Bu makale, otel endüstrisi için öneri sistemlerinde seyrek etkileşim verilerinin yarattığı zorlukları ele almaktadır. Otel konaklamalarının genellikle yılda bir veya birkaç kez olması, müşteri-ürün etkileşim verilerini seyrek kılar. Bu da geleneksel işbirlikçi filtreleme tekniklerinin etkinliğini engeller. Bu senaryo için özel olarak tasarlanmış yeni bir hibrit öneri çerçevesi öneriyoruz. Yalnızca kullanıcı tercihi benzerliğine dayanan geleneksel sistemlerin aksine, çerçevemiz ürün uzayını bölümlere ayırmak için ikili özniteliklere dayalı otel kümelemesinden yararlanmaktadır. Kullanıcı etkileşimleri bu kümeler içinde analiz edilerek daha rafine bir tavsiye süreci ortaya çıkar. Çeşitli kümeleme ve özellik azaltma tekniklerinden yararlanıyor ve nihai tavsiyeyi oylama puanlaması yoluyla atıyoruz. Deneyler, hem satış bilgilerini hem de otel niteliklerini içeren gerçek dünya otel satış veri seti üzerinde gerçekleştirilmiştir. Sonuçlara göre metodolojimizi kümeleme kullanmayan temel yaklaşımlara göre önemli gelişmeler gösteriyor. Önerilen çerçeve, hem tavsiye alan kullanıcı sayısında hem de doğru tavsiye sayısında iki kat artış sağlıyor. Bu sonuçlar, turizm tavsiye sistemlerindeki seyreklik sorunlarını hafifletmek için küme tabanlı önerilerin potansiyelini vurgulamaktadır.
This paper addresses the challenge of sparse interaction data in recommendation systems for the hotel industry. Due to the infrequent nature of hotel stays (often once or a few times annually), customer-product interaction data is typically sparse, hindering the effectiveness of traditional collaborative filtering techniques. We propose a novel hybrid recommendation framework specifically designed for this scenario. Unlike conventional systems that rely solely on user preference similarity, our framework leverages hotel clustering based on binary attributes to segment the product space. User interactions are analyzed within these clusters, leading to a more refined recommendation process. We take advantage of several clustering and feature reduction techniques and assign the final recommendation through ballot scoring. The experiments are performed on a real-world hotel sales data set including both sales information and hotel attributes. We evaluate our methodology and demonstrate significant improvements over baseline approaches which is the case of not using the found clusters for recommendation. The proposed framework achieves a two-fold increase in both the number of users receiving recommendations and the number of correct recommendations. These results highlight the potential of cluster- based recommendations for mitigating sparsity issues in tourism recommender systems.
