ارائه یک سیستم توصیه گر وب برای پیش بینی صفحات مورد علاقه کاربر با استفاده از الگوریتم خوشه بندی dbscan و روش svm یادگیری ماشین

امروزه با توجه به رشد روزافزون صفحات وب، وجود سیستمی که بتواند اطلاعات موردنیاز کاربران را از میان حجم عظیم داده های موجود در سطح وب استخراج کند لازم و ضروری به نظر می رسد. سیستمهای توصیه گر می توانند درخواست های آینده کاربر را پیش بینی و سپس لیستی از صفحات موردعلاقه کاربر را تولید کند. در این تحقیق به ارائه روش جدیدی به‌منظور بهبود سیستم‌های توصیه گر در زمینه وب پرداخته می‌شود که از الگوریتم خوشه‌بندی dbscan جهت خوشه‌بندی داده‌ها استفاده می‌شود که این الگوریتم امتیاز کارایی 99٪ را به دست آورد. سپس با استفاده از الگوریتم page rank، صفحات موردعلاقه کاربر وزن دهی می‌شوند. سپس با استفاده از روش svm، داده‌ها را دسته‌بندی و جهت تولید پیش‌بینی به کاربر به یک سیستم توصیه گر ترکیبی داده می‌دهیم که درنهایت این سیستم توصیه گر لیستی از صفحات را در اختیار کاربر قرار خواهد داد که می‌تواند موردعلاقه وی باشند. ارزیابی نتایج حاصل از تحقیق حاکی از آن بود که استفاده از این روش پیشنهادی می‌تواند امتیاز 95% را در قسمت فراخوانی و امتیاز 99% را در قسمت دقت به دست آورد که این نتایج اثبات می‌کند که این سیستم توصیه گر تا بیش از 90٪ می‌تواند صفحات موردنظر کاربر را به‌درستی تشخیص داده یعنی وقتی کاربر اقدام به جستجو نماید از هر 20 جستجو توسط کاربر قریب به 18 جستجو مطابق و موردعلاقه کاربر خواهد بود، همچنین این سیستم می تواند مشکلاتی از قبیل مشکل شروع سرد که مشکل اکثر سیستم ای توصیه گر می باشد را با استفاده از یک سیستم توصیه گر ترکیبی که این سیستم ترکیبی از دو سیستم فیلترینگ مشارکتی و سیستم مبتنی بر دانش است را تا حدود زیادی برطرف نماید و می توان گفت که سیستم پیشنهادی از موفق ترین سیستم های توصیه گر بوده است.

presenting a web recommender system for user nose pages using dbscan clustering algorithm and machine learning svm method.

recommender systems can predict future user requests and then generate a list of the user's favorite pages. in other words, recommender systems can obtain an accurate profile of users' behavior and predict the page that the user will choose in the next move, which can solve the problem of the cold start of the system and improve the quality of the search. in this research, a new method is presented in order to improve recommender systems in the field of the web, which uses the dbscan clustering algorithm to cluster data, and this algorithm obtained an efficiency score of 99%. then, using the page rank algorithm, the user's favorite pages are weighted. then, using the svm method, we categorize the data and give the user a combined recommender system to generate predictions, and finally, this recommender system will provide the user with a list of pages that may be of interest to the user. the evaluation of the results of the research indicated that the use of this proposed method can achieve a score of 95% in the recall section and a score of 99% in the accuracy section, which proves that this recommender system can reach more than 90%. it detects the user's intended pages correctly and solves the weaknesses of other previous systems to a large extent.