Résumé

Le nombre d’événements sociaux augmente de manière significative et les services basés sur la localisation deviennent partie intégrante de notre vie. Ainsi la recommandation de séquences d’activities devient une application émergente importante. Ce problème est crucial dans le cas d’événements distribués (e.g. festival ou croisière) qui rassemblent plusieurs activités concurrentes. Un participant à de tels événements est submergé par le choix de nombreuses activités possibles et fait face au problème de sélection d’activités. Dans cet article, nous formulons le problème de recommandation de séquences d’activités comme la combinaison du problème de recommandation d’événements et du problème de planification. Nous proposons une nouvelle approche qui évalue l’intérêt de l’utilisateur pour une activité fondée sur diverses facettes, explore l’historique de l’utilisateur pour extraire leurs motifs comportementaux et les utilise dans la construction de l’itinéraire. Une évaluation sur un jeu de données construit à partir du programme d’une croisière montre une amélioration moyenne de 9.7% par rapport à l’état de l’art. Ce travail a été présenté à la conférence ICCS 2017 (Nurbakova et al., 2017).

Abstract

As the amount of social events significantly increases and location-based services become an integral part of our life, being able to recommend sequences of activities emerges as an important application. This problem is crucial in the case of distributed events (e.g. festival or cruise) that gather multiple competitive activities. An attendee of such events is overwhelmed with numerous possible activities and faces the problem of activity selection. In this paper, we formulate the problem of activity sequences recommendation as a combination of event recommendation and scheduling problem. We propose a novel approach that evaluates the user’s interest in an activity based on various facets, mines the users’ historical traces to extract their behavioural patterns and uses them in the construction of the itinerary. Evaluation on a dataset built over a cruise program shows an average improvement of 9.7% over the state-of-the-art.