به سوی سامانه های تجارت الکترونیک مبتنی بر سیستم های توصیه گر هوشمند

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 36

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ARPR-5-1_005

تاریخ نمایه سازی: 10 تیر 1403

چکیده مقاله:

اخیرا سامانه های توصیه گر به عنوان یک فناوری جدید و بنیادین جهت حمایت کاربران در انتخاب منابع مناسب، بیش از پیش گسترش یافته اند. این سیستم ها با بررسی تعاملات گذشته کاربران و شناسایی علائق، یک محیط شخصی سازی شده جهت انتخاب منابع موردنظر را فراهم می نمایند. البته مدلسازی رفتار کاربر و مکانیسم ارائه توصیه از مسائل اساسی و تعیین کننده در کارائی سیستم های توصیه گر می باشند. درحوزه تجارت الکترونیک بهره گیری از سامانه های توصیه گر نقش اساسی در بهبود تجربه کاربر، جذب مشتریان بالقوه، افزایش فروش و بهینه سازی کارائی سیستم های خدماتی مرتبط دارند. لذا با توجه به اهمیت این سیستم ها در کسب و کارهای الکترونیک امروزی، شناخت ابعاد عملکردی سامانه های توصیه گر از اهمیت ویژه ای برخوردار می باشد. در این مقاله قصد داریم ابعاد اساسی سامانه های توصیه گر در حوزه تجارت الکترونیک را بررسی نموده و برخی ابزارهای کاربردی در این زمینه را معرفی نمائیم. قطعا با حرکت به سوی سامانه های تجارت الکترونیک مبتنی بر سیستم های توصیه گر هوشمند، شاهد تحولات عظیم و انقلابی دگرگون کننده در زیرساخت اقتصاد دیجیتال و خدمات مرتبط خواهیم بود.

نویسندگان

علی ستاری

دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد تبریز، تبریز، ایران

حسین محمدزاده

دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد تبریز، تبریز، ایران

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 :
  • Park DH, Kim HK, Choi IY, Kim JK. A literature ...
  • Ricci F, Rokach L, Shapira B. Recommender systems: Techniques, applications, ...
  • Zhang S, Yao L, Sun A, Tay Y. Deep learning ...
  • Isinkaye FO, Folajimi YO, Ojokoh BA. Recommendation systems: Principles, methods ...
  • Zhang Y, Chen X. Explainable recommendation: A survey and new ...
  • Wang X, Lu W, Ester M, Wang C, Chen C. ...
  • Hallinan B, Striphas T. Recommended for you: The Netflix Prize ...
  • Kouki P, Schaffer J, Pujara J, O'Donovan J, Getoor L. ...
  • Aggarwal CC. Recommender systems. Cham: Springer International Publishing; ۲۰۱۶ ...
  • Zhang F, Yuan NJ, Lian D, Xie X, Ma WY. ...
  • Nilashi M, Ibrahim O, Bagherifard K. A recommender system based ...
  • Wang H, Zhao M, Xie X, Li W, Guo M. ...
  • Lu J, Wu D, Mao M, Wang W, Zhang G. ...
  • Danilova V, Ponomarev A. Hybrid recommender systems: The review of ...
  • Duarte TF. Recommender Systems for Candidate Genes: An Autism Case ...
  • Neves GA. Empirical study of the behavior of several Recommender ...
  • Reddy BD, Kumar LS, Nelatur N. A review on datasets ...
  • Rudakova O. User-and system initiated approaches to content discovery ...
  • Jorro-Aragoneses JL, Díaz-Agudo B, Recio-García JA, Jimenez-Díaz G. RecoLibry Suite: ...
  • Alamdari PM, Navimipour NJ, Hosseinzadeh M, Safaei AA, Darwesh A. ...
  • Bączkiewicz A, Kizielewicz B, Shekhovtsov A, Wątróbski J, Sałabun W. ...
  • Batmaz Z, Yurekli A, Bilge A, Kaleli C. A review ...
  • He C, Parra D, Verbert K. Interactive recommender systems: A ...
  • نمایش کامل مراجع