|
|
مدیریت فناوری اطلاعات، جلد ۹، شماره ۱، صفحات ۶۱-۸۲
|
|
|
| عنوان فارسی |
ارائۀ روش جدید شباهتیابی برای بهینهسازی کسبوکار در فروشگاه‌های اینترنتی با استفاده از تکنولوژیهای زمان نرخدهی |
|
| چکیده فارسی مقاله |
یکی از پیامدهای مهم گسترش اینترنت در عصر حاضر، پیدایش وبگاه‌های تجارت الکترونیکی است؛ اما تنوع اقلام عرضهشده می‌تواند انتخاب محصولات مناسب را برای مشتریان به فرایند پیچیدهای تبدیل کند. شرکت‌ها برای رفع این مشکل استفاده از سیستم‌های پیشنهاددهنده را توصیه می‌کنند. بهدلیل درصد زیاد خطا در پالایش و ارائۀ پیشنهادها، معمولاً در اینگونه سیستم‌ها از چند روش پایه برای پیشنهاد اقلام مورد علاقۀ کاربر استفاده می‌شود. روش پالایش همکارانه، یکی از موفقترین روش‌های بهکاررفته در این سیستم‌هاست؛ اما استفاده از این روش با افزایش تعداد کاربران و محصولات، مجموعه را با مشکلاتی مانند ناتوانی در پاسخگویی به نیازهای کاربران جدید و تُنُکی داده مواجه می‌کند. بهمنظور رفع مشکل یادشده، در این پژوهش روش جدیدی معرفی شده است که با ادغام زمان نرخدهی کاربران با معیار شباهتیابی پیرسون و همچنین ادغام تکنولوژیهای معنایی و شبکۀ اجتماعی، راه‌حلی برای کاهش مشکل کاربران جدید و تنکی داده‌ها ارائه می‌کند. نتایج پیاده‌سازی الگوریتم‌ها نشان میدهد رویکرد ارائهشده عملکرد بهتر و صحت بیشتری دارد و پیشبینیهای آن با سلیقه کاربران همخوانی بیشتری دارد. |
|
| کلیدواژه‌های فارسی مقاله |
|
|
| عنوان انگلیسی |
A New Similarity Method to Optimize Business in the Online Stores Using the Rating Time Technology |
|
| چکیده انگلیسی مقاله |
These days, Emergence of e-commerce web sites is one of the important consequences of the Internet in modern times, but products data is growing exponentially. In such environment, customers face a problem in finding optimized information among huge data bases about the items or desired products. In order to assist buyers, large e-commerce companies are planning to introduce their own recommender systems to help their customers in making a better choice among the items. Due to high percentage error , a basic method to build such systems is not usually being applied. In this essay, two methods have been suggested in order to improve recommendations in recommender systems. Collaborative filtering method is one of the most successful methods used in the system, but using this method that it has common problem the increasing number of users and products, therefore system do not inability to request the requirement of cold start and data sparsity. Two methods have been suggested in order to improve recommendations in recommender systems. To resolve this problem, a new method has been introduced in which by integrating rating time by Pearson also combining semantic technology with social networks offers a solution to reduce issues such as "cold start" and generally "data sparsity" in recommender systems. The result of simulating showed that the proposed approach provided better performance and more accurate predictions in addition of more consistent with user preferences. |
|
| کلیدواژه‌های انگلیسی مقاله |
|
|
| نویسندگان مقاله |
نیره زاغری |
دانشجوی دکتری مهندسی کامپیوتر، گرایش هوش مصنوعی، دانشگاه آزاد، تهران، ایران
اردشیر زمانی |
دانشجوی دکتری مدیریت بازرگانی، گرایش استراتژیک، دانشگاه تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)
|
|
| نشانی اینترنتی |
http://jitm.ut.ac.ir/article_59844_8ae8b2cdc32145c1d0da84db072df70a.pdf |
| فایل مقاله |
اشکال در دسترسی به فایل - ./files/site1/rds_journals/1085/article-1085-386278.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
|