19594

۱۹۵۹۴

شناسايي و اولويت‌بندي عوامل مؤثر در طراحي يك سيستم توصيه‌گر اجتماعي گردشگري روستايي و كشاورزي

كارشناسي ارشد

مهندسي فناوري اطلاعات

۹۶-۹۷

۱۳۹۷/۰۳/۰۷

دكتر مهدي غضنفري

دكتر محمدرضا رسولي

صنايع

در حال حاضر صنعت گردشگري بعد از صنايع نفت و خودروسازي، به سومين صنعت بزرگ دنيا به منظور ايجاد درآمد و اشتغال تبديل شده است. يكي از شاخه‌هاي گردشگري، گردشگري روستايي و كشاورزي است كه توسعه آن باعث رشد اقتصادي جوامع روستايي، عشايري و كشاورزان مي‌شود. يكي از مشكلات اين شاخه از گردشگري، عدم شناخت مردم و گردشگران از اين جاذبه‌هاست. در دنياي امروز، استفاده از فناوري ‌اطلاعات براي توسعه صنعت گردشگري از جمله گردشگري روستايي و كشاورزي امري ضروري است. از جمله ابزارهاي مبتني بر فناوري اطلاعات كه مي‌توان براي معرفي و افزايش گردشگري از آن استفاده كرد، شبكه‌هاي اجتماعي و سيستم‌هاي توصيه‌گر است. سيستم‌هاي توصيه‌گر به كاربران پيشنهاد‌هايي ارائه مي‌دهند كه باعث بالا رفتن آگاهي كاربران و تسهيل در تصميم‌گيري آن‌ها مي‌شوند. سيستم‌هاي توصيه‌گر اجتماعي علاوه بر اطلاعات مربوط به كاربران و جاذبه‌هاي گردشگري از اطلاعات موجود در شبكه‌هاي اجتماعي مانند ليست دوستان، لايك‌ها و انتخاب‌هاي ديگران نيز در ارائه پيشنهاد به كاربران استفاده مي‌كنند. روش‌هاي مختلفي براي ارائه پيشنهاد وجود دارد از جمله روش صافي‌سازي تجمعي، روش مبتني بر محتوا و روش مبتني بر زمينه كه در هر صنعت يك يا چند روش توصيه به‌صورت تركيبي مورد استفاده قرار مي‌گيرد. همچنين در هر صنعت، معيارهاي مختلفي براي ارائه پيشنهاد‌ها در نظر گرفته مي‌شود. هدف از اين پژوهش، شناسايي و اولويت‌بندي معيارها و روش‌هاي ارائه پيشنهاد در يك سيستم توصيه‌گر اجتماعي گردشگري روستايي و كشاورزي مي‌باشد. به اين منظور، با بررسي مقالات، كتب، وب‌سايت‌ها و مشورت با خبرگان معيارهاي كه مي‌تواند در يك سيستم توصيه‌گر اجتماعي گردشگري روستايي و كشاورزي براي توصيه جاذبه‌ها به گردشگران مورد استفاده قرار بگيرد، شناسايي شده و با استفاده از نرم‌افزار SPSS و با روش فريدمن اولويت‌بندي شده‌اند. همچنين اولويت‌بندي روش‌هاي مورد استفاده براي ارائه پيشنهاد از ديدگاه گردشگران با نرم‌افزار Expert Choice و روش AHP انجام شده است. واژه‌هاي كليدي: گردشگري روستايي و كشاورزي، شبكه‌هاي اجتماعي، سيستم‌ توصيه‌گر، سيستم توصيه‌گر اجتماعي

1397/07/29

Identification and Prioritization of Effective Factors in Designing a Social Recommendation System for Rural and Agriculture Tourism

10/21/2018 12:00:00 AM

Nowadays, the tourism industry after the oil and automotive industry has become the third largest industry in the world to generate income and employment. Rural tourism and agricultural tourism are the branches of this industry, which development contributes to the economic growth of rural communities, nomadic populations and farmers. One of the problems in this branch of tourism is the lack of knowledge of the people and tourists about these attractions. In today's world, the use of information technology to develop the tourism industry, including rural tourism and agricultural tourism, is essential. IT-based tools that can be used to introduce and enhance tourism are social networks and recommender systems. Recommendation systems provide users with suggestions that increase user awareness and facilitate their decision making. Social Recommender systems, in addition to information about users and tourist attractions, use social networking information such as list of friends, likes and others' choices to offer users. There are several methods to create a recommendation system, including cumulative smoothing, content-based methods, and field-based methods. In each industry, one or more of the methods used is a hybrid approach. Also, in each industry, different criteria for proposing proposals are considered. In this thesis, by reviewing articles, books, websites and consulting with experts, the factors and criteria used in a social recommendation system for rural tourism and agriculture tourism are used to recommend tourist attractions to tourists, and then these recommendations by using SPSS software and Friedman method, has been analyzed and prioritized. Also, the methods used to present the recommend from the tourists' perspective were prioritized with Expert Choice software and the AHP method. Keywords: Rural and Agriculture Tourism, social networks, recommender systems, Social Recommender systems