علوم رایانشی

علوم رایانشی

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

نوع مقاله : مقاله پژوهشی

نویسندگان
رضا مولایی فرد 1
پیام یاراحمدی 2
جواد محمدزاده 3
1 دانشکده مهندسی کامپیوتر، دانشگاه علوم و تحقیقات، تهران، ایران
2 دانشکده مهندسی کامپیوتر، دانشگاه ملیّ تاواس شوچنکو، کیف، اکراین
3 گروه مهندسی کامپیوتر، دانشکده هوش مصنوعی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران
10.22034/csj.2024.197227
چکیده
با توجه به رشد روزافزون صفحات موجود در سطح وب، وجود سیستمی که اطلاعات موردنیاز را از میان حجم عظیم داده‌ها که روزبه‌روز نیز در حال افزایش می‌باشند استخراج کند ضروری به نظرمی‌رسد. سیستم‌های ‌توصیه‌گر ابزار یا تکنیک‌هایی برای فیلتر کردن انبوه اطلاعات هستند و به کاربران اقلامی را پیشنهاد می‌کنند که برای آن‌ها رضایت‌بخش و موردعلاقه هستند. در سیستم‌های ‌توصیه‌گر با چالش‌هایی مانند شروع سرد و پراکندگی داده‌ها مواجه هستیم که در این مقاله با استفاده از روش مبتنی بر ‌وزن‌دهی و خوشه‌بندی، سعی در رفع این چالش‌ها نمودیم. در این تحقیق به ارائه روش جدیدی به‌منظور بهبود سیستم‌های ‌توصیه‌گر در زمینه وب پرداخته می‌شود که می‌تواند صفحات موردنظر کاربر را پیش‌بینی کند و پیشنهادهای مناسبی را به کاربر ارائه دهد. اساس کار این سیستم ‌توصیه‌گر استفاده از فیلترینگ مشارکتی و موارد مورد جستجوی کاربر درگذشته می‌باشد که با انجام عملیات‌های خوشه‌بندی ترکیبی از دو الگوریتم K-means و C-means و سپس ‌وزن‌دهی صفحات موردعلاقه کاربر، لیستی از صفحات را در اختیار کاربر قرار می‌دهد که کاربر در نظر دارد آن را جستجو کند. طبق تحقیقات صورت گرفته این سیستم ‌توصیه‌گر تا 85 درصد می‌تواند صفحات موردنیاز کاربر را به‌درستی تشخیص و مورد پیش‌بینی قرار دهد.
کلیدواژه‌ها
سیستم توصیه گر
وزن دهی
داده کاوی
وبکاوی
فیلترینگ مشارکتی
موضوعات

  1. 1.Gheisari, M., Hamidpour, H., Liu, Y., Saedi, P., Raza, A., Jalili, A., ... & Amin, R. (2023). Data Mining Techniques for Web Mining: A Survey. In Artificial Intelligence and Applications (Vol. 1, No. 1, pp. 3-10).‏

    2.Batool, S., Rashid, J., Nisar, M. W., Kim, J., Kwon, H. Y., & Hussain, A. (2023). Educational data mining to predict students' academic performance: A survey study. Education and Information Technologies, 28(1), 905-971.‏

    3.Dol, S. M., & Jawandhiya, P. M. (2023). Classification Technique and its Combination with Clustering and Association Rule Mining in Educational Data Mining—A survey. Engineering Applications of Artificial Intelligence, 122, 106071.‏

    4.Yu, B., Mao, W., Lv, Y., Zhang, C., & Xie, Y. (2022). A survey on federated learning in data mining. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 12(1), e1443.‏

    5.Yates, D., & Islam, M. Z. (2022). Data mining on smartphones: An introduction and survey. ACM Computing Surveys, 55(5), 1-38.‏

    6.Hamdi, A., Shaban, K., Erradi, A., Mohamed, A., Rumi, S. K., & Salim, F. D. (2022). Spatiotemporal data mining: a survey on challenges and open problems. Artificial Intelligence Review, 1-48.‏

    7.Xiao, W., Ji, P., & Hu, J. (2022). A survey on educational data mining methods used for predicting students' performance. Engineering Reports, 4(5), e12482.‏

    8.Riehle, D., Harutyunyan, N., & Barcomb, A. (2021). Pattern discovery and validation using scientific research methods. arXiv preprint arXiv:2107.06065.‏

    1. Alhijawi, B. & Kilani, Y. (2020). The recommender system: A survey. International Journal of Advanced Intelligence Paradigms, 15(3), 229-251.‏
    2. Pradhan, N. & Dhaka, V. S. (2020). Comparison-Based Study of PageRank Algorithm Using Web Structure Mining and Web Content Mining. In Smart Systems and IoT: Innovations in Computing (pp. 719-729). Springer, Singapore.‏
    3. Leskovec, J. Rajaraman, A. & Ullman, J. D. (2020). Mining of massive data sets. Cambridge university press.‏

    12.Maazouzi, F. Zarzour, H. & Jararweh, Y. (2020). An effective recommender system based on clustering technique for ted talks. International Journal of Information Technology and Web Engineering (IJITWE), 15(1), 35-51.

    1. Chawla, S. (2018). Web page recommender system using hybrid of genetic algorithm and trust for personalized web search. Journal of Information Technology Research (JITR), 11(2), 110-127.
    2. Bourkoukou, Outmane, and Omar Achbarou. "Weighting based approach for learning resources recommendations." JOIV: International Journal on Informatics Visualization 2, no. 3 (2018): 104-109.
    3. Riyahi, M. & Sohrabi, M. K. (2020). Providing effective recommendations in discussion groups using a new hybrid recommender system based on implicit ratings and semantic similarity. Electronic Commerce Research and Applications, 40, 100938.
    4. مولایی فرد، مصلح. ارائه یک سیستم ‌توصیه‌گر وب برای پیش‌بینی صفحات مورد علاقه کاربر با استفاده از الگوریتم خوشه‌بندی DBSCAN و روش SVM یادگیری ماشین. فصلنامه فناوری اطلاعات و ارتباطات ایران. 57(57), 77.

    17.Wu, J., He, X., Wang, X. et al. Graph convolution machine for context-aware recommender system. Front. Comput. Sci. 16, 166614 (2022).

    18.Tanwar, A., Vishwakarma, D.K. A deep neural network-based hybrid recommender system with user-user networks. Multimed Tools Appl (2022).

    19.Alhijawi, B., AL-Naymat, G. Novel Positive Multi-Layer Graph Based Method for Collaborative Filtering Recommender Systems. J. Comput. Sci. Technol. 37, 975–990 (2022).

    1. Kiran, A. & Vasumathi, D. (2020). Data Mining: Min–Max Normalization Based Data Perturbation Technique for Privacy Preservation. In Proceedings of the Third International Conference on Computational Intelligence and Informatics (pp. 723-734). Springer, Singapore.
    2. J. C. Bezdek, R. Ehrilch, W. Full, 1984, “FCM: THE FUZZY c-MEANS CLUSTERING ALGORITHM “, Elsevier Computer and Geoscience, Vol. 10, No. 2-3, PP. 191-203.
    3. Luengo, J. García-Gil, D. Ramírez-Gallego, S. García, S. & Herrera, F. (2020). Big Data Preprocessing: Enabling Smart Data. Springer Nature.
    4. Bourkoukou, O., & Achbarou, O. (2018). Weighting based approach for learning resources recommendations. JOIV: International Journal on Informatics Visualization, 2(3), 104-109.