• شماره ركورد
    17733
  • شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
    17733
  • پديد آورنده

    انيس فرشيان عباسي

  • عنوان
    ارائه مدلي براي تحليل رفتار كاربران الكترونيكي مبتني بر تكنيك هاي وبكاوي
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسي فناوري اطلاعات - تجارت الكترونيكي
  • تاريخ دفاع
    اسفند 1395
  • استاد راهنما
    دكتر محمد فتحيان - دكتر ابراهيم تيموري
  • دانشكده
    صنايع
  • چكيده
    امروزه ظهور خدمات مبتني بر وب مانند تجارت الكترونيكي، يادگيري تحت وب و بانك¬داري الكترونيكي موجب ايجاد تغييرات اساسي در روش استفاده از اينترنت شده است و وب¬سايت¬ها را به محيطي براي تجارت تبديل كرده است. وب، يك رسانه‌ي ارتباط مستقيم با هزينه‌ي بسيار كم را براي ارائه خدمات سازمان‌ها و كسب وكارها به مشتريانشان فراهم مي‌كند. اين راه، نحوه¬ي تجارت سنتي را دچار تحول كرده و روز به روز در عرصه¬ي تجارت، محبوب‌تر شده است. هم‌چنين، براي سازمان‌ها، ارزيابي اينكه آيا خدمات ارائه شده‌ي مبتني بر وب به هدف مورد نظر رسيده است، يعني شخصي‌سازي خدمات انجام شده و ميزان اثربخشي كمپين‌هاي تبليغاتي مورد ارزيابي قرار گرفته و مزيت رقابتي بر مبناي درك درست رفتار دستيابي كاربر ايجاد شده است، امري مهم و ضروري مي¬باشد. لذا كشف دانش نهفته در نحوه¬ي تعامل كاربران در وب بيش از پيش مورد توجه قرار گفته است. شركت¬ها و سازمان¬ها براي فعاليت¬هاي ترويجي و بازاريابي هدفمند، توليد محتواي سفارشي و نگهداري مشتريان، نياز به ثبت، بررسي و تحليل رفتار و علاقه¬مندي¬هاي كاربران دارند تا بتوانند محتوا و ظاهر وب¬سايت خود را با علايق و نيازهاي كاربران سازگار كنند و شخصي¬سازي را انجام دهند. شخصي¬سازي وب، مجموعه¬ عملياتي است كه اطلاعات و خدمات ارائه شده در بستر وب را با نيازهاي يك كاربر خاص و با توجه به ويژگي¬ها و علايق خاص وي سازگار مي¬كند و بر اساس الگوهاي رفتاري كاربران، پيشنهادات پويا ارائه مي¬دهد. در اين راستا، براي تحليل رفتار كاربران و ارائه¬ي پيشنهادات مناسب به آن¬ها، مي¬توان از تكنيك¬هاي وب¬كاوي استفاده نمود. در اين تحقيق، مدلي ارائه شده است كه به كمك آن مي¬توان رفتار كاربران الكترونيكي را تحليل و پيش¬بيني كرد. در اين مدل، ابتدا كاربران به كمك الگوريتم انتشار كشش ، خوشه¬بندي شده¬اند و سپس به ¬وسيله الگوريتم كاوش الگوهاي ترتيبي CM-SPADE، رفتارشان تحليل شده است. در گام بعد براي هر خوشه، پروفايل كاربري (كه شامل صفحاتي مي¬شود كه كاربران آن خوشه به آن¬ها علاقه بيشتري نشان داده¬اند) تشكيل مي¬شود. سپس به كمك اين پروفايل¬ها، مي¬توان توصيه¬هايي را به كاربران جديد ارائه كرد. در انتهاي كار نيز مدل پيشنهادي ارزيابي شده است. نتايج به¬دست آمده حاكي از اين است كه مدل ارائه شده كارايي قابل قبولي دارد.
  • تاريخ ورود اطلاعات
    1396/06/15
  • تاريخ بهره برداري
    2/20/2018 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    انيس فرشيان عباسي

  • چكيده به لاتين
    Nowadays, web-based services like E-Commerce, E-Learning and E-Banking make fundamental changes to the ways of the usage of internet and make web sites place for business. Web, connects organizations to their customers and shares a direct media with low costs for services of the organizations or businesses. This method changes the conventional ways of trade and becomes more and more popular in this field. Moreover, for organizations, eva​luation of their web-based services and the way of personalizing these services and definition of their competitive advantages based on users' behavior analysis are vital. Hence, discovering hidden knowledge in users' interactions with web attracts more attentions. Organizations and companies need to record, study and analyze their users' behaviors and interests in order to adapt content and interface of their web site to users' interests. Web personalization can be defined as any set of actions that adapts information and services of the web to users' needs based on their characteristics and interests and makes dynamic suggestions according to users' behavioral patterns. For analyzing users' behaviors and making good recommendations, web mining techniques can be used. In this thesis, a model was represented that can be used for analyzing and predicting users' behaviors of a specific web site. First, users were clustered with affinity propagation algorithm and then, their behaviors were analyzed using sequential pattern mining algorithm called CM-SPADE. In the next step, for each cluster, Users' profile was created (users' profile consists of popular web pages among users in a specific cluster). Then by using these profiles, recommendations can be made for new users. At last, the represented model was eva​luated and the final results were acceptable.