افزایش نرخ تبدیل و رضایت مشتری در وبسایتهای فروشگاهی با استفاده از سیستم های توصیه گر مبتنی بر یادگیری ماشین

در عصر حاضر، وبسایت های تجارت الکترونیک با چالش های رقابتی فراوانی برای جذب و حفظ مشتریان مواجه هستند. یکی از ابزارهای کلیدی برای بهبود تجربه کاربری و افزایش نرخ تبدیل، سیستم های توصیه گر مبتنی بر یادگیری ماشین است که با تحلیل رفتار کاربران و ارائه پیشنهادات شخصی سازی شده، تجربه خرید را بهبود میبخشند. این پایان نامه به بررسی استفاده از شبکه های عصبی گراف در سیستم های توصیه گر میپردازد. هدف اصلی تحقیق، توسعه سیستمی است که بتواند با مدلسازی روابط پیچیده میان کاربران و محصولات و با تحلیل داده های مختلف مانند تاریخچه خرید و تعاملات کاربران، دقت و کارایی پیشنهادات را افزایش دهد. در این پژوهش با استفاده از داده های واقعی کاربران یک وبسایت فروشگاهی، کارایی مدل شبکه عصبی گراف در بهبود نرخ تبدیل و رضایت مشتریان ارزیابی شده است. نتایج نشان میدهد که استفاده از این الگوریتم، به دلیل توانایی بالا در تحلیل روابط چندلایه و پیچیده، به بهبود دقت پیشنهادات، افزایش نرخ کلیک و در نهایت افزایش نرخ تبدیل منجر می شود. این تحقیق نشان میدهد که به کارگیری تکنیکهای پیشرفته مانند شبکه های عصبی گراف، میتواند به طور چشمگیری به بهبود تجربه کاربری و افزایش بهره وری وبسایت های تجارت الکترونیک کمک کند.

کلیدواژه ها:

تحلیل رفتار کاربران ، تجارت الکترونیک ، شبکه های عصبی گراف ، سیستم های توصیه گر ، نرخ تبدیل ، یادگیری ماشین