Atıf Sayısı
3
Görüntüleme
32
İndirme
2
Sesli Dinleme
1
Son zamanlarda, ürün ve hizmetleri tüketiciler ile buluşturan e-ticaret platformları üzerinden çevrimiçi tüketici alışverişi giyim, ayakkabı, makyaj, ev eşyası gibi birçok kategoride önemli ölçüde artmıştır. Çok sayıda seçeneğin mevcut olduğu çevrimiçi alışveriş ortamlarında, ürün bulma ve seçme işlem maliyetlerini azaltmak ve verimli bir şekilde ilgili ürünleri kullanıcılara iletmek önemli bir problem haline gelmiştir. Alışveriş şirketleri, müşterilerin satın alma geçmişlerine ve davranışlarına göre müşterilere benzer ürün seçenekleri sunarak gelirlerini artırmak ve müşterileri memnun etmek için öneri sistemleri kullanmaktadır. Bu nedenle, müşterilerin alışveriş davranışlarına göre en uygun, kişiselleştirilmiş ve tercih edilen tarz zevklerini yansıtan önerilerde bulunan akıllı öneri sistemler geliştirilmektedir. Son zamanlarda, ürünlerin metaverilerinin analizi ile ürünler arasındaki benzerliği ve uyumluluğu modelleyen ve bu sayede müşterilerin ürün bulma ve seçme işlemlerindeki memnuniyetini artırmaya çalışan yeni yöntemler sunulmaktadır. Bu çalışmada, rastgele yürüyüş ve Skipgram yöntemleri kullanarak ürünlere ait malzeme, desen, renk ve stil gibi metaveriler üzerinden ürünler arasındaki benzerliği modelleyen yeni bir yaklaşım önerilmektedir. Önerilen yöntem, ürünlere ait özellikler arasındaki üst düzey korrelasyonları keşfederek, ürünler arasındaki yakınlığın yansıtıldığı düşük boyutlu vektörel temsiller öğrenir. Bu amaçla, ürünler her bir düğümün ürünleri ve her bir kenarın ürünler arasındaki ilişkileri temsil ettiği ağırlıklı bir graf yapısına dönüştürülmüştür. Graf üzerinden öğrenilen bu temsiller sayesinde, müşterilerin alışveriş davranışına göre onlara en uygun önerilerin ve kombin tamamlayıcı ürünlerin sunulmasını sağlayan bir öneri sistemi sunulmaktadır.
Recently, online consumer trading through e-commerce platforms that meet consumers with products and services has increased significantly in many categories such as clothes, shoes, makeup, household items. In the online shopping environments where many options are available, reducing the cost of product finding and selection processes and effectively communicating the relevant products to users has become a major problem. Shopping companies use recommendation systems to increase their revenue and satisfy customers by offering similar product options to customers according to their customer’s purchasing history and behavior. Therefore, smart recommendation systems are developed in recommendations that reflect the best, personalized and preferred style pleasures according to the customer’s shopping behavior. Recently, new methods have been introduced to analyze the metavers of products and to model the similarity and compatibility between products and thus try to increase customer satisfaction in product finding and selection processes. This study suggests a new approach to modeling similarities between products through metavers such as material, pattern, color and style of products using random walking and Skipgram methods. The recommended method, by discovering the highest levels of correlations between the characteristics of the products, learns low-dimensional vector representations where the proximity between the products is reflected. For this purpose, the products are converted into a major graph structure in which each node represents the products and each edge represents the relations between products. Thanks to these representations learned through the graph, a recommendation system is offered to customers according to their shopping behavior, which allows them to offer the most appropriate recommendations and combined supplementary products.
Recently, online consumer shopping through e-commerce platforms that bring products and services to consumers has increased significantly in many categories such as clothing, shoes, make-up, and household goods. In online shopping environments, where there are many options, it has become an important problem to reduce the transaction costs of finding and selecting products and to recommend the relevant products to the users. Online shopping companies use recommendation systems to increase revenue and satisfy customers by offering similar product options based on their purchasing history and behavior. For this reason, intelligent recommendation systems are developed that make recommendations reflecting the most appropriate, personalized and preferred style tastes according to the shopping behaviors of the customers. Recently, researchers focus on developing new methods that model the similarity and compatibility between products through the analysis of products’s metadata, thereby trying to increase customer satisfaction in finding and choosing products. In this study, a new approach is proposed that models the similarity between products through metadata such as material, pattern, color and style using random walk and Skipgram methods. The proposed method explores the high-level correlations between the properties of the products and learns low-dimensional vector representations that reflect the affinity between the products. For this purpose, the products are transformed into a weighted graph structure where each node represents the products and each edge represents the relationships between the products. Thanks to these representations learned from outfit graph, a recommendation system framework is presented that allows the most appropriate recommendations to the customers and according to their shopping behavior, and recommends complementary items to the query outfits.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
