طراحی سیستم توصیه‌گر هوشمند مبتنی بر تحلیل احساسات شبکه‌های اجتماعی و یادگیری تقویتی عمیق برای بهبود کیفیت توصیه در تجارت الکترونیک

طراحی سیستم توصیه‌گر هوشمند مبتنی بر تحلیل احساسات شبکه‌های اجتماعی و یادگیری تقویتی عمیق برای بهبود کیفیت توصیه در تجارت الکترونیک

محمدمهدی مرسی1 محمود دی‌پیر2

1) گروه مهندسي فناوری اطلاعات، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ايران
2) گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ايران

کد IOI مقاله : AAHD-ABHAKD
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    سیستم‌های توصیه‌گر به یکی از اجزای کلیدی سامانه‌های تجارت الکترونیک تبدیل شده‌اند و نقش مهمی در شخصی‌سازی خدمات، افزایش رضایت کاربران و بهبود نرخ تبدیل خرید ایفا می‌کنند. با این حال، بسیاری از روش‌های متداول توصیه‌گر تنها بر تاریخچه تعامل کاربران یا ویژگی‌های محصولات متکی هستند و قادر به بهره‌گیری از اطلاعات پویا و غنی موجود در شبکه‌های اجتماعی نیستند. علاوه بر این، اغلب این روش‌ها فاقد قابلیت یادگیری تطبیقی در مواجهه با تغییرات مستمر ترجیحات کاربران هستند. در این پژوهش، یک سیستم توصیه‌گر هوشمند مبتنی بر ترکیب تحلیل احساسات شبکه‌های اجتماعی و یادگیری تقویتی عمیق ارائه شده است. در مرحله نخست، داده‌های حاصل از نظرات کاربران در شبکه‌های اجتماعی و داده‌های رفتاری موجود در مجموعه داده Amazon Reviews جمع‌آوری و پیش‌پردازش شدند. سپس با استفاده از مدل‌های پردازش زبان طبیعی، احساسات کاربران استخراج و به‌عنوان یکی از ویژگی‌های مؤثر در فرآیند توصیه مورد استفاده قرار گرفت. در ادامه، یک عامل یادگیری تقویتی عمیق با هدف یادگیری سیاست بهینه پیشنهاددهی طراحی شد تا بتواند بر اساس بازخورد کاربران، پیشنهادهای شخصی‌سازی‌شده را به‌صورت پویا بهبود دهد. عملکرد روش پیشنهادی با استفاده از معیارهای Precision، Recall، F1-score، NDCG و نرخ تبدیل با چندین روش مرجع مقایسه شد. نتایج آزمایش‌ها نشان داد که مدل پیشنهادی در تمامی معیارهای ارزیابی عملکرد بهتری نسبت به روش‌های مقایسه‌ای ارائه می‌دهد و ضمن افزایش دقت توصیه‌ها، موجب بهبود تعامل کاربران و افزایش احتمال خرید می‌شود. یافته‌های این پژوهش نشان می‌دهد که ادغام تحلیل احساسات با یادگیری تقویتی عمیق می‌تواند چارچوبی کارآمد برای توسعه نسل جدید سیستم‌های توصیه‌گر هوشمند در تجارت الکترونیک فراهم آورد.

کلمات کلیدی : سیستم توصیه‌گر یادگیری تقویتی عمیق تحلیل احساسات پردازش زبان طبیعی تجارت الکترونیک شخصی‌سازی