بهبود سیستم‌های توصیه‌گر وب از طریق مهندسی ویژگی برای پیش‌بینی لینک‌های بعدی کاربران

در دوران رشد چشم گیر محتوای آنلاین و مشارکت گسترده کاربران، درک رفتار کاربر و ارائه پیشنهادات دقیق محتوا چالش اساسی است. این مقاله رویکرد جامعی را برای بهبود دقت پروفایل دهی کاربر و افزایش دقت پیشنهاد صفحات وب ارائه می دهد. با معرفی ویژگی مدت ارتباط کاربر با صفحات وب، به طور قابل توجهی در بهبود پروفایل های کاربری کمک شده است. بهره گیری از این پروفایل های غنی شده، پیش بینی بازدید بعدی کاربر از صفحات وب را تسهیل می کند. در ارزیابی این مدل، مقایسه با یک سناریو بدون این ویژگی نشان می دهد که اضافه کردن این ویژگی باعث افزایش قابل ملاحظه ای در دقت پیش بینی می شود. همچنین، تحلیلی از خوشه بندی با استفاده از الگوریتم های k-means و k-medoids نشان می دهد که k-medoids تنوع بیشتری در دسته بندی نمونه ها دارد. نتایج این مقاله برتری استفاده از k-medoids را در این زمینه نشان می دهد و اهمیت تعیین اندازه بهینه خوشه ها را تاکید می کند. در نهایت، این تحقیق به توسعه یک سیستم پیشنهاد وب که توانایی پیش بینی دقیق مقصد وب بعدی کاربر را دارد، منجر شده است. این رویکرد باعث ارتقای دقت مدل در پیشنهاد لینک به کاربر می گردد و چشم انداز پیشرفت های بیشتر در این زمینه را فراهم می سازد.

improving web recommendation systems via feature engineering for anticipating user's subsequent links

given the remarkable growth in online content and extensive user engagement, understanding user behavior and providing accurate content recommendations stands as a significant challenge in data mining and recommendation systems. this article introduces a comprehensive approach to enhance user profiling accuracy and increase precision in web page recommendations. it initiates this process by introducing an innovative feature called user engagement duration with web pages, significantly aiding in improving user profiles. leveraging these enriched profiles facilitates predicting a user's next web page visit. evaluating this model, comparison with a scenario lacking this new feature demonstrates a substantial increase in prediction accuracy upon its inclusion. additionally, we delve into cluster analysis, employing k-means and k-medoids algorithms, where k-medoids demonstrate greater diversity in sample clustering. the paper establishes the superiority of using k-medoids in this domain and emphasizes the importance of determining optimal cluster sizes. ultimately, this research culminates in developing a web recommendation system capable of highly accurate predictions regarding the user's next web destination. hence, the proposed approach enhances the model's precision in recommending links to users and promises further advancements in this field.