In the last few years, a number of

In the last few years, a number of unique e-shopping recommender
systems have been developed to provide guidelines to online individual
customers. E-shopping is a specialized and highly popular field of
e-commerce.
Rating is a common function in e-shopping systems, especially for
electronic products. For example, in the iTunes
2
store, customers are
able to provide feedback by allocating a value between 1 and 5 to purchased items (tracks or albums). These rating data can subsequently
be used to make recommendations. Tagging is another way to connect
user-item data. For example, users of the movie review site Movielens
[21]are able to assign tags freely to a movie by using simple words.
Correspondingly, CF[21]and social tag analysis[86]are two effective
techniques in such systems when used separately[86]or collectively
[44] with both ratings and tags to enhance recommendation
performance.
Many of the largest commerce websites, such as Amazon and eBay,
already use recommender systems to help their customers find products to purchase[17,87]. In these B2C e-commerce websites, products
can be recommended based on the top overall sellers, customer demographics, or an analysis of the past buying behavior of the customer as a
prediction for future buying behavior. Some advanced models are also
proposed by academic literatures for different criteria of e-shopping environments. For example, KB analyses are usually employed in systems
where it is difficult to collect user rating data. The Wasabi Personal
Shopper (WPS)[88]is a domain-independent database browsing tool
designed for online information access, particularly for electronic product catalogs. WPS is based on a line of academic research called the
FindMe system. FindMe is built in several different languages, and
uses custom-built ad-hoc databases and KB similarity retrieval. Fuzzy
techniques are also employed in CB e-shopping recommender systems;
for example, Cao and Li[48]developed a fuzzy-based recommender
system for products made up of different components. When buying a
laptop, for instance, shoppers may consider the individual performance
of each component, such as the CPU, motherboard, memory, etc. In this
application, the weights of a shopper's needs on each component are
collected and the most satisfied candidates are then generated according to a fuzzy similarity measure model.
Mooney and Roy[89]proposed a content-based book recommender
system utilizing information extraction and a machine-learning algorithm for text categorization. A naive Bayesian text classifier is used to
train the data abstracted from the Web to build features of books and
profiles of users and find the best matched books for a target user. In
some music sharing websites such as the Last.fm system, the music social community is made up of various types of music and user relations.
To better utilize the rich social information, a hyper graph model is introduced in the music recommendation approach proposed in[90]to treat
the rich social media information. Certain shopping assistant systems
have an interest in explaining the recommendations made to users.
For example, when buying expensive goods, buyers expect to be skillfully steered through the options by well-informed sales assistants who
are capable of balancing the user's various requirements. In addition,
users often need to be educated about the product-space, especially if
they are to understand what is available and why certain options are
recommended by the sales assistant. To provide an equivalent virtual
recommendation explanation such as“why product A is better than
B”,McCarthyetal.[91] developed a shopping assistant website
called Qwikshop.com on which compound critiques were used as explanations. A set of critique patterns is generated by comparing each
remaining case to the current recommended case; the relative feature
differences make up the critique pattern. The best candidate products,
for example those with the highest cost-performance ratio, will be recommended to users. Another issue is the purchase of a bundle of items
or bundle promotion. In the systems developed by Garfinkel et al.[92],
the authors extended the one-product-at-a-time search approach used
in“shopbot”(a shopping search engine) implementations to consider
purchasing plans for a bundle of items. This recommender system leverages bundle-based pricing and promotional deals frequently offered by
online merchants to extract substantial savings.

Kết quả (Việt) 1:

Trong vài năm qua, một số các e-mua sắm độc đáoHệ thống đã được phát triển để cung cấp hướng dẫn cho cá nhân trực tuyếnkhách hàng. E mua sắm là một lĩnh vực chuyên môn và rất phổ biến củathương mại điện tử.Đánh giá là một chức năng phổ biến trong các hệ thống mua sắm điện tử, đặc biệt là đốisản phẩm điện tử. Ví dụ, trong iTunes2cửa hàng, khách hàngcó thể cung cấp phản hồi bằng cách phân bổ giá trị giữa 1 và 5 để mua mục (bài hát hoặc album). Những dữ liệu này đánh giá có thể sau đóđược sử dụng để làm cho các khuyến nghị. Gắn thẻ một cách khác để kết nốidữ liệu người dùng-mục. Ví dụ, người dùng của các bộ phim xem xét trang web Movielens[21] có thể gán thẻ tự do cho một bộ phim bằng cách sử dụng từ ngữ đơn giản.Tương ứng, CF [21] và phân tích xã hội thẻ [86] là hai hiệu quảkỹ thuật trong hệ thống như vậy, khi sử dụng một cách riêng biệt [86] hoặc chung[44] với xếp hạng và thẻ để tăng cường khuyến nghịhiệu suất.Nhiều người trong số các trang web thương mại điện tử lớn nhất, như Amazon, eBay,đã sử dụng các hệ thống giúp khách hàng của họ tìm thấy các sản phẩm để mua [17,87]. Trong các trang web thương mại điện tử B2C, sản phẩmcó thể được đề nghị dựa trên những người bán hàng hàng đầu của tổng thể, nhân khẩu học của khách hàng, hoặc phân tích qua hành vi mua của khách hàng như là mộtdự đoán cho hành vi mua của tương lai. Một số mô hình nâng cao cũngđề xuất các văn học học tập cho các tiêu chí khác nhau của môi trường mua sắm điện tử. Ví dụ: phân tích KB thường được sử dụng trong hệ thốngnơi mà nó là khó khăn để thu thập dữ liệu người dùng đánh giá. Cá nhân WasabiMua sắm (WPS) [88] là một cơ sở dữ liệu tên miền độc lập duyệt công cụđược thiết kế để truy cập thông tin trực tuyến, đặc biệt đối với catalog sản phẩm điện tử. WPS dựa trên một dòng của nghiên cứu học tập được gọi là cácHệ thống FindMe. FindMe được xây dựng trong nhiều ngôn ngữ khác nhau, vàsử dụng cơ sở dữ liệu đặc biệt theo đặc thù và KB tương tự phục hồi. Mờkỹ thuật cũng được sử dụng trong các CB e mua sắm hệ thống các;Ví dụ, Tào và Li [48] phát triển một mờ dựa trên cácHệ thống cho các sản phẩm tạo ra từ các thành phần khác nhau. Khi mua mộtmáy tính xách tay, ví dụ, người mua hàng có thể xem xét các hoạt động cá nhâncủa mỗi thành phần như CPU, Bo mạch chủ, bộ nhớ, vv. Trong nàyứng dụng, khối lượng mua sắm một nhu cầu về mỗi thành phầnthu thập và các ứng cử viên hài lòng nhất sau đó được tạo ra theo một mô hình đo mờ giống nhau.Mooney và Roy [89] một cuốn sách dựa trên nội dung các đề xuất.Hệ thống bằng cách sử dụng khai thác thông tin và một thuật toán học máy phân loại văn bản. Một loại văn bản Bayes ngây thơ được sử dụng đểđào tạo các dữ liệu abstracted từ các trang Web để xây dựng các tính năng của cuốn sách vàHồ sơ của người dùng và tìm thấy tốt nhất phù hợp với các cuốn sách dành cho người tiêu dùng. Ởmột số âm nhạc chia sẻ các trang web như hệ thống Last.fm, cộng đồng xã hội âm nhạc gồm nhiều loại hình âm nhạc và người sử dụng quan hệ.Để tốt hơn sử dụng các thông tin xã hội phong phú, một mô hình siêu đồ thị được giới thiệu trong cách tiếp cận giới thiệu âm nhạc được đề xuất trong [90] để điều trịthông tin phong phú các phương tiện truyền thông xã hội. Một số hệ thống trợ lý mua sắmcó một quan tâm trong việc giải thích các khuyến nghị cho người dùng.Ví dụ, khi mua hàng hóa đắt tiền, người mua mong đợi để được chỉ đạo khéo léo qua các tùy chọn của trợ lý bán hàng đầy đủ thông tin ngườicó khả năng cân bằng các yêu cầu khác nhau của người dùng. Ngoài rangười dùng thường xuyên cần phải được giáo dục về không gian, sản phẩm, đặc biệt là nếuhọ là để hiểu những gì có sẵn và lý do tại sao một số tùy chọnkhuyến cáo của các trợ lý bán hàng. Để cung cấp một tương đương ảođề nghị giải thích chẳng hạn như "tại sao sản phẩm A là tốt hơn so vớiB", McCarthyetal. [91] đã phát triển một trang web trợ lý mua sắmđược gọi là Qwikshop.com mà hợp chất critiques đã được sử dụng như là giải thích. Một tập hợp các phê phán mô hình được tạo ra bằng cách so sánh mỗiCác trường hợp còn lại để các trường hợp đề nghị hiện nay; Các tính năng tương đốisự khác biệt tạo nên các mô hình phê phán. Các sản phẩm ứng cử viên tốt nhất,Ví dụ, những người có tỷ lệ chi phí-hiệu quả cao nhất, sẽ được đề nghị cho người dùng. Vấn đề khác là mua một bó các mụchoặc gói khuyến mãi. Trong các hệ thống phát triển bởi Garfinkel et al. [92],Các tác giả mở rộng một trong-sản phẩm-at-a-thời gian tìm cách tiếp cận sử dụngtrong "shopbot" (một động cơ tìm kiếm mua sắm) triển khai để xem xétkế hoạch mua một bó các mục. Các hệ thống này thúc đẩy bó dựa trên giá cả và thỏa thuận quảng cáo thường xuyên được cung cấp bởithương nhân trực tuyến để trích xuất tiết kiệm đáng kể.

Kết quả (Việt) 2:

Trong vài năm qua, một số recommender độc đáo e-mua sắm
các hệ thống đã được phát triển để cung cấp hướng dẫn cho cá nhân trực tuyến
cho khách hàng. E-mua sắm là một lĩnh vực chuyên môn và rất phổ biến của
thương mại điện tử.
Đánh giá là một chức năng phổ biến trong các hệ thống mua sắm điện tử, đặc biệt là đối với
các sản phẩm điện tử. Ví dụ, trong iTunes
2
cửa hàng, khách hàng có
thể cung cấp thông tin phản hồi bằng cách phân bổ giá trị từ 1 đến 5 để mua các sản phẩm (bài hát hoặc album). Những dữ liệu giá sau đó có thể
được sử dụng để thực hiện các khuyến nghị. Gắn thẻ là một cách khác để kết nối
dữ liệu người dùng mục. Ví dụ, người dùng của trang web đánh giá phim MovieLens
[21] có thể gán thẻ tự do để một bộ phim bằng cách sử dụng những từ đơn giản.
Tương ứng, CF [21] và phân tích từ khóa xã hội [86] là hai hiệu quả
kỹ thuật trong hệ thống như vậy khi sử dụng riêng rẽ [86] hay tập thể
[44] với cả xếp hạng và các thẻ để tăng cường giới thiệu
hiệu suất.
Nhiều người trong số các trang web thương mại điện tử lớn nhất, chẳng hạn như Amazon và eBay,
đã sử dụng hệ thống tư để giúp khách hàng của họ tìm sản phẩm để mua [17,87]. Trong các trang web B2C thương mại điện tử, các sản phẩm
có thể được khuyến cáo dựa trên người bán hàng đầu tổng thể, nhân khẩu học của khách hàng, hoặc một phân tích về hành vi mua quá khứ của khách hàng như là một
dự đoán cho hành vi mua hàng trong tương lai. Một số mô hình tiên tiến cũng được
đề xuất bởi các nền văn học học thuật cho các tiêu chí khác nhau của môi trường mua sắm điện tử. Ví dụ, phân tích KB thường được sử dụng trong các hệ thống
trong đó rất khó để thu thập dữ liệu người dùng đánh giá. Các Wasabi cá nhân
Shopper (WPS) [88] là một công cụ duyệt cơ sở dữ liệu độc lập với miền
được thiết kế để truy cập thông tin trực tuyến, đặc biệt đối với danh mục sản phẩm điện tử. WPS được dựa trên một dòng của nghiên cứu khoa học được gọi là
hệ thống FindMe. FindMe được xây dựng bằng các ngôn ngữ khác nhau, và
sử dụng cơ sở dữ liệu ad-hoc tùy chỉnh được xây dựng và KB hồi tương tự. Fuzzy
kỹ thuật này cũng được sử dụng trong các hệ thống tư CB mua sắm điện tử;
ví dụ, Cao và Li [48] đã phát triển một recommender mờ dựa trên
hệ thống của sản phẩm làm từ các thành phần khác nhau. Khi mua một
máy tính xách tay, ví dụ, người mua hàng có thể xem xét các hoạt động cá nhân
của mỗi thành phần như CPU, bo mạch chủ, bộ nhớ, vv Trong
ứng dụng, trọng lượng của nhu cầu của người mua sắm trên mỗi thành phần đều được
thu thập và các ứng cử viên hài lòng nhất là sau đó tạo ra theo một mô hình biện pháp tương tự mờ.
Mooney và Roy [89] đề xuất một cuốn sách recommender nội dung dựa trên
hệ thống sử dụng khai thác thông tin và một thuật toán học máy để phân loại văn bản. Một phân loại văn bản Bayes ngây thơ được sử dụng để
đào tạo các dữ liệu trừu tượng từ các web để xây dựng các tính năng của sách và
hồ sơ của người sử dụng và tìm những cuốn sách phù hợp nhất cho một người dùng mục tiêu. Trong
một số trang web chia sẻ âm nhạc như các hệ thống Last.fm, cộng đồng xã hội âm nhạc được tạo thành từ nhiều loại hình quan hệ âm nhạc và người dùng.
Để tận dụng tốt hơn các thông tin xã hội phong phú, một mô hình đồ thị siêu được giới thiệu trong các cách tiếp cận đề xuất âm nhạc được đề xuất trong [90] để điều trị
các thông tin phương tiện truyền thông xã hội phong phú. Một số hệ thống trợ lý mua sắm
có lợi ích trong việc giải thích các khuyến nghị cho người dùng.
Ví dụ, khi mua hàng hóa đắt tiền, người mua mong đợi để được khéo léo lái thông qua các tùy chọn bằng cách trợ lý bán hàng đầy đủ thông tin người
có khả năng cân bằng các yêu cầu khác nhau của người dùng. Ngoài ra,
người sử dụng thường cần phải được giáo dục về các sản phẩm, không gian, đặc biệt là nếu
họ muốn hiểu những gì có sẵn và lý do tại sao một vài tùy chọn được
đề nghị bởi các trợ lý bán hàng. Để cung cấp một tương đương ảo
nghị giải thích như "tại sao sản phẩm A là tốt hơn so với
B", McCarthyetal. [91] phát triển một trang web trợ lý mua sắm
gọi Qwikshop.com mà chỉ trích hợp chất đã được sử dụng như những giải thích. Một tập hợp các mô hình phê bình được tạo ra bằng cách so sánh từng
trường hợp còn lại đối với trường hợp đề nghị hiện hành; các tính năng tương đối
khác biệt, tạo nên mô hình phê bình. Các sản phẩm ứng viên tốt nhất,
ví dụ như những người có tỷ lệ chi phí-hiệu suất cao nhất, sẽ được giới thiệu đến người dùng. Một vấn đề khác là việc mua một bó của các mặt hàng
hoặc xúc tiến bó. Trong các hệ thống được phát triển bởi Garfinkel et al. [92],
các tác giả đã mở rộng cách tiếp cận tìm kiếm một sản phẩm-at-a-thời gian sử dụng
trong "Can thue nha |" (một công cụ tìm kiếm mua sắm) triển khai để xem xét
kế hoạch mua một bó của các mặt hàng. Hệ thống recommender này thúc đẩy giao dịch giá và khuyến mãi gói dựa trên thường xuyên được cung cấp bởi
các thương gia trực tuyến để giải nén tiết kiệm đáng kể.