英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
智能通信技术
摘 要
据了解，目前还没有关于人工智能(AI)应用于电商的综述论文。本文对电子商务系统设计和开发中使用的各种AI技术进行了综述。这些技术分为三组，即B2B电子商务的AI技术、B2C电商的AI技术以及B2B和B2C电商的AI技术。此外，本文还介绍了人工智能技术在电商中的应用。
简介
AI是旨在通过构建模仿智能行为的计算机程序来理解人类智能本质的学科。AI技术在科学、工程、教育、商业等大部分领域都得到了成功的开发和应用。我们在论文的其余部分交替使用术语，即方法、技术、技术、工具、方法和系统。缩略语的完整列表见附录。电子商务是在企业的部分或全部与其客户之间的商业中使用计算和通信技术。AI技术也被广泛应用于电商系统的开发中。电商领域可分为B2C电商和B2B电商，就该领域涉及的AI技术而言。本文介绍了一些在电商设计和开发中有用的重要AI 技术。
不同电子商务类型中的AI
AI方法在B2C和B2B电商系统的开发中是有用的。B2B电商占据了电商市场总量的80%左右份额，B2C抓住了其余的份额。但是，AI对电商发展的大部分关注集中在B2C交易上[Prasad2001]。
在B2C电商中，AI主要用于产品选择和推荐、谈判、拍卖、解决现实世界调度问题和增强服务器的可扩展性、生成自动响应以及决定商品的捆绑和定价等。在B2B电商，AI主要用于供应链管理。AI技术，即本体，在这两种类型的电商系统中都有使用。以下章节提供了详细信息。
B2C电子商务中的AI
在本节中，我们介绍了B2C电子商务系统开发中使用的一些重要的AI方法。
产品选择和推荐中的AI
AI用于为用户提供关于他们想通过互联网检查或购买的物品的建议[DriskillandRiedl1998,Kautz1998,Resnick1997]。这种建议是必要的，因为在互联网上没有真正的人来建议客户。该建议有助于导航大范围的产品描述。有不同类型的产品选择和推荐方法。一些重要的方法是：ACF[ShardanandandandMaes1995]、KB[Burke2000]和混合解释了这些方法。
ACF方法:该方法基于“word of mouth”的建议，这解决了获取之前客户对他们已经购买的产品的建议/反馈的问题，并使用该问题向潜在的新客户推荐产品[Hayes等人。2001年]。
图一
例如，在图1中，假设用户2和3是过去的客户，用户1是新用户。所有用户都对功能A、B和C有共同的兴趣。客户2和3过去购买了产品D和E。由于共同的兴趣，产品D和E现在被推荐给用户1。基于ACF方法的示例网站是[http://www.recommender.com]。本网站用于向客户推荐电影。
一些ACF系统甚至可以提供推荐背后的原因或数据[Herlockeretal.2000年]。数据通常以图形形式显示，如图表。[http://movielens.umn.edu]是另一个电影推荐网站，可以提供其推荐背后的原因。大多数基于ACF方法的系统使用以下均方差值公式[Cunningham1999]：。
该公式用于计算两人U和J之间的差异，就他们对产品的兴趣而言。Uf和Jf是产品特征f上U和J的额定值。不常见是产品的U和J额定特性集。
ACF方法的一个主要缺点是，在大量用户输入其配置文件以及数据库中有足够数量的评级项目之前，它是无效的。
KB方法：该方法基于产品信息的知识库。大多数基于知识的产品选择和推荐系统为CBR或GBR类型。对此进行了解释。
CBR方法：CBR是一种基于过去经验的问题解决方法。过去的经验是以病例的形式组织，并用于解决新问题[Prasad1995]。医生、厨师和律师是以案例为基础的问题解决者的例子，因为他们在解决新问题时使用了过去的案例。在产品选择和推荐中，CBR的工作原理如下：
第1步：接受用户首选项。步骤2：从案例库中检索类似的产品并将其提供给用户。如果用户对报价满意或不再有兴趣调查项目，则退出该过程。步骤3：接受修改后的用户准备时间并进入步骤2。
在产品选择和推荐过程的CBR中，每个产品都被视为一个案例。CBR在识别类似产品中广泛使用的公式是最近邻检索。其基于加权欧几里得距离[WettschereckandAha1995]，并计算任意两种产品之间的距离/差异。一些成功的使用CBR的电商系统包括[http://www.hookemacdonald.ie]，用于虚拟属性允许和[http://www.reiseboerse.com最后一分钟的旅行费用。最近基于cbr的推荐运动领域实用程序的系统是[PrasadandClementi2002]。
一般CBR与电商CBR的主要区别在于，在第一种情况下，没有办法接受修改后的用户偏好。
GBR方法：该方法用于查找与用户已经知道的产品相似的产品。基本思想是“相似性是基于目标的”。例如，如果目标是防雨，雨伞就类似雨衣。但当目标是保护狗时，它就像一根棍子！对于每个目标，在每对产品之间定义一个相似性度量，度量给出两个产品在目标方面的接近程度。基于目标检索方法的系统在文献中被称为findmeSystems[Burke2000]。域独立数据库浏览工具[Burke1999]也是在findme系统之上开发的。这些工具基于基于基于偏好的导航方法。在这些工具中，每个产品都与可能对其功能进行修改的下拉列表相关联。这些工具可用于在线信息访问，特别是电子产品目录。
还有其他类型的KB方法用于产品选择和推荐。基于内容的检索方法就是一个例子。NewsDude[BillsusandPazzani1999]新闻过滤系统是一个基于内容的推荐系统，推荐新闻文章，这可能对美国人来说是有趣的阅读。该系统使用机器学习[Mitchell1997]技术开发。因此，随着时间的推移，系统通过随着时间的推移更好地“理解”其客户（用户）来提高其性能。
混合方法：这主要是ACF和KB方法的组合。在一些系统中，ACF用于后处理阶段，系统主要基于知识[Burke1998]。其他系统[Tran和Cohen1999]检查是否有足够数量的既往用户反馈。该数字用作阈值，以决定使用何种方法。如果数字小于阈值，则使用KB方法，否则使用ACF方法。阈值可以根据产品和业务交互确定。
一些系统尝试将CBR方法用于ACF[Hammond和Schmitt1994]。其他一些系统[Bhargavaetal.1999年]是基于产品特征或定量决策支持工具的歧视网络[Barsalou和Bower1984][Adelman1992]。
除ACF、KB和混合方法外，还有其他产品选择和推荐方法，例如：为了解成对特征重要性而与用户面谈[Branting1999]，基于对用户决策的观察形成用户模型，或者响应系统建议（“候选/翻修”或“学习失败”[Maes1997]）或通过被动观察[Dentetal.1992年]的决定，并通过观察客户从回报集合中的选择来学习客户偏好[Branting2001]。
AI技术也用于开发基于对话的产品推荐系统[Chaietal.2002年]。这些系统基于统计解析技术[Charniak1997]和基于规则的AI技术[Golshani1990]。IBM网站目前正在使用一个这样的系统，向潜在客户推荐笔记本电脑。
AI在线谈判
谈判发生在买方（即用户）喜欢产品，买方和卖方之间至少存在一些利益冲突时。谈判是一个以预期利益为目标的过程，在这个过程中，买卖双方议价资源如价格、产品特征等。
CBR方法被广泛用于谈判[KowalezykandBui1999]。根据[Wilke等。1998]，代表基于cbr的谈判过程的一些重要特征/方法是：主动或被动代理方法、单维或多维修改、超过或低于客户需求质量标准。此处解释了这些方法。积极的代理人明确建议对客户需求进行改进/修改。客户在几次迭代后最终找到满意的产品或退出。例如，如果客户正在寻找所需的电视机，则系统可能会修改一个或多个规格，如尺寸、颜色等。被动代理只能为用户提供不同的方法来改变他的需求。例如，如果产品是电视机，那么系统只能指定用户哪些属性以及如何改变它们。最近，开发了混合剂方法[Pradeep2003]。在这些方法中，代理充当用户高优先级功能的主动代理，并充当低优先级功能的被动代理。如果在单一维度上进行修改，则可以在一个谈判周期内仅改变产品的一个特征。例如，在前面的示例中，如果可以在一个循环中更改电视的大小或颜色（但不能同时更改两者），则修改过程为单维类型。但在多维修改的情况下，单个周期可以改变一个以上的特征，这就导致了谈判过程更快的收敛。由于约束/需求被过度规定，可能无法找到合适的产品，因为没有单个产品能够满足所有需求。例如，如果用户在寻找一台具有尺寸、颜色、制造商、型号、屏幕类型等诸多约束的电视机，那么得到匹配产品的机会就会更少。最终需要放宽这些要求。未规定的要求可能导致检索过多的产品。例如，如果一个用户简单地指定一台黑色电视，那么可能会显示数百个产品规格。在这种情况下，在谈判过程中需要强加更多的要求。
还有另一种CBR谈判方法。其基于代理技术[Tecuci1998]。在这种方法中，谈判代理使用事件策略逐步修改要约或反要约以达成协议[Wongetal.如果O(1),O(2),hellip;O(n)是一系列报价，则事件策略S(i 1)中的特许权C(i 1)被确定为C(i 1)=[[O(i 1)–O(i)]/O(i)]*100%。以这种方式设计特许权清单。当出现类似的谈判情况时，在以前的事件中应用的让步被重用。此外，还有一种基于贝叶斯学习的方法[SiriwanandSadananda1999,ZengandSycara1998]。贝叶斯学习用于学习谈判策略。买卖双方之间的产品表示和信息传递的谈判系统样本见[SuetAl.2000]。用户可以指定产品属性值、属性之间的约束、谈判策略规则等进行谈判。
在线拍卖中的AI
截至今天，互联网上大约有200个在线拍卖网站。网上拍卖大多是普通价值的拍卖。例如，汽车或电脑的拍卖。可配置的代理技术通常用于在在线拍卖中表示用户[Hu等人。1998]。可以通过联机接口配置、启动和监视代理。
一般而言，如果投标人在评价中存在较大的积极错误，则会发生“胜利者的诅咒”。如果客户能够正确地评估项目，那么他可以避免胜利者的诅咒。为了更正确地评估物品，用户需要找到或近似物品的市场价格，因为市场价格使客户能够更正确地评估物品。如果用户预测商品的市场价值，则可以竞标商品的最佳价格。从不同拍卖地点收集的信息提供了关于物品市场价值的有用信息。但对于一个用户来说，同时处理多个拍卖网站是一项艰巨的任务。AI方法用于帮助客户。它们用于信息收集和预测目的[Itoetal.2000年]。这些方法基于代理技术。他们包括一些投标代理和一个主代理来协调他们。不同的投标代理人被分配到不同的拍卖地点。代理商同时在几个拍卖地点监测一个物品的价格，并在总代理商的帮助下相互合作，以达到所需物品的估计值。实际上，用户根据代理商收集的价格信息近似市场价格。
AI在解决现实问题和提高服务器可伸缩性方面的应用
电子商务服务器应该能够解决现实问题。在旅行领域，找到有限制的航班，如车费，日程安排，安全和休息旅程等。是一个现实世界问题的例子。电子商务服务器也应该是可伸缩的，这样大量的客户就可以同时访问它们。
智能客户端技术[ArnalandFaltings1998]用于上述目的。智能客户端基于CSP方法，为目录型电商系统提供解决方案。在这些系统中，基本上是用户向客户机提供查询。客户机将请求转发到服务器。请求包含用户指定的约束。服务器访问产品信息数据库并生成CSP。CSP添加了搜索算法。结果信息被发回至客户端。用户可以在客户端站点浏览信息，查看各种解决方案。智能客户端技术是高效的自主问题解决者，它们产生的信息足够小，可以在短时间内通过互联网发送。与解决CSP的时间相比，CSP的形成时间非常短。因此，在客户端位置执行代理大大减少了服务器上的工作负载。关于如何在航空旅行规划领域使用智能客户端技术的示例见[ArnalandFaltings1998]。
AI生成自动响应、捆绑和定价商品
提供自动回复消除了技术人员回答客户质询的需求[LallemantandFox1998]。如果生产商有不同的商品，那么他可以以不同的方式捆绑和定价，例如按商品定价、纯捆绑或混合捆绑等[BrooksandDurfee1999]。为了吸引更多的客户，生产者必须决定他能提供什么商品，如何提供，以及如何将商品捆绑在一起等等。不同的卫星电视包与不同的价格清单，我们可以在目前的市场，是这方面的例子。正确的定价和捆绑决策对于扩大客户基础和增加利润至关重要。传统上，人类做出这些决定。自动决策使人类从这个复杂的决策任务中解脱出来。
C分类技术[Prasad1995]被广泛用于这些任务。在分类系统中，利用不同类别对象之间的子类、超类等关系。决策理论方法[http://www.ratio.huji.ac.il]也有助于作出适当的决定。
AI正在开发买方代理
AI技术在买方代理的开发中也是有用的。大多数电商服务被视为“卖家”代理，因为他们的目标是将服务和/或商品推向用户。买方代理人为买方而不是卖方工作。代理商的目的是教育用户成为一个月再通知客户。此类代理人的一些关键职责是：告知客户特定偏好（例如，产品额外保险成本和产品保修期之间的关系）与当前市场条件之间的复杂交互，使用本体帮助用户制定查询，并提供替代产品[Sen1999]。
AI技术也用于B2B电商。详情见下一节。
B2B电子商务中的AI
SCM是B2B市场成功的关键因素。因此，它也是B2B电商的关键。电商的兴起进一步提升了SCM的重要性，因为公司在网上移动时对流程进行了重新设计[FenstermacherandZeng199
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[413622]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
