ایجاد سیستم توصیه گر محصول با استفاده از رویکرد کشف اجتماعات شبکه مشتریان

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 852

فایل این مقاله در 17 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MKTRCONF02_032

تاریخ نمایه سازی: 12 تیر 1395

چکیده مقاله:

توسعه سبد محصولات مشتری و پیشنهاد محصول یکی از اهداف بازاریابی رابطه مند است که با گسترش تجارت الکترونیک، تلاش شده تا با استفاده از سیستم های هوشمند توصیه گر بتوان کاربران را در یافتن کالاهای مورد نیازشان کمک کرد. اغلب سیستم های توصیه گر از رویکردهای داده کاوی و قواعد انجمنی بهره می برند. در این پژوهش، با استفاده از یک رویکرد اکتشافی در تحلیل شبکه های پیچیده، الگوی جدیدی برای طراحی سیستم توصیه گر ارائه می شود. به این منظور با استفاده از 320.616 رکورد داده تراکنشی یک فروشگاه خرده فروشی اینترنتی، شبکه ای از مشتریان تشکیل داده شد که ارتباطات مشتریان در این شبکه براساس محصولات مشترکی تعریف شده که توسط هر جفت مشتری خریداری گردیده است. سپس با به کارگیری روش کشف اجتماعات لوین، گروه های مشتریان با سلایق مشترک خرید از این شبکه استخراج و بر مبنای آن الگوریتم سیستم توصیه گر ارائه می شود. رویه ارائه شده، می تواند مشتریان را در انتخاب محصول و شرکت ها را در بهبود رویه های خرده فروشی یاری کند.

نویسندگان

سپیده فریدی زاده

نویسنده مسئول- دانشجوی کارشناسی ارشد مدیریت فناوری اطلاعات، دانشگاه الزهرا، واحد تهران، ایران

ندا عبدالوند

استادیار فناوری اطلاعات، دانشگاه الزهرا، واحد تهران، ایران

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 :
  • بهمن ماه 1394، سالن همایش‌های بین‌المللی هتل المپیک، تهران ...
  • بهمن ماه 1394، سالن همایش‌های بین‌المللی هتل المپیک، تهران ...
  • Amatriain, X., aimes, a, Oliver, N., & Pujol, J. (2011). ...
  • Asanov, D. (2011). Algorithms and Methods in Recommender Systems. Other ...
  • Blondel, V. _ Guillaume, J.-L., Lambiotte, R., & Lefebvre, E. ...
  • Coscia, M., Giannotti, F., & Pedreschi, D. (2011). A classification ...
  • Dholakia, U. M., Kahn, B. E., Reeves, R., Rindfleisch, A., ...
  • Fortunato, S. (2010). Community detection in graphs. Physics Reports, 486(3-5), ...
  • Fotheringham, a. S. (1988). Note- Consumer Store Choice and Choice ...
  • Foxall, G. R. (2001). Foundations of Consumer Behaviour Analysis. Marketing ...
  • (2), 165-199. http://doi.org/1 0. 1 177/1470593 1010010020? ...
  • Herlocker, J. L., Konstan, J. A., Terveen, L. G., & ...
  • Hernandez, B., Jimenez, J., & Martin, M. J. (2010). Customer ...
  • Feb., 2016 Hotel Olympic Intl. Conference _ ...
  • Kim, H. K., Kim, J. K., & Chen, Q. Y. ...
  • Konstan, J. a., & Riedl, J. (2012). Recommender systems: from ...
  • Mandel, N., & Johnson, E. J. (2002). When Web Pages ...
  • McSherry, F., & Mironov, I. (2009). Differentially private recommender systems: ...
  • Morin, S., Dube, L, & Chebat, J.-C. (2007). The role ...
  • Nandagawali, M. P. A. (2014). Community Based Rec ommendation System ...
  • Newman, M. E. J. (2006). Finding community structure in networks ...
  • Phan, D. D., & Vogel, D. R. (2010). A model ...
  • Popkowski Leszczyc, P. T. L., Sinha, A., Timmermans, H., & ...
  • V, R. a a K. R., & Jitkar, B. D. ...
  • Zhu, X., Ye, H., & Gong, S. (2009). A personalized ...
  • Feb., 2016 Hotel Olympic Intl. Conference _ ...
  • case-based reasoning and user-based collaborative filtering. 2009 Clhinese Control and ...
  • Feb., 2016 Hotel Olympic Intl. Conference _ ...
  • نمایش کامل مراجع