25909

بكارگيري تكنيك هاي يادگيري ماشين در سيستم هاي توصيه گر بازاريابي

كارشناسي ارشد

مديريت كسب و كار - بازاريابي

1398

1400/8/30

دكتر علي بنيادي ناييني

مركز آموزش الكترونيكي

سيستم‌هاي توصيه‌گر كاربردهاي فراواني دارند، ؛ يكي از كاربردهاي اصلي آنها در حوزه تجارت الكترونيك جهت پيشنهاد محصولات و تبليغات مختلف مي باشد. يكي از رويكردهاي كارآمد در سيستم‌هاي توصيه‌گر، استفاده از تكنيك‌هاي يادگيري عميق براي استخراج و يادگيري ويژگي‌هاي آيتم‌ها و پيش‌بيني امتياز كاربران است. مدل‌هاي يادگيري عميق شامل چندين لايه مي‌باشند و مي‌توانند يك سلسله مراتب را از ويژگي‌هاي سطح پايين به سطح بالا ياد بگيرند. اين ويژگي ها به‌خوبي تعميم داده‌شده و ميتوانند به طور مؤثر براي بهبود كيفيت توصيه، مورداستفاده قرار بگيرند. براي انجام اين پژوهش، با هدف اتخاذ ويژگي هاي سطح بالا از داده شبكه‌هاي اجتماعي، از يك مدل يادگيري عميق تركيبي بهره گرفتيم. براي اين منظور از شبكه باور عميق (DBN) كه بر پايه RBM شكل گرفته در تركيب با شبكه عصبي كانولوشن عميق (CNN)، به ترتيب براي يادگيري ويژگي‌هاي نهان آيتم و پيش‌بيني امتياز كاربر استفاده كرده‌ايم. جهت ارزيابي مدل پيشنهادي از مجموعه داده دنياي واقعي MovieLens استفاده شده است. اين مجموعه داده‌ها حاوي راي‌هايي هستند كه كاربران به فيلم هاي مختلف داده‌اند. با مشاهده و بررسي نتايج حاصله، مشاهده شد كه در روش پيشنهادي ميزان معيارهاي دقت، بازخواني و همچنين معيار F به مقادير مطلوبي و قابل قبولي دست يافته است. روش پيشنهادي به ازاي تمامي حالات كه داده ها داراي احتمال مشاهده مختلفي بوده‌اند، داراي ميزان كارآمدي مناسبي نسبت به روش هاي مورد مقايسه بوده است و كارآيي بالاتر خود را به وضوح نشان مي دهد. هرچند در برخي موارد معدود، روش پيشنهادي داراي افت بسيار كمي نسبت به روش هاي ديگر مورد مقايسه دارد، اما در اكثر موارد، بهترين روش از نظر نتايج حاصله بوده و نتايج مطلوبي را به دست آورده است. استفاده از روش پيشنهادي باعث مي شود كه ميزان پيشنهادهاي اشتباه ، كاهش يافته و همچنين دقت عملكرد سيستم نيز بهبود پيدا كند.

1400/10/19

Application of machine learning techniques in marketing recommender systems

11/21/2022 12:00:00 AM

Recommender systems have many applications; Their main use is in the field of e-commerce to offer various products and advertisements. One of the effective approaches in recommender systems is to use deep-learning techniques to extract and learn the properties of items and predict user scores. Deep-learning models consist of several layers and can learn a hierarchy from low-level to high-level features. These features are well-generalized and can be used effectively in order to improve the quality of the recommendation. To conduct this research, I used a combined deep-learning model to adopt high-level features from social network data. For this purpose, I have incorporated the Deep Belief Network (DBN) based on RBM in combination with the Deep Convolutional Neural Network (CNN), to learn the hidden properties of the item and predict the user rating, respectively. The real-world MovieLens dataset was used to evaluate the proposed model. This dataset contains the votes that users have given to various movies. After a review and assessment of the results, it was observed that in the proposed method, the criteria of accuracy, readability and also the F measure have reached desirable and acceptable values. Comparing to all the other methods for all of the cases in which the data have different probability of observation; the proposed method shows a much higher degree of efficiency. Although, in some rare cases, the proposed method has a slight disadvantage compared to other methods; in most cases, it has proved to be the best in terms of results and desired outcomes. Using this method reduces the amount of incorrect suggestions, while it also improves the accuracy of system performance.

سيستم توصيه گر , بازاريابي , يادگيري عميق , شبكه باور عميق , شبكه عصبي كانولوشن عميق