توضیحات
ABSTRACT
The number of third generation (3G) subscribers conducting mobile commerce has increased as mobile
data communications have evolved. Multi-channel companies that wish to develop mobile commerce
face difficulties due to the lack of knowledge about users’ consumption behavior on new mobile channels.
Typical collaborative filtering (CF) recommendations may be affected by the so-called sparsity problem
because relatively few products are browsed or purchased on the mobile Web. In this study, we propose
a hybrid multiple channel method to address the lack of knowledge about users’ consumption behavior
on a new channel and the difficulty of finding similar users due to the sparsity problem of typical CF recommender systems. Products are recommended to users based on their browsing behavior on the new
mobile channel as well as the consumption behavior of heavy users of existing channels, such as television, catalogs, and the Web. Our experiment results show that the proposed method performs well compared to the other recommendation methods.
INTRODUCTION
In the last decade, mobile communications have evolved from 2G/2.5G to 3G/3.5G. As a result, the data transfer rate has been progressively upgraded from 64 Kbps (2.5G/GPRS) to 384 Kbps (3G/ WCDMA) and 3.5 Mbps (3.5G/HSDPA), which is comparable to that of the wired Internet. The evolution has triggered an increase in the use of mobile devices, such as mobile phones, to conduct mobile commerce (m-commerce) on the mobile Web (Venkatesh et al. 2003, Ngai and Gunasekaran 2007). M-commerce covers a large number of services, one of which is mobile shopping (m-shopping) (Wu and Wang 2006). Retailers have increased their investment in mobile shopping channels to deliver content, products, and promotions to customers. However, it is hard to determine consumption patterns since there are very few purchase orders in the developmental stage of an m-shopping channel. The number of product recommendations is also low because of the small number of consumption patterns that have been identified. In the mobile commerce environment, the screens of mobile devices are small and have limited resolution, and the input mechanisms are poor (Ho and Kwok 2003, Venkatesh et al. 2003) .Moreover, few products are browsed on the mobile Web because Internet fees for mobile communications are still high; hence, one-to-one product recommendations are important (Brunato and Battiti 2003). Recommender systems are widely used to recommend various items, such as movies and music, to customers according to their interests (Hill et al. 1995, Shardanand and Maes 1995).
چکیده
تعداد مشترکان نسل سوم (3G) که تجارت تلفن همراه را هدایت می کنند با افزایش ارتباطات داده های تلفن همراه تکامل یافته است. شرکت های چند کانالی که مایل به توسعه تجارت تلفن همراه هستند، به دلیل کمبود دانش در مورد رفتار مصرف کنندگان در کانال های جدید تلفن همراه مواجه می شوند. توصیه های فیلترینگ مشارکتی معمولی (CF) ممکن است به دلیل مشکل به اصطلاح اسپارتی تحت تاثیر قرار گیرد، زیرا تعداد کمی از محصولات در وب موبایل مرور و یا خریداری می شوند. در این مطالعه، ما پیشنهاد روش ترکیبی چند کانال برای رسیدگی به فقدان دانش در مورد رفتار مصرف کنندگان در یک کانال جدید و مشکل پیدا کردن کاربران مشابه به دلیل مشکل اسپارتی از سیستم های توصیف کننده CF معمولی است. محصولات به کاربران بر اساس رفتار مرورگر خود در کانال جدید تلفن همراه و همچنین رفتار مصرف کنندگان سنگین کانال های موجود مانند تلویزیون، کاتالوگ و وب توصیه می شود. نتایج آزمایش ما نشان می دهد که روش پیشنهاد شده در مقایسه با سایر روش های توصیه شده بسیار خوب است.
مقدمه
در دهه گذشته، ارتباطات تلفن همراه از 2G / 2.5G به 3G / 3.5G تکامل یافته است. در نتیجه، سرعت انتقال داده ها از 64 کیلوبیت بر ثانیه (2.5 G / GPRS) تا 384 کیلوبیت بر ثانیه (3G / WCDMA) و 3.5 مگابیت بر ثانیه (3.5G / HSDPA)، که با اینترنت سیمی قابل مقایسه است، به طور مداوم ارتقا یافته است. تکامل باعث افزایش استفاده از دستگاه های تلفن همراه مانند تلفن های همراه شده است تا تجارت تلفن همراه (m-commerce) را در وب تلفن همراه انجام دهد (Venkatesh et al 2003، Ngai and Gunasekaran 2007). تجارت الکترونیک تعداد زیادی از خدمات را پوشش می دهد، یکی از آنها خرید تلفن همراه (m-shopping) (وو و وانگ 2006) است. خرده فروشان سرمایه گذاری خود را در کانال های خرید تلفن همراه برای ارائه محتوا، محصولات و تبلیغات به مشتریان افزایش داده اند. با این وجود، تعیین الگوهای مصرف سخت است زیرا سفارشات خرید بسیار کم در مرحله توسعه یک کانال خرید m وجود دارد. تعدادی از توصیه های محصول نیز کم است به دلیل تعداد کمی از الگوهای مصرف که شناسایی شده اند. در محیط تجارت تلفن همراه، صفحه نمایش دستگاه های تلفن همراه کوچک و با وضوح محدود است و مکانیسم های ورودی ضعیف هستند (Ho و Kwok 2003، Venkatesh et al. 2003). علاوه بر این، تعداد کمی از محصولات در وب تلفن همراه مرور می شود، زیرا هزینه های اینترنت برای ارتباطات تلفن همراه هنوز بالا است از این رو، توصیه های محصول یک به یک مهم است (Brunato and Battiti 2003). سیستم های توصیه شده به طور گسترده ای برای توصیف اقلام مختلف مانند فیلم ها و موسیقی به مشتریان با توجه به منافع آنها (هیل و همکاران 1995، Shardanand و Maes 1995) مورد استفاده قرار می گیرند.
Year: 2011
Publisher: ELSEVIER
By : Duen-Ren Liu, Chuen-He Liou
File Information: English Language/ 11 Page / size: 937 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1390
ناشر : ELSEVIER
کاری از : دوئین رن لیو، چوئن-لی لی
اطلاعات فایل : زبان انگلیسی / 11 صفحه / حجم : KB 937
نقد و بررسیها
هنوز بررسیای ثبت نشده است.