ایجاد یک سیستم توصیه گر در وب با بهره گیری از کاوش استفاده از وب و نمایه های کاربران

شبکه جهانی وب منبع عظیمی از اطلاعات می باشد که به دلیل در دسترس بودن اطلاعات مفید و اطلاعاتی که به طور پویا در حال تغییر هستند، امروزه به طور گسترده مورد استفاه قرار می گیرد. کاربران اغلب به واسطه ی مقدار زیاد صفحات وب سردرگم می گردند و جستجوی اطلاعات مناسب مرتبط با علاقمندی های آنها دشوار می باشد. با توجه با این مشکل، نیاز به سیستمی که بتواند کاربران را به گزینه ها و سرویس های مورد نظرشان راهنمایی کند، ضروری می باشد. سیستم های توصیه گر از بین یک مجموعه ی بزرگ از علاقمندی های کاربر، گزینه هایی را که ممکن است کاربر بیشتر به آنها علاقمند باشد را پیشنهاد می دهند. کاوش استفاده از وب برای عمل کردن بر روی ثبت های سرور که شامل گردش کاربر می باشد، طراحی شده است، بنابراین سیستم های توصیه گر از کاوش استفاده از وب برای پیش بینی الگوی گردشی کاربر و پیشنهاد دادن آنها در قالب لیست پیشنهاد استفاده می کنند. در این پایان نامه، ما یک سیستم توصیه گر مبتنی بر کاوش استفاده از وب در دو فاز برخط و برون خط پیشنهاد نموده ایم. در فاز برون خط، ابتدا ثبت های دسترسی کاربر برای شناسایی نشست های کاربر تجزیه و تحلیل می شوند. سپس، نمایه های کاربران با استفاده از اطلاعات بدست آمده از ثبت های سرور و بر مبنای معیارهای فرکانس دسترسی به صفحات، زمان سپری شده توسط کاربر در صفحات و همچنین تاریخ بازدید از صفحات ساخته شده است. تاریخ این گونه اهمیت خود را نشان می دهد که احتمال درخواست صفحات جدید نسبت به صفحات قدیمی برای کاربران بیشتر است و صفحات قدیمی احتمال بازدید کمتری دارند زیرا کاربران به دنبال اطلاعات جدید هستند. پس از ساخت نمایه های کاربران، با استفاده از الگوریتم خوشه بندی fuzzy c-means و معیار مشابهت s(c) کاربران با علاقمندی های مشابه در خوشه های یکسان دسته بندی شده اند. در فاز برخط، یک شبکه عصبی برای کشف مدل پیشنهاد ارائه شده و پیشنهادات برخط برای کاربر فعال با استفاده از ماژول پیشنهاد تولید شده است. لیست پیشنهاد بر اساس میزان علاقمند بودن کاربر به صفحات و رتبه صفحات در موتورهای جستجو ارزیابی شده صفحات مناسب کاربر فعال پیشنهاد می شود. آزمایشات انجام شده نشان می دهد روش پیشنهادی در پیش بینی درخواست های آتی کاربر نسبت به روش های مورد مقایسه از دقت و پوشش مناسبی برخوردار است.