مدیریت فناوری اطلاعات، جلد ۷، شماره ۲، صفحات ۳۸۵-۴۰۶
عنوان فارسی فروشگاه اینترنتی هوشمند: سیستم پیشنهاددهندۀ مبتنی بر تحلیل رفتار کاربران
چکیده فارسی مقاله سیستم­های پیشنهاد­دهنده‎ای که با ارائۀ پیشنهادها شخصی­سازی می‎شوند و به کاربران در یافتن محصولی که علاقه دارند، کمک می­کنند، می­توانند در ترغیب مشتریان به خرید از وب‎سایت و در نتیجه موفقیت فروشگاه­های آنلاین، نقش کلیدی ایفا کنند. روش پالایش همکارانه، یکی از موفق­ترین روش­های به‎کاررفته در این سیستم­ها است که توانایی ارائۀ پیشنهادهایی نزدیک به نظر کاربران را دارد، اما با افزایش تعداد کاربران و محصولات، با مشکلاتی مانند شروع سرد و مقیاس­پذیری مواجه می­شوند. به همین دلیل در این پژوهش روش جدیدی معرفی شده است که ضمن به‎کارگیری الگوریتم روش پالایش همکارانۀ مبتنی بر کاربر به‎مثابۀ رویکرد پایه، از ترکیب وزن­دار خوشه­بندی کاربران بر اساس اطلاعات جمعیت‎شناختی آنها نیز برای دستیابی به نتایج بهتر از سیستم، استفاده کرده است. نتایج پیاده‎سازی الگوریتم نشان داد رویکرد ارائه‎شده، ریشۀ میانگین مربعات خطای کمتری دارد که به‎معنای عملکرد بهتر و دقت بیشتر آن است و پیش­بینی­های حاصل از آن با ترجیح و سلیقۀ کاربران همخوانی بیشتری دارد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Intelligent Online Store: User Behavior Analysis based Recommender System
چکیده انگلیسی مقاله Recommender systems provide personalised recommendations to users, helping them find their ideal items, also play a key role in encouraging users to make their purchases through websites thus leading to the success of online stores. The collaborative filtering method is one of the most successful techniques utilized in these systems facilitating the provision of recommendations close to that of the customer's taste and need. However the proliferation of both customers and products on offer, the technique faces some issues such as "cold start" and scalability. As such in this paper a new method has been introduced in which user-based collaborative filtering is used at a base method along with a weighted clustering of users based upon demographics in order to improve the results obtained from the system. The implementation of the results of the algorithms demonstrate that the presented approach has a lower RMSE, which means that the system offers improved performance and accuracy and that the resulting recommendations are closer to the taste and preferences of the users.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمدرضا کریمی علویجه | mohammad reza karimi alavijeh
استاد گروه مدیریت بازرگانی دانشکدۀ مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علامه طباطبایی (Allameh tabatabaii university)

شیوا عسکری |
کارشناس‎ارشد مدیریت بازرگانی ـ گرایش بازاریابی، دانشگاه علامه طباطبائی، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علامه طباطبایی (Allameh tabatabaii university)

سیروان پرسته |
کارشناس‎ارشد مهندسی کامپیوتر ـ گرایش هوش مصنوعی، دانشگاه علم و صنعت، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

نشانی اینترنتی http://jitm.ut.ac.ir/article_53884_4a365079a618ddd9ac5aa8c933f8ce05.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1085/article-1085-210249.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات