الگوریتم سبک وزن شخصی سازی بلادرنگ مبتنی بر LightGCN و Contextual Bandit با معماری میکروسرویس Edge-Cloud برای تجارت الکترونیک

رشد فزاینده تجارت الکترونیک نیاز به شخصی سازی فوق لحظه ای را به یک مزیت رقابتی تبدیل کرده است. روش های سنتی که بر پردازش دسته ای داده های تاریخی تکیه دارند پاسخگوی پویایی رفتار کاربر نیستند. این مقاله به منظور غلبه بر چالش تاخیر زمانی بالا و مصرف منابع زیاد، یک الگوریتم توصیه گر ترکیبی و سبک وزن متشکل از LightGCN برای بهره برداری از تعاملات عمیق و Bandit برای اکتشاف بلادرنگ و مدیریت پدیده شروع سرد ارائه می کند. این الگوریتم در یک معماری میکروسرویس Edge-Cloud پیاده سازی شده است تا فرآیند تصمیم گیری را به لبه شبکه نزدیک کند و پاسخدهی را به زیر ۱۰۰۰ میلی ثانیه کاهش دهد. فرضیه اصلی پژوهش افزایش شاخص های تجاری کلیدی نظیر نرخ تبدیل (CR) و ارزش متوسط سبد خرید (AOV) در گروه آزمایش الگوریتم پیشنهادی نسبت به گروه کنترل الگوریتم Session-based Matrix Factorization است. نتایج فرضی، تایید کننده موفقیت چارچوب پیشنهادی در بهبود همزمان عملکرد فنی، کاهش تاخیر و عملکرد تجاری (افزایش CR و AOV) هستند.

کلیدواژه ها:

الگوریتم های سبک وزن شخصی سازی بلادرنگ ، محاسبات لبه (Edge Computing) ، معماری میکروسرویس ، سیستم های توصیه گر ، Contextual Bandit ، LightGCN