Geri Dön

An intelligent system for ranking e-commerce customer reviews to boost engagement

Müşteri etkileşimini artırmak için e-ticaret müşteri yorumlarını sıralayan akıllı sistem

PDF İndir

  1. Tez No: 884401
  2. Yazar: ERTUĞRUL YÜCEL
  3. Danışmanlar: PROF. DR. TOLGA KAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: İşletme Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 129

Özet

This study introduces an innovative framework employing learning algorithms to effectively rank customer reviews on e-commerce platforms. The approach addresses the inherent ambiguity and subjectivity in customer feedback by leveraging an extensive dataset and sophisticated feature engineering techniques. Central to the methodology is the introduction of an original target variable, the adjusted action rate, which, along with advanced training methods, helps mitigate the prevalent position bias. This is crucial for accurately reflecting the nuances of user behavior and the dynamics of review interaction, ensuring that the most relevant feedback is highlighted for prospective buyers. The framework utilizes Learning to Rank methods specifically designed to tackle the unique challenges of review ranking. These methods prioritize user feedback based on its relevance and helpfulness, enhancing the precision of review rankings. By using advanced machine learning techniques, the framework can discern subtle patterns in user interactions and preferences, providing a more personalized and efficient ranking system. The effectiveness of this approach is evaluated using the Normalized Discounted Cumulative Gain metric, which measures the correlation between user reviews and the AAR. This metric ensures that the ranking system not only improves user satisfaction but also drives engagement performance. The incorporation of regression and classification models further strengthens the framework's ability to handle diverse review data. Regression models predict the adjusted action rate by analyzing various features derived from the reviews, such as length, sentiment, and user credibility. Classification models, on the other hand, help categorize reviews based on their relevance, ensuring that the most significant feedback is prioritized. These models collectively enhance the accuracy and reliability of the review ranking system, making it more robust and adaptive to different user needs. Validation demonstrates significant improvements in user interaction and decision-making efficiency, enhancing the shopping experience by enabling customers to access the most relevant reviews. Detailed analysis reveals substantial increases in key engagement metrics, confirming the model's robustness and reliability. The framework successfully addresses the complexities of review ranking, benefiting both users and vendors. Its ability to adapt to evolving user preferences by continuously learning from new data ensures that the most current and relevant reviews are highlighted, keeping the platform dynamic and user-centric. This adaptability enhances user satisfaction and fosters greater trust in the e-commerce platform, providing accurate and helpful feedback consistently.

Özet (Çeviri)

Bu tez, e-ticaret platformlarında müşteri yorumlarının sıralanmasını iyileştirmek için yenilikçi bir sistem geliştirmeyi amaçlamaktadır. E-ticaret platformlarında müşteri yorumları, potansiyel alıcıların satın alma kararlarını etkileyen kritik bir rol oynamaktadır. Ancak, geleneksel sıralama yöntemleri, yorumların karmaşıklığını ve kullanıcı davranışlarını yeterince yansıtamamaktadır. Bu çalışmada, müşteri yorumlarını daha etkili bir şekilde sıralamak için regresyon, sınıflandırma ve sıralama öğrenmesi (SÖ) modellerini bir araya getiren bir çerçeve önerilmektedir. Bu çalışmada kullanılan veri seti, Türkiye'nin önde gelen e-ticaret platformlarından biri olan Trendyol'dan elde edilmiştir. Trendyol verileri, çeşitli ürün kategorilerinde müşteri yorumları, ürün özellikleri ve kullanıcı etkileşimleri gibi zengin bir veri kaynağı sunmaktadır. Bu veriler, yorumların etkileşimini ve kullanıcı davranışlarını derinlemesine analiz etmek için kullanılmıştır. Verilerin toplanması ve işlenmesi sürecinde, veri temizleme ve ön işleme adımları titizlikle uygulanmış, eksik veya hatalı veriler ayıklanarak analiz için uygun hale getirilmiştir. Bu çalışmada kullanılan özellikler, müşteri yorumlarının ve kullanıcı davranışlarının kapsamlı bir analizini yapmak için özenle seçilmiştir. Yorum metni, yorumun tarihi, yorumun uzunluğu, kullanıcı etkileşimleri, ürün kategorisi ve kullanıcı profili gibi çeşitli özellikler değerlendirilmiştir. Yorum metni, doğal dil işleme teknikleri kullanılarak analiz edilmiştir. Yorumun tarihi, zamanla değişen kullanıcı görüşlerini analiz etmek için kullanılmıştır. Ayrıca, yorumun uzunluğu, kullanıcı etkileşimleri, ürün kategorisi ve kullanıcı profili gibi faktörler de analiz edilmiştir. Yöntemin temelinde, kullanıcı davranışlarını ve yorum dinamiklerini daha iyi yansıtan özgün bir hedef değişken olan düzeltilmiş aksiyon oranı (DAO) bulunmaktadır. DAO, bir yorumun kullanıcı etkileşimi üzerindeki potansiyel etkisini ölçmekte ve bu hedef değişken, yorumların sıralanmasında kritik bir rol oynamaktadır. DAO, yorumların kullanıcı davranışını nasıl etkilediğini ve hangi yorumların en yararlı olduğunu belirlemek için geliştirilmiştir. Bu, kullanıcıların en faydalı ve alakalı yorumları bulmalarını sağlamakta, böylece kullanıcı memnuniyetini artırmaktadır. DAO'nun doğru hesaplanması ve modellenmesi, kullanıcıların alışveriş deneyimlerini iyileştirmede önemli bir rol oynamaktadır. Çalışmada farklı makine öğrenme modelleri kullanılarak regresyon, sınıflandırma ve SÖ modelleri uygulanmıştır. Regresyon modelleri, yorumların düzeltilmiş DAO'yu tahmin etmek ve bu tahminlere göre yorumları sıralamak için kullanılmıştır. Bu modeller, yorum metinlerinden ve diğer özelliklerden elde edilen sürekli değişkenleri analiz ederek, her bir yorumun etkileşim potansiyelini belirlemiştir. Regresyon modelleri, büyük veri setlerinde doğruluğu artırmak ve kullanıcı davranışlarını daha iyi yansıtmak için çok önemlidir. Sınıflandırma modelleri ise DAO üzerinden belirlenen bir eşik değere göre yorumları sınıflandırmış, ardından bu sınıflandırma modelini kullanarak olasılık tahminleri hesaplamış ve bu olasılıklara göre yorumları sıralamıştır. Sınıflandırma modelleri, yorumların olumlu, olumsuz veya nötr olarak sınıflandırılmasına yardımcı olmakta ve bu sınıflandırmalar, yorumların daha iyi anlaşılmasını sağlamaktadır. SVM ve lojistik regresyon gibi yöntemler, yorumların duygu analizinde önemli rol oynamaktadır. Sıralama öğrenmesi (SÖ) modelleri ise yorumların sıralamasını optimize etmek için özel olarak tasarlanmıştır ve kullanıcı etkileşimi verilerini kullanarak en ilgili ve faydalı yorumları öne çıkarmaktadır. SÖ modelleri, kullanıcıların geçmiş etkileşimlerinden öğrenerek, hangi yorumların daha fazla etkileşim yarattığını belirlemekte ve bu yorumları ön plana çıkarmaktadır. Bu modeller, kullanıcının en çok ilgisini çeken ve karar verme sürecinde en faydalı olan yorumları öne çıkararak kullanıcı memnuniyetini artırmaktadır. Algoritmaların başarısı, Normalleştirilmiş İskonto Kümülatif Kazanç metriği kullanılarak değerlendirilmiştir. Bu metrik, denenen algoritmaların kullanıcı yorumlarını satın alma olasılığı ile ne kadar iyi ilişkilendirdiğini ölçmektedir. Metrikler açısından başarılı olan modelin etkinliği, çevrimiçi A/B testleri ile de doğrulanmıştır ve bu testler, kullanıcı etkileşimini ve karar verme verimliliğini önemli ölçüde artırdığını göstermiştir. Sonuçlar, önerilen yaklaşımın e-ticaret ortamını hem kullanıcılar hem de satıcılar için iyileştirdiğini ve yorum sıralama sürecinin karmaşıklıklarını başarıyla ele aldığını doğrulamaktadır. Bu testler ayrıca, kullanıcı memnuniyeti ve etkileşimini artırmak için önerilen modelin güçlü yönlerini ortaya koymuştur. Bu çalışmanın temel katkılarından biri, geleneksel sıralama yöntemlerinin ötesine geçerek kullanıcı davranışlarını ve yorum içeriklerini daha derinlemesine analiz eden bir sistem sunmasıdır. Bu sistem, e-ticaret platformlarında kullanıcı deneyimini önemli ölçüde iyileştirebilir. Regresyon modelleri, yorumların DAO'yu tahmin etmek ve bu tahminlere göre yorumları sıralamak için kullanılmıştır. Sınıflandırma modelleri, DAO üzerinden belirlenen bir eşik değere göre yorumları sınıflandırmış ve bu sınıflandırma modelini kullanarak olasılık tahminleri hesaplamış ve bu olasılıklara göre yorumları sıralamıştır. SÖ modelleri ise kullanıcı etkileşim verilerini kullanarak yorumların sıralamasını optimize etmektedir. Bu yöntemlerin kullanımı, e-ticaret platformlarında kullanıcı deneyimini önemli ölçüde iyileştirebilir. Bu bağlamda, DAO'nun doğru bir şekilde hesaplanması ve modellenmesi, kullanıcıların en faydalı yorumları bulmalarını sağlamakta ve bu da genel müşteri memnuniyetini artırmaktadır. Son olarak, çalışmanın bulguları, e-ticaret platformlarının müşteri yorumlarını daha etkin bir şekilde yönetmelerine ve sunmalarına yardımcı olacak pratik çözümler sunmaktadır. Bu çözümler, kullanıcı memnuniyetini artırmakta ve şirketlerin ürün ve hizmetlerini iyileştirmelerine yönelik stratejik kararlar almalarını sağlamaktadır. Bu da uzun vadede müşteri sadakatini ve iş büyümesini desteklemektedir. Müşteri memnuniyetinin artması, e-ticaret platformlarının rekabet gücünü de artırmakta ve pazardaki konumlarını güçlendirmektedir. Ayrıca, bu yöntemler, e-ticaret platformlarının daha adil ve şeffaf bir değerlendirme sistemi sunmasına yardımcı olmakta, bu da kullanıcıların platforma olan güvenini artırmaktadır. Özetle, bu tez, e-ticaret platformlarında müşteri yorumlarının sıralanması sürecini iyileştirmek için gelişmiş veri analitiği tekniklerinin uygulanmasını vurgulamakta ve bu alanda önemli katkılar sağlamaktadır. Önerilen yöntemler ve elde edilen sonuçlar, müşteri geri bildirimlerinin daha etkili bir şekilde kullanılmasına yönelik yeni yaklaşımlar sunmakta ve bu sayede kullanıcı deneyimini ve memnuniyetini artırmaktadır. Bu çalışma, e-ticaret sektöründe müşteri yorumlarının yönetimi ve analizi konularında yeni ufuklar açmakta ve gelecekteki araştırmalar için değerli bir referans noktası oluşturmaktadır. Bu araştırma, e-ticaret platformlarının müşteri geri bildirimlerini nasıl daha etkin bir şekilde kullanabileceğine dair önemli içgörüler sunmakta ve bu alanda ileride yapılacak çalışmalar için sağlam bir temel oluşturmaktadır. Bu tez, ayrıca, makine öğrenimi ve doğal dil işleme tekniklerinin müşteri yorumlarının analizi ve sıralanması üzerindeki etkilerini de ayrıntılı bir şekilde incelemektedir. Bu yöntemlerin doğru bir şekilde uygulanması, e-ticaret platformlarının kullanıcı deneyimini iyileştirmekte ve müşteri memnuniyetini artırmakta önemli bir rol oynamaktadır. Ayrıca, bu çalışma, müşteri geri bildirimlerinin daha adil ve şeffaf bir şekilde yönetilmesine yönelik yeni stratejiler sunmakta ve bu alanda önemli bir katkı sağlamaktadır. Bu da uzun vadede e-ticaret platformlarının müşteri güvenini artırmakta ve pazardaki rekabet gücünü güçlendirmektedir. Ek olarak, bu araştırma, yeni metodolojiler geliştirmek ve mevcut modelleri iyileştirmek için veri bilimi ve yapay zeka alanında ileri düzeydeki tekniklerin uygulanmasını teşvik etmektedir. Makine öğrenimi algoritmalarının kullanımı, e-ticaret platformlarının müşteri yorumlarını daha hızlı ve daha doğru bir şekilde analiz etmelerini sağlamakta, bu da işletmelerin daha stratejik kararlar almasına yardımcı olmaktadır. Örneğin, derin öğrenme teknikleri kullanılarak, yorumların dilsel ve duygusal analizleri yapılabilir, bu da yorumların daha iyi sınıflandırılmasına ve sıralanmasına olanak tanır. Bu tekniklerin doğru uygulanması, müşteri memnuniyetini artırmak ve satışları optimize etmek için kritik öneme sahiptir. Bu çalışma aynı zamanda, kullanıcıların platformlarda daha fazla zaman geçirmelerini ve daha fazla etkileşimde bulunmalarını sağlamaya yönelik stratejiler geliştirmeyi amaçlamaktadır. Kullanıcıların ilgisini çeken ve onlara değer katan yorumların öne çıkarılması, platformların kullanıcı sadakatini artırmakta ve tekrarlayan ziyaretleri teşvik etmektedir. Ayrıca, bu tür yaklaşımlar, e-ticaret platformlarının müşteri hizmetlerini iyileştirmelerine ve daha kişiselleştirilmiş alışveriş deneyimleri sunmalarına yardımcı olmaktadır.

Benzer Tezler

  1. Tez No

    676402

    Investigation of embedding methods on gnn basedrecommender models

    Çizge sinir ağı temelli öneri sistemleriüzerinde kullanılan gömme tipinin etkisinin araştırılması

    MUSTAFA AKER

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YUSUF YASLAN

  2. Tez No

    819105

    Site selection and investment analysis of solar powered electric vehicle charging station in the city of İstanbul

    İstanbul'da güneş enerjili elektrikli araç şarj istasyonu yer seçimi ve yatırım analizi

    SERRA MANDACI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Endüstri ve Endüstri MühendisliğiGalatasaray Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULLAH ÇAĞRI TOLGA

  3. Tez No

    560769

    Implementing an agent-based system for distributed information retrieval

    Dağıtık bilgi erişim için etmen tabanlı bir sistemin geliştirilmesi

    ABDEL NASER POUAMOUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Uluslararası Bilgisayar Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İLKER KOCABAŞ

  4. Tez No

    732339

    İleri sürücü destek sistemleri için bir fonksiyonel güvenlik uygulaması

    A functional safety methodology for advanced driver assistance systems

    EBRU ÇAĞLAYAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Otomotiv Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SALMAN KURTULAN

  5. Tez No

    864963

    Yeni nesil yazılım tanımlı veri merkezleri için yapay zeka tabanlı görev planlama modeli

    Başlık çevirisi yok

    NURCAN YILMAZ AKARSU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜGE ÖZÇEVİK

Geri Dön