21%

دانلود پروپوزال ارائه ی مدلی نوین با استفاده از سیستم های پیشنهاد دهنده جهت افزایش بهره وری بانک ها

49,000 تومان

تعداد صفحات سال نگارش رشته مقاله بیس قالب
۱۴ 2022 IT – کامپیوتر-مدیریت دارد Word

با مطالعه نمونه مشابه موضوع خود میتوانید به راحتی پروپوزال تز دکتری یا ارشد خود را بنویسید. همه ی محصولات قرار داده شده طبق استانداردهای وزارت علوم بوده و همگی مورد تایید دانشگاه ها واقع شده است.

توضیحات

ارائه ی مدلی نوین با استفاده از سیستم های پیشنهاد دهنده جهت افزایش بهره وری بانک ها

عنوان فارسی پروپوزال

ارائه ی مدلی نوین با استفاده از سیستم های پیشنهاد دهنده جهت افزایش بهره وری بانک ها

عنوان انگلیسی پروپوزال Introducing a new model using proposing systems to increase the productivity of banks
تعداد صفحات ۱۴
سال نگارش 2022
رشته IT – کامپیوتر-مدیریت
قالب فایل Word
مقاله بیس دارد
لینک مقاله بیس https://www.sciencedirect.com/science/article/abs/pii/S1566253518301234

  فهرست مطالب پروپوزال ارائه ی مدلی نوین با استفاده از سیستم های پیشنهاد دهنده جهت افزایش بهره وری بانک ها

  1. بیان مساله اساسی تحقیق     امنیت خانه های هوشمند
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. سؤالات تحقیق
  7. فرضیه ‏های تحقیق
  8. روش شناسی تحقیق
  9. متغیرهای مورد بررسی در قالب یک مدل مفهومی
  10. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  11. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  12. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  13. مراجع

بیان مساله

سیستم پیشنهاد دهنده  سیستمی است که با کشف و تحلیل اطلاعات کاربران، پیشنهادات مناسبی را برای هر تشخیص ایجاد می کند. سیستم توصیه گر یک نوع فیلترینگ اطلاعاتی است که تکنیک های تحلیل داده را برای کمک به مشتریان برای پیدا کردن محصول ثوق می دهد. حرکت به سمت تجارت الکترونیک به شرکت ها اجازه داده است تا مشتریان مختلف داشته باشند.  قیمتی که خریدار موظف به پرداخت ان می شود بستگی به خوب بودن محصول، نوع محصول و مکان و روش تهینه ان دارد.

امروزه با استفاده از فعالیت ها به صورت انلاین می توان قیمت های ارزیان تر همراه به صرفه جویی در زمان داشته باشیم. مشتری به جای دیدار از یک فروشگاه یا موسسات مرکز خرید می تواند آن محصولات را از مکانی دور سفارش دهد. این امر می تواند از راه های مختلفی از طریق تجارت الکترونیک اتفاق بیفتد. همه ی انواع محصولات می تواند از این طریق فروخته شوند. مشتری برای خرید از یک فروشگاه خوب که با مکان زندگی اون خیلی فاصله دارد نیازی به مسافرت ندارد.

همچنین با جستجو میان کاتوگ ها و محصولات ارائه شده بهترین تصمیم را برای خرید محصول اتخاذ کند. اما بار عظیم داده ها در وبسایت های تجارت الکترونیک باعث می شود که حتی فرایندهای خرید الکترونیکی نیز سخت و زمان گیر شوند. بسیاری از انتقادهایی که از تجارت الکترونیک شده است راجع به این موضوع است که هزینه ای که باید برای بدست اوردن اطلاعات بدهند از به دست اوردن آن اطلاعات بدون تجارت الکترونیک بیشتر است.

برخی از محققان بر این باور هستند که این انرژی و زمانی که ممکن است برای بدست اوردن اطلاعات مناسب صرف شود مراحل جستجو را خارج از کنترل می کند. به همین دلیل سیستم های توصیه گر معرفی شده اند. سیستم های پیشنهاد دهنده به کاربران برای جستجوی خدمات مناسب با حداقل زمان و بالاترین ارزش کمک می کند. این سیستم در خدمات انلاین به عنوان یک ابزار تجارت الکترونیک استفاده می شود.  از این رو موسسات مالی به دنبال ارائه ی راهکاری مناسب برای جلب رضایت مشتری های خود و افزایش میزان بازدهی و کسب درامد در تجارت الکترونیک می باشند که برای این عمل به سمت سیستم های توصیه گر هدایت شده اند.

برخی از مراجع

 

 Aznoli, F. and Navimipour, N.J., 2017. Cloud services recommendation: Reviewing the recent advances and suggesting the future research directions. Journal of Network and Computer Applications۷۷, pp.73-86.

 Karmaker Santu, S.K., Sondhi, P. and Zhai, C., 2016, October. Generative feature language models for mining implicit features from customer reviews. In Proceedings of the 25th ACM International on Conference on Information and Knowledge Management (pp. 929-938). ACM.

 Katarya, R. and Verma, O.P., 2018. Recommender system with grey wolf optimizer and FCM. Neural Computing and Applications۳۰(۵), pp.1679-1687.

 He, C., Parra, D. and Verbert, K., 2016. Interactive recommender systems: A survey of the state of the art and future research challenges and opportunities. Expert Systems with Applications۵۶, pp.9-27.

 Cheng, H.T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., Anderson, G., Corrado, G., Chai, W., Ispir, M. and Anil, R., 2016, September. Wide & deep learning for recommender systems. In Proceedings of the 1st Workshop on Deep Learning for Recommender Systems (pp. 7-10). ACM.

Qian, Yongfeng, et al. “EARS: Emotion-aware recommender system based on hybrid information fusion.” Information Fusion ۴۶ (۲۰۱۹): ۱۴۱-۱۴

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه(نظر) ارسال کنند.