Download
bayesian network n.
Skip this Video
Loading SlideShow in 5 Seconds..
BAYESIAN NETWORK PowerPoint Presentation
Download Presentation
BAYESIAN NETWORK

BAYESIAN NETWORK

372 Vues Download Presentation
Télécharger la présentation

BAYESIAN NETWORK

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. BAYESIAN NETWORK Design and implementation of an intelligent recommendation system for tourist attraction: The integration of EBM Model, Bayesian network and Google Maps

  2. INTRODUCE การเลือกสถานที่ท่องเที่ยว เป็นปัญหาที่สำคัญในการวางแผนสำหรับทริปการเดินทาง หากจะต้องเดินทางไปในสถานที่ใหม่ๆ นักท่องเที่ยวอาจจะไม่รู้ข้อมูลที่ชัดเจน และข้อมูลมักจะหายาก ระบบแนะนำสถานที่ท่องเที่ยวออนไลน์ต่างๆ ให้บริการข้อมูลสำหรับผู้ใช้ในการวางแผนการเดินทางมานานแล้ว แต่ก็มีไม่กี่ระบบที่แนะนำสถานที่ท่องเที่ยว เพื่อให้เหมาะสม และถูกใจกับนักท่องเที่ยวแต่ละคน หัวข้อนี้ จะศึกษาเกี่ยวกับการออกแบบระบบแนะนำสถานที่ท่องเที่ยวให้เหมาะสมกับแต่ละคน ซึ่งจะลดการค้นหาข้อมูลที่ไม่จำเป็น และพบสถานที่ท่องเที่ยวที่ตรงกับความต้องการ

  3. INTRODUCE ดังนั้น จุดประสงค์ของการศึกษานี้ คือ สร้างความชัดเจนในการค้นหาข้อมูลสำหรับการตัดสินใจ และหลีกเลี่ยงการค้นหาข้อมูลที่ไม่จำเป็น เพื่อความสมบูรณ์ แม่นยำ และการนำระบบสนับสนุนการตัดสินใจ Intelligent Tourist Attractions System (ITAS) ไปใช้จริง การศึกษานี้ มีขั้นตอนดังนี้ 1.ใช้ EBM Model ในการตัดสินใจ สำหรับสถานที่ท่องเที่ยวต่างๆ 2.รวมรวมข้อมูลจาก รายงานแนวโน้มจำนวนนักท่องเที่ยวประจำปี 2007 ของสำนักงานการท่องเที่ยวไต้หวัน 3.คำนวณความน่าจะเป็นของสถานที่ท่องเที่ยว ให้เหมาะสมกับนักท่องเที่ยวแต่ละคน โดยใช้ Bayesian network 4.ตรวจสอบความถูกต้องของการคาดเดาโดย ROD curve test 5.นำเสนอการแนะนำเส้นทาง และสถานที่ท่องเที่ยวที่น่าสนใจผ่าน Google maps

  4. พิจารณาสิ่งที่ต้องทำ 1.1)EBM model (โมเดลการตัดสินใจ) 1. EBM Model เกิดขึ้นได้อย่างไร 1.1 หลักฐานเชิงประจักษ์ที่เกิดจากการวิจัยอย่างเป็นระบบมีคุณค่ามาก โดยเฉพาะในการตัดสินใจ ทั้งต่อการ รักษา และต่อการวางแผน หรือการกำหนด Intervention ต่างๆ Research evidence is valued. 1.2 ในยุคข้อมูลข่าวสารที่มีข้อมูลจำนวนมาก แต่เวลามีน้อย จึงความต้องการที่ต้องการเครื่องมือที่จะเป็นตัวกรองข้อมูล เพื่อใช้เป็นข้อมูลข่าวสารเพื่อการตัดสินใจ

  5. 2.EBM Model สำคัญ เพราะเป็นการรับประกันได้ว่า 2.1 การตัดสินใจอยู่บนพื้นฐานของหลักฐานที่มีการพิสูจน์ทางวิทยาศาสตร์ และเป็นวิธีการที่มีประสิทธิภาพและประสิทธิผล 2.2 สามารถเข้าถึงข้อมูลที่เชื่อถือได้และเป็นปัจจุบัน 2.3 เวลาเป็นสิ่งที่มีค่าได้ถูกนำไปใช้เพื่อการทบทวนเพื่อหาแนวทางที่ดีที่สุด (Best Practice) และได้ถูกใช้อย่างมีประสิทธิภาพ 3. จะใช้ EBM เมื่อ 3.1 ต้องการใช้ข้อมูลเชิงประจักษ์เพื่อการตัดสินใจ 3.2 ต้องการประเมินประสิทธิผล หรือต้นทุนของการรักษา หรืองานทางด้านการท่องเที่ยว 3.3 เมื่อต้องการที่จะกำหนดขอบเขตสถานที่ท่องเที่ยวที่สำคัญหรือมีความนิยม 3.4 เมื่อต้องการใช้ข้อมูลเพื่อตัดสินใจในการกำหนดนโยบาย หรือ วิสัยทัศน์ต่างๆ

  6. 4. ใช้ EBM Model ในการศึกษาครั้งนี้เพราะ EBM model เป็นโมเดลที่ครอบครุมพฤติกรรมของผู้บริโภคมากที่สุดในปัจจุบัน และมีจุดเด่นดังต่อไปนี้คือ มันสามารถวิเคราะปัญหาหลักๆได้อย่างง่ายดาย นอกจากนี้พฤติกรรมของนักท่องเที่ยวนั้นเป็นกระบวนการการตัดสินใจและเลือกสถานที่ท่องเที่ยวยอดนิยมหรือเลือกทำกิจกรรมสันทนาการต่างๆที่นิยม ซึ่งเราจะมองพฤติกรรมในการตัดสินใจทำเช่นนี้ว่าเป็น” การซื้อสินค้าแบบไร้ตัวตน” ดังนั้นในการศึกษาครั้งนี้เราจึงใช้ EBM model เป็นพื้นฐานของการพัฒนาระบบการช่วยตัดสินใจเลือกสถานที่ท่องเที่ยวเพื่อแนะนำให้แก่นักท่องเที่ยวแต่ละคน

  7. 1.2)ระบบการแนะนำ ระบบที่ช่วยในเรื่องการแนะนำนี้ เป็นกลไกกรองข้อมูลโดยเรียนรู้จากการวิเคราะห์ข้อมูลหรือรายละเอียดต่างๆหรือเปรียบเทียบสิ่งต่างๆจากประสบการเก่าๆที่เคยรู้มาจากข้อมูลของผู้อื่น และสามารถแนะนำข้อมูลที่ผ่านกระบวนการกรองข้อมูลนี้ ให้แก่ผู้ที่มาขอใช้บริการได้ ระบบจะต้องสามรถแนะนำรายการสถานที่ท่องเที่ยวให้ตรงกับความต้องการของผู้ขอใช้บริการได้ และสามารถช่วยลดภาระค่าใช้จ่ายให้ผู้ใช้บริการในการค้นหาข้อมูลใหม่ๆเพิ่มเติม ระบบสนับสนุนการตัดสินใจได้แบ่งตามลักษณะของผู้ใช้ได้ 4 ประเภท ดังนี้ 1 Non-personalized recommender system 2 Attribute-based recommender system 3 Item-to-Item correlation recommender system 4 People-to-people recommender system

  8. ซึ่งในการศึกษาครั้งนี้เราจะใช้วิธีที่ 3 ในการพัฒนาระบบ Item-to-Item correlation recommender system : ระบบแนะนำประเภทนี้จะใช้การคิดวิเคราะห์ข้อมูลจากข้อมูลเก่าๆที่ผ่านมาแล้ว เพื่อหาความสัมพันธ์และสิ่งที่เกิดขึ้นบ่อยๆหรือได้ทำบ่อยๆ และแนะนำรายการที่สัมพันธ์กันจากข้อมูลที่มี ออกมาให้ผู้ใช้ได้รับทราบ ตารางข้อมูลที่นำมาใช้ มีดังนี้ Table 1:แสดงข้อมูลนักท่องเที่ยวที่เข้ามาในไต้หวัน ปี 2007 Table 2:วัตถุประสงค์ในการเดินทาง,ข้อมูล และ ประเภทของการเดินทาง Table 3:รายชื่อสถานที่ท่องเที่ยวที่ดีที่สุดในไต้หวัน 22 แหล่ง Table 4: ข้อมูลความน่าจะเป็นในการจะไปสถานที่ต่างๆ Table 5:ตารางความสัมพันธ์ของบุคคลแต่ละลักษณะกับสถานที่ท่องเที่ยวที่ไป(ความน่าจะเป็น)

  9. ระบบแนะนำที่ใช้กันอยู่ทั่วไปมี 2 วิธี คือ 1.Content-based approach 2.Collaborative Filtering(CF): 1).Memory-based CF 2).Model-Based CF ซึ่งในการศึกษาครั้งนี้จะใช้ระบบแนะนำประเภทที่ 2 Collaborative Filtering(CF) วิธี ที่ 2 คือ Model-Based CF Collaborative Filtering(CF):เป็นวิธีการนี้จะประมวลผลจาการรวบรวมข้อเสนอแนะของผู้ใช้แต่ละคนโดยเฉพาะ ดังนั้นสิ่งแรกที่นักวิเคราะห์ควรทำก็คือ ระบุกลุ่มผู้ที่มีความสนใจเหมือนกันหรือมีลักษณะคล้ายๆ กัน รวมกันก่อน แล้วรวมข้อเสนอแนะที่มีอยู่ในกลุ่มนั้นไว้แล้วจึงทำการเสนอข้อมูลที่อาจจะเป็นสิ่งที่ผู้ใช้สนใจจริงๆ Model-Based CF:เป็นการเรียนรู้ผ่านทางสถิติหรือการเรียนรู้ของเครื่อง วิธีการนี้จะตรวจสอบและทำการแยกประเภทจากการบันทึกประวัติผู้ใช้คนเก่าๆเพื่อสร้างแบบจำลองแล้วนำมาเป็นฐานในการแนะนำข้อมูล วิธีการที่รวมอยู่ใน Model-based CF ด้วนก็คือ LSI,association rules,Bayesian networks,การวิเคราะห์การถดถอย * ซึ่งในการศึกษาครั้งนี้เราจะใช้วิธี Bayesian network

  10. 1.3)Bayesian networks เป็นวิธีการนำเสนอองค์ความรู้โดยรวมกับทฤษฎี Bayesian Network รูปแบบกราฟฟิกด้วย เป็นวิธีการวิเคราะสาเหตุของปัญหาได้ดีที่สุด โหนดในเครือข่าย Bayesian network แต่ละตัวจะถูกสุ่มและมีความสัมพันธ์กับการคำนวณจากความน่าจะเป็น และสามารถใช้ความน่าจะเป็นตรวจสอบสภาวะก่อนและหลังเหตุการณ์ต่างๆได้ ซึ่งจะทำให้ง่ายในการอัพเดทข้อมูล สูตรพื้นฐาน คือ Bayesian network มีพื้นฐานครอบครุมเรื่องทฤษฎีความน่าจะเป็นและการตัดสินใจ มันได้รับการใช้อย่างกว้างขวางเพื่อใช้บอกขอบเขตข้อมูล การวิเคราะห์ การวางแผน ต่างๆ ระบบแนะนำนี้ก็นำแนวคิดมาจาก Bayesian network ซึ่งเป็นกลไกการกรองข้อมูลและออกแบบมาเพื่อลดค่าใช้จ่ายให้ผู้ใช้ในการที่จะต้องค้นหาข้อมูลเพิ่มเติม และ สามารถแนะนำข้อมูล การบริการ หรือ ผลิตภัณฑ์ ให้ตรงกับความสนใจของผู้ใช้ได้อย่างมีประสิทธิภาพ

  11. 1.4) การใช้ Google Maps เราจะใช้อินเตอร์เฟสของ Google Maps ซึ่งเป็นโปรแกรมประยุกต์ที่มีประโยชน์ต่อการให้บริการมาก ซึ่งทำให่ผู้ใช้ระบบสามารถทราบถึง แผนที่ และ ดาวเทียม และยังช่วยให้ผู้ใช้สามารถเข้าใจพื้นที่โดยรอบและระยะทางต่างๆได้ โดยผ่านอินเตอร์เฟสจากการค้นหาข้อมูลต่างๆบนแผนที่ เช่น สถานที่ท่องเที่ยว และ สถานที่สำคัญต่างๆ นอกจากนี้ระบบแผนที่บน Google Maps ทำให้ลดต้นทุนของการพัฒนาระบบได้มาก ไม่เพียงแต่จะช่วยลดต้นทุนแล้วยังเป็นการช่วยเพิ่มศักยภาพในการประยุกต์ในวงกว้างต่อไปได้

  12. วิธีการ 1 ตัวอย่างข้อมูล การศึกษาครั้งนี้ให้ความสนใจกับนักท่องเที่ยวชาวจีนและนักท่องเที่ยวจากต่างประเทศ ซึ่งข้อมูลที่ได้นั้นนำมาจาก รายงานการสำรวจแนวโน้มและค่าใช้จ่ายของนักท่องเที่ยวที่เข้ามาในไต้หวัน ในปี 2007 เผยแพร่ออกมาดดยสำนักงานการท่องเที่ยวของไต้หวัน วันที่ 1มกราคม- 1 ธันวาคม 2007 2 การวิเคราะห์ข้อมูล ในการศึกษาครั้งนี้ต้องใช้ สถิติเชิงพรรณนา,การวิเคราะห์ปัจจัย,การวิเคราะห์ความสัมพันธ์,Bayesian networks, การวิเคราะห์เส้นโค้ง ROC

  13. ก่อนการวิเคราะห์ปัจจัยต่างๆจึงต้องทำ KMO เพื่อวัดความพอใจในระดับต่างๆ จะได้นำไปวิเคราะห์ปัจจัยได้อย่างเหมาะสม ซึ่งเกณฑ์การวัด KMO มีดังต่อไปนี้ 0.5 =ไม่พอใจ มีความสุข 0.6=เฉยๆ ธรรมดา 0.7=ปานกลาง 0.8=ชอบ รู้สึกดี 0.9=ยอดเยี่ยม ชอบมากๆ การวิเคราะห์ความสัมพันธ์ : จะใช้ในการสร้างรูปแบบการวิเคราะห์และระบุตัวอย่าง สัมประสิทธ์ตัวแปรฉุกเฉิน เช่น ตัวแปรประชากรศาสตร์ และ วิธีการในการเดินทางไปสถานที่ที่นิยมที่สุด สิ่งพวกนี้จะมีผลต่อความชอบหรือไม่ชอบต่อสถานที่นั้นๆ การวิเคราะห์เส้นโค้ง ROC : เราจะใช้พื้นที่ใต้กราฟ ROC สามารถนำมาใช้เพื่อวัดความถูกต้องได้ ถ้า AVC > 0.8 แสดงว่าแบบจำลองมีความถูกต้องสูง ในการศึกษาครั้งนี้ เราจะใช้ Netica 4.09 ของ MS Window โดย Netica – Norsys Software Corporation เพื่อสร้าง Bayesian Network และแปลงข้อมูลตารางความน่าจะเป็นที่มีโอกาสสอดคล้องกัน จากที่กล่าวมาข้างต้น เราจะกำหนดสถานที่ที่น่าสนใจ ที่ดึงดูดความสนใจของนักท่องเที่ยวตามข้อมูลส่วนตัวของผู้ใช้ และ สามารถแนะนำสถานที่ตามความสนใจของผู้ใช้ระบบได้

  14. RESULT สถิติเชิงพรรณนา นำเสนอข้อมูลเกี่ยวกับนักท่องเที่ยวขาเข้า ซึ่งได้รับการโฆษณา และโปรโมชั่นก่อนเดินทางไปไต้หวันในปี 2007 ตัวอย่างการวิเคราะห์ข้อมูลนักท่องเที่ยวขาเข้า ตารางที่ 1 และ 2 แสดงถึงจุดประสงค์ในการท่องเที่ยว, แหล่งข้อมูล และประเภทของการท่องเที่ยว ตารางที่ 3 แสดงถึงสถานที่ท่องเที่ยวที่เป็นที่นิยมในหมู่นักท่องเที่ยว

  15. RESULT ปัจจัยสำคัญของความพอใจของนักท่องเที่ยวเกี่ยวกับการบริการ 4 ปัจจัยที่ใช้ คือ 1.ความปลอดภัย และเป็นมิตร (Y1) 2.ใการเดินทางสะดวก (Y2) 3.การเข้าสะดวก (Y3) 4.ความสะดวกสบาย และความสะอาด (Y4) แสดงในตารางที่ 4 

  16. RESULT การวิเคราะห์ความสัมพันธ์ -EBM Model เป็นหลักพื้นฐานสำหรับมุมมองในการตัดสินใจของผู้บริโภคสำหรับการศึกษานี้ 3 ส่วนจากขั้นตอนการตัดสินใจของ EBM Model คือ การรับรู้ปัญหา, การค้นหาข้อมูล และการซื้อ -ทั้ง 3 ส่วนถูกแสดงในการศึกษานี้ โดยมีปัจจัยที่มีอิทธิพลต่อการเลือกสถานที่ท่องเที่ยวที่น่าสนใจของนักท่องเที่ยวแต่ละคน ซึ่งก็คือ จุดประสงค์ของการไปเที่ยวไต้หวัน, แหล่งข้อมูล, ประเภทของการท่องเที่ยว และตัวแปรด้านประชากร -ค่าสัมประสิทธิ์ที่ไม่แน่นอน ใช้กำหนดความสัมพันธ์ระหว่างตัวเลือกสถานที่ที่น่าสนใจของนักท่องเที่ยว และกำหนดปัจจัย เช่น ตัวแปรด้านประชากร, ประเภทของการท่องเที่ยว และจุดประสงค์ของการเที่ยวในไต้หวัน *รายละเอียดในการวิเคราะห์ แสดงในตารางที่ 5

  17. RESULT การสร้าง Model การแนะนำสถานที่ท่องเที่ยวสำหรับนักท่องเที่ยว การสร้างระบบสนับสนุนการตัดสินใจด้วย Model การแนะนำสถานที่ท่องเที่ยว แสดงใน Fig. 1 การประเมินผล ในการศึกษานี้ จะใช้ ROD curve ในการประเมินความถูกต้องของ Model แสดงใน Fig. 3 

  18. SYSTEM FRAMEWORK ITAS ใช้สถาปัตยกรรมแบบ 3-tiered First tier คือ ผู้ใช้ที่ติดต่อใช้งานผ่าน browser เพื่อ submit ข้อมูลต่างๆ และได้รับสถานที่ท่องเที่ยวแนะนำ และเส้นทางกลับไป Second tier คือ web server ซึ่งรับคำสั่งจากผู้ใช้ โดยจะคำนวณสถานที่ท่องเที่ยวที่เป็นไปได้ และ request ข้อมูลทาง graphic จาก Google Maps และแสดงสถานที่ท่องเที่ยวแนะนำให้ผู้ใช้ Third tier คือ ความน่าจะเป็นของสถานที่ โดยมีโครงสร้างตาม EBM Model และเป็นไปตามฐานข้อมูลการท่องเที่ยว ซึ่งสถาปัตยกรรมนี้ สามารถแสดงได้ดังนี้

  19. ITAS FRAMEWORK

  20. SYSTEM FRAMEWORK User Interface ของระบบแนะนำสถานที่ท่องเที่ยว เป็นดังนี้ ผู้ใช้กรอกข้อมูลต่างๆ ลงใน browser จากนั้นระบบจะค้นหาสถานที่ท่องเที่ยวที่เหมาะสมกับผู้ใช้ 5 อันดับ โดยจะแสดง rank ของแต่ละสถานที่ อีกทั้งยังแนะนำสถานที่ที่ rank สูงสุด และแสดงสถานที่บน Google Maps ผู้ใช้สามารถเลือกจุดเริ่มต้น และจุดสิ้นสุดระหว่างสถานที่ โดยระบบจะจัดแผนการเดินทางให้อัตโนมัติ และแสดงรายละเอียดของเส้นทางให้ผู้ใช้ ผู้ใช้สามารถใช้งาน Google Maps ในการปรับหาข้อมูลที่ผู้ใช้ต้องการ

  21. ITAS INTERFACE

  22. service register UDDI 1 Publish 2Find 3Result 4 Bind Traveler (service requestor) Web Server (service provider) Form 5 Web service Bayesian Network Recommendation Engine Google Maps EBM Model จาก ITAS framework สามารถมองเป็น SOA Architecture ได้ดังนี้ Database

  23. SOA ARCHITECTURE Publish - Service provider ประกาศ (publish) บริการระบบแนะนำสถานที่ท่องเที่ยว (ITAS) ไปยัง Service registry - เพื่อทำการลงทะเบียนบริการ โดยจะเก็บข้อมูลของบริการที่ Service provider ได้ลงทะเบียนไว้ - เพื่อให้ Traveler เข้ามาค้นหาบริการ หรือรายละเอียดที่เกี่ยวข้องกับ Service ที่ต้องการ - ซึ่งรูปแบบมาตรฐานสำหรับการลงทะเบียน คือ UDDI

  24. UDDI -การลงทะเบียน UDDI ประกอบด้วยองค์ประกอบของข้อมูล คือ - businessEntity ข้อมูลเกี่ยวกับการให้บริการทางธุรกิจ - businessService ข้อมูลลักษณะการบริการทางธุรกิจ - bingingTemplate ข้อมูลที่จำเป็นสำหรับโปรแกรมในการเรียกใช้บริการทางเว็บ - tModel คำอธิบายเกี่ยวกับการระบุบริการทางเว็บ หรือการจัดกลุ่มจากเทคนิคพื้นฐาน -ข้อมูลใน UDDI registry สามารถแบ่งวิธีกาค้นหาได้ 3 ชนิด คือ - white page ประกอบด้วยที่อยู่, การติดต่อ และตัวระบุ - yellow page ประกอบด้วยหมวดหมู่ของอุตสาหกรรม - green page ประกอบด้วยข้อมูลทางเทคนิคเกี่ยวกับการบริการเว็บ

  25. UDDI • - Name : Hsu Fang-Ming • Phone : +886 3 865 3906 • Address: Dahsueh Rd., Shoufeng, Hualien 974, Taiwan ROC. • E-mail: fmhsu@mail.ndhu.edu.tw ซึ่งระบบแนะนำสถานที่ท่องเที่ยวที่ได้ทำการศึกษา มี UDDI ดังนี้ businessEntity – ข้อมูลเกี่ยวกับการให้บริการทางธุรกิจ - name : A Bayesian Network - description : An Intelligent recommendation system for tourist attractions - contact → (white page) - businessService (2.) - categoryBag (4.)

  26. UDDI businessService – ข้อมูลลักษณะการบริการทางธุรกิจ - name : ITAS - Description : The Intelligent Tourist Attraction System (ITAS). The integration of EBM model, Bayesian network, and Google Maps. - Binding template (3.) (green page) bingingTemplateข้อมูลที่จำเป็นสำหรับโปรแกรมในการเรียกใช้บริการทางเว็บ - web service url : https://maps.google.com/

  27. ← Tourist Attractions UDDI tModel - คำอธิบายเกี่ยวกับการระบุบริการทางเว็บ หรือการจัดกลุ่มจากเทคนิคพื้นฐาน keyedReference - keyName : SIC - keyValue :7999-72 (yellow page)

  28. - Hsu Fang-Ming - +886 3 865 3906 - Dahsueh Rd., Shoufeng, Hualien 974, Taiwan ROC. - fmhsu@mail.ndhu.edu.tw • businessEntity • A Bayesian Network • “An Intelligent recommendation system for tourist attractions” • contact • businessService • categotyBag • businessService • ITAS • “The Intelligent Tourist Attraction System (ITAS). The integration of EBM model, Bayesian network, and Google Maps.” • bindingTemplate UDDI สรุปได้ดังนี้ keyedReference - SIC - 7999-72 • bingingTemplate • https://maps.google.com/

  29. SOA ARCHITECTURE 2) Find Traveler ทำการค้นหา (find) บริการระบบแนะนำสถานที่ท่องเที่ยว (ITAS) นี้ ผ่านทาง Service registry เพื่อให้ทราบถึงข้อมูลของบริการ และเพื่อให้ทราบว่า มีบริการนี้หรือไม่ ? 3) Result Service register ส่งข้อมูลของบริการมาให้ Traveler เพื่อให้ Traveler ทราบถึง การบริการของระบบแนะนำสถานที่ท่องเที่ยว (ITAS)

  30. SOA ARCHITECTURE 4) Bind Traveler ทำการกรอกข้อมูลที่ระบบต้องการลง form แล้วส่งไปให้ Web Server (Service Provider) ทำการวิเคราะห์ความน่าจะเป็นของสถานที่ที่เหมาะสมกับ Traveler โดยใช้ Bayesian Network Recommendation Engine และ EBM Model ในการไปดึงข้อมูลสถานที่ท่องเที่ยวจาก Database 5) Web Service Web Server ส่งข้อมูลสถานที่ท่องเที่ยวที่ได้จากการวิเคราะห์ มาให้ Traveler โดยแสดงผ่าน Google Maps ให้ Traveler เห็น

  31. สมาชิกกลุ่ม  นายนฤชา มุสิทธิ์มณี รหัสนิสิต 53160007   นางสาวเบญจวรรณ เกื้อกิจ รหัสนิสิต 53160009  นายนเรศ ตรงดี รหัสนิสิต 53160025   นายสรไกร เกษมสุข รหัสนิสิต 53160033   นางสาวศิวพร พิชิตชัยรุ่ง รหัสนิสิต  53160123   นางสาวอัมพิกา ฉลาดรอบ รหัสนิสิต  53160132