پیش بینی خرید آنلاین مشتریان در تجارت الکترونیک با استفاده از انتخاب ویژگی مبتنی بر همبستگی و طبقه بندی نزدیک ترین همسایه

تجارت از طریق اینترنت و شبکه های اجتماعی و مجازی به یکی از جذاب ترین روش های درآمدزایی و کسب و کار در سرتاسر دنیا تبدیل شده است و همه ساله درآمد زیادی را برای شرکتهای بزرگی مانند دیجی کالا، Flipkart, ebay، آمازون و ... به ارمغان می آورد. یکی از مهمترین نیازمندی های استفاده کنندگان از این نوع تجارت برای افزایش سوددهی، جذب مشتریان بیشتر و پیش بینی میزان خرید انلاین مشتریان می باشد. شناسایی آیتم های مورد نیاز مشتریان و کمک به آن ها به منظور خرید آسان آیتم های درخواستی در جلب رضایت آنها و افزایش درآمدزایی آنها، نقش بسیار موثری دارد. در روش پیشنهادی، از همبستگی پیرسون برای انتخاب زیر مجموعه ای از ویژگی ها استفاده می شود و از نتایج این روش به عنوان ورودی الگوریتم KNN ، درخت تصمیم، شبکه های عصبی، بیزین ساده، ماشین بردار ماشین برای ایجاد و پیش بینی الگو استفاده می شود. در واقع، ورودی روش همبستگی پیرسون، ویژگی ها و برچسب کاس از مجموعه داده های استاندارد خرید انلاین مشتریان است که خروجی آن زیرمجموعه ای از این ویژگی ها است که با برچسب کاس همبستگی دارند. روش پیشنهادی با معیارهایی مانند دقت، صحت، F-Measure مورد بررسی قرار گرفته شده و کارایی آن با روش های دیگر مورد مقایسه قرار گرفته می شود. نتایج کلی بدست آمده نشان داد که روش پیشنهادی قادر است تا با دقت ۹۹.۷%، صحت %۹۹.۶، F-measure برابر با ۹۹.۵ % اقدام به پیش بینی رفتارهای خرید انلاین مشتریان در بازارهای تجارت الکترونیکی بنماید.

کلیدواژه ها:

خرید آنلاین ، تجارت الکترونیک ، انتخاب ویژگی مبتنی بر همبستگی ، طبقه بندی نزدیک ترین همسایه