عنوان فارسی مقاله:    یک سیستم توصیه گر مبتنی بر محتوی برای پیشنهادات فروش و کوپن ‌های تجارت الکترونیک عنوان انگلیسی مقاله:    A Content-based Recommender System for E-commerce Offers and Coupons

ترجمه مقاله سیستم توصیه شده مبتنی بر محتوا برای پیشنهادات تجارت الکترونیک و کوپن – 2017

مشخصات مقاله انگلیسی (PDF):
سال انتشار    ۲۰۱۷
تعداد صفحات مقاله انگلیسی    ۷ صفحه با فرمت pdf
رشته های مرتبط با این مقاله    مدیریت و مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله    تجارت الکترونیک، مدیریت فناوری اطلاعات، مدیریت کسب و کار و اینترنت و شبکه های گسترده
چاپ شده در مجله (ژورنال)    SIGIR eCom
کلمات کلیدی    سیستم‌های توصیه گر، شخصی سازی، تخفیفات و کوپن‌های تجارت الکترونیک
ارائه شده از دانشگاه    موسسه تکنولوژی Rakuten بوستون، ماساچوست، ایالات متحده آمریکا
رفرنس    دارد ✓
کد محصول. 110

مشخصات و وضعیت ترجمه فارسی این مقاله pdf
وضعیت ترجمه    انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت Pdf     ۱۷ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول    ترجمه شده است ✓
ترجمه متون داخل تصاویر    ترجمه نشده است ✓
ترجمه متون داخل جداول    ترجمه شده است ✓
درج تصاویر در فایل ترجمه    درج شده است ✓
درج جداول در فایل ترجمه    درج شده است ✓
درج فرمولها و محاسبات در فایل ترجمه    به صورت عکس درج شده است ✓
منابع داخل متن    به صورت عدد درج شده است ✓
کیفیت ترجمه    کیفیت ترجمه این مقاله متوسط میباشد

فهرست مطالب:
چکیده
۱ مقدمه
۱-۱ رویکردهای مدل سازی
۲-۱ تولید نمونه‌های منفی
۲-۲ جنگل‌های تصادفی
۲-۳ درختان افزایش گرادیان
۲-۴ معیار مبتنی بر محبوبیت
۲-۵ زمان اجرا
۳ داده‌ها
۴ آزمایشات
۴-۱ نتایج
۴-۲ ارزیابی شروع سرد مبتنی بر کاربر
۵  کارهای مرتبط
۶-نتیجه گیری




بخشی از ترجمه:
چکیده
شرکت‌های تجارت الکترونیک پاداش محور هر روزه هزاران تخفیف و کوپن را به صورت آنلاین به نمایش می‌گذارند. مشتریانی که برای خدمات کوپن آنلاین ثبت نام می‌کنند یا یک ایمیل خودکار را با تخفیفات انتخاب شده دریافت می‌کنند و یا این که تخفیفات خاص را در صفحه اول وب سایت شرکت انتخاب می‌کنند. تخفیفات آنلاین با کیفیت بالا انتخاب شده و از طریق این دو ابزار با استفاده از یک فرایند دستی که در آن گروهی از کارشناسان مسئول ارزیابی تازگی، محبوبیت محصول، تمایلات خرده فروش و سایر معیارهای مربوط به کسب و کار کار می‌کنند، تحویل می‌شوند. این فرایند پر هزینه و زمانبر بوده و بر طبق سلیقه و اولویت کاربران و یا سابقه خرید آن‌ها نیست. در این مطالعه، ما یک سیستم توصیه گرمبتنیبر محتوی را پیشنهاد می‌کنیم که فرایند انتخاب کوپن را ساده‌تر کرده و توصیه را برای بهبود نرخ کلیک و در نهایت نرخ تبدیل، شخصی سازی می‌کند. در مقایسه بامعیار مبتنی بر محبوبیت، سیستم توصیه گر مبتنی بر محتوی موجب بهبود شاخص‌های F از ۰٫۲۱ تا ۰٫۸۵ شده و نرخ کلیک برآورد شده را از ۱٫۲۰ تا ۷٫۸۰ درصد افزایش می‌دهد. سیستم آزمایشی امروزه برای آزمون A/B با مشتریان واقعی زمان بندی شده است.
۱- مقدمه
سرویس‌های تجارت الکترونیک پاداش محور یک بخش آنلاین سریع الرشد می‌باشد که از طریق اهرم قیمت‌های تخفیف خورده از یک شبکه گسترده‌ای از شرکت‌های وابسته، تخفیف‌های نقدی (کش بک) به مشترکان ارائه می‌کنند.
معمولاً، یک مصرف کننده از وب سایت شرکت برای جست وجوی محصولات خاص، خرده فروشان و یا کلیک بر روی یکی از تخفیفات برجسته منتشر شده استفاده می‌کنند. سپس خریداران به وب سایت‌های خرده فروشان مربوطه هدایت می‌شوند. یک بازدید از وب سایت ازطریق این هدایت موسوم به گردش خرید می‌باشد.
در عین حال، مشترکین ایمیل‌های روزانه خودکار را با رایج‌ترین تخفیفات دریافت می‌کنند. شکل ۱ قطعه‌ای از یک ایمیل خودکار روزانه را نشان می‌دهد که دارای یک فهرستی از تخفیفات و کوپن‌های فعلی است. محتوای وب سایت و ایمیل به طور دستی توسط کارشناسانی که بر تحویل با کیفیت‌ترین تخفیفات به مشتریان متمرکز هستند سازمان دهی می‌شود.
این فرایند سازمان دهی تبلیغات به طور دستی بسیار دشوار است و برای میلیون‌ها مشتری آنلاینی که پیشنهادات تخفیف یکسانی را صرف نظر از سابقه خرید یا جست و جوی قبلی خود دریافت می‌کنند کافی نیست. یک سیستم توصیه گر قادر به پوشش دادن اولویت‌ها و سلایق مشتریان از طریق بهینه سازی انتخاب کوپن بر اساس سابقه وتشابه میان کاربران و یا آیتم‌ها می‌باشد. با این حال، در مقایسه با سیستم‌های توصیه گر سنتی در سایر حوزه‌ها نظیر فیلم (۶-۱۰) و موسیقی (۱۶)، تحفیفات خرید به دلایل متعددی متفاوت می‌باشند:۱- کوپن‌ها آیتم‌های به شدت فراری هستند که تنها در یک دوره زمانی محدود اعتبار دارند و پس از تاریخ انقضا، حذف می‌شوند ۲- مشتریان استفاده کننده از کوپن‌ها، تحت تأثیر گردش حساب وحجم معامله بالایی قرار دارند ۳- جمعیت کاربران ومشتریان معمولاً بین اقلیت کاربران دایمی و اکثریت کاربران موقت متغیر است و ۴- تخفیفات آنلاین به ندرت مانند تخفیفات مربوط به حوزه فیلم و موسیقی ارزیابی و رتبه بندی می‌شوند.
در نتیجه، حوزه تحفیفات آنلاین در معرض مسئله شروع و راه اندازی سرد (۴) قرار دارد که در آن تاریخچه کلیک یا جست وجو برای یک آیتم جدید کافی نیست و یا بر عکس، یک تاریخچه کافی برای یک مشترک جدید وجود ندارد. روش‌های فاکتور گیری ماتریس در برابر مسئله شروع سرد ضعیف بوده (۴) و قادر به پوشش دادن برخی از ویژگی‌های ضروری برای مدل سازی اولویت‌های آیتم‌های بسیار فرار و جمعیت زیادی از مشتریان نمی‌باشد.
به همین دلیل، ما رویکرد فیلترینگ مبتنی بر محتوی (CBF) را اتخاذ کردیم که در آن از کوپن‌ها و ویژگی‌های مشتریان برای ایجاد یک مدل طبقه بندی تصادفی که احتمال پسین را برای یک کوپن انتخاب شده توسط مشتری پیش بینی می‌کند استفاده می‌کنیم. ما به بازخورد ضمنی کاربران متکی هستیم که به طور غیر مستقیم اولویت‌ها و سلایق کاربران را از طریق رفتاری نظیر کلیک کردن بر روی تخفیفات خاص در یک لیست رتبه بندی شده بیان می‌کند. این معمولاً یک سیگنال نویزدار در مقایسه با بازخورد صریح نظیر ارزیابی‌ها و ارائه نظرات می‌باشد با این حال با اریبی‌ها و سوگیری‌های فراوانی در تاریخچه و سابقه کلیک توسط کاربر همراه است (۱۵-۲۳).
با این حال، استفاده از اطلاعات کلیک چالش برانگیز تراست زیرا مستقیماً منعکس کننده رضایت کاربران نبوده و در عین حال علایم و نشانه‌هایی در خصوص آیتم‌های نامناسب در اختیار نمی‌گذارد (بازخورد منفی)(۱۸) که خود از اهمیت زیادی برای ایجاد یک مدل تمایزی مؤثر برخوردار است. در این مقاله، ما به بررسی شیوه استفاده از بازخورد ضمنی نویزدار برای ایجاد مدل CFB برای توصیه‌های تخفیف و کوپن می‌پردازیم. اهداف اصلی به شرح زیر هستند:
– ما روشی را برای ایجاد نمونه‌های منفی از داده‌های بازخورد ضمنی توصیف می‌کنیم
– ما آزمایشات گسترده‌ای را برای مقایسه مدل‌های یادگیری مختلف انجام می‌دهیم
– ما اثبات می‌کنیم که رویکرد ما با توجه به معیار و معیار کران بالا مؤثر است.



بخشی از مقاله انگلیسی:
ABSTRACT

Reward-based e-commerce companies expose thousands of online offers and coupons every day. Customers who signed up for online coupon services either receive a daily digest email with selected offers or select specific offers on the company website front-page. High-quality online discounts are selected and delivered through these two means by applying a manual process that involves a team of experts who are responsible for evaluating recency, product popularity, retailer trends, and other business-related criteria. Such a process is costly, time-consuming, and not customized on users’ preferences or shopping history. In this work, we propose a contentbased recommender system that streamlines the coupon selection process and personalizes the recommendation to improve the clickthrough rate and, ultimately, the conversion rates. When compared to the popularity-based baseline, our content-based recommender system improves F-measures from 0.21 to 0.85 and increases the estimated click-through rate from 1.20% to 7.80%. The experimental system is currently scheduled for A/B testing with real customers.

۱ INTRODUCTION

Reward-based e-commerce services are a fast-growing online sector that provides cashback to subscribers by leveraging discounted prices from a broad network of aliated companies. Typically, a consumer would use the company website to search for specific products, retailers or potentially click on one of the prominent published offers. Shoppers are then redirected to the websites of the respective retailers. A visit to the merchant’s website generated by this redirection is dened as shopping trip. At the same time, subscribers receive daily digest email with the most popular discounts. Figure 1 shows a fragment of a daily digest email featuring a list of current offers and coupons. Both website and email contents are manually curated by experts focusing on delivering the highest quality offers to customers. This manual process is laborious and does not scale well to millions of online customers who are receiving the same oer recommendations regardless of their previous browsing or purchase history. A recommender system would be able to capture the customers’ preferences by optimizing the coupon selection based on the previous history and the similarity across users and / or items. However, compared to traditional recommender systems in other domains, such as movies [6, 10] and music [16], online offers dier for a number of reasons: 1) Coupons are highly volatile items only valid in a limited time span and removed after their expiration date; 2) Customers using coupons are aected by high turnover; 3) Users’ population is skewed between a minority of heavy users and a majority of occasional or light users; and nally, 4) Online offers are rarely rated like usually happens for movie and music domains. Consequently, the online discount domain is more prone to the cold-start problem [4], where there is insucient click history for a new item or, conversely, there is not enough history for a new subscriber. Matrix factorization methods are less robust to the coldstart problem [4] and lack the capability to capture the number of features necessary to model preferences of high volatile items and large customer populations. For these reasons, we adopted a content-based ltering (CBF) approach [17] where we exploit coupons and customers’ attributes to build a stochastic classication model that predicts the posterior probability for a coupon to be clicked by the customer. We rely on users’ implicit feedback which indirectly express users’ preferences through behavior like clicking on specific offers in a ranked list. This is typically a more noisy signal compared to explicit feedback such as ratings and reviews, but it is also abundant and with consistent bias across user’s click-through history [15, 23]. However, click information is more challenging to use since it does not directly refect the users’ satisfaction neither provides clues about items that are irrelevant (negative feedback) [18] which is fundamental to build an eective discriminative model. In this paper, we illustrate how to utilize noisy implicit feedback to build a CFB model for offers and coupons recommendations. The main contributions are the following: (1) We describe a method to generate negative samples from the implicit feedback data; (2) We perform extensive experiments to compare dierent learning models; (3) We demonstrate that our approach is eective with respect to the baseline and the upper-bound baseline.