[논문 리뷰] Recommendation Systems for Tourism Based on Social Networks: A Survey

Alan Menk, Laura Sebastiá외 1명|arXiv (Cornell University)|2019. 03. 28.

Recommender Systems and Techniques참고 문헌 53인용 수 11

한 줄 요약

이 종합 검토는 개인화, 정확도 및 사용자 만족도 향상을 위해 사회적 네트워크 데이터를 활용하는 관광 추천 시스템을 검토한다. 소셜 미디어 데이터—사용자 선호도, 사회적 연결, 추론된 성격 특성 등—를 분석함으로써 핵심 기법, 평가 방법, 연구 격차를 규명하며, 추천의 랜덤성과 관련성 향상을 위해 심리적 프로파일링 통합을 주장한다.

ABSTRACT

Nowadays, recommender systems are present in many daily activities such as online shopping, browsing social networks, etc. Given the rising demand for reinvigoration of the tourist industry through information technology, recommenders have been included into tourism websites such as Expedia, Booking or Tripadvisor, among others. Furthermore, the amount of scientific papers related to recommender systems for tourism is on solid and continuous growth since 2004. Much of this growth is due to social networks that, besides to offer researchers the possibility of using a great mass of available and constantly updated data, they also enable the recommendation systems to become more personalised, effective and natural. This paper reviews and analyses many research publications focusing on tourism recommender systems that use social networks in their projects. We detail their main characteristics, like which social networks are exploited, which data is extracted, the applied recommendation techniques, the methods of evaluation, etc. Through a comprehensive literature review, we aim to collaborate with the future recommender systems, by giving some clear classifications and descriptions of the current tourism recommender systems.

연구 동기 및 목표

• 사회적 네트워크 데이터를 활용하여 개인화 및 정확도를 향상시키는 기존의 관광 추천 시스템을 분석하고 분류하는 것.
• 관광 RS 연구에서 가장 흔히 사용되는 소셜 네트워크, 데이터 유형, 추천 기법을 특정하는 것.
• 표준화된 지표를 활용한 시스템의 효과성 평가 및 현재 접근 방식의 한계를 부각하는 것.
• 소셜 미디어 활동에서 유도된 사용자 성격 특성—예: 빅 파이브 성격 이론—을 추천 모델에 통합하여 랜덤성과 사용자 만족도를 향상시키는 잠재력을 탐색하는 것.
• 미래 연구를 위한 연구 로드맵 제공: 특히 관광 추천 시스템에서 성격 프로파일링의 미개척된 활용 가능성을 강조함.

제안 방법

• 2004년 이후 사회적 네트워크 기반 관광 추천 시스템에 관한 동료 심사 논문을 종합적으로 검토하는 것.
• 사용된 소셜 네트워크(예: 페이스북, 트위터, 퍼스터) 기반으로 시스템을 분류하고, 데이터 소스(예: 체크인, 좋아요, 상태 업데이트) 및 데이터 유형(명시적 피드백 대비 암시적 피드백)을 분석하는 것.
• 협업 필터링, 콘텐츠 기반 필터링, 하이브리드 방법, 맥락 인식 필터링 등 사용된 추천 기법을 분석하는 것.
• 정밀도, 재현율, RMSE, MAE와 같은 표준 지표를 사용하여 시스템 평가를 수행하며, 실제 사용자 피드백 및 현장 실험에 중점을 두는 것.
• 소셜 미디어 행동에서 유도된 심리적 프로파일링(예: 빅 파이브 성격 특성)의 통합을 조사하여 추천의 다양성과 랜덤성을 향상시키는 것.
• 사회적 네트워크 데이터와 성격 기반 모델링을 융합하여 개인화 및 사용자 참여도를 향상시키는 미래 시스템을 위한 프레임워크 제안

실험 결과

연구 질문

• RQ1 관광 추천 시스템에서 가장 자주 사용되는 소셜 네트워크는 무엇인가?
• RQ2 추천 정확도 향상에 가장 효과적인 사용자 데이터 유형(예: 좋아요, 체크인, 상태 업데이트)은 무엇인가?
• RQ3 사회적 네트워크 데이터를 기반으로 훈련된 다양한 추천 기법(예: 협업 필터링, 하이브리드 모델)의 성능은 어떻게 되는가?
• RQ4 소셜 미디어에서 유도된 사용자 성격 특성이 추천 품질과 랜덤성 향상에 어느 정도 기여하는가?
• RQ5 실제 사용자와 오프라인 벤치마크를 사용한 평가 시, 관광 추천 시스템 평가의 주요 과제와 한계는 무엇인가?

주요 결과

• 페이스북, 트위터, 퍼스터와 같은 소셜 네트워크는 관광 추천 시스템의 주요 데이터 소스로서 암시적 사용자 행동의 풍부한 스트림을 제공한다.
• 사회적 네트워크 데이터 통합은 암시적 데이터 수집과 냉각기 문제 완화를 통해 추천 정확도 및 개인화 수준을 크게 향상시킨다.
• 특히 빅 파이브 성격 이론과 같은 심리학 이론을 활용한 소셜 미디어 콘텐츠에서의 성격 유추는 추천의 랜덤성과 신선함 향상에 강력한 잠재력을 보인다.
• 현장 평가 및 실제 사용자 피드백은 추천 품질 평가에 필수적이며, 오프라인 지표만으로는 사용자 중심의 만족도와 맥락적 관련성을 포괄할 수 없다.
• growing 관심에도 불구하고, 현재까지 관광 추천 시스템 중 성격 프로파일링을 통합한 사례는 극히 소수에 불과하여 향후 연구의 중대한 격차와 기회로 남아 있다.
• 오픈소스 소셜 네트워크인 다이아스포라와 OSSN의 사용은 윤리적인 데이터 접근과 사용자 참여를 가능하게 하며, 더 현실적이고 사용자 중심의 시스템 테스트를 지원한다.