กรุณาใช้ตัวระบุนี้เพื่ออ้างอิงหรือเชื่อมต่อรายการนี้:
https://buuir.buu.ac.th/xmlui/handle/1234567890/5302ระเบียนเมทาดาทาแบบเต็ม
| ฟิลด์ DC | ค่า | ภาษา |
|---|---|---|
| dc.contributor.author | โกเมศ อัมพวัน | |
| dc.contributor.author | สุเมธ ดาราพิสุทธิ์ | |
| dc.contributor.author | ณัฐนนท์ ลีลาตระกูล | |
| dc.contributor.other | มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ | th |
| dc.date.accessioned | 2023-04-10T07:50:20Z | |
| dc.date.available | 2023-04-10T07:50:20Z | |
| dc.date.issued | 2564 | |
| dc.identifier.uri | http://dspace.lib.buu.ac.th/xmlui/handle/1234567890/5302 | |
| dc.description | โครงการวิจัยประเภทงบประมาณเงินรายได้ ปีงบประมาณ พ.ศ. 2564 | th_TH |
| dc.description.abstract | ความนิยมและการแพร่หลายของเครือข่ายสังคมออนไลน์ทางด้านสถานที่ดึงดูดให้หลาย ๆ ผู้ใช้มีการแบ่งปันสถานที่ที่น่าสนใจให้กับผู้ใช้คนอื่น ๆ ในระบบ เมื่อจำนวนผู้ใช้และสถานที่เพิ่มมาก ขึ้นส่งผลให้ข้อมูลที่ถูกจัดเก็บเพิ่มขึ้นด้วย เช่น ข้อมูลผู้ใช้ ข้อมูลสถานที่ ข้อคิดเห็นของผู้ใช้ต่อสถานที่ และการเช็คอินของผู้ใช้ต่อสถานที่ เป็นต้น ดังนั้นระบบแนะนำสถานที่จึงเข้ามามีบทบาทสำคัญในการ สร้างรายการแนะนำสถานที่ที่น่าสนใจให้กับผู้ใช้การแนะนำสถานที่มีความยากและความท้าทายเพิ่ม มากขึ้น หากผู้ใช้มีจำนวนการเช็คอินที่น้อยครั้งหรือเป็นผู้ใช้ใหม่ที่เรียกว่าปัญหาการเริ่มต้นได้ยากของ ผู้ใช้ ดังนั้น แทนที่การพิจารณาประวัติการเช็คอินของผู้ใช้ เราจึงมีการสร้างรายการแนะนำสถานที่ที่ น่าสนใจโดยการใช้ประโยชน์จากข้อมูลการเช็คอินของผู้ใช้คนอื่น ๆ ในระบบ ในงานวิจัยนี้จึงได้ นำเสนอระบบแนะนำสถานที่ที่เรียกว่า N-most interesting location-based recommender system (NILR) ในการแนะนำสถานที่ที่น่าสนใจให้กับผู้ใช้ใหม่โดยการพิจารณาความถี่และความชอบ ในการเช็คอินของผู้ใช้คนอื่น ๆ ในระบบ ในกรณีที่ผู้ใช้มีจำนวนการเช็คอินที่มากเพียงพอ การ พิจารณาประวัติการเช็คอินเพื่อสร้างรายการแนะนำสถานที่เฉพาะบุคคลสามารถให้ความถูกต้องที่ เพิ่มมากขึ้น ดังนั้นในงานวิจัยนี้จึงได้มีการนำเสนอระบบแนะนำสถานที่เฉพาะบุคคลโดยการใช้ ประโยชน์จากการปรับปรุงขั้นตอนวิธีการกรองร่วมสำหรับการแนะนำสถานที่ที่น่าสนใจให้กับผู้ใช้ที่มี จำนวนการเช็คอินที่มากเพียงพอ จากผลการทดลองแสดงให้เห็นว่าขั้นตอนวิธี NILR สามารถให้ ประสิทธิภาพที่ดีกว่าขั้นตอนวิธี HITS ทั้งในมุมมองด้านความถูกต้องของรายการแนะนำสถานที่และ ความถูกต้องในอันดับของรายการแนะนำสถานที่ | th_TH |
| dc.description.sponsorship | คณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา | th_TH |
| dc.language.iso | th | th_TH |
| dc.publisher | คณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา | th_TH |
| dc.subject | อุตสาหกรรมการท่องเที่ยวกลุ่มรายได้ดีและการท่องเที่ยวเชิงสุขภาพ | th_TH |
| dc.subject | เครือข่ายสังคมออนไลน์ | th_TH |
| dc.subject | การท่องเที่ยว - - ไทย | th_TH |
| dc.title | ระบบการแนะนำสถานที่ภายใต้การวิเคราะห์พฤติกรรมของผู้ใช้ | th_TH |
| dc.title.alternative | Location-based recommendation system based on user behavior analysis | th_TH |
| dc.type | Research | th_TH |
| dc.year | 2564 | th_TH |
| dc.description.abstractalternative | The popular and ubiquitous location-based social networks (LBSNs) appeal many users to share interesting locations with other users. As the collected data (such as users’ profile, location’s comment and suggestion) become a lot larger in size, location-based recommender systems require more effective filters to be able to suggest potentially preferable locations to users. Location recommendation is more difficult and challenging especially if users have few or no check-in histories as a new user that it suffers from cold-start problem. Therefore, instead of depending on users’ check-in histories, we focus on creating recommended location lists by leveraging the information given by other users who check in locations in each area. Consequently, we propose N-most interesting location-based recommender system (NILR) to recommend interesting locations for new users by considering both the visiting frequencies and the preference of users already in the system. However, if users have more check-ins, considering check-in histories of users is to create personalized recommended location lists that it can more accuracy to predict interesting location for each user. In this paper, we also propose personalized location-based recommender system to exploit improving collaborative filtering algorithm for recommending exist users. Experimental results reveal NILR performs effectively and efficiently, and outperform HITS in terms of accuracies and rankings | th_TH |
| ปรากฏในกลุ่มข้อมูล: | รายงานการวิจัย (Research Reports) | |
แฟ้มในรายการข้อมูลนี้:
| แฟ้ม | รายละเอียด | ขนาด | รูปแบบ | |
|---|---|---|---|---|
| 2566_094.pdf | 3.68 MB | Adobe PDF | ดู/เปิด |
รายการทั้งหมดในระบบคิดีได้รับการคุ้มครองลิขสิทธิ์ มีการสงวนสิทธิ์เว้นแต่ที่ระบุไว้เป็นอื่น