الگوی ارائه ی چارچوبی برای توسعه ی سامانه ی پیشنهادگر محصولات در وب سایت های تجارت الکترونیک با استفاده از تکنیک های فازی

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,149

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICEEE04_342

تاریخ نمایه سازی: 6 مهر 1391

چکیده مقاله:

از جمله ویژگی های رسانه جدید اینترنت، حجم عظیم نگهداری و تبادل اطلاعات چند رسانه ای و قابلیت استفاده ی گسترده از آرشیوهای عظیم و غنی رسانه های متنی، صوتی و تصویری در هرمکان و زمانی می باشد. با توجه به اینکه سربار اطلاعاتی یک مشکل عمده در وب کنونی به شمار می رود، نیاز به طراحی ابزارهایی است که از میان حجم انبوهی از آیتم هائی که هر روزه ایجاد می شوند تنها تعداد اندکی را جدا کنند که ممکن است مورد علاقه ی کاربر خاصی قرار بگیرد و توجه وی را به خود جلب کند. با توجه به توانمندی منطق فازی بعنوان یکی از روش های مطرح حل مسئله در هوش مصنوعی، در این پژوهش قصد داریم به ارائه ی چارچوبی پیشنهادی جهت توسعه ی یک سیستم پیشنهادگر آنلاین بر اساس نیازهای کاربر، ویژگی های محصولات و نظرات فیلتر شده ی سایر کاربران، برپایه ی منطق فازی بپردازیم که در آن سیستم بر اساس ادراکی که از نیازهای مشتری، ویژگی های کالاها و نظرات معتبر سایر مشتریان پیدا کرده است، توصیه هایی را به کاربر ارائه می دهد. در سیستم دانش محوری که قصد توسعه ی آنرا داریم، دانش سیستم در مورد مشتری و کالا است و از الگوریتم های فازی جهت تحلیل دانش بهره خواهیم برد.

نویسندگان

مریم میرزاده رهنی

دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات دانشگاه شیراز

فریدون شعبانی نیا

دکترای مهندسی برق، عضو هیئت علمی دانشگاه شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • _ Mining for Web P ersonalization", _ Eirinaki and M. ...
  • H. Dai and B. Mobasher, "Integrating Semantic Knowledge with Web ...
  • Ting-Peng Liang. Rec ommendation systems for decision support: An editorial ...
  • GJ Rath, A Resnick, TR Savage. The formation of abstracts ...
  • _ Ramkumar & S. Rajasekar & S. Swamynathan. Scoring products ...
  • R.R. Yager, Fuzzy logic methods in recommender systems, Fuzzy Sets ...
  • Vozalis, E., Margaritis, K.: Analysis of Recommender Systems' Algorithms. In: ...
  • th Iranian _ _ _ _ (ICEEE2012) _ ...
  • Talwar, A., Jurca, R., & Faltings, B. (2007). Understanding uSer ...
  • G Salton, A Singhal, M Mitra, C Buckley. Automatic tex ...
  • Christopher Scaffidi, C., Bierhoff, K., Chang, E., Felker, M., Ng, ...
  • Hu, M and Liu, B. Mining and Summarizing Customer ACM ...
  • Conference _ Knowledge Discovery and Data Mining (KDD'04), 2004 ...
  • Christopher Scaffidi, C., Bierhoff, K., Chang, E, Felker, M., Ng, ...
  • Kamps, J., Marx, M., Mokken, R J., & de Rijke, ...
  • Liu, J.-J., Cao2, Y.-B., Huang, Y.-L. (2007). Effective entity resolution ...
  • نمایش کامل مراجع