Intelligent Online Store: User Behavior Analysis based Recommender System
محل انتشار: فصلنامه مدیریت فناوری اطلاعات، دوره: 7، شماره: 2
سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 208
فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JITM-7-2_009
تاریخ نمایه سازی: 26 بهمن 1400
چکیده مقاله:
Recommender systems provide personalised recommendations to users, helping them find their ideal items, also play a key role in encouraging users to make their purchases through websites thus leading to the success of online stores. The collaborative filtering method is one of the most successful techniques utilized in these systems facilitating the provision of recommendations close to that of the customer's taste and need. However the proliferation of both customers and products on offer, the technique faces some issues such as "cold start" and scalability. As such in this paper a new method has been introduced in which user-based collaborative filtering is used at a base method along with a weighted clustering of users based upon demographics in order to improve the results obtained from the system. The implementation of the results of the algorithms demonstrate that the presented approach has a lower RMSE, which means that the system offers improved performance and accuracy and that the resulting recommendations are closer to the taste and preferences of the users.
کلیدواژه ها:
نویسندگان
- -
Assistant Prof., Business Management, Faculty of Management and Accounting University of Allameh Tabatabayi, Tehran, Iran.
- -
MSc Student, Business Management, Faculty of Management and Accounting, Allameh Tabatabayi University, Tehran, Iran.
- -
MSc, Artifiacial Intelligent, Faculty of Computer Engineering, Iran University of Science and Technology, Tehran, Iran.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :