سیستم توصیه مکان های دیدنی که تعداد بازدید کاربران را در نظر می گیرد

خلاصه

مطالعه حاضر با هدف طراحی، توسعه، بهره برداری و ارزیابی یک سیستم توصیه مکان های دیدنی انجام شد که بتواند به طور موثر و مفیدی از گردشگران با در نظر گرفتن فرکانس بازدید آنها حمایت کند. این سیستم با یکپارچه سازی خدمات شبکه های اجتماعی (SNS)، سیستم های اطلاعات جغرافیایی وب (GIS) و سیستم های توصیه توسعه یافته است. این سیستم با اتخاذ دو روش توصیه (توصیه مبتنی بر دانش و روش های توصیه مشارکتی) مکان های دیدنی را به کاربران با فرکانس های مختلف بازدید توصیه می کند. علاوه بر این، این سیستم به مدت شش هفته در شهر کاماکورا، استان کاناگاوا، ژاپن کار کرد و تعداد کل کاربران 61 نفر بود. و عملکرد توصیه مکان‌های دیدنی، که یک عملکرد اصلی است، عمدتاً رتبه‌بندی خوبی دریافت کرد. از نتایج تجزیه و تحلیل دسترسی به داده‌های ورود کاربران، تعداد کل جلسات در این سیستم 329 جلسه بوده است که 77 درصد از دستگاه‌های تلفن همراه استفاده می‌کنند و بیشترین استفاده از گوشی‌های هوشمند بوده است. بنابراین، بدیهی است که این سیستم همانطور که برای آن طراحی شده است توسط انواع مختلف دستگاه ها استفاده شده است و این سیستم با توجه به هدف تحقیق حاضر که پشتیبانی از فعالیت های گشت و گذار کاربران است، مورد استفاده قرار گرفته است.

کلید واژه ها:

سیستم توصیه مکان های دیدنی ; خدمات شبکه های اجتماعی (SNS) ؛ سیستم های اطلاعات جغرافیایی وب (GIS) ; سیستم توصیه ; دفعات بازدید ; اطلاعات مکان های دیدنی

1. معرفی

با توجه به پیشرفت اطلاعات در سال های اخیر، هرکسی بدون توجه به زمان و مکان به راحتی می تواند اطلاعات را ارسال و دریافت کند و انبوهی از اطلاعات مختلف را از اینترنت به دست آورد. همین امر را می توان در مورد اطلاعات گشت و گذار نیز گفت. گردشگران باید اطلاعات لازم را از میان حجم قابل توجهی از اطلاعات مکان‌های دیدنی انتخاب کنند، و یافتن اطلاعات متناسب با اهداف آنها بسیار دشوار است. بنابراین، ارائه اطلاعات مربوط به مکان‌های دیدنی با استفاده از اینترنت به گردشگران مهم است.

در مکان‌های دیدنی محبوب، نه تنها گردشگرانی هستند که برای اولین بار از آن بازدید می‌کنند یا فقط چند بازدید داشته‌اند، بلکه مسافرانی هم هستند که چندین بار بازدید کرده‌اند. اوکامورا و همکاران (2007) [ 1 ] تفاوت در نقاط دیدنی را که گردشگران با فرکانس های مختلف بازدید از آن بازدید می کردند، شناسایی کرد. در این راستا، با در نظر گرفتن شهر کاماکورا، استان کاناگاوا، ژاپن به عنوان مثال، افزایش پشتیبانی از گشت و گذار برای مسافران مکرر به عنوان یکی از مسائل مربوط به گشت و گذار مطرح شد (شهر کاماکورا، 2016) [ 2 ]]. بنابراین، بهتر است اطلاعات مکان های دیدنی را با توجه به دفعات بازدید گردشگران ارائه کنید. به این دلیل که استفاده از یک روش برای ارائه حمایت کافی و مناسب هم برای گردشگرانی که برای اولین بار بازدید می کنند و هم دانش و حس محلی بودن محدودی دارند و هم برای گردشگرانی از جمله مسافران تکراری که دانش و حس محلی بودن در مورد آن را دارند دشوار است. نقاط دیدنی

با توجه به پس‌زمینه فوق، هدف مطالعه حاضر ایجاد یک سیستم توصیه مکان‌های دیدنی است که می‌تواند به طور مؤثر و مفیدی از گردشگران با در نظر گرفتن دفعات بازدید آنها حمایت کند. با توجه به سیستم توسعه‌یافته در پژوهش حاضر، کارایی مربوط به ارائه اطلاعات مکان‌های دیدنی مرتبط به گردشگران با استفاده از اینترنت و سودمندی مربوط به توصیه مکان‌های دیدنی با توجه به ترجیحات گردشگران و فراوانی بازدید است. این سیستم با یکپارچه سازی سرویس شبکه های اجتماعی (SNS)، سیستم های اطلاعات جغرافیایی وب (GIS) و سیستم توصیه ( بخش 3 و بخش 4 ) طراحی و توسعه یافته است.). SNS برای جمع آوری، جمع آوری، ارزیابی و اشتراک گذاری اطلاعات گشت و گذار استفاده می شود. Web-GIS برای تجسم اطلاعات مکان های دیدنی بر روی نقشه های دیجیتال استفاده می شود. سیستم توصیه برای توصیه مکان های دیدنی به کاربران با در نظر گرفتن تفاوت در فرکانس بازدید استفاده می شود. علاوه بر این، این سیستم توسط افراد مختلف از داخل و خارج از منطقه هدف عملیات در طول دوره عملیات استفاده خواهد شد ( بخش 5 )، و استراتژی های بهبود پس از شناسایی مسائل با ارزیابی سیستم از طریق پرسشنامه وب به کاربران ارائه خواهد شد. و تجزیه و تحلیل دسترسی ( بخش 6 ).

شهر کاماکورا، استان کاناگاوا به عنوان منطقه هدف عملیات انتخاب شد. اولین دلیل این انتخاب این است که بازدیدهای زیادی توسط گردشگران با فرکانس های مختلف بازدید وجود دارد. همانطور که در بالا ذکر شد، شهر کاماکورا یک منطقه دیدنی شناخته شده است و تعداد بازدیدهای مسافران مکرر به نسبت پیشرفت هایی که در پشتیبانی از مناظر انجام شده است افزایش یافته است. این شهر همچنین پذیرای گردشگرانی است که برای اولین بار حضور دارند، و آن را به مکانی متمرکز توسط گردشگران با فرکانس های مختلف بازدید تبدیل کرده است. دلیل دوم این است که شهر کاماکورا علاوه بر ساختمان‌های تاریخی، مکان‌های دیدنی زیادی مانند فروشگاه‌های خرده‌فروشی و رستوران‌ها برای گردشگران دارد. بنابراین، پیش‌بینی می‌شود که بتوان از این سیستم برای توصیه مکان‌های دیدنی با توجه به ترجیحات گردشگران و فرکانس‌های بازدید استفاده کرد.

2. کارهای مرتبط

این سیستم در مطالعه حاضر با ادغام چندین سیستم مانند SNS، Web-GIS و همچنین سیستم توصیه در یک سیستم واحد توسعه یافته است. بنابراین، مطالعه حاضر به سه زمینه تحقیقاتی شامل (1) مطالعات مربوط به سیستم های پشتیبانی گشت و گذار، (2) مطالعات مربوط به سیستم اطلاعات گشت و گذار به ویژه برای مسافران مکرر و (3) مطالعات مربوط به سیستم های توصیه گشت و گذار مرتبط است.

با در نظر گرفتن مطالعات اصلی قبلی در سال های اخیر، در مورد (1) مطالعات مربوط به سیستم های پشتیبانی گشت و گذار، Anacleto و همکاران. (2014) [ 3 ] PSiS Mobile را ارائه کرد که یک برنامه کاربردی توصیه و برنامه ریزی تلفن همراه است که برای پشتیبانی از یک گردشگر در طول تعطیلاتش طراحی شده است. بریلانته و همکاران (2015) [ 4 ] TripBuilder را پیشنهاد کرد که چارچوبی بدون نظارت برای برنامه ریزی تورهای گشت و گذار شخصی در شهرها، با استفاده از نقاط علاقه مندی طبقه بندی شده (PoIs) از ویکی پدیا و آلبوم های عکس های ارجاع شده جغرافیایی از فلیکر است. ژو و همکاران (2016) [ 5 ] و فوجیتا و همکاران. (2016) [ 6] سیستم های ناوبری را توسعه داده است که SNS، Web-GIS و واقعیت افزوده (AR) را برای پشتیبانی از فعالیت های گشت و گذار در زمان های عادی و تخلیه در هنگام بلایا یکپارچه می کند. بر اساس این مطالعات، Makino و همکاران. (2019) [ 7 ] سیستمی را توسعه داد که اطلاعات مکانی-زمانی را در فضاهای واقعی و مجازی برای پشتیبانی از گشت و گذار، ادغام SNS، Web-GIS، واقعیت ترکیبی (MR) و سیستم گالری و همچنین Wikitude، و اتصال رسانه های اجتماعی خارجی، تجسم می کند. از سوی دیگر، یاماموتو و همکاران با تمرکز بر مانع زبان در حین گشت و گذار. (2018) [ 8 ] و آبه و همکاران. (2019) [ 9 ] سیستم های پشتیبانی گشت و گذار را با استفاده از انگلیسی و سایر اطلاعات غیرزبانی از جمله پیکتوگرام ها (نمادها و علائم) پیشنهاد کرد. ساساکی و همکاران با اشاره به مطالعات فوق. (2019) [10 ] یک سیستم پشتیبانی گشت و گذار با استفاده از AR و Pictograms توسعه داد.

برای (2) مطالعات مربوط به سیستم های اطلاعاتی گشت و گذار، به ویژه برای مسافران مکرر، McKerche et al. (2014) [ 11 ] از فناوری سیستم های موقعیت یابی جهانی (GPS) برای مقایسه و مقایسه الگوهای رفتاری بازدیدکنندگانی که برای اولین بار و بازدیدکنندگان تکرار می شوند استفاده کرد. ماسودا و همکاران (2012) [ 12 ] سیستمی را برای ترویج ایجاد مسافران تکراری با ارائه تنها اطلاعات نزدیک به نقاط دیدنی و همچنین ایجاد احساس ناقص بودن زمانی که آنها قادر به یافتن آنچه به دنبال آن هستند را ارائه نمی دهد. یوروزو و همکاران (2015) [ 13 ] یک سیستم پشتیبانی برنامه ریزی گشت و گذار پیشنهاد کرد که نقاط پنهان را به ویژه برای مسافران تکراری توصیه می کرد. اوچیزونو و همکاران (2016) [ 14] برای افزایش مسافران مکرر، با تمرکز بر تجربیات و علایق آنها و بهترین فصل مکان های دیدنی، یک سیستم توصیه گشت و گذار پیشنهاد کرد. کاتایاما و همکاران (2017) [ 15 ] یک سیستم ارائه اطلاعات را برای ترویج ایجاد مسافران تکراری با ارائه اطلاعات مربوط به نقاط پنهانی که به ندرت شناخته شده اند اما توسط دیگران در گذشته بازدید شده اند و دارای میزان رضایت نسبتاً بالایی در بین گردشگران هستند، توسعه داد. . نیبارا و همکاران (2017) [ 16 ] سیستمی را پیشنهاد کرد که اطلاعات گشت و گذار به ویژه برای مسافران مکرر در پاسخ به دفعات بازدید آنها فراهم می کند. کانگ و همکاران (2018) [ 17] ساختار فضایی سیستم جذب توریست را بر اساس مدت اقامت گردشگران، با استفاده از نظریه نقطه لنگر و تکنیک های تحلیل شبکه های اجتماعی با آمار فضایی و با استفاده از GIS شناسایی کرد. اوچیدا و همکاران (2019) [ 18 ] KadaSola را پیشنهاد کرد، که یک سیستم پشتیبانی از مناظر برای اقامت طولانی مدت برای افزایش مسافران مکرر است، و گردشگران را بر اساس ویژگی های آنها طبقه بندی می کند.

با توجه به (3) مطالعات مربوط به سیستم های توصیه گشت و گذار، Tarui (2011) [ 19 ] روش های فیلتر مشترک و تجزیه و تحلیل محتوا را ترکیب کرد تا سیستمی را ایجاد کند که نقاط دیدنی را از تاریخچه سفر کاربران توصیه می کند. یو و همکاران (2012) [ 20 ] یک سیستم توصیه‌گر آگاه از زمینه را پیشنهاد کرد که خدمات برنامه‌ریزی سفر سیار شخصی‌سازی شده را ارائه می‌دهد. ایکدا و همکاران (2014) [ 21 ] یک GIS توصیه اجتماعی ایجاد کرد که مکان های دیدنی را با استفاده از درجه شباهت نقاط دیدنی با اطلاعات ترجیحی فردی توصیه می کند. بر اساس Ikeda و همکاران. (2014) [ 21 ]، میزوتانی و همکاران. (2017) [ 22 ] و موکاسا و همکاران. [ 23] سیستم‌های توصیه مکان‌های دیدنی را توسعه داده است که به ترتیب شرایط و اولویت‌های کاربران را در نظر می‌گیرد. علاوه بر این، کیتایاما و همکاران. (2014) [ 24 ] یک سیستم توصیه کننده مسیر را توسعه داد که مدت زمان بازدید کاربر در مکان های دیدنی را در نظر می گیرد. گاوالاس و همکاران (2014) [ 25 ] یک سیستم توصیه گردشگری سیار با تابع آگاهی از زمینه را پیشنهاد کرد. لی و همکاران (2017) [ 26 ] و تاکاهاشی و همکاران. (2017) [ 27 ] یک سیستم توصیه دوره گردشگری را با استفاده از داده های به دست آمده از SNS پیشنهاد کرد. آئوکی و همکاران (2019) [ 28 ] یک سیستم توصیه را توسعه داد که به طور تعاملی از اطلاعات جمعیت برای پشتیبانی از برنامه ریزی تور استفاده می کند.

با توجه به (1) مطالعات مربوط به سیستم های پشتیبانی گشت و گذار، پشتیبانی برای فعالیت های گشت و گذار در زمان های عادی با استفاده از عملکردهای ارسال، مشاهده، توصیه، کمک برنامه ریزی گشت و گذار و ناوبری ارائه می شود. علاوه بر این، پشتیبانی برای تخلیه در مواقع اضطراری با نمایش امکانات پشتیبانی (مراکز تخلیه، ایستگاه های آب و غیره) بر روی نقشه دیجیتال ارائه می شود. اگرچه سیستم‌های توسعه‌یافته یا پیشنهاد شده در (2) مطالعات مربوط به سیستم‌های اطلاعاتی گشت و گذار به‌ویژه برای مسافران مکرر باعث افزایش تعداد مسافران مکرر می‌شوند، اکثر اینها پشتیبانی از گشت و گذار را برای آنها فراهم نمی‌کنند. با توجه به (3) مطالعات مربوط به سیستم های توصیه گشت و گذار به استثنای Tarui (2011) [ 19]، در حالی که پشتیبانی از گشت و گذار از طریق توصیه مکان های دیدنی توسط توصیه مبتنی بر دانش انجام می شود، توصیه مکان های دیدنی مناسب با توجه به ترجیحات کاربران با فرکانس های مختلف بازدید رضایت بخش نبوده است. علاوه بر این، با تاروی (2011) [ 19 ]، اگرچه اطلاعات گشت و گذار که با ترجیحات کاربران بر اساس تاریخچه بازدید آنها مطابقت دارد را می توان با اتخاذ روش های فیلتر مشترک و تجزیه و تحلیل محتوا توصیه کرد، کاربران محدود هستند زیرا باید تجربه بازدید از چندین مکان دیدنی را داشته باشند. و تاریخچه سفر برای نقاط خاص دیدنی در نظر گرفته نمی شود.

در مقایسه با مطالعات قبلی که در بالا ذکر شد، اولین ویژگی اصلی مطالعه حاضر این است که سیستم می تواند برای کاربران با فرکانس های مختلف سفر از جمله گردشگرانی که برای اولین بار بازدید می کنند و دانش و احساس محلی کمی دارند و همچنین گردشگران قابل استفاده باشد. که مسافران مکرر هستند و دانش و حس محلی بودن در مورد مکان های دیدنی فراوانی دارند. مطالعات قبلی سیستم‌های پیشنهادی را با توجه به دفعات بازدید کاربران توسعه ندادند. دومین ویژگی اصلی این است که سیستم هم توصیه های مبتنی بر دانش و هم توصیه های مشارکتی را به عنوان روش هایی برای توصیه مکان های دیدنی با توجه به ترجیحات مختلف کاربران که به دلیل تفاوت در دفعات بازدید رخ می دهد، اتخاذ می کند. بنابراین، برخلاف مطالعات قبلی،

3. طراحی سیستم

3.1. ویژگی های سیستم

همانطور که در شکل 1 نشان داده شده استاین سیستم با یکپارچه سازی SNS، Web-GIS و سیستم توصیه توسعه یافته است. هدف این سیستم پشتیبانی از فعالیت‌های گشت و گذار کاربران با فرکانس‌های مختلف بازدید است و با اتخاذ توصیه‌های مبتنی بر دانش و توصیه‌های مشارکتی به عنوان روش‌های توصیه، اطلاعات مکان‌های دیدنی مناسب را متناسب با ترجیحات این گونه کاربران ارائه می‌کند. برای کاربران با دفعات بازدید کم مانند گردشگرانی که برای اولین بار بازدید می کنند، توصیه هایی بر اساس شرایط لازم برای مکان های دیدنی وارد شده با اتخاذ روش توصیه مبتنی بر دانش ارائه می شود. برای کاربران با دفعات بازدید بالا مانند مسافران مکرر، توصیه هایی بر اساس اطلاعات آنها از جمله تاریخچه ارزیابی مکان های دیدنی ارائه می شود. مکان دیدنی به موارد دلخواه اضافه شد و تاریخچه بازدید با استفاده از روش توصیه مشترک. علاوه بر این، با ترکیب SNS و Web-GIS، این سیستم به کاربران امکان می‌دهد داده‌های ارزیابی را روی نقشه‌های دیجیتال نمایش دهند، نظرات و تصاویر را برای هر مکان ارسال کنند و همچنین اطلاعات مکان‌های دیدنی جدید ایجاد کنند و به راحتی اطلاعات مکان‌های دیدنی را جمع‌آوری و جمع‌آوری کنند. از آنجایی که اطلاعات کاربر به طور همزمان در سیستم ذخیره می‌شود، هر چه سیستم طولانی‌تر عمل کند، پشتیبانی بیشتری برای پاسخگویی به اولویت‌های کاربران ارائه می‌شود. به این ترتیب، سیستم می‌تواند با توصیه مکان‌های دیدنی که تعداد بازدید کاربران را در نظر می‌گیرد، پشتیبانی کارآمدی از فعالیت‌های گشت و گذار ارائه کند. این سیستم به کاربران امکان می‌دهد داده‌های ارزیابی را روی نقشه‌های دیجیتال نمایش دهند، نظرات و تصاویر را برای هر مکان ارسال کنند و همچنین اطلاعات مکان‌های دیدنی جدید ایجاد کنند و به راحتی اطلاعات مکان‌های دیدنی را جمع‌آوری و جمع‌آوری کنند. از آنجایی که اطلاعات کاربر به طور همزمان در سیستم ذخیره می‌شود، هر چه سیستم طولانی‌تر عمل کند، پشتیبانی بیشتری برای پاسخگویی به اولویت‌های کاربران ارائه می‌شود. به این ترتیب، سیستم می‌تواند با توصیه مکان‌های دیدنی که تعداد بازدید کاربران را در نظر می‌گیرد، پشتیبانی کارآمدی از فعالیت‌های گشت و گذار ارائه کند. این سیستم به کاربران امکان می‌دهد داده‌های ارزیابی را روی نقشه‌های دیجیتال نمایش دهند، نظرات و تصاویر را برای هر مکان ارسال کنند و همچنین اطلاعات مکان‌های دیدنی جدید ایجاد کنند و به راحتی اطلاعات مکان‌های دیدنی را جمع‌آوری و جمع‌آوری کنند. از آنجایی که اطلاعات کاربر به طور همزمان در سیستم ذخیره می‌شود، هر چه سیستم طولانی‌تر عمل کند، پشتیبانی بیشتری برای پاسخگویی به اولویت‌های کاربران ارائه می‌شود. به این ترتیب، سیستم می‌تواند با توصیه مکان‌های دیدنی که تعداد بازدید کاربران را در نظر می‌گیرد، پشتیبانی کارآمدی از فعالیت‌های گشت و گذار ارائه کند. هرچه سیستم طولانی‌تر عمل کند، پشتیبانی بیشتری می‌تواند برای اولویت‌های کاربران ارائه شود. به این ترتیب، سیستم می‌تواند با توصیه مکان‌های دیدنی که تعداد بازدید کاربران را در نظر می‌گیرد، پشتیبانی کارآمدی از فعالیت‌های گشت و گذار ارائه کند. هرچه سیستم طولانی‌تر عمل کند، پشتیبانی بیشتری می‌تواند برای اولویت‌های کاربران ارائه شود. به این ترتیب، سیستم می‌تواند با توصیه مکان‌های دیدنی که تعداد بازدید کاربران را در نظر می‌گیرد، پشتیبانی کارآمدی از فعالیت‌های گشت و گذار ارائه کند.

3.2. دستگاه های هدف

اگرچه انتظار می رود این سیستم با استفاده از رایانه های شخصی و دستگاه های قابل حمل قابل دسترسی باشد، عملکردهای یکسانی را می توان از هر دستگاهی استفاده کرد زیرا هیچ تفاوتی در عملکردها بسته به دستگاه مورد استفاده وجود ندارد. استفاده از رایانه‌های شخصی، که عمدتاً در داخل خانه هستند، با جمع‌آوری اطلاعات مکان‌های دیدنی، ارائه اطلاعات مکان‌های گشت و گذار جدید، و ارزیابی مکان‌های دیدنی که قبلاً در سیستم انباشته شده‌اند، کمک برنامه‌ریزی گشت و گذار در نظر گرفته می‌شود. از سوی دیگر، استفاده اصلی از دستگاه‌های قابل حمل چه در داخل و چه در خارج از منزل، کمک به فعالیت‌های گشت و گذار از طریق جمع‌آوری اطلاعات مکان‌های دیدنی، ارسال اطلاعات مکان‌های گشت و گذار جدید، و ارزیابی نقاط دیدنی که قبلاً در سیستم انباشته شده‌اند، فرض می‌شود.

3.3. محیط عملیاتی سیستم

این سیستم با استفاده از وب سرور، سرور پایگاه داده و سرور GIS کار می کند. محیط عملیاتی سیستم همانطور که در شکل 2 نشان داده شده است. Heroku که یک PaaS است که توسط شرکت Salesforce ارائه شده است، هم برای سرور وب و هم برای سرور پایگاه داده استفاده می شود. ArcGIS Online که توسط ESRI ارائه شده است برای سرور GIS استفاده شد. علاوه بر این، برنامه وب توسعه یافته با سیستم با استفاده از PHP و جاوا اسکریپت پیاده سازی شد.

3.4. طراحی هر سیستم

3.4.1. SNS

عملکرد اصلی SNS که در ابتدا در این سیستم طراحی شده است، ارسال و مشاهده اطلاعات مکان های دیدنی است. علاوه بر این، با استفاده از SNS طراحی شده، اطلاعات ارسالی، “مکان های دیدنی مورد علاقه” و “مکان های دیدنی بازدید شده” را می توان عمومی کرد.

3.4.2. Web-GIS

اگرچه انواع مختلفی از Web-GIS وجود دارد، این سیستم از ArcGIS API برای جاوا اسکریپت ارائه شده توسط ESRI برای نمایش مکان مکان های دیدنی توصیه شده استفاده می کند، زیرا دسترسی به وب سایت ها بدون نصب هیچ نرم افزاری راحت است. علاوه بر این، Leaflet، که کتابخانه نقشه منبع باز جاوا اسکریپت با استفاده از جاوا اسکریپت است، برای نمایش نتایج توصیه شده برای مکان های دیدنی و همچنین مکان اطلاعات ارسال شده و مکان های دیدنی در صفحه برای اطلاعات دقیق مکان های دیدنی استفاده می شود.

3.4.3. سیستم توصیه

1.: انتخاب روش های پیشنهادی

به گفته Jannach و همکاران. (2011) [ 29 ] و کامیشیما (2008) [ 30]، سه نوع روش توصیه شامل توصیه مشارکتی، توصیه مبتنی بر محتوا و توصیه مبتنی بر دانش وجود دارد که می‌تواند توصیه‌هایی را از گروه‌های اطلاعاتی گسترده برای مطابقت با ترجیحات کاربران ارائه دهد. انتظار می رود این سیستم توسط دو نوع کاربر استفاده شود: کاربرانی که برای اولین بار از یک مکان دیدنی بازدید می کنند و کاربرانی که چندین بار بازدید کرده اند (مسافران تکراری). بنابراین، سیستم از روش های توصیه مبتنی بر دانش و توصیه های مشارکتی استفاده می کند. روش توصیه مبتنی بر دانش انتخاب شد، زیرا بهترین روش برای کاربرانی است که برای اولین بار از یک مکان دیدنی بازدید می کنند و دانش و احساس محلی کمی دارند. این روش می تواند نقاط دیدنی مناسب را توصیه کند، با درخواست صریح اولویت‌ها و ایجاد داده‌های ترجیحی کاربرانی که توصیه‌ها را دریافت می‌کنند. از سوی دیگر، روش توصیه مشارکتی انتخاب شد، زیرا بهترین روش برای کاربرانی مانند مسافران تکراری است که بر اساس بازدیدهای قبلی خود از نقاط دیدنی ترجیحات خاص خود را دارند. این روش می‌تواند با مراجعه به اطلاعات استفاده و ترجیحات کاربران، مکان‌های دیدنی مناسب را که متناسب با ترجیحات کاربران است، توصیه کند.

علاوه بر این، مشکل شروع سرد را می توان با اتخاذ روش توصیه مبتنی بر دانش حل کرد. شروع سرد مشکلی است که در آن به دلیل اطلاعات ناکافی گذشته نمی توان توصیه های مناسبی ارائه داد. از آنجایی که توصیه‌های مبتنی بر دانش با ایجاد داده‌های ترجیحی کاربران انجام می‌شود، توصیه‌های مناسب را می‌توان بدون هیچ گونه اطلاعات گذشته با درخواست صریح ترجیحات آنها از قبل ارائه کرد.

2.: سیستم توصیه مبتنی بر دانش

با توجه به روش توصیه مبتنی بر دانش، نمایه های کاربر با ارزیابی موارد تنظیم شده از قبل در مقیاس 1 تا 5 توسط کاربران ایجاد می شود. نمایه کاربر ایجاد شده به عنوان بردار مشخصه کاربر تنظیم می شود. در مورد داده های ارزیابی نقاط دیدنی نیز، بردارهای مشخصه برای نقاط دیدنی با ارزیابی هر مورد در مقیاس 1 تا 5 ایجاد می شود. بر اساس بردارهای مشخصه ایجاد شده کاربران و نقاط دیدنی، حداکثر 10 نقطه دیدنی به ترتیب نزولی تشابه با محاسبه درجه تشابه با استفاده از رابطه (1) توصیه می شود.

اس من متر من = \sum n j = 1 U j \times اس من ج \sum n j = 1 ( U j ) 2 ———\sqrt \times \sum n j = 1 ( اس من ج ) 2 ———-\sqrt

(1)

$S i m_{i}$ : درجه تشابه
$U_{j}$ : اطلاعات ترجیحی کاربر i
$S_{i j}$ : داده های ارزیابی نقاط دیدنی

3.: سیستم توصیه مشارکتی

با توجه به کامیشیما (2007) [ 30 ]، روش فیلتر مشارکتی (توصیه مشارکتی در مطالعه حاضر) را می توان به روش مبتنی بر حافظه و روش مبتنی بر مدل تقسیم کرد. روش مبتنی بر حافظه سیستم توصیه مشارکتی انتخاب شد، زیرا اطلاعات کاربر در پایگاه داده انباشته می شود و انتظار می رود اطلاعات ترجیحی کاربران بلافاصله پس از شروع به کار این سیستم ناکافی باشد.

علاوه بر این، با توجه به Kamishima (2007) [ 30 ]، روش مبتنی بر حافظه را می توان به دو نوع تقسیم کرد: نوع مبتنی بر کاربر و نوع مبتنی بر آیتم. سیستم از نوع سیستم توصیه مشارکتی مبتنی بر آیتم استفاده می کند به همان دلیلی که روش مبتنی بر حافظه انتخاب شده است که عدم وجود داده های ترجیحی کاربران را می توان بلافاصله پس از شروع عملکرد سیستم انتظار داشت. این روش با جمع‌آوری داده‌های ارزیابی مکان‌های دیدنی از قبل، توصیه‌هایی را تنها بر اساس داده‌های ترجیحی کاربران ارائه می‌دهد. با توجه به داده های ترجیحی کاربران، می توان آنها را با ثبت داده های ارزیابی مکان های دیدنی و همچنین “مکان های دیدنی مورد علاقه” و “مکان های دیدنی بازدید شده” با استفاده از SNS طراحی شده در بخش 3.4.1 جمع آوری کرد.. بنابراین، سیستم از نوع مبتنی بر آیتم برای توسعه یک سیستم توصیه مشارکتی مبتنی بر حافظه استفاده خواهد کرد. به طور خاص، مدل همسایگی مبتنی بر آیتم پیشنهاد شده توسط Agrawal (2016) [ 31 ] استفاده خواهد شد. ابتدا، درجه شباهت بین نقاط دیدنی با استفاده از معادله (2) از داده های ارزیابی نقاط دیدنی انباشته شده در پایگاه داده سیستم محاسبه می شود.

اسi m ( i , j ) =∑تو ∈Uمن∩Uj { (rتو من–rتو—) × (ru j–rتو—) }∑تو ∈Uمن∩Uj (rتو من–rتو—)2—————–√×∑تو ∈Uمن∩Uj (ru j–rتو—)2—————–√اسمنمتر(من،�)=∑تو∈�من∩�� {(�تومن-�تو_)×(�تو�-�تو_)}∑تو∈�من∩�� (�تومن-�تو_)2×∑تو∈�من∩�� (�تو�-�تو_)2

(2)

$S i m (i, j)$ : درجه شباهت بین مکان دیدنی i و مکان دیدنی j
$r_{u i}$ : داده های ارزیابی مکان دیدنی i توسط کاربر u
$\underline{r_{u}}$ : میانگین ارزش داده های ارزیابی کاربر u

در همان زمان، پروفایل های کاربر بر اساس داده های ارزیابی کاربران از نقاط دیدنی ثبت شده در سیستم با استفاده از SNS طراحی شده در بخش 3.4.1 ایجاد می شود . جدا از داده‌های ارزیابی کاربران، ارزش‌های ارزیابی مکان‌های دیدنی بر اساس هر دسته که با استفاده از معادله (3) محاسبه می‌شود، بر اساس داده‌های «مکان‌های دیدنی مورد علاقه» به ارزش‌های ارزیابی مکان‌های دیدنی متعلق به دسته‌های مربوطه اضافه می‌شود. ” و ” بازدید از نقاط دیدنی ” ثبت شده توسط کاربران.

سی من = 5 \times س تو من من تو

(3)

$C_{i}$ : داده های ارزیابی دسته i
$I_{u}$ : تعداد علاقه مندی ها و بازدیدهای کاربر u
$s_{u i}$ : تعداد مکان های دیدنی مورد علاقه و مکان های دیدنی بازدید شده کاربر u

در مرحله بعد، برای مکان‌های دیدنی که توسط کاربران ارزیابی نمی‌شوند، ارزش‌های ارزیابی تخمینی کاربران با استفاده از رابطه (4) بر اساس میزان شباهت بین نقاط دیدنی و پروفایل کاربر محاسبه می‌شود و حداکثر 10 نقطه دیدنی در قسمت پیشنهادی پیشنهاد می‌شود. ترتیب نزولی ارزش ارزیابی برآورد شده

پ تو تی = \sum j \in س t ( u ) اس i m ( j , t ) \times پ u j \sum j \in س t ( u ) | اس i m ( j , t ) |

(4)

$p_{u t}$ : ارزش های تخمینی ارزیابی مکان های دیدنی که توسط کاربران ارزیابی نشده است
$Q_{t (u)}$ : تجمع نقاط دیدنی ارزیابی شده توسط کاربر u

4. توسعه سیستم

4.1. قسمت جلویی سیستم

این سیستم توابع منحصربه‌فردی را برای کاربران پیاده‌سازی می‌کند که در زیر در پاسخ به هدف مطالعه حاضر، همانطور که در بخش 1 ذکر شد، به آنها اشاره خواهد شد . به منظور پیاده سازی این چندین عملکرد منحصر به فرد، سیستم با ادغام سیستم های چندگانه در یک سیستم واحد توسعه یافت. علاوه بر این، این سیستم با هدف قرار دادن مردم ژاپن و کسانی که می توانند زبان ژاپنی را درک کنند، در حالی که شهر کاماکورا، ژاپن را به عنوان منطقه هدف عملیات انتخاب می کند، عمل می کند. بنابراین، تمام وب سایت های موجود در سیستم به زبان ژاپنی با نمادهای انگلیسی نوشته شده اند.

1.: عملکرد مشاهده نقاط دیدنی

کاربران برای عملکرد مشاهده اطلاعات مکان های دیدنی ( شکل 3 ) از “نقشه منطقه کاماکورا” در منوی صفحه بالا به صفحه منتقل می شوند. این صفحه به کاربران اجازه می دهد تا با استفاده از “جستجو از نقشه” یا “جستجو بر اساس دسته بندی” نقاط دیدنی را جستجو کنند. هنگام استفاده از «جستجو از نقشه»، یک پنجره بازشو شامل «نام مکان دیدنی»، «رده» و «پیوند به صفحه برای اطلاعات دقیق مکان دیدنی» ( شکل 4))” با کلیک بر روی نشانگرها در نقشه دیجیتال نمایش داده می شود. علاوه بر این، نشانگرها با توجه به دسته بندی رنگی هستند. از سوی دیگر، هنگام استفاده از “جستجو بر اساس دسته بندی”، مکان های دیدنی بر اساس دسته بندی در لیستی نمایش داده می شوند. کاربران با انتخاب یک مکان دیدنی از لیست، برای اطلاعات دقیق از نقاط دیدنی به صفحه منتقل می شوند. علاوه بر این، کاربرانی که حساب کاربری خود را ایجاد کرده و وارد سیستم شده‌اند، می‌توانند با کلیک بر روی دکمه‌های «ثبت برگزیده‌ها» و «ثبت بازدیدهای گذشته» از فهرست، «مکان‌های دیدنی مورد علاقه» و «مکان‌های دیدنی بازدید شده» خود را ثبت کنند.

در صفحه اطلاعات دقیق از مکان های دیدنی ( شکل 4″نام مکان دیدنی”، “رده”، “کد پستی”، “آدرس”، “پیوند (سایت خارجی محل بازدید)”، “جزئیات (اطلاعات مکان دیدنی)” و “تعداد نظرات در مورد مکان دیدنی” و همچنین “تصویر مکان دیدنی” و “نقشه” نمایش داده می شود. دکمه‌های «ثبت برگزیده‌ها» و «ثبت بازدید از صفحه» در این صفحه نمایش داده می‌شوند و کاربران می‌توانند با استفاده از آن‌ها «مکان‌های دیدنی مورد علاقه» و «مکان‌های دیدنی بازدیدشده» خود را ثبت کنند. پیوند برای هر دسته، کاربران را به لیست مکان های دیدنی برای دسته انتخابی منتقل می کند، در حالی که پیوند در نظرات یک مکان دیدنی، کاربران را به لیست نظرات منتقل می کند. علاوه بر این، پیوند “برای به روز رسانی اطلاعات مکان های دیدنی اینجا را کلیک کنید” کاربران را به صفحه ویرایش اطلاعات مکان های دیدنی منتقل می کند.

2.: ارائه تابع از نقاط دیدنی

کاربران برای عملکرد ارسال مکان های دیدنی به صفحه منتقل می شوند ( شکل 5) از “عملکرد ارسال” در منوی صفحه بالا. در این صفحه، اطلاعات مربوط به یک مکان را می توان با وارد کردن «نام مکان دیدنی»، «عنوان»، «رده»، «نظر»، «تصویر» و «ارزیابی برای هر مورد» و کلیک بر روی موقعیت مکانی ارسال کرد. نقشه دیجیتال یا با به دست آوردن اطلاعات مکان فعلی. برای هر آیتم ارزیابی، پنج ماده شامل «سطح رضایت»، «دسترسی»، «عدم شلوغی»، «منظره» و «دسترسی برای افراد با نیازهای ویژه» باید در مقیاس 1 تا 5 ارزیابی شود. مقیاس، “5” به معنای بهترین و “1” به معنای بدترین است. علاوه بر این، در صفحه مربوط به این عملکرد، کاربران می توانند به لیست و نقشه اطلاعات ارسالی منتقل شوند. کاربران می توانند برای دریافت لیست اطلاعات ارسالی از صفحه عملکرد ارسال مکان های دیدنی و همچنین صفحه برتر به صفحه مراجعه کنند. این صفحه “عنوان”، “نام مکان دیدنی”، “فرستنده”، “تاریخ و ساعت ارسال” و “تصویر” را نمایش می دهد. کاربران می توانند با انتخاب یکی از اطلاعات ارسالی، برای اطلاع از جزئیات مکان دیدنی به صفحه مراجعه کنند.

در مورد نقشه با اطلاعات ارسالی، نشانگرهایی بر روی نقشه دیجیتال بر اساس اطلاعات موقعیت مکانی از اطلاعات ارسالی نمایش داده می شود. با کلیک بر روی یک نشانگر، پنجره ای شامل «عنوان»، «نام مکان دیدنی»، «رده»، «فرستنده»، «تاریخ و ساعت ارسال» و «نظرات» نمایش داده می شود. این نشانگرها با توجه به دسته بندی رنگی هستند. در صفحه اطلاعات دقیق مکان‌های دیدنی، «عنوان»، «مکان‌های دیدنی هدف»، «رده»، «فرستنده» و «نظرات» و همچنین «تصویر ارسالی» و «نقشه» نمایش داده می‌شود. انتخاب یک مکان دیدنی هدف به صفحه اطلاعات دقیق نقاط دیدنی منتهی می شود، انتخاب یک دسته به صفحه لیست اطلاعات ارسالی از این دسته منتهی می شود. و انتخاب یک ارسال کننده به صفحه من شخصی که اطلاعات را ارسال کرده است منجر می شود. علاوه بر این، تنها مدیر و کاربری که اطلاعات را ارسال کرده است می توانند برای ویرایش اطلاعات مکان های دیدنی برای حذف اطلاعات ارسالی به صفحه ویرایش اطلاعات مکان های دیدنی مراجعه کنند.

3.: عملکرد توصیه از نقاط دیدنی

کاربران برای عملکرد توصیه مکان های دیدنی با اتخاذ توصیه های مبتنی بر دانش به صفحه منتقل می شوند ( شکل 6) از “شرایط توصیه” در منوی صفحه بالا. با کلیک بر روی دکمه «ارسال» پس از ارزیابی هر مورد برای مکان‌های دیدنی در مقیاس 1 تا 5، و انتخاب محدوده نتایج پیشنهادی از «ایستگاه اصلی» و «فاصله (250 متر، 500 متر، 1 کیلومتر، یا مشخص نشده) از ایستگاه اصلی، کاربران می توانند برای نتایج توصیه ها به صفحه مراجعه کنند. مرکز توصیه‌ها را می‌توان با استفاده از اطلاعات مکان فعلی کاربران به‌عنوان مکان‌های فعلی تنظیم کرد. علاوه بر این، کاربران می‌توانند با اتخاذ توصیه‌های مشترک از «نقاط توصیه‌شده» در منوی صفحه بالا، به عملکرد توصیه مکان‌های دیدنی منتقل شوند. نقاط دیدنی به همان شیوه ای توصیه می شود که عملکرد توصیه مکان های دیدنی با اتخاذ توصیه های مبتنی بر دانش.

کاربران می توانند با کلیک بر روی دکمه “ارسال” در صفحات “شرایط توصیه” و “نقاط توصیه شده” به صفحه نتایج توصیه ( شکل 7 ) مراجعه کنند. صفحه نتایج توصیه‌ها فهرستی از مکان‌های دیدنی (حداکثر 10) که توصیه شده‌اند و همچنین نقشه با مکان‌ها را نشان می‌دهد. با کلیک بر روی نشانگرها روی نقشه دیجیتال، یک پنجره بازشو حاوی “نام مکان دیدنی”، “رده” و “پیوند به صفحه برای اطلاعات دقیق مکان دیدنی” نمایش داده می شود. این نشانگرها با توجه به دسته بندی رنگی هستند. فهرست مکان‌های دیدنی توصیه‌شده و پیوندهای موجود در پنجره‌های بازشو به پیوند صفحه برای اطلاعات دقیق مکان‌های دیدنی منتهی می‌شود.

4.2. انتهای سیستم

1.: پردازش در مورد ارزیابی نقاط دیدنی

به منظور بهبود دقت عملکرد توصیه مکان های دیدنی، از کاربران خواسته می شود نقاط دیدنی را با استفاده از SNS طراحی شده در بخش 3.4.1 ارزیابی کنند. و مقادیر جدید ارزیابی با back-end این سیستم محاسبه می شود.

2.: پردازش توصیه های دانش محور

قسمت پشتی سیستم برای فرآیند محاسبه میزان تشابه اتخاذ شده برای توصیه مکان های دیدنی به کاربران، ایجاد نمایه های کاربر بر اساس اطلاعات ترجیحی وارد شده توسط کاربران، و محدود کردن مکان های دیدنی در محدوده نتایج توصیه ها استفاده می شود. نمایش داده شود. کاربران می توانند با وارد کردن اطلاعات ترجیحی خود و دامنه نتایج توصیه برای نقاط دیدنی، توصیه هایی را دریافت کنند.

3.: پردازش توصیه های مشارکتی

فرآیند محاسبه برای درجه شباهت بین نقاط دیدنی، اطلاعات ارزیابی نقاط دیدنی به دست آمده از طریق SNS کاربران، میزان شباهت بین نمایه کاربر ایجاد شده از اطلاعات ثبت شده مانند “مکان های دیدنی مورد علاقه” و “نقاط دیدنی بازدید شده” و از داده های ارزیابی نقاط دیدنی استفاده شد. قسمت پشتی سیستم برای فرآیند محاسبه ارزش‌های ارزیابی تخمینی نقاط دیدنی ارزیابی‌نشده، و فرآیند محدود کردن مکان‌های دیدنی در محدوده نتایج پیشنهادی وارد شده توسط کاربران استفاده شد. پس از اینکه کاربران از هر عملکرد SNS استفاده کردند، می‌توانند با وارد کردن محدوده نتایج توصیه‌ها برای مکان‌های دیدنی، توصیه‌هایی را دریافت کنند.

4.3. رابط سیستم

رابط این سیستم دارای دو نوع است: صفحه نمایش رایانه شخصی و دستگاه قابل حمل کاربران و صفحه نمایش رایانه شخصی مدیر. برای صفحه نمایش کاربران، یک طراحی واکنش گرا انتخاب شد و دو نوع رابط با توجه به اندازه صفحه نمایش دستگاه های مورد استفاده آماده شد. برای صفحه مدیر، کاربران، اطلاعات مکان های دیدنی و اطلاعات ارسالی قابل مدیریت هستند. با استفاده از رابط کاربری گرافیکی (GUI)، کاربران مخرب و اطلاعات مکان های دیدنی نامناسب را می توان بدون تأثیر سواد فناوری اطلاعات (IT) مدیران حذف کرد.

5. عملیات

5.1. داده های مکان دیدنی

5.1.1. جمع آوری اطلاعات

اطلاعات مکان های دیدنی باید از قبل جمع آوری شود تا بتوان از عملکردها درست پس از شروع کار این سیستم استفاده کرد. در مجموع 133 مکان از داده های مکان دیدنی در شهر کاماکورا، استان کاناگاوا جمع آوری شد که در سایت بررسی سفر 4travel.jp [ 32 ] و همچنین در راهنمای Jalan Kankou [ 33 ] ارزیابی شدند.

5.1.2. پردازش داده ها

اگرچه داده‌های مکان‌های دیدنی جمع‌آوری‌شده در بخش قبل به شش دسته شامل «معبد»، «مکان‌های معروف و تاریخی»، «موزه و موزه هنر»، «ساحل»، «طبیعت و مکان‌های دیدنی» و «پارک و باغ گیاه‌شناسی» تقسیم شدند. می توان انتظار داشت که اطلاعات مربوط به “رستوران” در حین بهره برداری از این سیستم ارسال شود. بنابراین، مقوله ها بر اساس سایت بررسی سفر 4travel.jp [ 32 ] و همچنین در راهنمای جالان کانکو [ 33 ] مورد بازنگری قرار گرفتند.]. در نتیجه هشت دسته شامل «معبد»، «مکان تاریخی و معروف»، «طبیعت و مکان دیدنی»، «پارک و باغ گیاه‌شناسی»، «موزه و موزه هنر»، «غذا»، «خرید» و «سایر» در محل قرار گرفتند و 133 مکان دیدنی مجدداً طبقه بندی شدند. دسته «دیگران» شامل چشمه های آب گرم، اقامتگاه ها و رویدادها می شود.

5.2. فرض کاربر

انتظار می رود این سیستم توسط کاربران مختلفی مانند کسانی که برای اولین بار قصد بازدید از منطقه هدف عملیات را دارند و کسانی که قبلاً از منطقه هدف عملیات بازدید کرده اند و در حال برنامه ریزی بازدید دیگری هستند، استفاده شود. از آنجایی که می‌توان انتظار داشت کسانی که برای اولین بار از آن بازدید می‌کنند، دانش و حس محلی بودن کمی داشته باشند، روش توصیه مبتنی بر دانش که به دانش قبلی نیاز ندارد، به عنوان ابزاری برای جمع‌آوری اطلاعات مکان‌های دیدنی استفاده می‌شود. برای کسانی که چندین بار از منطقه هدف عملیات بازدید کرده‌اند و قبلاً دانش و حس محلی بودن را دارند، روش توصیه مشترک به عنوان ابزاری برای جمع‌آوری اطلاعات مکان‌های دیدنی که متناسب با ترجیحات فردی آنها بر اساس سابقه بازدیدشان است، استفاده می‌شود. علاوه بر این،

5.3. عمل

5.3.1. بررسی اجمالی عملیات

عملیات این سامانه در مدت شش هفته با افراد داخل و خارج از منطقه هدف عملیات انجام شد. نویسندگان استفاده از این سیستم را از طریق وب سایت، توییتر و فیس بوک آزمایشگاه های خود تبلیغ کردند. کاربران هنگام استفاده از سیستم برای اولین بار ثبت نام خواهند کرد. ثبت نام با وارد کردن نام حساب، آدرس ایمیل، جنسیت، گروه های سنی، تعداد بازدیدهای قبلی از شهر کاماکورا و رمز عبور تکمیل می شود. آدرس ایمیل و رمز عبور هنگام ورود به سیستم مورد نیاز است. کاربران تنها پس از ثبت نام اولیه به صورت خودکار به صفحه بالا منتقل می شوند. پس از تکمیل مراحل ثبت نام، کاربران تنها در صورت ورود به سیستم می توانند از تمامی عملکردهای سیستم استفاده کنند. در حالی که “نقشه منطقه کاماکورا” و سایر اطلاعات مربوط به منطقه کاماکورا را می توان بدون ورود به سیستم استفاده کرد، “نقاط دیدنی مورد علاقه” و “نقاط دیدنی بازدید شده” را نمی توان ثبت کرد. صفحه من را می توان برای تغییر اطلاعات مربوط به کاربران و ترجیحات آنها استفاده کرد که به آنها امکان می دهد توصیه هایی از مکان های دیدنی را که مطابق با ترجیحات فردی است دریافت کنند.

5.3.2. نتایج عملیات

کاربران این سیستم در نشان داده شده اند جدول 1 نشان داده شده است. در مجموع 61 کاربر شامل 44 مرد و 17 زن وجود دارد. هیچ انگیزه ای برای کاربران وجود نداشت و کسانی که می خواستند از این سیستم استفاده کنند باید در هنگام استفاده از سیستم برای اولین بار ثبت نام کنند، همانطور که در قسمت قبل ذکر شد. تعداد کاربران مرد بیشتر بود و مردان 20 ساله بیشترین درصد را تشکیل می دادند. با توجه به گروه های سنی، کاربران در 20 سالگی بیشترین درصد را با 64 درصد شامل مردان و زنان تشکیل می دهند. کاربران 50 ساله 13 درصد، کاربران 60 ساله و بالاتر 10 درصد، کاربران 10 ساله 5 درصد، کاربران 30 ساله 7 درصد و کمترین درصد مربوط به کاربران 40 ساله بوده که فقط آرایش کرده اند. 2 درصد همه کاربران ژاپنی هستند و محل سکونت آنها عمدتاً در منطقه کانتو (منطقه شهری توکیو) متمرکز است. علاوه بر این، در نتیجه عملیات،

با توجه به تعداد بازدید از منطقه هدف عملیات قبل از استفاده از سیستم، بر اساس طبقه بندی گردشگران با تمرکز بر دفعات بازدید در آداچی و همکاران. (2007) [ 34]، بازدیدکنندگان صفر به عنوان «بازدیدکنندگان برای اولین بار»، 1 تا 2 بازدید «بازدیدکنندگان چند بار»، 3 تا 5 بازدید «مسافران نیمه تکراری» و 6 تا 11 بازدید یا بیشتر به عنوان «بازدیدکنندگان تکراری» تعریف می شوند. مسافران». بر اساس این تعریف، 16 درصد از کاربران بازدیدکننده برای اولین بار، 25 درصد بازدیدکنندگان چندباره، 14 درصد مسافران نیمه تکراری و 45 درصد مسافران تکراری بوده اند. به این ترتیب درصد رفت و آمدهای مکرر هم برای آقایان و هم برای خانم ها بالا بود و همچنین تعداد بازدیدکنندگان بار اول و کمی هم زیاد بود. بنابراین بدیهی است که این سیستم توسط افرادی با فرکانس های مختلف بازدید اعم از بازدیدکنندگان بار اول و معدود که دانش و حس محلی بودن محدودی دارند و همچنین مسافران نیمه تکراری و مسافران تکراری که از آگاهی و حس کافی برخوردار هستند استفاده می شده است. محل مربوط به نقاط دیدنی

علاوه بر این، تعداد نقاط دیدنی جدید ارسال شده در طول عملیات 22 مورد و تعداد ارزیابی‌های نقاط دیدنی که قبل از عملیات در سیستم انباشته شده بود، 45 مورد بود. اطلاعات و همچنین ارزیابی ها برای نقاط دیدنی انباشته شده با انجام عملیات بلند مدت سیستم افزایش می یابد.

6. ارزشیابی

در این بخش ابتدا سیستم توسعه‌یافته در پژوهش حاضر بر اساس نتایج یک نظرسنجی وب پرسشنامه از کاربران و تجزیه و تحلیل دسترسی به داده‌های ورود کاربران ارزیابی می‌شود. در ادامه، بر اساس نتایج، راهکارهای بهبود سیستم ارائه خواهد شد.

6.1. ارزیابی بر اساس پرسشنامه وب

6.1.1. بررسی اجمالی پرسشنامه وب

با توجه به هدف مطالعه حاضر، یک بررسی پرسشنامه وب به منظور انجام یک ارزیابی در مورد استفاده از سیستم و همچنین یک ارزیابی در مورد (2) در مورد سیستم کلی و عملکردهای اصلی انجام شد. این پرسشنامه یک هفته پس از شروع عمل در وب سایت انجام شد. نمای کلی بررسی پرسشنامه نیز در جدول 1 نشان داده شده است. همانطور که در جدول 1 نشان داده شده است ، 53 نفر از 61 کاربر پاسخ دادند که نرخ پاسخ معتبر 87٪ است. ارزیابی دوم بر روی کارکردهای اصلی این سیستم متمرکز بود که توسط کاربران به ابتکار خود استفاده می شد.

6.1.2. ارزیابی های مربوط به استفاده از سیستم

1.: ارزیابی سازگاری با روش‌های کسب اطلاعات مکان‌های دیدنی

با توجه به روش های کسب اطلاعات برای مکان های دیدنی (پاسخ های متعدد مجاز است)، 31 درصد به رایانه های شخصی، 57 درصد به دستگاه های قابل حمل و 11 درصد به کتاب های راهنما پاسخ دادند. این نتیجه به وضوح نشان می دهد که روش های مورد استفاده برای به دست آوردن اطلاعات گشت و گذار بیشتر شامل استفاده از اینترنت از رایانه های شخصی یا دستگاه های قابل حمل مانند تلفن های هوشمند است و نه تنها از رسانه های چاپی مانند کتاب های راهنما. بنابراین، بدیهی است که این سیستم در پشتیبانی از فعالیت‌های گشت و گذار مؤثر بوده است، زیرا کاربران را قادر می‌سازد تا با استفاده از رایانه شخصی یا دستگاه‌های قابل حمل، اطلاعات مکان‌های دیدنی را به دست آورند.

2.: ارزیابی وضعیت استفاده از سیستم

در مورد دستگاه‌هایی که برای دسترسی به سیستم استفاده می‌شوند، 21 درصد به رایانه شخصی و 79 درصد به تلفن‌های هوشمند پاسخ داده‌اند که نشان می‌دهد این سیستم بیشتر از طریق تلفن‌های هوشمند قابل دسترسی است. برای استفاده از سیستم (پاسخ های متعدد مجاز است)، 37 درصد پاسخ «جمع آوری اطلاعات مکان های دیدنی»، 34 درصد به «ایجاد برنامه سفر» و 27 درصد پاسخ «سفر در محل» داده اند. بنابراین، این نتایج نشان می دهد که هر هدف دارای سطح یکسانی از تقاضا است. بر اساس موارد فوق، موقعیت هایی که در آن سیستم می تواند مورد استفاده قرار گیرد، با تهیه یک رابط برای دستگاه های قابل حمل علاوه بر یک رابط برای رایانه های شخصی، گسترش یافت.

6.1.3. ارزیابی های مربوط به سیستم کلی و توابع اصلی

1.: ارزیابی‌های مربوط به سیستم کلی و عملکرد ارسال مکان‌های دیدنی

با توجه به مفید بودن این سیستم در حین گشت و گذار، 51 درصد پاسخ «فکر می کنم» و 47 درصد پاسخ «تا حدودی اینطور فکر می کنم» و 2 درصد پاسخ داده اند که «فکر نمی کنم». بنابراین می توان این سامانه را در پشتیبانی از فعالیت های گشت و گذار مفید دانست. برای عملکرد ارسال اطلاعات مکان های دیدنی، تنها 30 درصد از افرادی که به نظرسنجی پرسشنامه پاسخ دادند از این تابع استفاده کردند. کاربرانی که از این تابع استفاده نکرده بودند دلایلی از قبیل «من هیچ اطلاعات مکان دیدنی نداشتم»، «نمی‌خواستم اطلاعات مکان‌های دیدنی را ارسال کنم»، «درج اطلاعات در فرم ارسال زمان می‌برد» و “طراحی صفحه ارسال را دشوار می کند”. از این رو،

2.: ارزیابی‌های مربوط به عملکرد کلی توصیه‌کننده مکان‌های دیدنی

نتایج ارزیابی مربوط به عملکرد کلی توصیه نقاط دیدنی، که یک عملکرد اصلی در سیستم است، در شکل 8 نشان داده شده است. با توجه به مناسب بودن مکان های دیدنی توصیه شده (10 نقطه)، 98٪ پاسخ دادند “من فکر می کنم اینطور است” یا “من تا حدودی اینطور فکر می کنم”. بنابراین، مناسب بود که چندین مکان دیدنی را توصیه کنید. برای سودمندی نمایش مکان‌های دیدنی توصیه‌شده بر روی نقشه دیجیتال، و سودمندی مشخص کردن دامنه نتایج توصیه‌شده برای مکان‌های دیدنی، 96٪ پاسخ دادند «من اینطور فکر می‌کنم» یا «تا حدودی اینطور فکر می‌کنم». از این نتایج، می توان آن را مؤثر دانست که به کاربران اجازه می دهد محدوده ای را هنگام توصیه مکان های دیدنی انتخاب کنند و همچنین آنها را بر روی نقشه دیجیتال Web-GIS نمایش دهند.

3.: ارزیابی‌های مربوط به عملکرد توصیه‌ای نقاط دیدنی با اتخاذ توصیه‌های مبتنی بر دانش

نتایج ارزیابی مربوط به عملکرد توصیه‌های مکان‌های دیدنی با اتخاذ توصیه‌های مبتنی بر دانش در شکل 9 نشان داده شده است. همانطور که در بخش 6.1 ذکر شد، هنگام استفاده از این عملکرد، کاربران باید شرایط پیشنهادی خود را برای مکان های دیدنی وارد کنند. این تابع توسط 72 درصد از افرادی که به نظرسنجی پرسشنامه پاسخ دادند استفاده شد. با توجه به سازگاری مکان های دیدنی توصیه شده با ترجیحات کاربران، 92٪ از افرادی که از این تابع استفاده کردند، پاسخ دادند “من فکر می کنم اینطور است” یا “من تا حدودی فکر می کنم”. برای مناسب بودن شرایط توصیه شده برای مکان های دیدنی، 97٪ پاسخ دادند “من فکر می کنم اینطور است” یا “من تا حدودی اینطور فکر می کنم”. علاوه بر این، برای میزان رضایت از مکان های دیدنی توصیه شده، 90٪ پاسخ دادند “من فکر می کنم اینطور است” یا “من تا حدودی فکر می کنم اینطور است”.

از این نتایج، نقاط دیدنی توصیه شده با اتخاذ روش توصیه مبتنی بر دانش، که بر اساس اطلاعات ترجیحی کاربران به دست آمده از شرایط توصیه انتخاب شده توسط کاربران است، با ترجیحات کاربران مطابقت داشت. از طرف دیگر، کاربرانی که از این تابع استفاده نکرده بودند، پاسخ دادند که “نتوانم آن را پیدا کنم”. این ممکن است به این دلیل باشد که هنگام استفاده از سیستم از تلفن‌های هوشمند، یافتن دکمه‌هایی که کاربران را به صفحه این عملکرد هدایت می‌کنند، سخت بود.

4.: ارزیابی های مربوط به عملکرد توصیه مکان های دیدنی با اتخاذ توصیه های مشترک

نتایج ارزیابی مربوط به عملکرد توصیه نقاط دیدنی با اتخاذ توصیه های مشترک در شکل 10 نشان داده شده است. این تابع توسط 81 درصد از افرادی که به نظرسنجی پرسشنامه پاسخ دادند استفاده شد. با توجه به سازگاری مکان های دیدنی توصیه شده با ترجیحات کاربران، 91٪ از کسانی که از این تابع استفاده کردند، پاسخ دادند “من فکر می کنم اینطور است” یا “من تا حدودی فکر می کنم”. برای میزان رضایت از مکان های دیدنی توصیه شده، 95٪ پاسخ دادند: “من فکر می کنم اینطور است” یا “من تا حدودی اینطور فکر می کنم”. بنابراین، مکان‌های دیدنی، اتخاذ روش توصیه مشترک را توصیه می‌کنند که بر اساس اطلاعات ترجیحی و سابقه ارزیابی کاربران است و با ترجیحات کاربران مطابقت دارد.

6.2. ارزیابی بر اساس تجزیه و تحلیل دسترسی

تجزیه و تحلیل دسترسی در مطالعه حاضر با استفاده از داده های ورود به سیستم کاربران در طول دوره عملیات انجام شد. پژوهش حاضر از گوگل آنالیتیکس گوگل استفاده کرده است. گزارش دسترسی را می توان با فراخوانی برنامه پایتون، که حاوی کد تجزیه و تحلیل ایجاد شده با Google Analytics است، از فایل HTML خوانده شده در هر صفحه در وب سایت موضوع تجزیه و تحلیل دسترسی به دست آورد.

تعداد کل جلسات این سامانه 329 جلسه بوده است. در مورد دستگاه های مورد استفاده برای دسترسی به سیستم، 23 درصد از رایانه شخصی، 74 درصد از گوشی هوشمند و 3 درصد از تبلت رایانه شخصی استفاده می کنند. دلیل این امر این است که در سال‌های اخیر از گوشی‌های هوشمند به عنوان روشی راحت برای کسب اطلاعات استفاده شده است. بنابراین می توان طراحی سیستم را برای استفاده یکسان بدون توجه به نوع دستگاه موثر دانست تا اختلاف در کسب اطلاعات از بین برود.

10 صفحه بازدید شده برتر در جدول 2 نشان داده شده است. همانطور که از جدول 2 مشخص است، صفحات مربوط به شرایط توصیه و عملکرد توصیه مکان های دیدنی اغلب قابل دسترسی هستند. بنابراین، این سیستم در راستای هدف پژوهش حاضر که پشتیبانی از فعالیت‌های گشت و گذار کاربران با فرکانس‌های مختلف بازدید با روش‌های مختلف بود، مورد استفاده قرار گرفت. علاوه بر این، صفحات “نقشه منطقه کاماکورا” برای مشاهده اطلاعات مکان های دیدنی و ارائه عملکرد اطلاعات مکان های دیدنی نیز به طور مکرر مشاهده می شد. با این حال، از آنجایی که شماره دسترسی صفحه برای تکمیل ارسال کم بود، می‌توان فرض کرد که کاربران برای عملکرد ارسال اطلاعات مکان‌های دیدنی از صفحه بازدید کرده‌اند، اما هیچ ارسالی ارائه نکرده‌اند. همانطور که در بخش 6.1.3 ذکر شد، دلیل این امر را مربوط به کاربران و طراحی وب سایت می دانند.

6.3. ارائه استراتژی های بهبود

وظایف مربوط به این سیستم ارائه شده بر اساس نتایج بررسی پرسشنامه و تجزیه و تحلیل دسترسی در زیر خلاصه شده است.

1.: طراحی صفحه وب

ایجاد یک طراحی صفحه وب که کاربران را قادر می سازد به راحتی اطلاعات مکان های دیدنی را مشاهده کنند، به راحتی متوجه کمبود اطلاعات کاربران شوند و به راحتی و به سرعت اطلاعات را به روز کنند، ضروری است. این کار استفاده از سایر عملکردهای مرتبط با توصیه و ارسال را علاوه بر به روز رسانی اطلاعات، ترویج می کند.

2.: عملکرد توصیه از نقاط دیدنی

لازم است تابع توصیه بر اساس دسته بندی اجرا شود، و عملکردی که اجازه می دهد تا تغییرات در تعداد مکان های دیدنی مطابق با دامنه نتایج توصیه شده برای مکان های دیدنی نمایش داده شود. این کار سازگاری مکان‌های دیدنی توصیه‌شده با ترجیحات کاربران و همچنین نمایان بودن نتایج توصیه‌ها را بهبود می‌بخشد و کاربران را قادر می‌سازد تا برنامه سفر دقیق‌تری ایجاد کنند.

3.: ارائه تابع از نقاط دیدنی

اجرای کارکردهایی مانند ارسال اطلاعات جدید مکان های دیدنی، ارزیابی نقاط دیدنی که قبلاً در سیستم انباشته شده اند و ارسال نظرات و تصاویر در صفحات مختلف ضروری است. علاوه بر این، ارسال از نقشه دیجیتال یا صفحه برای اطلاعات دقیق محل گشت و گذار و تجسم واکنش سایر کاربران با استفاده از دکمه “لایک” ضروری است. این جنبه‌ها استفاده از عملکرد ارسال اطلاعات مکان‌های دیدنی را برای کاربران ترویج می‌کند. علاوه بر این، دقت نتایج توصیه‌ها برای مکان‌های دیدنی بهبود می‌یابد، زیرا این امکان را برای جمع‌آوری و انباشت اطلاعات بیشتر مکان‌های دیدنی فراهم می‌کند.

7. نتیجه گیری

در مطالعه حاضر، یک سیستم طراحی و توسعه داده شد ( بخش 3 و بخش 4 )، عملیات اجرا شد ( بخش 5 )، و ارزیابی ها و ارائه راهبردهای بهبود انجام شد ( بخش 6 ). در مقایسه با سیستم‌های خدمات مکان‌های دیدنی برای گردشگران توسعه‌یافته در مطالعات قبلی ذکر شده در بخش 2سیستم توسعه‌یافته در پژوهش حاضر می‌تواند برای کاربرانی با فرکانس‌های مختلف سفر از جمله گردشگرانی که برای اولین بار از آن بازدید می‌کنند و دانش و حس محلی بودن کمی دارند و همچنین گردشگرانی که مسافران تکراری هستند و دانش و حس فراوانی دارند، قابل استفاده است. منطقه مربوط به نقاط دیدنی علاوه بر این، این سیستم هر دو توصیه مبتنی بر دانش و توصیه های مشارکتی را به عنوان روش هایی برای توصیه مکان های دیدنی با توجه به ترجیحات مختلف کاربران که به دلیل تفاوت در دفعات بازدید رخ می دهد، اتخاذ کرد.

پژوهش حاضر را می توان در سه نکته زیر خلاصه کرد.

در مطالعه حاضر، سیستمی با یکپارچه سازی SNS، Web-GIS و سیستم توصیه طراحی و توسعه داده شد تا نقاط دیدنی را به کاربران با فرکانس های مختلف بازدید توصیه کند. این سیستم بار جمع‌آوری اطلاعات مکان‌های دیدنی را کاهش داد تا مکان‌های دیدنی را به کاربران با فرکانس‌های مختلف بازدید توصیه کند و امکان جمع‌آوری و انباشت اطلاعات مکان‌های دیدنی را فراهم کند. شهر کاماکورا، استان کاناگاوا، ژاپن به عنوان منطقه هدف عملیات انتخاب شد و عملیات و ارزیابی سیستم انجام شد.
عملیات سیستم در طول شش هفته با افراد داخل و خارج از منطقه هدف عملیات به عنوان آزمودنی انجام شد و تعداد کل کاربران 61 نفر بود. یک نظرسنجی پرسشنامه وب برای کاربران انجام شد. بر اساس نتایج این پرسشنامه، مشخص شد که سیستم توصیه برای نقاط دیدنی با اتخاذ دو روش توصیه در پشتیبانی از فعالیت‌های گشت و گذار کاربران با فرکانس‌های مختلف بازدید مؤثر است.
نتایج تجزیه و تحلیل دسترسی نشان داد که این سیستم در راستای هدف و طراحی مطالعه حاضر استفاده شده است که این سیستم را قادر می سازد بدون توجه به نوع دستگاه مورد استفاده استفاده شود و از فعالیت های گشت و گذار کاربران با انواع مختلف پشتیبانی کند. فرکانس های بازدید با روش های مختلف. تعداد کل جلسات این سیستم 329 جلسه بوده است. در مورد دستگاه های مورد استفاده برای دسترسی به سیستم، 77 درصد از دستگاه های تلفن همراه و تلفن های هوشمند بیشترین استفاده را داشته اند.

با توجه به وظایف تحقیقاتی آتی، بهبود سیستم با توجه به نتیجه در بخش 6.3 و همچنین بهبود اهمیت استفاده از آن با افزایش سوابق عملکرد سیستم در سایر مقاصد دیدنی شهری قابل طرح است.

منابع

اوکاماورا، ک. فوکوشیگه، ام. چگونه تکرارکننده ها را ارتقا دهیم؟ تجزیه و تحلیل تجربی داده های نظرسنجی گردشگران در منطقه کانسای. دیسک KISER. پاپ سر. 2007 ، 10 ، 35. [ Google Scholar ]
شهر کاماکورا مسائل مربوط به گشت و گذار در شهر کاماکورا. در دسترس آنلاین: https://www.city.kamakura.kanagawa.jp/kankou/kankoujijouh28.html (در 31 ژانویه 2020 قابل دسترسی است).
آناکلتو، آر. فیگوایردو، ال. آلمیدا، ا. Novais, P. برنامه موبایل برای ارائه تورهای گشت و گذار شخصی. J. Netw. محاسبه کنید. Appl. 2014 ، 41 ، 56-64. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Brilhante، IR; Macedo، JA; ناردینی، اف.ام. پرگو، آر. Renso, C. در مورد برنامه ریزی تورهای گشت و گذار با TripBuilder. Inf. روند. مدیریت 2015 ، 51 ، 1-15. [ Google Scholar ] [ CrossRef ]
ژو، جی. یاماموتو، ک. توسعه سیستمی برای حمایت از رفتار گردشگران با استفاده از واقعیت افزوده. بین المللی J. Adv. محاسبه کنید. علمی Appl. 2016 ، 7 ، 197-209. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فوجیتا، اس. Yamamoto، K. توسعه سیستم ناوبری پویا بلادرنگ. بین المللی J. Adv. محاسبه کنید. علمی Appl. 2016 ، 7 ، 116-130. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ماکینو، آر. یاماموتو، K. سیستم اطلاعات فضایی-زمانی با استفاده از واقعیت ترکیبی برای یادگیری مبتنی بر منطقه و گشت و گذار. در برنامه ریزی و مدیریت شهری محاسباتی برای شهرهای هوشمند ; Geertman, S., Allan, A., Pettit, C., Stillwell, J., Eds.; Springer: برلین، آلمان، 2019؛ صص 283-302. [ Google Scholar ]
یاماموتو، K. سیستم ناوبری برای گردشگران خارجی در ژاپن. جی. محیط زیست. علمی مهندس 2018 ، 10 ، 521-541. [ Google Scholar ]
آبه، اس. یوشیتسوگو، ن. میکی، دی. یاماموتو، ک. یک سیستم بازیابی اطلاعات با رابط های بدون مانع زبان. J. Inf. سیستم Soc. Jpn. 2019 ، 14 ، 57–64. [ Google Scholar ]
ساساکی، آر. یاماموتو، ک. یک سیستم پشتیبانی از گشت و گذار با استفاده از واقعیت افزوده و پیکتوگرام در مناطق توریستی شهری در ژاپن. بین المللی J. Geo-Inf. 2019 ، 8 ، 381. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
مک کرچر، بی. شوال، ن. نگ، ای. Birenboim، A. رفتار بازدیدکنندگان اول و تکراری: ردیابی GPS و تجزیه و تحلیل GIS در هنگ کنگ. بین المللی جی. تور. محیط مکان فضایی. 2012 ، 14 . [ Google Scholar ] [ CrossRef ]
ماسودا، م. ایزومی، تی. ناکاتانی، ی. سیستمی که گردشگران تکراری را با ناتمام ساختن مکان‌های دیدنی تبلیغ می‌کند. هوم رابط 2012 ، 14 ، 259-270. [ Google Scholar ]
یوروزو، ن. آبه، آ. ایچیکاوا، اچ. تومیزاوا، اچ. توسعه سیستم پشتیبانی برنامه ریزی گشت و گذار که مسافران تکراری را در نظر می گیرد. در مجموعه مقالات هفتاد و هفتمین نشست سالانه جامعه پردازش اطلاعات ژاپن، کیوتو، ژاپن، 30 آوریل تا 1 می 2015؛ صص 871-872. [ Google Scholar ]
اوچیزونو، ی. تاکایاما، T. یک سیستم راهنما که باعث بازدید مجدد مسافران از شهر اونومیچی می شود. در مجموعه مقالات هفتاد و هشتمین نشست سالانه جامعه پردازش اطلاعات ژاپن، یوکوهاما، ژاپن، 11 تا 14 آوریل 2016؛ صص 619-620. [ Google Scholar ]
کاتایاما، اس. ایزوگاوا، ن. اوبوچی، م. نیشیاما، ی. اوکوشی، تی. یونزاوا، تی. ناکازاوا، اچ. تاکاشیو، ک. Tokuda، H. SpoTrip: ارزیابی سیستم ارائه اطلاعات برای نقاط پنهان برای ارتقاء افزایش مکرر مسافران. فناوری IEICE 2017 ، 116 ، 185-192 . [ Google Scholar ]
نیبارا، اس. تاکایاما، T. سیستمی که سطوح مناسب اطلاعات را برای گردشگران فراهم می کند. در مجموعه مقالات هفتاد و نهمین نشست سالانه جامعه پردازش اطلاعات ژاپن، ناگویا، ژاپن، 16 تا 18 مارس 2017؛ صص 781-782. [ Google Scholar ]
کانگ، اس. لی، جی. کیم، جی. پارک، دی. شناسایی ساختار فضایی سیستم جذب توریست در کره جنوبی با استفاده از GIS و تجزیه و تحلیل شبکه: کاربرد تئوری نقطه لنگر. جی. مقصد. علامت گذاری. مدیریت 2018 ، 9 ، 358-370. [ Google Scholar ] [ CrossRef ]
اوچیدا، ک. ایزومی، ر. کونیدا، تی. یامادا، س. یونتانی، ک. گوتودا، ا. Yaegashi، M. توسعه “KadaSola”: یک سیستم پشتیبانی گشت و گذار برای اقامت طولانی. در مجموعه مقالات هشتاد و یکمین نشست سالانه جامعه پردازش اطلاعات ژاپن، فوکوکا، ژاپن، 14 تا 16 مارس 2019؛ صص 841-842. [ Google Scholar ]
Tarui, Y. سیستم توصیه سایت توریستی با استفاده از روش فیلتر مشارکتی و روش تجزیه و تحلیل محتوا. گاو نر بخش مدیریت Inf. علمی دانشگاه جوبو 2011 ، 36 ، 1-14. [ Google Scholar ]
یو، سی سی; چانگ، HP به سمت توصیه‌های متن‌آگاه برای برنامه‌ریزی شخصی سفر با موبایل. در سیستم‌ها و برنامه‌های کاربردی آگاه از زمینه ؛ Cong, P., Nguyen, V., Nguyen, MH, Tung, T., Suzuki, J., Eds. Springer: برلین، آلمان، 2012; صص 121-130. [ Google Scholar ]
ایکدا، تی. Yamamoto، K. توسعه GIS توصیه اجتماعی برای نقاط توریستی. بین المللی J. Adv. محاسبه کنید. علمی Appl. 2014 ، 5 ، 8-21. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
میزوتانی، ی. یاماموتو، K. یک سیستم توصیه مکان دیدنی که تغییر در شرایط کاربران را در نظر می گیرد. بین المللی J. Geo-Inf. 2017 ، 6 ، 303. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
موکاسا، ی. یاماموتو، K. یک سیستم توصیه مکان دیدنی برای گردشگری هوشمند شهری بر اساس شرایط اولویت کاربران.J. Civ. مهندس آرشیت. 2019 ، 13 ، 622-640. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کیتایاما، دی. اوزو، ک. ناکاجیما، اس. Sumiya, K. A Route Recommender System بر اساس مدت زمان بازدید کاربر در مکان های دیدنی. در مهندسی نرم افزار تحقیقات، مدیریت و برنامه های کاربردی ; لی، آر.، اد. Springer: برلین، آلمان، 2014; صص 177-190. [ Google Scholar ]
گاوالاس، دی. کنستانتوپولوس، سی. مستاکاس، ک. Pantziou، G. سیستم های توصیه کننده موبایل در گردشگری.J. Netw. محاسبه کنید. Appl. 2014 ، 39 ، 319-333. [ Google Scholar ] [ CrossRef ]
لی، اس. تاکاهاشی، س. یامادا، ک. تاکاگی، م. ساساکی، جی. پیشنهادی از سیستم توصیه دوره های گردشگری (TCRS) برای گردشگران خارجی با استفاده از داده های عکس در سرویس شبکه های اجتماعی. در روندهای جدید در روش ها، ابزارها و تکنیک های نرم افزار هوشمند ؛ Fujita, H., Selamat, A., Omatu, S., Eds.; IOS Press: آمستردام، هلند، 2017؛ صص 331-338. [ Google Scholar ]
تاکاهاشی، س. لی، اس. یامادا، ک. تاکاگی، م. ساساکی، ج. مطالعه موردی سیستم توصیه دوره گردشگری با استفاده از داده های خدمات شبکه اجتماعی. در روندهای جدید در روش ها، ابزارها و تکنیک های نرم افزار هوشمند ؛ Fujita, H., Selamat, A., Omatu, S., Eds.; IOS Press: آمستردام، هلند، 2017؛ صص 339-347. [ Google Scholar ]
آئویکه، تی. هو، بی. هارا، ت. اوتا، جی. Kurata، Y. استفاده از اطلاعات جمعی از نقاط توریستی در یک سیستم توصیه‌کننده تور تعاملی. در فناوری اطلاعات و ارتباطات در گردشگری ; Pesonen, J., Neidhardt, J., Eds. Springer: برلین، آلمان، 2019؛ صص 27-39. [ Google Scholar ]
جاناخ، دی. زنکر، م. فلفرنیگ، آ. فردریش، جی. Recommender Systems: An Introduction ; انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 2011. [ Google Scholar ]
Kamishima، T. الگوریتم های سیستم های توصیه گر (2). ترانس. Jpn. Soc. آرتیف. هوشمند 2008 ، 23 ، 89-103. [ Google Scholar ]
آگروال، سی سی Recommender Systems: The Textbook ; Springer: برلین، آلمان، 2016; پ. 498. [ Google Scholar ]
4travel.jp. در دسترس آنلاین: https://4travel.jp/ (در 31 ژانویه 2020 قابل دسترسی است).
راهنمای جالان کانکو. در دسترس آنلاین: https://www.jalan.net/kankou/ (دسترسی در 31 ژانویه 2020).
آداچی، اچ. Shioya, H. Study Report: Study on the Process of Forming Repeat Travelers ; JTB Tourism Research & Consulting Co.: توکیو، ژاپن، 2007; پ. 20. [ Google Scholar ]

شکل 1. طراحی سیستم.

شکل 2. محیط عملیاتی سیستم.

شکل 3. صفحه برای مشاهده عملکرد نقاط دیدنی.

شکل 4. صفحه برای اطلاعات دقیق از مکان های دیدنی.

شکل 5. صفحه برای ارائه عملکرد نقاط دیدنی.

شکل 6. صفحه برای عملکرد پیشنهادی گلدان های دیدنی با اتخاذ توصیه های مبتنی بر دانش.

شکل 7. صفحه برای نتایج توصیه.

شکل 8. ارزیابی‌های مربوط به عملکرد کلی توصیه‌های مکان‌های دیدنی.

شکل 9. ارزیابی های مربوط به عملکرد توصیه مکان های دیدنی با اتخاذ توصیه های مبتنی بر دانش.

شکل 10. ارزیابی های مربوط به کارکرد توصیه مکان های دیدنی با اتخاذ توصیه های مشترک.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی

2. کارهای مرتبط

3. طراحی سیستم

3.1. ویژگی های سیستم

3.2. دستگاه های هدف

3.3. محیط عملیاتی سیستم

3.4. طراحی هر سیستم

3.4.1. SNS

3.4.2. Web-GIS

3.4.3. سیستم توصیه

4. توسعه سیستم

4.1. قسمت جلویی سیستم

4.2. انتهای سیستم

4.3. رابط سیستم

5. عملیات

5.1. داده های مکان دیدنی

5.1.1. جمع آوری اطلاعات

5.1.2. پردازش داده ها

5.2. فرض کاربر

5.3. عمل

5.3.1. بررسی اجمالی عملیات

5.3.2. نتایج عملیات

6. ارزشیابی

6.1. ارزیابی بر اساس پرسشنامه وب

6.1.1. بررسی اجمالی پرسشنامه وب

6.1.2. ارزیابی های مربوط به استفاده از سیستم

6.1.3. ارزیابی های مربوط به سیستم کلی و توابع اصلی

6.2. ارزیابی بر اساس تجزیه و تحلیل دسترسی

6.3. ارائه استراتژی های بهبود

7. نتیجه گیری

منابع

قبلیتجربه کاربری در استفاده از رابط های گرافیکی کاربر نقشه های وب

بعدیرویکرد مبتنی بر گیمیفیکیشن در تحقیقات راه‌یابی داخلی

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب