یک سیستم توصیه گر وب برای پیش بینی صفحات موردنظر کاربر با استفاده از رویکردی مبتنی بر وزن دهی ترکیبی

با توجه به رشد روزافزون صفحات موجود در سطح وب، وجود سیستمی که اطلاعات موردنیاز را از میان حجم عظیم داده ها که روزبه روز نیز در حال افزایش می باشند استخراج کند ضروری به نظرمی رسد. سیستم های توصیه گر ابزار یا تکنیک هایی برای فیلتر کردن انبوه اطلاعات هستند و به کاربران اقلامی را پیشنهاد می کنند که برای آن ها رضایت بخش و موردعلاقه هستند. در سیستم های توصیه گر با چالش هایی مانند شروع سرد و پراکندگی داده ها مواجه هستیم که در این مقاله با استفاده از روش مبتنی بر وزن دهی و خوشه بندی، سعی در رفع این چالش ها نمودیم. در این تحقیق به ارائه روش جدیدی به منظور بهبود سیستم های توصیه گر در زمینه وب پرداخته می شود که می تواند صفحات موردنظر کاربر را پیش بینی کند و پیشنهادهای مناسبی را به کاربر ارائه دهد. اساس کار این سیستم توصیه گر استفاده از فیلترینگ مشارکتی و موارد مورد جستجوی کاربر درگذشته می باشد که با انجام عملیات های خوشه بندی ترکیبی از دو الگوریتم K-means و C-means و سپس وزن دهی صفحات موردعلاقه کاربر، لیستی از صفحات را در اختیار کاربر قرار می دهد که کاربر در نظر دارد آن را جستجو کند. طبق تحقیقات صورت گرفته این سیستم توصیه گر تا ۸۵ درصد می تواند صفحات موردنیاز کاربر را به درستی تشخیص و مورد پیش بینی قرار دهد.

Keywords:

سیستم توصیه گر , وزن دهی , داده کاوی , وبکاوی , فیلترینگ مشارکتی