The recommender core of the travel companion of the Shift2Rail initiative

In recent years, the rapid development of cloud computing, Big Data, mobile Internet, artificial intelligence, and other technologies has brought a lot of convenience to people's work and life. In terms of traveling, users can easily search for travel information through the Internet, purchase travel products and services, and enjoy the convenience brought by information technology. However, it is difficult for users to make efficient choices when faced with the explosive growth of network information. Recommendation systems provide an effective way to solve the problem of information overload. In other words, a recommender system suggests some items to the users of the system according to their preference or according to the preferences of the other users with similar characteristics. In our work, a hybrid personalized Recommender System is proposed, and it is applied into travel domain for recommending some suitable travel offers to different users. Most of the recommender systems in the travel domain aim at recommending touristic destinations to travelers. Unlike them, we aim at ranking a complete travel offer, i.e., a solution that connects source to the destination, according to the travelers contextual preferences. To do so, in this thesis, we consider the problem as a binary classification problem which predicts if the traveler will buy the current travel offer or not. Since there might be multiple travel offers, we design a ranking mechanism that ranks the offers according to the personal preference of the user. Moreover, we apply clustering algorithms to identify the group of users with similar preferences and build a preference model for each group. In the case of a new user without any record, we identify the most similar group and use its preference model for the user to provide recommendations for the new user. To test the performance of the system, we generate a big dataset according to some carefully designed rules. The results show the system is promising and can be integrated with actual system. This research is performed as a part of the Ride2Rail project in the frame of the Shift2Rail initiative as part of the Innovation Programme 4 of EU Horizon 2020.

Negli ultimi anni, il rapido sviluppo del cloud computing, dei Big Data, di Internet mobile, dell'intelligenza artificiale e di altre tecnologie ha portato molta comodità al lavoro e alla vita delle persone. In termini di viaggio, gli utenti possono facilmente cercare informazioni di viaggio su Internet, acquistare prodotti e servizi di viaggio e godere della comodità offerta dalla tecnologia dell'informazione. Tuttavia, è difficile per gli utenti fare scelte efficienti di fronte alla crescita esplosiva delle informazioni di rete. I sistemi di raccomandazione forniscono un modo efficace per risolvere il problema del sovraccarico di informazioni. In altre parole, un sistema di raccomandazione suggerisce alcuni elementi agli utenti del sistema secondo la loro preferenza o secondo le preferenze degli altri utenti con caratteristiche simili. Nel nostro lavoro viene proposto un Recommender System ibrido personalizzato, che viene applicato all'ambito dei viaggi per consigliare alcune offerte di viaggio adatte a diversi utenti. La maggior parte dei sistemi di raccomandazione nel settore dei viaggi mira a consigliare destinazioni turistiche ai viaggiatori. A differenza di loro, puntiamo a classificare un'offerta di viaggio completa, ovvero una soluzione che collega la sorgente alla destinazione, in base alle preferenze contestuali dei viaggiatori. Per fare ciò, in questa tesi, consideriamo il problema come un problema di classificazione binaria che prevede se il viaggiatore acquisterà o meno l'offerta di viaggio corrente. Poiché potrebbero esserci più offerte di viaggio, progettiamo un meccanismo di classificazione che classifica le offerte in base alle preferenze personali dell'utente. Inoltre, applichiamo algoritmi di clustering per identificare il gruppo di utenti con preferenze simili e costruire un modello di preferenza per ciascun gruppo. Nel caso di un nuovo utente senza alcun record, identifichiamo il gruppo più simile e utilizziamo il suo modello di preferenza affinché l'utente fornisca consigli per il nuovo utente. Per testare le prestazioni del sistema, generiamo un grande set di dati secondo alcune regole attentamente progettate. I risultati mostrano che il sistema è promettente e può essere integrato con il sistema attuale. Questa ricerca viene eseguita nell'ambito del progetto Ride2Rail nell'ambito dell'iniziativa Shift2Rail nell'ambito del Programma di innovazione 4 di EU Horizon 2020.