E-Commerce Recommender Applications

E-Commerce Recommender Applications Page 19of 24
Deep personalization emulates the relationship a customer has with an expert salesperson who not only knows the customer's tastes
but also has the experience that comes from selling to many other customers. With deeply personal recommenders, businesses can
identify and anticipate customer desires because they have indeed seen other similar customers before. The customers, in turn,
discover that the more they shop, the better the store becomes.
Each of these models addresses different business needs that reflect different business models, customers, and marketing plans. By
selecting the appropriate combination of recommender applications, businesses can maintain their competitive advantage, retain
customers, and increase sales.
8. ACKNOWLEDGMENTS
We gratefully acknowledge the painstaking efforts of the editors and anonymous reviewers in helping make this paper more
appropriate for the data mining audience. We also appreciate the support and feedback of the GroupLens Research Group at the
University of Minnesota. This work was supported by the National Science Foundation under grants IIS 9613960, IIS 9734442, and
DGE 9554517. Support was also provided by Net Perceptions Inc., a company that Konstan and Riedl co-founded and that sells a
recommender system for E-Commerce.
9. REFERENCES
Agrawal, R., Imielinski, T., and Swami, A. 1993. Mining Association Rules between Sets of Items in Large Databases. Proceedings
of ACM SIGMOD-93, pp. 207-216.
Avery, C., Resnick, P., and Zeckhauser, R. 1999. The Market for Evaluations. American Economic Review, 89(3): pp. 564-583.
Balabanovic, M., and Shoham, Y. 1997. Fab: Content-based, collaborative recommendation. Communications of the ACM, 40(3):
pp. 66-72.
Basu, C., Hirsh, H., and Cohen W. 1998. Recommendation as classification: using social and content-based information in
recommendation. In Proceedings of the 1998 National Conference on Artificial Intelligence (AAAI-98), pages 714-720.
Breese, J., Heckerman, D., and Kadie, C. 1998. Empirical analysis of predictive algorithms for collaborative filtering. In
Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence (UAI-98), pp 43-52.
Good, N., Schafer, J.B., Konstan, J.A., Borchers, A., Sarwar, B., Herlocker, J., and Riedl, J. 1999. "Combining Collaborative
Filtering with Personal Agents for Better Recommendations," Proceedings of AAAI-99, AAAI Press. pp 439-446.
Herlocker, J., Konstan, J.A., Borchers, A., and Riedl, J. 1999. An algorithmic framework for performing collaborative filtering.
Proceedings of SIGIR’ 99, pp 230-237.
Hill, W., Stead, L., Rosenstein, M., and Furnas G. 1995. Recommending and evaluating choices in a virtual community of use. In
Proceedings of ACM CHI'95 Conference on Human Factors in Computing Systems, pp 194-201.
Konstan, J.A., Miller, B., Maltz, D., Herlocker, J., Gordon, L., and Riedl J. 1997. GroupLens: Applying collaborative filtering to
Usenet news. Communications of the ACM,40(3): pp 77-87.
Mani, D.R., Drew, J., Betz, A. and Datta, P. 1999. Statistics and data mining techniques for lifetime value modeling. Proceedings of
of the Fifth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 94-103.
Peppers, D. and Rogers, M. 1997. The One to One Future : Building Relationships One Customer at a Time. Bantam Doubleday Dell
Publishing.
Pine II, B.J. 1993. Mass Customization. Harvard Business School Press. Boston, Massachusetts
Pine II, B.J. and Gilmore, J.H. 1999. The Experience Economy. Harvard Business School Press. Boston, Massachusetts.
Pine II, B.J., Peppers, D., and Rogers, M. 1995. Do you want to keep your customers forever? Harvard Business School Review, 1995
(2): pp. 103-114.
Reichheld, F. and Sasser, W.E. 1990. Zero Defections: Quality Comes to Services. Harvard Business School Review, 1990(5): pp.
105-111.
Reichheld, F. 1993. Loyalty-Based Management. Harvard Business School Review, 1993(2): pp. 64-73.
Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., and Riedl, J. 1994. Grouplens: An open architecture for collaborative filtering
of netnews. In Proceedings of ACM CSCW'94 Conference on Computer-Supported Cooperative Work, pp 175-186.
Salton, G. 1968. Automatic Information Organization and Retrieval, McGraw-Hill Book Company.
Sarwar, B., Konstan, J.A., Borchers, A., Herlocker, J., Miller, B., and Riedl, J. 1998. Using filtering agents to improve prediction
quality in the grouplens research collaborative filtering system. In Proceedings of 1998 Conference on Computer Supported
Collaborative Work.
Schafer, J.B., Konstan, J.A., and Riedl, J. 1999. Recommender Systems in E-Commerce. In ACM Conference on Electronic
Commerce (EC-99), pages 158-166.
Shardanand, U. and Maes, P. 1995. Social information filtering: Algorithms for automating "word of mouth". In Proceedings of ACM

ผลลัพธ์ (ไทย) 1:

โปรแกรมประยุกต์อีคอมเมิร์ซผู้แนะนำหน้า 19of 24ตั้งลึกเนียนจำลองความสัมพันธ์ที่ลูกค้ามีการใช้พนักงานขายไม่ รู้รสนิยมของลูกค้า แต่ยัง มีประสบการณ์ที่มาจากการขายให้ลูกค้าอื่น ๆ Recommenders ลึกส่วนบุคคล ธุรกิจสามารถ ระบุ และคาดว่าจะมีลูกค้าปรารถนาเนื่องจากพวกเขาได้เห็นลูกค้าอื่นเหมือนก่อนแน่นอน ลูกค้า ในเลี้ยว ค้นพบว่ายิ่งพวกเขาร้าน กลายเป็นร้านค้าที่ดีแต่ละรุ่นเหล่านี้อยู่ความต้องการธุรกิจที่สะท้อนถึงรูปแบบธุรกิจ ลูกค้า และแผนการตลาด โดย เลือกชุดที่เหมาะสมของการใช้งานของผู้แนะนำ ธุรกิจสามารถรักษาความได้เปรียบเชิงแข่งขัน รักษา ลูกค้า และการขายเพิ่มขึ้น8. ตอบเราควระรับทราบความพยายามรอบคอบของบรรณาธิการและผู้ไม่ช่วยให้กระดาษเพิ่มเติมเหมาะสำหรับผู้ชมในการทำเหมืองข้อมูล เรายังยินดีสนับสนุนและข้อเสนอแนะของ กลุ่มวิจัย GroupLens ในการมหาวิทยาลัยมินนิโซตา งานนี้ได้รับการสนับสนุน โดยมูลนิธิวิทยาศาสตร์แห่งชาติภายใต้ทุน IIS 9613960, IIS 9734442 และ DGE 9554517 ยังให้การสนับสนุน โดยสุทธิแนว อิงค์ บริษัทที่ Konstan และ Riedl ร่วมก่อตั้ง และที่จำหน่ายเป็น ระบบผู้แนะนำสำหรับ E-Commerce 9. อ้างอิงAgrawal, R., Imielinski ต. และสวา มี A. 1993 การทำเหมืองแร่กฎความสัมพันธ์ระหว่างชุดของรายการในฐานข้อมูลขนาดใหญ่ ตอน of ACM SIGMOD-93, pp. 207-216. Avery, C., Resnick, P., and Zeckhauser, R. 1999. The Market for Evaluations. American Economic Review, 89(3): pp. 564-583. Balabanovic, M., and Shoham, Y. 1997. Fab: Content-based, collaborative recommendation. Communications of the ACM, 40(3): pp. 66-72.Basu, C., Hirsh, H., and Cohen W. 1998. Recommendation as classification: using social and content-based information inrecommendation. In Proceedings of the 1998 National Conference on Artificial Intelligence (AAAI-98), pages 714-720.Breese, J., Heckerman, D., and Kadie, C. 1998. Empirical analysis of predictive algorithms for collaborative filtering. InProceedings of the 14th Conference on Uncertainty in Artificial Intelligence (UAI-98), pp 43-52.Good, N., Schafer, J.B., Konstan, J.A., Borchers, A., Sarwar, B., Herlocker, J., and Riedl, J. 1999. "Combining CollaborativeFiltering with Personal Agents for Better Recommendations," Proceedings of AAAI-99, AAAI Press. pp 439-446.Herlocker, J., Konstan, J.A., Borchers, A., and Riedl, J. 1999. An algorithmic framework for performing collaborative filtering.Proceedings of SIGIR’ 99, pp 230-237.Hill, W., Stead, L., Rosenstein, M., and Furnas G. 1995. Recommending and evaluating choices in a virtual community of use. In Proceedings of ACM CHI'95 Conference on Human Factors in Computing Systems, pp 194-201.Konstan, J.A., Miller, B., Maltz, D., Herlocker, J., Gordon, L., and Riedl J. 1997. GroupLens: Applying collaborative filtering toUsenet news. Communications of the ACM,40(3): pp 77-87.Mani, D.R., Drew, J., Betz, A. and Datta, P. 1999. Statistics and data mining techniques for lifetime value modeling. Proceedings of of the Fifth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 94-103. Peppers, D. and Rogers, M. 1997. The One to One Future : Building Relationships One Customer at a Time. Bantam Doubleday Dell Publishing. Pine II, B.J. 1993. Mass Customization. Harvard Business School Press. Boston, MassachusettsPine II, B.J. and Gilmore, J.H. 1999. The Experience Economy. Harvard Business School Press. Boston, Massachusetts. Pine II, B.J., Peppers, D., and Rogers, M. 1995. Do you want to keep your customers forever? Harvard Business School Review, 1995(2): pp. 103-114.Reichheld, F. and Sasser, W.E. 1990. Zero Defections: Quality Comes to Services. Harvard Business School Review, 1990(5): pp. 105-111.Reichheld, F. 1993. Loyalty-Based Management. Harvard Business School Review, 1993(2): pp. 64-73.Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., and Riedl, J. 1994. Grouplens: An open architecture for collaborative filtering of netnews. In Proceedings of ACM CSCW'94 Conference on Computer-Supported Cooperative Work, pp 175-186. Salton, G. 1968. Automatic Information Organization and Retrieval, McGraw-Hill Book Company.Sarwar, B., Konstan, J.A., Borchers, A., Herlocker, J., Miller, B., and Riedl, J. 1998. Using filtering agents to improve prediction ระบบการกรองคุณภาพงานวิจัย grouplens ร่วม ในรายงานการประชุมปี 1998 บนเครื่องคอมพิวเตอร์ที่ได้รับการสนับสนุนทำงานร่วมกันSchafer หรรษา Konstan โรงแรมเจเอ และ Riedl, J. 1999 ระบบผู้แนะนำในอีคอมเมิร์ซ ในพลอากาศประชุมอิเล็กทรอนิกส์พาณิชย์ (EC-99), หน้า 158-166Shardanand สหรัฐและ Maes, P. 1995 กรองข้อมูลสังคม: อัลกอริทึมสำหรับ "คำจากปาก" ในตอนของพลอากาศ

ผลลัพธ์ (ไทย) 2:

อีคอมเมิร์ซผู้แนะนำการประยุกต์ใช้งานหน้า 19of 24
ส่วนบุคคลลึกจำลองความสัมพันธ์ที่มีกับลูกค้าพนักงานขายผู้เชี่ยวชาญที่ไม่เพียง แต่รู้รสนิยมของลูกค้า
แต่ยังมีประสบการณ์ที่มาจากการขายให้กับลูกค้าอื่น ๆ อีกมากมาย ด้วย Recommenders ส่วนตัวลึกธุรกิจสามารถ
ระบุและคาดการณ์ความต้องการของลูกค้าเพราะพวกเขาได้เห็นแน่นอนลูกค้าที่คล้ายกันอื่น ๆ ก่อน ลูกค้าในที่สุดก็
ค้นพบว่ามากกว่าที่พวกเขาซื้อสินค้าที่ดีกว่าการจัดเก็บจะกลายเป็น.
แต่ละรูปแบบเหล่านี้ตอบสนองความต้องการทางธุรกิจที่แตกต่างกันที่สะท้อนให้เห็นถึงรูปแบบธุรกิจที่แตกต่างกันของลูกค้าและแผนการตลาด โดย
การเลือกการรวมกันที่เหมาะสมของการใช้งานผู้แนะนำธุรกิจสามารถรักษาความได้เปรียบในการแข่งขันของพวกเขารักษา
ลูกค้าและเพิ่มยอดขาย.
8 กิตติกรรมประกาศ
เรารู้สึกขอบคุณรับทราบความเพียรพยายามของบรรณาธิการและแสดงความคิดเห็นที่ไม่ระบุชื่อในการช่วยทำให้กระดาษนี้เพิ่มเติม
ที่เหมาะสมสำหรับผู้ชมการทำเหมืองข้อมูล นอกจากนี้เรายังขอขอบคุณที่สนับสนุนและข้อเสนอแนะของ GroupLens กลุ่มวิจัยที่
มหาวิทยาลัยมินนิโซตา งานนี้ได้รับการสนับสนุนจากมูลนิธิวิทยาศาสตร์แห่งชาติภายใต้ทุน IIS 9613960, 9734442 IIS และ
DGE 9554517. และสนับสนุนนอกจากนี้ยังมีการรับรู้โดยสุทธิ Inc. ซึ่งเป็น บริษัท ที่คงที่และ Riedl ร่วมก่อตั้งและที่ขาย
ระบบ recommender สำหรับอีคอมเมิร์ซ .
9 ข้อมูลอ้างอิง
Agrawal หม่อมราชวงศ์ Imielinski ตและสวามี A. 1993 สมาคมเหมืองกฎระหว่างชุดของรายการในฐานข้อมูลขนาดใหญ่ การดำเนินการ
ของพลอากาศเอก SIGMOD-93, pp. 207-216.
เอเวอรี่ซีเรสนิค, P. และ Zeckhauser, อาร์ปี 1999 ตลาดสำหรับการประเมินผล อเมริกันทบทวนเศรษฐกิจ 89 (3): pp. 564-583.
Balabanovic เมตรและ Shoham, Y. 1997 Fab เนื้อหาตามคำแนะนำของการทำงานร่วมกัน การสื่อสารของพลอากาศเอก, 40 (3):
PP . 66-72
ซึ, C. , Hirsh เอชและโคเฮนดับบลิว 1998 คำแนะนำเช่นการจัดหมวดหมู่: การใช้สังคมและเนื้อหาตามข้อมูลใน
คำแนะนำ ในการดำเนินการของปี 1998 การประชุมแห่งชาติเกี่ยวกับปัญญาประดิษฐ์ (AAAI-98), หน้า 714-720.
Breese เจ Heckerman, D. และ Kadie, C. 1998. การวิเคราะห์เชิงประจักษ์ของขั้นตอนวิธีการคาดการณ์สำหรับการกรองการทำงานร่วมกัน ใน
การประชุมวิชาการครั้งที่ 14 บนความไม่แน่นอนในปัญญาประดิษฐ์ (เอื้อย-98), pp 43-52.
ดีเอ็น, เชฟเฟอร์ JB, คงที่, JA, Borchers, A. , โฉบบี Herlocker เจ และริดเดิ้ล, เจ 1999 "การผสมผสานความร่วมมือ
กรองด้วยตัวแทนส่วนบุคคลสำหรับข้อเสนอแนะที่ดีกว่า "การดำเนินการของ AAAI-99, AAAI กด ได้ pp 439-446.
Herlocker เจคงที่, JA, Borchers, A. , และริดเดิ้ล, เจปี 1999 กรอบขั้นตอนในการดำเนินการกรองการทำงานร่วมกัน.
กิจการของSığır '99, pp 230-237.
ฮิลล์ดับบลิว แทนลิตร Rosenstein เอ็มและนาส G. ปี 1995 เสนอแนะและการประเมินทางเลือกในชุมชนเสมือนจริงของการใช้งาน ใน
การดำเนินการของพลอากาศเอก CHI'95 การประชุมเกี่ยวกับปัจจัยมนุษย์ในระบบคอมพิวเตอร์, pp 194-201.
คงที่เจมิลเลอร์, บี Maltz, D. , Herlocker เจกอร์ดอน, แอลและรีเดลเจ 1997 GroupLens: การประยุกต์ใช้การทำงานร่วมกันเพื่อการกรอง
ข่าว Usenet การสื่อสารของพลอากาศเอก, 40 (3): pp. 77-87
มณี, DR ที่ดึงเจเบทซ์, A. และ Datta, P. ปี 1999 สถิติและเทคนิคการทำเหมืองข้อมูลสำหรับการสร้างแบบจำลองค่าชีวิต การดำเนินการของ
ของห้า ACM SIGKDD การประชุมนานาชาติเกี่ยวกับความรู้ของการค้นพบและการทำเหมืองข้อมูล, pp 94-103..
Peppers, D. และโรเจอร์ส, เอ็มปี 1997 One to One ในอนาคต: การสร้างความสัมพันธ์ลูกค้ารายหนึ่งที่เวลา แจ้ดับเบิล Dell
สิ่งพิมพ์.
ไพน์ครั้งที่สองปี 1993 BJ มวลการปรับแต่ง โรงเรียนกด บอสตัน, แมสซาชูเซต
ไพน์ครั้งที่สอง BJ และ Gilmore, JH ปี 1999 เศรษฐกิจประสบการณ์ โรงเรียนกด บอสตัน, แมสซาชูเซต.
ไพน์ครั้งที่สอง BJ, พริก, D. และโรเจอร์ส, เอ็ม 1995 คุณต้องการที่จะให้ลูกค้าของคุณตลอดไป? ความคิดเห็น Harvard Business School, 1995
(2): pp. 103-114.
Reichheld เอฟและ Sasser เราปี 1990 ศูนย์การละเลย: คุณภาพมาถึงบริการ ความคิดเห็น Harvard Business School, 1990 (5): pp.
. 105-111
Reichheld เอฟปี 1993 การบริหารจัดการความภักดีจาก ความคิดเห็น Harvard Business School, 1993 (2): pp. 64-73.
เรสนิค, พี Iacovou, N. , Suchak, M. , Bergstrom พีและ Riedl เจ 1994 Grouplens: สถาปัตยกรรมแบบเปิดสำหรับการทำงานร่วมกัน การกรอง
ของ NetNews ในการดำเนินการของพลอากาศเอก CSCW'94 การประชุมเกี่ยวกับการทำงานร่วมโดยใช้คอมพิวเตอร์ช่วย, pp 175-186.
Salton, G. ปี 1968 องค์การข้อมูลโดยอัตโนมัติและดึง บริษัท หนังสือ McGraw-Hill.
โฉบบีคงที่, JA, Borchers, . Herlocker เจมิลเลอร์บีและรีเดล, เจปี 1998 โดยใช้ตัวแทนการกรองเพื่อปรับปรุงการคาดการณ์
ที่มีคุณภาพในระบบการกรองความร่วมมือการวิจัย grouplens ในการดำเนินการของปี 1998 การประชุมเกี่ยวกับคอมพิวเตอร์ที่รองรับ
การทำงานความร่วมมือ.
เชฟเฟอร์ JB, คงที่, JA และ Riedl เจปี 1999 ผู้แนะนำระบบ E-Commerce ACM ในการประชุมเกี่ยวกับอิเล็กทรอนิกส์
. พาณิชย์ (EC-99), หน้า 158-166
Shardanand, U. และ Maes, P. 1995. ข้อมูลสังคมการกรองขั้นตอนวิธีการสำหรับการทำงานอัตโนมัติ "คำพูดจากปาก" ในการดำเนินการของพลอากาศเอก

ผลลัพธ์ (ไทย) 3:

- แนะนำการใช้งานหน้า 19of 24
ลึกส่วนบุคคลที่ emulates ความสัมพันธ์ลูกค้ากับผู้เชี่ยวชาญพนักงานขายที่ไม่เพียง แต่รู้ว่ารสนิยมของลูกค้า
แต่ยังมีประสบการณ์ที่มาจากการขายให้กับลูกค้าอื่น ๆ อีกมากมาย กับลึก recommenders ส่วนบุคคล ธุรกิจสามารถ
ระบุและคาดการณ์ความต้องการของลูกค้าเพราะพวกเขาได้เห็นลูกค้าที่คล้ายกันอื่น ๆ ก่อน ลูกค้าในการเปิด
ค้นพบว่ายิ่งพวกเขาที่ร้านดีกว่า ร้านกลายเป็น .
แต่ละรุ่นเหล่านี้ที่อยู่ที่แตกต่างกันความต้องการทางธุรกิจที่สะท้อนถึงรูปแบบธุรกิจที่แตกต่างกันของลูกค้า และวางแผนทางการตลาด โดย
เลือกชุดที่เหมาะสมของระบบแนะนำการใช้งาน ,ธุรกิจสามารถรักษาความได้เปรียบในการแข่งขันของพวกเขา รักษาลูกค้าและเพิ่มยอดขาย
, .
8 ขอบคุณ
เราสุดซึ้งยอมรับความพยายามอดทนของบรรณาธิการและระบุชื่อผู้ตรวจทานในการช่วยให้กระดาษ
เหมาะสมสำหรับการทำเหมืองข้อมูลผู้ชม นอกจากนี้เรายังขอขอบคุณการสนับสนุนและความคิดเห็นของ grouplens กลุ่มงานวิจัยที่
มหาวิทยาลัยมินเนโซต้างานวิจัยนี้ได้รับการสนับสนุนจากมูลนิธิวิทยาศาสตร์แห่งชาติภายใต้ทุน IIS 9613960 IIS 9734442 และ
ความรู้ 9554517 . สนับสนุนก็ให้โดยสุทธิการรับรู้อิงค์ซึ่งเป็น บริษัท ที่ konstan รีเดลและ Co ก่อตั้งขึ้นและที่ขาย
แนะนำระบบสำหรับพาณิชย์อิเล็กทรอนิกส์
9 อ้างอิง
Agrawal , R imielinski , ต. และสวามี , A . 1993 สมาคมเหมืองแร่กฎระหว่างชุดของรายการในฐานข้อมูลขนาดใหญ่เรื่องของ ACM sigmod-93 .
, 207-216 .
เอเวอรี่ ซี. เรสนิค , หน้า และ zeckhauser , R 1999 ตลาดประเมิน . ทบทวนเศรษฐกิจอเมริกัน , 89 ( 3 ) : . 564-583 .
balabanovic เมตร และ shoham . 1997 fab : เนื้อหาตามข้อเสนอแนะร่วมกัน การสื่อสารของ ACM , 40 ( 3 ) ช่วง :
. .
บาซู , C . , Hirsh เอช และ โคเฮน W . 1998 แนะนำเป็น หมวดหมู่ :การใช้ข้อมูลทางสังคมและเนื้อหาใน
แนะนำ ในเอกสารประกอบการประชุมวิชาการระดับชาติ 1998 ปัญญาประดิษฐ์ ( aaai-98 ) , หน้า 714-720 .
บรีส เจ heckerman , D , และ kadie , C . 1998 การวิเคราะห์เชิงประจักษ์ของขั้นตอนวิธีทำนายแบบกรอง รายงานการประชุมทางวิชาการ ครั้งที่ 14 ใน
ความไม่แน่นอนในด้านปัญญาประดิษฐ์ ( uai-98 ) , PP 43-52 .
, N .เชเฟอร์ เจบี konstan j.a. , , , , borchers Sarw ā r , A , B , herlocker เจ และ รีเดล เจ ปี 2542 " รวมร่วมกัน
กรองกับตัวแทนส่วนบุคคลสำหรับข้อเสนอแนะที่ดี " เรื่อง aaai-99 aaai , กด PP 439-446 .
herlocker เจ konstan j.a. borchers , , , A . , และ รีเดล เจ ปี 2542 กรอบขั้นตอนวิธีสำหรับการแสดงร่วมกัน กรอง
เรื่อง sigir ' 99 , PP 230-237 .
ฮิลล์W . L . าแทน วท. และเฟอร์นาส . 1995 แนะนำและประเมินทางเลือกในสังคมเสมือนที่ใช้ ในการดำเนินการของ ACM ชิ
'95 ว่าด้วยปัจจัยมนุษย์ในระบบคอมพิวเตอร์ 194-201 PP .
konstan j.a. , มิลเลอร์ , บี , แมลตส์ , D herlocker , J . , กอร์ดอน ฉัน และ รีเดล เจ ปี 1997 grouplens : ใช้ร่วมกัน กรองข่าว
Usenet . การสื่อสารของ ACM , 40 ( 3 ) : PP
77-87 .