Введение

В последние годы цифровые туристические платформы стали одним из основных источников информации для путешественников. Пользователи получают доступ к большому количеству данных о городах, достопримечательностях, гостиницах, маршрутах и туристических объектах. Однако увеличение объёма информации приводит к проблеме информационной перегрузки, из-за чего пользователям становится сложнее быстро находить подходящие туристические направления.

Для решения данной проблемы активно используются интеллектуальные рекомендательные системы. Такие системы применяются в электронной коммерции, социальных сетях, видеосервисах и туристических платформах [1]. Их основная задача заключается в формировании персонализированных рекомендаций на основе интересов и поведения пользователей.

В туристической сфере рекомендательные системы позволяют учитывать текстовые запросы пользователей, историю просмотров, предпочтения схожих пользователей и поведенческие данные. Наиболее распространёнными подходами являются Content-Based Filtering и Collaborative Filtering [2]. Первый метод анализирует текстовое описание объектов, а второй — поведение пользователей и взаимодействия между ними.

Несмотря на эффективность отдельных моделей, каждая из них имеет ограничения. Content-Based Filtering недостаточно учитывает коллективный опыт пользователей, а Collaborative Filtering сталкивается с проблемой недостатка данных и холодного старта. В связи с этим всё чаще используются гибридные модели, объединяющие преимущества нескольких методов одновременно.

Цель данной работы — разработка гибридной рекомендательной системы для туристической сферы, которая объединяет анализ текста, пользовательское поведение и методы collaborative filtering для повышения качества рекомендаций.

Анализ существующих исследований

Исследования в области рекомендательных систем активно развиваются в течение последних лет. В работе F. Ricci и соавторов [1] рассматриваются основные типы рекомендательных систем, включая collaborative filtering, content-based filtering и гибридные подходы. Авторы отмечают, что гибридные модели позволяют повысить качество рекомендаций и уменьшить влияние проблемы холодного старта.

C. Aggarwal [2] подчёркивает, что collaborative filtering является одним из наиболее распространённых методов персонализации, поскольку учитывает взаимодействие между пользователями и объектами. Однако при недостатке данных точность рекомендаций может снижаться.

В исследованиях, посвящённых обработке текстовых данных, широко применяется алгоритм TF-IDF, позволяющий преобразовывать текстовую информацию в числовую форму [3]. В сочетании с Cosine Similarity данный метод используется для оценки сходства между пользовательским запросом и текстовыми описаниями объектов.

Современные туристические платформы также используют анализ поведения пользователей, включая просмотры, клики и лайки. Подобный подход позволяет определить уровень заинтересованности пользователя и повысить точность рекомендаций.

На основе анализа существующих исследований было принято решение использовать гибридную архитектуру, объединяющую методы анализа текста и пользовательского поведения.

Используемые данные

Для разработки системы использовались открытые туристические наборы данных, структуры которых аналогичны Kaggle и TripAdvisor datasets. Дополнительно применялись синтетические тестовые данные пользователей.

В базе данных хранились:

– названия туристических направлений;

– текстовые описания объектов;

– категории и рейтинги;

– пользовательские действия (view, click, like);

– данные пользователей.

Все данные были предварительно структурированы и загружены в SQLite базу данных.

Основные методы системы

Content-Based Filtering

Метод Content-Based Filtering основан на анализе текстовых описаний туристических объектов. Для обработки текста используется алгоритм TF-IDF, позволяющий определить важность слов в документах [3].

После векторизации текста вычисляется Cosine Similarity между пользовательским запросом и туристическими направлениями. Чем выше значение косинусного сходства, тем более релевантным считается объект.

Collaborative Filtering

Collaborative Filtering основан на анализе поведения пользователей и поиске схожих предпочтений [2]. В системе учитываются действия пользователей:

– просмотр (view);

– клик (click);

– лайк (like).

Для поиска похожих пользователей используется Cosine Similarity между строками пользовательской матрицы взаимодействий.

Анализ пользовательского поведения

Для количественной оценки действий пользователей применяются весовые коэффициенты, представленные в таблице 1.

Таблица 1

Вес действий пользователя

Использование весов позволяет преобразовать поведение пользователя в числовой формат и учитывать уровень заинтересованности.

Архитектура системы

Система реализована в виде веб-приложения и состоит из следующих модулей:

1. пользовательский интерфейс;
2. модуль обработки текста;
3. модуль анализа поведения;
4. рекомендательный модуль;
5. база данных SQLite;
6. административная панель.

Схема работы системы

Пользователь → Ввод запроса → TF-IDF → Cosine Similarity → Анализ поведения → Collaborative Filtering → Гибридная модель → Результат

Используемые технологии

Таблица 2

Используемые технологии

Python был выбран благодаря широким возможностям для анализа данных и машинного обучения [4].

Гибридная модель рекомендаций

В разработанной системе используется гибридная модель рекомендаций. Итоговый результат рассчитывается по следующей формуле:

Content × 0.40 + Collaborative × 0.25 + Behavior × 0.20 + Age × 0.15

Где:

– Content — текстовое сходство;

– Collaborative — действия похожих пользователей;

– Behavior — история действий пользователя;

– Age — возрастная корреляция.

Нормализация результатов позволяет избежать доминирования одного из факторов и обеспечить более стабильную работу системы.

Результаты тестирования

Для проверки работоспособности системы использовались тестовые пользовательские запросы и данные о взаимодействии пользователей с туристическими объектами.

Результаты тестирования показали:

– корректную обработку текстовых запросов;

– устойчивую работу гибридной модели;

– улучшение качества рекомендаций по сравнению с использованием только Content-Based Filtering;

– возможность персонализации рекомендаций.

Таблица 3

Сравнение методов рекомендаций

Гибридный подход показал наиболее стабильные результаты благодаря объединению нескольких методов одновременно.

Заключение

В ходе исследования была разработана интеллектуальная гибридная рекомендательная система для туристической сферы. В системе были реализованы методы анализа текста, collaborative filtering и анализ пользовательского поведения.

Разработанная модель позволяет формировать персонализированные рекомендации на основе текстовых запросов, действий пользователей и поведенческих данных. Для обработки текстовой информации использовались алгоритмы TF-IDF и Cosine Similarity, а для анализа взаимодействий пользователей — collaborative filtering.

В работе были использованы открытые туристические данные и тестовые пользовательские данные, что позволило сформировать структуру базы данных и протестировать работу системы в различных сценариях.

Результаты тестирования показали, что использование гибридного подхода позволяет повысить релевантность рекомендаций по сравнению с использованием отдельных методов. Кроме того, система обладает расширяемой архитектурой и может быть интегрирована с внешними API и онлайн туристическими платформами.

Практическая значимость работы заключается в возможности применения подобных систем в туристических веб-сервисах, системах бронирования и интеллектуальных платформах персонализированных рекомендаций.

Литература:

1. Ricci F., Rokach L., Shapira B. Recommender Systems Handbook. — Springer, 2015.
2. Aggarwal C. Recommender Systems: The Textbook. — Springer, 2016.
3. Manning C., Raghavan P., Schütze H. Introduction to Information Retrieval. — Cambridge University Press, 2008.
4. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. — O’Reilly Media, 2019.
5. Burke R. Hybrid Recommender Systems: Survey and Experiments // User Modeling and User-Adapted Interaction. — 2002.
6. Adomavicius G., Tuzhilin A. Toward the Next Generation of Recommender Systems // IEEE Transactions on Knowledge and Data Engineering. — 2005.
7. Salton G., Buckley C. Term-weighting approaches in automatic text retrieval // Information Processing & Management. — 1988.
8. Schafer J., Konstan J., Riedl J. Recommender Systems in E-Commerce // ACM Conference on Electronic Commerce. — 1999.
9. Zhang Y., Chen X. Explainable Recommendation: A Survey and New Perspectives // Foundations and Trends in Information Retrieval. — 2020.
10. Koren Y., Bell R., Volinsky C. Matrix Factorization Techniques for Recommender Systems // IEEE Computer. — 2009.