17.4 Determining AttributeWeights u

17.4 Determining AttributeWeights using Clickstream Analysis
Both product catalog map approaches introduced in the previous section consider
all attributes of a product as equally important to the user. However, we showed that
attribute weights can be incorporated in the dissimilarity measure used for MDS and
also NL-PCA can be adapted to incorporate different weights for attributes. This
holds for most visualization methods, including self-organizing maps and treemaps
which were described in Section 17.2.
In this section, we will introduce an approach to determine these weights automatically
using clickstream data. For every product, we count how often it was sold
during some period. In our application, shown in Section 17.6, we actually counted
outclicks, which are clicks out of the site (we used data of a price comparison site)
to a shop where the product can be bought. For ease of readability, we use the term
sales instead of outclicks during the remainder of this paper. Using these counts and
the product attributes, we estimate a Poisson regression model, which is a model
belonging to the class of generalized linear models. Using the coefficients of this
model and their corresponding standard errors, we compute t-values which form
the basis of our attribute weights. This approach was described earlier in [22].

ผลลัพธ์ (ไทย) 1:

17.4 กำหนด AttributeWeights ใช้วิเคราะห์ Clickstreamพิจารณาวิธีการแผนที่แค็ตตาล็อกผลิตภัณฑ์ทั้งในส่วนก่อนหน้าคุณลักษณะทั้งหมดของผลิตภัณฑ์เป็นอย่างเท่าเทียมกันต้องผู้ใช้ อย่างไรก็ตาม เราพบว่าสามารถรวมน้ำหนักแอตทริบิวต์ในวัด dissimilarity ที่ใช้สำหรับติด และยัง NL PCA สามารถดัดแปลงรวมน้ำหนักแตกต่างกันสำหรับแอตทริบิวต์ นี้เก็บสำหรับวิธีแสดงภาพประกอบเพลงส่วนใหญ่ แผนที่จัดการตนเองและ treemapsซึ่งได้อธิบายไว้ในส่วนหา 17.2ในส่วนนี้ เราจะแนะนำวิธีการในการกำหนดน้ำหนักเหล่านี้โดยอัตโนมัติใช้ข้อมูล clickstream สำหรับทุกผลิตภัณฑ์ เรานับอย่างไรมักจะถูกขายในช่วงบางเวลา แอพพลิเคชันของเรา แสดงในส่วน 17.6 เราจริงนับoutclicks ซึ่งเป็นคลิออกจากเว็บไซต์ (เราใช้ข้อมูลของไซต์เปรียบเทียบราคา)เป็นร้านที่สามารถซื้อผลิตภัณฑ์ สำหรับความสะดวกในการอ่าน เราใช้คำว่าoutclicks ขายแทนในช่วงเหลือของเอกสารนี้ ใช้ตรวจนับเหล่านี้ และคุณลักษณะของผลิตภัณฑ์ เราประเมินแบบปัวซองแบบจำลองถดถอย ซึ่งเป็นแบบเป็นของชั้นแบบจำลองเชิงเส้นเมจแบบทั่วไป ใช้สัมประสิทธิ์นี้รูปแบบและข้อผิดพลาดมาตรฐานของพวกเขาที่สอดคล้องกัน เราคำนวณค่า t ซึ่งเป็นพื้นฐานของน้ำหนักของแอททริบิวต์ วิธีการนี้ถูกอธิบายไว้ก่อนหน้าใน [22]

ผลลัพธ์ (ไทย) 2:

17.4 กำหนด AttributeWeights โดยใช้การวิเคราะห์เส้นทางการ
ทั้งสองวิธีแคตตาล็อกสินค้าแผนที่นำมาใช้ในส่วนก่อนหน้าพิจารณา
คุณลักษณะทั้งหมดของผลิตภัณฑ์เป็นสำคัญเท่าเทียมกันให้กับผู้ใช้ แต่เราแสดงให้เห็นว่า
น้ำหนักแอตทริบิวต์สามารถรวมอยู่ในการวัดความแตกต่างกันที่ใช้สำหรับ MDS และ
ยัง NL-PCA สามารถปรับให้รวมน้ำหนักที่แตกต่างกันสำหรับแอตทริบิวต์ นี้
ถือสำหรับวิธีการสร้างภาพมากที่สุดรวมทั้งแผนที่จัดตนเองและ Treemaps
ซึ่งได้อธิบายไว้ในมาตรา 17.2.
ในส่วนนี้เราจะมาแนะนำวิธีการในการกำหนดน้ำหนักเหล่านี้โดยอัตโนมัติ
โดยใช้ข้อมูลเส้นทาง สำหรับทุกผลิตภัณฑ์ที่เรานับว่าบ่อยครั้งที่มันจะถูกขาย
ในช่วงระยะเวลาบางส่วน ในโปรแกรมของเราแสดงให้เห็นในมาตรา 17.6 เราจริงนับ
outclicks ที่มีการคลิกจากเว็บไซต์ (เราใช้ข้อมูลของเว็บไซต์เปรียบเทียบราคา)
ที่ร้านสินค้าที่สามารถซื้อได้ เพื่อความสะดวกในการอ่านเราจะใช้คำ
แทนการขายในช่วงที่เหลือ outclicks ของบทความนี้ การใช้ข้อหาเหล่านี้และ
คุณลักษณะของผลิตภัณฑ์ที่เราประมาณการแบบการถดถอยปัวซองซึ่งเป็นรูปแบบ
ที่อยู่ในชั้นเรียนของตัวแบบเชิงเส้นทั่วไป โดยใช้ค่าสัมประสิทธิ์นี้
รูปแบบและข้อผิดพลาดมาตรฐานที่สอดคล้องกันของพวกเขาเราคำนวณค่าเสื้อซึ่งรูปแบบ
พื้นฐานของน้ำหนักแอตทริบิวต์ของเรา วิธีการนี้ได้อธิบายไว้ก่อนหน้านี้ใน [22]

ผลลัพธ์ (ไทย) 3:

เน้นการใช้ attributeweights
การวิเคราะห์ clickstream แผนที่แคตตาล็อกผลิตภัณฑ์ทั้งวิธีที่แนะนำในส่วนก่อนหน้าพิจารณาคุณลักษณะทั้งหมดของ
สินค้าเป็นสำคัญเท่าเทียมกันเพื่อผู้ใช้ อย่างไรก็ตาม เราพบว่า คุณลักษณะที่สามารถรวมอยู่ในน้ำหนัก
จะวัดที่ใช้สำหรับ MDS และ
nl-pca ยังสามารถดัดแปลงรวมน้ำหนักที่แตกต่างกันสำหรับแอตทริบิวต์ นี้
ถือสำหรับวิธีการสร้างภาพมากที่สุด รวมทั้งบนแผนที่ และ treemaps
ที่อธิบายไว้ในมาตราที่ 17.2 .
ในส่วนนี้เราจะแนะนำวิธีการหาน้ำหนักเหล่านี้โดยอัตโนมัติ
ใช้การบำรุงรักษาปกติ . สินค้าทุกชิ้น เรานับแล้วมักจะถูกขาย
ในบางช่วงเวลา ในโปรแกรมของเราที่แสดงในส่วนของดอก ที่จริงเรานับ outclicks
,ที่คลิกออกจากเว็บไซต์ ( เราใช้ข้อมูลจากเว็บไซต์เปรียบเทียบราคา )
ให้ร้านที่ผลิตภัณฑ์ที่สามารถซื้อ เพื่อความสะดวกในการอ่าน เราใช้ยอดขายในระยะ
แทน outclicks ในส่วนที่เหลือของบทความนี้ ใช้นับเหล่านี้และ
คุณสมบัติของสินค้าที่เราประมาณการแบบจำลองการถดถอยปัวส์ซอง ซึ่งเป็นรูปแบบ
ไปจนถึงระดับของตัวแบบเชิงเส้นทั่วไป .โดยใช้ค่าสัมประสิทธิ์ของแบบจำลองนี้
และข้อผิดพลาดที่สอดคล้องกันมาตรฐาน เราใช้ t-test ซึ่งรูปแบบพื้นฐานของน้ำหนัก
คุณลักษณะของเรา วิธีการนี้ได้อธิบายไว้ก่อนหน้านี้ใน
[ 22 ]