論文の概要: BTRec: BERT-Based Trajectory Recommendation for Personalized Tours
- arxiv url: http://arxiv.org/abs/2310.19886v1
- Date: Mon, 30 Oct 2023 18:00:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 18:15:26.170723
- Title: BTRec: BERT-Based Trajectory Recommendation for Personalized Tours
- Title(参考訳): BTRec: BERTベースのパーソナライズドツアーのためのトラジェクトリレコメンデーション
- Authors: Ngai Lam Ho, Roy Ka-Wei Lee, Kwan Hui Lim
- Abstract要約: 多くのツアーレコメンデーションツールは、人気のPoints of Interest(POI)やルーティング制約など、限られた要素しか考慮していない。
本稿では,提案する反復アルゴリズムであるBTREC (BERT-based Trajectory Recommendation)を提案する。
我々の推薦システムは、訪問したPOIを最大化する旅行イテナリーを作成するとともに、POIのカテゴリと時間可用性のユーザの好みを考慮した旅行イテナリーを作成することができる。
- 参考スコア(独自算出の注目度): 6.753123338256321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An essential task for tourists having a pleasant holiday is to have a
well-planned itinerary with relevant recommendations, especially when visiting
unfamiliar cities. Many tour recommendation tools only take into account a
limited number of factors, such as popular Points of Interest (POIs) and
routing constraints. Consequently, the solutions they provide may not always
align with the individual users of the system. We propose an iterative
algorithm in this paper, namely: BTREC (BERT-based Trajectory Recommendation),
that extends from the POIBERT embedding algorithm to recommend personalized
itineraries on POIs using the BERT framework. Our BTREC algorithm incorporates
users' demographic information alongside past POI visits into a modified BERT
language model to recommend a personalized POI itinerary prediction given a
pair of source and destination POIs. Our recommendation system can create a
travel itinerary that maximizes POIs visited, while also taking into account
user preferences for categories of POIs and time availability. Our
recommendation algorithm is largely inspired by the problem of sentence
completion in natural language processing (NLP). Using a dataset of eight
cities of different sizes, our experimental results demonstrate that our
proposed algorithm is stable and outperforms many other sequence prediction
algorithms, measured by recall, precision, and F1-scores.
- Abstract(参考訳): 楽しい休日を訪れる観光客にとって重要な課題は、特に不慣れな都市を訪れる際に、適切なレコメンデーションを十分に計画された旅程を持つことである。
多くのツアーレコメンデーションツールは、popular point of interest(pois)やルーティング制約など、限られた数の要素のみを考慮に入れている。
したがって、それらが提供するソリューションは、必ずしもシステムの個々のユーザーと一致しないかもしれない。
本稿では,poibert埋め込みアルゴリズムから,bertフレームワークを用いたpoisのパーソナライズされたイテナリーを推奨するbtrec (bert-based tracking recommendation)を提案する。
我々のBTRECアルゴリズムは、過去のPOI訪問と共にユーザの人口統計情報を修正されたBERT言語モデルに組み込んで、ソースと宛先のPOIのペアが与えられた場合、パーソナライズされたPOI反復予測を推奨する。
我々の推薦システムは、訪問したPOIを最大化する旅行イテナリーを作成するとともに、POIのカテゴリと時間可用性のユーザの好みを考慮した旅行イテナリーを作成することができる。
我々の推薦アルゴリズムは、自然言語処理(NLP)における文補完の問題に大きく影響されている。
異なる大きさの8つの都市からなるデータセットを用いて,提案アルゴリズムが安定であり,リコール,精度,f1-scoreで測定した他の多くのシーケンス予測アルゴリズムよりも優れていることを示す。
関連論文リスト
- To the Globe (TTG): Towards Language-Driven Guaranteed Travel Planning [54.9340658451129]
To the Globe(TTG)は、ユーザから自然言語要求を受け取り、それをシンボリックフォームに変換するリアルタイムのデモシステムである。
システム全体の応答に5秒を要し、保証されたイテナリでユーザ要求に応答する。
ユーザによる評価では、TTGは生成した繰り返しで35-40%のネットプロモータースコア(NPS)を一貫して達成する。
論文 参考訳(メタデータ) (2024-10-21T19:30:05Z) - Pre-trained Language Model and Knowledge Distillation for Lightweight Sequential Recommendation [51.25461871988366]
本稿では,事前学習言語モデルと知識蒸留に基づく逐次推薦アルゴリズムを提案する。
提案アルゴリズムは,推薦精度を高め,タイムリーな推薦サービスを提供する。
論文 参考訳(メタデータ) (2024-09-23T08:39:07Z) - Utilizing Language Models for Tour Itinerary Recommendation [2.5128274367283785]
ツアーイテナリーレコメンデーションでは、関連するPOI(Point-of-Interest)のシーケンスを計画する。
本稿では,旅程の推薦・計画作業における言語モデルの利用について検討する。
論文 参考訳(メタデータ) (2023-11-21T05:15:56Z) - SBTRec- A Transformer Framework for Personalized Tour Recommendation
Problem with Sentiment Analysis [6.753123338256321]
SBTRecは、感情分析を備えたBERTベースのTrajectory Recommendationである。
異なるPOIに関するレビューやコメントから、ユーザの好みと満足度レベルを学ぶ。
平均F1スコアは61.45%で、ベースラインアルゴリズムより優れている。
論文 参考訳(メタデータ) (2023-11-18T13:30:01Z) - Understanding the Influence of Data Characteristics on the Performance of Point-of-Interest Recommendation Algorithms [46.36494968837701]
関心のポイント(POI)レコメンデーションは旅行者やe-ツーリズムビジネスにとって不可欠である。
従来のレコメンデーションアルゴリズムのパフォーマンスは、スパーシリティ、人気バイアス、嗜好分布などのデータ特性に依存することが知られている。
本研究では,データ特性がレコメンデーション性能に与える影響を定量化する汎用手法を提案する。
論文 参考訳(メタデータ) (2023-11-13T10:51:29Z) - Bayes-enhanced Multi-view Attention Networks for Robust POI
Recommendation [81.4999547454189]
既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。
実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。
本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
論文 参考訳(メタデータ) (2023-11-01T12:47:38Z) - POIBERT: A Transformer-based Model for the Tour Recommendation Problem [0.3121997724420106]
本稿では,POI 上での BERT 言語モデルを用いて,パーソナライズされたイテレーションを推薦するアルゴリズムである POIBERT を提案する。
提案手法では, 類似観光地からの過去のトラジェクトリに基づいて, POIカテゴリの時間とユーザの嗜好を最適化するPOIのシーケンスを生成することができる。
論文 参考訳(メタデータ) (2022-12-16T12:32:15Z) - Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。
自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。
特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文 参考訳(メタデータ) (2022-10-22T17:29:34Z) - Multi-Armed Bandit Problem with Temporally-Partitioned Rewards: When
Partial Feedback Counts [53.579515853222986]
時間分割リワード(TP-MAB)を用いたマルチアーメッド・バンディット(Multi-Armed Bandit)について検討する。
この設定は、プル後の有限時間スパン上で報酬が拡張されるケースに対する遅延フィードバックバンディットの自然な拡張である。
本稿では,TP-UCB-FRとTP-UCB-EWの2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-06-01T15:56:59Z) - DeepAltTrip: Top-k Alternative Itineraries for Trip Recommendation [4.727697892741763]
本稿では,DeepAltTripというディープラーニングベースのフレームワークを提案する。
経路生成のステップでは,多様なユーザ定義制約をシームレスに処理できる新しいサンプリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-09-08T10:36:59Z) - User Preferential Tour Recommendation Based on POI-Embedding Methods [0.624399544884021]
POI埋め込み手法を用いてパーソナライズツアーを推薦するアルゴリズムを提案する。
提案アルゴリズムは時間と位置の制約を最適化するpoisのシーケンスを生成する。
予備実験の結果,本アルゴリズムは適切で正確な文を推薦できることがわかった。
論文 参考訳(メタデータ) (2021-03-03T15:18:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。