فرمت فایل : Word
*دارای چکیده به زبان انگلیسی
چکیده : گرانبار شدن اطلاعات یک مشکل عمده در وب کنونی به شمار میرود. برای مقابله با این مشکل، سیستمهای شخصی سازی وب ارائه شدهاند که محتوا و سرویس های یک وبسایت را با افراد براساس علایق و رفتار گردشی آنها سازگار میکنند. یک مولفهی اساسی در هر سیستم شخصیسازی وب، مدل کاربر آن است. محتوای صفحات یک وبسایت را میتوان به منظور ایجاد مدل دقیقتری از کاربر مورد استفاده قرار داد، اما رویکردهای مبتنی بر کلمات کلیدی نگرش عمیقی از وبسایت ندارند. اخیرا تحقیقاتی برای ترکیب کردن معنای موجود در وب¬سایت در نمایش کاربران آن انجام شده است. تمامی این تلاشها یا از یک رده بندی یا واژگان شناختی خاص و دست ساخته و یا از واژگان¬شناختیهای عمومی مانند WordNet برای نگاشت مشاهده صفحات به عناصر معنایی استفاده میکنند. با این وجود ساختن یک سلسله مراتب از مفاهیم بصورت دستی زمانبر و هزینهبر است. از سوی دیگر منابع معنایی لغوی عمومی از پوشش کم عبارات خاص دامنه رنج می برند. در این پایان نامه ما قصد داریم که هر دوی این نقصها را برطرف کنیم. دستاورد اصلی ما این است که مکانیسمی برای بهبود نمایش کاربر در وبسایت بصورت خودکار و با استفاده از یک منبع معنایی لغوی جامع معرفی میکنیم. ما از Wikipedia، بزرگ ترین دایره المعارف امروزی به عنوان یک منبع غنی معنایی برای بهبود ساخت خودکار مدل برداری از علایق کاربر بهره برداری می کنیم. معماری ارائه شده شامل تعدادی مولفه است که عبارتند از: پیش پردازش اولیه، استخراج مفاهیم دامنه ی وب سایت، استخراج کلمات کلیدی از وب سایت، سازنده ی بردار کلمات کلیدی و نگاشت کلمات کلیدی به مفاهیم. دستاورد مهم دیگر استفاده از ساختار وب سایت برای محدود کردن خودکار مفاهیم خاص دامنه می باشد. سرانجام، آخرین دستاورد آن یک روش جدید نگاشت کلمات کلیدی به مفاهیم است. ارزیابی های ما نشان می دهد که روش پیشنهادی همراه با منبع معنایی لغوی جامع آن کاربران را بصورت موثرتری نسبت به روش کلمات کلیدی و نیز روش های بر مبنای WordNet نمایندگی می کند.
Abstract
Information overload is a major problem in the current World Wide Web. To tackle this problem, web personalization systems have been proposed that adapt the contents and services of a website to individual users according to their interests and navigational behaviors. A major component in any web personalization system is its user model. The content of the pages in a website can be utilized in order to create a more precise user model, but keyword based approaches lack a deep insight of the website. Recently a number of researches have been done to incorporate semantics of a website in representation of its users. All of these efforts use either a specific manually constructed taxonomy or ontology or a general purpose one like WordNet to map page views into semantic elements. However, building a hierarchy of concepts manually is time consuming and expensive. On the other hand, general purpose resources suffer from low coverage of domain specific terms. In this thesis we intend to address both these shortcomings. Our main contribution is that we introduce a mechanism to automatically improve the representation of the user in the website using a comprehensive lexical semantic resource. We utilize Wikipedia, the largest encyclopedia to date, as a rich lexical resource to enhance the automatic construction of vector model representation of user interests. The proposed architecture consists of a number of components namely basic log preprocessing, website domain concept extraction, website keyword extraction, keyword vector builder and keyword to concept mapping. Another important contribution is using the structure of the website to automatically narrow down domain specific concepts. Finally the last contribution is a new keyword to concept mapping method. Our evaluations show that the proposed method along with its comprehensive lexical resource represents users more effectively than keyword based approaches and WordNet based approache
فهرست
1- مقدمه 9
مقدمه 13
1-1- دلايل نياز به شخصی سازی وب 13
1-1-1- گرانبار شدن اطلاعات 13
1-1-2- نیاز به جذب مشتری پابرجای برای وب سایت 14
1-2- تعریف شخصی سازی وب 14
1-3- فواید سیستم شخصی سازی وب 14
1-4- تفاوت شخصی سازی وب با تطبیق طرح کلی سایت 15
1-5- طبقه بندی عملکردهای اصلی شخصی سازی وب 15
1-6- نیازمندیهای اصلی سیستم شخصی سازی وب 16
1-7- رویکرد های موجود در شخصی سازی وب 17
1-8- نقش وب کاوی کاربرد وب در شخصی سازی وب 18
1-9- نیاز به استفاده از محتوا در شخصی سازی وب 19
1-10- نیاز به استفاده از معنا در شخصی سازی وب 19
1-11- هدف پروژه 21
1-12- نحوه ی گردآوری مراجع 21
1-13- رویکرد بکار رفته در تحقیق 21
1-14- ساختار پایان نامه 22
مراجع 22
2- مطالب پیش زمینه 25
مقدمه 25
2-1- شخصی سازی وب براساس وب کاوی کاربرد وب 25
2-1-1- آماده سازی و مدلسازی داده 28
2-1-1-1- منابع و انواع داده 29
2-1-1-1-1- داده های کاربرد 29
2-1-1-1-1-1- فرمت های ثبت 30
2-1-1-1-1-2- منابع داده های کاربرد 32
2-1-1-1-2- داده های محتوا 36
2-1-1-1-3- داده های ساختار 37
2-1-1-1-4- داده های کاربران 37
2-1-1-2- آماده سازی و پیش پردازش داده ها 38
2-1-1-2-1- پاکسازی داده ها 38
2-1-1-2-2- شناسایی کاربر 40
2-1-1-2-3- تشخیص مشاهده صفحه 41
2-1-1-2-4- تشخیص جلسه ی کاربر 42
2-1-1-2-5- تکمیل مسیر 43
2-1-1-2-6- تشخیص تراکنش 44
2-1-1-2-7- پیش پردازش نهایی داده های کاربرد 46
2-1-1-2-8- یکپارچه سازی داده ها از منابع گوناگون 47
2-1-2- کشف الگو از داده های کاربرد وب 48
2-1-2-1- سطوح و انواع تحلیل 48
2-1-2-2- وظایف داده کاوی بر روی داده های کاربرد وب 49
2-1-2-2-1- کاوش قواعد انجمنی 50
2-1-2-2-2- کشف الگوهای ترتیبی 52
2-1-2-2-3- خوشه بندی 57
2-1-3- استفاده از الگوهای کشف شده جهت شخصی سازی وب 61
2-1-4- زمینه های تحقیقاتی شخصی سازی وب 61
2-2- منابع معنایی لغوی 63
2-2-1- فرهنگ لغت 63
2-2-2- فرهنگ های جامع 63
2-2-3- واژگان شناختی و رده بندی 64
2-2-3-2- رده بندی 67
2-2-3-3- واژگان شناختی ها و رده بندی های موجود 67
2-2-3-3-1- واژگان شناختی های مربوط به یک دامنه ی خاص 68
2-2-3-3-2- واژگان شناختی های عمومی 68
2-2-3-3-2-1- CYC و OpenCYC 68
2-2-3-3-2-2- WordNet 68
2-2-3-3-2-3- دایرکتوری های وب 70
2-2-3-4- زبان های نمایش واژگان شناختی 71
2-2-4- فرهنگ های عمومی 72
2-2-4-1- Wikipedia 72
2-2-4-1-1- نقاط ضعف و قوت Wikipedia 74
2-2-4-1-2- ساختار Wikipedia 75
2-2-4-1-3- انواع اطلاعات معنایی لغوی در Wikipedia 76
2-2-5- نتیجه گیری 78
مراجع 80
3- کارهای انجام شده در زمینه مدلسازی کاربر در شخصی سازی وب با استفاده از محتوای وب 85
مقدمه 85
3-1- تکنیک های مورد استفاده 86
3-1-1- تکنیک tf-idf 86
3-1-2- تکنیک تحلیل معنایی پنهان 86
3-1-3- تکنیک های مربوط به محاسبه ی ارتباط معنایی دو کلمه 87
3-1-3-1- معیارهای ارتباط معنایی مهم در ساختارهای سلسله مراتبی 87
3-1-3-1-1- رویکردهای مبتنی بر مسیر 88
3-1-3-1-2- رویکردهای مبتنی بر محتوای اطلاعات 88
3-1-3-1-3- رویکردهای مبتنی بر همپوشانی متن 89
3-1-3-2- رویکردهای محاسبه ی ارتباط معنایی دو کلمه برای روابط غیر رابطه ی هست 89
3-1-3-3- کارهای انجام شده در مورد محاسبه ی ارتباط معنایی دو کلمه در Wikipedia 90
3-2- رویکردهای انجام شده در زمینه ی مدلسازی کاربر در وب سایت با استفاده از محتوای صفحات 91
3-2-1- رویکردهای بر مبنای کلمات کلیدی 92
3-2-2- رویکردهای معنایی 92
3-2-2-1- روش های آماری 93
3-2-2-2- روش های مبتنی بر سلسله مراتب 94
جمع بندی 100
مراجع 101
4- روش پیشنهادی 106
مقدمه 106
4-1- تعریف مساله 106
4-2- طراحی روش جدید 106
4-2-1- مولفه ی پیش پردازش اولیه ی ثبت 107
4-2-2- مولفه ی استخراج کلمات کلیدی از صفحات وب سایت 107
4-2-3- مولفه ی استخراج مفاهیم دامنه از وب سایت 111
4-2-4- مولفه ی سازنده ی بردار کلمات کلیدی 113
4-2-5- مولفه ی نگاشت 115
4-6- دیاگرام های UML قسمت های اصلی سیستم 117
4-7- بررسی تطابق طرح پیشنهادی با صورت مساله 117
جمع بندی 119
مراجع 119
5- جزئیات پیاده سازی 121
مقدمه 121
5-1- مولفه ی پیش پردازش اولیه ی ثبت 121
5-1-2- نحوه ی دریافت ثبت وب سرور 121
5-2- مولفه ی استخراج کلمات کلیدی از صفحات وب سایت 123
5-3- مولفه ی استخراج مفاهیم دامنه از وب سایت 125
5-4- مولفه ی سازنده ی بردار کلمات کلیدی 125
5-5- مولفه ی نگاشت 125
5-6- پیاده سازی آزمایشات 125
جمع بندی 126
مراجع 126
6- ارزیابی روش پیشنهادی 129
مقدمه 129
6-1- مجموعه داده ها 129
6-2- پارامترهای ارزیابی 130
6-3- بررسی درستی مولفه های سیستم 131
6-4- آزمایشات انجام شده 131
6-4-1- سخت افزار مورد استفاده 132
6-4-2- نتایج آزمایشات 132
6-4-3- تحلیل نتایج آزمایشات 132
جمع بندی 133
مراجع 133
7- نتیجه گیری و کارهای آینده 136
مقدمه 136
7-1- نتایج حاصل از پروژه 136
7-2- دستاوردهای پروژه 136
7-3- کارهای آینده 137
مراجع 139
واژه نامه 145
فهرست شکل ها
شکل 2-1- مولفه های برون خطی آماده سازی داده و کشف الگو 23
شکل 2-2- مولفه برخط شخصی سازی وب 24
شکل 2-3- تراکنش HTTP 25
شکل 2-4- URL و URI 26
شکل 2-5- مکان های جمع آوری داده های کاربرد وب 28
شکل 2-6- مثالی از مدل کردن رفتار گردشی کاربر با زنجیره ی مارکف 51
شکل 2-7- مثالی از مدل کردن رفتار گردشی در یک درخت تجمعی 53
شکل 2-8- مثالی از استخراج پروفایل های تجمعی کاربرد از خوشه های تراکنش ها 55
شکل 2-9- بخشی از زمینه های تحقیقاتی شخصی سازی وب 58
شکل 2-10- نمونه ای از واژگان شناختی 61
شکل 2-11- نمونه ای از یک رده بندی 63
شکل 3-1- استفاده از SVD برای تجزیه ماتریس D * T 83
شکل 3-2- مفسر معنایی سیستم ESA 87
شکل 3-3- ماتریس SESSION-PAGE VIEW 89
شکل 3-4- تولید C-LOG 93
شکل 4-1- معماری کلی سیستم پیشنهادی 103
شکل 4-2- جزئیات مولفه ی استخراج کلمات کلیدی 105
شکل 4-3- شبه کد مولفه استخراج کلمات کاندیدا 106
شکل 4-4- شبه کد مولفه رتبه بندی کلمات کاندیدا 106
شکل 4-5- جزئیات مولفه ی استخراج مفاهیم دامنه 107
شکل 4-6- شبه کد بخش فیلتر کردن کاندیدا 108
شکل 4-7- شبه کد مولفه سازنده بردار کلمات کلیدی 110
شکل 4-8- شبه کد مولفه ی نگاشت 111
شکل 4-9- CLASS DIAGRAM مولفه های اصلی سیستم 113
شکل 4-10- SEQUENCE DIAGRAM بخش اصلی سیستم 114
فهرست جدول ها
جدول 2-1- مثال هایی از ارتباطات لغوی در WORDNET 66
جدول 2-2- منابع اطلاعات معنایی لغوی در WIKIPEDIA 73
جدول 2-3- مقایسه ی انواع منابع معنایی لغوی جهت استفاده در شخصی سازی وب 74
جدول 4-1- بردارهای کلمات کلیدی صفحات وب سایت مثال1 110
جدول 4-2- بردارهای کلمات کلیدی جلسه ی داده شده در مثال1 110
جدول 4-3- کلمات کلیدی و وزن های فرضی آنها در مثال 2 112
جدول 4-4- مفاهیم موجود در صفحات جلسات کاربر به همراه وزن های آنها در مثال 2 112
جدول 5-1- ساختار دستور CUSTOMLOG 117
جدول 5-2- ساختار دستور LOGFORMAT 117
جدول 6-1- نتایج آزمایشات انجام شده بر روی 100 جلسه ی تصادفی 128