سیستم های پیشنهاد دهنده

ارائه سرویس های مناسب به مشتریان همواره یکی از موارد مهم در بانک ها بوده است. از سویی شناسایی زمان مناسب برای ارائه این سرویس ها نیز توجه بسیاری از محققان را به خود جلب کرده است. شناسایی زمان مناسب ارائه پیشنهادها هم از نظر اثر بخشی پیشنهادها، (پذیرش مشتریان) و هم از نظر کارایی (صرف مناسب منابع) برای طراحان حائز اهمیت بوده است. در این مقاله سعی شده با استفاده از داده های مربوط به تراکنش های مالی مشتریان، زمان مناسب جهت پیشنهاد سرویس های مورد علاقه مشتری شناسایی گردد. بر این اساس در این تحقیق نتایج حاصل از پیش بینی روند آتی تراکنش های مشتری(روند مثبت، منفی یا تغییر الگوی رفتاری) با بیان از شبکه های عصبی پرسپترون، در شناسایی زمان مناسب جهت پیشنهاد سرویس های مورد علاقه بیان شده است. این سرویس ها بر اساس علایق مشتری و نتایج حاصل از پیش بینی الگوی رفتاری شناسایی گردیده است.

امروزه شبکه های اجتماعی برخط به دلیل امکان ایجاد ارتباط بین افراد مختلف در سرتاسر دنیا، دارای محبوبیت زیادی هستند. این شبکه های اجتماعی که دارای امکاناتی از قبیل پیشنهاد دوست به کاربران هستند، در اغلب موارد جهت ارائه پیشنهادات خود، از ویژگی های محلی ساختار گراف شبکه استفاده می کنند. برای ارائه پیشنهاد در این شبکه ها، روش های مختلفی با دو رویکرد محلی و سراسری پیمایش گراف شبکه پیشنهاد شده و مورد استفاده قرار می گیرد. ما در این مقاله روشی با رویکرد محلی ارائه داده ایم که دارای کارایی مناسبی نسبت به سایر روش هاست، علاوه براین که به دلیل محلی بودن رویکرد دارای سرعت قابل قبولی نیز می باشد. ویژگی جدید بر اساس ارزیابی ای که بر روی مجموعه داده های دو شبکه اجتماعی بزرگ Facebook و Epinions انجام شده است، نشان داده است که می تواند پیشگویی خوبی برای یال هایی که قرار است در آینده شکل بگیرند، انجام دهد و در نتیجه پیشنهادات قابل قبولی را ارائه دهد.

هدف: با توجه به افزایش سهم مصرف و تماشای ویدئو در سبد مصرفی خانواده های ایرانی، سامانه های متعددی جهت تسهیل دسترسی مردم به این ویدئوها راه اندازی و توسعه داده شده است. یکی از مهم ترین انواع این سامانه ها، سامانه های ویدئوی درخواستی می باشند که در سال های اخیر، روند رشد بی سابقه ای را در زمینه جذب مخاطب طی کرده اند. به همان اندازه که تعدد محتوا در این سامانه ها موجب تنوع و رضایت کاربران می شود، این تعدد می تواند موجب سردرگمی بیشتر برای یافتن محتواهای مورد علاقه کاربران شود. هدف این پژوهش ارائه روش کارآمد پیشنهاددهی فیلم بر مبنای داده های مشاهده کاربران در سامانه ویدئوی درخواستی است. روش : در این پژوهش یک الگوریتم جدید پیشنهاددهی مبتنی بر سلایق کاربر و داده های تماشای فیلم کاربران در سامانه ویدئوهای درخواستی ارائه می گردد. این لگوریتم مبتنی بر مفاهیم و شاخص های تحلیل شبکه اجتماعی بوده و براساس داده های تماشای فیلم کاربران، به شناسایی و پیشنهاددهی فیلم های مورد علاقه کاربران می پردازد. نتایج: عملکرد الگوریتم پیشنهادی این پژوهش بر روی داده های 50، 100 و 200 کاربر سایت سینما مارکت ارزیابی شده که نتایج آن، نشان دهنده عملکرد بهتر الگوریتم پیشنهادی این پژوهش در مقایسه با الگوریتم های Naive bayes، k-nearest neighbors و ID3 است. نتیجه گیری: سیستم های پیشنهاد دهنده با در اختیار داشتن اطلاعات فراوان و متعددی از کاربران و سوابق رفتاری آنان به پیشنهاد محتوا می پردازند. الگوریتم پیشنهادی این پژوهش قادر است با حداقل اطلاعات ممکن یعنی اطلاعات مربوط به مشاهدات کاربران با عملکرد مطلوب و قابل قبولی وظیفه پیشنهاد محتوای مطلوب کاربران را انجام دهد.