سیستم پیشنهاد دهنده خودتکامل یاب برای تجارت الکترونیکی

گسترش تجارت الکترونیکی، افزایش تنوع کالاها و خدمات، رشد حجم داده های رفتاری مشتریان و تشدید رقابت میان فروشگاه های برخط، ضرورت استفاده از سامانه هایی را افزایش داده است که بتوانند نیازها و علایق مشتریان را به صورت هوشمند شناسایی و پیشنهادهای متناسب با شرایط آنان ارائه کنند. سیستم های پیشنهاددهنده سنتی عمدتا بر داده های تاریخی، قواعد ثابت، فیلترینگ مبتنی بر محتوا یا فیلترینگ مشارکتی متکی هستند و در بسیاری از موارد توانایی محدودی در سازگاری مستمر با تغییر رفتار کاربران، تغییر ویژگی محصولات و تحول شرایط بازار دارند. مسئله اساسی این پژوهش، بررسی امکان طراحی سیستم پیشنهاددهنده ای است که علاوه بر شخصی سازی پیشنهادها، بتواند از تعاملات جدید خود یاد بگیرد، عملکرد خود را ارزیابی کند، خطاهای پیشین را شناسایی نماید و راهبردهای پیشنهادی خود را بدون بازطراحی کامل توسط انسان اصلاح کند. هدف پژوهش حاضر ارائه چارچوب مفهومی برای یک سیستم پیشنهاددهنده خودتکامل یاب در تجارت الکترونیکی است. پژوهش از نظر هدف کاربردی و از نظر روش، توصیفی تحلیلی و مبتنی بر مرور و تحلیل منابع فارسی مرتبط با سیستم های پیشنهاددهنده، هوش مصنوعی، یادگیری ماشین، شخصی سازی، رفتار مشتری و تجارت الکترونیکی است. یافته ها نشان می دهد که خودتکامل یابی در سیستم پیشنهاددهنده را می توان از طریق ترکیب یادگیری مستمر، تحلیل بازخورد، یادگیری تقویتی، مدل سازی پویا از ترجیحات مشتری، تشخیص تغییر الگوهای رفتاری، ارزیابی چندمعیاره و سازوکار بازتنظیم خودکار مدل ها ایجاد کرد. چنین سیستمی می تواند از وابستگی شدید به قواعد ازپیش تعیین شده بکاهد و در مواجهه با تغییر ترجیحات، محصولات جدید، رفتارهای فصلی و شرایط متغیر بازار سازگارتر عمل کند. بااین حال، خودتکامل یابی بدون کنترل های نظارتی می تواند به سوگیری، تقویت پیشنهادهای نامطلوب، نقض حریم خصوصی، کاهش شفافیت و ایجاد حلقه های بازخورد منفی منجر شود. بنابراین، چارچوب پیشنهادی بر یادگیری مستمر همراه با نظارت، ارزیابی، محدودیت های اخلاقی و امکان مداخله انسانی استوار است. نتیجه کلی پژوهش نشان می دهد که گذار از سیستم های پیشنهاددهنده ایستا به سیستم های پیشنهاددهنده خودتکامل یاب می تواند مسیر مهمی برای توسعه نسل جدید شخصی سازی در تجارت الکترونیکی باشد.

کلیدواژه ها:

سیستم پیشنهاددهنده ، سیستم توصیه گر ، خودتکامل یابی ، تجارت الکترونیکی ، هوش مصنوعی ، یادگیری ماشین ، یادگیری تقویتی ، شخصی سازی ، رفتار مشتری ، یادگیری مستمر