דמיינו תייר שמתכנן חופשה ומוצא את עצמו טובע בים של אפשרויות: אלפי מלונות, מסעדות, אתרים ופעילויות, כולם מוצעים לו בערבוביה על ידי מנועי חיפוש ואתרי תיירות. איך אפשר לעזור לו למצוא בדיוק את מה שמתאים לו, ואף לבנות עבורו מסלול טיול שלם ומדויק? זו השאלה שמערכות המלצה בתחום התיירות מנסות לפתור כבר עשרות שנים, אך הפתרונות הקיימים מתגלים כבעייתיים: רובם מתמקדים בקטגוריה בודדת של שירותים, מתבססים על גישה יחידה בלבד, וסובלים ממגבלות ידועות כמו קושי במציאת משתמשים בעלי טעם דומה, בעיית "התחלה קרה", או המלצות חד-גוניות מדי.
המאמר מציע לצאת מנקודת מוצא שונה: לא עוד רשימת המלצות פשוטה, אלא ארכיטקטורה היברידית שמתפקדת כמתכננת מסע אמיתית, המשלבת מגוון עצום של משאבי תיירות הטרוגניים לכדי תוכנית ביקור מלאה ומותאמת אישית. כדי להגיע לשם, נבחנת בקפידה הספרות הקיימת בתחום, על ארבע הגישות המרכזיות למערכות המלצה, ומזוהים הפערים המשותפים לרובן. על בסיס זה מוצעת מסגרת קונספטואלית חדשה, הבנויה משלושה תהליכים מרכזיים, הנשענת על עקרונות מתחומי הבינה המלאכותית והמחקר התפעולי. לצד זאת, נסקרת מתודולוגיה מוצעת לשילוב טכנולוגיות ביג דאטה עם למידת מכונה ולמידה עמוקה, שנועדה גם לנתח סנטימנטים ודעות של מבקרים בזמן אמת. כיצד בדיוק משתלבים כל החלקים הללו לכדי מערכת אחת קוהרנטית, ואיזה תפקיד ממלא כל שכבה בתהליך? זו השאלה שהמאמר מבקש לפענח.
