Розничная торговля через Интернет, коммерческая деятельность в области электронной коммерции, представляет собой процесс продажи физических товаров в Интернете, в то время как онлайн-покупки – это процесс покупки и продажи товаров и услуг через Интернет.

Тем не менее, рекомендации по товару – это бизнес-стратегия в электронной коммерции, используемая для продвижения товаров, продаваемых в интернет-магазине. Большинство интернет-магазинов имеют свои торговые системы, аналогичные системам онлайн-продаж, используемым в развитых странах. Большое внимание было уделено предоставлению неперсонализированных рекомендаций в нигерийских онлайн-магазинах, поскольку информация о рейтингах, необходимых для персонализированных рекомендаций, немногочисленна. Эти системы в основном представляют собой гибрид подходов на основе контента и совместной фильтрации для генерации рекомендаций. Использование основанных на контенте, совместных и демографических гибридов не было полностью изучено и реализовано. Однако в этом документе предлагается гибридная архитектура рекомендаций по элементам, которая объединяет подходы на основе контента, совместной работы и демографической фильтрации в стратегии смешанной гибридизации для предоставления рекомендаций в онлайн-магазинах. Архитектура предоставляет совместные рекомендации, использующие векторное сходство и скорректированную меру сходства косинусов. Предложенная система будет иметь большое значение в обеспечении адекватной рекомендации товаров в нигерийских магазинах.

Электронная коммерция (ЕС) – это процесс осуществления деловых операций через телекоммуникационные сети, особенно через Интернет [1]. Это проведение финансовых операций с помощью электронных средств. Предпочтение традиционным покупкам постепенно снижается из-за удобства, предоставляемого онлайн-покупками. Тем не менее, интернет-магазины все еще медленно принимаются. Это происходит из-за различных проблем, с которыми часто сталкиваются потребители при совершении покупок в Интернете, таких как плохие рекомендации по товарам, задержка доставки, плохие схемы удержания клиентов, небезопасная платежная инфраструктура, плохая политика возврата и возмещения, недоступная плата за доступ в Интернет.

Чтобы эффективно совершать покупки в Интернете, розничные торговцы организуют онлайн-каталоги товаров и принимают заказы через свои веб-сайты. Они также должны принимать платежи в безопасных условиях, отправлять товары клиентам и управлять данными клиентов. Для клиентов, чтобы рассмотреть онлайн продукты, система рекомендации должна использоваться. Рекомендательные системы были определены в [3] как программные средства и методики, предоставляющие предложения пользователю. Они стали фундаментальными приложениями в электронной торговле и доступе к информации. Они предоставляют предложения / рекомендации по интернет-магазинам, которые эффективно сокращают большие информационные пространства, чтобы пользователи могли ориентироваться на товары, которые наилучшим образом соответствуют их потребностям и предпочтениям.

Согласно [4], одним из наиболее успешных приложений в сфере онлайн-покупок являются «услуги персонализированных рекомендаций». Рекомендации направлены на поддержку покупателей в их различных процессах принятия решений при осуществлении покупок в Интернете. [5] и [6] различают эти рекомендации на персонализированные и не персонализированные рекомендации. Персональные рекомендации направлены на удовлетворение индивидуальных потребностей пользователей рекомендательной системы. Они генерируются с использованием оценок товаров в интернет-магазине. Они также иногда генерируются с использованием демографии покупателей, в основном для покупателей, у которых нет достаточных оценок, которые могут быть использованы системой для предоставления им рекомендаций. Неперсонализированные рекомендации направлены на удовлетворение коллективных потребностей всех пользователей рекомендательной системы. Они генерируются на основе того, что другие клиенты говорили об определенных товарах или товарах (обзоры товаров), продавцы с самым высоким рейтингом в магазине, товары, которые нравились покупателям, анализ покупательского поведения в прошлом. Они часто представлены в качестве общей рекламы на главной странице магазина, скидках, предложениях и купонах.

Предоставление качественных рекомендаций по товарам, особенно персонализированных рекомендаций, было довольно сложной задачей для онлайн-магазинов. Это потому, что существующие рекомендательные модели были реализованы в основном с иностранной ориентацией. Они не отражают специфические информационные потребности и торговые предпочтения местных покупателей. Требуется система моделей онлайн-покупок, которая решает эти проблемы; следовательно, эта статья нацелена на предложение гибридной архитектуры рекомендаций по элементам, которая демографически улучшает процессы рекомендаций по элементам в онлайн-магазинах.

Предлагаемая архитектура объединяет процессы контентной, совместной и демографической фильтрации в смешанной гибридизации. Она также предлагает демографическую фильтрацию для всех покупателей интернет-магазинов для предоставления демографических рекомендаций. Это в отличие от существующих моделей, которые рассматривают демографическую фильтрацию только для покупателей, не имеющих предварительных оценок в системе. В ней также предлагается использовать альтернативные данные (данные о покупке и контенте) вместо данных о рейтингах в процессах фильтрации на основе контента и совместной работы.

ВЫВОД

Предполагается, что предлагаемый подход повысит качество рекомендаций персонализированных товаров, предоставляемых нигерийскими интернет-магазинами, и позволит преодолеть проблемы холодного старта (для новых пользователей), новинок и нехватки товаров. Также ожидается, что это уменьшит проблемы с масштабируемостью, поскольку в интернет-магазине будут храниться только данные о покупках и демографические данные покупателей. Предполагается изучить возможность использования альтернативных источников данных, таких как закупки и демографические данные, для рекомендаций. Также ожидается, что он представит демографические рекомендации по нигерийским интернет-магазинам и предоставит концептуальную информацию, необходимую для создания интернет-магазинов, адаптированных к особенностям местных покупателей.

Использованные источники

  1. Zwass Electronic commerce: Structures and issues. International Journal of Electronic Commerce. 1996;1(1):3-23.
  2. Kgosana M, Thunstrom A, Miles K, Hunt S, Jackson D, Begg M. Fast-moving consumer goods in  Africa.  KPMG  Africa Limited Article Publication. 2014;1(2):1-17.
  3. Kabore SC. Design and implementation of a recommender system as a module for liferay   portal.  In  Barcelona  School  of Computing (FIB), University Polytechnic of Catalunya (UPC). 2012;1-127.
  4. Zenebe A, Ozok A, Norcio A Personalized recommender systems in E- Commerce and M-Commerce: A comparative study. Researchgate Publications. 2005;1(2):1-10.
  5. Chu W, Park S Personalized recommendation on dynamic content using predictive bilinear models. In Proceedings of the 18th International Conference on World Wide  Web,  Madrid,  Spain.  2009; 691-700.
  6. Prassad R,   Kumari  VV.  A  categorical review  of   recommender   system International Journal of  Distributed  and Parallel  Systems  (IJDPS).  2012;3(5):73- 83.
  7. Pazzani  MJ,   Billsus   D.   Content-based recommendation systems. The Adaptive Web. 2007;14(1):325-334.
  8. Burke R.  Hybrid  recommender  systems: Survey and experimen User Modeling and User-Adapted Interaction Journal. 2002;12(1):331-370.
  9. Escriche M, Symeon P. User profiling and personalization  tool     WeKnowIt’, Emerging,  Collective  Intelligence   for Personal, Organizational, and Social Use Paper. 2011;1(2):1-26.
  10. Kiong LT.  Intelligent  web  techniques for web personalization. Intelligent Web Systems Paper, Massachusetts Institute of Technology, Cambridge, Massachusetts, USA. 2008;1-7.
  11. Spiegel S. A hybrid approach to recommender systems based on matrix factorization. A Technical Report Technische Universistat Berlin. 2009;1-88.

A Hybrid Recommendation Architecture for Nigerian Online Stores
A.T. Olaniran, I.O. Awoyelu, A.O. Amoo, B.O. Akinyemi

Поделиться в соц. сетях

Опубликовать в Google Buzz
Опубликовать в Google Plus
Опубликовать в LiveJournal
Опубликовать в Мой Мир
Опубликовать в Одноклассники

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *