دانلود ترجمه مقاله توسعه سیستم توصیه گر برای تجارت الکترونیک خرده فروشی

1. مقدمه 2. پژوهش های مربوطه 3. روش 4. پیاده سازی 5. طرح آزمایشی 6. نتایج 7. نتیجه گیری

چکیده – این مطالعه، یک سیستم توصیه گر پالایش گروهی واقعی اجرا شده در یک شرکت بزرگ مد کره ‌ای را ارائه می ‌دهد که محصولات مد را از طریق مراکز خرید آنلاین و آفلاین به فروش می ‌رساند. محیط توصیه ای این شرکت، مشخصه ‌های منحصر به فرد زیر را نشان می‌ دهد: اول این که، فروشگاه های آنلاین و آفلاین شرکت، محصولات مشابهی را به فروش می ‌رسانند. دوم اینکه، محصولات مد معمولا فصلی هستند، بنابراین اولویت کلی مشتریان براساس زمان سال تغییر می ‌کند. نهایتا، مشتریان معمولا اقلام را برای جایگزین نمودن با اقلام ترجیح داده شده قبلی یا اقلام را برای تکمیل نمودن مواردی که قبلا تهیه نموده اند، خریداری می نمایند. ما یک سیستم جدید به نام K-RecSys را پیشنهاد می‌ کنیم، که الگوریتم پالایش گروهی مبتنی بر اقلام نوعی را با بازتاب دهی مشخصه های دامنه ای فوق گسترش می ‌دهد. K-RecSys داده های کلیکی محصول آنلاین و داده‌ های فروش محصول آفلاین وزن شده را برای منعکس نمودن ترجیحات آنلاین و آفلاین مشتریان در هم می آمیزد. این امر همچنین از یک تابع نزولی اولویت برای منعکس کردن تغییرات در ترجیحات در طول زمان استفاده می‌ کند، و در نهایت محصولات جانشین و مکمل را با استفاده از اطلاعات دسته بندی محصول توصیه می ‌کند. ما یک آزمون A/B را در محیط عملیاتی واقعی انجام دادیم تا K-RecSys را با سیستم پالایش گروهی موجود که تنها با داده‌ های آنلاین اجرا می ‌شود، مقایسه نماییم. نتایج آزمایشی ما نشان می‌ دهد که سیستم پیشنهادی از نظر کلیک ها و فروش های محصول در مراکز خرید آنلاین برتر است و توصیه ‌های جانشین آن نسبت به توصیه‌ های مکمل بیشتر اتخاذ می ‌شوند.

This study presents a real-world collaborative filtering recommendation system implemented in a large Korean fashion company that sells fashion products through both online and offline shopping malls. The company’s recommendation environment displays the following unique characteristics: First, the company’s online and offline stores sell the same products. Second, fashion products are usually seasonal, so customers’ general preference changes according to the time of year. Last, customers usually purchase items to replace previously preferred items or purchase items to complement those already bought. We propose a new system called K-RecSys, which extends the typical item-based collaborative filtering algorithm by reflecting the above domain characteristics. K-RecSys combines online product click data and offline product sale data weighted to reflect the online and offline preferences of customers. It also adopts a preference decay function to reflect changes in preferences over time, and finally recommends substitute and complementary products using product category information. We conducted an A/B test in the actual operating environment to compare K-RecSys with the existing collaborative filtering system implemented with only online data. Our experimental results show that the proposed system is superior in terms of product clicks and sales in the online shopping mall and its substitute recommendations are adopted more frequently than complementary recommendations.