مقاله رایگان درمورد رفتار انسان

با استفاده از کاوش کاربردی وب، روابط میان صفحات وب و مشاهده آنها در جلسات کاربر از طریق قوانین همبستگی کشف میشود. این روابط معمولاً برای شخصیسازی به کار میرود. همچنین میتوان ارتباط میان کاربران را از طریق مجموعه آیتمهای آنها به دست آورد. برای بهبود این روش از الگوریتم k-means استفاده میشود که در آن تراکنش‌های کاربران خوشهبندی می‌شود. یک خوشه از تراکنش نشاندهنده کارایی با رفتار مشابه است. استفاده از این روش در دادههایی با مقیاس زیاد مناسب نیست.
اطمینانی و همکارانش (Etminani, & et. al., 2009) از الگوریتم خوشهبندی مورچگان برای لاگهای پیشپردازش شده به منظور استخراج مکرر الگوها برای کشف الگو بهره گرفته و سپس آن را در یک فرمت تفسیری نمایش میدهد. در (Sujatha, & et. al., Iyakutty, 2010) یک چارچوب جدید برای بهبود کیفیت خوشه جلسات وب از طریق خوشهبندی k-means با استفاده از الگوریتم ژنتیک (GA) ارائه کرده است. در ابتدا یک الگوریتم k-means بهبود یافته برای خوشهبندی جلسات کاربران به کار گرفته میشود. شرایط اولیه تصحیحشده اجازه میدهد تا الگوریتم تکرار شونده به بهترین مینیمم محلی همگرا شود. در مرحلهی ثانویه، این مرجع به منظور بهبود کیفیت خوشهبندی، یک الگوریتم تصحیحگرا بر مبنای GA پیشنهاد داده است.
آقابزرگی و همکارش (Aghabozorgi, & Wah, 2009) استفاده از خوشهبندی فازی افزایشی را برای وب‌کاوی کاربرد پیشنهاد داده است. در این مرجع یک روش جدید برای تولید مدل دینامیک از مدل آفلاینِ تولید شده توسط خوشهبندی فازی معرفی کرده است. در این روش، برای اصلاح مدل آفلاین، تراکنشهای کاربر به صورت دورهای مورد استفاده قرار میگیرد. بدین منظور، یک روش بهبود یافته از خوشهبندی رهبر همراه با روشهای ایستا استفاده میشود تا خوشهها در یک سبک افزایشی ایجاد شوند.
در (Maratae, & Petrosino, 2009) به منظور بررسی شخصیسازی وب، یک روش هوش اکثریت ابتکاری طراحی کرده است که بدون دردسر، در تغییر الگوهای پیمایشی تنظیم میشود. این روش پیشنهادی، از رفتار انسان در یک محیط ناشناس به هنگامی که چندین افراد بطوری موازی در حال کار هستند، تقلید کرده و از توانایی پیشبینی با بهترین صحت و به صورت زمان واقعی برخوردار است.
در نهایت در (Varghese, & John, 2012) که به عنوان مقاله بیس این تحقیق می‌باشد، یک متد بهینه‌سازی خوشه‌بندی مبتنی بر منطق فازی ارائه شده است. در این تحقیق برای خوشه‌بندی صفحات وب از الگوریتم خوشه‌بندی فازی C-Means استفاده شده است. . الگوریتم خوشه- تعقیب فازی برای بهینهسازی خوشه ارائه شده است تا خوشههای صفحه وب کاربران نهایی شخصیسازی کند.
مراجع
[1]. Acharyya, S., & Ghosh, J. (2003, August). Context-sensitive modeling of web-surfing behaviour using concept trees. In Proc. of the WebKDD Workshop on Web Mining and Web Usage Analysis (pp. 1-8).
[2]. Aghabozorgi, S. R., & Wah, T. Y. (2009, December). Using incremental fuzzy clustering to web usage mining. In Soft Computing and Pattern Recognition, 2009. SOCPAR’09. International Conference of (pp. 653-658). IEEE.
[3]. Baraglia, R., & Palmerini, P. (2002, April). Suggest: A web usage mining system. In Information Technology: Coding and Computing, 2002. Proceedings. International Conference on (pp. 282-287). IEEE.Britos, P., Martinelli, D., Merlino, H., & Garc?a-Mart?nez, R. (2007). Web usage mining using self organized maps. IJCSNS, 7(6), 45.
[4]. Banerjee, S., & Pedersen, T. (2003, August). Extended gloss overlaps as a measure of semantic relatedness. In IJCAI (Vol. 3, pp. 805-810).
[5]. Dai, H. K., & Mobasher, B. (2002). Using ontologies to discover domain-level web usage profiles. Semantic Web Mining, 35.
[6]. Eirinaki, M., Vazirgiannis, M., & Varlamis, I. (2003, August). SEWeP: using site semantics and a taxonomy to enhance the Web personalization process. In Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 99-108). ACM.
[7]. Etminani, K., Akbarzadeh-Totonchi, M. R., & Yanehsari, N. R. (2009). Web Usage Mining: users’ navigational patterns extraction from web logs using ant-based clustering method. In IFSA/EUSFLAT Conf. (pp. 396-401).
[8]. Kosala, R., & Blockeel, H. (2000). Web mining research: A survey. ACM Sigkdd Explorations Newsletter, 2(1), 1-15.
[9]. Leacock, C., & Chodorow, M. (1998). Combining local context and WordNet similarity for word sense identification. WordNet: An electronic lexical database, 49(2), 265-283.
[10]. Lieberman, H., Van Dyke, N., & Vivacqua, A. (1999). Let’s browse: a collaborative browsing agent. Knowledge-Based Systems, 12(8), 427-431.
[11]. Magnini, B., & Strapparava, C. (2004). User modelling for news web sites with word sense based techniques. User Modeling and User-Adapted Interaction,14(2-3), 239-257.
[12]. Maratea, A., & Petrosino, A. (2009, November). An heuristic approach to page recommendation in web usage mining. In Intelligent Systems Design and Applications, 2009. ISDA’09. Ninth International Conference on (pp. 1043-1048). IEEE.
[13]. Markov, Z., & Larose, D. T. (2007). Data mining the Web: uncovering patterns in Web content, structure, and usage. John Wiley & Sons.
[14]. Masseglia, F., Poncelet, P., & Cicchetti, R. (2000). An efficient algorithm for web usage mining. Networking and Information Systems Journal, 2(5/6), 571-604.
[15]. Minio, M., & Tasso, C. (1996, January). User modeling for information filtering on internet services: Exploiting an extended version of the umt shell. In UM96 Workshop on User Modeling for Information Filtering on the WWW (pp. 2-5).
[16]. Miranda, T., Claypool, M., Gokhale, A., Mir, T., Murnikov, P., Netes, D., & Sartin, M. (1999). Combining content-based and collaborative filters in an online newspaper. In In Proceedings of ACM SIGIR Workshop on Recommender Systems.
[17]. Mobasher, B., Cooley, R., & Srivastava, J. (2000). Automatic personalization based on Web usage mining. Communications of the ACM, 43(8), 142-151.
[18]. Mobasher, B., Dai, H., Luo, T., Sun, Y., & Zhu, J. (2000). Integrating web usage and content mining for more effective personalization. In Electronic commerce and web technologies (pp. 165-176). Springer Berlin Heidelberg.
[19]. Nasraoui, O., Frigui, H., Krishnapuram, R., & Joshi, A. (2000). Extracting web user profiles using relational competitive fuzzy clustering. International Journal on Artificial Intelligence Tools, 9(04), 509-526.
[20]. Nina, S. P., Rahman, M., Bhuiyan, K. I., & Ahmed, K. E. U. (2009, November). Pattern discovery of web usage mining. In Computer Technology and Development, 2009. ICCTD’09. International Conference on (Vol. 1, pp. 499-503). IEEE.
[21]. Pamnani, R., & Chawan, P. (2010). Web Usage Mining: A research area in Web mining. Proceedings of ISCET, 73-77.
[22]. Pani, S. K., Panigrahy, L., Sankar, V. H., Ratha, B. K., Mandal, A. K., & Padhi, S. K. (2011). Web usage mining: a survey on pattern extraction from web logs. International Journal of Instrumentation, Control & Automation (IJICA), 1(1), 15-23.
[23]. Peng, X., Cao, Y., & Niu, Z. (2008, December). Mining Web Access Log for the Personalization Recommendation. In MultiMedia and Information Technology, 2008. MMIT’08. International Conference on (pp. 172-175). IEEE.
[24]. Shinde, S. K., & Kulkarni, U. V. (2008, December). A new approach for on line recommender system in web usage mining. In Advanced Computer Theory and Engineering, 2008. ICACTE’08. International Conference on (pp. 973-977). IEEE.
[25]. Sujatha, N., & Iyakutty, K. (2010). Refinement of Web usage Data Clustering from K-means with Genetic Algorithm. European Journal of Scientific Research, 42(3), 478-490.
[26]. Suryavanshi, B. S., Shiri, N., & Mudur, S. P. (2006, June). Analysis of Fuzzy Clustering Techniques Used for Web Personalization. In Fuzzy Information Processing Society, 2006. NAFIPS 2006. Annual meeting of the North American (pp. 335-340). IEEE.
[27]. Varghese, N. M., & John, J. (2012, October). Cluster optimization for enhanced web usage mining using fuzzy logic. In Information and Communication Technologies (WICT), 2012 World Congress on (pp. 948-952). IEEE.
[28]. Xiao-Gang, W., & Yue, L. (2009, August). Web mining based on user access patterns for web personalization. In Computing, Communication, Control, and Management, 2009. CCCM 2009. ISECS International Colloquium on (Vol. 1, pp. 194-197). IEEE.
[29]. Zhang, Y., Xu, G., & Zhou, X. (2005). A latent usage approach for clustering web transaction and building user profile. In Advanced Data Mining and Applications (pp. 31-42). Springer Berlin Heidelberg.
[30]. Zhao, Q., & Bhowmick, S. S. (2003). Sequential pattern mining: A survey.ITechnical Report CAIS Nayang Technological University Singapore, 1-26.
[31]. بهرنگ مسعودیفر، “ارائه روشهایی برای حل مشکل کاربر جدید در سیستمهای توصیه کننده همکارانه بر مبنای حافظه”، دانشگاه صنعتی امیر کبیر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، 1385.
فصل سوم:
مبانی نظری و روش انجام تحقیق
فصل 3-
3-1- مقدمه
وب گسترده جهانی به‌عنوان محیط بزرگ برای توزیع اطلاعات است که دارای منابع اطلاعاتی گوناگون است. از اینرو وب یک مجموعه بزرگی از منابع اطلاعاتی ساختیافته و نیمه‌ساخت یافته است که تعداد صفحات آن به سرعت در حال افزایش است. مشکل در سرریز شدن اطلاعات به هنگام انجام جستجویی توسط مرورگر انجام می‌شود. وب، محیطی وسیع، متنوع و پویا است که کاربران متعدد اسناد خود را در آن منتشر می‌کنند. در حال حاضر بیش از دو بیلیون صفحه در وب موجود است و این تعداد با نرخ 7.3 میلیون صفحه در روز افزایش می‌یابد. با توجه به حجم وسیع اطلاعات در وب، مدیریت آن با ابزارهای سنتی تقریباً غیر ممکن است و ابزارها و روش‌هایی نو برای مدیریت آن مورد نیاز است. به طور کلی کاربران وب در استفاده از آن با مشکلات زیر روبرو هستند:
* یافتن اطلاعات مرتبط
* ایجاد دانش جدید با استفاده از اطلاعات موجود در وب
* خصوصی سازی اطلاعات
تکنیک‌های وب کاوی قادر به حل این مشکلات می‌باشند. در (Kosala, & Blockeel, 2000) وب‌کاوی به صورت زیر تعریف شده است:
وب کاوی به کارگیری تکنیک

مطلب مرتبط با این موضوع :  منابع پایان نامه با موضوعقانون حاکم، پژوهشگران

دیدگاهتان را بنویسید