Improvement of e-commerce recommender systems with artificial intelligence chat robots

Abstract

Kullanıcıların çevrimiçi alışveriş deneyimlerini iyileştirmek için yapay zeka tabanlı öneri sistemlerinin kullanılmasını incelemektedir. Özellikle, kullanıcıların geçmiş alışveriş deneyimlerini ve site tıklamalarını analiz ederek, ihtiyaçlarına uygun ürünleri önermek için geliştirilen bir algoritmanın etkinliğini değerlendirmeyi amaçlamaktadır.Çalışma, birincil olarak ChatGPT gibi dil modellerini kullanarak öneri sistemlerinin geliştirilmesini ele almaktadır. Bu sistemler, kullanıcıların geçmiş alışveriş verilerini, site tıklamalarını ve diğer ilgili verileri analiz ederek, onlara kişiselleştirilmiş ürün önerileri sunmak için tasarlanmıştır. Çalışmanın başlangıcında, bir veri seti toplanacak ve bu veri seti üzerinde ön işleme adımları uygulanacaktır. Öneri sistemlerinin performansını değerlendirmek ve sonuçları görebilmek için farklı ölçütler kullanılacaktır.Özellikle, spesifik bir ürün kategorisi üzerinde odaklanmaksızın, kullanıcıların ihtiyaçlarını belirlemek için geniş bir ürün yelpazesi analiz edilecektir. Bu analiz sonucunda, kullanıcıların tercihlerini ve ihtiyaçlarını belirlemek ve onlara en uygun ürünleri önermek için bir model geliştirilecektir. Öneri sistemimizin başarısını ölçmek için gerçek zamanlı kullanıcı deneyimleri ve geri bildirimleri de dikkate alınacaktır.Özellikle, kullanıcı ihtiyaçlarına odaklanarak yapılan çalışmalar, bu alanda yapılacak daha fazla araştırma için bir temel oluşturacaktır.

This thesis examines the use of AI-based recommendation systems to improve users' online shopping experiences. Specifically, it aims to evaluate the effectiveness of an algorithm developed to recommend products suited to users' needs by analyzing their past shopping experiences and site clicks. The study primarily focuses on leveraging language models like ChatGPT to enhance recommendation systems. These systems are designed to offer personalized product recommendations by analyzing users' historical shopping data, site interactions, and other relevant information. At the beginning of the study, a dataset will be collected and preprocessing steps will be applied to this dataset. Various metrics will be used to evaluate the performance of the recommendation systems and to assess the results. Without focusing on a specific product category, a broad range of products will be analyzed to determine users' preferences and needs. Based on this analysis, a model will be developed to recommend the most suitable products to users.To measure the success of our recommendation system, real-time user experiences and feedback will also be considered. Research focused on user needs will provide a foundation for further studies in this area.