مطالب مرتبط با کلیدواژه

سیستم پیشنهاددهنده


۱.

فروشگاه اینترنتی هوشمند: سیستم پیشنهاددهنده مبتنی بر تحلیل رفتار کاربران(مقاله علمی وزارت علوم)

کلیدواژه‌ها: اطلاعات جمعیت شناختی خوشه بندی رویکرد پالایش همکارانه سیستم پیشنهاددهنده

حوزه های تخصصی:
تعداد بازدید : ۲۹۲ تعداد دانلود : ۱۰۱
سیستم های پیشنهاد دهنده ای که با ارائه پیشنهادها شخصی سازی می شوند و به کاربران در یافتن محصولی که علاقه دارند، کمک می کنند، می توانند در ترغیب مشتریان به خرید از وب سایت و در نتیجه موفقیت فروشگاه های آنلاین، نقش کلیدی ایفا کنند. روش پالایش همکارانه، یکی از موفق ترین روش های به کاررفته در این سیستم ها است که توانایی ارائه پیشنهادهایی نزدیک به نظر کاربران را دارد، اما با افزایش تعداد کاربران و محصولات، با مشکلاتی مانند شروع سرد و مقیاس پذیری مواجه می شوند. به همین دلیل در این پژوهش روش جدیدی معرفی شده است که ضمن به کارگیری الگوریتم روش پالایش همکارانه مبتنی بر کاربر به مثابه رویکرد پایه، از ترکیب وزن دار خوشه بندی کاربران بر اساس اطلاعات جمعیت شناختی آنها نیز برای دستیابی به نتایج بهتر از سیستم، استفاده کرده است. نتایج پیاده سازی الگوریتم نشان داد رویکرد ارائه شده، ریشه میانگین مربعات خطای کمتری دارد که به معنای عملکرد بهتر و دقت بیشتر آن است و پیش بینی های حاصل از آن با ترجیح و سلیقه کاربران همخوانی بیشتری دارد.
۲.

طراحی مدلی برای بهبود سیستم های پیشنهاددهنده بانکی بر اساس پیش بینی علایق مشتریان: کاربرد روش های داده کاوی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: بانکداری الکترونیک داده کاوی دسته بندی سیستم پیشنهاددهنده

حوزه های تخصصی:
تعداد بازدید : ۲۸۵ تعداد دانلود : ۱۱۲
امروزه بانک ها برای جذب و حفظ مؤثر مشتریان به ابزارهای جدیدی مانند سیستم های پیشنهاددهنده نیاز دارند. برخلاف عموم سیستم های پیشنهاددهنده که پیشنهاد بر اساس شباهت میان ترجیحات سایر کاربران به وی داده می شود؛ در این پژوهش از روش دسته بندی استفاده شده است که در آن پیشینه علایق خود مشتری، مهم ترین ویژگی برای تصمیم گیری درباره خدمات بانکی مناسب به اوست. در این پژوهش از چهار دسته بندی کننده پرسپترون چندلایه، ماشین بردار پشتیبانی،K - نزدیک ترین همسایه و بیز ساده استفاده شد. ابتدا پس از پیش پردازش مجموعه داده مربوط به سرویس های مورد استفاده مشتریان مختلف بانک با چهار روش مختلف دسته بندی آموزش داده شدند؛ سپس اعتبار آنها با روش اعتبارسنجی ضربدری ده تایی به تأیید رسید و بهترین روش انتخاب شد. در انتها پیشنهاددهنده نهایی که ترکیبی از چهار روش دسته بندی بیز ساده با عملکرد 4/85 درصد، K- نزدیک ترین همسایه با عملکرد 3/83 درصد، پرسپترون چندلایه 1 با عملکرد 4/81 درصد و پرسپترون چندلایه 2 با عملکرد 6/92 درصد، به ترتیب برای پیشنهاد چهار سرویس بانکی اینترنت، موبایل، انتقال وجه با اینترنت و پرداخت صورت حساب با تلفن است، ارائه شد.
۳.

پیش زمینه ها و پیامدهای تجربه کاربر از سیستم های پیشنهاددهنده در محیط های آنلاین(مقاله علمی وزارت علوم)

کلیدواژه‌ها: تجربه کاربر سیستم پیشنهاددهنده تحلیل محتوا مدل سازی معادلات ساختاری

حوزه های تخصصی:
تعداد بازدید : ۴۱۶ تعداد دانلود : ۲۲۹
یکی از اهداف اصلی فروشگاه های اینترنتی، خلق تجربه عالی برای کاربر است که این امر عملاً امکان خلق یک مزیت رقابتی پایدار را برای این فروشگاه ها فراهم می کند. همچنین، تجربه کاربر یکی از منابع اطلاعاتی ارزشمند و نوین جهت طراحی سیستم های پیشنهاددهنده است. حال با توجه به دنیای رقابتی تجارت و شباهت زیاد کالاها و خدمات و با در نظر گرفتن نقش حائز اهمیت تجربه کاربر و در واقع ایجاد برداشت مثبت در ذهن کاربر، این پژوهش با هدف تعیین پیش زمینه ها و پیامدهای تجربه کاربر از سیستم های پیشنهاددهنده در محیط های آنلاین انجام شده است. روش شناسی پژوهش حاضر ترکیبی است. در بخش کیفی، به منظور انجام مصاحبه های نیمه ساختاریافته 20 نفر از خبرگان به روش نمونه گیری هدفمند قضاوتی انتخاب شدند. سپس بر اساس تحلیل محتوای داده های بخش کیفی، مدل اولیه پژوهش ارائه شد. در بخش کمی پژوهش، جامعه آماری این پژوهش شامل کلیه کاربران و مشتریان فروشگاه اینترنتی دیجی کالا بوده اند که در فروردین و اردیبهشت ماه 1398 از خدمات آن استفاده کرده اند. به این منظور، تعداد 384 نمونه به روش نمونه گیری در دسترس انتخاب شد. برای تجزیه وتحلیل داده ها در بخش کمی از نرم افزار لیزرل استفاده شده و فرضیه ها مورد تائید واقع شد. نتایج پژوهش حاکی از وجود پنج دسته عوامل اصلی پیش زمینه شامل تجربه تأثیر ادراک شده، تجربه سهولت ادراک شده، تجربه کیفیت ادراک شده، تجربه پشتیبانی ادراک شده و تجربه ظاهری ادراک شده است. نگرش ادراک شده، ارزش ادراک شده، اعتماد ادراک شده و رضایت ادراک شده نیز به عنوان پیامدهای تجربه کاربر از سیستم پیشنهاددهنده در محیط های آنلاین احصاء شد.