ระบบแนะนำสถานที่ท่องเที่ยวรายบุคคลโดยใช้เทคนิคการจัดกลุ่มและกระบวนการลำดับชั้นเชิงวิเคราะห์

Main Article Content

ธรา อั่งสกุล
จิติมนต์ อั่งสกุล

Abstract

ในปัจจุบัน นักท่องเที่ยวส่วนใหญ่สามารถเข้าถึงข้อมูลการท่องเที่ยวด้วยตนเองผ่านอินเทอร์เน็ต แต่อย่างไรก็ตามเว็บไซต์ด้านการท่องเที่ยวส่วนมากจะแนะนำข้อมูลเดียวกันให้กับนักท่องเที่ยวทุกคน ทำให้นักท่องเที่ยวอาจได้รับทางเลือกที่มากจนเกินไป หรือไม่ตรงกับความสนใจของตนเอง ดังนั้นบทความนี้จึงนำเสนอระบบแนะนำสถานที่ท่องเที่ยวรายบุคคล โดยใช้เทคนิคการจัดกลุ่มและกระบวนการลำดับชั้นเชิงวิเคราะห์ซึ่งเทคนิคการจัดกลุ่มและกระบวนลำดับชั้นเชิงวิเคราะห์ถูกนำมาผสมผสานกันเพื่อสร้างแบบจำลองการจัดลำดับสถานที่ท่องเที่ยว แบบจำลองดังกล่าวถูกนำมาใช้ในการแนะนำสถานที่ท่องเที่ยวตามความชอบและเงื่อนไขบังคับต่าง ๆ ของนักท่องเที่ยวแต่ละคนโดยผลการประเมินแบบจำลองการจัดลำดับสถานที่ท่องเที่ยวซึ่งใช้ชุดทดสอบ จำนวน 400 ชุด ซึ่งประกอบด้วย ลำดับของสถานที่ท่องเที่ยว 50 แห่ง ที่ถูกจัดลำดับโดยนักท่องเที่ยว 400 คน พบว่า ลำดับสถานที่ท่องเที่ยวที่ได้จากแบบจำลองมีความถูกต้องตรงกับที่นักท่องเที่ยวได้จัดลำดับไว้ โดยค่าสัมประสิทธิ์สหสัมพันธ์ของสเพียร์แมนมีค่าเท่ากับ 0.907 นอกจากนี้ยังพบว่า ไม่ว่าจะเพิ่มจำนวนสถานที่มากเท่าใดก็ไม่มีผลต่อความถูกต้องของแบบจำลอง

Downloads

Download data is not yet available.

Article Details

Section
Research Article

References

วิฑูรย์ ตันศิริคงคล. (2542). AHP กระบวนการตัดสินใจที่ได้รับความนิยมมากที่สุดในโลก. กรุงเทพมหานคร: ซีเอ็ดยูเคชั่น. 254 หน้า.

กรมการท่องเที่ยว. (2556). สถิตินักท่องเที่ยว [ออนไลน์].ได้จาก:http://www.tourism.go.th/tourism/th/home/tourism.php

Abernethy, J., Bach, F., Evgeniou, T., and Vert, J-P. (2009). A new approach to collaborative filtering: Operator estimation with spectral regularization. Journal of Machine Learning Research 10: 803-826.

Allen, E. and Seaman, C. (2007). Likertscales and data analyses. Quality Progress 40(7): 64-65.

Bell, R. M. and Koren, Y. (2007). Scalable collaborative filtering with jointly derived neighborhood interpolation weights. In Proceedings of the 7th IEEE International Conference on Data Mining (pp. 43-52). NE, USA: IEEE Computer Society.

Breese, J. S., Heckerman, D. and Kadie, C. (1998). Empirical analysis of predictive algorithm for collaborative filtering. In Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence (pp. 43-52). Madison, WI, USA: Morgan Kaufmann.

Bridgman, P. (1922). Dimensional Analysis. New Haven:Yale University Press.

Burke, R. (2007). Hybrid web recommender systems. The Adaptive Web, LNCS 4321: 377-408. Berlin, Heidelberg: Springer-Verlag.

Chiang, M. and Mirkin, B. (2010). Intelligent choice of the number of clusters in k-means clustering: An experimental study with different cluster spreads. Journal of Classication 27(1): 3-41.

Crespo, A. G., Chamizo, J., Rivera, I., Mencke, M., Palacios, R. C., and Berbs, J. M. G. (2009). Speta: Social pervasive e-tourism advisor. Telematics and Informatics 26(3): 306-315.

Fenza, G., Fischetti, E., Furno, D., and Loia, V. (2011). A hybrid context aware system for tourist guidance based on collaborative filtering. In Proceedings of FUZZ-IEEE (pp. 131-138).

Hartigan, J. A. (1975). Clustering Algorithms. New York: John Wiley& Sons.

Herlocker, J. L., Konstan, J. A., Terveen, L. G., and Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems 22(1): 5-53.

Internet Assigned Numbers Authority. (2013). Root zone database [On-line]. http://www.iana.org/domains/root/db

Jiang, K., Wang, P., and Contextrank, N. Y. (2011). Personalized tourism recommendation by exploiting context information of geotagged web photos. In Proceedings of the Sixth International Conference on Image and Graphics (pp. 931-937). IEEE Society.

Lin, W., Alvarez, S. A. and Ruiz, C. (2002). Efficient adaptive-support association rule mining for recommender systems. Data Mining and Knowledge Discovery 6(1): 83-105.

Miniwatts Marketing Group. (2012). Internet world stats [On-line]. http://www.internetworldstats.com

Nguyen, Q. N., Cavada, D. and Ricci, F. (2004). On-tour interactive travel recommendations. In Proceedings of the 11th International Conference on Information and Communication Technologies in Travel and Tourism (ENTER04) (pp. 259-270).

Ricci, F., Rokach, L., Shapira, B., and Kantor, P. B. (2011). Recommender Systems Handbook. Berlin, Heidelberg: Springer-Verlag.

Sarwar, B., Karypis, G., Konstan, J., and Riedl, J. (2010). Item-based collaborative filteringrecommendation algorithms. In Proceedings of the WWW10 (pp.285-295). Hongkong:ACM.

Fishburn, P. (1967). Additive utilities with incomplete product sets: Application to priorities and assignments. Operations Research 15(3): 537

Mu, Z., Jing, L., Shan, C., and Lei, F. (2010). Design of the tourism-information-service-oriented collaborative filtering recommendation algorithm. In Proceedings of the International Conference on Computer Application and System Modeling (IC-CASM 2010) (pp. 361-365). IEEE Society.

Petrevska, B. and Koceski, S. (2012). Tourism recommendation system: Emperical investigation. Journal of Tourism 14:11-18.

Saaty, T. (1980). The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. New York: McGraw-Hill.

Ungar, L. H. and Foster, D. P. (1998). Clustering methods for collaborative filtering. In Proceedings of the 15th National Conference on Artificial Intelligence. Madison, WI, USA: The MIT Press.

Ye, H. (2011). A personalized collaborative filtering recommendation using association rules mining and self-organizing map. Journal of Software 6(4): 732-739.

Zheng, V. W., Cao, B., Zheng, Y., Xie, X., and Yang, Q. (2010). Collaborative filtering meets mobile recommendation: A user-centered approach. In Proceedings of Association for the Advancement of Artificial Intelligence (AAAI).