Geri Dön

A machine learning approach to predict the buy box winner

Satın alma kutusu kazananını tahmin etmek için bir makine öğrenimi yaklaşımı

  1. Tez No: 904004
  2. Yazar: BAYAN HASAN ISHAQ AL-ANANI AL-ANANI
  3. Danışmanlar: YRD. DOÇ. DR. SELAMİ BAĞRIYANIK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Veri Analitiği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 65

Özet

E-ticaret pazar yeri, ürün sayfasında satın alma kutusu kazananını seçerek birden fazla tüccarın müşterilere ürün sunmasına olanak tanır. Bu konum tüccarlar için çok önemlidir, satışların çoğu satın alma kutusu tüccarları aracılığıyla gerçekleşir. E-ticaret pazar yeri, tüccarların pazarda rekabet etmek için kullandıkları pratik stratejilerin anlaşılmaması nedeniyle önemli bir zorlukla karşı karşıyadır. E-ticaretin dinamik dünyasında, platformlardaki Satın Alma Kutusu özelliği, seçilmiş satıcılara birinci sınıf listeleme alanı vererek satışları artırmada önemli bir rol oynar. Tez, satın alma kutusu alanlarını kazanma gereksinimlerini anlamayı amaçlamaktadır. Tez, satın alma kutusu alanlarını kazanma gereksinimlerini anlamayı amaçlamaktadır. Çalışmamız, satın alma kutusunun kazananını tahmin etmek için bir makine öğrenimi yaklaşımı kullandı. Sürecimizi geliştirmek için bir topluluk yöntemi ve regresörleri istifledik. Birçok tüccarın özelliklerinden oluşan veri setini topladık. Satın alma kutusu kazananlarını tahmin etmek için Rastgele Orman Regresörü, Doğrusal Regresyon, Cat Boost Regresörü, Ekstra Ağaçlar Regresörü, Gradient Boosting Regresörü, Hist Gradient Boosting Regresörü, XGBRegressor, LGBM Regresörü gibi bir dizi regresyon modeli uyguladık. Kullanılan regresörleri karşılaştırmak için MSE, MAE, RMSE ve eğitim süresini kullandık. Regresörleri değerlendirme metriklerinin değerine bağlı olarak sıraladık. Topluluk yönteminde kullandığımız en iyi üç regresör Rastgele Orman, EkstraAğaçlar Regresörü ve XGBoost Regresörüdür.

Özet (Çeviri)

The e-commerce marketplace allows multiple merchants to offer products to customers by selecting the seller who will be featured as the Buy Box winner on the product detail listing page. This position is crucial for merchants, as most of the sales occur through the Buy box. The e-commerce marketplace faces a significant challenge due to the shortage of comprehension of the practical strategies merchants employ to compete in the market. In the dynamic world of e-commerce, the Buy Box feature on platforms plays an essential role in driving sales by awarding prime listing space to selected sellers. The thesis aims to understand the requirements for winning Buy Box areas. The thesis aims to understand the requirements for winning Buy Box areas. Our work has used a machine learning approach to predict the winner of Buy Box. We used an ensemble method with a stacking technique to enhance our process. We have gathered the dataset which consists of many merchants' features. We have applied several regression models such as Random Forest Regressor, Linear Regression, Cat Boost Regressor, Extra Trees Regressor, Gradient Boosting Regressor, Hist Gradient Boosting Regressor, XGBRegressor, LGBM Regressor to predict Buy Box winners. We used the MSE, MAE, RMSE, and training time to compare the regressors that are used. We have sorted the regressors depending on the value of the evaluation metrics. The three best regressors that were used in the ensemble method are Random Forest, Extra Trees Regressor, and XGBoost Regressor.

Benzer Tezler

  1. A machine learning approach to understand the amazon buy box mechanism

    Amazon buy box mekanizmasını anlamak için bir makine öğrenmesi yaklaşımı

    EMRE ERYILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    İşletmeSabancı Üniversitesi

    İş Analitiği Ana Bilim Dalı

    Assoc. Prof. Dr. AYŞE KOCABIYIKOĞLU

    Assist. Prof. Dr. BURAK GÖKGÜR

  2. Automated cryptocurrency trading using machine learning methods

    Makine öğrenmesi yöntemleri ile otomatik kripto para ticareti

    FARUK ÖZER

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CEMAL OKAN ŞAKAR

  3. Stock trend prediction and portfolio optimization

    Hisse senedi trend tahmini ve portfoy optimizasyonu

    DENİZ PEKŞEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    EkonomiÖzyeğin Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. OKAN ÖRSAN ÖZENER

  4. Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids

    Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi

    FATHI FARAH FADOUL FATHI FARAH FADOUL

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RAMAZAN ÇAĞLAR

  5. Purchase prediction and item prediction with RNN using different user-item interactions

    Farklı kullanıcı-ürün etkileşim türlerini kullanarak özyineli sinir ağları ile ürün ve satış tahminlemesi

    FULYA ÇELEBİ SARIOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YUSUF YASLAN