Towards a Comprehensive Tourism Recommender System

• Type: Thesis
• Date: 2025-10-02

Authors

Igor Liberato de Castro (Author) FEUP

Thesis

Towards a Comprehensive Tourism Recommender System

Master's Degree

Dissertation

Scientific classification

FOS: Engineering and technology > Electrical engineering, Electronic engineering, Information engineering

Associated Institutions

LIACC - Laboratório de Inteligência Artificial e Ciência de Computadores

Other information

Resumo (PT): A complexidade de planear um itinerário turístico personalizado e realista que se alinhe com as preferências individuais, as restrições logísticas e o tempo disponível continua a ser um desafio significativo no domínio dos Sistemas de Recomendação Turística (TRS). Esta dissertação aborda esse desafio propondo uma arquitetura de recomendação híbrida, em duas camadas, capaz de gerar itinerários completos e multidiários que maximizam a satisfação do utilizador. A primeira camada prevê pontuações personalizadas para Pontos de Interesse (POIs), com base no perfil demográfico do utilizador e nas suas preferências declaradas em cinco dimensões de características: História, Natureza, Arte, Cultura e Lazer. A segunda camada aplica técnicas de otimização heurística, nomeadamente um Algoritmo Genético sensível a restrições, modelado como um Problema de Orientação em Equipa com Janelas Temporais (TOPTW), para construir horários diários realistas que respeitam os tempos de deslocação, horários de funcionamento e restrições específicas do utilizador, como orçamento, ritmo de visita, necessidades de acessibilidade e pausas para almoço. O sistema proposto integra dados de POIs extraídos do OpenStreetMap, cujas características são estimadas por um modelo de linguagem de grandes dimensões ajustado para esse fim. Foi realizado um inquérito para recolher as preferências dos utilizadores e as suas avaliações de POIs, permitindo treinar e validar o modelo de previsão de pontuações personalizadas. A validação do sistema foi realizada em três cidades distintas, Porto, Lisboa e Paris, escolhidas pela riqueza da sua oferta turística. Os resultados demonstram a capacidade do sistema para recomendar itinerários personalizados de elevada qualidade, com forte alinhamento com o comportamento real dos turistas. Ao combinar a modelação de preferências com base em dados e o planeamento heurístico de rotas, esta dissertação contribui com uma abordagem escalável e extensível para Sistemas de Recomendação Turística mais adaptáveis e sensíveis ao contexto.

Abstract (EN): The complexity of planning a personalized and realistic touristic itinerary that aligns with individual preferences, logistical constraints, and available time remains a significant challenge in the field of Tourism Recommender Systems (TRS). This thesis addresses this challenge by proposing a hybrid, two-layered recommendation architecture capable of generating complete, multi-day itineraries that maximize user satisfaction. The first layer predicts personalized POI (Point of Interest) scores based on a user's demographic profile and stated preferences across five POI features: History, Nature, Art, Culture, and Leisure. The second layer applies heuristic optimization techniques, specifically a constraint-aware Genetic Algorithm modeled as a Team Orienteering Problem with Time Windows (TOPTW), to construct realistic daily schedules that respect travel time, opening hours, and user-specific constraints such as budget, pace, accessibility needs, and lunch breaks. The proposed system integrates POI data extracted from OpenStreetMap, with feature values estimated via a fine-tuned large language model. A survey-based approach was used to collect user preferences and POI ratings, enabling the training and validation of the personalized scoring model. Validation of the full system was conducted using three diverse cities, Porto, Lisbon, and Paris, chosen for their rich touristic offerings. Results show the system's ability to recommend high-quality, personalized itineraries while demonstrating strong alignment with real-world tourist behavior. By combining data-driven preference modeling with heuristic route planning, this thesis contributes a scalable and extensible approach toward more adaptive and context-aware TRS.

Language: English

No. of pages: 87