Drzewa klasyfikacyjne w identyfikacji preferencji klientów e-handlu

• Autorzy: Tomasz Zdziebko , Piotr Sulikowski

Warianty tytułu

Classification Trees in E-Commerce Customer Preferences

• Języki publikacji: PL

Abstrakty

Celem artykułu jest prezentacja pełnych wyników badań identyfikacji preferencji użytkowników serwisów e-handlu z wykorzystaniem metody drzew klasyfikacyjnych. Badania te doprowadziły do opracowania modeli klasyfikacyjnych, zbudowanych w oparciu o wskaźniki pozyskane z wykorzystaniem pośredniej informacji zwrotnej. Artykuł stanowi punkt wyjścia do dalszych rozważań nad problematyką systemów rekomendacyjnych. (abstrakt oryginalny)

EN

This paper aims to present full results of an e-comerce customer preferences identification study using classification trees. The study led to building classification models based on indicators obtained using implicit feedback. The paper constitutes a starting point for further research in the field of recommender systems. (original abstract)

Słowa kluczowe

PL

Preferencje konsumenta; Biznes elektroniczny; Drzewa klasyfikacyjne

EN

Consumer preferences; e-business; Classification trees

• Czasopismo: Studies & Proceedings of Polish Association for Knowledge Management
• Rocznik: 2016
• Tom: 78
• Strony: 98--107

Twórcy

autor

Tomasz Zdziebko

• Uniwersytet Szczeciński

autor

Piotr Sulikowski

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

Bibliografia

• [1] Allen, R. B.: User models: Theory, method, and practice. International Journal of Man-Machine Studies. 1990, Volume 32, Issue 32.
• [2] Avery C., Zeckhauser R.: Recommender systems for evaluating Computer Messages. Communications of the ACM. Marzec 1997, Volume 40 Issue 3.
• [3] Claypool M., et al.: Implicit Interest Indicators. Proceedings of the 6th international conference on Intelligent user interfaces. ACM, Nowy Jork 2001.
• [4] Demski T.: Drzewa klasyfikacyjne w przewidywaniu migracji klientów. Systemy IT. 2005, Nr 3(57).
• [5] Fischer G.: User Modeling in Human-Computer Interaction. User Modeling and User-Adapted.
• [6] Goecks J., Shalvik J.: Learning users' interests by unobtrusively observing their normal behavior. Proceedings of the 5th international conference on Intelligent user interfaces. ACM, Nowy Jork 2000.
• [7] Grundin J.: Groupware and Social Dynamics: Eight Challenges for Developers. Communications of the ACM, Styczeń1994. Volume 37, Issue 1.
• [8] Hand D.J., Henley W.E.: Statistical classification methods in consumer credit scoring: a review. Journal of the Royal Statistical Society. 1997, Series A, No. 160(3).
• [9] Interaction (UMUAI). 2001, Volume 11, Issue 1-2.
• [10] Kellar M., et. al..: Effect of task on time spent reading as an implicit measure of interest. American Society for Information Science and Technology 2004, Volume 41, Issue 1.
• [11] Montaner M.: A Taxonomy of Personalized Agents on the Internet. Technical Report TRUDG. Departament d'Electronica, Informatica i Automatica. Universitat de Girona, 2001.
• [12] Kelly D.: Implicit Feedback: Using Behavior to Infer Relevance. New Directions in Cognitive Information Retrieval. The Information Retrieval Series, 2005, Volume 19, Section IV.
• [13] Nielsen J.: Personalization is over-rated. Alertbox. Źródło: http://www.useit.com/ alertbox/981004.html [dostęp: 2015-06- 15].
• [14] Próchnicka M.: Metody i techniki modelowania użytkownika w inteligentnych systemach informacyjnych. Multimedialne i Sieciowe Systemy Informacyjne, Wrocław 2000.
• [15] Velayathan G., Yamada S.: Behavior Based Web Page Evaluation. Proceedings of the 15th international conference on World Wide Web. ACM. Nowy Jork, 2006.
• [16] Watson A., Sasse M. A.: Measuring perceived quality of speech and video in multimedia conferencing applications. ACM international conference on Multimedia. ACM, Nowy Jork 1998.