سیستم های هوشمند پیشنهاد دهنده در تجارت اینترنتی (فصل اول)

  • 1393/9/10
  • E. hikayesi
  • 3

سیستم های پیشنهاد دهنده، وجه تمایز سایت های هوشمند با سایر سایت هاست. در سایت های هوشمند، سیستم های نرم افزاری تعبیه شده است که بر اساس پارامترهای مختلفی، علایق و سلایق کاربر را تشخیص داده و محصولات و خدمات مورد پسند وی را پیشنهاد می دهد. یکی از پیشگامان این فناوری، سایت آمازون بود که اکنون نیز از هوشمندترین سیستم های پیشنهاد دهنده استفاده می کند.

RS

این مقاله توسط سه نفر از اعضای دپارتمان MIS از دانشگاه دانش و فناوری تایوان تهیه شده و دو نوع کلی از RS ها(Recommended System) را معرفی می کند. برای کالاهایی که مردم جهت رفع نیازهای روزانه و معمول خود خریداری می کنند، RS ها با استدلال هایی حول تاریخچه خرید مشتری به نتایجی می رسند. اما در مورد کالا های خاص که نیاز خاصی را تامین می کند، بر مبنای جریان اولویت های مشتری که از بر هم کنش های تکراری سیستم- مشتری به دست می آید، تصمیم گیری می شود.

عمده کارهای RS های نوع اول شامل، جمع آوری علایق شخصی مشتری، ساخت یک مدل برای تشریح اطلاعات جمع آوری شده، مدیریت اطلاعات شخصی مشتری و پیگیری بازخورد مشتری است. در این اثر، متدولوژی عامل مبنایی اختیار شده که در آن هر عامل به طور خودگردان وظایف خاصی را انجام می دهد و به صورت همزمان عمل می کنند تا بر همه کارها فائق آیند. شکل ۱ معماری سیستم را نشان می دهد.

111شکل 1 : معماری نوع اول RS

در شکل ۱، عامل ناظر (نظارت)، یک محیط شبیه مرورگر برای مرور کاربر، در انتهای نرم افزار تهیه می کند و مطالبی را که مشتری می خواند ضبط کرده و در پشت نرم افزار در کلاس های مختلفی دسته بندی می کند.عامل ناظر در این سیستم، کاربر را به سایت آنلاین allmovie (allmovieguide.com) پیوند می دهد و رفتار وی را ضبط می کند.

برای تشخیص اینکه مشتری مجذوب کدام کالا ها در صفحه ای خاص شده است، عامل ناظر زمان سپری کردن کاربر بر روی آن صفحه را اندازه می گیرد.

برای جمع آوری اطلاعات ضمنی، عامل اطلاعات یک فرم در اختیار کاربر قرار می دهد تا علایق خود را در آن وارد کند. در واقع هر دو عامل نقش جمع کننده اطلاعات را بازی می کند.عامل مدیریت اطلاعات مسئولیت ایجاد و نگهداری یک پروفایل شخصی را برای هر مشتری بر عهده دارد، که هر پروفایل اساساً دارای دو بخش است: یک مدل پیش بینی شخصی و یک مجموعه از اقلام تولیدی با ارزش های عددی که نشاندهنده مقدار علاقه کاربر به هر کالاست . این عامل هر مجموعه کالا را تحلیل کرده و به یک بردار ویژگی انتقال می دهد، که ویژگی ها قبلاً توسط سیستم به صورت بهترین کالاها تعریف شده اند. یک پروفایل شخصی مشتری، هر بار که اطلاعات جدیدی اضافه شود و یا مدل شخصی دوباره ساخته شود، به روز می شود. از آن جا که پروفایل مشتریان توسط عامل مدیریت اطلاعات نگهداری می شود، تنها راه دستیابی دیگر عامل ها به اطلاعات ثبت شده در پروفایل ها ارتباط واسطه ای از طریق این عامل است.

عامل یادگیری هسته این RS است. این عامل بر اساس اطلاعات ثبت شده در پروفایل یک مشتری، مدل پیش بینی را برای یک مشتری می سازد. این مدل می تواند به صورت یک دسته بندی مطرح شود که یک کالای نا آشنا را به عنوان یکی از دسته های معرفی شده با درجه های متفاوتی از علاقه به کالاها تشخیص دهد. عامل یادگیری معمولاً در مواقع نیاز توسط عامل مدیریت اطلاعات فعال می شود (مانند زمانی که یک کاربر جدید وارد سیستم شود و یا کارایی سیستم به دلیل تغییر علایق یک مشتری کاهش یابد). در این سیستم، عامل یادگیری از یک روش تکاملی پیروی می کند.

در مقابل عامل یادگیری، عامل کارایی به روشهای متعددی عمل می کند. یک روش، نگهداشتن فعالیت از زمان ورود مشتری به سیستم است. عامل کارایی مسئول ردیابی پیشنهاد کارایی و گزارش نتیجه به عامل مدیریت اطلاعات است. بر مبنای نتایج، عامل مدیریت اطلاعات، می تواند تصمیم بگیرد که آیا ضرورت دارد عامل یادگیری را برای ایجاد یک مدل جدید برای یک مشتری فراخوانی کند یا خیر.

پس از مرور قوانین کلی و معماری اصلی سیستم، در بخش بعد به بررسی پروفایل کاربر می پردازیم.

 

فصل بعد را اینجا بخوانید.

 

دیدگاه خود را وارد کنید
تعداد دیدگاه ها : 3 دیدگاه
  1. من خیلی وقت بود دنبال همچین مقاله های بودم منتظر فصل های بعدی هستم.با تشکر

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *