تحلیل تاثیر داده های شبکه های اجتماعی و یادگیری تقویتی بر شاخص های تجاری سیستم های توصیه گر در تجارت الکترونیک

سیستم های توصیه گر به عنوان یکی از مولفه های کلیدی پلتفرم های تجارت الکترونیک نقش مهمی در بهبود تجربه کاربران و افزایش عملکرد تجاری ایفا می کنند. با این حال بسیاری از روش های موجود عمدتا بر داده های رفتاری کاربران تکیه دارند و از اطلاعات ارزشمند موجود در شبکه های اجتماعی و قابلیت های یادگیری تقویتی برای بهینه سازی تصمیم گیری بهره کافی نمی برند. هدف این پژوهش تحلیل تاثیر ادغام داده های شبکه های اجتماعی و یادگیری تقویتی بر شاخص های تجاری سیستم های توصیه گر است. در چارچوب پیشنهادی ابتدا داده های رفتاری کاربران از مجموعه داده Amazon Reviews و داده های متنی از Twitter جمع آوری شدند. پس از انجام مراحل پیش پردازش تحلیل احساسات با استفاده از مدل BERT انجام شد و ویژگی های استخراج شده در کنار داده های رفتاری به عامل یادگیری تقویتی منتقل شدند تا فرآیند پیشنهاددهی به صورت پویا بهینه شود. به منظور ارزیابی عملکرد سه سناریوی آزمایشی شامل مدل مبتنی بر داده های رفتاری، مدل مجهز به تحلیل احساسات و چارچوب پیشنهادی مبتنی بر تحلیل احساسات و یادگیری تقویتی طراحی شد. نتایج نشان داد که چارچوب پیشنهادی در تمامی شاخص های تجاری عملکرد برتری نسبت به دو سناریوی دیگر دارد؛ به گونه ای که نرخ کلیک (CTR) به ۰/۱۶۸، نرخ تبدیل به ۰/۰۶۳، میانگین ارزش سبد خرید به ۱۰۸۷۹ دلار و شاخص تعامل کاربران به ۰/۸۲۶ افزایش یافت. همچنین تحلیل نتایج بیانگر آن است که استفاده همزمان از داده های شبکه های اجتماعی و یادگیری تقویتی موجب ارائه پیشنهادهای شخصی سازی شده تر، افزایش تعامل کاربران و بهبود شاخص های اقتصادی سامانه های تجارت الکترونیک می شود. یافته های این پژوهش می تواند به عنوان راهکاری عملی برای توسعه نسل جدید سیستم های توصیه گر هوشمند و ارتقای عملکرد تجاری پلتفرم های تجارت الکترونیک مورد استفاده قرار گیرد.

کلیدواژه ها:

سیستم های توصیه گر ، تجارت الکترونیک ، شبکه های اجتماعی ، تحلیل احساسات ، یادگیری تقویتی ، شاخص های تجاری ، شخصی سازی ، BERT