Earticle

We designed a boosting-based tourist attraction recommendation system that integrates theme classification and satisfaction prediction into a single pipeline. Using AI Hub and KMA datasets, we preprocessed tourist destination information and vectorized destination names with Char2Vec. XGBoost was applied for theme classification, achieving high accuracy, while Gradient Boosting regression was used for satisfaction prediction with winsorizing to ensure stability. Experimental results show that the proposed model outperformed other baseline algorithms in both classification and regression tasks. The system visualizes regional theme distributions through Geo and Choropleth Maps, enabling users to explore personalized recommendations intuitively. These results demonstrate that our integrated pipeline can serve as a foundation for future AI-driven personalized tourism recommendation platforms.

‘한 달 살기’와 같은 체류형 관광이 증가하고 있다. 이 연구는 ‘남도에서 한 달 여행하기’후기를 이용한 네트워크 커뮤 니티 탐지 및 시각화를 통해 관광객들이 인식하는 전라남도의 핵심 관광지 및 권역을 확인하였다. 기존 연구에서 SNS 데이터 를 활용하여 관광지의 인기도나 클러스터를 파악한 것과 달리, 이 연구는 관광객들이 작성한 후기를 이용하여 개별 관광객의 방문 장소와 경로를 풍부하게 추출하고 데이터의 편향 및 신뢰도 문제를 완화하였다. 연구 결과 관광객들은 전라남도의 섬과 산, 바다와 같은 자연환경 및 사찰, 고택과 같은 역사⋅문화유적을 선호하였다. 또한 관광객들은 각 시⋅군의 핵심 관광지를 중심으로 관광을 진행하며, 행정 경계를 넘어 인근지역으로 관광 범위를 확장하는 모습을 보였다. 이를 바탕으로 Louvain 알고리즘을 적용하여 관광객들이 인식하는 전라남도 관광 권역을 분석한 결과, 1개에서 3개의 시⋅군으로 구성된 7개의 커뮤니 티가 도출되었다. 이러한 커뮤니티 구조는 전라남도 관광객들이 소규모의 연계 관광권을 중심으로 광역 관광을 수행하고 있으 며, 이 과정에서 지리적 인접성이 핵심 요인으로 작용하고 있음을 보여준다. 이는 전라남도 광역관광 개발에 있어 행정 구분을 기반으로 한 대권역 중심의 권역 설정보다, 관광객이 실제로 인식하는 소규모 관광 권역을 중심으로 한 광역관광 개발 전략이 필요함을 시사한다.

The demand for long-stay tourism, such as ‘one-month living,’ is increasing in recent years. The aim of this paper is to identify communities and major destinations of long-stay tourism in Jeollanam-do through community detection and visualization of tourist reviews. As an alternative to the SNS data commonly used in previous studies, this paper uses reviews written by tourists to extract a richer set of individual travel locations and routes, thereby reducing data bias and improving reliability. The results of this study show that tourists preferred natural environments and cultural heritage sites. At a local scale, tourists tended to center their visits around key attractions within a region, while at a broader scale, they often traveled to nearby cities. Based on these patterns, the Louvain algorithm was applied to detect communities within the co-occurrence network, revealing seven communities, each consisting of one to three administrative units. These findings suggest that tourists in Jeollanam-do engage in small-scale regional tourism networks composed of up to three neighboring cities or counties, and that geographical proximity serves as a key factor shaping their perceived regional tourism structure. These results indicate that, for multi-regional tourism development in Jeollanam-do, a shift is needed from administratively defined large-scale tourism zones toward small-scale regional tourism networks that reflect how tourists actually perceive and connect destinations.