فی موو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

فی موو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

پایان نامه ی شخصی سازی وب با استفاده از وب کاوی ساختار . doc

اختصاصی از فی موو پایان نامه ی شخصی سازی وب با استفاده از وب کاوی ساختار . doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 105 صفحه

 

چکیده:

وب امروز بسیار بزرگ و عظیم است و یافتن اطلاعات در آن برای همگان از اهمیت قابل توجهی برخوردار است. موتورهای جستجوی کنونی معمولا جواب های یکسان برمی گردانند، بدون در نظر گرفتن این که کاربری که آن پرسمان را مطرح کرده است دارای چه علایق و اولویت هایی  است. به هر حال باید توجه داشت که کاربران متفاوت، اطلاعات متفاوتی در پاسخ به پرسمان هایشان لازم دارند، حتی در صورتی که از کلمات کلیدی یکسانی استفاده کرده باشند. هم چنین باید به این نکته توجه کرد که برای این-که موتورهای جستجو قابل استفاده باشند، باید فهرستی از نتایج مربوط را برای کاربر برگردانند. شناسایی و توجه به کاربران و سلایق آن ها برای بازگرداندن نتایج مرتبط با نیاز آن ها از اهمیت بالایی برخوردار است. برای مثال موتور جستجوی قدرتمند گوگل با استفاده از حساب های کاربری افراد و ایجاد پروفایل ، شخصی سازی را مورد توجه قرار داده است. البته باید توجه داشته کرد که میلیون ها کاربر وجود دارند و ساخت پروفایل برای همه آن ها به آسانی مقدور نیست. به همین علت علاوه بر اطلاعاتی که به طور صریح از پروفایل کاربران به دست می آورید، باید به اطلاعات بازخورد ضمنی آن ها که به طور عمده در آرشیوهای وب خدمتگزار ثبت می شوند به عنوان منابع ارزشمند اطلاعاتی توجه کنید. باید این آرشیوها کاوش شوند تا ترجیحات کاربران را شناسایی کرد. هدف اصلی این پایان نامه این است که با بررسی نشست های قبلی کاربران میزان علاقمندی آن ها را نسبت به صفحات مختلف شناسایی کند. تشخیص علاقمندی کاربر یکی از معضلات اصلی در دنیای  وب است و به راحتی قابل تشخیص نیست. در این پایان نامه با ملاک قرار دادن سابقه پیمایشی کاربر و نحوه کار وی با صفحه خاص، تا حدودی علاقمندی وی تشخیص داده شده و در نهایت در قالب دادن وزن به صفحات مشخص می شود.

 

واژه های کلیدی: وب کاوی، وب کاوی کاربردی، وب کاوی ساختار و شخصی سازی وب

 

مقدمه:

وب امروز بسیار بزرگ و عظیم است و یافتن اطلاعات در آن برای همگان از اهمیت قابل توجهی برخوردار است. موتورهای جستجوی کنونی معمولا جواب های یکسان برمی گردانند، بدون در نظر گرفتن اینکه کاربری که آن پرسمان  را مطرح کرده است دارای چه علایق و اولویت هایی  است. به هر حال باید توجه داشته باشید که کاربران متفاوت، اطلاعات متفاوتی در پاسخ به پرسمان هایشان لازم دارند، حتی در صورتی که از کلمات کلیدی یکسانی استفاده کرده باشند. همچنین باید به این نکته توجه داشته باشید که برای اینکه موتورهای جستجو قابل استفاده باشند، باید فهرستی از نتایج مربوط را برای کاربر برگردانند.

شناسایی و توجه به کاربران و سلایق آنها برای بازگرداندن نتایج مرتبط با نیاز آنها از اهمیت بالایی برخوردار است. برای مثال موتور جستجوی قدرتمند گوگل با استفاده از حساب های کاربری افراد و ایجاد پروفایل ، شخصی سازی را مورد توجه قرار داده است. البته باید توجه داشته باشید که میلیون ها کاربر وجود دارند و ساخت پروفایل برای همه ی آنها به آسانی مقدور نیست. به همین علت علاوه بر اطلاعاتی که به طور صریح از پروفایل کاربران به دست می آیند، باید به اطلاعات بازخورد ضمنی آنها که به طور عمده در

آرشیوهای وب خدمتگزار ثبت می گردند به عنوان منابع ارزشمند اطلاعاتی توجه کرد. باید این آرشیوها را کاوش تا ترجیحات کاربران را شناسایی کرد.

از جمله  کاربردهای که می توان برای وب کاوی اشاره نمود، ارائه سامانه هایی است که میزان موثر بودن یک سایت را در برآوردن انتظارات کاربر ارزیابی می کنند، روش هایی برای متعادل کردن پویای بار و

بهینه سازی وب خدمتگزارها برای دستیابی موثرتر کاربران و کاربردهای مربوط به ساختاردهی مجدد و تطبیق یک سایت براساس نیازهای پیش بینی شده ی کاربر اشاره کرد.

در سال های اخیر نیز از روش های وب کاوی ، به خصوص وب کاوی کاربرد وب به صورت گسترده ای برای کشف الگوهای پیمایشی کاربران استفاده می شود، که در جهت بهبود محتوا، ساختار و شخصی سازی صفحات مطابق با سلیقه های کاربران به منظور ارائه بهتر خدمات اینترنتی و اینکه نیازهای کاربران سریعتر برآورده شود، استفاده می شود (Berendt, 2002).

 

فهرست مطالب:

فصل اول: کلیات پژوهش

1-1-  مقدمه

1-2-  طرح مساله

1-3- ضرورت و اهمیت موضوع

1-4- پیشینه

1-5- اهداف

1-6- سوال های تحقیق

1-7- فرضیه های تحقیق

1-8- روش تحقیق

1-9- ساختار تحقیق

فصل دوم: مفاهیم پایه-ای

2-1- وب کاوی

2-2- مراحل وب کاوی

2-3- وب کاوی و زمینه های تحقیقاتی مرتبط

2-3-1- وب کاوی و داده کاوی

2-3-2- وب کاوی و بازیابی اطلاعات

2-3-3- وب کاوی و استخراج اطلاعات

2-3-4- وب کاوی و یادگیری ماشین

2-4- انواع وب کاوی

2-4-1- وب کاوی محتوا

2-4-2- وب کاوی ساختار

2-5-  خلاصه فصل

فصل سوم: راه کار های پیشین

3-1- روش های وب کاوی محتوا

3-1-1- انواع وب کاوی محتوا

3-1-2- الگوریتم های وب کاوی محتوا

3-2- وب کاوی ساختار

3-2-1- مدل های بازنمایی ساختار وب

3-2-2- مدل های مبتنی بر گراف

3-2-3- مدل های مارکوف

3-2-4- الگوریتم های وب کاوی ساختار

3-3- وب کاوی کاربرد

3-3-1- روش های وب کاوی کاربرد

3-4- سایر روش های موجود در زمینه شخصی سازی وب

3-5- خلاصه فصل

فصل چهارم: راه کار  پیشنهادی59

4-1- الگویتم PR

4-2- الگوریتم TPR

4-2-1- مراحل اجرای الگوریتم پیشنهادی

4-2-2- مزایای الگوریتم پیشنهادی

4-2-3- ایجاد گراف پیمایشی کاربر

4-2-4- تعیین رتبه صفحات

4-3- خلاصه فصل

فصل پنجم: ارزیابی و نتایج عملی

5-1- ارزیابی راه کار پیشنهادی

5-1-1- معرفی معیار ارزیابی

5-1-2- کیفیت صفحات یافته شده

5-2- بحث

5-3- خلاصه فصل

فصل ششم: نتیجه گیری و راه کار های آتی

6-1- نتیجه گیری

6-2- راه کارهای آتی

فهرست منابع فارسی

فهرست منابع غیر فارسی

 

فهرست جدول ها:

جدول 3-1: مقایسه بین الگوریتم های خوشه بندی

جدول 4-1: نشست کاربر

جدول 4-2: نرخ فعالیت های پیمایشی کاربر

جدول 5-1: کارآیی الگوریتم

جدول 5-2: میزان رضایتمندی کاربران گروه برق

جدول 5-3: میزان رضایتمندی کاربران گروه کامپیوتر

جدول 5-4: میزان رضایتمندی کاربران گروه مدیریت

جدول 5-5: میزان رضایتمندی کاربران گروه معماری

جدول 5-6: میزان رضایتمندی سایر کاربران

 

فهرست شکل ها:

شکل 3-1: مدل های گراف تک گره ای

شکل 3-2: مدل های گراف چند گره ای

شکل 3-3: مدل گراف وب

شکل 3-4: الگوریتم فورد و فولکرسون

شکل 4-1: عملکرد جستجوگر های مبتنی بر الگوریتم Page Rank

شکل 4-2: معماری سامانه پیشنهادی

شکل 4-3: تعیین گام بعدی بر اساس الگوریتم Page Rank

شکل 4-4: تعیین گام بعدی بر اساس الگوریتم پیشنهادی

شکل 4-5: شبه کد ایجاد گراف وزن دار پیمایشی کاربر

شکل 4-6: گراف پیمایشی کاربر

شکل 5-1: نمای کلی از مرورگر سفارشی

شکل 5-2: نتایج حاصل از مرورگر فعلی

شکل 5-3: نتایج حاصل از الگوریتم پیشنهادی

شکل 5-4: نمودار رضایتمندی کاربران گروه برق

شکل 5-5: نمودار رضایتمندی کاربران گروه کامپیوتر

شکل 5-6: نمودار رضایتمندی کاربران گروه مدیریت

شکل 5-7: نمودار رضایتمندی کاربران گروه معماری

شکل 5-8: نمودار رضایتمندی سایر کاربران

 

منابع و مأخذ:

برادران هاشمی، ع. و میبدی، م. ر.، (1388)، «داده کاوی استفاده از وب با استفاده از اتوماتای یادگیر توزیع شده،» دوازدهمین کنفرانس بین المللی فناوری اطلاعات و دانش، تهران، ایران.

چهره قانی، ع. ا.، (1387)، «شخصی سازی جستجو در وب به وسیله بازنمایی پروفایل کاربر و استفاده از آن در رده بندی مجدد نتایج رسیده از موتور جستجو،» تحت راهنمایی دکتر علیرضا باقری، دانشگاه امیر کبیر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات.

رضوی ، ر.، (1382)، «جستجوی هوشمند وب با استفاده از خوشه بندی،  »تحت راهنمایی دکتر محمد رحمتی، دانشگاه امیر کبیر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات.

ساعتی، س. و میبدی، م. ر.، (1384)،  «یک مدل خود سازمانده برای ساختار اطلاعاتی اسناد با استفاده از اتوماتای یادگیر توزیع شده،» مجموعه مقالات دومین کنفرانس بین المللی فناوری اطلاعات و دانش، تهران، ایران. 

سهرابی، ب.، (1386)، «ارزیابی ساختار وب سایت با استفاده از مدل سازی رفتار بازدیدکنندگان  :یک مطالعه موردی،» دانشگاه تهران، تهران، ایران.

فرصتی، ر. و میبدی، م. ر.، (1388)، «الگوریتمی مبتنی بر ساختار پیوندی صفحات و اطلاعات استفاده کاربران برای پیشنهاد صفحات وب،» دوازدهمین کنفرانس بین المللی فناوری اطلاعات و دانش، تهران، ایران.

فهرست منابع غیر فارسی

Anand S. S. and Mobasher B., (2005), "Intelligent Techniques for Web Personalization, " LNAI 3169, Springer-Verlag , pp . 1–37.

Berendt B., (2002), "Detail and Context in Web Usage Mining: Coarsening and Visualizing Sequences," Humboldt University Berlin, Faculty of Economics, Institute of Information Systems, pp.  83-93.

Cooley R., Mobasher B. and Srivastava J., (1997), "Web Mining: Information and Pattern Discovery on the World Wide Web," in Proceedings of IEEE International Conference on Tools with Artificial Intelligence, pp.  558–567.

Cooley R., Mobasher B. and Srivastava J., (1999), "Data Preparation for Mining World Wide Web Browsing Patterns, " Knowledge and Information Systems, pp.  5-32.

Dai H. and Mobasher B., (2005), "Integrating Semantic Knowledge with Web Usage Mining for Web Personalization, " Web Mining: Applications and Techniques, Idea Group Publishing, pp.  276-306.

Donato D., Leonardi S., Millozzi S., and Tsaparas P. (June 2005), "Mining the Inner Structure of the Web Graph," In Proceedings of the Eighth International Workshop on the Web and Databases (WebDB), pp . 145-150.

Eirinaki M. and Vazirgiannis M., (2003), "Web Mining for Web Personalization," ACM Transactions on Internet Technology, pp. 1-27.

Henzinger M., (2001), "Hyperlink Analysis for the Web, " IEEE Internet Computing, pp.  45-50.

Kosala R. and Blockeel H., (2000), "Web Mining Research: A Survey, " In SIGKDD Explorations Newsletter of the ACM Special Interest Group on Knowledge Discovery and Data Mining, pp. 1-15.

Lee K. and Lee S., (2011), "Interpreting the Web-Mining Results by Cognitive Map and Association Rule Approach," Information Processing and Management, Elsevier, pp.  1–50.

Mobasher B., (2004), "Web Usage Mining and Personalization," Practical Handbook of Internet Computing, Chapman Hall and CRC Press, pp. 79-102.

Mobasher B., Dai H., Luo T. and Nakagawa M., (2002), "Discovery and Evaluation of Aggregate Usage Profiles for Web Personalization," Data Mining and Knowledge Discovery, Vol. 6, No. 1, pp.  61–82.

Norguet J. P., (2006), Semantic Analysis in Web Usage Mining,  PHD Thesis, University of Bruxell, pp.  300–367.

Page L., Brin S., Motwani R., and Winograd T., (1998), "The Page Rank Citation Ranking: Bringing Order to the Web, " Stanford Publications, pp.  500–567.

Pierrakos D., Paliouras G., Papatheodorou C. and Spyropoulos C. D., (2003), "Web Usage Mining as a Tool for Personalization: A Survey, " User Modeling and User-Adapted Interaction, Vol. 13, pp.  311-372.

Punin J., Krishnamoorthy M. and Zaki M. J., (2001), "Web Usage Mining: Languages and Algorithms," To appear in Studies in Classification, Data Analysis, and Knowledge Organization, Springer-Verlag, pp.  1–28.

Spiliopoulou M., Faulstich L. and Wilker K., (1999), "A Data Miner Analyzing the Navigational Behavior of Users, " Proceedings of the Workshop on Machine Learning in User Modeling of the ACAI99, Chania, Greece, pp.  1–38.

Tan P. N. and Kumar V., (2002), "Discovery of Web Robot Sessions Based on their Navigational Patterns, " Data Mining and Knowledge Discovery, Vol.  6, No. 1, pp.  9-35.

Yu L., Huang W., Wang S. H. and Keung Lai K., (2008), "Web Warehouse: A New Web Information Fusion Tool for Web


دانلود با لینک مستقیم


پایان نامه ی شخصی سازی وب با استفاده از وب کاوی ساختار . doc
نظرات 0 + ارسال نظر
امکان ثبت نظر جدید برای این مطلب وجود ندارد.