دانلود پایان نامه سیستم توصیه گر برای پیش بینی رفتار بازدیدکنندگان صفحات تجارت الکترونیک

1. مقدمه 2. پیشینه نظری 3. مساله 4. روش تحقیق 5. خلاصه و نتیجه گیری

چکیده – بر طبق یافته های بدست آمده، در دهه های اخیر به دلیل گسترش کلان داده ها، توسعه یادگیری ماشین به عنوان شاخه ای از هوش مصنوعی با سرعت فزاینده ای همراه بوده است. همچنین به دلیل افزایش دسترسی پذیری مقادیر زیادی از داده ها، تقاضاهایی نیز برای تحلیل کارآمدتر داده ها به وجود آمده است. علاوه بر این، الگوریتم های مبتنی بر مدل های آماری نیز از قابلیت یادگیری الگوها و انجام پیش بینی برای بهبود کاربردهای مختلف برخوردار می باشند. همچنین یک سیستم توصیه‌گر، بر اساس بررسی اولویت ها و اقدامات قبلی کاربر، برای پیش بینی انتخاب های کاربر نسبت به یک آیتم، رویکرد محاسباتی طراحی شده را مورد بررسی قرار می دهد. همچنین، تکنیکی به نام فیلترینگ مشارکتی به سیستم های توصیه گر متعلق بوده و هدف آن ارائه توصیه های ترجیحی برای ترجیحات نامشخص مجموعه جدیدی از کاربران با تحلیل ترجیحات یک مجموعه مشخص است. لازم به ذکر است که، شباهت بین گروهی از کاربران و مواردی که غالبا با رفتار کاربر و نوع آیتم در ارتباط هستند، برای مطالعه فیلترینگ مشارکتی بایستی مشخص شود تا بر اساس ترجیحات کاربران مشابه، پیشنهاداتی ارائه شود. در ادامه بایستی ذکر شود که پژوهش حاضر برای پیش بینی کلیک ها، اضافه کردن سبد خرید و سفارش ها در حین تحقیق در خصوص سیستم های توصیه گر بخصوص فیلترهای مشارکتی، برای افزایش نتایج از یک سیستم توصیه گر پایتون بهره می گیرد.

The development of machine learning as a branch of Artificial intelligence has been rapidly increasing in recent decades owing to the expansion of big data. The increasing availability of large amounts of data has also created demands for more efficient data analysis. Algorithms that are based on statistical models, can learn patterns and make predictions to improve a variety of applications. A recommender system explores the computational approach designed to predict the choices of a user toward an item, based on an examination of the user’s prior preferences and actions. The technique known as collaborative filtering belongs to recommender systems and aims to make preference recommendations for the unknown preferences of a new set of users by analysing the preferences of a known set. For the study of collaborative filtering, it is necessary to determine the similarity between a group of users and items, which is often associated with a user’s behaviour and the type of the item, in order to make suggestions based on the preferences of similar users. This master's thesis uses a Python recommender system to predict clicks, cart adds, and orders while researching recommender systems, in particular collaborative filtering, to enhance the outcomes.