این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت فناوری اطلاعات، جلد ۸، شماره ۲، صفحات ۳۹۳-۳۱۴
عنوان فارسی طراحی مدلی برای بهبود سیستم‌های پیشنهاددهندۀ بانکی بر اساس پیش‌بینی علایق مشتریان: کاربرد روش‎های داده‌کاوی
چکیده فارسی مقاله امروزه بانک‌ها برای جذب و حفظ مؤثر مشتریان به ابزارهای جدیدی مانند سیستم‌های پیشنهاددهنده نیاز دارند. برخلاف عموم سیستم‌های پیشنهاددهنده که پیشنهاد بر اساس شباهت میان ترجیحات سایر کاربران به وی داده می‌شود؛ در این پژوهش از روش دسته‌بندی استفاده شده است که در آن پیشینۀ علایق خود مشتری، مهم‌ترین ویژگی برای تصمیم‌گیری دربارۀ خدمات بانکی مناسب به اوست. در این پژوهش از چهار دسته‌بندی‎کنندۀ پرسپترون چندلایه، ماشین بردار پشتیبانی،K - نزدیک‎ترین همسایه و بیز ساده استفاده شد. ابتدا پس از پیش‎پردازش مجموعۀ دادۀ مربوط به سرویس‌های مورد استفادۀ مشتریان مختلف بانک با چهار روش مختلف دسته‌بندی آموزش داده شدند؛ سپس اعتبار آنها با روش اعتبارسنجی ضربدری ده‎تایی به تأیید رسید و بهترین روش انتخاب شد. در انتها پیشنهاددهندۀ نهایی که ترکیبی از چهار روش دسته‌بندی بیز ساده با عملکرد 4/85 درصد، K- نزدیک­ترین همسایه با عملکرد 3/83 درصد، پرسپترون چندلایۀ 1 با عملکرد 4/81 درصد و پرسپترون چندلایۀ 2 با عملکرد 6/92 درصد، به‎ترتیب برای پیشنهاد چهار سرویس بانکی اینترنت، موبایل، انتقال وجه با اینترنت و پرداخت صورت‌حساب با تلفن است، ارائه شد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Designing a Model for Improving Banking Recommender Systems Based on Predicting Customers’ Interests: Application of Data Mining Techniques
چکیده انگلیسی مقاله Nowadays, banks require new devices such as recommender systems to attract and preserve customers. Unlike most recommender systems in which the given recommendation is based on similarities between the preferences of users, this research has employed the classification techniques where customer's past interests is considered as the most important feature to provide proper banking services for them. In this research, four classifiers including MLP, SVM, KNN, and Naïve Bayes have been used.  Firstly, the data set which was related to the services used by different bank customers was pre-processed and four different classification methods were trained by using it. Then, their validations were assessed by the 10-fold cross validation and the best method was selected. Lastly, the final recommender system which was a combination of four classification methods including Naïve Bayes with performance P=%85.4, 5-nn with P=%83.3, MLP with P=%81.4, and MLP with P=%92.6 respectively proposed for recommendation of four banking services including the internet, mobile, internet transfer and paying on the phone is.  
کلیدواژه‌های انگلیسی مقاله Classification, Data mining, E-Banking, Recommender System
نویسندگان مقاله مریم سادات مطهری نژاد | maryam sadat motahhari nejad
کارشناس‎ ارشد مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد الکترونیک، تهران، ایران

محمد مهدی ذوالفقارزاده | mohammad mehdi
استادیار دانشکدۀ مدیریت دانشگاه تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

احسان خدنگی |
دانشجوی دکتری مهندسی نرم‎افزار، دانشکدۀ کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر، تهران، ایران
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

علی اصغر سعدآبادی | ali asghar
دانشجوی دکتری سیاستگذاری علم و فناوری، دانشکدۀ مدیریت دانشگاه تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://jitm.ut.ac.ir/article_57230_10b61b9461be0adc2ebce9552302719a.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1085/article-1085-210198.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات