پینو: یک سامانه توصیه‌گر با استفاده از کاوش در سیاهه‌های وب

سامانه‌های توصیه‌گر در وبگاه‌ها شخصی‌سازی وب را به‌صورت هوشمند و برخط با ارائه پیشنهادهایی به کاربران انجام می‌دهند. این سامانه‌ها را می‌توان با مدل‌سازی شیوه‌های دسترسی کاربران با استفاده از کاوش در سیاهه‌های وب ایجاد نمود. به بیانی دیگر می‌توان الگوهای دسترسی کاربران را با روش‌های داده‌کاوی از سیاهه‌های وب استخراج کرد؛ سپس به کاربران بر پایه این الگوها پیشنهاد داد. سامانه‌های توصیه‌گر گوناگونی مبتنی بر کاوش در سیاهه‌های وب ایجاد شده‌اند اما هنوز بهبود کارایی و پیچیدگی آن‌ها موضوعی چالش‌برانگیز است. در این مقاله، سامانه توصیه‌گری بنام پینو مبتنی بر کاوش در سیاهه‌های وب به همراه رویکرد جدیدی برای استخراج الگوهای دسترسی در آن ارائه شده است. در این رویکرد ابتدا شیوه‌های دسترسی کاربران با گرافی جهت‌دار و وزن‌دار مدل می‌شوند. صفحات، راس‌های این گراف و یال‌ها نشان‌دهنده ارتباط بین آن‌ها بر اساس تکرارهای با هم صفحات هستند. وزن یال‌ها بر اساس معکوس احتمال شرطی مشاهده صفحات با در نظر گرفتن ترتیب آن‌ها محاسبه می‌شود سپس صفحات با بخش‌بندی گراف شیوه‌های دسترسی کاربران بر پایه کوتاه‌ترین مسیرها خوشه‌بندی می‌شوند. پیشنهاددهی بر پایه این الگوها با پیچیدگی زمانی ثابت و سازگار با فراموش‌کاری پروتکل http انجام می‌گیرد. سامانه پینو بر روی سیاهه‌های یک سرور مورد ارزیابی قرار گرفته است. اثربخشی پیشنهاددهی با معیارهای قابلیت پیشنهاددهی، پیشنهادهای درست، دقت و پوشش ارزیابی شده است. نتایج ارزیابی نشان‌دهنده توانایی سامانه پینو در بهبود کیفیت پیشنهادها است به‌گونه‌ای که میانگین همساز بین این معیارها در سامانه پینو به 57% رسیده که نسبت به سامانه‌های پیشین 12% بهبود یافته است.

Pino: A Recommender System using Web Usage Mining

Recommender systems for websites do web personalization online and intelligently using recommendations to the users. These systems can be developed by web usage mining techniques which model user navigation patterns. In other words, data mining methods can be used to discover user access patterns from web logs. Then, recommendations to the users are provided based on these patterns. A variety of recommender systems based on web usage mining have been proposed, although improving the efficiency and complexity of them is still a challenging issue. In this paper, a recommender system called Pino has been proposed. A new approach for mining access patterns is proposed in Pino. In this approach, users' navigation patterns are modeled with a directed and weighted graph. Its vertices are webpages and the edges indicate their correlation based on cooccurrence frequencies between webpages. The weight of edges is calculated on the basis of the inverse conditional probability of viewing the webpages by considering their order. Then, webpages are clustered by partitioning this graph based on shortest paths. Recommendations will be generated based on discovered patterns with constant time complexity and with consistency to the statelessness property of HTTP protocol. Pino has been evaluated on web server logs. The effectiveness of recommendations has been evaluated by criteria applicability recommendation, correct recommendations, accuracy and coverage. Evaluation results indicate the ability of the system to improve quality of recommendations so that the harmony mean of these criteria in Pino system has reached 57% improved by 12% compared to previous systems.