Рекомендаційна система для планування подорожей на основі машинного навчання та персоналізованих уподобань користувачів

Abstract

Туристична індустрія сьогодні є однією з найдинамічніших сфер світової економіки, у якій зростає роль інформаційних технологій для автоматизації процесів планування подорожей, аналізу ринку та персоналізації користувацького досвіду. Традиційні способи вибору маршрутів і формування туристичних пакетів не відповідають вимогам сучасного користувача, який очікує на індивідуальний підхід, швидку обробку інформації та врахування власних інтересів, фінансових і часових обмежень. Сучасні досягнення у галузі машинного навчання створюють можливості для побудови інтелектуальних систем, здатних автоматично аналізувати великі обсяги даних, виявляти закономірності у поведінці користувачів і пропонувати персоналізовані рішення. Використання таких рекомендаційних систем у сфері туризму сприяє підвищенню ефективності туристичних сервісів, розвитку смарт-туризму та розширенню доступності інформації для користувачів. В умовах зростання конкуренції на ринку туристичних онлайн-платформ впровадження інтелектуальних систем рекомендацій стає ключовим чинником диференціації сервісів і підвищення рівня задоволеності клієнтів . Мета дослідження полягає у розробленні рекомендаційної системи для планування подорожей, що використовує методи машинного навчання для формування персоналізованих туристичних пропозицій, ураховуючи вподобання, історію подорожей, соціальні сигнали та контекстні фактори (сезонність, погоду, бюджет, геолокацію). Для досягнення мети дослідження потрібно виконати наступні завдання: – провести системний аналіз предметної області рекомендаційних систем у сфері туризму; – дослідити сучасні підходи до машинного навчання, що забезпечують персоналізацію контенту; – побудувати модель користувача на основі поведінкових, демографічних і контентних ознак; – розробити архітектуру системи, яка поєднує модулі збору, оброблення, класифікації та рекомендації даних; – створити програмну реалізацію системи з використанням Python-технологій (Flask, Pandas, scikit-learn, TensorFlow) і перевірити її ефективність на реальних даних; – здійснити тестування та оцінювання якості рекомендацій за допомогою метрик точності (Precision, Recall, F-measure). Об’єктом дослідження є процес інтелектуального планування подорожей із використанням методів машинного навчання та аналізу користувацьких уподобань. Предметом дослідження є моделі, методи та програмні засоби побудови рекомендаційних систем, орієнтованих на персоналізацію туристичних послуг і маршрутів. Методи дослідження базуються на поєднанні алгоритмів машинного навчання (колаборативна та контентна фільтрація, кластеризація K-means, деревові моделі рішень, нейронні мережі) та методів статистичного аналізу даних. Для оброблення інформації використовуються бібліотеки Python (NumPy, Pandas, scikit-learn), а для побудови веб-інтерфейсу - Flask і HTML-CSS-JS. Експериментальна частина ґрунтується на аналізі відкритих даних з API туристичних сервісів (TripAdvisor, Google Places, Booking) і даних соціальних мереж, що містять відгуки користувачів, оцінки та геомітки. Наукова новизна отриманих результатів полягає у розробленні комбінованої моделі рекомендацій, яка інтегрує контентно-орієнтований, колаборативний і контекстно-залежний підходи для формування динамічних маршрутів подорожей. Запропонована система відрізняється від існуючих тим, що використовує адаптивну модель оновлення вподобань користувача на основі зворотного зв’язку, що підвищує точність рекомендацій у реальному часі. Крім того, реалізовано модуль прогнозування сезонних трендів і класифікації туристичних локацій за рівнем привабливості, що дає змогу формувати більш релевантні рекомендації навіть для нових користувачів.