بهبود عملكرد پيش‌بيني صفحات وب با استفاده از خوشه‌بندي مبتني بر الگوريتم گرده‌افشاني گل‌ها و زنجيره ماركوف

Improving Performance of Web pages Prediction Using Clustering Based on Flowers Pollination Algorithm and Markov Chain

در سال‌هاي اخير رشد وب بيش از انتظارات بوده است. امروز چندين ميليارد سند، زبان نشانه‌گذاري ابرمتن، تصاوير و ديگر فايل‌هاي چندرسانه‌اي از طريق اينترنت در دسترس همگان قرارگرفته و اين تعداد در حال افزايش مي‌باشند. رفتارهاي كاربران در وب، به منظور پيشبيني رفتار بعدي آنها، به عنوان يكي از ابزارهاي مهم در حوزه ي وب كاوي شناخته مي شود .در بيان اهميت موضوع گفتن همين نكته بس كه پيمايش كردن كارا در ميان مستندات وب، به دليل رشد عظيم تعداد مستندات در شبكه گسترده جهاني، نشدني شده است. بهبود فرآيند پيش بيني مي تواند موجب كاهش زمان دسترسـي كاربران به اطلاعات مورد نيازشان در هنگام پيمايش صفحـات وب گردد. مدل هاي ماركوف به طور گسترده براي مدلسازي و پيشبيني رفتار پيمايشي كاربر استفاده مي شوند. اين مدل براساس احتمال انتقال بين صفحات وبي كه قبلاً در فايلهاي ثبت وب ذخيره شده اند، عمل مي كند. در اين مقاله از تركيب مدل ماركوف همه مراتب و خوشه بندي مبتني بر الگوريتم گرده افشاني گل ها براي پيش بيني صفحه بعدي كاربر استفاده شده است. براي بهبود الگوريتم گل‌ها تغييراتي در آن ايجاد شده، كه نه تنها سرعت همگرايي بلكه دقت آن را در خوشه بندي نيز افزايش داده است. در زمينه‌ي پيشبيني صفحات وب آنچه كه از اهميت اصلي برخوردار مي باشد، صحت پيشبيني است. نتايج پياده سازي بيانگر بهبود پيشبيني ها نسبت به مدل ماركوف است.

In recent years, web growth has been more than expected. Today, several billion documents, hypertext markup languages, images and other multimedia files are made available to the general public, and this number is rising. But due to the diverse content of the web, retrieval of interesting content has become a difficult task. Therefore, the Web has become a fruitful area for data mining research. Web prediction is a classification problem in which we try to predict the preceding set of Web pages in which a user may visit supported on the knowledge of the previously visited pages. While serving the Internet user’s behavior prediction can be applied effectively in various critical applications. Such application has usual tradeoffs between modeling complexity and prediction accuracy. In this paper, the combination of a Markov model of all levels and clustering based on the flower pollination algorithm is used to predict the user s next page. With the changes made in the flowering algorithm, not only the speed of convergence but also its accuracy in clustering has also increased. In predicting web pages, what s most important is prediction accuracy. The results of implementation indicate improvements in predictions relative to the Markov model.