Group recommender systems for tourism: overcoming the cold-start problem and conflicting preferences by using artificial intelligence and serious games

Abstract

A evolução tecnológica e Humana nos últimos 25 anos levou a uma abundância avassaladora de informação e bens, dificultando o processo de escolha. Isto levou ao desenvolvimento de Sistemas de Recomendação (RS), que visam ajudar os utilizadores a escolher itens alinhados com as suas preferências em domínios como a música, filmes, turismo e notícias. Contudo, surgem desafios, especialmente em contextos de grupo, onde as preferências divergentes e conflitos são frequen-tes. Isto é particularmente evidente no turismo, que envolve experiências emocionais. Os Sistemas de Recomendação para Grupos (GRS) surgiram para resolver esses problemas, mas desafios co-mo o problema de arranque a frio (cold-start), configurações demoradas, intrusividade, balancea-mento das preferências de grupo e falta de atenção às necessidades individuais persistem. Para enfrentar os desafios mencionados, o principal objetivo deste trabalho foi desenvolver um protótipo de GRS baseado na personalidade. Primeiro, foi realizado um estudo de larga escala (𝑛=1035 participantes), que revelou que certas preferências turísticas são procuradas por perso-nalidades específicas, contribuindo com novos modelos baseados em personalidade para prever essas preferências. De seguida, foi implementado o protótipo de GRS, usando uma arquitetura de microserviços, incluindo um Microserviço Multi-Agente onde foi criado um algoritmo de clustering dinâmico baseado na personalidade, 𝑑-means, que agrega turistas com personalidades semelhan-tes, criando os melhores clusters em tempo real sem precisar de conhecer o número inicial de clusters. Os modelos e algoritmo 𝑑-means eliminam a necessidade de dados de interação ou classificações prévias para as recomendações iniciais, resolvendo o problema do cold-start. Os clusters ajudam a resolver a heterogeneidade e preferências conflituosas, agregando turistas com personalidades semelhantes no mesmo subgrupo quando são solicitadas recomendações para um grupo. As recomendações são depois refinadas usando o algoritmo Apriori, que extrai regras dos utilizadores agrupados. Por fim, foram desenvolvidos dois jogos sérios, demonstrando ser possível determinar implicitamente traços de personalidade em menos de 5 min, eliminando a necessida-de de questionários de personalidade suscetíveis ao viés de desejabilidade social e dados de inte-ração com o RS, o que pode ser uma reviravolta na história dos RS baseados na personalidade.

The technological and Human evolution in the last 25 years has led to an overwhelming abun-dance of information and goods, complicating the choice process. This led to the development of Recommender Systems (RS), aiming to help users choose items aligned with their personal prefer-ences across an increasing range of domains like music, movies, tourism, and news. However, challenges arise, especially in group settings, where differing preferences and conflicts are com-mon. This is especially evident in tourism, which involves emotional experiences. Group Recom-mender Systems (GRS) came to address those issues, but challenges like the cold-start problem, time-consuming configurations, intrusiveness, balancing group preferences, and the lack of con-cern for individual necessities persist. Building on that, this work’s main purpose was to develop a personality-based GRS prototype to tackle the referred challenges. First, a large-scale study (𝑛=1035 participants) was conducted, having found that certain tourist attractions and travel-related preferences & concerns are sought by particular personalities, contributing with new models to predict tourist preferences based on the tourists’ raw Big Five personality. Then, the GRS prototype was implemented following a micro-services architecture with a Multi-Agent Microservice, where a novel personality-based dynamic clustering algorithm, 𝑑-means, was developed, which is a clustering algorithm for aggregating simi-lar personality/preferences tourists, creating the best clusters in real time without needing to know the number of initial clusters. The models and the clustering algorithm eliminate the need for pre-vious interaction data and ratings to provide the initial recommendations, solving the cold-start problem. The clusters also help solve heterogeinity and conflicting preferences, as the most similar personality tourists go into the same subgroup when requesting a recommendation for an excur-sion group. The recommendations are then refined by using the Apriori algorithm that extracts rules from the clustered users. Finally, two short-duration mobile serious games were developed, showing it is possible to implicitly determine granular personality traits in less than 5 min, eliminat-ing the need for personality questionnaires prone to social desirability bias and great amounts of interaction data with an RS, which can be the twist needed in the history of personality-based RS.