توسعه یک سیستم توصیه‌کننده چند عاملی برای دستیاران خرید هوشمند
الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند
رمضان تیموری یانسری
1
,
مجتبی آجودانی
2
1 - استاديار،گروه مهندسي کامپيوتر، واحد بندرگز، دانشگاه آزاد اسلامي، بندرگز، ايران
2 - استاديار،گروه مهندسي برق، واحد بندرگز، دانشگاه آزاد اسلامي، بندرگز، ايران
الکلمات المفتاحية: سیستم‌های توصیه‌کننده, دستیار خرید هوشمند, سیستم‌های چند عاملی, یادگیری ماشین, عامل‌های هوشمند.,
ملخص المقالة :
با توجه به حجم فزاینده اطلاعات و خدمات موجود در وب، ارائه ابزارهایی مانند سیستم‌های توصیه‌کننده به وب‌سایت‌ها و برنامه‌های کاربردی که می‌توانند به کاربران در دستیابی به اطلاعات و خدمات متناسب با علایقشان کمک کنند، ضروری است. به همین دلیل، ارائه راهنمایی و پیشنهاد مناسب به کاربران در انتخاب‌های مختلف، مطابق با اولویت‌های کاربر در حوزه‌های مختلف جایگاه خاصی پیدا کرده است. سامانه‌های توصیه کننده سیستم‌های اطلاعاتی هستند که با مدل‌سازی رفتار کاربران در محیط‌های عملیاتی در رتبه‌بندی، مقایسه، انتخاب و ترجیحات اقلام کاربران، با محدود کردن فضای جستجوی از طریق توصیه‌های با دقت و کیفیت بالا، در فرآیند تصمیم‌گیری کمک می‌کنند. در این پژوهش سیستم توصیه کننده چند عاملی پیشنهاد شد که بتواند به عنوان دستیار خرید در فرآیند خرید توصیه-های مناسبی ارائه دهد. برای تحلیل مدل پیشنهادی مجموعه داده فروش یک فروشگاه مستقر در بریتانیا شامل 1067371 رکورد از داده-های فروش آنلاین، مورد استفاده قرار گرفته است. با شبیه سازی مدل پیشنهادی نتایج حاصل از به کارگیری مدل بر روی داده‌های مربوط به مشتریان مورد تجزیه و تحلیل قرار گرفت. نتایج به کارگیری مدل پیشنهادی نشان داد، مدل پیشنهادی در ارزیابی پارامترهای مورد استفاده در مقایسه با روش‌های رایج در این حوزه دارایی کارایی مناسبی می‌باشد.
[1] L. Sebastia, A. Giret, and I. Garcia, "A multi agent architecture for tourism recommendation," in Trends in Practical Applications of Agents and Multiagent Systems: 8th International Conference on Practical Applications of Agents and Multiagent Systems, 2010: Springer, pp. 547-554.
[2] P. G. Balaji and D. Srinivasan, "An Introduction to Multi-Agent Systems," in Innovations in Multi-Agent Systems and Applications - 1, D. Srinivasan and L. C. Jain Eds. Berlin, Heidelberg: Springer Berlin Heidelberg, 2010, pp. 1-27.
[3] A. Dorri, S. S. Kanhere, and R. Jurdak, "Multi-Agent Systems: A Survey," IEEE Access, vol. 6, pp. 28573-28593, 2018, doi: 10.1109/ACCESS.2018.2831228.
[4] L. O. Colombo-Mendoza, R. Valencia-García, A. Rodríguez-González, G. Alor-Hernández, and J. J. Samper-Zapater, "RecomMetz: A context-aware knowledge-based mobile recommender system for movie showtimes," Expert Systems with Applications, vol. 42, no. 3, pp. 1202-1222, 2015/02/15/ 2015, doi: https://doi.org/10.1016/j.eswa.2014.09.016.
[5] M. Altulyan, L. Yao, X. Wang, C. Huang, S. S. Kanhere, and Q. Z. Sheng, "A survey on recommender systems for Internet of Things: techniques, applications and future directions," The Computer Journal, vol. 65, no. 8, pp. 2098-2132, 2022.
[6] D. Roy and M. Dutta, "A systematic review and research perspective on recommender systems," Journal of Big Data, vol. 9, no. 1, p. 59, 2022/05/03 2022, doi: 10.1186/s40537-022-00592-5.
[7] M. Bazargani and Z. Homayounpour, "Presenting a novel method based on collaborative filtering for nearest neighbor detection in recommender systems," Intelligent Multimedia Processing and Communication Systems (IMPCS), vol. 1, no. 1, pp. 55-64, 2020. [Online]. Available: https://impcs.zanjan.iau.ir/article_683460_79573056000b23a21d88dbed664efc83.pdf.
[8] J. B. Schafer, D. Frankowski, J. Herlocker, and S. Sen, "Collaborative filtering recommender systems," The adaptive web: methods and strategies of web personalization, pp. 291-324, 2007.
[9] M. K. Devi and P. Venkatesh, "An improved collaborative recommender system," in 2009 First International Conference on Networks & Communications, 2009: IEEE, pp. 386-391.
[10] S. Spiegel, J. Kunegis, and F. Li, "Hydra: a hybrid recommender system [cross-linked rating and content information]," in Proceedings of the 1st ACM international workshop on Complex networks meet information & knowledge management, 2009, pp. 75-80.
[11] A. Oroojlooy and D. Hajinezhad, "A review of cooperative multi-agent deep reinforcement learning," Appl Intell, vol. 53, no. 11, pp. 13677-13722, 2023/06/01 2023, doi: 10.1007/s10489-022-04105-y.
[12] b. mohammadkhani, Babaei, hamed, d. eskandari, and m. hasanzadeh, "A New Approach to The University Course Timetabling Problem based on Clustering Algorithms & Fuzzy Multi-Criteria Decision Making," Intelligent Multimedia Processing and Communication Systems (IMPCS), vol. 2, no. 3, pp. 1-11, 2021. [Online]. Available: https://impcs.zanjan.iau.ir/article_693852_8ed8751c2e738a4eb62ae7a9d33f786f.pdf.
[13] K. Zhang, Z. Yang, and T. Başar, "Multi-agent reinforcement learning: A selective overview of theories and algorithms," Handbook of reinforcement learning and control, pp. 321-384, 2021.
[14] T. Pinto, R. Faia, M. Navarro-Caceres, G. Santos, J. M. Corchado, and Z. Vale, "Multi-Agent-Based CBR Recommender System for Intelligent Energy Management in Buildings," IEEE Systems Journal, vol. 13, no. 1, pp. 1084-1095, 2019, doi: 10.1109/JSYST.2018.2876933.
[15] J. Neto, A. J. Morais, R. Gonçalves, and A. L. Coelho, "Multi-Agent-Based Recommender Systems: A Literature Review," Singapore, 2022: Springer Singapore, in Proceedings of Sixth International Congress on Information and Communication Technology, pp. 543-555.
[16] U. a. W. Pakdeetrakulwong, Pornpit, "State of the art of a multi-agent based recommender system for active software engineering ontology," State of the art of a multi-agent based recommender system for active software engineering ontology, vol. 3, no. 4, pp. 29-42, 2013.
[17] H. Pandey and V. Singh, "A fuzzy logic based recommender system for e-learning system with multi-agent framework," International Journal of Computer Applications, vol. 122, no. 17, 2015.
[18] M. Keykhaee, M. JelokhaniNiaraki, and N. Mahmoody Vanolya, "Design and Development of a Tourism Recommender System using Volunteered Geographic Information, Case Study: Yazd," urban tourism, vol. 8, no. 3, pp. 137-149, 2021, doi: 10.22059/jut.2021.323345.902.
[19] R. Teimouri Yansari, "Designing a multi-agent system for intelligent shopping assistant," presented at the The first national conference on computers, information technology and Islamic communications in Iran, 2015.
[20] V. Mohammadi, M. Hosseinzadeh, and M. H. Hosseinzadeh, "Schematic Design of Hotel Recommendation Systems by user Precedence on Twitter," Business Intelligence Management Studies, vol. 7, no. 25, pp. 85-118, 2018, doi: 10.22054/ims.2018.9745.
[21] J. Neto, A. J. Morais, R. Gonçalves, and A. L. Coelho, "Context-Based Multi-Agent Recommender System, Supported on IoT, for Guiding the Occupants of a Building in Case of a Fire," Electronics, vol. 11, no. 21, p. 3466, 2022. [Online]. Available: https://www.mdpi.com/2079-9292/11/21/3466.
[22] A. Forestiero, "Multi-Agent Recommendation System in Internet of Things," in 2017 17th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGRID), 14-17 May 2017 2017, pp. 772-775, doi: 10.1109/CCGRID.2017.123.
[23] V. N. Marivate, G. Ssali, and T. Marwala, "An intelligent Multi-Agent recommender system for human capacity building," in MELECON 2008 - The 14th IEEE Mediterranean Electrotechnical Conference, 5-7 May 2008 2008, pp. 909-915, doi: 10.1109/MELCON.2008.4618553.
[24] S. Deochake, "Belief-Desire-Intention (BDI) Multi-agent System for Cloud Marketplace Negotiation," Cham, 2023: Springer International Publishing, in Distributed Computing and Artificial Intelligence, 19th International Conference, pp. 144-153.
[25] A. Amirkhani and A. H. Barshooi, "Consensus in multi-agent systems: a review," Artificial Intelligence Review, vol. 55, no. 5, pp. 3897-3935, 2022/06/01 2022, doi: 10.1007/s10462-021-10097-x.
[26] R. Taimourei-Yansary, M. Mirzarezaee, M. Sadeghi, and B. Nadjar Araabi, "Predicting Invasive Disease-Free Survival Time in Breast Cancer Patients Using Graph-based Semi-Supervised Machine Learning Techniques," (in en), Soft Computing Journal, vol. 10, no. 1, pp. 48-69, 2022, doi: 10.22052/scj.2022.243330.1039.
[27] R. Teimouri Yansari, M. Mirzarezaee, M. Sadeghi, and B. Nadjar Araabi, "A New Survival Analysis Model in Adjuvant Tamoxifen-Treated Breast Cancer Patients Using Manifold-based Semi-Supervised Learning," Journal of Computational Science, p. 101645, 2022, doi: https://doi.org/10.1016/j.jocs.2022.101645.
[28] A. Tharwat, "Classification assessment methods," Applied Computing and Informatics, vol. 17, no. 1, pp. 168-192, 2020, doi: https://doi.org/10.1016/j.aci.2018.08.003
