Avec l’essor du commerce en ligne de vêtements, divers portails web et applications mobiles appliquent des méthodes de recommandation pour améliorer les ventes et la satisfaction des consommateurs sur la base des enregistrements historiques massifs de données (Big Data).
Cette étude a examiné les algorithmes de filtrage collaboratif intégrés aux méthodes de recommandation classiques pour l’habillement. Le corpus de données de test est construit avec une instance à grande échelle du monde réel, issue de l’une des plus grandes plateformes de commerce électronique grand public (www.taobao.com) en Chine. Compte tenu des délais d’achat et de la fréquence utilisateur inverse, trois mesures de similarité sont développées pour l’algorithme de similarité « cosine-based similarity algorithm ».
Diverses expériences numériques sont menées pour analyser les méthodes de recommandation et évaluer leurs performances selon trois critères, à savoir la précision, le rappel et la diversité. Etant donné que l’instance de test est de grande taille, la matrice de cooccurrence de biens de consommation est réduite afin d’améliorer les performances de calcul en prenant en compte des consommateurs similaires.
Serveur web : https://journals.sagepub.com/doi/full/10.1177/0040517518801200
Date : 06/2019