ExplainableTrip: An XAI-Driven Personalized Travel Recommendation System Using Gradient Boosting and SHAP
Notice bibliographique
Résumé
Tourism is an essential sector of the world's economies, necessitating to have travel planning solutions that are personalised and efficient.This work therefore presents ExplainableTrip, an advanced travel recommendation system utilizing Explainable Artificial Intelligence (XAI) to provide expedient and interpretable trip suggestions.With different user preferences, travel constraints, and comprehensive point-of-interest data, generates highly accurate itineraries, achieving an overall accuracy of 98.49% and an F1score of 0.97.ExplainableTrip leverages SHAP values (SHapley Additive exPlanations), to explain how factors like travel distance, time constraints, user interests, and Point of Interest (POI) popularity influence final recommendations.This will enable users to understand why a given set of options is being suggested, thus trusting the system.The methodology used in the system is an elaborate study of POI and inputs from the users based on Jaipur, India, alongside advanced algorithms for distance computation, time slots allotment, and route optimization.SHAP analysis forms a core feature, which enables users to receive customized itineraries while understanding the rationale behind them.ExplainableTrip is an enhancement of travel planning with balance between AI-driven efficiency and interpretability, and combines the latest technology with user-centric transparency to meet contemporary travellers' need for personalization and clarity in trip planning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».