بهبود سیستم‌های توصیه‌گر وب از طریق مهندسی ویژگی برای پیش‌بینی لینک‌های بعدی کاربران
محورهای موضوعی : مهندسی کامپیوتر و فناوری اطلاعاتوحید صفاری 1 , کرم الله باقری فرد 2 , حمید پروین 3 , صمد نجاتیان 4 , وحیده رضایی 5
1 - گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران
2 - گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران
3 - گروه مهندسی کامپیوتر ، واحد نورآباد ممسنی، دانشگاه آزاد اسلامی، نورآباد، ایران
4 - گروه مهندسی برق ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران
5 - دانشگاه آزاد اسلامی واحد یاسوج، دانشکده علوم پایه، گروه ریاضی
کلید واژه: وب کاوی, مهندسی ویژگی, مدل‌سازی رفتار کاربر, پیش‌بینی صفحه بعدی ,
چکیده مقاله :
در دوران رشد چشم‌گیر محتوای آنلاین و مشارکت گسترده کاربران، درک رفتار کاربر و ارائه پیشنهادات دقیق محتوا چالش اساسی است. این مقاله رویکرد جامعی را برای بهبود دقت پروفایل‌دهی کاربر و افزایش دقت پیشنهاد صفحات وب ارائه می‌دهد. با معرفی ویژگی "مدت ارتباط کاربر با صفحات وب"، به طور قابل‌توجهی در بهبود پروفایل‌های کاربری کمک شده‌است. بهره‌گیری از این پروفایل‌های غنی‌شده، پیش‌بینی بازدید بعدی کاربر از صفحات وب را تسهیل می‌کند. در ارزیابی این مدل، مقایسه با یک سناریو بدون این ویژگی نشان می‌دهد که اضافه کردن این ویژگی باعث افزایش قابل ملاحظه‌ای در دقت پیش‌بینی می‌شود. همچنین، تحلیلی از خوشه‌بندی با استفاده از الگوریتم‌های k-means و k-medoids نشان می‌دهد که k-medoids تنوع بیشتری در دسته‌بندی نمونه‌ها دارد. نتایج این مقاله برتری استفاده از k-medoids را در این زمینه نشان می‌دهد و اهمیت تعیین اندازه بهینه خوشه‌ها را تأکید می‌کند. در نهایت، این تحقیق به توسعه یک سیستم پیشنهاد وب که توانایی پیش‌بینی دقیق مقصد وب بعدی کاربر را دارد، منجر شده است. این رویکرد باعث ارتقای دقت مدل در پیشنهاد لینک به کاربر می‌گردد و چشم‌انداز پیشرفت‌های بیشتر در این زمینه را فراهم می‌سازد.
Given the remarkable growth in online content and extensive user engagement, understanding user behavior and providing accurate content recommendations stands as a significant challenge in data mining and recommendation systems. This article introduces a comprehensive approach to enhance user profiling accuracy and increase precision in web page recommendations. It initiates this process by introducing an innovative feature called "user engagement duration with web pages," significantly aiding in improving user profiles. Leveraging these enriched profiles facilitates predicting a user's next web page visit. Evaluating this model, comparison with a scenario lacking this new feature demonstrates a substantial increase in prediction accuracy upon its inclusion. Additionally, we delve into cluster analysis, employing k-means and k-medoids algorithms, where k-medoids demonstrate greater diversity in sample clustering. The paper establishes the superiority of using k-medoids in this domain and emphasizes the importance of determining optimal cluster sizes. Ultimately, this research culminates in developing a web recommendation system capable of highly accurate predictions regarding the user's next web destination. Hence, the proposed approach enhances the model's precision in recommending links to users and promises further advancements in this field.
L. WangBin, "Web Mining Research," in 5th International Conference on Computational Intelligence and Multimedia Applications, 2003.
F.O. Isinkaye, Y.O. Folajimi, B.A. Ojokoh,, "Recommendation systems: Principles, methods and evaluation," Egyptian Informatics Journal, vol. 16, no. Issue 3, pp. 261-273, 2015.
Zhang, Q., Lu, J. & Jin, Y, " Artificial intelligence in recommender systems," Complex Intell, vol. 7, no. 1, p. 439–457, 2021.
V. P. a. M. P. F. Mansur, "A review on recommender systems," in International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS), Coimbatore, India, 2017.
I. T. Afolabi, "Semantic Web mining for Content-Based Online Shopping Recommender Systems," . International Journal of Intelligent Information Technologies (IJIIT), vol. 15, no. 4, pp. 41-56, 2019.
"www.Ehadish.com," [Online].
H. Hasija, "Recommender system with web usage mining based on fuzzy c means and neural networks," in International Conference on Next Generation Computing Technologies, Dehradun, India, 2015.
Katarya, R., Verma, O.P, "An effective web page recommender system with fuzzy," Multimed Tools Appl, vol. 76, no. 20, p. 21481–21496, 2017.
F. Darbandi Monfared, "A novel web page recommender using data automatic clustering," SN Applied Sciences, vol. 1, p. 1719, 2019.
María N. Moreno, Saddys Segrera, Vivian F. López, María Dolores Muñoz, "Web mining based framework for solving usual problems," Neurocomputing, vol. 176, pp. 72-80, 2016.
T. Bhattacharya, A. Jaiswal and V. Nagpal, "Web usage mining and text mining in the environment of web personalization for ontology development of recommender systems," in 5th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO), Noida, India, 2016.
A. G. M. E. Badr Hssina, "Recommendation system using the k-nearest neighbors and singular value decomposition algorithms," International Journal of Electrical and Computer Engineering (IJECE), Vols. 11,No 6, pp. 5541-5548, 2021.
Muhammad Waqar, Nadeem Majeed, Hassan Dawood, Ali Daud & Naif Radi, "An adaptive doctor-recommender system," Behaviour & Information Technology, vol. 38, no. 9, pp. 959-973, 2019.
R. &. P. J. Wagh, "A Novel Web Page Recommender System for Anonymous Users Based on Clustering," Asian Journal For Convergence In Technology (AJCT), vol. 5, no. 1, 2019.
Manikandan, R., Saravanan, V, "A novel approach on Particle Agent Swarm Optimization (PASO) in semantic mining for web page recommender system of multimedia data: a health care perspective," Multimed Tools Appl, vol. 79, p. 3807–3829, 2020.