XÂY DỰNG WEBSITE ỨNG DỤNG CHƯƠNG TRÌNH tư vấn DU LỊCH

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN TRẦN XUÂN THANH PHÚC XÂY DỰNG WEBSITE ỨNG DỤNG CHƯƠNG TRÌNH TƯ VẤN DU LỊCH LUẬN VĂN THẠC SỸ Ngành: Cơng nghệ thơng tin TP HỒ CHÍ MINH – 2017 ĐẠI HỌC QUỐC GIA TP HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc lập – Tự – Hạnh phúc CÔNG NGHỆ THÔNG TIN BÁO CÁO LUẬN VĂN THẠC SỸ Họ tên giảng viên hướng dẫn: PGS.TS QUẢN THÀNH THƠ Cơ quan công tác: Trường Đại học Bách Khoa Đề tài luận văn học viên cao học ngành: Công nghệ thông tin Tên hướng nghiên cứu: Khai phá liệu Tên đề tài luận văn: Xây dựng website ứng dụng chương trình tư vấn du lịch Họ tên học viên: Trần Xuân Thanh Phúc MSHV: CH1402036 Điện thoại: 01264 222 400 Email: phuctran.it.89@gmail.com LỜI CẢM ƠN Trên thực tế thành công đôi với hỗ trợ, giúp đỡ dù hay nhiều, dù trực tiếp hay gián tiếp Có kết báo cáo này, trân trọng biết ơn tận tình hướng dẫn, giúp đỡ định hướng từ thầy, thuộc Phòng sau Đại học Thầy thuộc Khoa Công nghệ thông tin trường Đại học Công Nghệ Thông Tin Đặc biệt, xin gởi lời tri ân cảm ơn sâu sắc đến thầy hướng dẫn luận văn tôi: PGS.TS Quản Thành Thơ Thầy tận tình hướng dẫn chúng tơi từ ý tưởng thực hiện, hướng giải vấn đề lớn nhỏ đến việc chỉnh sử gợi ý ý tưởng báo cáo chi tiết nhằm cho báo cáo tốt Một lần xin gửi lời cảm ơn sâu sắc tới thầy Đồng thời xin gửi lời cảm ơn gia đình, bạn bè tiếp động lực cho thời gian vừa qua, không quên gửi lời cảm ơn đến bạn nhóm nghiên cứu tạo điều kiện, giúp đỡ, đồng hành trình nghiên cứu thực luận văn vừa qua Trong q trình nghiên cứu làm báo cáo khó tránh khỏi thiếu sót, sai sót khơng mong muốn Rất mong nhận thơng cảm ý kiến đóng góp q báo từ Thầy, Cơ LỜI CAM ĐOAN Tơi xin cam đoan luận văn thực hướng dẫn khoa học PGS TS Quản Thành Thơ, giảng viên Trường Đại học Bách Khoa TP.HCM Các liệu nghiên cứu luận văn trung thực, tơi lập trình, phân tích, thiết kế Các thơng tin trích dẫn luận văn rõ nguồn gốc Nếu sai, tơi xin chịu hồn tồn trách nhiệm Tác giả luận văn Trần Xuân Phúc MỞ ĐẦU Xã hội ngày phát triển, kéo theo nhu cầu mặt tinh thần cần thiết người Đặc biệt sau khoảng thời gian dài làm việc căng thẳng mệt mỏi, người ln muốn tìm cho thân khoảng thời gian thư giãn thật thoải mái, du lịch hình thức lựa chọn phổ biến Cùng với phát triển mạnh mẽ Internet, việc du lịch trở nên dễ dàng mà họ nhanh chóng có Tour du lịch phù hợp cho với vài bước tìm kiếm Internet mà khơng phải nhiều thời gian cơng sức Từ việc tìm kiếm, đặt Tour tốn thực dễ dàng thông qua Internet Được hỗ trợ nhà trường, thầy hướng dẫn, với phối hợp hỗ trợ nhóm nghiên cứu Tơi định phát triển hệ thống tư vấn du lịch thông minh tảng ứng dụng web, mục đích để góp phần hỗ trợ người dùng tìm kiếm chuyến du lịch ưng ý mà nhiều thời gian công sức Để xây dựng hệ thống “Tư vấn du lịch thông minh”, tham khảo đưa tốn, tình xảy thực tế, từ tìm giải pháp để giải cho vấn đề cụ thể, cố gắng tối ưu hóa đưa chúng vào hệ thống Mục tiêu luận văn xây dựng hệ thống tư vấn du lịch thông minh dựa giải thuật tính tốn tìm kiếm tour phù hợp tảng ứng dụng web DANH MỤC CÁC KÝ HIỆU, TỪ VIẾT TẮT AR Association Rule DAML DARPA Agent Markup Language DCA Disjiont Common ancestor GPS Global Positioning System IC Information content LCS Least Common Subsumer MICA Most Informative Common Ancestor OWL Ontology Web Language POI Points of Interest RDF Resource Description Framework RDFS Resource Description Framework Schema RS Recommender Systems SPARQL Sparql Protocol and RDF Query Language W3C World Wide Web Consortium XML Extensible Markup Language IM Interaction Matrix MỤC LỤC LỜI CẢM ƠN MỞ ĐẦU DANH MỤC CÁC KÝ HIỆU, TỪ VIẾT TẮT DANH MỤC CÁC HÌNH VẼ CHƯƠNG : TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU 1.1 Giới thiệu đề tài nghiên cứu 1.2 Mục tiêu nghiên cứu 15 1.3 Đối tượng phạm vi nghiên cứu .16 1.3.1 Đối tượng nghiên cứu 16 1.3.2 Phạm vi nghiên cứu 16 CHƯƠNG : CƠ SỞ LÝ THUYẾT 18 2.1 Giới thiệu hệ thống tư vấn 18 2.2 Hệ thống tư vấn du lịch .22 2.3 Ontology 26 2.4 Ngôn ngữ OWL 28 2.5 Công cụ Protégé 29 CHƯƠNG : HIỆN THỰC VÀ XÂY DỰNG GIẢI THUẬT .31 3.1 Mô tả thuật ngữ 31 3.1.1 Thuộc tính tour .31 3.1.2 Trọng số 32 3.1.3 Điểm tương tác .32 3.1.4 Độ tương tự 33 3.2 Ứng dụng độ tương tự Ontology để tăng độ xác cho hệ thống tư vấn .33 3.2.1 Phương pháp tính độ tương tự khái niệm Ontology 33 3.2.2 Giải thuật tính tốn độ tương tự hai thuộc tính Ontology 41 3.3 Giải thuật tính điểm thuộc tính chiến lược đặt câu hỏi 43 3.3.1 Luật kết hợp khai phá liệu .43 3.3.2 Các khái niệm 44 3.3.3 Thuật toán FP-Growth 45 3.3.4 Giải thuật xây dựng ma trận IM 50 3.3.5 Giải thuật tính điểm thuộc tính dựa IM 50 3.3.6 Chiến lược đặt câu hỏi 52 3.4 Giải thuật tính điểm thuộc tính chiến lược đặt câu hỏi 55 3.4.1 Các thành phần hệ thống .55 3.4.2 Giải thuật 56 CHƯƠNG : THIẾT KẾ VÀ HIỆN THỰC ỨNG DỤNG 58 4.1 Mơ hình hoạt động hệ thống 58 4.2 Lược đồ Use case 59 4.3 Chức chính: tìm kiếm tour 60 4.4 Thiết kế Ontology 61 4.5 Hiện thực thuật toán FP-Growth 63 4.5.1 Sơ đồ giải thuật 63 4.5.2 Thiết kế mã giả 63 4.6 Hiện thực thuật tốn tính độ tương tự mở 64 4.6.1 Sơ đồ giải thuật 64 4.6.2 Thiết kế mã giả 64 4.7 Thiết kế ứng dụng web 65 CHƯƠNG : THỰC NGHIỆM NGHIÊN CỨU 67 5.1 Phương pháp kiểm thử hệ thống 67 6.1 Môi trường kiểm thử hệ thống 67 5.2 Đánh giá hệ thống .67 5.3 Kiểm tra, đánh giá giải thuật .68 5.3.1 Đánh giá giải thuật Generate Transaction dựa độ tương tự 68 5.3.2 Đánh giá IM xây dựng Fp-Growth 70 5.3.3 Giải thuật tìm kiếm tour .72 5.3.4 Chạy thực nghiệm so sánh với hệ thống cũ .73 CHƯƠNG : KẾT LUẬN VÀ KHUYẾN NGHỊ 78 6.1 Kết luận 78 6.2 Hạn chế 78 6.3 Thuận lợi khó khăn 78 6.3.1 Thuận lợi .78 6.3.2 Khó khăn .79 6.4 Khuyến nghị hướng phát triển 79 TÀI LIỆU THAM KHẢO 80 DANH MỤC CÁC HÌNH VẼ Hình 1.1: Mơ tả hệ thống câu hỏi chương trình đưa cho người dùng 10 Hình 1.2: Mơ tả hệ thống câu hỏi chương trình đưa cho người dùng 10 Hình 1.3: Mơ tả hệ thống câu hỏi chương trình đưa cho người dùng 11 Hình 1.4: Mơ tả kết đề xuất tour chương trình tư vấn 11 Hình 1.5: IM 12 Hình 1.6: Chiến lược đặt câu hỏi hệ thống có sẵn cơng ty DeNA Travel 12 Hình 1.7: Mô tả ma trận điểm tương tác (interaction matrix) 13 Hình 1.8 Mơ tả bảng bảng liệu từ người dùng 14 Hình 1.9 Mơ hình tồn thể hệ thống cải tiến 15 Hình 3.1: Bảng danh sách thuộc tính tour 31 Hình 3.2: Ví dụ Ontology 33 Hình 3.3: Hai phương pháp tiếp cận node-based edge-based 34 Hình 3.4: Phương pháp tiếp cận MICA (node-based) 35 Hình 3.5: Phương pháp tiếp cận CDA (node-based) 36 Hình 3.6: Minh họa cách tính cơng thức 𝑠𝑖𝑚𝑊&𝑃 38 Hình 3.7: Minh họa cách tính Pekar Staab 39 Hình 3.8: Mơ tả tốn ví dụ Ontology 40 Hình 3.9: Hình Ontology thuộc tính Tour 41 Hình 3.10: Ví dụ FP 49 Hình 3.11: Biểu đồ đánh giá Tour giải thuật tìm kiếm Tour 56 Hình 4.1: Mơ hình hoạt động hệ thống 58 Hình 4.2: Mơ tả Use case hệ thống tư vấn du lịch 59 Hình 4.3: Sơ đồ mơ tả hoạt động đặt câu hỏi 60 Hình 4.4: Sơ đồ mơ tả hoạt động chức tìm Tour 61 Hình 4.5: Thứ tự xếp Attribute Ontology 62 Hình 4.6: Dữ liệu Ontology 62 Hình 4.7: Mơ hình hóa giải thuật Fp-Growth 63 Hình 4.8: Giao diện hình khảo sát 65 Hình 4.9: Giao diện hình kết 66 Hình 5.1: Hình biểu diễn độ tương thích tour tìm so với nhu cầu user 73 CHƯƠNG 5: THỰC NGHIỆM NGHIÊN CỨU đích việc nhằm tận dụng điểm mạnh Ontology mà không làm chậm hệ thống thời gian tải tất liệu vào nhớ để xử lý mà Ontology lưu trữ phần liệu cần thiết danh sách thuộc tính Kế đến ứng dụng độ tương tự Ontology để tính tốn độ tương tự thuộc tính nhằm mục đích mở rộng tập liệu khảo sát người dùng Tiếp theo ứng dụng thuật toán Fp-Growth vào hệ thống để thụa tính điểm tương tác cho thuộc tính xây dựng ma trận điểm tương quan cách tự động Và cuối xây dựng lại hệ thống tư vấn du lịch thông minh tảng PHP 5.3 Kiểm tra, đánh giá giải thuật 5.3.1 Đánh giá giải thuật Generate Transaction dựa độ tương tự Dựa công cụ tính tốn độ tương tự cho cặp thuộc tính Ontology xây dựng, Sau áp dụng tính tốn cho cặp thuộc tính chọn cặp có giá trị độ tương tự >= ngưỡng 0.4 đưa vào bảng bảng thông tin độ tương tự cặp thuộc tính, thu kết sau: 68 CHƯƠNG 5: THỰC NGHIỆM NGHIÊN CỨU 69 CHƯƠNG 5: THỰC NGHIỆM NGHIÊN CỨU Sử dụng số liệu từ bảng liệu độ tương tự thuộc tính tiến hành quét transaction sở liệu khoảng 200 transaction thu từ việc khảo sát người dùng trước sinh transaction tương tự, thu kết tập liệu với 2000 bộ, với lượng liệu giúp ích nhiều cho việc tính tốn thuật tốn Fp-Growth, giúp cho kết tính tốn đạt độ xác cao 5.3.2 Đánh giá IM xây dựng Fp-Growth IM cũ hệ thống xây dựng dựa theo cảm tính nhà phát triển, đặc biệt ln tĩnh, tức bảng không thay đổi theo thời gian Một số giá trị điểm tương tác hai thuộc tính bảng điểm tương quan lớn (điểm = 1) Vì xây dựng dựa cảm tính nên điểm tương tác thuộc tính chưa phản ánh xác xác mối tương quan thuộc tính chưa có sở xác để xác định điểm tương tác hai thuộc tính IM 70 CHƯƠNG 5: THỰC NGHIỆM NGHIÊN CỨU Sau sử dụng thuật toán Fp-Growth chạy sở liệu có hệ thống, lượng liệu lớn nên tính điểm support nằm khoảng 0.1 (10%) độ tin cậy (confident) cặp thuộc tính = 0.4 (40%) Sau q trình tính tốn, thu IM hoàn toàn Đem so sánh với IM cũ thấy khác biệt rõ rệt, điểm tương tác cặp thuộc tính nằm khoảng từ 0.3 đến 0.8, khơng có cặp có điểm tương tác IM xây dựng sở liệu thật chắn có độ xác cao IM cũ xây dựng dựa theo cảm tính nhà phát triển, đặc biệt bảng cập nhật thay đổi theo thời gian, khớp hợp lý theo mùa du lịch 71 CHƯƠNG 5: THỰC NGHIỆM NGHIÊN CỨU 5.3.3 Giải thuật tìm kiếm tour Mục tiêu giải thuật đưa đề xuất danh sách tour phù hợp với người dùng Nên thực hiển kiểm tra đánh giá độ xác giải thuật cách thực giải thuật đưa giải thuật vào ứng dụng web Tôi suy nghĩ testcase cho tất trường hợp để test đánh giá, đồng thời publish ứng dụng web internet nhờ người bạn người quen biết sử dụng qua thử ghi nhận mức độ hài lòng họ hệ thống thông qua phần khảo sát sau sử dụng Nhận xét chung từ phản hồi người dùng giải thuật tìm kiếm tour: - Đa số người dùng hài lòng kết đề xuất giải thuật tìm kiếm tour - Giải thuật phụ thuộc vào thuộc tính có nhiều tương tác nên người dùng trả lời nhiều câu hỏi hệ thống tư vấn xác 72 CHƯƠNG 5: THỰC NGHIỆM NGHIÊN CỨU Hình 5.1: Hình biểu diễn độ tương thích tour tìm so với nhu cầu user 5.3.4 Chạy thực nghiệm so sánh với hệ thống cũ Tiến hành chạy thực nghiệm hệ thống cũ hệ thống sau cải tiến, với lượng người tham gia môi trường kiểm thử - Số người: 40 - Số lượng tour DB: 76 - Số lượng thuộc tính tour: 49 - Số người khảo sát: 92 Quy trình kiểm thử bắt đầu việc người sử dụng hệ thống cũ hệ thống cải tiến, sau thu thập kết ý kiến người: Số lượng kết trung bình Hệ thống cũ Hệ thống cải tiến 73 CHƯƠNG 5: THỰC NGHIỆM NGHIÊN CỨU Biểu đồ thể mức độ hài lòng 40 35 30 25 20 15 10 Hệ thống cũ Hệ thống cải tiến Hài lòng Chưa hài lòng So sánh mức độ hài lòng hai hệ thống khoảng thời gian 40 30 20 10 Dựng hệ thống Sau ngày Hệ thống cũ Sau ngày Sau ngày Hệ thống cải tiến Việc đánh giá tính xác dự đốn sử dụng sai số bình phương trung bình (MSE - Mean Square Error), sai số bình phương trung bình (RMSE - Root Mean Square Error), sai số tuyệt đối trung bình (MAE - Mean Absolute Error) (Herlocker J.L et al, 2004; Koren.Y, 2009; Trần Nguyễn Minh Thư, 2011) Tính xác dự đốn đo n quan sát, pi giá trị dự đốn đánh giá mục i ri giá trị đánh giá thực tế mục i 74 CHƯƠNG 5: THỰC NGHIỆM NGHIÊN CỨU Ở sử dụng MAE khả giải thích trực tiếp Chọn ngẫu nhiên 10 kết thu thập từ ý kiến người dùng hệ thống cũ hệ thống cải tiến Hệ thống cũ 1 Số tour thỏa mãn người dùng 10 10 Số tour gợi ý Hệ thống cải tiến 12 10 2 Số tour thỏa mãn người dùng Số tour gợi ý Từ nguồn liệu ta có: 75 CHƯƠNG 5: THỰC NGHIỆM NGHIÊN CỨU MAE(hệ thống cũ) = 2.3 MAE(hệ thống mới) = 3.3 Ngoài ra, có số khác để đánh giá tính xác việc tư vấn Precision (Herlocker J.L et al, 2004; Sarwar, B and G.Karypis, 2000; Breese, J.S and D Heckerman, 1998) Chỉ số đánh giá gợi ý phù hợp cho người dùng thay đánh giá số điểm liên quan đến đề nghị Đề nghị coi phù hợp người dùng chọn mục liệu từ danh sách đề nghị gợi ý cho người dùng Precision tỷ lệ số lượng gợi ý phù hợp tổng số gợi ý cung cấp (đã tạo ra) Precision 100% có nghĩa tất kiến nghị phù hợp Precision = 𝑆ố 𝑙ượ𝑛𝑔 𝑔ợ𝑖 ý 𝑝ℎù ℎợ𝑝 𝑆ố 𝑙ượ𝑛𝑔 𝑔ợ𝑖 ý 𝑡ạ𝑜 𝑟𝑎 Từ tập liệu kết trên, ta có Precision trung bình hai hệ thống: Precision(hệ thống cũ) = 0.405 Precision (hệ thống mới) = 0.533 Dựa vào số đo trên, thấy hệ thống cải tiến chạy tốt hệ thống cũ số lượng gợi ý tính xác lên đến 30% 76 CHƯƠNG 5: THỰC NGHIỆM NGHIÊN CỨU Hệ thống cũ Hệ thống dùng Fp-Growth Hệ thống ứng dụng Fp-Growth Ontology - Bảng thuộc tính tương quan ln ln tĩnh, khơng thay đổi - Bảng thuộc tính tương quan thay đổi theo thời gian, bị hạn chế, không đầy đủ thiếu xót liệu khảo sát - Bảng thuộc tính tương quan thay đổi theo thời gian đầy đủ bao gồm thuộc tính liên quan tới - Trong thời gian đầu, kết tìm kiếm tour thu có độ xác tốt, liệu xây dựng cảm tính người thiết lập, sau này, kết khơng phù hợp xu hướng du lịch người thay đổi - Kết tìm kiếm tour tương đối tốt, hợp với xu hướng du lịch theo thời gian, trường hợp khơng có tour phù hợp với người dùng, hệ thống khơng thể đưa kết quả, kết xấu - Kết tìm kiếm tour tốt, hợp với xu hướng du lịch theo thời gian, trường hợp khơng có tour phù hợp, hệ thống gợi ý tour gần giống có liên quan, đáp ứng nhu cầu người dùng - Vì IM thưa nên người dùng phải trả lời nhiều câu hỏi để hệ thống thu thập đầy đủ thông tin cho việc tư vấn - Số lần trả lời câu hỏi rút ngắn lại không đáng kể - Hạn chế tối đa số câu hỏi đưa ra, giúp thuận tiện cho người dùng, hệ thống suy thơng tin từ việc trả lời câu hỏi trước với câu hỏi tới thông qua IM 77 CHƯƠNG : KẾT LUẬN VÀ KHUYẾN NGHỊ 6.1 Kết luận Kết thúc giai đoạn nghiên cứu, Luận văn hoàn thành mục tiêu nghiên cứu đề ban đầu như: - Ứng dụng độ tương tự Ontology để mở rộng tập liệu khảo sát hệ thống du lịch Với liệu phong phú giúp cho việc tính tốn xây dựng IM có độ xác cao - Ứng dụng thuật toán Fp-Growth để phát sinh điểm tương quan thuộc tính tự động dựa vào tập liệu thu thập từ người dùng trước đó, kết hợp với giải thuật cũ giúp hệ thống hoàn chỉnh 6.2 Hạn chế Tuy đạt yêu cầu đề ra, Nhưng hệ thống số hạn chế sau: - Câu hỏi dạng trắc nghiệm, chưa đa dạng thể loại - Giao diện ứng dụng đơn giản chưa có nhiều chức thời gian xây dựng hạn chế - Cơ sở liệu Tour chưa phong phú hệ thống thật 6.3 Thuận lợi khó khăn 6.3.1 Thuận lợi Khi nghiên cứu đề tài Tôi có số thuận lợi như: - Được giúp đỡ hướng dẫn tận tình thầy Quản Thành Thơ, với hỗ trợ, giúp đỡ tận tình anh, chị nhóm nghiên cứu - Đã có kiến thức tảng sở liệu PHP * http://au.skygate-global.com 78 CHƯƠNG 6: KẾT LUẬN VÀ KHUYẾN NGHỊ - Được tư vấn mặt xây dựng testcase kịch kỹ thuật kiểm tra sản phẩm 6.3.2 Khó khăn Bên cạnh thuận lợi nêu gặp số khó khăn như: - Khó khăn việc tìm tài liệu nghiên cứu giải thuật hoàn toàn - Ontology SPARQL khái niệm hoàn toàn mẻ, chưa biết đến chưa có kinh nghiệm làm việc với chúng 6.4 Khuyến nghị hướng phát triển Do thời gian thực đề tài có hạn đề tài mang tính thực tiễn nên kết nghiên cứu tơi vần số hạn chế định Tôi xin đề xuất hướng phát triển cho nghiên cứu sau: - Thêm nhiều câu hỏi để liệu câu hỏi phong phú đa dạng hơn, đồng thời thu thập thông tin người dùng nhiều - Hệ thống gợi ý từ ban đầu Tour hot đặt nhiều ngững điểm đến lý tưởng cho thời điểm năm - Xây dựng thuật tốn tự động đánh giá Tour thơng qua thơng tin lịch trình, địa điểm mà Tour qua Tự động thay đổi điểm số có số vấn đề thay đổi khí hậu mùa khác nên vào mùa Xuân điểm khí hậu mát mẽ tăng đến đến mùa đông điểm khí hậu mát mẻ giảm, thay vào điểm khí hậu lạnh tăng lên - Xây dựng hệ thống hoàn chỉnh bao gồm đặt Tour toán Online 79 TÀI LIỆU THAM KHẢO [1] G Damianos, C Konstantopoulos, K Mastakas, G Pantziou, (2014), "Mobile recommender systems in tourism", Journal of Network and Computer Applications, 39, 319-333 [2] F Ricci, W Hannes, (2002), "Travel Recommender Systems", IEEE Intelligent Systems, 17(6), 55-57 [3] K Meehan, T Lunney, K Curran, A McCaughey, (2013, March), "Contextaware intelligent recommendation system for tourism", In Pervasive Computing and Communications Workshops (PERCOM Workshops), 2013 IEEE International Conference on (pp 328-331) IEEE [4] M Schumacher, J P Rey, (2011, January), "Recommender systems for dynamic packaging of tourism services", In ENTER (pp 13-23) [5] M Kiani, M Mahdavi, M Baniardalan, (2012), "Designing Atourism Recommender System Based On Location, Mobile Device and User Features In Museum", IJMIT4 [6] H Yu, Y Dan, L Jing, Z Mu, (2013), “Research on Personalized Recommender System for Tourism Information Service”, Computer Engineering and Intelligent Systems, 4(5), 32-45 [7] V Bönström, A Hinze, H Schweppe, (2003, November), “Storing RDF as a graph”, In Web Congress, 2003 Proceedings, First Latin American (pp 2736), IEEE [8] L Cao, J Luo, A Gallagher, X Jin, J Han, T S Huang, (2010, March), “Aworldwide tourism recommendation system based on geotaggedweb photos” In Acoustics Speech and Signal Processing (ICASSP), 2010 IEEE International Conference on (pp 2274-2277), IEEE [9] H Pascal, K Markus, P Bijan, (2012), OWL Web Ontology Language Primer (Second Edition), W3C, w3.org [10] M Zanker, M Fuchs, W Höpken, M Tuta, N Müller, (2008), “Evaluating recommender systems in tourism”—a case study from Austria, Information and communication technologies in tourism 2008, 24-34 [11] T Berka, M Plưßnig, (2004), “Designing recommender systems for tourism”, ENTER 2004: 11th International Conference on Information Technology in Travel & Tourism 80 [12] P Srisuwan, A Srivihok, (2008), “Personalized trip information for etourism recommendation system based on Bayes theorem”, In Research and Practical Issues of Enterprise Information Systems II (pp 1271-1275), Springer US [13] M Kenteris, D Gavalas, A Mpitziopoulos, (2010, June), “A mobile tourism recommender system”, In Computers and Communications (ISCC), 2010 IEEE Symposium on (pp 840-845) IEEE [14] U Bauerfeind, (2003, April), “The evaluation of a recommendation system for tourist destination decision making”, In Proceedings of the XII International Symposium on Tourism and Leisure [15] L Chen, G Chen, F Wang, (2015), “Recommender systems based on user reviews: the state of the art”, User Modeling and User-Adapted Interaction, 25(2), 99- 154 [16] P B Kantor, L Rokach, F Ricci, B Shapira, (2011), “Recommender systems handbook” Springer [17] J Hipp, U Güntzer, G Nakhaeizadeh, (2000), “Algorithms for association rule mining”—a general survey and comparison ACM sigkdd explorations newsletter, 2(1), 58-64 [18] C Zhang, S Zhang, (2002), “Association rule mining: models and algorithms”, Springer-Verlag [19] Catia Pesquita*, Daniel Faria, André O Falcão, Phillip Lord, Francisco M Couto, (2009), “Semantic Similarity in Biomedical Ontologies”, PLoS Computational Biology, Vol.5, Issue.7, p.01-12 [20] García, I., Sebastiá, L and Onaindia, E 2011 On the design of individual and group recommender systems for tourism Expert systems with applications 38, 7683-7692 [21] Martínez, L., Rodríguez, R.M and Espinilla, M 2009 REJA: a georeferenced hybrid recommender system for restaurants In Proceedings of the IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology WI-IAT'09, 187-190 [22] Castro, J., Quesada, F.J., Palomares, I and Martínez, L 2015 A consensusdriven group recommender system International Journal of Intelligent Systems 30 (8), 887-906 81 [23] Prof P A Manjare, Miss P V Ninawe, Miss M L Dabhire, Miss R S Bonde, Miss D S Charhate, Miss M S Gawande 2015 Recommendation System Based on Tourist Attraction [24] Emili Roger Ciurana Simó, 2012 Development of a Tourism recommender system TP.HCM, ngày … tháng … năm 2017 HỌC VIÊN KÝ TÊN (Họ tên chữ ký) TRẦN XUÂN THANH PHÚC 82 ... ty du lịch ứng dụng thành công hệ thống tư vấn thông minh vào hoạt động tư vấn du lịch Ứng với hệ thống tư vấn du lịch thơng minh sẵn có cơng ty DeNA Travel Tơi * http://au.skygate-global.com CHƯƠNG... hệ thống tư vấn du lịch thông minh tảng ứng dụng web, mục đích để góp phần hỗ trợ người dùng tìm kiếm chuyến du lịch ưng ý mà nhiều thời gian công sức Để xây dựng hệ thống Tư vấn du lịch thông... Để làm điều bạn cần phải xây dựng hệ thống tư vấn du lịch thông minh giúp người dùng tìm tour du lịch ưng ý với giá hợp lý mà tốn nhiều thời gian Vậy hệ thống tư vấn du lịch thơng minh? Đầu tiên