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. Manuscript profile

Efficiency and evaluation is one of the main and most important demands of organizations, companies and institutions. As these organizations deal with a large amount of data, therefore, it is necessary to evaluate them on the basis of scientific methods to improve their efficiency. Data envelopment analysis is a suitable method for measuring the efficiency and performance of organizations. This paper has been conducted to evaluate the performance and efficiency of decision making units. First, using the data envelopment analysis, the BCC output oriented model, these units are ranked and the shortcoming of the model in terms of efficacy measurement and separation are determined. Then, to overcome such problems, a combined method of data envelopment analysis; the BCC output oriented model and artificial neural network are used to evaluate the efficiency of these units and finally the results of the two models are compared.Given the efficiency obtained with the BCC output oriented method, it was observed that the amount of efficiency for some units which leads for these units not to be ranked but using the proposed NEURO-DEA method, no two units have the same efficiency and given the obtained efficiency, these units can be evaluated and ranked. Manuscript profile

The article suggests an algorithm for regular classifier ensemble methodology. The proposed methodology is based on possibilistic aggregation to classify samples. The argued method optimizes an objective function that combines environment recognition, multi-criteria aggregation term and a learning term. The optimization aims at learning backgrounds as solid clusters in subspaces of the high-dimensional feature-space via an unsupervised learning including an attribute discrimination component. The unsupervised clustering component assigns degree of typicality to each data pattern in order to identify and reduce the effect of noisy or outlaid data patterns. Then, the suggested technique obtains the best combination parameters for each background. The experimentations on artificial datasets and standard SONAR dataset demonstrate that our classifier ensemble does better than individual classifiers in the ensemble. Manuscript profile