دانلود ترجمه مقاله مدلسازی رفتار مصرف کننده با داده کاوی نامشخص با سیستم ژنتیکی فازی – مجله الزویر

• فهرست مطالب:

چکیده
۱٫ مقدمه
۱٫ ۱ پیشینه
۲٫ ۱ هدف مقاله
۲٫ چرا مدلسازان رفتار مصرف کننده میل به استفاده از KDD و روشهای هوش مصنوعی دارند؟
۳٫ روش کشف دانش برای مدلسازی رفتار مصرف کننده با سیستم های فازی ژنتیکی چند هدفه
۱٫ ۳ جمع آوری داده ها
۲٫ ۳ پردازش داده ها
۳٫ ۳ نمایش و شمول (ورود) دانش کارشناس
۴٫ ۳ داده کاوی
۱٫ ۴٫ ۳ ساختار قاعده فازی
۲٫ ۴٫ ۳ فازی سازی چند آیتمی
۳٫ ۴٫ ۳ طرح کدگذاری(رمزگذاری)
۴٫ ۴٫ ۳ توابع هدف
۵٫ ۴٫ ۳ طرح تکاملی
۶٫ ۴٫ ۳ عملگرهای ژنتیکی
۷٫ ۴٫ ۳ مکانیسم استنباطی
۴٫ آزمایش با برنامه مدلسازی رفتار مصرف کننده
۱٫ ۴ مدل کاربردی و داده ها: توضیحات قبل
۲٫ ۴ مراحل پیش پردازش نتایج: پروتکل تجزیه و تحلیل
۳٫ ۴ نتایج آزمایش و تفسیر دانش
۱٫ ۳٫ ۴ پیشگویی توجه متمرکز
۲٫ ۳٫ ۴ پیشگویی حالت و وضعیت جریان
۵٫ ملاحظات پایانی

• بخشی از ترجمه:

۵٫ ملاحظات پایانی
مقاله حاضر مسئله جدیدی در بازاریابی معرفی کرده است که KDD به تولید مدلهای قابل فهم برای استقراء پیشگویانه کمک می کند. تا آنجایی که می دانیم، این اولین باری است که از KDD برای تخمین مدلهای ساختاری رفتارمصرف کننده استفاده شده است که معمولاً با ابزارهای آماری سنتی انجام می شود.
روش پیشنهادی سه مرحله متفاوت KDD را توسعه می دهد: جمع آوری داده ها، داده کاوی و تفسیر دانش. داده ها از طریق پرسشنامه ها براساس مدل ساختاری تعریف شده از لحاظ نظری جمع آوری می شوند که توسط مصرف کنندگان پر شده اند. رویکرد داده کاوی پیشنهادی براساس کاربرد الگوریتم های ژنتیکی جهت فراگیری قواعد فازی عمل می کند.مسئله مورد نظر نوع خاصی از مجموعه داده های نامعلوم فراهم می کند که کاربرد منطق فازی را توجیه می نماید. در اینجا برای دستیابی به مدلهای فازی گوناگون با تعادل های مختلف بین صحت و خوانایی ، بهینه سازی چند هدفه ( بر طبق معیارهای مختلف کیفیت) را اجرا می کنیم. متخصص یا کارشناس بر طبق پلات هایی که معیارهای کیفی در نظر گرفته شده را جمع آوری می کنند، این راه حل های آلترناتیو را می تواند مورد تجزیه وتحلیل قرار دهد. بالاخره، راه حل های منتخب به وسیله مدلسازی بصری(دیداری) تفسیر می شوند که رفتار سیستم را به شیوه گرافیکی و فشرده نشان داده و بدین طریق به متخصص در تصمیم گیری راجع به بازار آنالیزشده بر طبق ایده های مصرف کننده، کمک می کند.
از روش KDD در مسئله واقعی استفاده شده است که رفتار مصرف کننده در محیط های محاوره ای با وساطت کامپیوتر را مورد تجزیه و تحلیل قرار می دهد. به عنوان کار بیشتر، قصد داریم رویکرد KDD را به حوزه های دیگر در علوم اجتماعی بسط و توسعه دهیم که از داده های مشابهی برای تجزیه و تحلیل رفتار انسان استفاده می کنند.

• بخشی از مقاله انگلیسی:

۵٫ Concluding remarks

The paper has introduced a novel problem in marketing where KDD can help to generate easily understandable models for predictive induction. As far as we know, this is the first time that KDD has been applied to estimate structural models for consumer behaviour, which is usually done by traditional statistical tools. The proposed methodology develops three different stages of KDD: data collection, data mining, and knowledge interpretation. Data are collected from questionnaires based on a theoretically defined structural model filled in by consumers. The proposed data mining approach is based on the use of genetic algorithms to learn fuzzy rules. The problem provides a specific kind of uncertain data set that justifies the use of fuzzy logic. We perform multiobjective optimization (according to several quality criteria) to obtain diverse fuzzy models with different balances between accuracy and legibility. These alternative solutions can be analyzed by an expert from plots that collect the considered quality criteria. Finally, the solutions selected are interpreted by means of visual modelling that shows the system behaviour in a graphical and compact way, thus helping the expert to take decisions about the market analyzed according to the consumer’s opinions. Our KDD methodology has been appropriately applied to a real-world problem that analyzes consumer behaviour in interactive computer-mediated environments. As further work, we intent to extend our KDD approach to other areas in social science that use similar kinds of data to analyze human behaviour.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله