بهبود سیستم های توصیه گر وب از طریق مهندسی ویژگی برای پیش بینی لینک های بعدی کاربران

در دوران رشد چشم گیر محتوای آنلاین و مشارکت گسترده کاربران، درک رفتار کاربر و ارائه پیشنهادات دقیق محتوا چالش اساسی است. این مقاله رویکرد جامعی را برای بهبود دقت پروفایل دهی کاربر و افزایش دقت پیشنهاد صفحات وب ارائه می دهد. با معرفی ویژگی "مدت ارتباط کاربر با صفحات وب"، به طور قابل توجهی در بهبود پروفایل های کاربری کمک شده است. بهره گیری از این پروفایل های غنی شده، پیش بینی بازدید بعدی کاربر از صفحات وب را تسهیل می کند. در ارزیابی این مدل، مقایسه با یک سناریو بدون این ویژگی نشان می دهد که اضافه کردن این ویژگی باعث افزایش قابل ملاحظه ای در دقت پیش بینی می شود. همچنین، تحلیلی از خوشه بندی با استفاده از الگوریتم های k-means و k-medoids نشان می دهد که k-medoids تنوع بیشتری در دسته بندی نمونه ها دارد. نتایج این مقاله برتری استفاده از k-medoids را در این زمینه نشان می دهد و اهمیت تعیین اندازه بهینه خوشه ها را تاکید می کند. در نهایت، این تحقیق به توسعه یک سیستم پیشنهاد وب که توانایی پیش بینی دقیق مقصد وب بعدی کاربر را دارد، منجر شده است. این رویکرد باعث ارتقای دقت مدل در پیشنهاد لینک به کاربر می گردد و چشم انداز پیشرفت های بیشتر در این زمینه را فراهم می سازد.