Journal des technologies de l'information et du génie logiciel
Libre accès

Abstrait

Fournir un système de recommandation Web pour améliorer la qualité de la recherche à l'aide des algorithmes de clustering DBSCAN et de la méthode de suivi des machines SVM

Molae Fard

Aujourd'hui, en raison de la croissance croissante des pages Web, l'existence d'un système capable d'extraire les informations nécessaires aux utilisateurs à partir de l'énorme quantité de données disponibles sur le Web semble nécessaire. Pour ce faire, nous devons personnaliser les systèmes en question. L'une des meilleures façons de personnaliser votre système est d'utiliser des systèmes de recommandation. Les systèmes de recommandation sont des systèmes qui peuvent fournir des suggestions appropriées à l'utilisateur en obtenant des informations limitées de l'utilisateur. Les systèmes de recommandation peuvent prédire les futures demandes d'un utilisateur, puis générer une liste des pages préférées de l'utilisateur. En d'autres termes, un index précis du comportement de l'utilisateur peut être obtenu et une page peut être prédite que l'utilisateur sélectionnera lors de la prochaine étape, ce qui peut résoudre le problème du système de démarrage à froid et améliorer la qualité de la recherche. Dans cet article, une nouvelle méthode est proposée pour améliorer les systèmes de recommandation dans le domaine du Web, qui utilise l'algorithme de clustering DBSCAN pour le clustering des données, qui atteint un score d'efficacité de 99 %. Ensuite, à l'aide de l'algorithme Page Rank, les pages préférées de l'utilisateur sont pondérées. Ensuite, en utilisant la méthode SVM, nous catégorisons les données et donnons à l'utilisateur un système de recommandation hybride pour générer une prévision, qui fournira finalement au recommandateur une liste de pages susceptibles d'intéresser l'utilisateur. L'évaluation des résultats de la recherche a montré que l'utilisation de cette méthode proposée peut atteindre un score de 95 % dans la section d'appel et un score de 99 % dans la section de précision, ce qui prouve que ce système de recommandation peut atteindre jusqu'à 90 %. Identifiez correctement les pages utilisateur et réduisez considérablement les faiblesses des autres systèmes précédents.