In online shops, many recommendatio

In online shops, many recommendation systems are used to improve a conversion rate
(Kamishima et al 2006). The conversion rate is a purchasing rate for visitors. If we can
recommend products that users are requiring or searching, we achieve a high conversion rate.
In general recommendation products are selected based on neighbor users defined according to
similarity among order histories or users’ demographic information registered previously
(Linden et al. 2003, Auer et al. 2002 and Gittins et al. 2011). The neighbor users are users who
are considered to have a similar preference to a target user. Hence, it is important to find
correct neighborhood in the systems. However, there is a problem that we cannot define
neighborhood for new users who use the site for the first time or have never purchased any
products since we cannot define similarities between the new user and another user. This
problem is called a cold start problem (Sahebi 2011, Zhang et al 2010).
In this paper, we overcome the cold start problem using access logs in an online shop
instead of order histories since the access logs are obtained more easily. Our aim is to define
appropriate neighbor users from access logs and predict new users’ intents. However, access
logs are not reflective of the user’s preference directly, compared with the order history. For
example, a user just browses various products according to temporary interests in some cases
and compares a few products to decide what to buy according to some concrete interests. So
the access logs include some access logs not related to user’s purchase as noise. Then, we pay
attention to access logs of user’s review processes on their purchasing, since the processes
sure to have specific intents. And in order to capture user’s various intents using web pages we
pay attention to common pages in access logs of users who ordered the same product or the
same category. This is because that we consider that web pages visited by many customers on
their purchasing processes have an effect on the purchasing of the category-specific.
Concretely, we construct a network from the access logs. Evaluating the network, we obtain
important web pages which are highly relevant to customers’ purchase. In this paper, we use
PageRank algorithm (Page et al 1998) to select these web pages and call them
“Characteristics Pages; CPs” (Koketsu et al 2012). Using CPs in each category, we make a
feature vector which elements denote whether the user visited the CPs or not as the user’s
profile. In experiments we estimate neighbor users of new users by calculating similarities
among users’ profiles. And we predict the category of product which the new users will
purchase to examine the efficiency of our proposed method. From experimental results in
category prediction we found that there were some categories in which the proposed method
can correctly predict the product category that new users actual purchased, we confirmed the
positive effectiveness of the proposed method as one solution for the cold start problem.

Results (Indonesian) 1:

Di toko-toko online, sistem rekomendasi yang banyak digunakan untuk meningkatkan tingkat konversi(Kamishima et al 2006). Tingkat konversi adalah TARIF pembelian bagi pengunjung. Jika kita dapatmerekomendasikan produk yang pengguna memerlukan atau mencari, kita mencapai tingkat konversi yang tinggi.Secara umum rekomendasi produk dipilih berdasarkan tetangga pengguna didefinisikan menurutkesamaan antara sejarah perintah atau informasi demografis pengguna terdaftar sebelumnya(Linden et al. 2003, Auer et al. 2002 dan Gittins et al. 2011). Pengguna tetangga adalah pengguna yangdianggap memiliki preferensi serupa untuk target pengguna. Oleh karena itu, sangat penting untuk menemukanbenar lingkungan dalam sistem. Namun, ada masalah yang kita tidak bisa mendefinisikanlingkungan untuk pengguna baru yang menggunakan situs untuk pertama kalinya atau tidak pernah membeli apapunproduk karena kita tidak bisa mendefinisikan kesamaan antara pengguna baru dan pengguna lain. Inimasalah ini disebut masalah mulai dingin (Sahebi 2011, Zhang et al 2010).Dalam tulisan ini, kita mengatasi masalah mulai dingin menggunakan Log akses di toko onlinedaripada urutan sejarah sejak akses log yang diperoleh lebih mudah. Tujuan kami adalah untuk menentukantetangga pengguna dari log akses yang tepat dan memprediksi maksud pengguna baru. Namun, akseslog tidak mencerminkan preferensi pengguna langsung, dibandingkan dengan sejarah Orde. UntukMisalnya, pengguna hanya menelusuri berbagai produk menurut sementara kepentingan dalam beberapa kasusdan membandingkan beberapa produk untuk memutuskan apa yang harus membeli menurut beberapa kepentingan beton. JadiLog akses mencakup beberapa log akses yang tidak terkait dengan pembelian pengguna sebagai kebisingan. Kemudian, kami membayarperhatian untuk mengakses log pengguna proses pada pembelian mereka, sejak proses reviewPastikan untuk memiliki maksud tertentu. Dan untuk menangkap maksud berbagai pengguna menggunakan web halaman kamiPerhatikan halaman umum di log akses pengguna yang memerintahkan produk yang sama atauKategori yang sama. Hal ini karena itu kami anggap bahwa halaman web dikunjungi oleh banyak pelanggan padaproses pembelian mereka memiliki efek pada pembelian kategori-spesifik.Konkret, kami membangun sebuah jaringan dari akses log. Mengevaluasi jaringan, kita memperolehHalaman web penting yang sangat relevan dengan pembelian pelanggan. Dalam tulisan ini, kami menggunakanAlgoritma PageRank (halaman et al 1998) untuk memilih halaman web ini dan memanggil mereka"Karakteristik Halaman; CPs"(Koketsu et al 2012). Menggunakan CPs dalam setiap kategori, kami membuatFitur vektor yang elemen menunjukkan apakah pengguna mengunjungi CPs atau tidak sebagai penggunaProfil. Dalam percobaan kami memperkirakan tetangga pengguna pengguna baru dengan menghitung kesamaanantara profil pengguna. Dan kami memperkirakan kategori produk yang akan pengguna barupembelian untuk memeriksa efisiensi metode kami diusulkan. Dari hasil percobaanKategori prediksi kami menemukan bahwa ada beberapa kategori di mana metoda yang diusulkandengan benar dapat memprediksi kategori produk yang sebenarnya pengguna baru dibeli, kami mengkonfirmasiefektivitas positif metoda yang diusulkan sebagai salah satu solusi untuk masalah mulai dingin.

Results (Indonesian) 2:

Di toko online, banyak sistem rekomendasi yang digunakan untuk meningkatkan tingkat konversi
(Kamishima et al 2006). Tingkat konversi adalah tingkat pembelian bagi pengunjung. Jika kita dapat
merekomendasikan produk bahwa pengguna yang membutuhkan atau mencari, kami mencapai tingkat konversi yang tinggi.
Dalam produk rekomendasi umum yang dipilih berdasarkan pengguna tetangga didefinisikan menurut
kesamaan antara rangka sejarah atau informasi demografis pengguna terdaftar sebelumnya
(Linden et al. 2003, Auer et al. 2002 dan Gittins et al. 2011). Para pengguna tetangga adalah pengguna yang
dianggap memiliki preferensi mirip dengan target pengguna. Oleh karena itu, penting untuk menemukan
lingkungan yang benar dalam sistem. Namun,
ada masalah bahwa kita tidak dapat menentukan lingkungan bagi pengguna baru yang menggunakan situs untuk pertama kalinya atau tidak pernah membeli apapun
produk karena kita tidak dapat menentukan kesamaan antara pengguna baru dan pengguna lain. Ini
masalah yang disebut masalah mulai dingin (Sahebi 2011, Zhang et al 2010).
Dalam tulisan ini, kita mengatasi masalah mulai dingin menggunakan akses log di sebuah toko online
bukan sejarah order sejak log akses yang diperoleh lebih mudah. Tujuan kami adalah untuk menentukan
pengguna tetangga yang sesuai dari log akses dan memprediksi maksud pengguna baru '. Namun, akses
log tidak mencerminkan preferensi pengguna langsung, dibandingkan dengan riwayat pesanan. Untuk
contoh,
pengguna hanya menelusuri berbagai produk sesuai dengan kepentingan sementara dalam beberapa kasus dan membandingkan beberapa produk untuk memutuskan apa yang harus membeli menurut beberapa kepentingan beton. Jadi
akses log meliputi beberapa log akses tidak terkait dengan pembelian pengguna sebagai kebisingan. Kemudian, kami membayar
memperhatikan akses log dari proses review pengguna pada pembelian mereka, karena proses
pasti memiliki maksud tertentu. Dan untuk menangkap berbagai maksud pengguna menggunakan halaman web kita
memperhatikan halaman umum dalam log akses pengguna yang memerintahkan produk yang sama atau
kategori yang sama. Hal ini karena kita menganggap bahwa halaman web yang dikunjungi oleh banyak pelanggan di
proses pembelian mereka memiliki efek pada pembelian dari kategori-spesifik.
Konkretnya, kita membangun jaringan dari akses log.
Mengevaluasi jaringan, kita memperoleh halaman web penting yang sangat relevan untuk pembelian pelanggan. Dalam tulisan ini, kita menggunakan
algoritma PageRank (Page et al 1998) untuk memilih halaman web ini dan memanggil mereka
"Karakteristik Pages; CPs "(Koketsu et al 2012). Menggunakan CP di setiap kategori, kita membuat
vektor fitur yang unsur menunjukkan apakah pengguna mengunjungi CPs atau tidak sebagai pengguna
profil. Dalam percobaan kami memperkirakan pengguna tetangga pengguna baru dengan menghitung kesamaan
antara profil pengguna. Dan kami memprediksi kategori produk yang pengguna baru akan
membeli untuk menguji efisiensi metode kami yang diusulkan.