پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران

word 1 MB 30600 99
1392 کارشناسی ارشد مهندسی کامپیوتر
قیمت قبل:۷۴,۶۰۰ تومان
قیمت با تخفیف: ۳۴,۷۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان نامه‌ برای دریافت درجه‌ی کارشناسی ارشد «.M.SC» در رشته مهندسی کامپیوتر

    گرایش نرم افزار

    چکیده:

    امروزه وب جهان گستر به عنوان بهترین محیط جهت توسعه، انتشار و دسترسی به دانش مورد استفاده قرار می‌گیرد. مهم‌ترین ابزار برای دسترسی به این اقیانوس بی کران اطلاعات، موتورهای جستجو می‌باشد که یکی از اصلی‌ترین بخش‌های آن رتبه‌بندی در پاسخ به جستجوی کاربر است. بنابراین کمک به کاربران برای پیدا کردن صفحه وب مورد نظرشان یک مسئله بسیار مهم است. با توجه به مشکلات روش‌های مبتنی بر متن و پیوند، روش‌های مبتنی بر رفتار و قضاوت کاربر برای برقراری عدالت و دموکراسی در وب مورد توجه قرار گرفته است. به عبارت دیگر جهتِ رشد وب از نظر کمی و کیفی، تعیین صفحات اصلح توسط خود کاربران انجام می‌پذیرد. ولیکن تشخیص و استخراج قضاوت کاربران از اهمیت خاصی برخوردار می‌باشد. رفتار کاربر در حین جستجو، شامل متن پرس‌و‌جو، نحوه کلیک کاربر بر روی لیست رتبه‌بندی شده نتایج، زمان توقف در صفحه و دیگر اطلاعات موجود در خصوص وقایع ثبت شده در حین جستجو می‌باشد. این وقایع ثبت شده، حاوی اطلاعات بسیار ارزشمندی هستند که از آن‌ها می‌توان جهت تحلیل و ارزیابی و مدل‌سازی رفتار کاربران به منظور بهبود کیفیت نتایج استفاده کرد. در این پژوهش مدلی ارائه می‌گردد که به ازای هر پرس‌وجوی مشخص بازخوردهای مثبت و منفی کاربران از جمله تعداد دفعات دست‌یابی یک سایت، مدت زمان سپری‌شده در هر سایت، تعداد دانلودهای انجام شده در هر سایت، تعداد کلیک‌های مثبت و تعداد کلیک‌های منفی در هر سایت از لیست نشان داده شده از صفحات وب، را دریافت کرده و رتبه هر صفحه را با استفاده از روش‌ تصمیم‌گیری چند شاخصه محاسبه می‌کند و یک رتبه‌بندی جدید از سایت‌ها ارائه می‌دهد و این رتبه‌بندی را مرتباً با استفاده از بازخوردهای بعدی کاربران به روز می‌نماید.

     

    واژه‌های کلیدی:

    موتور جستجو، رفتار کاربر، بازخورد کاربر، تصمیم‌گیری چندشاخصه

    فصل اول

    کلیات پژوهش

    1-1 مقدمه

    اینترنت از صفحات وب که شامل موضوعات متفاوتی هستند، تشکیل شده است. برای یافتن موضوعی خاص در این مجموعه عظیم صفحات، نیاز به استفاده از یک موتور جستجو است. موتورهای جستجو با توجه به پرس‌وجوی کاربر در پایگاه داده‌ی خود جستجو را انجام داده و نتایج جستجو را به کاربر نشان می‌دهند. با توجه به این که امکان پیدا شدن صفحات بسیاری، به عنوان مثال امکان یافتن میلیون‌ها صفحه، به عنوان نتیجه جستجوی یک درخواست وجود دارد و ممکن است که تعداد اندکی از این صفحات نیاز واقعی کاربر را پاسخ دهند، معمولاً موتورهای جستجو نتایج را بر اساس اهمیت صفحه، رتبه‌بندی کرده و به همین ترتیب به کاربر نمایش می‌دهند.

     به دلیل گستردگی صفحات موجود در وب و رشد روزافزون آن‌ها، نیاز به روش‌هایی برای رتبه‌بندی صفحات وب بر اساس میزان اهمیت این صفحات و ارتباط آن‌ها با موضوع مورد جستجو است. رتبه‌بندی از اجزای اصلی یک سیستم بازیابی اطلاعات است. در مورد موتورهای جستجوی وب، که از جمله سیستم‌ های بازیابی اطلاعات هستند، به دلیل طبیعت به خصوص کاربران وب، نقش رتبه‌بندی بسیار پررنگ‌تر است. برای موتورهای جستجوی وب یافتن هزاران و بلکه میلیون‌ها صفحه به عنوان نتایج جستجو امری طبیعی است و از جهت دیگر کاربر وب، حوصله و زمان کافی برای مشاهده تمام نتایج برای رسیدن به صفحه مورد علاقه خود را ندارد. بیشتر کاربران وب به صفحات بعد از صفحه اول نتایج جستجو اهمیتی نمی‌دهند. بنابراین برای یک موتور جستجوی وب بسیار مهم است که نتایج مورد علاقه کاربر را در صدر نتایج یافت شده به کاربر نشان دهد، در غیر این صورت موتور جستجو کارایی لازم را نخواهد داشت.

     از جهت دیگر، نیاز کاربرانی که عمل جستجو در وب را انجام می‌دهند با سیستم‌های بازیابی اطلاعات سنتی، که در آن‌ها تنها به تطبیق واژگان موجود در پرس‌و‌جو و متن صفحات اکتفا می‌شد متفاوت است. در سیستم‌های بازیابی اطلاعات سنتی، صفحه‌ای که توسط کاربر معمولی نوشته شده ممکن است ارتباط بسیار زیادی با درخواست کاربر داشته باشد، در صورتی که هدف جستجو چیز دیگری بوده است. بنابراین کاربران وب بیشتر علاقه‌مند به صفحاتی هستند که نه تنها مرتبط با موضوع بوده بلکه از اعتبار کافی هم برخوردار باشند. در نتیجه، به هنگام جستجوی وب تمرکز از ارتباط بیشتر به سمت اعتبار بیشتر تغییر می‌یابد. وظیفه‌ی یک الگوریتم رتبه‌بندی تشخیص و تخصیص رتبه بیشتر به صفحات معتبرتر در مجموعه صفحات وب است.

    1-2 بازیابی اطلاعات

    بازیابی اطلاعات[1] شامل استانداردها و پروتکل‌های نمایش، ذخیره‌سازی، سازماندهی و دسترسی به اقلام اطلاعاتی با هدف بازیابی کلیه‌ی اسنادی که با پرس‌وجوی[2] کاربر مرتبط است، می‌باشد. بازیابی اطلاعات به دو حوزه کاربر و اطلاعات و یک حوزه میانی بنام حوزه بازیابی تقسیم می‌شود(شکل 1-1). در حوزه کاربر نیاز اطلاعاتی کاربر بیان می‌شود که در اکثر موارد باید به زبان سیستم بازیابی این نیاز بیان شود یا اینکه سیستم با توجه به رفتار کاربر، تاریخچه‌ی رفتار وی یا اطلاعات مستقیمی که از تخصص یا موارد شخصی وی دارد، او را مدل کرده و نیاز اطلاعاتی او را پیش‌بینی کند. در حوزه اطلاعات باید اطلاعات و دانش نهفته در اسناد و داده‌ها مدل سازی و سازماندهی شود. حوزه بازیابی نیز  فصل مشترک این دو و تطبیق‌دهنده نیاز اطلاعاتی کاربر با اسناد اطلاعاتی است. نیازهای اطلاعاتی یا به صورت پرس‌وجوهای بر خط[3] به حوزه بازیابی ارسال می‌شوند که در این حالت از مجموعه‌ی اسناد موجود موارد مرتبط بازیابی می‌شود و یا اینکه پرس‌وجویی وجود دارد که در معرض جریان اطلاعات (مثلاً اخبار) قرار می‌گیرد و اسناد مرتبط را فیلتر و جدا می‌کند.

     

    Abstract

     

    Today, the World Wide Web as the best environment for the development and dissemination of and access to knowledge are used. The main tool to access the endless ocean of information, search engines are one of the major sectors are ranked in response to a user's search. Thus helping the user to find their desired web page is a very important issue. Due to the text and link-based methods, methods based on user's behavior and judgment to restore justice and democracy on the web is considered. In other words, for web growth in terms of quantity and quality determine the fittest pages done by users themselves. However, it is important to detect and extract users' judgment. User behavior during the search, including text query, the user clicks on the list of ranked results, stop time on the page and the information is recorded events during the search. These logs contain valuable information which they can analyze and evaluate the user behavior modeling can be used to improve the quality of the results.

    This paper presents a model in which each query identifies five of the positive and negative feedback, including the number of users accessing the site, dwell time at each site, the number of downloads made ​​at each site, number of positive and negative clicks per site at each list shown in web pages, receive and rank each page using one of the methods called TOPSIS multi-criteria decision calculates a new ranking of sites offering these rankings frequently using feedback from users to date is later.

    Keywords:


    search engine, user behavior, user’ feedback, multiple Attribute Decision making

     

  • فهرست:

    چکیده......................................................................................................................................................1

    فصل اول: کلیات پژوهش                                                                                                

    1-1 مقدمه...............................................................................................................................................3

    1-2 بازیابی اطلاعات...............................................................................................................................4

    1-3 انگیزش............................................................................................................................................5

    1-4 موتور جستجو..................................................................................................................................9

    1-5 نمایه‌سازی و پردازش پرس‌و‌جو....................................................................................................11

    1-6 تصمیم‌گیری چند شاخصه.............................................................................................................13

    1-7 بیان مسأله اساسی تحقیق...............................................................................................................13

    1-8 اهمیت و ضرورت انجام تحقیق....................................................................................................14

    1-9 اهداف مشخص تحقیق..................................................................................................................16

    1-10 فرضیه‏های تحقیق........................................................................................................................16

    فصل دوم :مروری بر کارهای انجام شده

    2-1 مقدمه.............................................................................................................................................18

    2-2 رتبه‌بندی بر مبنای متن...................................................................................................................19

    2-2-1 مدل فضای برداری....................................................................................................................19

    2-2-2 مدل احتمالی.............................................................................................................................20

    2-3 رتبه‌بندی مبتنی بر اتصال...............................................................................................................22

    2-3-1 رتبه‌بندی مستقل از پرس وجو..................................................................................................23

    2-3-2 رتبه‌بندی وابسته به پرس وجو..................................................................................................27

    2-3-3 چالش‌های رتبه‌بندی بر اساس پیوند.........................................................................................31

    2-4 رتبه‌بندی ترکیبی............................................................................................................................34

    2-5 رتبه‌بندی مبتنی بر یادگیری............................................................................................................37

    2-6 رتبه‌بندی مبتنی بر رفتار کاربر........................................................................................................39

    2-6-1 گسترش سند.............................................................................................................................42

    2-6-2 روش NM................................................................................................................................45

    2-6-3 روش CVM ............................................................................................................................43

    2-6-4 روش LA ................................................................................................................................45

    2-6-5 روشی برای رتبه‌بندی وب با تعریف فاکتورهای محبوبیت.......................................................46

    2-6-6 مدل مارکو از رفتار کاربر به عنوان یک پیش بینی‌گر در جهت یک جستجوی موفق..............51

    فصل سوم: شرح روش پیشنهادی                                                                                         

    3-1 تحلیل یک سیستم چند معیاره.......................................................................................................64

    3-2 بررسی فرآیند تصمیم‌گیری چند شاخصه......................................................................................64

    3-2-1 بی مقیاس کردن........................................................................................................................66

    3-2-2 وزن دهی به شاخص‌ها.............................................................................................................67

    3-3 توصیف روش TOPSIS...............................................................................................................69

    3-4 روش پیشنهادی  .............................................................................................................................71

    فصل چهارم: پیاده سازی و ارزیابی روش پیشنهادی

    4-1 خصوصیات روش پیشنهادی  .........................................................................................................75

    4-2 توصیف شبیه‌سازی مدل پیشنهادی  .76

    4-3 نمونه شبیه‌سازی مدل پیشنهادی  79

    فصل پنجم: نتیجه گیری 

    5-1 بحث و نتیجه گیری  82

    5-2 مزایای روش پیشنهادی  83

    5-3  کارهای آینده 84

    فهرست منابع  85

     

    منبع:

     

    [1]  Baeza-Yates R, and Ribeiro-Neto B. Modern Information Retrieval. ACM Press /    Addison-Wesley, 2005.

    [2] Bharat K, Henzinger MR. Improved algorithms for topic distillation in a                 hyperlinked environment. In Proceedings of the 21st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, Melbourne, Australia, August 2006. pp:104-111.

    [3] Kleinberg M. Authoritative sources in a hyperlinked environment. Journal of the   ACM, Vol. 46 No. 5, September 1999. pp:604–632.

    [4]   Kent  P. Search Engine Optimization for dummies. John Wiley & Sons Inc. 2008.

    [5]  Keyhanipour AH, Moshiri B, Piroozmand M, Lucas C. Aggregation of Multiple Search Engines Based on Users’ Preferences in WebFusion. Elsevier Journal of Knowledge-Based Systems, Vol. 20, No. 4, May 2007. pp:321–328.

    [6]   Liu TY, Qin T, Xu J, Xiong W, Li H. LETOR: Benchmark dataset for research on learning to rank for information retrieval. In SIGIR Workshop on Learning to Rank for Information Retrieval, 2007.

    [7]   Castillo C. Effective Web Crawling, Ph.D. Thesis, University of Chile, Nov2004.

    [8]  Baeza-Yates R. Challenges in the interaction of information retrieval and natural language processing. In Proceedings of 5th international conference on Computational Linguistics and Intelligent Text Processing (CICLing), Lecture Notes in Computer Science Springer, Vol. 2945, February 2004. pp:445–456.

    [9]   Tomasic A,  Garcia-Molina H. Performance of inverted indices in  sharednothing distributed text document  informatioon retrieval systems. In  Proceedings of the second international conference on Parallel and distributed  information systems,IEEE Computer Society Press,1993. pp: 8–17.

    [10]  Moussea V. Figueria J. Gomes silv C. Resolving Inconsistencies Among Constraints on the parameters of MCDA model" , European jornal of operational research. Volume 147, 2006. pp: 72-93.

    [11]  Zhang Y, Chen W, Wang D, Yang Q. User-click modeling for understanding and predicting search-behavior. In Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD'11). ACM, New York, NY, USA, August 2011. pp: 1388-1396.

    [12]  Zhao D, Zhang M, Zhang D. A Search Ranking Algorithm Based on UserPreferences. Journal of Computational Information Systems, November 2012.  pp: 8969-8976.

    [13]  Attenberg J, Pandey S, Suel T. Modeling and predicting user behavior in sponsored search. In Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD '09). ACM, New York, NY, USA,2009. pp:1067-1076.

     [14]  Yu J, Lu Y, Sun S, Zhang F. Search Results Evaluation Based on User Behavior. Springer-Verlag Berlin Heidelberg, vol. 320,2013. pp: 397-403.

     [15]  Dupret G, Liao C. A model to estimate intrinsic document relevance from the clickthrough logs of a web search engine. In Proceedings of the third ACM international conference on Web search and data mining (WSDM '10). ACM, New York, NY, USA, February 2010. pp: 190-181.

     [16]  Liu C, White RW, Dumais S. Understanding web browsing behaviors through Weibull analysis of dwell time. In Proceedings of the 33rd international ACM SIGIR conference on Research and development in information retrieval (SIGIR '10). ACM, New York, NY, USA,2010. pp: 386-379.

     [17]     Yang C, Liu C, Shao-chieh H, A Hybrid Item-Based Recommendation Ranking Algorithm Based on User Access Patterns. Springer-Verlag Berlin Heidelberg, vol. 163,2013. pp: 233-225.

    [18]  Guo F, Liu C, Wang Y. Efficient Multiple-Click Models in Web Search. The definitive version will appear in WSDM ’09: Proceedings of the second ACM international conference on web search and data mining. 2008 ACM.

     

    [19]  Salton G, Buckley C. Term-weighting approaches in automatic text retrieval. Information Processing and Management: an International Journal, Vol. 24 No.5,1988. pp:513–523.

    [20]  Salton G. The SMART retrieval system - experiments in automatic document  processing. Prentice-Hall, 1971.

     [21]  Zhai C. A brief review of information retrieval models. Technical report, Department of Computer Science, University of Illinois at Urbana-Champaign, 2010.

    [22]  Sparck Jones K, Walker S, Robertson SE. A probabilistic model of information retrieval: development and comparative experiments - part 1 and part 2. Information Processing and Management, Vol. 36 No. 6,2012. pp:779-808 and 804-809.

    [23]  Robertson SE, Walker S, Jones S, Gatford M. Okapi at TREC-3.In Harman, D. K., editor, The Third Text REtrieval Conference (TREC-3), pp: 109-126.

    [24]  Neelam Duhan, A. K. Sharma, Komal Kumar Bhatia, page ranking Algorithms: A Survey, IEEE International Advance Computing Conference IACC 2009 Patiala, India, March 2009. pp: 6-7.

    [25]  Jain R, Dr Purohit GN, page ranking Algorithms for Web Mining, International Journal of Computer Applications (0975 – 8887)Volume 13– No.5, January 2011.

    [26]  Saxena PC, Gupta JP, Gupta N. Web page ranking Based on Text Content of Linked Pages, International Journal of Computer Theory and Engineering, Vol. 2, No. 1 February, 2010.  pp:1793-1800.

    [27]  Haveliwala T. Topic-sensitive pagerank. In Proceedings of the Eleventh Int’l World Wide Web Conf. 2002.

     [28]  Gyongyi Z, Garcia-Molina H, Pedersen J. Combating web spam with TrustRank. In Proceedings of the International Conference on Very Large Databases (VLDB), 2004. pp: 576-587.

     [29]  Xue GR, Yang Q, Zeng HJ, Chen Z. Exploiting the hierarchical structure for link analysis. In SIGIR, August16- 19, Salvador, Brazil, 2005. pp:186-193.

     [30]  Signorini A. A Survey of Ranking Algorithms. Department of Computer Science University of Iowa, September 11, 2005.

    [31]  Cho J, Roy S. Impact of search engines on page popularity. In Proceedings of the 13th international conference on World Wide Web (WWW '04). ACM, New York, NY, USA, 2008. pp: 20-29.

    [32]  Pandey S, Roy S, Olston C. Shuffling a Stacked Deck: The Case for Partially Randomized Ranking of Search Engine Results. Proceedings of the 31st VLDB Conference ,2007 .pp: 781-792.

    [33]  Shakery A, Zhai CX. Relevance propagation for topic distillation uiuc trec 2003 web track experiments. In Proceedings of the TREC Conference, 2003.

     [34] Shakery A, Zhai CX. A probabilistic relevance propagation model for hypertext retrieval, In Proceedings of the 15th ACM International Conference on Information and Knowledge Management (CIKM), 2006. pp: 550-558.

    [35]  Qin T, Liu TY, Zhang XD, Chen Z. A study of relevance propagation for web search, In Proceedings of the 28th annual international ACM SIGIR conference on Research and development in information retrieval, ACM Press, 2005. pp: 408–415.

    [36]  Yeh JY, Lin JY, Yang WP. Learning to Rank for Information Retrieval Using Genetic Programming, Presented in SIGIR 2007 Workshop, Amsterdam, Netherlands, July 23 – 27. 2007.

     [37]  Joachims T. Optimizing Search Engine using Clickthrough Data. In Proceedings of the ACM Conference on Knowledge Discovery and Data Mining,2004.  pp:132-142.

    [38]    Joachims T. Evaluating retrieval performance using clickthrough data. In J. Franke, G. Nakhaeizadeh, and I. Renz, editors, Text Mining, Physica/Springer Verlag, pp.79-96, 2003.

    [39]  Gui-Rong X, Hua-Jun Z, Zheng C, Yong Y, WeiGuo F. Optimizing web search using web click-through data. In Proceedings of the thirteenth ACM international conference on Information and knowledge management (CIKM '04). ACM, New York, NY, USA, 2004, pp:118-126.

     [40]  Keyhanipour AH, Moshiri B, Piroozmand M. Lucas C. A Multi- Layer/Multi-Agent Architecture for Meta-Search Engines, International Journal on Artificial Intelligence and machine learning (AIML), Special issue, Vol. 6, March 2006, pp: 1-6.

    [41]  Qiu F, Cho J. Automatic Identification of User Interest for Personalized Search. . In Proceedings of the International World-Wide Web Conference,\ Edinburgh, UK, May 22–26, 2009.

    [42] Kemp C, Ramamohanarao K. Long-Term Learning for Web Search Engines, Proceedings of the 6th European Conference on Principles of Data Mining and Knowledge Discovery, August 19-23, 2008. pp:263-274.

    [43] Singh D. Improving Web Search Ranking Through User Behavior Information. International Journal of Information Technology and Knowledge Management July-December, Volume 4, No. 2, 2011. pp: 635-638.

    [44]  Hassan A, Jones R ,Klinkner KL. Beyond DCG: user behavior as a predictor of a successful search. In Proceedings of the third ACM international conference on Web search and data mining (WSDM '10). ACM, New York, NY, USA, 2010. pp: 221-230.

     [45] Yurdakul MY. Devolopment of a performance measurement model for manufactuering companies using the AHP and TOPSIS approaches, International jornal of production research, 2008, pp: 21-43.


موضوع پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, نمونه پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, جستجوی پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, فایل Word پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, دانلود پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, فایل PDF پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, تحقیق در مورد پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, مقاله در مورد پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, پروژه در مورد پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, پروپوزال در مورد پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, تز دکترا در مورد پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, تحقیقات دانشجویی درباره پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, مقالات دانشجویی درباره پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, پروژه درباره پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, گزارش سمینار در مورد پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, پروژه دانشجویی در مورد پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, تحقیق دانش آموزی در مورد پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, مقاله دانش آموزی در مورد پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران, رساله دکترا در مورد پایان نامه ارائه مدلی برای رتبه‌ بندی اسناد وب بر اساس تعاملات کاربران

پایان نامه دوره کارشناسی ارشد مهندسی کامپیوتر نرم افزار (M.Sc) چکیده ماهیت پویای شبکه جهانی و ابعاد رو به رشد آن، بازیابی دقیق اطلاعات را دشوار ساخته است. پاسخ های نادرست برگشت داده شده به وسیله ی موتورهای جستجو، خصوصا برای عبارات پرس‌و‌جو با معانی مختلف، باعث نارضایتی کاربران وب شده‌است که نیاز به پاسخ های دقیق برای تقاضاهای اطلاعاتی خود دارند. امروزه موتورهای جستجو تلاش ...

پایان نامه کارشناسی ارشد رشته: مهندسی کامپیوتر گرایش: نرم‌افزار چکیده گرانبار شدن اطلاعات یک مشکل عمده در وب کنونی به شمار می­رود. برای مقابله با این مشکل، سیستم‌های شخصی­سازی وب ارائه شده­اند که محتوا و سرویس­های یک وب­سایت را با افراد براساس علایق و رفتار گردشی آن­ها سازگار می­کنند. یک مؤلفه­ی اساسی در هر سیستم شخصی­سازی وب، مدل کاربر آن است. هدف از شخصی سازی وب، مهیا ساختن ...

پایان نامه کارشناسی ارشد(M.sc) چکیده: امروزه هرزنامه[1] ها یکی از مشکلات اصلی موتور های جستجو هستند، به این دلیل که کیفیت نتایج جستجو را نامطلوب می سازند. در طول سالهای اخیر پیشرفتهای بسیاری در تشخیص صفحات جعلی وجود داشته است اما در پاسخ تکنیک های هرزنامه جدید نیز پدیدار شده اند. لازم است برای پیشی گرفتن به این حملات، تکنیک های ضد هرزنامه بهبود یابد. یک مساله عادی که ما با آن در ...

پایان‌نامه دوره کارشناسی ارشد مهندسی کامپیوتر چکیده گسترش وب که فاقد یک ساختار یکپارچه است مشکلات متعددی را برای کاربران ایجاد می‌نماید. عدم یافتن اطلاعات مورد نیاز کاربران در این انباره‌ی عظیم یکی از مشکلات کاربران وب می‌باشد. به منظور مقابله با این مشکلات سیستم‌ های شخصی سازی وب ارائه شده‌ است که با یافتن الگوهای رفتاری کاربران بدون درخواست صریح آنها قادر هستند تا پیشنهاداتی ...

پایان نامه کارشناسی ارشد رشته مهندسی کامپیوتر- نرم افزار (M.Sc) چکیده در عصر اطلاعات، وب امروزه به یکی از قدرتمند ترین و سریع ترین ابزار های ارتباطات و تعامل میان انسان ها بدل شده است. موتور های جستجو به عنوان برنامه های کاربردی وب به طور خودکار پهنه وب را پیمایش نموده و مجموعه ای از اسناد و مدارک بروز موجود را دریافت می کنند. فرآیند دریافت، ذخیره سازی، رده بندی و شاخص دهی بر ...

سيستم هاي مديريت محتواچيست؟ سيستم مديريت محتوا ، ترجمه عبارت content management system  يا CMS است ، که به معناي سيستم نرم افزاري اي است که به کمک آن محتوا مديريت مي شود و به نرم افزارهايي گف

پایان نامه برای دریافت درجه کارشناسی ارشد (M.A) گرایش : "بازاریابی" چکیده امروزه با پیشرفت تکنولوژی تمامی مفاهیم مرتبط با بازار و مصرف کننده دستخوش تغییرات اساسی شده است. رواج استفاده از کامپیوتر به عنوان یکی از اثرگذار ترین تکنولوژی­های قرن حاضر و هم­چنین همه­گیر شدن اینترنت و تلفیق آن با عرضه و فروش کالاها و خدمات باعث شده است که بازارهای الکترونیکی و فروش کالا از طریق وب سایت ...

پايان نامه مقطع کارشناسي رشته مهندسي کامپيوتر سال 1386  پيشگفتار  وب يکي از مهمترين و در عين حال جوان ترين سرويس هاي اينترنت است که در مدت زماني کوتاه توانسته است در کانون توجه

»M.A پایان‌ نامه برای دریافت درجه کارشناسی ارشد مدیریت « گرایش: بازار یابی چکیده: پژوهش حاضر با هدف تعیین موانع بلوغ بکارگیری نظام الکترونیکی در اداره امور مالیاتی استان ایلام انجام گرفت. جامعه آماری این پژوهش تمامی مدیران، کارکنان و سرپرستان واحدهای مختلف درسطوح مختلف سازمانی در اداره امور مالیاتی استان ایلام می باشد. حجم کل جامعه آماری برابر با 230 نفر ( 230= N ) بوده که حجم ...

پایان­­نامه کارشناسی ارشد رشته مهندسی کامپیوتر گرایش: نرم ­افزار چکیده تمرکز این پایان­نامه روی جستجوی شباهت­ های مبتنی بر گراف، در متون مربوط به زبان­ های طبیعی است. نیاز به یک روش قوی برای ارائه متون، مسئله مهمی در زمینه تشخیص پلاگاریسم است، ما در این پروژه با توجه به این نیاز، روشی قدرتمند را برای ارائه زبان طبیعی معرفی نموده و از آن در تشخیص پلاگاریسم بهره برده­ایم. برای این ...

ثبت سفارش