یک سیستم توصیه گر وب برای پیش ‌بینی صفحات مورد نظر کاربر با استفاده از رویکردی مبتنی بر وزن دهی ترکیبی

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 پیش ‌بینی قرار دهد.