| Anotācija |
Ceļojumu plānošana ietver galamērķu izvēli, kas atbilst individuālajām vēlmēm,
ierobežojumiem un kontekstuālajiem faktoriem. Lai gan pastāv daudzas digitālās
ceļojumu platformas, daudzas no tām paļaujas uz popularitātes balstītiem reitingiem
vai pamata filtrēšanas mehānismiem, kas bieži vien nenodrošina jēgpilnu
personalizāciju un lēmumu atbalstu. Tā rezultātā ceļotāji var saskarties ar informācijas
pārslodzi un saņemt vispārīgus ieteikumus, kas nepietiekami atspoguļo viņu
individuālās vajadzības.
Šī bakalaura darba mērķis bija izstrādāt, attīstīt un novērtēt ceļojumu galamērķu
ieteikumu sistēmu, kas sniedz personalizētus galamērķu ieteikumus, izmantojot
mašīnmācīšanās un ieteikumu sistēmas metodes. Ieteikumu problēma tika formulēta kā
vērtējuma prognozēšanas uzdevums, kur prognozētie galamērķu vērtējumi pēc tam tiek
izmantoti, lai ģenerētu sarindotus galamērķu ieteikumu sarakstus.
Sākotnējais datu kopums tika paplašināts, lai palielinātu galamērķu daudzveidību
un atbalstītu ieteikumu ģenerēšanu plašākā galamērķu veidu klāstā. Tika ieviestas un
novērtētas vairākas ieteikumu pieejas, tostarp sadarbības filtrēšana, lineārā regresija,
grēdas regresija, K-tuvāko kaimiņu metode, XGBoost un svērtā hibrīda ieteikumu
pieeja. Modeļa veiktspēja tika novērtēta, izmantojot tādus rādītājus kā RMSE, MAE un
NRMSE gan normālos, gan aukstās palaišanas scenārijos. Izmantojot React, FastAPI
un SQLite, tika izstrādāts tīmekļa prototips, un tas tika novērtēts, izmantojot lietotāju
pētījumu, kurā piedalījās 11 dalībnieki.
Novērtējuma rezultāti parādīja, ka no visiem novērtētajiem modeļiem vislabāko
sniegumu uzrādīja hibrīdmodelis ar svērto ieteikumu pieeju. Sistēma izmantoja
sadarbības filtrēšanas un mašīnmācīšanās ieteikumus, kā rezultātā tika iegūti precīzāki
un atbilstošāki galamērķu ieteikumi, un tā bija efektīva aukstās palaišanas scenārijos,
izmantojot Ridža regresijas rezerves modeli. Lietotāju novērtējuma rezultāti parādīja
pozitīvu sistēmas uztveri, īpaši attiecībā uz lietojamību, ieteikuma atbilstību un nodomu
to izmantot nākotnē.
6
Ieviestā sistēma pierāda, ka sadarbības filtrēšanas un mašīnmācīšanās pieejas
apvienojums var sniegt precīzus un personalizētus ceļojumu galamērķu ieteikumus un
atrisināt aukstās palaišanas problēmu.
Darba apjoms ir 50 lappuses, ieskaitot 02 attēlus, 06 tabulas, 21 atsauces un 04
pielikumus. |
