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

ترجمه مقاله یک سیستم توصیه گر مبتنی بر محتوی برای پیشنهادات فروش و کوپن ‌های تجارت الکترونیک
قیمت خرید این محصول
۲۹,۰۰۰ تومان
دانلود مقاله انگلیسی
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
صفحات مقاله فارسی
17
صفحات مقاله انگلیسی
7
سال انتشار
2017
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
کد محصول
F1030
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
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
۰.۰ (بدون امتیاز)
امتیاز دهید
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 چکیده متن اصلی 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 چکیده ترجمه متن فارسی
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.

بدون دیدگاه