سیستم های پیشنهاد دهنده

ارائه سرویس های مناسب به مشتریان همواره یکی از موارد مهم در بانک ها بوده است. از سویی شناسایی زمان مناسب برای ارائه این سرویس ها نیز توجه بسیاری از محققان را به خود جلب کرده است. شناسایی زمان مناسب ارائه پیشنهادها هم از نظر اثر بخشی پیشنهادها، (پذیرش مشتریان) و هم از نظر کارایی (صرف مناسب منابع) برای طراحان حائز اهمیت بوده است. در این مقاله سعی شده با استفاده از داده های مربوط به تراکنش های مالی مشتریان، زمان مناسب جهت پیشنهاد سرویس های مورد علاقه مشتری شناسایی گردد. بر این اساس در این تحقیق نتایج حاصل از پیش بینی روند آتی تراکنش های مشتری(روند مثبت، منفی یا تغییر الگوی رفتاری) با بیان از شبکه های عصبی پرسپترون، در شناسایی زمان مناسب جهت پیشنهاد سرویس های مورد علاقه بیان شده است. این سرویس ها بر اساس علایق مشتری و نتایج حاصل از پیش بینی الگوی رفتاری شناسایی گردیده است.

امروزه شبکه های اجتماعی برخط به دلیل امکان ایجاد ارتباط بین افراد مختلف در سرتاسر دنیا، دارای محبوبیت زیادی هستند. این شبکه های اجتماعی که دارای امکاناتی از قبیل پیشنهاد دوست به کاربران هستند، در اغلب موارد جهت ارائه پیشنهادات خود، از ویژگی های محلی ساختار گراف شبکه استفاده می کنند. برای ارائه پیشنهاد در این شبکه ها، روش های مختلفی با دو رویکرد محلی و سراسری پیمایش گراف شبکه پیشنهاد شده و مورد استفاده قرار می گیرد. ما در این مقاله روشی با رویکرد محلی ارائه داده ایم که دارای کارایی مناسبی نسبت به سایر روش هاست، علاوه براین که به دلیل محلی بودن رویکرد دارای سرعت قابل قبولی نیز می باشد. ویژگی جدید بر اساس ارزیابی ای که بر روی مجموعه داده های دو شبکه اجتماعی بزرگ Facebook و Epinions انجام شده است، نشان داده است که می تواند پیشگویی خوبی برای یال هایی که قرار است در آینده شکل بگیرند، انجام دهد و در نتیجه پیشنهادات قابل قبولی را ارائه دهد.