بررسی شخصی سازی نتایج موتورهای جستجو براساس تاریخچه رفتاری کاربر با استفاده از الگوریتم خوشه بندی

باتوجه به در اختیار داشتن حجم بالای اطلاعات در زمینه های مختلف و این حقیقت که ترکیبی از داده های مفید و غیر مفید در اختیار افراد قرار می گیرد، الزام استفاده از روشهای خاص جهت استخراج اطلاعات مفید از میان حجم انبوهی از داده ها در موتور های جستجو وب مورد نیاز است. از آنجایی که در برخی از خوشه های حاصل از این الگوریتم تعدادی از کاربران به طور هم زمان در خوشه های متفاوت حاصل از خوشه بندی ظاهر می شوند بنابراین برخی از خوشه ها با یکدیگر هم پوشانی دارند که این همپوشانی برروی پوشش تاثیر می گذارد. بنابراین برای رفع مشکل ذکر شده در این مقاله الگوریتم جدیدی مبتنی بر ضریب اهمیت پیشنهاد ارایه شد. یکی از اصلی ترین مشکلات در سیستم های توصیه گر محدودیت پیش بینی در تاریخچه رفتاری کاربر است؛ با توسعه شبکه های اجتماعی، معیار اعتماد به عنوان رویکرد جدیدی برای غلبه بر مشکلات فیلترینگ مشارکتی معرفی شد. در سیستم های توصیه گر قدیمی روابط اعتماد اجتماعی صریح مابین کاربران، در نظرگرفته نمی شد این در حالی است که با استفاده از این اطلاعات می توان نقاط ضعف این سیستم ها را برطرف نمود. از این جهت در این پژوهش نیز با تمرکز بر معیار ضریب اهمیت (SSF) روشی برای رفع این مشکل سیستم های سنتی ارایه شده است. ازسوی دیگر سیستم های توصیه گر، با استفاده از ابزارهای داده کاوی مانند خوشه بندی می توانند پیشنهادهای مناسبی، برای انتخاب از بین حجم وسیعی از داده ها را فراهم سازند اما اکثر روشهای خوشه بندی مورد استفاده در سیستم های توصیه گر فقط تابعی از یک دید یعنی شباهت کاربر می باشند که عموما از کم بودن دقت و پوشش رنج می برند. لذا برای بهبود این دو مسیله، روش خوشه بندی مبتنی بر دید (SSF) ارایه شده است که در نهایت برای فاز پیش بینی نهایی از خوشه بندی پیشنهادی مورد استفاده قرار گرفته است. به منظور تحلیل اثربخشی روش پیشنهادی مجموعه داده اعتمادفیلم مورد استفاده قرارگرفته که نتایج آزمایشات، نشان دهنده بهبود دقت و پوشش روش پیشنهادی نسبت به دیگر روشهای مشابه می باشد.

Keywords:

شخصی سازی , موتورهای جستجو , رفتار کاربر , الگوریتم