بازگشت به بانک اطلاعات پایان نامه ها

شماره دانشجویی : 930561115
نام و نام خانوادگي : سیدمحمدحسین میرقاسمی
عنوان پایان نامه : ارایه یک سامانه توصیه گر مبتنی بر رفتار کاربر با استفاده از قوانین انجمنی و روش خوشه بندی k-means بهبود یافته
دانشكده : دانشکده فنی و مهندسی
گروه تحصيلي : مهندسي کامپيوتر
رشته/گرایش تحصيلي : تجارت الکترونيکي
مقطع تحصيلي : کارشناسی ارشد
استاد راهنما (عضو هیات علمی مرکز) : بابک وزیری ,
استاد مشاور (عضو هیات علمی مرکز) : رضا روانمهر ,
چكيده : امروزه در فروشگاه‌ها و سایت‌های تجاری حضور مشتریان و برقراری ارتباط با آن‌ها از اهمیت بسیار بالایی برخوردار می‌باشد. در این پایان نامه یک سامانه توصیه گر جهت افزایش کیفیت پیشنهاددهی به مشتریان ارایه شده است که برای رسیدن به این هدف از دو مرحله خوشه بندی کاربران و قوانین انجمنی استفاده می شود. جهت خوشه بندی از روش خوشه بندی k-means استفاده خواهد شد، و همچنین با بهره گیری از الگوریتم Apriori به عنوان پایه ای ترین الگوریتم داده کاوی به کشف قوانین انجمنی پرداخته می شود. در الگوریتم پیشنهادی نگاهی جدید به عمل قوانین انجمنی شده و مبتنی بر انتخاب کاربر طراحی شده است؛ یعنی کاربر با وارد کردن مقدار پارامتر مورد نظر خود در کمترین زمان ممکن قوانین انجمنی را دریافت می‌کند. از جمله مشکلات الگوریتم‌های پیشین در زمان داده کاوی می توان به این نکته اشاره کرد که این الگوریتم‌ها به دنبال یافتن مجموعه‌ اقلام تکراری می‌باشند؛ و این کار را با تولید و تست مجموعه‌ اقلام کاندید انجام می‌دهند. طبیعتا این روش از پیچیدگی زمانی بالایی برخوردار می‌باشد. در الگوریتم پیشنهادی چنین روالی در پیش گرفته نمی‌شود. بلکه با یک زاویه دید دیگر به این مسأله نگاه می‌شود و به صورت کورکورانه به جستجوی اقلام تکراری پرداخته نمی‌شود. نتیجه شبیه سازی و ارزیابی نشان می‌دهد که الگوریتم ارایه شده در بدترین حالت برای پیدا نمودن تمامی مجموعه اقلام تکراری دارای پیچیدگی زمانی 2n خواهد بود و در نتیجه از عملکرد قابل قبولی نسبت به روش های پیشین برخوردار می‌باشد. از نقاط قوت دیگر الگوریتم پیشنهادی می‌توان به این نکته اشاره کرد که در خروجی الگوریتم، انباشتگی اطلاعات تکراری وجود ندارد.
كلمات كليدي : کلمات کلیدی: سامانه توصیه گر(پیشنهادگر)، رفتار مشتری، خوشه بندی کاربران، داده کاوی، قوانین انجمنی
تاريخ دفاع : 1397-10-17