From Preferences to Places: Recommending Tourist Attractions through User and Item Similarity in Graph Databases

"En la era del turismo digital, las recomendaciones personalizadas se han vuelto esenciales para mejorar la experiencia del viajero. Esta tesis investiga el desarrollo de un sistema de recomendación turística utilizando bases de datos de grafos, con el objetivo de superar las limitaciones de los modelos relacionales tradicionales y abordar desafíos como el modelado y la consulta complejos y la escasez de datos. El sistema aprovecha tanto el filtrado colaborativo basado en usuarios como en ítems enriquecidos con información contextual como el sentimiento, la ubicación geográfica y los niveles de precios, para apoyar un filtrado híbrido y sugerir puntos de interés personalizados.

El sistema de recomendación se implementa integrando las preferencias de los usuarios y los atributos del contenido dentro de un modelo de base de datos de grafos utilizando Neo4j. Se utilizan dos conjuntos de datos: uno recolectado manualmente desde TripAdvisor y enriquecido con la API de Google Places, y otro conjunto estructurado proveniente de investigaciones existentes. los cuales forman la base del sistema. Los experimentos demuestran la eficacia del uso de la similitud del coseno para identificar usuarios y elementos similares, con una lógica de recomendación basada en consultas expresada a través de Cypher. La evaluación mediante el error cuadrático medio valida la precisión predictiva del enfoque.

Los resultados indican que los sistemas de recomendación basados en grafos ofrecen un marco flexible, interpretable y eficiente que puede ayudar a
descubrir atracciones turísticas personalizadas y menos conocidas. Esta investigación contribuye con una metodología práctica para recomendaciones de viaje conscientes del contexto, apoyando a los turistas en la toma de decisiones informadas."


"In the age of digital tourism, personalized recommendations have become essential to enhance a traveler’s experience. This thesis investigates the development of a tourism recommender system using graph databases to overcome the limitations of traditional relational models and address challenges such as complex modeling and querying, data sparsity and coldstart problems. The system leverages both user-based and item-based collaborative filtering, enriched with contextual information such as sentiment, geography, and price levels, to support hybrid filtering and suggest personalized points of interest.

The recommender system is implemented by integrating user preferences and content attributes within a graph database model using Neo4j. Two datasets form the foundation of the system: one was self-collected from tourism platform TripAdvisor and enriched with the Google Places API and another structured set from existing research was used. Experiments demonstrate the effectiveness of using cosine similarity to identify similar users and items, with query-based recommendation logic expressed via Cypher. Evaluation through root mean square error validates the accuracy of the approach.

The results indicate that graph-based recommendation systems provide a flexible, interpretable, and efficient framework that could assist in surfacing personalized and lesser-known tourist attractions. This research contributes a practical methodology for context-aware travel recommendations, supporting tourists in making informed decisions."