A Robust Artificial Intelligence Enabled Methodology to Predict Online Consumers Behaviour Using Hybrid Deep Learning Strategy
Notice bibliographique
Résumé
Marketing and consumer behavior predictions are two areas where Artificial Intelligence (AI) is finding widespread use. Evaluating the accuracy of AI -based consumer behavior prediction is the focus of this article. Evidence from research in this area suggests that AI can help sift through mountains of data pertaining to customer performance. It includes looking at things like customer surveys, purchasing history, and behaviour. Furthermore, this sector may make use of deep learning techniques for consumer behavior forecasting. All sorts of advertising and marketing choices can benefit from this data. The Hybrid Learning for Behavioral Prediction (HLBP) method, first proposed in this study, integrates AI -assisted learning with categorization logic for processing. In order to assess the efficacy of the suggested program, this model is cross-validated with the traditional learning model known as Recurrent Neural Network (RNN). Even more encouraging is the possibility that AI can aid businesses in fine-tuning their advertising strategies. As a result, advertising may be more precisely targeted, and marketing budgets can be more efficiently used. Here, AI in a marketing context may provide customized experiences for consumers, such making better product recommendations and enhancing the shopping experience overall. In order to maximize the effectiveness of online advertising efforts, artificial intelligence can be employed. This research delves into the potential of artificial neural networks to identify customer behavior utilizing data collected from conventional surveys. Neural networks outperform classical discriminant analysis in most cases, demonstrating their strong discriminate potential.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».