Loading...
Publication
Personalização de recomendações turísticas através de mineração de padrões e dados de contexto
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.15 MB | Adobe PDF |
Authors
Abstract(s)
Os sistemas de recomendação são ferramentas concebidas para apoiar os utilizadores nas suas escolhas, tornando-as progressivamente mais personalizadas. Com a evolução destes sistemas, as recomendações alcançam cada vez mais níveis superiores de precisão e coerência. Contudo, quando utilizados em recomendações de grupos, surge um problema decorrente do facto de os diferentes membros apresentarem preferências distintas, sendo, por isso, necessários métodos mais avançados que conciliem preferências e resolvam potenciais conflitos. O trabalho realizado incidiu sobre a melhoria de um sistema de recomendação para grupos (GRS) de turismo, Grouplanner, em desenvolvimento no Grupo de Investigação em Engenharia
e Computação Inteligente para a Inovação e Desenvolvimento (GECAD) com o objetivo de resolver os problemas de heterogeneidade de preferências em grupos de turismo. Esta aplicação é suportada por uma arquitetura baseada em cinco microserviços, através da qual são disponibilizadas funcionalidades como a gestão de utilizadores, a definição de preferências e a geração de recomendações. As funcionalidades adicionadas permitem a melhoria das recomendações com base nos perfis dos utilizadores, através da extração de padrões de comportamento. Para tal, foram integrados três algoritmos distintos de mineração de padrões frequentes — Apriori, FP-Growth e Eclat — possibilitando a comparação entre diferentes abordagens e a escolha dinâmica da
técnica mais adequada por meio de configuração. A extração destas regras foi incorporada no serviço multiagente (MAMS), para serem consideradas no motor de recomendações pelo motor de recomendação (REMS), permitindo a geração de sugestões mais personalizadas. A metodologia proposta foi concebida considerando não apenas os dados demográficos declarados dos utilizadores, mas também fatores como medos, limitações físicas, avaliações dos POI e dados de contexto, o que resulta em recomendações mais personalizadas e adequadas ao perfil dos turistas. Foram realizados testes para avaliar o impacto da escolha do algoritmo de mineração de padrões frequentes e do número de utilizadores na qualidade das recomendações geradas
e no desempenho computacional. Os resultados obtidos demonstraram que o algoritmo FP-Growth apresentou o melhor desempenho neste contexto. Estes resultados também demonstraram que a utilização de regras de associação contribuiu para melhorar a personalização das recomendações, promovendo experiências mais relevantes para os utilizadores.
Recommendation systems are widely used to personalize user experiences. While modern systems can provide accurate recommendations for individuals, applying the same methods to groups is challenging due to differences in member preferences, requiring more advanced approaches to reconcile conflicts. This dissertation extends a pre-existing group-based tourist POI recommendation system, GrouPlanner, which is built on a microservices architecture. The enhancements introduced leverage user profiles and behavioral patterns to improve recommendation quality. Three frequent pattern mining algorithms — Apriori, FP-Growth, and Eclat — were integrated to enable comparison and dynamic selection of the most suitable technique. Extracted rules were incorporated into the multi-agent service (MAMS) and applied to the recommendation engine (REMS) to generate more personalized suggestions. The methodology considers not only demographic data but also factors such as fears, physical limitations, POI evaluations, and contextual information, resulting in recommendations better suited to diverse scenarios. Experiments were conducted to evaluate the impact of the chosen algorithm (Apriori, FP-Growth or Eclat) and the number of users on recommendation quality and computational performance. The results demonstrated that the FP-Growth algorithm achieved the best performance in this context. The results also demonstrate that using association rules enhances personalization, delivering more relevant experiences for users.
Recommendation systems are widely used to personalize user experiences. While modern systems can provide accurate recommendations for individuals, applying the same methods to groups is challenging due to differences in member preferences, requiring more advanced approaches to reconcile conflicts. This dissertation extends a pre-existing group-based tourist POI recommendation system, GrouPlanner, which is built on a microservices architecture. The enhancements introduced leverage user profiles and behavioral patterns to improve recommendation quality. Three frequent pattern mining algorithms — Apriori, FP-Growth, and Eclat — were integrated to enable comparison and dynamic selection of the most suitable technique. Extracted rules were incorporated into the multi-agent service (MAMS) and applied to the recommendation engine (REMS) to generate more personalized suggestions. The methodology considers not only demographic data but also factors such as fears, physical limitations, POI evaluations, and contextual information, resulting in recommendations better suited to diverse scenarios. Experiments were conducted to evaluate the impact of the chosen algorithm (Apriori, FP-Growth or Eclat) and the number of users on recommendation quality and computational performance. The results demonstrated that the FP-Growth algorithm achieved the best performance in this context. The results also demonstrate that using association rules enhances personalization, delivering more relevant experiences for users.
Description
Keywords
Recommendation System Points of Interest (POI) Association Rule Frequent Pattern Mining Apriori FP-Growth Eclat Contextual Data Sistema de recomendação Ponto de interesse turístico Regra de associação Mineração de padrões frequentes Dados de contexto