Improving road trip attraction recommendations by resolving conflicting preferences: a knowledge-enhanced non-compensatory group decision approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose In recent years, road trips have become a popular travel mode in China. However, existing attraction recommendation methods often overlook conflicting preferences among tourists and key factors specific to road trips, resulting in suboptimal recommendations. To address this issue, we propose a knowledge-enhanced non-compensatory group decision-making approach to improve the accuracy of road trip attraction recommendations. Design/methodology/approach First, our approach constructs a comprehensive tourism knowledge graph by integrating information about both tourists and attractions. Second, an 11-dimensional modeling framework is proposed to better portray tourist preferences and attraction characteristics in the road trip context. Finally, the non-compensatory group decision-making algorithm, Elimination Et Choix Traduisant la REalité III (ELECTRE-III), is applied to model each tourist's preferences within the group and rank attractions for the tourist group. Findings Experimental results demonstrate the effectiveness of the proposed method in road trip attraction recommendation. Compared to existing approaches, our method maintains a recommendation failure rate below 15% across varying levels of conflict rates and group sizes, consistently outperforming all baseline methods. Statistical analysis further confirms that the non-compensatory mechanism effectively identifies attractions that align with the collective preferences of tourist groups. Originality/value This paper proposes a novel method for recommending attractions to road trip tourist groups by integrating non-compensatory group decision-making with knowledge integration. The approach effectively incorporates individual preferences while maintaining a low recommendation failure rate, thereby enhancing both recommendation performance and overall tourist satisfaction.
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.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 découle