ارائه یک سیستم توصیه گر مبتنی بر پیشنهاد محصول به مشتری در فروشگاه های اینترنتی با یادگیری ماشین

امروزه سیستمهای توصیه گر به عنوان یکی از ابزارهای کلیدی در بهبود تجربه کاربران در پلتفرمهای آنلاین شناخته میشوند. با توجه به تنوع داده ها و رفتارهای کاربری ارائه توصیه های دقیق معتبر و شخصی سازی شده به یکی از چالشهای اساسی در این حوزه تبدیل شده است. در این مقاله، رویکردی ترکیبی مبتنی بر اعتماد و الگوریتمهای یادگیری ماشین برای ارتقاء کیفیت پیشنهادات ارائه شده است ابتدا با تحلیل دادههای اجتماعی و تعاملات میان کاربران معیارهایی برای سنجش میزان اعتماد بین آنها تعریف گردیده است. سپس این معیارها در قالب یک مدل ترکیبی در سیستم توصیه گر اعمال شده و عملکرد آن در کنار الگوریتمهای یادگیری نظارت شده از جمله تصمیم گیری درختی، جنگل تصادفی و ماشین بردار پشتیبان ارزیابی شده. اند برای اعتبار سنجی مدل، پیشنهادی مجموعه داده MovieLens انتخاب گردید و شاخصهایی همچون دقت (precision)، یادآوری (recall)، پوشش دهی (coverage) و میانگین رضایت کاربران مورد بررسی قرار گرفتند. نتایج نشان داد که استفاده از ترکیب اعتماد اجتماعی و یادگیری ماشین تاثیر چشم گیری در افزایش دقت توصیه ها کاهش خطا و ارتقاء رضایت کاربران دارد. همچنین این رویکرد انعطاف پذیری بالایی در پاسخ گویی به تغییرات رفتاری کاربران داشته و میتواند در توسعه سیستمهای هوشمند آینده نقش بسزایی ایفا کند. در پایان، پیشنهادهایی جهت به کارگیری این مدل در حوزه های دیگر همچون تجارت الکترونیکی آموزش آنلاین و شبکه های اجتماعی ارئه گردیده است.

کلیدواژه ها:

سیستم توصیه گر ، یادگیری ماشین ، اعتماد ، CBBC ، فروشگاه اینترنتی