毕业设计外文资料翻译-智能基于位置的移动购物Android应用程序

毕业设计外文资料翻译学院：专业班级：学生姓名：学号：指导教师：外文出处：(外文)<<SmartLocation-BasedMobileShoppingAndroidApplication>>GünayGültekin,

OguzBayat附件：1.外文资料翻译译文；2.外文原文指导教师评语：该英文资料选择合理，与毕业设计论文相关度高。专业术语、词汇翻译的准确度较高，翻译工作认真细致，严格按照规定，翻译材料能与原文能保持一致，能正确表达出原文意思。签名：年月日

1．外文资料翻译译文智能基于位置的移动购物Android应用程序GünayGültekin,

OguzBayat摘要在论文中，一个智能基于位置的移动购物应用提出了Android设备。用户的移动设备的地理位置利用生产购物应用程序中的位置信息(西米)。应用程序的流程是，用户搜索一个产品，然后西米标识位置和搜索在当地最近的电子商店的产品。我们的想法是让每个本地存储价格与库存信息，并巧妙的列出产品清单。搭配智能滤波算法，手机购物应用程序基于搜索和目录结果实现了精确，误差最小。关键字手机购物，Android应用程序，统一建模语言（UML），面向服务的建模框架（SOMF），位置，价格比较，清单算法，筛选，个性化1.介绍如今，技术不断提高，特别是在智能手机和移动设备。由于过去十年来，它们的硬件和软件能力得到了快速提升。我们可以认为，目前的手机强如电脑。此外，他们能够与电脑相抗衡。其中一个例子是，它们具有多核心处理器。这意味着它们快如电脑，换言之，它们的功能是非常广泛的。因此，客户的需求将逐年增加。此外，在最近数十年来销量大大增加。随着越来越多的人有更多的智能手机，他们更愿意用它们来购买、搜索和其他用途，而不是使用计算机。调查证明，智能手机作为工具来获取信息。此外，大公司从移动设备和智能手机获得好处。贝宝正经历着移动支付的指数级增长，并从2008年的$750M增长到，2011年的$4B，预计在2013年达到$20B。有超过300万人使用星巴克卡移动APPLI阳离子支付，使得星巴克成为全美最大的移动支付网络。根据这些信息，移动市场成为世界贸易的重要组成部分。因此，需要通过移动生产来开发移动应用程序。“网上购物”是一种典型的智能手机移动应用程序。此外，我们可以看到，在网络市场上正在失去人们的焦点，正转向移动市场。同时，由于人们有一个有限的时间，现在的技术已日臻完善，繁重的工作必须在特定的时间内完成。因此时间成为我们日常工作的重要需要。此外，人们希望通过使用移动设备来减少对日常生活的压力。雅阁荷兰国际集团的市场分析师说：在过去的二十年，人们使用自己的手机不止于此。在一般情况下，人们愿意购买最便宜的产品。此外，商场的位置是最重要因素了。人们愿意选择在最近的商场购买，即使该商城产品的价格较其他地方而言高。但是，人们更愿意在最近的商场购买最便宜的产品。因此，人们必须搜索商场的位置和每个商场的产品。因此，位置信息是移动应用程序的关键值。位置信息作为标准功能用于其他应用程序,Android手机购物采用的覆盖范围并不局限。根据用户的应用程序很容易扩展的需求。Android应用程序是在Android2.2版本中,开发的应用程序编程接口(API)8。除此之外，系统架构采用面向服务的建模框架（SOMF），设计了一种基于统一建模语言（UML）和面向对象的编程语言被用在开发过程中。UML设计简化了系统的复杂性，并帮助我们理解本文项目的架构。在开发过程中,用户的输入数据已在最近的搜索产品电子超市以及商城中使用“智能滤波算法”。此外，简单的过滤和清洗工艺，如凝聚聚类算法，贪婪搜索算法，和莱文斯坦距离被用在西米手机店的应用。虽然移动应用程序为Android设备开发的，它会很容易采用和开发iOS设备。通过使用这种Android手机应用程序，用户可以搜索周边商场的产品，并比较从每个地方电子超级卖场的价格，并随后决定在哪里购买。根据这些，用户使用Android手机的应用程序节省自己的时间和金钱。2.西米移动购物应用程序体系结构该系统架构图是使用SOMF,取决于UML创建。SOMF提出了作者迈克尔·贝尔为“整体和拟人化建模语言软件开发学科和通用语言提供战术和战略来解决企业的问题”。总之，SOMF是一个面向服务的开发生命周期方法。如从图1可见，该系统架构取决于三个层:资源层，数据访问和提取层，表示层。图1该系统体系结构的顶层是“资源层”。该层包括其用于在西米移动购物Android应用相关的数据。大部分数据的收集是从土耳其当地的电子商店的互联网资源。当地的电子卖场用于西米移动购物的Android应用程序中：Teknosa，DARTY，Bimeks，瓦当计算机，电子世界。也有许多其它地方的电子卖场。最流行的电子卖场是在土耳其。在未来的发展中，其它当地的电子商店将能够被添加到西米Android移动购物应用程序。数据的另一部分是从谷歌收集。谷歌提供了各种数据到和研究人员。在本文中，这两个谷歌的WebAPI用于收集数据。第一个是谷歌API的地方，第二个是谷歌地图API。该系统体系结构的第二层是“数据访问和提取层”。该层包括工具和数据提取。该工具命名为Jsoup，定义为“Jsoup是与现实世界中的HTML工作的Java库。它提供了一个非常方便的API，用于提取和操作数据，使用最好的DOM，CSS，并且JQuery的样方法“。Jsoup是一个Java超文本标记语言（HTML）解析器和一个开源项目。该项目在美国麻省理工学院（MIT）被分发许可证。这个执照允许开发人员可以自由使用它在他们的应用程序。在本文中，Jsoup使用HTTP协议来从网络资源收集数据。此外,收集的数据也从谷歌通过RESTWeb更好的API。此外，从谷歌的API收集后，过滤需要消除不必要的和不相关的信息。该系统体系结构的第三层是“表示层”。这个层包括从数据访问和提取层收集的相关结果。表示层的目的是目前导致一个有意义的和逻辑的方式涵盖了用户需求。基本的排序技术是用于西米,因为不需要更复杂的排序技术。3.智能过滤算法在本文中，智能过滤算法是不同类型的算法的组合。智能过滤算法包括：1.Greedy搜索算法2.Agglomerative聚类算法3.Normalization正常化4.Levenshtein距离5.Scoring产品贪婪搜索算法用于去除与数据无关的信息。该算法是国防部指明根据西米手机购物的Android应用程序的需求。在贪婪搜索算法相同的算法和参数会被使用，然而，这一次“R”是产品的总和。该产品来自互联网资源。此外，该产品还过滤该算法在也在过滤算法。聚类算法比贪婪搜索算法相比还包括一些更复杂的计算和过滤。它也用于聚类结果。这些由产品的搜索结果产生。这些结果使移动用户能够看到最近的当地电子商店在西米移动购物的Android应用程序的价格。在数据挖掘中，凝聚聚类算法是一种战略的层次聚类。聚类是聚类分析的方法，其目的是建立集群数据挖掘的层次结构。此外，聚类是一种无监督的学习方法。西米Android手机购物应用程序使用聚类方法来帮助智能过滤算法能有效地将产品的搜索结果展示给移动用户。根据互联网资源调查产生我的产品搜索结果，例如，移动用户搜索的iPhone，收集不同类型的产品,其中一些是无关的。无关结果不应该被显示给顾客，因此产品搜索结果是一组通过使用每一个结果项目的价格，因为我们知道，iPhone移动设备的价格是在一定范围内。凝聚聚类算法或凝聚层次聚类开始对象（单点，单身），其被设置为一个群集，换句话说，每一个对象是一个簇的开头。然后，将对象添加到最接近的一对簇的每个迭代中，如果采用类似的准则进行验证。这种算法中，算法继续进行，直到所有的数据被向下合并为一个集群，这是一个凝聚的策略，这是一种“自下而上”的方法。此外，传统的AABB层次树算法使用的是相似性或距离/接近矩阵。其实有很多方法，这些方法计算两个群之间的距离。欧氏距离，用于距离测量。它被选中，是因为在计算过程能测量时间，如图1所示。在一个凝聚聚类算法表示中，x和y是算法中的输入参数，如图2所示。X1，X2，X3，∈的x，x1为第一产品和Y1，Y2，Y3，∈y的第二个输入参数，Y1是第一个产品的第一个输入参数。此外，第一迭代，算法不计算任何距离，所有的点像一个集群。下一次迭代中，计算距离矩阵，然后将最靠近的两个簇合并，以创建一个新的单个集群。该算法不断重复，直到只剩下一个群集。图1图2第一个参数（x）是在两个操作之后产生。第一个操作类似产品使用中提到的他们的价格。在本文中，它提到了同类产品在同一类别通常有类似的价格，因此会有不同产品间的价格信息。本文提供有意义的比较，每个价格和实际价格转换为具有代表性的公式来给出了上界限制和价格的下限限制。其公式如下所示。在该式中，P是价格和π的代表性的价格。此外m是在此公式中值为10TL的变量。这种假设取决于解释。根据该研究报告，大约十美元的差别是比高价格产品更值得注意的低价产品，因此m的值是10里拉。例如，一对耳机是28TL，另一个类似的耳机大约为3或5TL，因此，10TL是一个在价格上更加显著便宜的产品。此外，如果P是28TL，该代表价格将为30TL,代表价格是26-35TL达30名里拉。第二个操作是标准化进程。在这里的第一操作的输出是输入的标准化过程。在标准化进程呈现之后，第一参数（x）的生成和产品的价格是介于0和1。需要呈现的产品在二维系统协调下会产生总计算时间是低缩放。归一化化式如下所示。在该式中，X是价格的输入参数，它是产品的代表价格。“最高报价”是从产品的结果列表中选择最高价格。因此，这个公式按比例缩小价格在0和1之间。一般来说,西米移动电子产品用于购物安卓手机应用搜索。因此是一个概念验证的移动应用程序,确定这三个产品的是笔记本电脑,iPhone和相机。这个公式的目的是高价格的产品。这些产品都非常昂贵，因此这个公式非常适用于该领域。第二个参数是一个字符串相似性函数。在我的论文里，莱文斯坦距离算法被使用。此算法的目的是测量两个序列或字符串之间的差异。莱文斯坦距离算法中的两个字符串的a，b是由列弗，B给出（A，B）其中，例如，“居纳伊”和“葛兰”之间的莱文斯坦距离是3，前两个字符是相同的，第三，第四，第五字符需要以改变;1）gunay→gulay(“l”替换为“n”)2)gulay→guley(“e”替换为“a”)3)guley→gulen（“y”替换为”n”)。因此，结果又是3。这个距离算法有一些限制。它始终是至少在两个字符串或字的大小的差。最长的字符串的长度是。当且仅当它是零字符串相等。字符串的大小相同，汉明距离是一上界的莱文斯坦距离。汉明距离度量改变一个串到另一个串所需取代的最小数目。两个字符串之间测量的距离是不超过其莱文斯坦距离的总和。综上所述，前面提到的算法现在被组合，然后，将智能过滤算法制成。第一步骤是通过使用贪婪搜索算法过滤该非相关的产品。第二步骤是通过使用公式给出的计算方法作为产品的代表价格。此步骤会导致价格高的产品将被列在搜索结果列表的顶部。因此，在同类产品中，智能过滤算法总是在排序价格高的产品。第三步是在归一化处理。因为要减少计算时间，把它放在一个词，这一步必须要做。如果这个步骤跳过，步骤5和6的计算时间会很长。这个正常化过程将提高产品效率。在第四步骤中，每个产品搜索结果，根据该关键字的相似性搜索的结果将其前一段落中所说的分配一个值。在这个过程中，莱文斯坦距离是用来测定值的相似性。此外，所分配的值是“1”和“0”。“1”是指产品搜索结果条目是一个合适的产品预计;另一方面,“0”是指项目的结果不是预期的产品。第五和第六步骤是计算给定的函数，结果是一个搜索结果项目产品的得分。在该式中，第一计算，直到在一个范围内，是“0”和“1”之间的范围内产品名称的添加量。“a”和“b”是公式的系数。重要的一点是：“a”应该大于“b”的值，因为价格信息是根据客户的看法选购产品的重要因素。在最后一步，产品根据其价格的降序排列。它显示了标题/价格区间在X-Y的一个坐标。图中显示聚类。在这个演示中，搜索关键字是“iPhone”。智能过滤是在搜索数据结果后完成的聚集产品的制成。在该算法中的“a”是10和“b”为2。此外，“相机”的搜索结果聚类算法后，呈现在这个数据的树状视图，图简化的是对分层聚类算法的复杂性的认识。视图显示每个级别的集群。该算法的得分最高的是24，表示一个给定的数据中至少有相关的搜索结果。这个分数是在智能过滤算法中使用的负数。其结果是，该产品智能列表显示的用户友好的设计与移动用户。搜索结果的预期产品在智能列表的上方。它显示了最近的一个集群为零，包含相关的搜索结果。2.外文原文SmartLocation-BasedMobileShoppingAndroidApplicationGünayGültekin,

OguzBayatAbstractInthepaper,asmartlocation-basedmobileshoppingapplicationforAndroiddevicesisproposed.TheGeo-positionoftheuser’smobiledeviceisutilizedtoproducelocationinformationinshop-pingapplication(SAGO).Theflowoftheapplicationisthatusersearchesaproduct,andthenSAGOidentifiesthelocationandsearchestheproductontheclosestelectroniclocalstores.Theideaistogetthepricesfromeachlocalstorewithinstockinformationandsmartlylistedproductlist.Withtheproposedsmartfilteringalgorithm,mobileshoppingapplicationachievespreciseandminimumerrorbasedonsearchingandlistingresults.KeywordsMobileShopping,AndroidApplication,UnifiedModelingLanguage(UML),Service-OrientedModelingFramework(SOMF),Location,PriceComparison,ListingAlgorithms,Filtering,Personalization1.IntroductionNowadays,thetechnologykeepsimprovingdrastically,especiallyonsmartphonesandmobiledevices.Sincethelastdecade,theirhardwareandsoftwarecapabilitieshavebeenimprovedrapidly.Weareabletothinkthatthecurrentmobilephonesareasstrongascomputersandalsotheyareabletocompetewithcomputers.Oneexampleisthat,theyhavemulti-coreprocessor.Itmeansthattheyareasfastasacomputer,inotherwords,theircapabilitiesareverybroad.Therefore,thecustomers’requirementswillincreaseyearbyyear.Inaddition,thesaleshaveincreasedtremendouslyinrecentdecades.Asmorepeoplehavemoresmartphones,theyaremorewillingtousethemforpurchasing,searchingandotherpurposes,insteadofusingacomputer.Thesurveyprovesthatsmartphonesareusedasareferencetogetinformation[1].Inaddition,thebigcompaniesgetbenefitsfrommobiledevicesandsmartphones.PayPalisexperiencinganexponentialgrowthinmobilepaymentsandgrowingfrom$750Min2008toover$4Bin2011,with$20Bexpectedin2013[2].Morethan3millionpeoplehavepaidusingtheStarbucksCardMobileappli-cation,makingStarbucksthenation’slargestmobilepaymentnetwork.Itpresentsin6800Starbucksand1000Targetlocations[3].Accordingtoallthisinformation,themobilemarketbecomesanimportantpartoftheworldtrade.Therefore,mobileapplicationsareneededandproducedbymobiledevelopers.“Onlineshopping”isonetypeofmobileapplicationonsmartphones.Furthermore,weareabletoseethatthewebmarketislosingthepeople’sfocus,ontheothersidethefocusisshiftingtowardsthemobilemarket.Moreover,thepeoplehavealimitedtimenowadaysbecausethetechnologyhasbeenimprovingandtonsofworkmustbefinishedinaspecifictime;thereforethetimebecomesimportantforourdailywork.Inaddition,thepeoplewanttodecreasetimeconsumingtasksondailyroutineworksbyusingthemobiledevices.Accord-ingtoit,marketanalystsaysthatthepeopleusetheirphonesmorethanthatinthelasttwodecades.Ingeneral,thepeoplearewillingtobuythecheapestproducts.Also,thelocationofshoppingmallsisanim-portantfactor,too.Peopleprefertochooseclosershoppingmallsforbuyingaproducteventhoughtheproduct’spriceishigh.Furthermore,theyprefertobuythecheapestproductintheclosestshoppingmall.Therefore,thepeoplehavetosearchthelocationofshoppingmallsandproductswhichareavailableateachshoppingmall.Consequently,thelocationinformationisthekeyvalueformobileapplications.Thelocationinformationisusedasastandardfeaturewhichisusedintheotherapplicationsandalso,thismobileshoppingAndroidapplica-tion’scoverageisnotlimited.Theapplicationiseasilyextendableaccordingtotheusers’requirements.TheAndroidapplicationisdevelopedinAndroid2.2version,ApplicationProgrammingInterface(API)level8.Be-sidesthisinformation,thesystemarchitectureisdesignedbyusingService-OrientedModelingFramework(SOMF)basedonUnifiedModelingLanguage(UML)andobject-orientedprogramminglanguageisusedindevelopmentprocess.DesigningwithUMLissimplifyingcomplexityofthesystemandhelpsustounderstandthearchitectureofthispaperproject.Inthedevelopmentprocess,theusers’inputdatawhichhasbeenbroughtbeforesearchingproductsinthenearestelectronicsuper-storesandalsothenamesoflocalshoppingstoresareusedina“SmartFilteringalgorithm”.Moreover,simplefilteringandcleaningtechnicssuchasAgglomerativeClusteringAlgorithm,GreedySearchAlgorithm,andaLevenshteindistanceareusedinSAGOmobileshop-pingapplication.Althoughthemobileapplicationisdevelopedforandroiddevices,itwillbeeasilyadoptedanddevelopedforiOSdevices.Byusingthisandroidmobileapplication,theusersareabletosearchtheproductsincloserareaswithoutknowingthelocationoftheshoppingmall,andcomparethepricesthataregettingfromeachlocalelectronicsuper-storeandsubsequentlydecidewheretobuy.Accordingtothese,theuserssaveboththeirmoneyandtimebyusingtheandroidmobileapplication.2.ArchitectureofSagoMobileShoppingApplicationThesystemarchitecturediagramwascreatedbyusingSOMFdependsonUML.SOMFhasbeenproposedbyauthorMichaelBellas“aholisticandanthropomorphicmodelinglanguageforsoftwaredevelopmentthatem-ploysdisciplinesandauniversallanguagetoprovidetacticalandstrategicsolutionstoenterpriseproblems”[4].Inshort,SOMFisaservice-orienteddevelopmentlife-cyclemethodology.AsseeninFigure1,thesystemarchitecturedependsonthreelayers;ResourceLayer,DataAccessandEx-tractionLayer,PresentationLayer.Thetoplayerofthesystemarchitectureis“ResourceLayer”.ThislayerincludestherelateddatawhichisusedintheSAGOmobileshoppingAndroidapplication.Themostpartofthedataiscollectedfrominternetre-sourceswhicharetheelectroniclocalstoresinTurkey.ThelocalelectronicstoreswhichareusedintheSAGOmobileshoppingAndroidapplicationare;Teknosa,Darty,Bimeks,VatanComputer,ElectroWorld.Therearealsomanyotherlocalelectronicstores.ThesearethemostpopularelectronicstoresinTurkey.Infuturedevelopment,theotherelectroniclocalstoreswillbeabletobeaddedtotheSAGOmobileshoppingAn-droidapplication.AnotherpartofthedataisgatheredfromGoogle.Googleprovidesavarietyofdatatothede-velopersandresearchers.Inthispaper,thetwoGoogleWebAPIsareusedtocollectthedata.ThefirstoneisGooglePlacesAPIandthesecondoneisGoogleMapAPI.Thesecondlayerofthesystemarchitectureis“DataAccessandExtractionLayer”.Thislayerincludestoolsanddata-extraction.Thetool,whichnamedasJsoup,definedas“JsoupisaJavalibraryforworkingwithreal-worldHTML.ItprovidesaveryconvenientAPIforextractingandmanipulatingdata,usingthebestofDOM,CSS,andJQuery-likemethods”[5].JsoupisaJavaHyperTextMarkupLanguage(HTML)Parserandanopensourceproject.ThisprojectdistributedundertheMassachusettsInstituteofTechnology(MIT)license.Thisli-censeallowsdeveloperstouseitfreelyintheirapplications.Inthispaper,JsoupusesHTTPprotocoltocollectthedatafromthewebresources.Moreover,thedataisalsogatheredfromGoogleAPIsthroughRESTWebser-vice.Inaddition,aftercollectingfromGoogleAPIs,thefilteringisneededtoeliminatetheunwantedandunre-latedInformation.Thethirdlayerofthesystemarchitectureis“PresentationLayer”.Thislayerincludessortingtherelatedre-sultsthataregatheredfromtheDataAccessandExtractionLayer.Presentationlayeraimstopresenttheresultinameaningfulandalogicalwaythatcoverstheuserrequirements.ThebasicsortingtechniqueisusedinSAGObecausethemorecomplexsortingtechniqueisnotneeded.3.SmartFilteringAlgorithmInthispaper,theSmartFilteringalgorithmisacombinationofdifferenttypesofalgorithms.Smartfilteringal-gorithmincludes:1.GreedySearchAlgorithm2.AgglomerativeClusteringAlgorithm3.Normalization4.Levenshteindistance5.ScoringproductsGreedySearchAlgorithmisusedforremovingunrelatedinformationfromthedata.Thisalgorithmismod-ifiedaccordingtotheSAGOmobileshoppingAndroidapplication’srequirements.Thesamealgorithmandpa-rametersinGreedySearchAlgorithmareused,however,thistime;“R”isthesummationofproducts.Theproductscomefrominternetresources.Moreover,theproductsarealsofilteredinthatalgorithm.TheAgglomerativeClusteringAlgorithmismorecomplexthanGreedySearchAlgorithmincludingsomecalculationandfiltering.Itisalsousedforclusteringtheresults.Thesearemadeofproductsearchresults.TheseresultsenablethemobileusertoseepricesatthenearestelectroniclocalstoresinSAGOmobileshoppingAn-droidapplication.Indatamining,theAgglomerativeClusteringAlgorithmisonetypeofstrategyforhierarchicalclustering.Hierarchicalclusteringisamethodofclusteranalysiswhichseekstobuildahierarchyofclustersindatamining[6].Inaddition,theclusteringisanunsupervised(doesnothavedatafordemonstratinginthelearningprocess)learningmethod.TheSAGOAndroidmobileshoppingapplicationusesclusteringapproachtohelptheSmartFilteringalgo-rithmtobeabletoshowproductsearchresultstothemobileusersefficiently.Accordingtotheinvestigationofmyproductsearchresultsfrominternetresources;forinstance,themobileusersearchesiPhone,differenttypesofproductsaregatheredandsomeofthemareunrelated.Theunrelatedresultshouldnotbeshowntothecus-tomerthereforetheproductsearchresultsareinagroupbyusingtheeachresultitem’spricebecauseweknowthatthepriceoftheiPhonemobiledeviceisinacertainrange.TheAgglomerativeClusteringAlgorithmorAgglomerativeHierarchicalClusteringstartswithobjects(one-point,singleton)whicharesetasacluster,inotherwords,eachobjectisaclusteratthebeginning.Then,theobjectisaddedtotheclosestpairofclustersforeachoftheiterationifasimilarcriterionisvalidated.Thisalgo-rithmcontinuesuntilallofthedataismergeddownasoneclusterandthisisanagglomerativestrategywhichisa“bottomup”approach.ThisapproachisexpressedmoreformallyinFigure2.Moreover,traditionalhierar-chicalalgorithmsusesimilarityordistance/proximitymatrix.ThealgorithmisshowninFigure2andthekeyoperationisthecalculationofthedistance/proximitymatrixbetweentwoclusters.Therearelotsofmethodsthatcalculatethedistancebetweentwoclusters[7].Euclideandistanceisusedfordistancemeasurements.Itischosenbecauseofmeasurementsofthecalculationprocesstime.InanAgglomerativeClusteringAlgorithmexpressedinFigure3,xandyaretheinputparametersoftheal-gorithm.x1,x2,x3,∈x,x1isthesecondinputparameterofthefirstproductandy1,y2,y3,∈y,y1isthefirstinputparameterofthefirstproduct.Moreover,thefirstiteration,thealgorithmdoesnotcomputeanydis-tance,andallpointsbehavelikeacluster.Thenextiteration,thedistancematrixiscalculatedandthentheclos-esttwoclustersmergedowntocreateanewsinglecluster.Thisalgorithmkeepsrepeatinguntilonlyoneclusterremains.Thefirstparameter(x)isgeneratedaftertwooperationsarerendered.Thefirstoperationisclusteringthesimilarproductusingtheirpricesthatwerementionedin[8].Inthispaper,itismentionedaboutthesimilarproductsinthesamecategoryusuallyhavethesimilarpricesthereforedifferingofbetweenproductsisthepriceinformation.Inthispaper,toprovidemeaningfulcomparison,eachactualpriceisconvertedtoarepresentativepriceandtheformulagivesbothupperboundlimitandlowerboundlimitoftheprice.Theirformulaisshownbelow. Inthisformula,PisthepriceandPIistherepresentativeprice.Moreovermisavariablewhichvalueis10TLinthisformula.Thisassumptiondependsonexplanationin[8].Accordingtothisresearchpaper,approx-imatelytendollardifferenceismuchmorenoteworthyforlow-priceproductsthanforhigh-priceproducts[8]sothevalueofmis10TurkishLiras.Forinstance,apairofheadphonesis28TLandanothersimilarpairofhead-phonesisapproximately3or5TLthedifferencetherefore,10TLisamuchmoresignificantpriceoncheapproducts.Inaddition,ifPis28TL,therepresentativepricewillbe30TL.Therepresentativeofthepricethatisbetween26and35TLis30TurkishLiras.Thesecondoperationisthenormalizationprocess.Theoutputofthefirstoperationinhereistheinputofthenormalizationprocess.Afterthenormalizationprocessisrendered,thefirstparameter(x)isgeneratedandthepriceofproductsisscaledbetween0and1.Thisisneededforpresentingtheproductsinatwodimensioncoor-dinatesystemandalsothetotalcalculationtimeislow.Thenormalizationformulaisshownbelow.Inthisformula,Xpriceistheinputparameteranditistherepresentativepriceoftheproduct.“MaxPrice”isthemaximumpricewhichisselectedfromtheproductresultlist.Therefore,thisformulascaleddownthepricebe-tween0and1.Ingeneral,theSAGOmobileshoppingandroidmobileapplicationsearcheselectronicproducts.Inaddition,itisaPoCmobileapplicationtherefore,thethreeproductsaredeterminedwhicharelaptop,iPhone,andcamera.Theaimofthisformulaistosortthehighpriceproducts.Theseproductsareveryexpensivesothisformulaworksverywellinthatdomain.Thesecondparameterisproducedbyastringsimilarityfunction.Inmypaper,theLevenshteindistancealgo-rithmisused.Theaimofthisalgorithmistomeasurethedifferencebetweentwosequencesorstrings.Itde-pendsonthenumberofchangesrequiredtochangeonewordintotheother[9].TheLevenshteindistancebetweentwostringsa,bisgivenbyleva,b(a,b)where[9],Forinstance,theLevenshteindistancebetween“gunay”and“gulen”is3.Thefirsttwocharactersarethesame.Thethird,fourth,fifthcharactersneedtochangeas;1)gunay→gulay(substitutionof“l”for“n”)2)gulay→guley(substitutionof“e”for“a”)3)guley→gulen(substitutionof“n”for“y”attheend)Thereforetheresultis3again.Thisdistancealgorithmhasseveralconstraints.Itisalways,atleastthedifferenceinthesizesofthetwostringsorwords[9].Itisatmostthelengthofthelongeststring[9].Itiszeroifandonlyifthestringsareequal[9].Ifthestringsarethesamesize,theHammingdistanceisanupperboundontheLevenshteindistance[9].Hammingdistancemeasurestheminimumnumberofsubstitutionsrequiredtochangeonestringtoanother[10].0ThemeasureddistancebetweentwostringsisnogreaterthanthesumoftheirLevenshteindistancesfromathirdstring[9].Tosumup,thepreviouslymentionedalgorithmsarenowcombinedandthen,theSmartFilteringalgorithmismade.ThefirststepisfilteringtheunrelatedproductsbyusingGreedySearchAlgorithm.ThesecondstepiscalculatingtherepresentativepriceoftheproductbyusingtheformulagiveninEquation(1).Thisstepcausesthatthehighpriceproductswillbeseenatthetopofthesearchresultlist.Therefore;inthesimilarproducts,SmartFilteringAlgorithmalwayssortsthehighpriceproducts.Thethirdstepisthenormalizationprocess.Thisstepmustbedonebecauseofdecreasingthecalculationtime,putitinanotherword,ifthestepisskipped,thecalculationtimeofstep5andstep6willbelong.Thisnormali-zationprocessincreasestheproductefficiency.Inthefourthstep,eachproductsearchresultisassignedavalueaccordingtosimilarityofthekeywordsearchedwhichwasexplainedinpreviousparagraphs.Inthisprocess,theLevenshteindistanceisusedtomeas-urethesimilarity.Moreover,theassignedvalueisbetween“1”and“0”.“1”meanstheproductsearchresultitemisasuitableproductwhichisexpected;o