ارائه يك سيستم توصيه گر وب براي پيش بيني صفحات مورد علاقه كاربر با استفاده از الگوريتم خوشه بندي DBSCAN و روش SVM يادگيري ماشين

امروزه با توجه به رشد روزافزون صفحات وب، وجود سيستمي كه بتواند اطلاعات موردنياز كاربران را از ميان حجم عظيم داده هاي موجود در سطح وب استخراج كند لازم و ضروري به نظر مي رسد. سيستمهاي توصيه گر مي توانند درخواست هاي آينده كاربر را پيش بيني و سپس ليستي از صفحات موردعلاقه كاربر را توليد كند. در اين تحقيق به ارائه روش جديدي به‌منظور بهبود سيستم‌هاي توصيه گر در زمينه وب پرداخته مي‌شود كه از الگوريتم خوشه‌بندي DBSCAN جهت خوشه‌بندي داده‌ها استفاده مي‌شود كه اين الگوريتم امتياز كارايي ۹۹٪ را به دست آورد. سپس با استفاده از الگوريتم Page rank، صفحات موردعلاقه كاربر وزن دهي مي‌شوند. سپس با استفاده از روش SVM، داده‌ها را دسته‌بندي و جهت توليد پيش‌بيني به كاربر به يك سيستم توصيه گر تركيبي داده مي‌دهيم كه درنهايت اين سيستم توصيه گر ليستي از صفحات را در اختيار كاربر قرار خواهد داد كه مي‌تواند موردعلاقه وي باشند. ارزيابي نتايج حاصل از تحقيق حاكي از آن بود كه استفاده از اين روش پيشنهادي مي‌تواند امتياز ۹۵% را در قسمت فراخواني و امتياز ۹۹% را در قسمت دقت به دست آورد كه اين نتايج اثبات مي‌كند كه اين سيستم توصيه گر تا بيش از ۹۰٪ مي‌تواند صفحات موردنظر كاربر را به‌درستي تشخيص داده يعني وقتي كاربر اقدام به جستجو نمايد از هر 20 جستجو توسط كاربر قريب به 18 جستجو مطابق و موردعلاقه كاربر خواهد بود، همچنين اين سيستم مي تواند مشكلاتي از قبيل مشكل شروع سرد كه مشكل اكثر سيستم اي توصيه گر مي باشد را با استفاده از يك سيستم توصيه گر تركيبي كه اين سيستم تركيبي از دو سيستم فيلترينگ مشاركتي و سيستم مبتني بر دانش است را تا حدود زيادي برطرف نمايد و مي توان گفت كه سيستم پيشنهادي از موفق ترين سيستم هاي توصيه گر بوده است.