سیستم های توصیه گر برای اولین بار توسط مولفین به عنوان فیلترینگ همکاری معرفی شدند، آنها در مورد نحوه همکاری افراد و فیلتر نمودن اسناد ایمیل مرتبط با آنها و کاربردشان برای مخاطبین بحث می کنند. فرایند فیلترینگ (فیلتر کردن) شامل تجزیه و تحلیل خصوصیات مشترک میان دو یا چند سند می شد. خصوصیات متعلق به اسناد آنالیز شده عبارتنداز: پیام، جواب، حاشیه نویسی هایش. این روش موثرتر از تجزیه و تحلیل ساده محتوای اسنادی بود که بسیاری از سیستم های پستی دیگر فراهم نمودند. مداخله انسانی فرایند فیلترینگ منجر به انتخاب اسناد جالب توجه تر گردید.
سیستم های توصیه گر امکان سفارشی و شخصی سازی سایت های تجارت الکترونیکی را فراهم می آورند. آنها به سایت ها اجازه تولید فروشهای بیشتر از طریق انطباق با نیازهای ویزیتورها و برگشت آنها به مشتریان، فروش محصولات زیادی با دسته بندی اقلام وابسته نزدیک باهم و افزایش وفاداری مشتری را می دهند. وفاداری مشتری با نشان دادن این مسئله به مشتریان حاصل می گردد که آنها برای درک و شناخت نیازهایشان و یادگیری بیشتر در مورد آنها، وقت می گذارند. این مسئله زمانی مشهود می شود که ساختار وب سایت، محصولات و نمایش محصولات برای نیازها و رجحان های مشتریان، تغییر می کند. مشتریان ازاین وب سایت ها نه از وب سایت های رقبا بازدید به عمل می آورند زیرا آنها با آن آشنا بوده ومجبورند فرایند یادگیری را طی کنند. حتی اگر رقیب تجربه مشابهی عرضه کند، بازهم مشتریان به سایتی برمی گردند که از قبل باآن آشنا هستند.
انواع و اقسام سیستم های توصیه گر
سیستم های توصیه گر به گروههای زیرتقسیم می شوند شخصی، غیر شخصی، مبتنی بر مشخصه، همبستگی آیتم با آیتم و همبستگی افراد با افراد. توصیه ها همچنین بسته به پیاده سازی، دارای عمر طولانی یا کوتاهی می باشند.
سیستم در صورتی خودکار در نظر گرفته می شود که نیازمند ورودی کم یا عدم ورودی از سوی کاربر فعال باشد و در صورتی دستی که نیازمند کار باشد. توصیه های شخصی، خودکاربوده و براساس رجحان های کاربر نظیر رنگ، فیلم و گروه موسیقی مورد علاقه مشخص می شوند. آنها اغلب با محصولات دست چین شده از سوی فراهم کنندگان محتوا و کارشناسان رجحان های کاربر و سلیقه برای ارائه توصیه ها مقایسه می شوند. توصیه گرهای غیر شخصی، تنها براساس رتبه بندی محصول از سوی دیگر کاربران سیستم، توصیه هایی مطرح می کنند.
این توصیه ها آسان می باشند، زیرا به تلاش بسیار کمی برای تولید نیاز دارند، و خودکار یا اتوماتیک در نظر گرفته می شوند، زیرا نیازی به ورودی کاربر نمی باشد. این توصیه ها کوتاه مدت نیستند (کم عمر)، زیرا از آنها می توان برای کاربران گوناگون استفاده نمود. در توصیه های بر مبنای مشخصه، آیتم ها با استفاده از ویژگیها و مشخصه های مختلف بکاررفته برای تولید توصیه ها، تشریح می شوند. این روش دستی در نظر گرفته شده است زیرا کاربر بایستی نوع خاصی از محصول برای ارائه توصیه هایی در رابطه با آن را صریحاً جستجو نماید.
این توصیه ها می توانند کوتاه مدت بوده یا به رجحان های کاربر بستگی نداشته باشند. توصیه گرهای همبستگی آیتم با آیتم، آیتم ها را براساس آیتم های دیگری توصیه می کنند که کاربر نسبت به آنها علاقه نشان داده است. این توصیه ها در سایت های تجارت الکترونیکی رایج می باشند که محصولات جدید براساس آیتم های کاربر مندرج در کارت خرید توصیه می شوند. این توصیه ها دستی می باشند، زیرا کاربر کارت های خرید کاملی در اختیار ندارد. قواعد انجمنی اغلب در این سیستم بکار برده می شوند.
سیستم همبستگی افراد با افراد، تشابه بین کاربران فعال و غیر فعال در سیستم را یافته، و محصولاتی را توصیه می کند که سایر مشتریان آنها را خریداری کرده یا در گذشته رتبه بندی کرده اند. فیلترینگ همکاری، کاربردی ترین رویکرد در این سیستم تلقی می گردد. از آنجایی که این رویکرد نیازمند خریداری یا رتبه بندی محصولات از سوی کاربران در گذشته می باشد، در نتیجه این روش بسیار دستی می باشد. توصیه ها بسته به طراحی سیستم به طول می انجامند.
جهت دانلود کامل فایل کلیک کنید
جمع بندی
در چند دههی گذشته، در میان بسیاری از راهحلهای موجود، سیستمهای توصیهگر برای کاهش مشکل سربار اطلاعاتی و شناختی مورد استفاده قرار گرفتهاند که این کار را با پیشنهاد اقلام مناسب و مرتبط به کاربران انجام میدهند. در این راستا، پیشرفتهای متعددی برای دستیابی به سیستمهای توصیهگر دقیق و با کیفیت بالا صورت گرفته است. با این حال، طراحان با مسائل و چالشهای مهمی روبرو هستند. اگر چه، محققان سعی کردهاند که با این مسائل کنار بیایند و راهکارهایی را ارائه نمودهاند تا به نوعی این مسائل را رفع کنند، ولی برای رسیدن به هدف مورد نظر باید کارهای بیشتری انجام دهیم. ما در این مطالعه پژوهشی بر روی مسائل و چالشهای اصلی تمرکز نموده و در این مورد بحث نمودهایم که چه کارهایی برای مقابله با این مسائل انجام شده است، و اینکه چه کارهایی در قالب فرصتهای تحقیقاتی و دستورالعملهای مختلف میتوانند برای مقابله با مشکلاتی از قبیل تاخیر، پراکندگی، آگاهی از محتوا، گوسفند خاکستری، و مشکل شروع سرد انجام شوند.
دانلود سمینار مهندسی کامپیوتر
فهرست مطالب سیستم های توصیه گر در تجارت الکترونیک
فصل ۱: سیستم های توصیه گر در تجارت الکترونیکی ۵
۱-۱- مقدمه ۶
۱-۲- اطلاعات پیش زمینه ۷
۱-۲-۱- اطلاعات بکاررفته ۷
۱-۲-۲- کشف دانش در پایگاههای داده (KDD) 8
۱-۳- انواع و اقسام توصیه گر ۹
۱-۴- تکنیک های توصیه ۱۰
۱-۴-۱- قواعد انجمنی ۱۱
۱-۴-۲- فیلترینگ همکاری ۱۲
۱-۴-۳- فیلترینگ مبتنی بر محتوا ۱۷
۱-۴-۴- فیلترینگ هیبریدی (پیوندی) ۱۹
۱-۵- ۵ نتیجه گیری و کار آتی ۲۱
۱-۵-۱- نتیجه گیری ۲۱
۱-۵-۲- کار آتی ۲۲
فصل ۲: بررسی تاثیر عوامل سیستم های توصیه گر در رفتار خرید ۲۵
۲-۱- مقدمه ۲۶
۲-۲- چارچوب نظری ۲۸
۲-۳- روش تحقیق ۳۳
۲-۳-۱- طرح آزمایشی ۳۳
۲-۳-۲- اندازه گیری متغیرها ۳۵
۲-۴- جمع آوری، تجزیه و تحلیل و نتیجه اطلاعات ۳۷
۲-۴-۲- مدل آزمایش ۳۹
۲-۵- نتیجه گیری، توصیه ها، و محدودیت ها ۴۶
۲-۵-۱- توصیه هایی برای بازاریابان ۴۶
۲-۵-۲- پیشنهادهایی به توسعه دهندگان و مجریان عامل پیشنهادی ۴۷
فصل ۳: مسائل، چالشها و فرصتهای تحقیقاتی ۴۹
۳-۱- مقدمه ۵۰
۳-۲- مفاهیم و روشهای کلی توصیه گر ۵۲
۳-۲-۲- فیلتر کردن بر اساس محتوا ۵۳
۳-۲-۳- فیلتر کردن مشارکتی ۵۴
۳-۲-۴- فیلتر کردن ترکیبی ۵۵
۳-۳- مسائل و چالشها ۵۶
۳-۳-۱- مسئلهی شروع سرد ۵۶
۳-۳-۲- داشتن معنای یکسان ۵۷
۳-۳-۳- حملههای Shilling 57
۳-۳-۴- حریم خصوصی ۵۸
۳-۳-۵- تحلیل محتوای محدود و تخصصیسازی بیش از حد توصیه گر ۵۹
۳-۳-۶- گوسفند خاکستری ۶۰
۳-۳-۷- پراکندگی ۶۰
۳-۳-۸- مقیاسپذیری ۶۱
۳-۳-۹- مشکل نهفتگی ۶۲
۳-۳-۱۰- ارزیابی و دسترسپذیری مجموعهدادگان آنلاین توصیه گر ۶۲
۳-۳-۱۱- آگاهی از محتوا ۶۳
۳-۴- فرصتهای تحقیقاتی موجود برای کاهش مسائل و چالشها ۶۴
۳-۵- نتیجهگیری ۶۵
فصل ۴: مراجع ۶۷
