another issue that has received less attention is the uncertainty of the memberships ambiguity of a tourist to a group in these systems. This kind of uncertainty is generally caused by the lack of complete information about the opinions of all members in a group and the uncertainty in the process of aggregating users’ viewpoints. The purpose of this research is to develope a group recommendation system through uncertainty modeling. For this purpose, a recommendation algorithm based on Bayesian network, Pearson similarity factor and Self-Organizing Map (SOM) clustering algorithm have been developed. Using the Bayesian network and probabilistic relationships, the existing uncertainties are modeled and their tourism preferences are estimated for each group. Also, according to the relevance parameter in calculating similarity among users, the effect of insufficient information about users in the criteria scoring phase was further reduced, which leads to provide similar recommendations to more similar individuals in a group. Further, tourist attractions and the optimal routes between them are proposed to each group of users via Google map. The results show that in the worst case the value of mean absolute error (MAE) is equal to 1.263, while it is 0.032 in the best case. Also, the success score demonstrates a high level of satisfaction while the maximum and minimum values are 75.353% and 58.509% respectively, which indicates the success of the developed group recommendation system.