РАЗРАБОТКА ИННОВАЦИОННЫХ МЕХАНИЗМОВ РЕКОМЕНДАЦИЙ И ПЕРСОНАЛИЗАЦИИ ДЛЯ УЛУЧШЕНИЯ ПОЛЬЗОВАТЕЛЬСКОГО ОПЫТА НА ТОРГОВОЙ ПЛАТФОРМЕ

Боковая панель статьи

PDF (английский)
Опубликован: 2022-10-05
DOI: https://doi.org/10.66073/researchfocus.v2i9.758
Ключевые слова:
механизм рекомендаций, персонализация, пользовательский опыт, торговая платформа, индивидуальные рекомендации, анализ данных, Uzbekistan 25 https://

Основное содержимое статьи

Раджабов Нарзулло Агзамович
Кандидат физико-математических наук, главный научный сотрудник научного отдела ООО «Perspective team»
Азамов Темур Нарзуллаевич
Независимый исследователь Ташкентского университета информационных технологий

Аннотация

В данной статье основное внимание уделяется разраб отке инновационных рекомендаций и механизмов персонализации для улучшения пользовательского опыта на торговой платформе. Цель состоит в том, чтобы предоставить пользователям индивидуальные и актуальные рекомендации по продуктам, тем самым повышая вовлеченность и удовлетворенность пользователей. Передовые методы анализа данных и алгоритмы машинного обучения используются для анализа предпочтений пользователей, исторических данных о покупках и контекстной информации. Используя эту информацию, механизм рекоменд аций генерирует персонализированные рекомендации, соответствующие интересам и предпочтениям каждого пользователя. Кроме того, в статье рассматривается реализация механизмов динамической персонализации, таких как адаптивные пользовательские интерфейсы и обновления в реальном времени, для создания беспрепятственного и интуитивно понятного процесса совершения покупок. Результаты подчеркивают потенциал этих инновационных подходов для значительного повышения вовлеченности пользователей, повышения коэффициентов конверсии и укрепления долгосрочной лояльности клиентов на торговых платформах.

Информация о статье

Выпуск

Том 2 № 9 (2023): Research Focus International Scientific Journal. Том 2, выпуск 9 (2023)

Раздел

Статьи
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Как цитировать

РАЗРАБОТКА ИННОВАЦИОННЫХ МЕХАНИЗМОВ РЕКОМЕНДАЦИЙ И ПЕРСОНАЛИЗАЦИИ ДЛЯ УЛУЧШЕНИЯ ПОЛЬЗОВАТЕЛЬСКОГО ОПЫТА НА ТОРГОВОЙ ПЛАТФОРМЕ. (2022). Research Focus International Scientific Journal, 2(9), 24-31. https://doi.org/10.66073/researchfocus.v2i9.758

Библиографические ссылки

Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, 17(6), 734-749.

Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User Modeling and User-Adapted Interaction, 12(4), 331-370.

Cremonesi, P., Koren, Y., & Turrin, R. (2010). Performance of recommender algorithms on top-n recommendation tasks. Proceedings of the fourth ACM conference on Recommender systems, 39-46.

Herlocker, J. L., Konstan, J. A., Terveen, L. G., & Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS), 22(1), 5-53.

Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: An introduction. Cambridge University Press.

Konstan, J. A., Riedl, J., & Herlocker, J. (2012). Recommender systems: From algorithms to user experience. User Modeling and User-Adapted Interaction, 22(1-2), 101-123.

Ricci, F., Rokach, L., & Shapira, B. (2015). Introduction to recommender systems handbook. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender Systems Handbook (2nd ed., pp. 1-35). Springer.

Schafer, J. B., Konstan, J. A., & Riedl, J. (2001). E-commerce recommendation applications. Data Mining and Knowledge Discovery, 5(1-2), 115-153.

Su, X., & Khoshgoftaar, T. M. (2009). A survey of collaborative filtering techniques. Advances in Artificial Intelligence, 2009, Article ID 421425.

Zhang, Y., & Hurley, N. (2016). Deep learning for recommender systems: A rigorous introduction. arXiv preprint arXiv:1701.00160.