در این عصر دیجیتال، مصرف‌کنندگان خرید آنلاین را برای صرفه جویی در وقت ترجیح می‌دهند. اما در برنامه‌های شلوغ آن‌ها، انتخاب آیتم‌ها بر اساس نیازشان می‌تواند زمان‌بر باشد. نیاز به داشتن یک سبد خرید هوشمند وجود دارد که در زمان کمتری با محصولات مطابق معیارهای مشتری پر شود. برای رعایت این موضوع، این مقاله یک سیستم خبره با داشتن هوش مصنوعی را پیشنهاد کرد که در آن مدیریت سبد خرید به عنوان یک مشکل کوله پشتی در نظر گرفته می‌شود. در آن مشکل تهیه یک سبد خرید بهینه مطابق با نیاز مشتری محدود به بودجه است. این مشکل از طریق سیستم خبره مبتنی بر رویه که از رویکرد برنامه نویسی پویا استفاده می‌کند، حل می‌شود.
سیستم‌های خبره مقدمه مسئله کوله پشتی یکی از مسائل بهینه سازی است. هدف این است که تعداد عناصری را که می‌توان در یک کیسه با وزن معین پر کرد، به حداکثر رساند تا حداکثر مقدار را به دست آورد. از میان گروهی از اقلام که هر کدام دارای هزینه و ارزشی هستند، تخمین می‌زنیم که کدام یک از اقلام در یک مجموعه گنجانده شود تا ارزش کل حداکثر و هزینه کل کمتر از هزینه داده شده باشد. سوال تعیین کننده در مسئله کوله پشتی این است که آیا می‌توان به حداکثر مقدار حداقل V دست یافت در حالی که هزینه کمتر یا مساوی C است؟
مشکل کوله پشتی
مشکل کوله پشتی یک محدودیت خاص دارد که می‌توانیم آیتم را انتخاب کنیم یا آن را ترک کنیم، اما نمی‌توانیم آیتم را بشکنیم. کوله پشتی برای سبد خرید در سناریوی تجارت الکترونیک فعلی، ناوبری وب سایت و انتخاب محصول برای کاربران حساس به قیمت و زمان یک کار خسته کننده است. مشخص شد که مشتریان به دلیل امکاناتی مانند صرفه جویی در زمان، سهولت استفاده و کاهش استرس خرید در میان دیگران، خرید آنلاین می‌کنند. الگوریتم حل مشکل Knapsack را می‌توان در وب سایت‌های تجارت الکترونیک نیز پیاده سازی کرد تا کاربرانی که بودجه ثابتی دارند، خرید آسانی داشته باشند. مشتریان آنلاین می‌توانند قبل از خرید بودجه خود را تنظیم کنند. سپس با انتخاب مواردی که بر اساس کمترین قیمت ویا بیشترین ارتباط یا رتبه بندی مرتب شده‌اند، سبد خرید را پر کنند.
اقلام از دسته‌های مختلفی که خریدار می‌خواهد از آن‌ها خرید کند، می‌توانند به‌طور خودکار بر اساس محبوبیتشان در سبدها دسته‌بندی شوند، که از آنجا می‌تواند بهترین گزینه مناسب خود را انتخاب کند. بنابراین مشتری می‌تواند تعدادی اقلام با ارزش را بدون تجاوز از هزینه یا بودجه دریافت کند. بنابراین هر مورد xj در پورتال تجارت الکترونیک دارای یک pj مرتبط و یک هزینه wj است. حداکثر هزینه‌ای که می‌توانیم در سبد خرید آنلاین قرار دهیم C است، یعنی بودجه ثابت. این می‌تواند با مشکل کوله پشتی کلاسیک مرتبط باشد که در آن هر آیتم xj دارای مقدار pj و وزن wj است. و اقلام باید در کیسه‌ای قرار داده شوند که بتواند حداکثر وزن C را داشته باشد. هدف ما از طریق الگوریتم به حداکثر رساندن است.
سبد خرید
بنابراین، از طریق این ما سعی می‌کنیم ارتباط را به حداکثر برسانیم و در عین حال هزینه را به حداقل برسانیم، به طوری که تعداد بیشتری از آیتم‌ها بتواند در بودجه باشد. استفاده از این روش برای خریداران مکرر و معمولی که محدودیت زمان، برنامه و بودجه، منابع بودجه دارند بسیار آسان خواهد بود. در سایت‌های خرید فعلی، بررسی بودجه به صورت دستی است، در هنگام انتخاب محصولات از دسته‌های مختلف باید بارها و بارها توسط خود مشتری مراقبت شود. در نظر بگیرید که او باید ۱۰ محصول از ۱۰ دسته مختلف را در سبد خرید خود پر کند.
این باید او را بررسی کند که آیا هر بار که یک آیتم را اضافه می‌کند، قیمت کل از بودجه او بیشتر است یا خیر، برای تغییر انتخاب های خود در دسته بندی ها به عقب و جلو می‌رود، که منجر به افزایش زمان با هر جستجو می شود. اگر در عوض توسط خود وب سایت مراقبت شود، حداکثر تعداد محصولات را با نرخ بهینه قیمت و در حداقل زمان تضمین می‌کند. دسته بندی‌ها را بر اساس هزینه انتخاب می‌کند و سه گزینه را در قالب سطل‌های انتخاب بر اساس معیارهای زیر در اختیار کاربر قرار می‌دهد. سبد خرید را کامل در نظر بگیرید و اقلام نهایی را نمایش دهید.
ارتباط اقلام
ارتباط اقلام باید حداکثر باشد، یعنی رتبه‌بندی کاربر یا تعداد اقلام یا کالاهای مارک گران قیمت موجود در فهرست اقلام نهایی، بنا به انتخاب کاربر. کاربر یکی از سطل‌هایی را انتخاب می‌کند که موتور استنتاج روی آن شروع به کار می‌کند تا نیاز کاربر به بودجه کل و دسته‌بندی‌های اقلام داده‌شده به عنوان ورودی را برآورده کند. قوانین استنتاج را برای رسیدن به پاسخ های مناسب اعمال می کند. سیستم تخصصی برای مدیریت سبد خرید آنلاین او بعنوان کاربر وارد پورتال خرید آنلاین می‌شود. از او خواسته می‌شود به سؤالات خاصی که از طریق سیستم کسب دانش به عنوان حقایق شناخته شده وارد پایگاه دانش می‌شود، پاسخ دهد.
پایگاه داده
کل بودجه دسته بندی‌ها سیستم از طریق پایگاه داده محصولات یعنی پایگاه دانش جستجو می‌کند و موارد موجود در آن را مرتب می‌کند. الگوریتم برای موتور استنتاج ظرفیت کوله پشتی که کل بودجه یا هزینه است را راه اندازی کنید. هزینه تمام اقلام را به ترتیب مرتب شده واکشی کنید. ارتباط یا رتبه بندی همه موارد را واکشی کنید. هنگامی که کاربر دسته بندی محصولاتی را که باید بخرد، یعنی تیشرت، کفش و کیف پول انتخاب می‌کند، سیستم خبره سه سطل انتخاب جداگانه را همانطور که در شکل ۳ نشان داده شده است آماده می‌کند.
در سطل اول اقلام بر اساس رتبه بندی از سه دسته مرتب شده‌اند. در سطل دوم مرتب سازی بر اساس حداقل هزینه و در سطل سوم مرتب سازی بر اساس بالاترین قیمت یا هزینه انجام می‌شود. فرض کنید کاربر باید چند محصول را از یک وب سایت تجارت الکترونیک بخرد و بودجه او ۳۰۰۰ است. کاربر باید دسته بندی خاصی را انتخاب کند، مثلاً تیشرت، کفش و کیف پول. اقلام از قبل مطابق با قیمت تمام شده خود در پایگاه داده طبقه بندی شده‌اند که در شکل ۲ نشان داده شده است. کاربر با توجه به اولویت خود یک سطل را انتخاب می‌کند. در اینجا سطل ۱ همانطور که در شکل نشان داده شده است، انتخاب شده است. سپس موتور استنتاج لیستی از اقلام موجود در سطل ۱ را به همراه هزینه و رتبه آن‌ها می‌گیرد. آن را پردازش می‌کند تا انتخاب بهینه اقلام را برای سبد خرید ارائه دهد.
نتیجه گیری
استفاده از این مورد می‌توان نتیجه گرفت که مدیریت سبد خرید به عنوان مشکل کوله پشتی را می‌توان از طریق یک سیستم خبره که از رویکرد برنامه نویسی پویا پیروی می‌کند، بهتر حل کرد. سیستم پیشنهادی این فرصت را برای مشتریان فراهم می‌کند تا سبدهای مختلف را بر روی متفاوت ببینند معیارها، همچنین سهولت استفاده را برای مشتریان برای خرید آنلاین فراهم می‌کند. از این رو، چنین راه حلی می‌تواند به طور کلی یک تجربه خوشحال کننده و خوب برای یک مشتری باشد. از همین پایگاه دانش می‌توان برای ارائه قوانین، رویه‌ها و داده‌ها برای نوع دیگری از مشکل در یک نوع مشکل خاص دامنه استفاده کرد.
