پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب

word 853 KB 31048 79
1393 کارشناسی ارشد مهندسی کامپیوتر
قیمت: ۱۰,۲۷۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان نامه کارشناسی ارشد رشته: مهندسی کامپیوتر گرایش:

    نرم‌افزار

    چکیده

    گرانبار شدن اطلاعات یک مشکل عمده در وب کنونی به شمار می­رود. برای مقابله با این مشکل، سیستم‌های شخصی­سازی وب ارائه شده­اند که محتوا و سرویس­های یک وب­سایت را با افراد براساس علایق و رفتار گردشی آن­ها سازگار می­کنند. یک مؤلفه­ی اساسی در هر سیستم شخصی­سازی وب، مدل کاربر آن است. هدف از شخصی سازی وب، مهیا ساختن محتوا و سرویس­های مورد نیاز کاربران به وسیله دانش به دست آمده از تعاملات قبلی کاربران در صفحات وب است. در حال حاضر، برای شخصی­سازی وب چندین متد خوشه­بندی در دسترس است. روش­هایی که تاکنون ارائه شده­اند، در مواردی دارای اشکالاتی بودند. البته تکنیک­های جدیدی در رفع این مشکلات و بهبود آنها ارائه شده است. اما در بیشتر این تکنیک­ها، مسائل افزونگی داده و مقیاس­بندی بالا وجود دارد. با توجه به اینکه افزایش کاربران وب منجر به افزایش اندازه‌ی خوشه می‌گرد، نیاز به بهینه‌سازی خوشه‌ها اجتناب‌ناپذیر خواهد بود. در تحقیق، یک متدولوژی بهینه­سازی خوشه بر اساس سیستم فازی ارائه شده است. به منظور افزایش دقت نهایی خوشه­بندی، برای تنظیم پارامترهای توابع عضویت از الگوریتم ژنتیک استفاده شده است. نتایج حاصل از شبیه‌سازی نشان می‌دهد که روش پیشنهادی دقت خوشه­بندی صفحات وب را تا حد قابل توجهی افزایش می­دهد. 

    کلید واژه­ها: شخصی­سازی صفحات وب- خوشه­بندی- کاربرد وب­کاوی- الگوریتم فازی سی مینز- پایگاه داده یاندکس.

                                        فصل اول

    کلیات تحقیق:

     

     

    با توسعه سیستم‌های اطلاعاتی، داده به یکی از منابع پراهمیت سازمان‌ها مبدل گشته است. بنابراین روش‌ها و تکنیک‌هایی برای دستیابی کارا به داده، اشتراک داده، استخراج اطلاعات از داده و استفاده از این اطلاعات، مورد نیاز می‌باشد. با ایجاد و گسترش وب و افزایش چشمگیر حجم اطلاعات، نیاز به این روش‌ها و تکنیک‌ها بیش از پیش احساس 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:

    1. یافتن اطلاعات مرتبط: یافتن اطلاعات مورد نیاز در وب دشوار می‌باشد. روش‌های سنتی بازیابی اطلاعات که برای جستجوی اطلاعات در پایگاه داده‌ها به کار می‌روند، قابل استفاده در وب نمی‌باشند و کاربران معمولاً از موتورهای جستجو که مهم­ترین و رایج ترین ابزار برای یافتن اطلاعات در وب می باشند، استفاده می‌کنند. این موتورها، یک پرس و جوی مبتنی بر کلمات کلیدی از کاربر دریافت کرده و در پاسخ لیستی از اسناد مرتبط با پرس و جوی وی را که بر اساس میزان ارتباط با این پرس و جو مرتب شده اند، به وی ارائه می­کنند. اما موتورهای جستجو دارای دو مشکل اصلی هستند (Baeza-Yates, 2004). اولاً دقت  موتورهای جستجو پایین است، چراکه این موتورها در پاسخ به یک پرس و جوی کاربر صدها یا هزاران سند را بازیابی می‌کنند، در حالی که بسیاری از اسناد بازیابی شده توسط آنها با نیاز اطلاعاتی کاربر مرتبط نمی‌باشند (Bharat, and et. al., 2001). ثانیاً میزان فراخوان این موتورها کم می‌باشد، به آن معنی که قادر به بازیابی کلیه اسناد مرتبط با نیاز اطلاعاتی کاربر نیستند. چرا که حجم اسناد در وب بسیار زیاد است و موتورهای جستجو قادر به نگهداری اطلاعات کلیه اسناد وب، در پایگاه داده‌های خود نمی‌باشند (Chakrabarti, and et. al., 1999).

    2. ایجاد دانش جدید با استفاده از اطلاعات موجود در وب: در حال حاضر این سوال مطرح است که چگونه می‌توان داده‌های فراوان موجود در وب را به دانشی قابل استفاده تبدیل کرد، به طوری که یافتن اطلاعات مورد نیاز در آن به سادگی صورت بگیرد. همچنین چگونه می‌توان با استفاده از داده‌های وب به اطلاعات و دانشی جدید دست یافت.

    3. خصوصی سازی اطلاعات: از آن جا که کاربران متفاوت هر یک درباره نوع و نحوه­ی بازنمایی اطلاعات سلیقه خاصی دارند، این مسئله باید توسط تأمین­کنندگان اطلاعات در وب مورد توجه قرار بگیرد. برای این منظور با توجه به خواسته‌ها و تمایلات کاربران متفاوت، نحوه ارائه اطلاعات به آنها باید سفارشی گردد.

    تکنیک‌های وب کاوی قادر به حل این مشکلات می‌باشند (Chakrabarti, 2000).

    1-1-تعریف مسئله

    وب به یک بخش تسلیم نشدنی جهان تبدیل شده است و گشت و گذار وب، یک فعالیت مهم برای مشتریانی که خرید آنلاین دارند، به شمار می­آید (Varghese, 2012). همانطور که گفته شد، 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. یکی از این روش­ها وب­کاوی است. به طور کلی وب­کاوی را می­توان داده کاوی بر روی داده­های محتوا، ساختار و کاربرد وب به حساب آورد. هدف وب­کاوی کشف مدل­ها و الگوهای نهفته در منابع وب می­باشد. هدف وب کاوی کاربرد وب به طور خاص کشف الگوهای رفتاری کاربران وب می­باشد. کشف چنین الگوهایی از حجم عظیمی از داده­های تولید شده توسط وب سرورها کاربردهای مهمی دارد (Anand, and Mobasher, 2005). از جمله­ی آن­ها می­توان به سیستم­هایی که میزان مؤثر بودن یک سایت را در برآوردن انتظارات کاربر ارزیابی می­کنند، تکنیک­هایی برای متعادل کردن پویای بار و بهینه­سازی وب سرورها برای دستیابی مؤثرتر کاربران و کاربردهای مربوط به ساختاردهی مجدد و تطبیق یک سایت براساس نیازهای پیش بینی شده­ی کاربر اشاره کرد.

    کشف استخراج اطلاعات مفید از داده­ی وب یا فایل­ های وبلاگ، بهبود کارایی اطلاعات وب و فراهم کردن تکنولوژی برای کاربردهای وب به عنوان مثال، شخصی­سازی و غیره از جمله اهداف دیگر وب­کاوی می­باشد. برای مدیریت تصمیم­گیری، نتیجه کاوش کاربرد وب می­تواند برای تبلیغات، بهبود طراحی وب، بهبود رضایت مشتری، هدایت استراتژی تصمیم آنالیز بازار و سازمان مورد استفاده قرار گیرد (Naveena Devi et al., 2012).

    در سال های اخیر تکنیک‌های وب­کاوی کاربرد وب به عنوان رویکردی دیگر که مبتنی بر کاربر است در شخصی­سازی وب ارائه شده است که برخی از مشکلات مربوط به فیلترکردن جمعی را کاهش می­دهد. به طور خاص وب کاوی کاربرد وب برای افزایش گسترش‌پذیری سیستم­های شخصی­سازی شده­ی سنتی که برمبنای تکنیک­های فیلترکردن جمعی می­باشند استفاده شده است.

    شخصی ­سازی صفحه وب شامل خوشه­بندی صفحات مختلف وبی است که الگوی مشابهی دارند. شخصی­سازی وب از تکنیک کاربرد وب­کاوی برای سفارشی کردن صفحات وب برای یک کاربر خاص استفاده می­کند. این مسئله شامل استخراج جلسات کاربر از فایل­های ورود به سیستم می­شود. یک جلسه کاربر، دنباله­ی صفحات وبی که توسط کاربر در یک دوره زمانی خاص مورد دسترسی قرار گرفته، می­باشد.

    1-2-اهمیت و ضرورت تحقیق

    با رشد ناگهانی اندازه وب و استفاده از وب گسترده جهانی، برای کاربران بسیار مشکل شد که بتوانند به طور مؤثر به اطلاعات مرتبط و مورد علاقه خود دسترسی پیدا کنند. نیاز به پیش­بینی نیازهای کاربر به منظور بهبود قابلیت استفاده و حفظ کاربر سایت، آشکار است و می­تواند با استفاده از شخصی­سازی آدرس­دهی شود. شخصی‌سازی وب، پردازشی از یک سایت برای بر طرف کردن نیاز یک کاربر خاص یا مجموعه­ای از کاربران با استفاده از دانش به دست آمده از طریق تحلیل رفتار گشت و گذار کاربر است. هدف از سیستم شخصی سازی وب، مهیا ساختن اطلاعات و نیازهای کاربران، بدون این که صریحاً از آنها سوالی پرسیده شود.

    هر اقدامی که اطلاعات یا سرویس­ های فراهم شده توسط یک وب­سایت با نیازهای یک کاربر یا گروه خاصی از کاربران با به کارگیری دانش بدست آمده از رفتار گردشی کاربر و علایق خاص او به صورت ترکیب با محتوا و ساختار وب­سایت سازگار می­کند شخصی­سازی وب نامیده می­شود (Eirinaki, 2003).

    بطور کلی اهداف شخصی­سازی وب عبارتند از:

    شخصی­سازی سرویس­های ارائه شده توسط یک وب­سایت نقش مهمی در کاهش گرانبار شدن اطلاعات ایفا می­کند و وب­سایت را به یک محیط کاربر پسندتر برای افراد تبدیل می­کند.

    با فراهم کردن اطلاعات دلخواه کاربر به روش مناسب و در زمان مناسب، باعث بهبود گردش کاربر در وب­ سایت می­شود.

    در تجارت الکترونیکی مکانیزیمی برای درک بهتر نیازهای مشتری، شناسایی تمایلات آینده­ی او و در نهایت افزایش پابرجایی مشتری به سرویس ارائه شده فراهم می­کند.

    در سال های اخیر تکنیک‌های وب­کاوی کاربرد وب به عنوان رویکردی دیگر که مبتنی بر کاربر است در شخصی­سازی وب ارائه شده­ است که برخی از مشکلات مربوط به فیلترکردن جمعی را کاهش می­دهند. به طور خاص وب کاوی کاربرد وب برای افزایش گسترش پذیری سیستم­های شخصی­سازی شده­ی سنتی که برمبنای تکنیک­ های فیلترکردن جمعی می­باشند استفاده شده است.

    به طور نمونه شخصی سازی برروی پردازش شناسایی کاربر وب، جمع آوری اطلاعات از طریق اولویت یا علاقه­مندی های کاربر، تمرکز دارد. به طور مختصر شخصی­سازی وب می­تواند برای مهیا ساختن سرویس با کیفیت­تر استفاده شود و برنامه کاربردی از وب را برای کاربران در طول گشت و گذار آنها در وب مهیا سازد. این فعالیت­ها می­تواند با مشخص کردن لینک­ها و لینک­های جدید مورد علاقه کاربر به صورت اتوماتیک و ایجاد صفحات ایندکس جدید، ساخته شود.

    رویکرد تنها مبتنی بر کاربرد در شخصی ­سازی وب یک عیب مهم دارد و آن این است که فرآیند توصیه به کاربر تنها براساس داده­های تراکنشی موجود او صورت می­گیرد و از این رو اقلام یا صفحاتی که اخیراً به سایت اضافه شده­اند نمی­توانند به او توصیه شوند. این مشکل عموماً مشکل قلم جدید نامیده می­شود. از سوی دیگر اگرچه الگوهای کشف شده­ی مربوط به کاربرد منابع وب از طریق وب­کاوی کاربرد وب در کشف ارتباطات اقلام با یکدیگر یا کاربران با یکدیگر و نیز تعیین شباهت در جلسات کاربر مفیدند اما بدون استفاده از دانش عمیق­تری از دامنه­ی وب سایت مورد نظر چنین الگوهایی درک اندکی از دلایل آن که چرا اقلام یا کاربران در گروه­هایی با هم قرار می­گیرند در اختیار ما قرار می­دهند. یک رویکرد معمول برای حل این مشکل در فیلتر کردن جمعی آن است که مشخصات محتوای صفحات را با رتبه­بندی­ها و قضاوت­های کاربر ادغام کنیم. به طور کلی در این رویکردها کلمات کلیدی از محتوای وب­سایت استخراج می­شوند و برای اندیس­گذاری صفحات براساس محتوا یا طبقه­بندی آن­ها به دسته­های مختلف مورد استفاده قرار می‌گیرند. در حوزه­ی شخصی­سازی وب این رویکرد به سیستم اجازه می­دهد تا صفحات را نه تنها براساس افراد مشابه بلکه براساس شباهت محتوایی آن­ها به صفحاتی که کاربر اخیراً بازدید کرده است به او توصیه کند.

    یک ضعف عمده در بیشتر رویکردهای موجود که از محتوای وب برای بهبود مدل کاربر استفاده می‌کنند این است که این روش­ها معمولاً از بردار عبارات برای نمایش علایق کاربر استفاده می­کنند و ارتباطات معنایی بین این عبارات را نادیده می­گیرند. در صورتی که می­توان با استفاده از معنا این روش نمایش را بهبود داد.

    روش­هایی که تاکنون ارائه شده­اند، در مواردی دارای اشکالاتی بودند. البته تکنیک‌های جدیدی در رفع این مشکلات و بهبود آنها ارائه شده است. اما در بیشتر این تکنیک‌ها، مسائل افزونگی داده و مقیاس‌بندی بالا وجود دارد. الگوریتم ­های خوشه ­بندی متعددی براساس تکنیک­های مختلف وجود دارد. بیشتر این الگوریتم­ها، اشکالات متعددی دارند. همان­طور که اندازه خوشه در طی افزایش کاربران وب افزایش می‌یابد، نیاز به بهینه‌سازی خوشه­ها اجتناب ناپذیر خواهد بود. در این پایان‌نامه قصد بر آنست تا یک متدولوژی بهینه‌ سازی خوشه بر اساس سیستم فازی و الگوریتم ژنتیک ارائه شود.

    1-3-شیوه پژوهش

    در این پایان‌نامه پس از گردآوری مراجع منتشر شده در پایگاههای اطلاعاتی معتبر در زمینه وب‌کاوی و بهینه‌سازی خوشه و کلیه زمینه­های مرتبط با آن، این منابع مطالعه و مورد تحلیل و بررسی قرار گرفته است. با شناسایی دقیق چالش­ها و مشکلات موجود، بررسی شد که هر یک از فن­آوری­های شناخته شده­ی حوزه علوم کامپیوتر چه نقشی در مرتفع کردن این موانع و چالش‌ها داشته­اند که حاصل آن، در قالب چارچوب­هایی تحلیلی ارائه شده است. این چارچوب­های تحلیلی بستر را برای ارائه رویکردی سودمند در جهت رفع چالش­های موجود فراهم می­کنند.

    در ادامه‏ی پژوهش، با ارائه رویکرد پیشنهادی مبتنی بر بهینه سازی خوشه با استفاده از منطق فازی و الگوریتم­های تکاملی برای شخصی­سازی وب، سعی در برطرف کردن چالش­های موجود در این حوزه شده است.

    1-4-چارچوب پایان‏نامه

    در فصل اول، مقدمه­ای بر وب­کاوی و کاربردهای آن و حوزه شخصی­سازی وب ارائه می‌شود. در ادامه اهداف انجام تحقیق و روش انجام آن بیان می‌شود.

    در فصل دوم به مروری بر تحقیقات انجام شده در حوزه بهینه‌سازی خوشه و شخصی‌سازی وب پرداخته شده است.

    در فصل سوم، فرضیه های مربوط به شیوه های تحقیق ارائه می­شود. ابتدا به توضیح سیستم استنتاج فازی پرداخته می­شود. همچنین نحوه استفاده از این سیستم در الگوریتم پیشنهادی شرح داده می‌شود و پس از شرح سیستم استنتاج فازی، به الگوریتم ژنتیک پرداخته خواهد شد.

    فصل چهارم این پایان‌نامه مربوط به رویکرد پیشنهادی بهینه‌سازی خوشه با استفاده از منطق فازی و الگوریتم‌های تکاملی برای شخصی سازی وب است. در این فصل، ابتدا شمای کلی سیستم را بیان می‏شود و سپس به جزئیات رویکرد پیشنهادی پرداخته شده و یک متدولوژی بهینه سازی خوشه براساس سیستم فازی ارائه می‌شود. از آنجا که در سیستم استنتاج فازی تعیین پارامترهای توابع عضویت، تاثیر مهمی در دقت نهایی خوشه‌بندی دارد. بنابراین در این سیستم برای تنظیم پارامترهای توابع عضویت از الگوریتم ژنتیک استفاده می‌شود. همچنین برای این که در خوشه­بندی تا حد امکان افزونگی نداشته باشد، قصد بر آنست تا در بخش قوانین فازی نیز از الگوریتم ژنتیک استفاده شود تا افزونگی صفحات وب خوشه‌بندی شده تا حد امکان کاهش یابد. با این کار، دقت خوشه بندی صفحات وب نیز تا حد زیادی افزایش خواهد یافت.

    در فصل پنجم، به جمع‌بندی تحقیق و نتایج حاصل از انجام آن پرداخته شده و در نهایت پیشنهاداتی برای کارهای آتی ارائه خواهد شد.

    Cluster Optimization Using Evolutionary Algorithms for Web Personalization

    Abstract

     

    Information overload is a major problem in the current web. To deal with this problem, web personalization systems are presented, which can adjust web's services and contents according to the users' interests and behavior. An essential element in any web personalization system is the user model. The aim of web Personalization is to retrieve services and contents for users, inferred from users' past interactions. Currently, there are several available methods for clustering web personalization. These proposed methods have drawbacks in some cases. However, new techniques have been proposed to resolve these problems and improve them. However, in most of these techniques, there are issues of data redundancy and high scalability. As cluster size increases due to an increase in web users, the need for clusters optimization would be inevitable. In this thesis a cluster optimization methodology, which is based on fuzzy system is presented. Evaluations of experiments' results show that the proposed method increases the accuracy of web pages clustering considerably.

     

    Key words: Web Personalization, Clustering, Web Usage Mining, Fuzzy C-Means Algorithms, Yandex Dataset.

     

  • فهرست:

    چکیده...................................................................................................................................... 1

    فصل اول.......................................................................................................... 2

    1-1-مقدمه............................................................................................................................... 3

    1-2-تعریف مسئله..................................................................................................................... 4

    1-3-اهمیت و ضرورت تحقیق....................................................................................................... 5

    1-4-شیوه پژوهش..................................................................................................................... 8

    1-5-چارچوب پایان‏نامه.............................................................................................................. 8

    مراجع..................................................................................................................................... 10

    فصل دوم:....................................................................................................... 11

    2-1-مقدمه............................................................................................................................. 12

    2-2-مروی بر کارهای انجام شده................................................................................................. 12

    مراجع..................................................................................................................................... 21

    فصل سوم:...................................................................................................... 24

    3-1-مقدمه............................................................................................................................. 25

    3-2-مراحل وب کاوی................................................................................................................ 26

    3-2-1-انواع وب‌کاوی.......................................................................................................... 27

    3-3-شخصی‌سازی وب.............................................................................................................. 28

    3-3-1-دلایل نیاز به شخصی‌سازی وب.................................................................................... 28

    3-3-2-مراحل شخصی سازی وب........................................................................................... 29

    3-3-2-1-جمع‌آوری داده................................................................................................ 30

    3-3-2-2-پردازش داده................................................................................................... 31

    3-3-2-3-کشف الگو....................................................................................................... 31

    3-3-2-4-تحلیل دانش................................................................................................... 31

    3-3-3-تکنیک های مدل­سازی کاربر در شخصی‌سازی وب.......................................................... 31

    3-3-3-1-تکنیک tf-idf................................................................................................. 32

    3-3-3-2-تکنیک متا مدل و ابزار OLAP........................................................................... 32

    3-3-3-3-تکنیک براساس محتوای وب.............................................................................. 33

    3-3-3-4-تکنیک براساس فراهم کردن داده‌های موثر (ODP)................................................ 34

    3-3-3-5-شخصی­سازی وب با استفاده از روش­های ترکیبی................................................... 34

    3-3-3-6-شخصی­سازی وب براساس الگوریتم استقرایی و تکنولوژی tf-idf............................... 35

    3-3-3-7-شخصی­سازی وب با استفاده از کندوکاو الگوی ترتیبی و درخت الگو........................... 35

    3-4-خوشه‌بندی برای شخصی‌سازی وب...................................................................................... 35

    3-4-1-خوشه­بندی فازی...................................................................................................... 36

    3-4-1-1-الگوریتم پایه‌ای خوشه‌بندی فازی....................................................................... 36

    3-4-1-2-الگوریتم فازی کا-مینز..................................................................................... 36

    3-4-1-3-خوشه­بندی صفحات وب با استفاده از خوشه­بندی فازی k-means............................ 37

    3-4-2-الگوریتم ژنتیک....................................................................................................... 39

    3-4-2-1-بهینه‌سازی خوشه‌بندی فازی با استفاده از الگوریتم ژنتیک..................................... 40

    3-4-3-روش پیشنهادی در این تحقیق.................................................................................... 42

    3-4-4-شمای کلی سیستم پیشنهادی.................................................................................... 42

    3-4-5-مثالی از سیستم پیشنهادی........................................................................................ 43

    3-4-6-شبه کد روش پیشنهادی............................................................................................ 50

    3-5-جمع­بندی........................................................................................................................ 51

    مراجع..................................................................................................................................... 53

    فصل چهارم:.................................................................................................... 55

    4-1-مقدمه............................................................................................................................. 56

    4-2-مجموعه داده­ها................................................................................................................. 56

    4-2-1-دیتاست YANDEX................................................................................................. 57

    4-2-1-1-پیش پردازش انجام شده با مجموعه داده­های خام قبل از انتشار................................ 57

    4-3-پارامترهای ارزیابی............................................................................................................ 60

    4-4-آزمایشات انجام شده......................................................................................................... 61

    4-4-1-سخت افزار مورد استفاده........................................................................................... 62

    4-4-2-نتایج آزمایشات....................................................................................................... 62

    4-5-جمع­بندی........................................................................................................................ 64

    مراجع:.................................................................................................................................... 65

    فصل پنجم:..................................................................................................... 66

    5-1-مقدمه............................................................................................................................. 67

    5-2-نتایج و دستاوردهای پروژه.................................................................................................. 68

    5-3-پیشنهادات...................................................................................................................... 68

    مراجع..................................................................................................................................... 70

     

    منبع:

    [1].    Anand, S. S., & Mobasher, B. (2003, August). Intelligent techniques for web personalization. In Proceedings of the 2003 international conference on Intelligent Techniques for Web Personalization (pp. 1-36). Springer-Verlag.

     

    [2].    Baeza-Yates, R. (2004, January). Web mining in search engines. In Proceedings of the 27th Australasian conference on Computer science-Volume 26 (pp. 3-4). Australian Computer Society, Inc..

     

    [3].    Bharat, K., Chang, B. W., Henzinger, M., & Ruhl, M. (2001). Who links to whom: Mining linkage between web sites. In Data Mining, 2001. ICDM 2001, Proceedings IEEE International Conference on (pp. 51-58). IEEE.

     

    [4].    Chakrabarti, S. (2000). Data mining for hypertext: A tutorial survey. ACM SIGKDD Explorations Newsletter, 1(2), 1-11.

     

    [5].    Chakrabarti, S., Dom, B. E., Kumar, S. R., Raghavan, P., Rajagopalan, S., Tomkins, A., & Kleinberg, J. (1999). Mining the Web's link structure. Computer, 32(8), 60-67.

     

    [6].    Devi, B. N., Devi, Y. R., Rani, B. P., & Rao, R. R. (2012). Design and Implementation of Web Usage Mining Intelligent System in the Field of e-commerce. Procedia Engineering, 30, 20-27.

     

    [7].    Eirinaki, M., & Vazirgiannis, M. (2003). Web mining for web personalization. ACM Transactions on Internet Technology (TOIT), 3(1), 1-27.

     

    [8].    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.

     

     [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., & García-Martínez, 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.

    [1].      Abraham, A., & Ramos, V. (2003, December). Web usage mining using artificial ant colony clustering and linear genetic programming. In Evolutionary Computation, 2003. CEC'03. The 2003 Congress on (Vol. 2, pp. 1384-1391). IEEE.

     

    [2].      Bergmann, R., & Stahl, A. (1998). Similarity measures for object-oriented case representations (pp. 25-36). Springer Berlin Heidelberg.

     

    [3].      Castellano, G., Fanelli, A. M., Mencar, C., & Torsello, M. A. (2007, November). Similarity-based fuzzy clustering for user profiling. In Proceedings of the 2007 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology-Workshops (pp. 75-78). IEEE Computer Society.

     

    [4].      Castellano, G., Fanelli, A. M., Mencar, C., & Torsello, M. A. (2007, November). Similarity-based fuzzy clustering for user profiling. In Proceedings of the 2007 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology-Workshops (pp. 75-78). IEEE Computer Society.

     

    [5].      Dai, H. K., & Mobasher, B. (2002). Using ontologies to discover domain-level web usage profiles. Semantic Web Mining, 35.

     

    [6].      Dumais, S. T., Furnas, G. W., Landauer, T. K., Deerwester, S., & Harshman, R. (1988, May). Using latent semantic analysis to improve access to textual information. In Proceedings of the SIGCHI conference on Human factors in computing systems (pp. 281-285). ACM.

     

    [7].    Eirinaki, M., Mavroeidis, D., Tsatsaronis, G., & Vazirgiannis, M. (2006). Introducing semantics in web personalization: The role of ontologies. InSemantics, Web and Mining (pp. 147-162). Springer Berlin Heidelberg.

     

    [8].      Gabrilovich, E., & Markovitch, S. (2007, January). Computing Semantic Relatedness Using Wikipedia-based Explicit Semantic Analysis. In IJCAI (Vol. 7, pp. 1606-1611).

     

    [9].      Gonzales, E., Mabu, S., Taboada, K., & Hirasawa, K. (2010, August). Web Mining using Genetic Relation Algorithm. In SICE Annual Conference 2010, Proceedings of (pp. 1622-1627). IEEE.

     

    [10].    Kosala, R., & Blockeel, H. (2000). Web mining research: A survey. ACM Sigkdd Explorations Newsletter, 2(1), 1-15.

     

    [11].   M. Eirinaki, M. Vazirgiannis, I. Varlamis, “SEWeP: using site semantics and a taxonomy to enhance the Web personalization process”, Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining, 2003.

     

    [12].    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).

     

    [13].    Nasraoui, O., Soliman, M., Saka, E., Badia, A., & Germain, R. (2008). A web usage mining framework for mining evolving user profiles in dynamic web sites.Knowledge and Data Engineering, IEEE Transactions on, 20(2), 202-215.

     

    [14].    P. Achananuparp, H. Han, O. Nasraoui and R. Johnson, “Semantically Enhanced User Modeling”, Proceedings of the 2007 ACM Symposium on Applied Computing (Seoul, Korea, March 11 - 15, 2007). SAC '07. ACM, New York, NY, 1335-1339.

     

    [15].    Rada, R., Mili, H., Bicknell, E., & Blettner, M. (1989). Development and application of a metric on semantic nets. Systems, Man and Cybernetics, IEEE Transactions on, 19(1), 17-30.    

     

    [16].    Singh, V. K., Tiwari, N., & Garg, S. (2011, October). Document clustering using k-means, heuristic k-means and fuzzy c-means. In Computational Intelligence and Communication Networks (CICN), 2011 International Conference on (pp. 297-301). IEEE.

     

    [17].    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.

     

    [18].    Tang, Y. L., & Qin, F. (2010, July). Research on web association rules mining structure with genetic algorithm. In Intelligent Control and Automation (WCICA), 2010 8th World Congress on (pp. 3311-3314). IEEE.

    [1]. 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.

     

    [2]. 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.

     

    [3]. 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.

    [1]. 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.

     

    [2]. 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.

     

    [3]. 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.


تحقیق در مورد پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, مقاله در مورد پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, پروژه دانشجویی در مورد پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, پروپوزال در مورد پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, تز دکترا در مورد پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, تحقیقات دانشجویی درباره پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, مقالات دانشجویی درباره پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, پروژه درباره پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, گزارش سمینار در مورد پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, پروژه دانشجویی در مورد پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, تحقیق دانش آموزی در مورد پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, مقاله دانش آموزی در مورد پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب, رساله دکترا در مورد پایان نامه بهینه سازی خوشه ها با استفاده از الگوریتم های تکاملی برای شخصی سازی وب

پایان نامه کارشناسی ارشد رشته مهندسی کامپیوتر چکیده: در سال های اخیر با توجه به رشد روز افزون درخواستها و پیوستن مشتریان جدید به دنیای محاسبات، سیستم های محاسباتی نیز باید تغییر کنند و قدرتمندتر وانعطاف پذیرتر از قبل عمل نمایند. در این میان محاسبات ابری به عنوان مدلی فراتر از یک سیستم ارائه شد که در حال حاضر توانایی پاسخگویی به اکثر درخواست ها و نیازمندی ها را دارد. راه حل های ...

پایان نامه جهت اخذ مدرک کارشناسی ارشد در رشته مهندسی کامپیوتر – گرایش نرم‌افزار چکیده در تمامی پروژه­ هایی که امروزه انجام می­شوند بحث مدیریت مسأله­ای بسیار تعیین کننده است. پروژه­های نرم­افزاری نیز از این قاعده مستثنی نیستند. از مهم‌ترین جنبه­های فعالیت توسعه نرم­افزاری بحث مدیریت زمان و هزینه است. با توجه به اینکه در مراحل ابتدایی توسعه نرم­افزار اطلاعات دقیقی نسبت به جنبه­های ...

پایان نامه برای دریافت درجه کارشناسی ارشد گرایش : برق قدرت چکیده یکی از چالش های مهم طراحی در شبکه های حسگر بی سیم (WSN)، طولانی کردن طول عمر سیستم (گره) است، در حالیکه به کیفیت سرویس قابل قبولی برای کاربردها دست یافت. طولانی کردن عمر گره با کاهش مصرف انرژی ارتباط مستقیم دارد . در WSN، هر گره حسگر با توان باتری کار می کند و در اکثر موارد مخصوصا در محیط های دور و خصمانه امکان ...

پایان نامه برای دریافت درجه کارشناسی ارشد گرایش : برق قدرت چکیده یکی از چالش های مهم طراحی در شبکه های حسگر بی سیم (WSN)، طولانی کردن طول عمر سیستم (گره) است، در حالیکه به کیفیت سرویس قابل قبولی برای کاربردها دست یافت. طولانی کردن عمر گره با کاهش مصرف انرژی ارتباط مستقیم دارد . در WSN، هر گره حسگر با توان باتری کار می کند و در اکثر موارد مخصوصا در محیط های دور و خصمانه امکان ...

پایان­نامه تحصیلی جهت اخذ درجه کارشناسی ارشد رشته: کامپیوتر گرایش نرم افزار چکیده در یک شبکه حسگر که یک سیستم توزیع شده فراگیر است، یکی از موارد مورد بحث همگام‌سازی ارتباطات است. یکی از عمده وظایف همگام‌سازی فرآیند‌ها، انحصار متقابل است. الگوریتم‌های جدید ارایه شده در مقایسه با الگوریتم‌ های قدیمی با عدالت بیشتری عمل می‌نمایند. در این پایان‌نامه یک مدل با استفاده از شبکه‌های ...

پایان­نامه برای دریافت درجه کارشناسی ارشد رشته مهندسی کامپیوتر – هوش مصنوعی چکیده بخش­بندی تصویر یک فرآیند اساسی در بسیاری از کاربردهای پردازش­ تصویر و بینایی ماشین است که می­تواند به عنوان اولین مرحله پردازش سطح پایین در پردازش تصاویر دیجیتالی در نظر گرفته شود. بخش­بندی تصویر کاربردهای گوناگونی مانند پردازش تصاویر پزشکی، شناسایی چهره، سیستم­های کنترل ترافیک و غیره دارد. با توجه ...

پایان نامه برای دریافت درجه کارشناسی ارشد رشته مدیریت صنعتی (گرایش مالی) چکیده مکان یابی یک فعالیت اقتصادی اعم از یک بنگاه خرده فروشی، کارخانه، مرکز خدماتی یا ... یکی از مهمترین سوالات پیش روی یک بنگاه اقتصادی است تا آنجا که این مساله میتواند تعیین کننده موفقیت یا شکست بنگاه باشد. تاکنون مدل های زیادی به منظور کمک به اتخاذ تصمیم در حوزه مکان­یابی ایجاد شده­اند، یکی از مشهورترین ...

پایان‌نامه دوره کارشناسی ارشد مهندسی کامپیوتر چکیده گسترش وب که فاقد یک ساختار یکپارچه است مشکلات متعددی را برای کاربران ایجاد می‌نماید. عدم یافتن اطلاعات مورد نیاز کاربران در این انباره‌ی عظیم یکی از مشکلات کاربران وب می‌باشد. به منظور مقابله با این مشکلات سیستم‌ های شخصی سازی وب ارائه شده‌ است که با یافتن الگوهای رفتاری کاربران بدون درخواست صریح آنها قادر هستند تا پیشنهاداتی ...

پایان نامه کارشناسی ارشد رشته مهندسی کامپیوتر گرایش: نرم افزار چکیده ﺍﻣﺮﻭﺯﻩ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯﺷﺒﮑﻪ­ های ﺳﻨسور ﺑﻲ­ﺳﻴﻢ (Wireless Sensor Network) ﺑﻪ ﺷﮑﻞﮔﺴﺘﺮﺩﻩ­ﺍی ﺭﻭ ﺑﻪ ااست. ﺑﻪ ﻋﻠﺖ ﺍﺳﺘﻔﺎﺩﻩ ﻏﺎﻟﺐ ﺍﺯ ﺑﺎﻃﺮی ﺑﺮﺍی ﺗﺎﻣﻴﻦ ﺍﻧﺮﮊی ﻣﺼﺮﻓﻲ ﺍﻳﻦ ﺳﻨﺴﻮﺭﻫﺎ ﻭ ﻫﻤﭽﻨﻴﻦ ﻋﺪﻡ ﺩﺳﺘﺮﺳﻲ ﺁﺳﺎﻥ ﺑﻪ ﺳﻨﺴﻮﺭﻫﺎ ﺩﺭ ﺑﺴﻴﺎﺭی ﺍﺯ ﺍﻳﻦ ﮐﺎﺭﺑﺮﺩﻫﺎ، ﻣﻬﻨﺪﺳﺎﻥ ﻭ ﻣﺤﻘﻘﺎﻥ ﺑﻪ ﺳﻤﺖ ﻃﺮﺍﺣﻲ پروتکل­ ﻫﺎی ﻣﺴﻴﺮﻳﺎﺑﻲ ﺑﺎ خصوصیات انرژی مصرفی کم و افزایش طول ...

پایان نامه دکتری مهندسی برق - قدرت چکیده جزیره‌ سازی سیستمه ای ‌‌قدرت به هم پیوسته که به جداسازی و شکستن سیستمهای قدرت نیز مشهور است آخرین خط دفاعی برای مقابله با فروپاشی سیستم و جلوگیری از وقوع حوادث سهمگین در شبکه قدرت می‌باشد. جزیره‌سازی سیستمهای قدرت به هم پیوسته به عنوان یک روش کنترل گسترده به صورت یک مساله تصمیم‌گیری جامع با جزئیات بسیار زیاد و به عنوان یک بخش مهم از ...

ثبت سفارش