جستجو
ارائه مدل ترکیبی RL–LSTM برای پیشبینی پویا و دقیق ارزش طول عمر مشتری در فروشگاههای آنلاین
فروزان بلگوری1 حسن ضیافت2
چکیده :
با گسترش تجارت الکترونیک و افزایش رقابت در بازارهای دیجیتال، پیشبینی دقیق ارزش طول عمر مشتری (CLV) به یکی از چالشهای اصلی مدیریت ارتباط با مشتری تبدیل شده است. هدف این پژوهش ارائه یک مدل ترکیبی مبتنی بر یادگیری عمیق و یادگیری تقویتی برای پیشبینی پویا و دقیق CLV در فروشگاههای آنلاین است. در روش پیشنهادی، دادههای تراکنشی و رفتاری مشتریان پس از مرحله پیشپردازش، در قالب شبکه عصبی LSTM جهت استخراج وابستگیهای زمانی و الگوهای رفتاری مورد استفاده قرار گرفتند. سپس الگوریتم یادگیری تقویتی بهمنظور بهینهسازی تصمیمات و افزایش دقت پیشبینی با مدل LSTM ادغام شد. برای ارزیابی عملکرد مدل، دادههای Retail Online مورد استفاده قرار گرفت و نتایج با الگوریتمهای کلاسیک شامل رگرسیون خطی، جنگل تصادفی، XGBoost و LSTM مقایسه شد. معیارهای ارزیابی شامل RMSE، MAE، MAPE و ضریب تعیین (R²) بودند. نتایج نشان داد مدل ترکیبی RL–LSTM نسبت به مدلهای پایه عملکرد بهتری داشته و توانسته خطای پیشبینی را بهصورت قابل توجهی کاهش دهد. یافتههای این پژوهش نشان میدهد استفاده از مدلهای ترکیبی مبتنی بر یادگیری عمیق و یادگیری تقویتی میتواند ابزار مؤثری برای شناسایی مشتریان باارزش و بهینهسازی تصمیمات بازاریابی در فروشگاههای آنلاین فراهم آورد.
کلمات کلیدی : ارزش طول عمر مشتری یادگیری ماشین یادگیری عمیق یادگیری تقویتی lstm تجارت الکترونیک مدیریت ارتباط با مشتری
زبان مقاله : فارسی
محور مقاله : محورهای نظری هوش مصنوعی
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABFEGB
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABFEGB
سایر مقالات ارائه دهنده
- امکانسنجی حضور هوش مصنوعی بهعنوان عضو تیم چابک: مدل مفهومی و ارزیابی ظرفیتهای پشتیبان در توسعه نرمافزار ایرانی
- پذیرش و اعتماد توسعهدهندگان ایرانی نسبت به همکاری با هوش مصنوعی در تیمهای چابک: طرح پژوهش پیمایشی
- ارائه مدل ترکیبی RL–LSTM برای پیشبینی پویا و دقیق ارزش طول عمر مشتری در فروشگاههای آنلاین
- ترکیب تحلیل احساسات و دادههای رفتاری مشتریان برای بهبود پیشبینی رفتار خرید و ارزش طول عمر مشتری در فروشگاههای آنلاین
- طراحی سیستم توصیهگر و بازاریابی پویا مبتنی بر هوش مصنوعی و دادههای احساسات کاربران در شبکههای اجتماعی برای تجارت الکترونیک
- طراحی سیستم توصیهگر هوشمند مبتنی بر تحلیل احساسات شبکههای اجتماعی و یادگیری تقویتی عمیق برای بهبود کیفیت توصیه در تجارت الکترونیک
- تحلیل تأثیر دادههای شبکههای اجتماعی و یادگیری تقویتی بر شاخصهای تجاری سیستمهای توصیهگر در تجارت الکترونیک
- طراحی و ارزیابی یک سیستم توصیهگر ترکیبی مبتنی بر فیلترینگ مشارکتی، فیلترینگ مبتنی بر محتوا و NeuMF با وزندهی پویا برای شخصیسازی منوهای اپلیکیشنهای موبایلی
- تحلیل تجربی تأثیر وزندهی پویا در سیستمهای توصیهگر هیبریدی برای شخصیسازی خدمات اپلیکیشنهای بانکی
- تأثیر شخصی سازی مبتنی بر هوش مصنوعی بر رضایت ادراک شده مشتری
سایر مقالات محل انتشار
- A Study on Design Understandability and Interaction of the therapy-specific Robots
- طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتیژن
- طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
- یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکههای خودرویی شهرهای هوشمند با استفاده از دادههای ترافیکی شبکه سلولی
- An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
- تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکههای عصبی
- Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
- ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
- کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
- Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
- Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
- تحلیل آیندهپژوهانه همگرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
- نقش تحول دیجیتال در خدمات کتابخانههای عمومی برای توانیابان جسمی و ذهنی
- Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
- Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems