عنوان فارسی مقاله:یک سامانه‌ی پیشنهاد گر یا توصیه گر برای کالاهای فروش و کالابرگ‌های تجارت الکترونیک

چکیده

هر روزه شرکت‌ها و سازمان‌های کسب و کار الکترونیک مبتنی بر پاداش، هزاران کالابرگ و تخفیف فروش آنلاین یا برخط را ارائه می‌کنند.. مصرف کنندگانی که سرویس‌های کالابرگ آنلاین سفارش می‌کنند یا یک ایمیل خودکار را همراه تخفیف، گزینش می‌کنند و یا در صفحه‌ی اول وب سایت بعضی تخفیفات را گزینش می‌کنند. تخفیفات بر خط یا انلاین با کیفیت خیلی بالا انتخاب می‌شود و به وسیله‌ی این دو ابزار از طریق از یک پروسه دستی که در آن برخی از متخصصان مسئول اندازه گیری تازگی، رواج محصول، گرایش‌های خرده فروش و سایر شرایط مربوط به کسب و کار کار می‌کنند، دریافت می‌شوند. این فرایندی پر هزینه و طولانی است و بر مبنای ترجیح و اولویت مصرف کنندگان و یا تاریخ خرید آن‌ها نمی‌باشد. در تحقیق حاضر، ما یک سیستم پیشنهاد گر مبتنی بر محتوا ارائه می‌شود که پروسه‌ی انتخاب کالابرگ را تسهیل کرده و پیشنهاد را برای افزایش انتخاب و در پایان نرخ تبدیل، تخصصی می‌کند. در برابر سنجه‌ی بر اساس محبوبیت، سامانه‌ی پیشنهاد گر وب محور باعث افزایش شاخص‌های F از ۰٫۲۱ تا ۰٫۸۵ می‌شود و میزان کلیک برآورد شده را از ۱٫۲۰ تا ۷٫۸۰ درصد بالا می‌برد. سامانه‌ی آزمایشی اکنون برای آزمون A/B با مشتریان واقعی تنظیم شده است(کالاهای فروش و کالابرگ‌های تجارت الکترونیک).

Title: A Content-based Recommender System for E-commerce offers and Coupons

Abstract

Reward-based e-commerce companies expose thousands of online oers and coupons every day. Customers who signed up for online coupon services either receive a daily digest email with selected oers or select specic oers on the company website front-page. High-quality online discounts are selected and delivered through these two means by applying a manual process that involves a team of experts who are responsible for evaluating recency, product popularity, retailer trends, and other business-related criteria. Such a process is costly, time-consuming, and not customized on users’ preferences or shopping history. In this work, we propose a contentbased recommender system that streamlines the coupon selection process and personalizes the recommendation to improve the clickthrough rate and, ultimately, the conversion rates. When compared to the popularity-based baseline, our content-based recommender system improves F-measures from 0.21 to 0.85 and increases the estimated click-through rate from 1.20% to 7.80%. The experimental system is currently scheduled for A/B testing with real customers.

ثبت دیدگاه

دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.

برای ارسال دیدگاه شما باید وارد سایت شوید.

نام محصول	قیمت محصول	تنظیمات

جمع کل : 0 ریال
تسویه حساب