| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.54 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
With the popularization of the Internet and the maturation of associated technologies, the
digital environment has evolved into a global marketplace facilitating the exchange of goods
and services, commonly referred to as e-commerce. This market has experienced substantial
growth due to the expansion of product catalogues and the rising demand for effective
recommender systems that enhance user experience and boost the competitiveness of
companies.
This dissertation examines the current landscape of e-commerce recommender systems,
analysing the techniques currently in use, their limitations, and evaluation methods. It also
proposes a hybrid approach that integrates recommendation techniques with association rules
derived from historical purchase data, assigning weights to balance the influence of each
technique. The primary goal is to provide users with personalised and effective
recommendations, leveraging the combination of established recommendation methods with
association rules, to mitigate existing limitations.
The effectiveness of the components in this hybrid approach is evaluated using standard
metrics, supplemented by feedback from test users, which aids in adjusting the weights and
analysing the relevance of the recommendations. The findings of this approach contribute to
increased user satisfaction on e-commerce platforms, although the creation of meaningful
association rules requires substantial amounts of data.
Com a popularização da Internet e o amadurecimento das tecnologias associadas, o ambiente digital tornou-se um mercado global que facilita a troca de bens e serviços, conhecido como ecommerce. Este mercado cresceu substancialmente com a expansão dos catálogos de produtos, assim como a necessidade de sistemas de recomendação eficazes de forma a melhorar a experiência do utilizador e aumentar a competitividade das empresas. Esta dissertação investiga o estado atual dos sistemas de recomendação de comércio eletrónico, analisando as técnicas utilizadas atualmente, as suas limitações e métodos de avaliação. Propõe ainda uma abordagem híbrida que combina técnicas de recomendação com regras de associação derivadas de dados históricos de compras, com a atribuição de pesos para controlar a influência de cada técnica. O objetivo é oferecer aos utilizadores recomendações personalizadas e eficazes, tirando partido da combinação técnicas de recomendação estabelecidas com regras de associação, de forma a procurar mitigar limitações existentes. A eficácia dos componentes desta abordagem híbrida é avaliada com métricas padrão e complementada pelo feedback de utilizadores de teste, contribuindo para o ajuste dos pesos e na análise da relevância das recomendações. Os resultados desta abordagem contribuem para o aumento da satisfação dos utilizadores de plataformas de comércio eletrónico, embora exista a necessidade de uma grande quantidade de dados para a criação de regras de associação.
Com a popularização da Internet e o amadurecimento das tecnologias associadas, o ambiente digital tornou-se um mercado global que facilita a troca de bens e serviços, conhecido como ecommerce. Este mercado cresceu substancialmente com a expansão dos catálogos de produtos, assim como a necessidade de sistemas de recomendação eficazes de forma a melhorar a experiência do utilizador e aumentar a competitividade das empresas. Esta dissertação investiga o estado atual dos sistemas de recomendação de comércio eletrónico, analisando as técnicas utilizadas atualmente, as suas limitações e métodos de avaliação. Propõe ainda uma abordagem híbrida que combina técnicas de recomendação com regras de associação derivadas de dados históricos de compras, com a atribuição de pesos para controlar a influência de cada técnica. O objetivo é oferecer aos utilizadores recomendações personalizadas e eficazes, tirando partido da combinação técnicas de recomendação estabelecidas com regras de associação, de forma a procurar mitigar limitações existentes. A eficácia dos componentes desta abordagem híbrida é avaliada com métricas padrão e complementada pelo feedback de utilizadores de teste, contribuindo para o ajuste dos pesos e na análise da relevância das recomendações. Os resultados desta abordagem contribuem para o aumento da satisfação dos utilizadores de plataformas de comércio eletrónico, embora exista a necessidade de uma grande quantidade de dados para a criação de regras de associação.
Description
Keywords
Artificial Intelligence E-commerce Recommender systems Association rules Collaborative filtering Content-based filtering Inteligência artificial Sistemas de recomendação Regras de associação Filtragem colaborativa Filtragem baseada em conteúdo