طراحی سیستم توصیه گر هوشمند مبتنی بر تحلیل احساسات شبکه های اجتماعی و یادگیری تقویتی عمیق برای بهبود کیفیت توصیه در تجارت الکترونیک

سیستم های توصیه گر به یکی از اجزای کلیدی سامانه های تجارت الکترونیک تبدیل شده اند و نقش مهمی در شخصی سازی خدمات، افزایش رضایت کاربران و بهبود نرخ تبدیل خرید ایفا می کنند. با این حال بسیاری از روش های متداول توصیه گر تنها بر تاریخچه تعامل کاربران یا ویژگی های محصولات متکی هستند و قادر به بهره گیری از اطلاعات پویا و غنی موجود در شبکه های اجتماعی نیستند. علاوه بر این اغلب این روش ها فاقد قابلیت یادگیری تطبیقی در مواجهه با تغییرات مستمر ترجیحات کاربران هستند. در این پژوهش یک سیستم توصیه گر هوشمند مبتنی بر ترکیب تحلیل احساسات شبکه های اجتماعی و یادگیری تقویتی عمیق ارائه شده است. در مرحله نخست داده های حاصل از نظرات کاربران در شبکه های اجتماعی و داده های رفتاری موجود در مجموعه داده Amazon Reviews جمع آوری و پیش پردازش شدند. سپس با استفاده از مدل های پردازش زبان طبیعی، احساسات کاربران استخراج و به عنوان یکی از ویژگی های موثر در فرآیند توصیه مورد استفاده قرار گرفت. در ادامه یک عامل یادگیری تقویتی عمیق با هدف یادگیری سیاست بهینه پیشنهاددهی طراحی شد تا بتواند بر اساس بازخورد کاربران، پیشنهادهای شخصی سازی شده را به صورت پویا بهبود دهد. عملکرد روش پیشنهادی با استفاده از معیارهای NDCG، F۱-score، Recall، Precision و نرخ تبدیل با چندین روش مرجع مقایسه شد. نتایج آزمایش ها نشان داد که مدل پیشنهادی در تمامی معیارهای ارزیابی عملکرد بهتری نسبت به روش های مقایسه ای ارائه می دهد و ضمن افزایش دقت، توصیه ها موجب بهبود تعامل کاربران و افزایش احتمال خرید می شود. یافته های این پژوهش نشان می دهد که ادغام تحلیل احساسات با یادگیری تقویتی عمیق می تواند چارچوبی کارآمد برای توسعه نسل جدید سیستم های توصیه گر هوشمند در تجارت الکترونیک فراهم آورد.

کلیدواژه ها:

سیستم توصیه گر ، یادگیری تقویتی عمیق ، تحلیل احساسات ، پردازش زبان طبیعی ، تجارت الکترونیک ، شخصی سازی