ارائه مدل پیش بینی ناوبری کاربران موبایل با استفاده از الگوریتم ترکیبی مورچه عنکبوت در اپلیکیشن های فروشگاهی

این پژوهش با هدف ارائه مدلی دقیق و کارآمد برای پیش بینی ناوبری کاربران در اپلیکیشن های فروشگاهی موبایل یک الگوریتم ترکیبی نوین مورچه عنکبوت را پیشنهاد می کند که مکانیزم های تکاملی کلونی مورچه و بهینه سازی اجتماعی عنکبوت را با شبکه Bi-LSTM و مکانیزم Attention ترکیب کرده است. داده های پژوهش با استفاده از مدل زنجیره مارکوف مرتبه دوم و توزیع های زمان ماندگاری صفحات مستخرج از گزارش های پلتفرم های فروشگاهی بزرگ ایرانی و مطالعات بین المللی شبیه سازی شدند و مجموعه داده نهایی شامل ۴۲،۰۰۰ جلسه کاربری معتبر با ۳۵۳،۰۰۰ رویداد ناوبری و ۲۸،۷۵۰ مسیر منحصر به فرد را در بر گرفت. گراف ناوبری اپلیکیشن به صورت گراف جهت دار وزن دار با ۱۸۶ راس و ۲،۴۳۱ یال مدل سازی و داده ها به نسبت ۷۰-۱۵-۱۵ برای آموزش، اعتبارسنجی و آزمون تقسیم شدند. نتایج حاصل از ۱۰ اجرای مستقل نشان داد مدل ترکیبی پیشنهادی در تمام معیارهای کلیدی به طور معنادار (۰.۰۰۱ < p-value) برتر از مدل های پایه ACO خالص، Bi-LSTM تنها و زنجیره مارکوف مرتبه دوم است. در معیار اصلی Top Accuracy دقت ۶۶.۸ به دست آمد که به ترتیب، ۱۹.۷، ۵.۹ و ۱۳.۶ بهبود نسبت به سه مدل پایه دارد؛ همچنین در معیارهای ۳-Top و Top به ترتیب تا ۱۵.۸ و ۱۱.۸ بهبود مشاهده شد. در پیش بینی زمان ماندگاری صفحات خطای MAE به ۳.۶۸ ثانیه کاهش یافت که بهبود ۵۳ تا ۱۸.۶ نسبت به مدل های مقایسه ای را نشان می دهد. نرخ پوشش مسیرهای بهینه نیز به ۸۹.۴ رسید که بالاتر از ACO است. از نظر کارایی مدل پیشنهادی تنها در ۲۹ تکرار همگرا شد و انحراف معیار بسیار پایین ۰.۰۰۷۱ را ثبت کرد که بیانگر سرعت یادگیری بالا و پایداری عالی است. این نتایج حاکی از توانایی مدل در شناسایی الگوهای پیچیده و غیرخطی رفتار کاربران ایرانی، کاهش نرخ پرش، افزایش زمان ماندگاری و نرخ تبدیل و در نهایت شخصی سازی لحظه ای تجربه کاربری است و آن را به گزینه ای ایده آل برای پیاده سازی عملی در اپلیکیشن های فروشگاهی موبایل تبدیل می کند.

کلیدواژه ها:

مدل پیش بینی ناوبری کاربران ، موبایل ، الگوریتم ترکیبی مورچه عنکبوت ، اپلیکیشن های فروشگاهی