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
محورهای موضوعی : فناوری اطلاعات و ارتباطات
رضا مولایی فرد
1
( گروه مهندسی کامپیوتر، واحد دزفول، دانشگاه آزاد اسلامی ، دزفول، ایران. )
محمد مصلح
2
(گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد دزفول)
کلید واژه: سیستم توصیه گر, داده‌کاوی, الگوریتم DBSCAN, الگوریتم SVM, یادگیری ماشین,
چکیده مقاله :
سیستم‌های توصیه گر می‌توانند درخواست‌های آینده کاربر را پیش‌بینی و سپس لیستی از صفحات موردعلاقه کاربر را تولید کند. به‌عبارت‌دیگر سیستم های توصیه گر می توانند نمایه ایی دقیق از رفتار کاربران را به دست آورده و صفحه ایی پیش‌بینی شود که کاربر درحرکت بعدی آن را انتخاب خواهد کرد که این کار می‌تواند مشکل شروع سرد سیستم را حل و باعث کیفیت بخشیدن به جستجو شود. 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 ۹۹٪ 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 ۹۵% را در قسمت فراخوانی و امتیاز ۹۹% را در قسمت دقت به دست آورد که این نتایج اثبات می‌کند که این سیستم توصیه گر تا بیش از ۹۰٪ می‌تواند صفحات موردنظر کاربر را به‌درستی تشخیص داده و تا حدود زیادی نقاط ضعف سایر سیستم های پیشین را برطرف سازد.
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.
1.Maazouzi, F. Zarzour, H. & Jararweh, Y. (2020). An effective recommender system based on clustering technique for ted talks. International Journal of Information Technology and Web Engineering (IJITWE), 15(1), 35-51.
2. Chawla, S. (2018). Web page recommender system using hybrid of genetic algorithm and trust for personalized web search. Journal of Information Technology Research (JITR), 11(2), 110-127.
3. Bourkoukou, Outmane, and Omar Achbarou. "Weighting based approach for learning resources recommendations." JOIV: International Journal on Informatics Visualization 2, no. 3 (2018): 104-109.
4. Riyahi, M. & Sohrabi, M. K. (2020). Providing effective recommendations in discussion groups using a new hybrid recommender system based on implicit ratings and semantic similarity. Electronic Commerce Research and Applications, 40, 100938.
5. D. S. Sisodia, S. Verma, and O. P. Vyas, "Augmented intuitive dissimilarity metric for clustering of web user sessions," Journal of Information Science, vol. 43, pp. 480-491, 2017.
6. X. Xie and B. Wang, "Web page recommendation via twofold clustering: considering user behavior and topic relation," Neural Computing and Applications, vol. 29, pp. 235-243, 2018.
7. Wagh, R., & Patil, J. (2019). A Novel Web Page Recommender System for Anonymous Users Based on Clustering of Web Pages. Asian Journal For Convergence In Technology (AJCT).
8. Alashkar, T., Jiang, S., Wang, S,. and Fu, Y., 2017, “Examples-Rules Guided Deep Neural Network for Makeup Recommendation,” Proc. 31st AAAI Conference on Artificial Intelligence, .pp.941–947
9. Gupta, K. D. (2019). A Survey on Recommender System. International Journal of Applied Engineering Research, 14(14), 3274-3277.
10.Dara, S., Chowdary, C. R., & Kumar, C. (2020). A survey on group recommender systems. Journal of Intelligent Information Systems, 54(2), 271-295.
11. Jannach, D., Manzoor, A., Cai, W., & Chen, L. (2020). A Survey on Conversational Recommender Systems. arXiv preprint arXiv:2004.00646.
12. Alexandropoulos, S. A. N., Kotsiantis, S. B., & Vrahatis, M. N. (2019). Data preprocessing in predictive data mining. The Knowledge Engineering Review, 34.
13. De Giacomo, G., Lembo, D., Lenzerini, M., Poggi, A., & Rosati, R. (2018). Using ontologies for semantic data integration. In A Comprehensive Guide Through the Italian Database Research Over the Last 25 Years (pp. 187-202). Springer, Cham.
14. Zatni , abdelkarim .2018 .Document text Detection in video frames acquired by a smartphone based on line segment detector and DBSCAN clustering .Journal of engineering science and technology,vol.13,no.2,540-557.
15. Siddharth Agrawal. Machine learning-DBSCAN. Toward Data Science-2019.
16. Hu, R., Zhu, X., Zhu, Y., & Gan, J. (2020). Robust SVM with adaptive graph learning. World Wide Web, 23(3), 1945-1968.
17. Riyahi, M., & Sohrabi, M. K. (2020). Providing effective recommendations in discussion groups using a new hybrid recommender system based on implicit ratings and semantic similarity. Electronic Commerce Research and Applications, 40, 100938.
18. Livera, A., Theristis, M., Koumpli, E., Theocharides, S., Makrides, G., Sutterlueti, J., ... & Georghiou, G. E. (2021). Data processing and quality verification for improved photovoltaic performance and reliability analytics. Progress in Photovoltaics: Research and Applications, 29(2), 143-158.
19. Etienne, L., Ray, C., Camossi, E., & Iphar, C. (2021). Maritime data processing in relational databases.
20. Kumar, A., Sangwan, S. R., & Nayyar, A. (2020). Multimedia social big data: Mining. In Multimedia Big Data Computing for IoT Applications (pp. 289-321). Springer, Singapore.
21. Shao, K., Fu, W., Tan, J., & Wang, K. (2021). Coordinated approach fusing time-shift multiscale dispersion entropy and vibrational Harris hawks optimization-based SVM for fault diagnosis of rolling bearing. Measurement, 173, 108580.
22. Zhang, X., Li, C., Wang, X., & Wu, H. (2021). A novel fault diagnosis procedure based on improved symplectic geometry mode decomposition and optimized SVM. Measurement, 173, 108644.