پایان نامه ایجاد یک سیستم توصیه‌گر در وب با بهره‌گیری از نمایه‌های کاربران و روشهای یادگیری ماشین
فرمت فایل دانلودی: .docxفرمت فایل اصلی: docx
تعداد صفحات: 88
پایان نامه ایجاد یک سیستم توصیه‌گر در وب با بهره‌گیری از نمایه‌های کاربران و روشهای یادگیری ماشین
نوع فایل: word (قابل ویرایش)
تعداد صفحات : 88 صفحه
چکیده
گسترش وب که فاقد یک ساختار یکپارچه است مشکلات متعددی را برای کاربران ایجاد می‌نماید. عدم یافتن اطلاعات مورد نیاز کاربران در این انباره‌ی عظیم یکی از مشکلات کاربران وب می‌باشد. به منظور مقابله با این مشکلات سیستم‌های شخصی سازی وب ارائه شده است که با یافتن الگوهای رفتاری کاربران بدون درخواست صریح آنها قادر هستند تا پیشنهاداتی مطابق با علایق کاربران به آنها ارائه دهند. بنابراین امروزه وجود یک سیستم پیشنهاد دهنده که بتواند براساس الگوهای کشف شده از پیمایش کاربران توصیه هایی به صورت اتوماتیک به کاربر جاری ارائه دهد ضروری است. اخیرا روشهای وب کاوی به منظور شخصی‌سازی وب به کار گرفته می‌شوند. در این میان تکنیک های وب کاوی مبتنی بر کاربرد به منظور کشف الگوهای رفتاری کاربران ارائه شده است که این تکنیک ها با بهره گیری از ثبت‌های وب سرورها به صورت ضمنی می‌توانند الگوهای رفتاری کاربران را استخراج کنند. در این تحقیق روشی برای ایجاد نمایه کاربران ارائه شده است که با بهره‌گیری از وب کاوی مبتنی بر کاربرد یک الگوی حرکتی جهت کاربران با استفاده از شبکه‌های عصبی ایجاد می‌نماید تا بتواند درخواست‌های آینده کاربر را پیش بینی و سپس لیستی از صفحات مورد علاقه کاربر را تولید نماید. نتایج تحقیق نشان می‌دهد که سیستم پیشنهادی نسبت به سیستم‌های پیشین از دقت مناسبی برخوردار می‌باشد.
کلمات کلیدی: نمایه کاربر، شبکه عصبی، خوشه بندی، وب کاوی مبتنی بر کاربرد
فهرست مطالب
فصل اول: کلیات تحقیق 2
۱-۱- بیان مسئله 3
۱-۲- ضرورت تحقیق 4
۱-۳- اهداف تحقیق 5
۱-۴- ساختار تحقیق 5
فصل دوم: ادبیات موضوع 7
۲-۱- تعریف واژگان و اصطلاحات 8
۲-۲- چالش های وب 9
۲-۳- انواع روشهای وب کاوی 10
۲-۳-۱- وب کاوی مبتنی بر کاربرد 11
۲-۳-۲- وب کاوی مبتنی بر محتوا 14
۲-۳-۳- وب کاوی مبتنی بر ساختار 15
۲-۴- شخصی سازی وب 16
۲-۴-۱- فواید سیستم شخصی سازی وب 20
۲-۴-۲- سیستم‌های فیلتر کننده‌ی مبتنی بر قانون 20
۲-۴-۳- سیستم‌های فیلتر کننده‌ی مبتنی بر محتوا 20
۲-۴-۴- سیستم‌های فیلتر کننده‌ی مشارکتی 21
۲-۵- سیستم‌های توصیه‌گر 21
۲-۶- شخصی سازی وب براساس وب کاوی مبتنی بر کاربرد 22
۲-۷- منابع داده 24
۲-۷-۱- داده های کاربرد 24
۲-۷-۲- داده های محتوا 25
۲-۷-۳- داده های ساختار 25
۲-۸- خوشه بندی 26
۲-۸-۱- الگوریتم K-Means 27
۲-۸-۲- معیارهای شباهت 28
۲-۹- شبکه‌های عصبی 30
فصل سوم: کارهای پیشین 32
۳-۱- رویکردهای مبتنی بر کاوش قواعد انجمنی و خوشه بندی 33
۳-۲- روشهای ترکیبی در شخصی‌سازی وب 38
۳-۳- رویکردهای مبتنی بر شاخص گذاری و کلمات کلیدی 42
۳-۴- مروری بر سیستم‌های پیشنهاد دهنده وب 43
۳-۴-۱- سیستم پیشنهاد دهنده وب 43
۳-۴-۲- روشهای تولید پیشنهاد 44
۳-۴-۲-۱- روش های مبتنی بر فیلتر مشارکتی 44
۳-۴-۲-۲- روشهای مبتنی بر محتوا 44
۳-۴-۲-۳- روش های مبتنی بر دانش 45
۳-۴-۲-۴- سیستم های پیشنهاد دهنده ترکیبی 46
۳-۴-۳- مقایسه روشهای تولید پیشنهاد 46
فصل چهارم: روش پیشنهادی 49
۴-۱- پیش پردازش داده‌ها 51
۴-۱-۱- پاکسازی داده‌ها 51
۴-۱-۲- شناسایی و بازسازی نشست‌های بازدید کاربران 52
۴-۲- ایجاد نمایه برای شخصی سازی در وب 52
۴-۲-۱- ایجاد بردار نشست 52
۴-۲-۲- پاکسازی نشست‌ها 54
۴-۲-۳- ساخت نمایه کاربران 55
۴-۳- خوشه بندی نمایه‌ها براساس رفتار کاربران 55
۴-۴- ساخت سیستم توصیه‌گر با استفاده از شبکه‌های عصبی 56
فصل پنجم: پیاده‌سازی و ارزیابی روش پیشنهادی 58
۵-۱- مرحله پیش پردازش و ساخت بردارهای نشست 59
۵-۲- مرحله خوشهبندی 61
۵-۳- مرحله تولید پیشنهادات با استفاده از شبکه‌ی عصبی 62
۵-۴- ارزیابی سیستم پیشنهادی 63
فصل ششم: نتیجه‌گیری و پیشنهادات آتی 66
۶-۱- نتایج تحقیق و تحلیل ها 67
۶-۲- کارهای آتی 68
فهرست مراجع ۷۰
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.