ارایه یک مدل جدید تلفیقی و توسعه یافته توصیه گر محصول در تجارت الکترونیکی

Publish Year: 1388
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,285

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICTM06_148

تاریخ نمایه سازی: 12 دی 1388

Abstract:

سیستم های پیش بینی و توصیه محصول از جمله ابزارهای تجارت الکترونیک هستند که از طریق جمع آوری، تحلیل و مدیریت اطلاعات مربوط به فعالیتهای مشتری در فرایندهای خرید قبلی در یک فایل شخصی و همچنین بررسی علایق، اولویتها و تعداد مراجعات او در هر بار ورود به فروشگاه مجازی نیازهای آتی او را پیش بینی نموده با ارائه توصیه های مفید او را در فرایند خرید یاری می رسانند. دراین مقاله پس از معرفی و بیان نقاط قوت و ضعف چند روش پیش بینی و توصیه رایج درتجارت الکترونیکی یک روش توصیه نوآورانه تلفیقی به نام INORM معرفی می گردد این روش به تنهایی توانسته است از مزایای هفت روش توصیه کنونی بهره برده و بسیاری از نقاط این روشها را نیز برطرف نماید. ارائه توصیه با کیفیت بالاتر، امکان توصیه کالاهای جدید رفع مشکلات ناشی از افزایش کالا ها و مشتریان در فرایند توصیه، امکان پیش بینی کالاهای مورد نیاز جهت فرایند تدارکات برای فروشنده برخی از نقاش قوت این روش است همچنین این روش به سهولت می تواند در فروشگاههای اینترنتی ایران به عنوان یک ابزار مدرن تجارت الکترونیک مورد استفاده قرار گیرد.

Keywords:

تجارت الکترونیک , سیستم های پیش بینی , سیستم های توصیه محصول , کیفیت توصیه

Authors

مژگان مغماری

کارشناس ارشد مدیریت فناوری اطلاعات شرکت ملی پالایش و پخش فراورده های ن

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 :
  • ] B. M. Sarwar, G. Karypis, I. A. Konstan, J. ...
  • K. Clare-Marie, B. Jan O., "Desigming Personalzed User Experences in ...
  • Y. Li , L. Lu , L. Xuefeng, "A bybrid ...
  • S. Senecal, P. J. Kalczmski, J. Nantel, ،Consumexs decision- making ...
  • Z. Huang, "Graph-based Analyses for _ recommend ation", Doctor of ...
  • F. Hsu Wang, H. Mei Shao _ "Effective persooalized _ ...
  • J. s. Lee, C. H. Jun, J. Lee, S. Kim, ...
  • Y. Soo, K. Bong, J. Yum, J. Song, _ Myeon ...
  • ] Y. Ho Cho, J. K. Kip, D. H. Abr, ...
  • D. R Liu, Y. Y. Shih, "Integrating AHP and data ...
  • Y. H. Cho, J. K. Kim, S. H. Kim, _ ...
  • J. K. Kim, Y. H. Cho, W. I. Kim, J. ...
  • B. Zhang , S. N. Sribari, _ Fast Algoritbm for ...
  • A. Storkey, "Leaping from Data: Nearest Neigbbour Mettods", School of ...
  • R. Agrawal, R. Srikapt, ،:Fast Algorithms for Mining Association Rules', ...
  • نمایش کامل مراجع