Multi-Objective Reinforcement learning을 활용한 최적의 관광경로 추천시스템

Abstract

본 연구는 Multi-Objective Reinforcement Learning (MORL)을 활용한 최적 관광경로 추천시스템을 제안한다. 관광산업이 개별 관광객의 맞춤형 서비스로 변화하는 추세에 따라 기존의 협업 필터링이나 콘텐츠 기반 필터링 중심의 단일 목적 최적화 방식으로는 복잡한 관광 의사결정 문제를 효과적으로 해결하기 어렵다. 본 연구는 서울시 내 16개 관광지의 선호도, 연관성, 접근성을 동시에 최적화하기 위해 MORL의 Pareto Conditioned Networks를 활용한 추천시스템을 제안한다. PCN은 단일 신경망으로 다양한 파레토 최적 정책을 표현하여 사용자의 선호도 변화에 유연하게 대응할 수 있다는 장점이 있다. 제안된 시스템은 Single Objective Reinforcement Learning (SORL)의 Deep Q-Network 대비 선호도 3.5-5.0, 연관성 3.5-5.0, 접근성 3.0-4.0으로 모든 영역에서 안정적인 파레토 최적해를 도출했으며, hypervolume 지표에서도 2.7배 높은 수치를 기록했다. 이는 MORL의 관광지 추천시스템이 다중 목적을 고려한 맞춤형 관광지 추천에 효과적인 해결책임을 입증한다.;This study proposes an optimal tourism route recommendation system using Multi-Objective Reinforcement Learning with Pareto Conditioned Networks. The system simultaneously considers multiple objectives: tourist preference, destination relevance, and accessibility. The study utilized a dataset of 16 major tourist destinations in Seoul. Experimental results demonstrated that the PCN-based MORL approach achieved stable Pareto-optimal solutions with ratings from 3.5 to 5.0, diversity from 3.5 to 5.0, and distance scores from 3.0 to 4.0, significantly outperforming traditional Deep Q-Network methods. Under equal weight conditions, PCN consistently maintained these balanced performance metrics, while DQN showed limitations in handling multiple objectives simultaneously. This research contributes to tourism recommendation systems by demonstrating the effectiveness of multi-objective optimization in handling complex tourism routing problems.