فاطمه گلی - کارشناس ارشد مهندسی فناوریاطلاعات، گروه مهندسی کامپیوتر،دانشکده فنی و مهندسی، واحد تهرانمرکزی، دانشگاه آزاد اسلامی، تهران،ایران.
ایمان عطارزاده - هیات علمی گروه مهندسی کامپیوتر،دانشکده فنی و مهندسی، واحد تهرانمرکزی، دانشگاه آزاد اسلامی، تهران،ایران.
رضا روانمهر - هیات علمی گروه مهندسی کامپیوتر،دانشکده فنی و مهندسی، واحد تهرانمرکزی، دانشگاه آزاد اسلامی، تهران،ایران

امروزه شبکه جهانی وب به محیطی مهم و کاربردی برای انجام فعالیتهای مختلف تبدیل شده است. یکی از فعالیتهای رایجی که امروزه در بستر اینترنت رو به افزایش است، تجارت الکترونیک است. به دلیل استقبال شدید افراد از تجارت الکترونیک حجم اطلاعات موجود در بستر اینترنت بسیار زیاد است و این انفجار اطلاعات ممکن است باعث توصیه های نادرست به افراد و نارضایتی آنها از تجارت الکترونیک شود، بنابراین برای رفع این مشکل و به منظور بهبود روشهای بهره گیری از تجارت الکترونیک امروزه استفاده از سیستمهای توصیه گر امری بسیار مفید و رایج است. تاکنون الگوریتمهای مختلفی برای بهبود سیستمهای توصیه گر به کار رفته است که بسیاری از آنها از مشکلاتی مانند شروع سرد و مشکلاتی نظیر آن رنج میبرند. در این پایان نامه به منظور افزایش دقت در سیستم توصیه گر تجارت الکترونیک از تکنیکهای داده کاوی، یعنی از روش خوشه بندی و قوانین انجمنی استفاده شده است. بدینصورت که ابتدا از الگوریتم خوشهبندیk-means برای خوشه بندی داده ها استفاده شده است و سپس بهمنظور کشف الگو از الگوریتم Fp-growth استفاده شده است. در این پایاننامه سعی بر این است که با بهکارگیری این دو الگوریتم و استفاده از نتایج آنها بهطور همزمان بتوان دقت توصیه را در سیستمهای توصیهگر بهبود بخشید. به جهت ارزیابی و پیادهسازی روش پیشنهادی از دیتاست Movielens ۱۰۰k و نرمافزار Rapidminer استفاده شده است و درنهایت با استفاده ازشاخصها و معیارهای ارزیابی موجود و تغییر در میزان شاخصها سعی شده تا بتوان به بهترین حالتی که دقت در آن بیشینه می شود دست یافت. نتایج نشان میدهد با تغییر در شاخصهای ارزیابی میتوان به بیشترین تعداد خوشه در خوشه بندی k-meansوبیشترین تعداد الگو در الگوریتمFp-growthدست یافت و درنتیجه دقت سیستم توصیهگر را افزایش داد. همچنین مقایسه این تحقیق با سایر روش های مشابه حاکی از بهبود نتایج در این روش است

تجارت الکترونیک، سیستم توصیه گر، داده کاوی، خوشه بندی، قوانین وابستگی.