تحقیقات و برنامه های کاربردی تجارت الکترونیک[1] توسعه سیستم پیشنهادی برای تجارت الکترونیک خرده فروشی مد[2]
تعداد کلمات فایل انگلیسی:5464کلمه 8صفحه pdf
تعداد صفحات فایل ترجمه:24صفحه word فونت14 Arial
چکیده
این مطالعه یک سیستم توصیه گر [3]جهت فیلترینگ گروهی[4] در دنیای واقعی را در یک برنامه وسیع با ارائه اطلاعاتی در رابطه با شرکت مد کره ای که محصولات مد را از طریق مراکز خرید آنلاین و آفلاین به فروش می رساند اجرا نمود. این سیستم توصیه گر ویژگی های منحصر به فردی را در رابطه با شرکت ها در زیر نشان می دهد: ابتدا، فروشگاه آنلاین و آفلاین شرکتها محصولات مشابهی را به فروش میرسانند. دوم، محصولات مربوط به مد اغلب فصلی هستند، بنابراین اولویت کلی مشتریان با توجه به بازه زمانی سال تغییر می کند. در نهایت، مشتریان معمولا اقلامی را که قبلا مورد آزمایش قرار گرفته اند و یا اقلامی که قبلا خریداری شده است را مجددا تهیه مینمایند. ما سیستم جدیدی به نام K-RecSys را پیسنهاد مینماییم که فیلترینگ متداولی را بر مبنای یک الگوریتم با منعکس نمودن ویژگی هایی با ضریب بالا نشان میدهد. K-RecSys ترکیبی از داده های مشخص محصولات آنلاین و داده های محصولات آفلاین را با توجه به تنظیمات آنلاین و آفلاین مشتریان نشان میدهد. همچنین نشان داده می شود که تابع تضعیفی برای نشان دادن تغییرات در تنظیماتی که در طول زمان صورت میگیرد وجود دارد و در نهایت جایگزینی محصولات خرده و عمده با استفاده از اطلاعات طبقه بندی شده محصولات پیشنهاد میگردد.ما یک آزمایش A / B برروی یک سیستم عامل واقعی برای مقایسه K-RecSys با سیستم فیلترینگ گروهی موجود با داده های آنلاین ارائه دادیم که به تنهایی اجرا می گردد. نتایج تجربی ما نشان می دهد که سیستم پیشنهادی ما به لحاظ تکیه بر روی فروش محصولات در مرکز خرید آنلاین و توصیه جایگزین شدن روشهای تکمیلی، پذیرفته شده اند.
معرفی
به تازگی، تجارت الکترونیکی به یک کانال مهم برای بسیاری از خرده فروشی ها تبدیل گشته است. شرکتهای (2017)، تجارت الكترونیك ، تخمین می زنند که تجارت خرده فروشی در سراسر جهان الکترونیکی خواهد شد و از 2.29 تریلیون دلار در سال ۲۰۱۷ به 4.48 تریلیون دلار تا پایان سال۲۰۲۱ خواهد رسید. با وجود این موفقیت، تجارت الکترونیک بازار قابل توجهی دارد اما این تجارت برای کمک به مشتریان در خارج از کشور با محدودیت هایی در خط تولید فروشگاهها مواجه است، ، و هیچ کارمند ی برای کمک به خریداران در فروشگاه های آنلاین حضور ندارد
Recommendation system development for fashion retail e-commerce
abstract
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.
2018 Elsevier B.V. All rights reserved.
کد:13301
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
تحقیقات و برنامه های کاربردی تجارت الکترونیک[1] توسعه سیستم پیشنهادی برای تجارت الکترونیک خرده فروشی مد[2]
تعداد کلمات فایل انگلیسی:5464کلمه 8صفحه pdf
تعداد صفحات فایل ترجمه:24صفحه word فونت14 Arial
چکیده
این مطالعه یک سیستم توصیه گر [3]جهت فیلترینگ گروهی[4] در دنیای واقعی را در یک برنامه وسیع با ارائه اطلاعاتی در رابطه با شرکت مد کره ای که محصولات مد را از طریق مراکز خرید آنلاین و آفلاین به فروش می رساند اجرا نمود. این سیستم توصیه گر ویژگی های منحصر به فردی را در رابطه با شرکت ها در زیر نشان می دهد: ابتدا، فروشگاه آنلاین و آفلاین شرکتها محصولات مشابهی را به فروش میرسانند. دوم، محصولات مربوط به مد اغلب فصلی هستند، بنابراین اولویت کلی مشتریان با توجه به بازه زمانی سال تغییر می کند. در نهایت، مشتریان معمولا اقلامی را که قبلا مورد آزمایش قرار گرفته اند و یا اقلامی که قبلا خریداری شده است را مجددا تهیه مینمایند. ما سیستم جدیدی به نام K-RecSys را پیسنهاد مینماییم که فیلترینگ متداولی را بر مبنای یک الگوریتم با منعکس نمودن ویژگی هایی با ضریب بالا نشان میدهد. K-RecSys ترکیبی از داده های مشخص محصولات آنلاین و داده های محصولات آفلاین را با توجه به تنظیمات آنلاین و آفلاین مشتریان نشان میدهد. همچنین نشان داده می شود که تابع تضعیفی برای نشان دادن تغییرات در تنظیماتی که در طول زمان صورت میگیرد وجود دارد و در نهایت جایگزینی محصولات خرده و عمده با استفاده از اطلاعات طبقه بندی شده محصولات پیشنهاد میگردد.ما یک آزمایش A / B برروی یک سیستم عامل واقعی برای مقایسه K-RecSys با سیستم فیلترینگ گروهی موجود با داده های آنلاین ارائه دادیم که به تنهایی اجرا می گردد. نتایج تجربی ما نشان می دهد که سیستم پیشنهادی ما به لحاظ تکیه بر روی فروش محصولات در مرکز خرید آنلاین و توصیه جایگزین شدن روشهای تکمیلی، پذیرفته شده اند.
معرفی
به تازگی، تجارت الکترونیکی به یک کانال مهم برای بسیاری از خرده فروشی ها تبدیل گشته است. شرکتهای (2017)، تجارت الكترونیك ، تخمین می زنند که تجارت خرده فروشی در سراسر جهان الکترونیکی خواهد شد و از 2.29 تریلیون دلار در سال ۲۰۱۷ به 4.48 تریلیون دلار تا پایان سال۲۰۲۱ خواهد رسید. با وجود این موفقیت، تجارت الکترونیک بازار قابل توجهی دارد اما این تجارت برای کمک به مشتریان در خارج از کشور با محدودیت هایی در خط تولید فروشگاهها مواجه است، ، و هیچ کارمند ی برای کمک به خریداران در فروشگاه های آنلاین حضور ندارد
Recommendation system development for fashion retail e-commerce
abstract
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.
2018 Elsevier B.V. All rights reserved.
کد:13301
دانلود رایگان مقاله انگلیسی