توصیه محصولات محصول تجارت الکترونیکی با استفاده از تاریخچه خریدها و داده های Clickstream

در تجارت الکترونیک، ماتریس‌های رتبه‌بندی کالای کاربر برای سیستم‌های پیشنهاد فیلترینگ مشارکتی معمولا دو تایی هستند و پراکنده هستند، که نشان می‌دهند که آیا کاربر قبلا یک مورد را خریداری کرده‌است یا خیر. داده‌های clickstream شامل رفتار مشتریان بیشتر برای بهبود پیشنهادها توسط برخی از سیستم‌های موجود در این مقاله به عنوان Kim05Rec ، Kim11Rec و Chen13Rec استفاده شده است. با این حال، آن‌ها اطلاعات ارزشمندی را از تاریخچه خریدها و اطلاعات مهم اوراق‌قرضه بین کلیک و خریدهای مبتنی بر جلسه، یکپارچه نمی‌کنند. این مقاله تاریخچه خرید را با سیستم clickstream (HPCRec)پیشنهاد می‌کند، که ماتریس فراوانی تاریخچه خرید را به منظور بهبود کیفیت درجه‌بندی پیشنهاد می‌کند، و ارتباط مهمی بین کلیک و خریدها برای ایجاد امتیازات بالقوه برای بهبود کمیت درجه‌بندی ارایه می‌کند. نتایج تجربی نشان می‌دهد که HPCRec عملکرد بهتری نسبت به این روش‌های موجود دارد و همچنین قادر به جابجایی موارد نادر کاربر نیز می‌باشد، در حالی که روش‌های دیگر نمی‌توانند.

In E-commerce, user-item rating matrices for collaborative filtering recommendation systems are usually binary and sparse, showing only whether or not a user has purchased an item previously. Clickstream data containing more customer behavior have been used to improve recommendations by some existing systems referred in this paper as Kim05Rec, Kim11Rec, and Chen13Rec, using decision tree, association rule mining and category-based interest measurements respectively. However, they do not integrate valuable information from historical purchases and the consequential bond information between session-based clicks and purchases. This paper proposes Historical Purchase with Clickstream recommendation system (HPCRec), which normalizes the historical purchase frequency matrix to improve rating quality, and mines the session-based consequential bond between clicks and purchases to generate potential ratings to improve the rating quantity. Experimental results show HPCRec outperforms these exist