عنوان پایان‌نامه
ارائه یک سیستم پیشنهاد دهند برای مشتریان دارای سلیقه های غیرمعمول با استفاده از رویکرد چندبعدی
- رشته تحصیلی
- مدیریت فن آوری اطلاعات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 48943
- تاریخ دفاع
- ۱۵ اسفند ۱۳۸۹
- دانشجو
- نیکو مهری
- استاد راهنما
- بابک سهرابی یورتچی
- چکیده
- از دیرباز مشتری و توجه به نیازهای وی نقش مهم و اساسی در حفظ بازار و رقابت با رقبا داشته است. با پیشرفت تکنولوژی ابزارهای زیادی برای تسهیل ارائه خدمات بهتر به مشتریان ایجاد شده است که یکی از آن‌ها سیستم‌های پیشنهاد دهنده می‌باشند، که با استفاده از اطلاعاتی که از مشتریان در مورد میزان علاقه آن‌ها به محصولات دریافت می‌نمایند رفتار آن‌ها را در مورد محصولات دیگر تخمین زده و پیشنهادات خود را ارائه می‌دهند. هر اندازه میزان خطای پیشنهادات ارائه شده کمتر باشد رضایت مشتریان بیشتر و درنتیجه فروش بیشتر خواهد شد. یکی از مهمترین چالش ها در زمینه مشتریان سیستم‌های پیشنهاد دهنده، وجود مشتریان با سلیقه‌های خاص و یا به اصطلاح مسئله گوسفند خاکستری می‌باشد که شناسایی آن‌ها و ارائه پیشنهادات مناسب به آن‌ها از اهداف این تحقیق می‌باشد. در این تحقیق در ابتدا، یک سیستم پیشنهاد دهنده کلاسیک دوبعدی با روش فیلترینگ مشارکتی برای ارائه پیشنهادات به کل مشتریان ارائه شده، نتایج پیشنهادات از آن استخراج میگردد و در ادامه با استفاده از تعیین فواصل موجود میان مشتریان که از شباهت آن‌ها استخراج شده است، مشتریان خاص سیستم شناسایی می‌گردند. با توجه به هدف سیستم که ارائه پیشنهاد به این دسته از مشتریان است، برای حصول به نتایج بهتر از سیستم پیشنهاد دهی چند بعدی استفاده میگردد. در این خصوص به عنوان بعد مکمل خوشه هر کاربر در نظر گرفته می‌شود که از طریق خوشه‌بندی به روش K-means بدست می‌آید. پیشنهادات به کاربران خاص در این مدل ارائه می‌شود نتایج نهایی تحقیق حاکی از آن است که با پیمودن این مراحل پیشنهادات ارائه شده به کاربران خاص نسبت به پیشنهادات ارائه شده در سیستم کلاسیک دو بعدی به مجموعه کاربران از خطای کمتری برخوردار بوده است.
- Abstract
- From the old days customers and his needs have the fundamental role in adversary and market. Development of technologies lead to produce tools to make better services to customers, one of these technologies is recommender system, which using the customer’s informations about their intrests to items and make a prediction about his intrest to other items. If the error of prediction is low the satisfaction of custores is high. One problem in this system is the customer that his intrest is not like other customers interests they called Grey sheeps. Identification of these customers and predict the rates are the purpose of this thesis. In the first step we make a two-dimensional recommender system with collaborative filtering, and predict the rates. At the second step we identify the anomalous users by using clustering algorithm (DBSCAN). After that to find the best recommendation to these anomalous users we use multidimensional recommendation approach, which used three-dimensions in stead of two dimensions. The third dimension is the cluster number that each user refers. In this step we use k-means algorithm to cluster the anomalous users. We compare the prediction of rates in this system with the prediction of classic systems, the result shows that the predictions to anomalous users in the system which refers to them have less error than the system refers to all the users. Key words: Multidimensional recommender systems, anomalous users, DBSCAN algorithm, K-means algorithm, collaborative filtering, grey sheep problem
