ترکیب سیستم‌های توصیه‌گر در صفحات وب

با رشد سریع شبکه جهانی اینترنت، پیدا کردن اطلاعات مفید از اینترنت به یک مساله مهم تبدیل شده‌است. سیستم‌های توصیه‌گر در وب به کاربران در تصمیم‌گیری در این فضای اطلاعات پیچیده کمک می‌کنند که در آن حجم اطلاعات موجود در دسترس، بسیار زیاد است. به تازگی، تعدادی از سیستم‌های توصیه‌گر در وب برای استخراج تصمیمات از مسیر استفاده کاربر توسعه داده شده‌اند و درخواست بعدی را به صورت بازدید از صفحات وب قبلی، پیش‌بینی می‌کنند. با این حال، هر یک از این سیستم‌ها دارای مزایا و محدودیت‌های خاص خود هستند. در این مقاله، ما یک سیستم توصیه‌گر ترکیبی را مورد بررسی قرار می‌دهیم، که نتایج روش‌های توصیه گری مبتنی بر وب کاوی را با هم ترکیب می‌کند. ما یک ارزیابی مقایسه‌ای دقیق از این که چگونه روش‌های ترکیبی مختلف و تکنیک‌های پیشنهادی مختلف بر دقت پیش‌بینی توصیه های ترکیبی تاثیر می‌گذارند، انجام می‌دهیم. سپس نتایج را از نظر استفاده از سیستم توصیه گر ترکیبی به جای یک مدل توصیه گر منفرد مورد بحث قرار می‌دهیم. نتایج ما نشان می‌دهد که سیستم توصیه‌گر ترکیبی در پیش‌بینی تقاضای بعدی یک کاربر وب، بهتر است.

With the rapid growth of the World Wide Web (www), finding useful information from the Internet has become a critical issue. Web recommender systems help users make decisions in this complex information space where the volume of information available to them is huge. Recently, a number of Web page recommender systems have been developed to extract the user behavior from the user’s navigational path and predict the next request as s/he visits Web pages. However, each of these systems has its own merits and limitations. In this paper, we investigate a hybrid recommender system, which combines the results of several recommender techniques based on Web usage mining. We conduct a detailed comparative evaluation of how different combined methods and different recommendation techniques affect the prediction accuracy of the hybrid recommender. We then discuss the results in terms of using a hybrid recommender system instead of a single recommender model. Our results suggest that the hybrid rec