چکیده:
با توجه به افزایش حجم وب پیمایش و جستجوی آن از اهمیت بالایی برخوردار است. در پیمایش این حجم وسیع از صفحات
پیمایش صفحات مرتبط با یک موضوع به کار میرود. در این روش سعی بر آن است که در هنگام پیمایش»ء صفحات hub (صفحاتی ست که به صفحات مهمی اشاره میکنند) خوب تشخیص داده شوند تا از آنها به عنوان منبعی برای رسیدن به
صفحات authoriry (صفحاتی هستند که محتوای مهمی دارند) استفاده شود. در این تحقیق از "الگوریتم Page Rank " که
یکی از الگوریتم مبتنی بر مدلهای مارکوف است استفاده میشود و همچنین از تکنیکها وب کاوی نظیر "تحلیل پیوند" و
"کاوش استفاده از وب" برای ساخت پروفایل کاربران استفاده میشود. اساس کار اینگونه است که برای استخراج الگوهای
حرکتی با استفاده از معیارهای "مدت زمان مشاهده صفحه" و "فرکانس مشاهده صفحه" که به خوبی میزان اهمیت و علاقه
کاربران به آن صفحه را نشان میدهد وزن صفحات را محاسبه میکند. برای پیدا کردن صفحاتی که بیشتر آ"مدت زمان
مشاهده صفحه" و "فرکانس مشاهده صفحه" را دارد از الگوریتم (GEW) ۷۷۵۱8۲۱۳Gradual Extra Weight استفاده میشود.
سپس برای حل مشکل یفیت پایین پیشنهاد بیش از یک صفحه.ء از معیار "تحلیل پیوند صفحات " از الگوریتم (c3 ) Contextual Concept Clustering برای خوشه بندی استفاده شده است. در نهایت با استفاده ازالگوریتم ۲۵۲۴ 0386
که لیستی از صفحات دلخواه کاربر را به وی پیشنهاد میدهد.
خلاصه ماشینی:
مدل مارکوف بر اساس همه مراتب رفتار پيمايشي کاربر بر روي سايت بوسيله بررسي صفحاتي که مشاهده کرده است مدل ميشود اين مجموعه از صفحه ها به عنوان يک دوره (w) در نظر گرفته ميشود و به صورت دنباله اي از صفحات که توسط کاربر بازديد شده اند نمايش داده ميشود.
77 جدول (٦) رفتار کاربر بر اساس سناريو پنجم در مدت بيست روز [٤٢] (به تصویر صفحه رجوع شود) ارزيابي روش پيشنهادي در اينجا هدف ما ارزيابي عملکرد نمايه کاربري پويا پيشنهاد شده در اين پژوهش ميباشد و اثربخشي فرآيندهاي يادگيري و تطبيق است .
78 (به تصویر صفحه رجوع شود) براساس اين تعداد تشخيص صفحات مورد علاقه کاربر توسط سيستم به کل صفحات مورد علاقه کاربر به عنوان مقدار دقت در نظر گرفته شده است .
in Proceedings of the 2008 ACM conference on Recommender systems RecSys. 2008.
Kadie, Empirical analysis of predictive algorithms for collaborative filtering, in Proceedings of the Fourteenth conference on Uncertainty in artificial intelligence.
Riedl, Explaining collaborative filtering recommendations, in Proceedings of the 2000 ACM conference on Computer supported cooperative work.
, Improving collaborative filtering-based recommender systems results using Pareto dominance.
in Proceedings of the 7th IEEE International Conference on Computer and Information Technology.
, Item-based collaborative filtering recommendation algorithms, in Proceedings of the 10th international conference on World Wide Web. 2001, ACM: Hong Kong, Hong Kong.
Riedl, Recommender systems in e-commerce, in Proceedings of the 1st ACM conference on Electronic commerce.