FATMA BOZYİĞİT, Alperen TAŞKIN, Kadir AKAR, DENİZ KILINÇ

A Deep Learning-Based Hotel Image Classifier for Online Travel Agencies

Along with the extensive application of information technologies, there has been increased usage of online travel agencies (OTA) to search holiday alternatives. Hotel images demonstrated by OTAs plays a critical role in providing information to ease selection process. Although serving the images in the right context is an important task to clearly reflect hotel properties, there has been no attempt in previous studies to organize hotel images into appropriate category. For this reason, we aim to conduct a study to organize and classify 20,000 hotel images using Convolutional Neural Networks (CNN), a prominent deep learning method widely applied in the field of computer vision. Due to the limited training data, we experiment transfer learning to train experimented models. In this phase, we choose a widely applied CNN models, VGG-16, VGG-19, and Inception-v3 which are trained on over one million images. The results demonstrate that experimented models achieve effective categorization of hotel images with the considerable accuracy scores. We believe that our study can help improve OTAs performance in competitive tourism market.

Çevrimiçi Seyahat Acenteleri için Derin Öğrenme Yöntemleri Kullanarak Otel Görüntülerinin Sınıflandırması

Bilgi teknolojileri uygulamaların yaygınlaşması ile birlikte, tatil alternatifleri arayışında çevrimiçi seyahat acentelerinin kullanımı artmıştır. Çevrimiçi seyahat acenteleri tarafından sunulan otel görüntüleri, tatilcilere bilgi sağlayarak seçim sürecini kolaylaştırma aşamasında kritik bir rol oynamaktadır. Görüntülerin doğru bağlamda sunulması, otel özelliklerini açıkça yansıtmak için önemli bir işlem olduğu halde otel görüntülerini düzenleme ve uygun kategorilere yerleştirme girişiminde bulunan bir çalışmaya rastlanılmamaktadır. Bu sebeple, çalışmamıza bilgisayarlı görü alanında yaygın olarak uygulanan önemli bir derin öğrenme yöntemi olan Konvolüsyonel Sinir Ağları kullanılarak 20.000 otel görüntüsünü sınıflandıran bir yaklaşım gerçekleştirimi hedeflenmiştir. Sınırlı eğitim verileri nedeniyle, önerilen modelimizin eğitimi aşamasında transfer öğrenme yöntemi uygulanmıştır. Bu bağlamda, önerilen yaklaşımımız için bir milyondan fazla görüntü üzerinde eğitilmiş, yaygın olarak uygulanan CNN modelleri olan VGG-16, VGG-19 ve Inception-v3 tercih edilmiştir. Sonuçlar, test ettiğimiz modellerin otel görüntülerini göz ardı edilemeyecek doğruluk skoru ile etkin bir şekilde sınıflandırılmasını sağladığını göstermektedir. Çalışmamızın rekabetçi turizm pazarında çevrimiçi seyahat acentelerinin performansını artırmaya yardımcı olabileceğine inanmaktayız.

PDF

___

[1] Ling, L., Dong, Y., Guo, X., Liang, L. 2015. Availability management of hotel rooms under cooperation with online travel agencies, International Journal of Hospitality Management, vol. 50, pp. 145-152.

[2] Hatton, M. 2004. Redefining the relationship: The future of travel agencies and the global agency contract in a changing distribution system, Journal of Vacation Marketing, vol. 10, no. 2, pp. 101-108.

[3] Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z. 2016. Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 2818-2826.

[4] Hyungtae, L, Heesung, K. 2017. Going deeper with contextual CNN for hyperspectral image classification", IEEE Transactions on Image Processing.

[5] Deng, J., Dong, W., Socher, R., Li, J., Li, K., Fei, L. 2009. ImageNet: A large-scale hierarchical image database. IEEE conference on computer vision and pattern recognition, pp. 248-255. IEEE.

[6] Qassim, H., Verma, A., Feinzimer, D. 2018. Compressed residual-VGG16 CNN model for big data places image recognition. In IEEE 8th Annual Computing and Communication Workshop and Conference, pp. 169-175. IEEE.

[7] Mateen, M., Wen, J., Song, S., Huang, Z. 2019. Fundus image classification using VGG-19 architecture with PCA and SVD.Symmetry, vol. 11, no. 1.

[8] Szegedy, C., Ioffe, S., Vanhoucke, V., Alemi, A. A. 2017. Inception-v4, inception-resnet and the impact of residual connections on learning. In Thirty-first AAAI conference on artificial intelligence.

[9] MacKay, K. J., Couldwell, C. M. 2004. Using visitoremployed photography to investigate destination image. Journal of Travel Research, vol. 42, no. 4, pp. 390-396.

[10] Phelps, A. 1986. Holiday destination image the problem of assessment: An example developed in Menorca. Tourism management, vol. 7, no. 3, pp. 168- 180.

[11] Zhang, S., Lee, D., Singh, P. V., Srinivasan, K. 2017. How much is an image worth? Airbnb property demand estimation leveraging large scale image analytics. Airbnb Property Demand Estimation Leveraging Large Scale Image Analytics.

[12] Zhang, S. 2019. A structural analysis of sharing economy leveraging location and image analytics using deep learning. Carnegie Mellon University, PhD Thesis.

[13] Simonyan, K., Zisserman, A. 2014. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.

[14] Pan, S.J., Yang, Q. 2009. A survey on transfer learning. IEEE Transactions on knowledge and data engineering, vol. 22, no. 10, pp. 1345-1359.

[15] Bisong, E. 2019. Google Colaboratory. Building Machine Learning and Deep Learning models on Google Cloud platform, pp. 59-64. Apress, Berkeley, CA.

[16] Gulli, A., Pal, S. 2017. Deep learning with Keras. Packt Publishing Ltd.

[17] Walter, S. D. (2005). The partial area under the summary ROC curve. Statistics in medicine, vol. 24, no. 13, pp.2025-2040.