تحلیل تأثیر دادههای شبکههای اجتماعی و یادگیری تقویتی بر شاخصهای تجاری سیستمهای توصیهگر در تجارت الکترونیک
تحلیل تأثیر دادههای شبکههای اجتماعی و یادگیری تقویتی بر شاخصهای تجاری سیستمهای توصیهگر 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-ABHAKE
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
سیستمهای توصیهگر بهعنوان یکی از مؤلفههای کلیدی پلتفرمهای تجارت الکترونیک، نقش مهمی در بهبود تجربه کاربران و افزایش عملکرد تجاری ایفا میکنند. با این حال، بسیاری از روشهای موجود عمدتاً بر دادههای رفتاری کاربران تکیه دارند و از اطلاعات ارزشمند موجود در شبکههای اجتماعی و قابلیتهای یادگیری تقویتی برای بهینهسازی تصمیمگیری بهره کافی نمیبرند. هدف این پژوهش، تحلیل تأثیر ادغام دادههای شبکههای اجتماعی و یادگیری تقویتی بر شاخصهای تجاری سیستمهای توصیهگر است. در چارچوب پیشنهادی، ابتدا دادههای رفتاری کاربران از مجموعهداده Amazon Reviews و دادههای متنی از Twitter جمعآوری شدند. پس از انجام مراحل پیشپردازش، تحلیل احساسات با استفاده از مدل BERT انجام شد و ویژگیهای استخراجشده در کنار دادههای رفتاری به عامل یادگیری تقویتی منتقل شدند تا فرآیند پیشنهاددهی بهصورت پویا بهینه شود. بهمنظور ارزیابی عملکرد، سه سناریوی آزمایشی شامل مدل مبتنی بر دادههای رفتاری، مدل مجهز به تحلیل احساسات و چارچوب پیشنهادی مبتنی بر تحلیل احساسات و یادگیری تقویتی طراحی شد. نتایج نشان داد که چارچوب پیشنهادی در تمامی شاخصهای تجاری عملکرد برتری نسبت به دو سناریوی دیگر دارد؛ بهگونهای که نرخ کلیک (CTR) به 168/0، نرخ تبدیل به 063/0، میانگین ارزش سبد خرید به 9/108 دلار و شاخص تعامل کاربران به 826/0 افزایش یافت. همچنین، تحلیل نتایج بیانگر آن است که استفاده همزمان از دادههای شبکههای اجتماعی و یادگیری تقویتی موجب ارائه پیشنهادهای شخصیسازیشدهتر، افزایش تعامل کاربران و بهبود شاخصهای اقتصادی سامانههای تجارت الکترونیک میشود. یافتههای این پژوهش میتواند بهعنوان راهکاری عملی برای توسعه نسل جدید سیستمهای توصیهگر هوشمند و ارتقای عملکرد تجاری پلتفرمهای تجارت الکترونیک مورد استفاده قرار گیرد.
کلمات کلیدی : سیستمهای توصیهگر تجارت الکترونیک شبکههای اجتماعی تحلیل احساسات یادگیری تقویتی شاخصهای تجاری شخصیسازی bert