For generating recommendation, at f

For generating recommendation, at first, we check the user profile to find his / her preferences in non-spatial features such as price and rating. We, then, remove the hotels those do not satisfy user’s preferences over the non-spatial features.

Then, we compute similarity between the surrounding environments of the remaining hotels with the user’s preferences on the surrounding environments using cosine similarity measure. We can then recommend top-k hotels to the user in the decreasing order of their scores.

Now, consider user u1’s preferences in the surrounding facilities and 10 different hotels surrounding environments as shown in Table IV. Using the cosine similarity measure, we found the similarity scores between user u1 and 10 different hotels as shown in last column of Table IV. Considering the similarity scores of Table IV, our system recommends hotels 797 and 102 as top-2 hotels.

ผลลัพธ์ (ไทย) 1:

สำหรับการสร้างคำแนะนำ ครั้งแรก เราตรวจสอบโพรไฟล์ผู้ใช้เพื่อค้นหาการตั้งค่าของเขา / เธอในคุณลักษณะที่ไม่ใช่เชิงพื้นที่เช่นราคาและคะแนน เรา แล้ว เอาในโรงแรมที่ไม่ตอบสนองของผู้ใช้การตั้งค่าคุณสมบัติไม่ใช่เชิงพื้นที่จากนั้น เราสามารถคำนวณความคล้ายกันระหว่างสภาพแวดล้อมโดยรอบของโรงแรมที่เหลือกับค่าของผู้ใช้ในสภาพแวดล้อมโดยรอบที่ใช้วัดความคล้ายคลึงของโคไซน์ นอกจากนี้เราแล้วขอแนะนำโรงแรมยอดนิยม-k กับผู้ใช้ในลำดับการลดของคะแนนตอนนี้ พิจารณาการกำหนดลักษณะผู้ใช้ u1 ในการอำนวยความสะดวกและโรงแรมต่าง ๆ 10 รอบสภาพแวดล้อมดังแสดงในตาราง IV เราใช้การวัดความคล้ายคลึงของโคไซน์ พบคะแนนความคล้ายคลึงระหว่าง u1 ผู้ใช้แตกต่างกัน 10 แห่งดังแสดงในคอลัมน์สุดท้ายของตาราง IV พิจารณาคะแนนความคล้ายคลึงกันของตาราง IV, 797 และ 102 โรงแรมขอแนะนำระบบของเราเป็นโรงแรมยอดนิยม-2

ผลลัพธ์ (ไทย) 2:

คำแนะนำสำหรับการสร้างที่แรกที่เราตรวจสอบรายละเอียดผู้ใช้สามารถค้นหา / การตั้งค่าของเขาและเธอในลักษณะที่ไม่ใช่เชิงพื้นที่เช่นราคาและการจัดอันดับ เราแล้วเอาโรงแรมเหล่านั้นไม่ได้ตอบสนองการตั้งค่าของผู้ใช้มากกว่าคุณสมบัติที่ไม่ใช่เชิงพื้นที่.

จากนั้นเราคำนวณความคล้ายคลึงกันระหว่างสภาพแวดล้อมโดยรอบของโรงแรมที่เหลือมีการตั้งค่าของผู้ใช้ในสภาพแวดล้อมโดยรอบโดยใช้มาตรการโคไซน์คล้ายคลึงกัน จากนั้นเราสามารถแนะนำโรงแรมชั้นนำ-K กับผู้ใช้ในการสั่งซื้อที่ลดลงคะแนนของพวกเขา.

ตอนนี้พิจารณาค่าของผู้ใช้ U1 ในสิ่งอำนวยความสะดวกโดยรอบและ 10 โรงแรมที่แตกต่างกันโดยรอบสภาพแวดล้อมดังแสดงในตารางที่สี่ การใช้มาตรการโคไซน์คล้ายคลึงกันเราพบว่าคะแนนความคล้ายคลึงกันระหว่างผู้ใช้และ U1 10 โรงแรมที่แตกต่างกันตามที่ปรากฏในคอลัมน์สุดท้ายของตาราง IV เมื่อพิจารณาคะแนนความคล้ายคลึงกันของตาราง IV, ระบบของเราแนะนำโรงแรม 797 และ 102 เป็นบน 2 โรงแรม