تصميم نموذج توصية لإدارة العلاقة مع الزبون بإستخدام تقنية التصفية التعاونية

Abstract

المستخلص نظراً لغمر المستخدم بمجموعة من العناصر والخيارات في بيئة التسوق عبر الإنترنت، يحتاج المستخدم إلي وسيلة تدعمه و توجهه في عملية البحث عن العناصر و إختيار ما يلائمه. تؤدي نظم التوصية مهمة تصفية معلومات المستخدم بإستخدام تقنية التصفية التعاونية، تستند هذه التقنية علي التقييمات التي يقدمها المستخدم بصورة صريحة و التي قد تكون مجهدة للمستخدم أو قد لا يتحري الصحة عند تقديمها مما ينتج عنه توصيات تفتقر إلي الدقة. يستهدف هذا البحث حل مشكلة قلة تقييمات المستخدم في مصفوفة التصفية التعاونية، تم إقتراح طريقة لإستغلال بيانات معاملات المستخدم و بيانات سجل سلوك المستخدم لإستنباط تقييمات ضمنية للمستخدم بحيث تمثل هذه التقييمات درجة تفضيل المستخدم للعنصر. تم تصميم نموذج توصية يستخدم بيانات الشراء متمثلة في الكمية المشتراه من العناصر لإستنباط التقييم الضمني للشراء، و يستخدم بيانات تدفق النقر متمثلة في عدد مرات النقر لإستنباط التقييم الضمني للنقر، و من ثم تكامل هذا التقييمات الضمنية لإثراء مصفوفة تقييمات التصفية التعاونية و ذلك بغرض تجويد التوصيات. تم تصميم النموذج بإستخدام Python كلغة برمجة، أُستخدمت العديد من المكتبات مثل Pandas و NumPy و scikit-learn. تم إجراء الإختبارات علي مجموعة بيانات متجر تجاري إلكتروني للبيع بالتجزئة بها (2,152,741) جلسة نقر و (87,318) جلسة شراء. وفقاً للبيانات المستخدمة أثبتت التجارب أن نموذج التوصية يساعد المستخدم بتوجيهه نحو العناصر التي تلائم تفضيلاته بنسبة خطأ في التنبؤات لا تتخطي (0.3) ، كذلك أثبت التجارب أن التقييمات الضمنية المستنبطة تقلل من التأثير السلبي لقلة أو تناثر تقييمات المصفوفة بنسبة (99.78%) إلي (%99.71) في مرحلة التدريب و نسبة (99.92%) إلي (99.91%) في مرحلة الإختبار، كذلك أدت التقييمات الضمنية إلي تحسين دقة التوصيات من نسبة 40% إلي نسبة 60%. مستقبلياً يمكن التنقيب عن بيانات أخري لتحسين دقة التوصيات مثل الزمن المستغرق في مشاهدة العنصر أو عناصر صنف محدد، كما يمكن وضع السياق الزمني للشراء في الإعتبار لتقديم توصيات ترتبط بفترة الشراء. Abstract Due to inundating the user with a range of products and options in the online shopping environment, the user needs a means that supports and guides him in the process of searching for products and choosing what he prefers from the items. Recommendation systems perform the task of filtering user information using collaborative filtering technology. This technology is based on the ratings provided by the user. Explicitly, which may be stressful for the user or he may not verify correctness when presented, resulting in inaccurate recommendations. This research aims to solve the problem of the lack of user ratings in the collaborative filtering matrix. A method is proposed to exploit user transaction data and user behavior history data to derive implicit user ratings, which represent the degree of user preference for the item. A recommendation model was designed that uses purchase data represented by the quantity of the purchased item to derive implicit purchase rating, and clickstream data represented by the number of clicks to derive implicit click ratings, and then integrate these implicit ratings to enrich the collaborative filter rating matrix to improve recommendations. The model was built using Python as the programming language, and many libraries such as Pandas, NumPy, and Scikit-learn. The tests were conducted on a data set of a retail e-commerce store that had (2,152,741) click sessions and (87,318) purchase sessions. According to the data used, the experiments proved that the recommendation model helps the user by directing him towards the items that suit his preferences with a prediction error rate that does not exceed (0.3). Also, the experiments proved that the implicit ratings reduce the negative impact of the sparsity of the matrix ratings by (99.78%) to (99.71%) in the training phase and (99.92%) to (99.91%) in the testing phase, implicit ratings also had improved the accuracy of the recommendations from 40% to 60%. In the future, other data can be mined to improve the accuracy of recommendations, such as the time spent viewing the item or items of a specific category, and the time context of purchase can be taken into account to provide recommendations related to the purchase period.