استفاده از یادگیری نزدیکترین همسایگی و یادگیری تقویتی در هوشمندسازی عاملهای خریدار و فروشنده
Publish place: 12th Annual Conference of Computer Society of Iran
Publish Year: 1385
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,662
متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ACCSI12_182
تاریخ نمایه سازی: 23 دی 1386
Abstract:
در این مقاله، یک مدل بازار الکترونیکی مبتنی بر اعتبار و یادگیری برای عاملهای خریدار و فرو ش نده پیشنهاد می شود. در مدل ارائه شده عاملهای فروشنده یاد م ی گیرند که با استفاده از یادگیری نزدیکترین همسایگی و تخمین میزان مشابهت خریدار جدید با خریداران قبلی خود، اولین پیشنهاد فروش را برای خریدار مورد نظر تنظیم کنند همچنین عاملهای فروشنده با استفاده از ر وش یادگیری تقویتی یاد م ی گیرند که چگونه قیمت، کیفیت و زمان تحویل کالا را برای خریداران به منظور بیشینه کردن سود تنظیم کنند و همچنین با استفاده از مدل اعتباردهی ارائ ه شده، تخفیف کالا را برای خریداران معتبر در نظر بگیرن د . عاملهای خریدار نیز با استفاده از ر وش یادگیری تقویتی یاد م ی گیرند که فروشندگان را بر اساس کیفیت، قیمت و زمان تحویل کالا اعتباردهی نموده و انجام امور تجاری خود را روی عاملهای فروشندة معتبر، متمرکز کنن د . مدل ارائه شده با استفاده از اجلت که یک محیط ایجاد عامل می باشد پیاده سازی شده و آزمایشات انجام شده نشان می دهد، عاملهایی که از مدل ارائه شده استفاده م ی کنند نتایج بهتری را نسبت به دیگر عاملها به دست می آورند.
Keywords:
بازار الکترونیکی مبتنی بر عامل , یادگیری نزدیکترین همسایگی , یادگیری تقویتی , مدلسازی اعتبار , عاملهای خریدار و فروشنده هوشمند
Authors
امید روزمند
دانشجوی دکترای مهندسی کامپیوتر، گرایش نرم اقزار، دانشگاه اصفهان.
ناصر قاسم آقایی
دانشیار، عضو هیئت علمی گروه مهندسی کامپیوتر، دانشگاه اصفهان.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :