تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله یک سیستم توصیه گر مبتنی بر محتوی برای پیشنهادات فروش و کوپن ‌های تجارت الکترونیک

عنوان فارسی: یک سیستم توصیه گر مبتنی بر محتوی برای پیشنهادات فروش و کوپن ‌های تجارت الکترونیک
عنوان انگلیسی: A Content-based Recommender System for E-commerce Offers and Coupons
تعداد صفحات مقاله انگلیسی : 7 تعداد صفحات ترجمه فارسی : 17
سال انتشار : 2017 فرمت مقاله انگلیسی : PDF
فرمت ترجمه مقاله : ورد تایپ شده کد محصول : F1030
محتوای فایل : zip حجم فایل : 2.97Mb
رشته های مرتبط با این مقاله: مدیریت و مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله: تجارت الکترونیک، مدیریت فناوری اطلاعات، مدیریت کسب و کار و اینترنت و شبکه های گسترده
مجله: SIGIR eCom
دانشگاه: موسسه تکنولوژی Rakuten بوستون، ماساچوست، ایالات متحده آمریکا
کلمات کلیدی: سیستم‌های توصیه گر، شخصی سازی، تخفیفات و کوپن‌های تجارت الکترونیک
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت متوسط انجام شده است. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1 مقدمه

1-1 رویکردهای مدل سازی

2-1 تولید نمونه‌های منفی

2-2 جنگل‌های تصادفی

2-3 درختان افزایش گرادیان

2-4 معیار مبتنی بر محبوبیت

2-5 زمان اجرا

3 داده‌ها

4 آزمایشات

4-1 نتایج

4-2 ارزیابی شروع سرد مبتنی بر کاربر

5 کارهای مرتبط

6-نتیجه گیری

نمونه متن انگلیسی

ABSTRACT

Reward-based e-commerce companies expose thousands of online oers and coupons every day. Customers who signed up for online coupon services either receive a daily digest email with selected oers or select specic oers on the company website front-page. High-quality online discounts are selected and delivered through these two means by applying a manual process that involves a team of experts who are responsible for evaluating recency, product popularity, retailer trends, and other business-related criteria. Such a process is costly, time-consuming, and not customized on users’ preferences or shopping history. In this work, we propose a contentbased recommender system that streamlines the coupon selection process and personalizes the recommendation to improve the clickthrough rate and, ultimately, the conversion rates. When compared to the popularity-based baseline, our content-based recommender system improves F-measures from 0.21 to 0.85 and increases the estimated click-through rate from 1.20% to 7.80%. The experimental system is currently scheduled for A/B testing with real customers.

نمونه متن ترجمه

چکیده

شرکت‌های تجارت الکترونیک پاداش محور هر روزه هزاران تخفیف و کوپن را به صورت آنلاین به نمایش می‌گذارند. مشتریانی که برای خدمات کوپن آنلاین ثبت نام می‌کنند یا یک ایمیل خودکار را با تخفیفات انتخاب شده دریافت می‌کنند و یا این که تخفیفات خاص را در صفحه اول وب سایت شرکت انتخاب می‌کنند. تخفیفات آنلاین با کیفیت بالا انتخاب شده و از طریق این دو ابزار با استفاده از یک فرایند دستی که در آن گروهی از کارشناسان مسئول ارزیابی تازگی، محبوبیت محصول، تمایلات خرده فروش و سایر معیارهای مربوط به کسب و کار کار می‌کنند، تحویل می‌شوند. این فرایند پر هزینه و زمانبر بوده و بر طبق سلیقه و اولویت کاربران و یا سابقه خرید آن‌ها نیست. در این مطالعه، ما یک سیستم توصیه گرمبتنیبر محتوی را پیشنهاد می‌کنیم که فرایند انتخاب کوپن را ساده‌تر کرده و توصیه را برای بهبود نرخ کلیک و در نهایت نرخ تبدیل، شخصی سازی می‌کند. در مقایسه بامعیار مبتنی بر محبوبیت، سیستم توصیه گر مبتنی بر محتوی موجب بهبود شاخص‌های F از 0.21 تا 0.85 شده و نرخ کلیک برآورد شده را از 1.20 تا 7.80 درصد افزایش می‌دهد. سیستم آزمایشی امروزه برای آزمون A/B با مشتریان واقعی زمان بندی شده است.