فروشگاه اينترنتي هوشمند: سيستم پيشنهاد دهنده مبتني بر تحليل رفتار كاربران

Intelligent Online Store: User Behavior Analysis based Recommender System

سيستم هاي پيشنهاد دهنده‎اي كه با ارايه پيشنهادها شخصي سازي مي‎شوند و به كاربران در يافتن محصولي كه علاقه دارند، كمك مي كنند، مي توانند در ترغيب مشتريان به خريد از وب‎سايت و در نتيجه موفقيت فروشگاه هاي آنلاين، نقش كليدي ايفا كنند. روش پالايش همكارانه، يكي از موفق ترين روش هاي به‎كاررفته در اين سيستم ها است كه توانايي ارايه پيشنهادهايي نزديك به نظر كاربران را دارد، اما با افزايش تعداد كاربران و محصولات، با مشكلاتي مانند شروع سرد و مقياس پذيري مواجه مي شوند. به همين دليل در اين پژوهش روش جديدي معرفي شده است كه ضمن به‎كارگيري الگوريتم روش پالايش همكارانه مبتني بر كاربر به‎مثابه رويكرد پايه، از تركيب وزن دار خوشه بندي كاربران بر اساس اطلاعات جمعيت‎شناختي آنها نيز براي دستيابي به نتايج بهتر از سيستم، استفاده كرده است. نتايج پياده‎سازي الگوريتم نشان داد رويكرد ارايه‎شده، ريشه ميانگين مربعات خطاي كمتري دارد كه به‎معناي عملكرد بهتر و دقت بيشتر آن است و پيش بيني هاي حاصل از آن با ترجيح و سليقه كاربران همخواني بيشتري دارد.

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 customerʹs 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.