ترجمه مقاله مدلسازی رفتار مصرف کننده با سیستم های فازی ژنتیکی چند هدفه - نشریه الزویر

ترجمه مقاله مدلسازی رفتار مصرف کننده با سیستم های فازی ژنتیکی چند هدفه - نشریه الزویر
قیمت خرید این محصول
۴۶,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
کشف داده های نامعلوم با سیستم های فازی ژنتیکی چند هدفه درجهت مدلسازی رفتار مصرف کننده
عنوان انگلیسی
Mining uncertain data with multiobjective genetic fuzzy systems to be applied in consumer behaviour modelling
صفحات مقاله فارسی
37
صفحات مقاله انگلیسی
15
سال انتشار
2009
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
ندارد
کد محصول
4857
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه نشده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر، مهندسی صنایع و مدیریت
گرایش های مرتبط با این مقاله
مهندسی الگوریتم ها و محاسبات، داده کاوی، مدیریت صنعتی، نحقیق در عملیات، بازاریابی و مهندسی نرم افزار
مجله
سیستم های خبره و کاربرد های آن
دانشگاه
گروه علوم کامپیوتر و هوش مصنوعی، دانشگاه گرانادا، اسپانیا
کلمات کلیدی
رفتار مصرف کننده، منطق فازی، الگوریتم های ژنتیکی، استخراج دانش، یادگیری ماشینی، بازاریابی
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1. مقدمه
1. 1 پیشینه
2. 1 هدف مقاله
2. چرا مدلسازان رفتار مصرف کننده میل به استفاده از KDD و روشهای هوش مصنوعی دارند؟
3. روش کشف دانش برای مدلسازی رفتار مصرف کننده با سیستم های فازی ژنتیکی چند هدفه
1. 3 جمع آوری داده ها
2. 3 پردازش داده ها
3. 3 نمایش و شمول (ورود) دانش کارشناس
4. 3 داده کاوی
1. 4. 3 ساختار قاعده فازی
2. 4. 3 فازی سازی چند آیتمی
3. 4. 3 طرح کدگذاری(رمزگذاری)
4. 4. 3 توابع هدف
5. 4. 3 طرح تکاملی
6. 4. 3 عملگرهای ژنتیکی
7. 4. 3 مکانیسم استنباطی
4. آزمایش با برنامه مدلسازی رفتار مصرف کننده
1. 4 مدل کاربردی و داده ها: توضیحات قبل
2. 4 مراحل پیش پردازش نتایج: پروتکل تجزیه و تحلیل
3. 4 نتایج آزمایش و تفسیر دانش
1. 3. 4 پیشگویی توجه متمرکز
2. 3. 4 پیشگویی حالت و وضعیت جریان
5. ملاحظات پایانی
نمونه چکیده متن اصلی انگلیسی
Abstract

The main problem currently faced by market-oriented firms is not the availability of information (data), but the possession of appropriate levels of knowledge to take the right decisions. This is common background for firms. In this regard, marketing professionals and scholars highlight the necessity for knowing and explaining consumers’ behaviour patterns in an increasingly efficient way. The use of new knowledge discovery methods, able to exploit such data, may represent a relevant source of competitive advantage. In marketing, the information about most consumer variables of interest is usually obtained by means of questionnaires containing a diversity of items. It is also frequent that marketing modellers make use of unobserved variables to build the consumer models; i.e., abstract variables that need to be measured by means of a set of observed variables or items associated with them. In these cases, the value of a certain unobserved variable cannot be assigned to a number, but to a potentially scattered set of numbers. This fact disables the application of conventional data mining techniques to extract knowledge from them. In this paper, we present a new approach that is able to deal with this kind of uncertain data by using a multiobjective genetic algorithm to derive fuzzy rules. Specifically, we propose a complete methodology that considers the different stages of knowledge discovery: data collection, data mining, and knowledge interpretation. This methodology is experimented on a consumer modelling application in interactive computer-mediated environments.

نمونه چکیده ترجمه متن فارسی
چکیده
مشکل اصلی که در حال حاضر شرکت های بازارگرا با آن مواجه هستند، دسترس پذیری اطلاعات(داده ها) نیست، بلکه دارا بودن سطح مناسبی از دانش برای اخذ تصمیمات درست می باشد. این مسئله، پیشینه مشترکی برای شرکت ها محسوب می شود. دراین خصوص، متخصصین و محققین بازاریابی ضرورت شناخت و توضیح وتبیین الگوهای رفتار مصرف کننده به شیوه ای کارآمد را روشن و راجع به آن توضیح می دهند. کاربرد روشهای کشف دانش جدید، با توانایی بهره گیری از چنین داده هایی، می تواند نشان دهنده یک منبع مهم برای نیل به برتری رقابتی باشد.
در بازاریابی، اطلاعات مربوط به اکثر متغیرهای مصرف کننده معمولاً به وسیله پرسشنامه های حاوی آیتم های گوناگون بدست می آیند. همچنین مدلسازان بازاریابی اغلب از متغیرهای مشاهده نشده برای ساخت مدلهای مصرف کننده استفاده می کنند؛ به عبارتی متغیرهای مجردی که به وسیله مجموعه متغیرهای مشاهده شده یا آیتم های مربوط به آنها باید اندازه گیری شوند. در این موارد،مقدار متغیر مشاهده نشده خاص را نمی توان به عددی تخصیص داد بلکه باید به مجموعه اعداد پراکنده ای نسبت داد. این مسئله کاربرد تکنیک های داده کاوی متداول برای استخراج دانش از آنها را غیر ممکن می سازد.
در این مقاله،رویکرد جدیدی مطرح می کنیم که با استفاده از الگوریتم ژنتیکی چند هدفه برای نیل به قواعد فازی، توانایی مقابله با این نوع داده های نامعلوم را پیدا می کند. مخصوصاً، روش کاملی پیشنهاد می کنیم که مراحل مختلف کشف دانش را در نظر می گیرد: جمع آوری داده ها، داده کاوی ،و تفسیر دانش. این روش روی برنامه مدلسازی و الگوسازی مصرف کننده در محیط های تعاملی و محاوره ای با وساطت کامپیوتر آزمایش شده است.

بدون دیدگاه