چارچوب تبیین پذیر شخصی سازی در تجارت الکترونیک مبتنی بر پیش بینی خرید از سبد و توصیه گری کالا به کالا با اعتبارسنجی خارجی

شخصی سازی موثر در تجارت الکترونیک نیازمند تلفیق پیش بینی رفتار خرید، ارائه پیشنهادهای مرتبط و قابلیت تبیین تصمیم های الگوریتمی است. در این پژوهش یک چارچوب تبیین پذیر برای شخصی سازی خدمات تجارت الکترونیک ارائه شد که سه مولفه اصلی را یکپارچه می کند: پیش بینی احتمال خرید کالای افزوده شده به سبد، توصیه گری رفتاری کالا به کالا و سیاست اقدام مبتنی بر احتمال خرید. داده اصلی شامل ۲۷۵۵۶۴۱ رویداد پاکسازی شده از مجموعه داده Retailrocket بود. مسئله یادگیری به صورت پیش بینی خرید همان کالا در بازه ۱۴ روز پس از نخستین رویداد افزودن به سبد تعریف شد. پس از حذف سبدهای فاقد پنجره مشاهده کامل، ۵۶۳۸۵ نمونه و ۲۳ ویژگی بدون نشت اطلاعات در سه سطح کاربر، کالا و تعامل کاربر کالا ساخته شد. ارزیابی با تفکیک زمانی انجام گرفت و مدل های رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، CatBoost و XGBoost مقایسه شدند. CatBoost به عنوان مدل اصلی انتخاب شد و در آزمون زمانی به ROC-AUC برابر ۰.۷۵۸۴ و PR-AUC برابر ۰.۵۹۴۷ دست یافت. با انتخاب آستانه ۰.۲۵ بر اساس داده اعتبارسنجی، Recall و F۱ به ترتیب به ۰.۷۲۲۸ و ۰.۵۵۷۵ رسیدند. تحلیل SHAP نشان داد سابقه تراکنش کاربر، سهم خرید پیشین کاربر و الگوی تعامل قبلی با همان کالا از مهم ترین عوامل موثر در پیش بینی هستند. برای اعتبارسنجی خارجی چارچوبی معادل بر داده session محور YooChoose آزمون شد و ROC-AUC برابر ۰.۶۳۳۷ به دست آمد. همچنین توصیه گر هم رخدادی کالا به کالا با روش ترکیبی fallback مبتنی بر محبوبیت، Hit@۱۰ Rate برابر ۱۵.۲۶ ثبت کرد که به مراتب از baseline محبوبیت بالاتر بود. نتایج نشان می دهد ترکیب پیش بینی احتمال خرید، توصیه های رفتاری و توضیح پذیری می تواند یک نمونه تصمیم یار عملی برای شخصی سازی کم هزینه و قابل تفسیر در تجارت الکترونیک فراهم کند.

کلیدواژه ها:

تجارت الکترونیک ، سامانه توصیه گر ، شخصی سازی ، هوش مصنوعی تبیین پذیر ، SHAP ، CatBoost ، پیش بینی خرید از سبد