مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 1 2025 8 12 Presenting a Personalized Web Recommender System Based on Sequential Clustering and Deep Auto-Encoder ارائه یک سیستم توصیه‌گر وب شخصی‌سازی‌شده بر اساس خوشه‌بندی ترتیبی و خودرمزگذار عمیق 1 16 fa مستوره معینی دانشگاه آزاد اسلامی واحد تهران جنوب علی برومندنیا دانشگاه آزاد اسلامی واحد تهران جنوب منا مرادی دانشگاه آزاد اسلامی واحد تهران جنوب 2024 6 14 <p style="direction: ltr;">The amount of information published on the web has made the use of recommender systems inevitable. Web recommender systems provide users with accurate and relevant recommendations based on their interests and tastes. These recommendations can help users quickly access the information they need and reduce search time. In this paper, a hybrid recommender system based on the combination of fuzzy sequential clustering and deep Auto-encoder network based on user profile information and ranking of websites by users is presented.</p> <p style="direction: ltr;">In this recommender system, users are first sequentially clustered according to the similarity of their opinions. Then the new ranking for users is predicted according to the fuzzy membership function. Finally, the information in the user profile and the new rating of users to each website is used as the input of the provided deep Auto-encoder network in order to predict the ranking of websites by users. Finally, after finding similar users, It provides recommendations to visit and personalize the web page of new users based on the favorite websites of similar users. The proposed method has improved compared to the following classification methods due to the layers of deep learning and completion of the learning process in the middle layer: In terms of statistical accuracy, about 42%, and the ratio of successful recommendations to useful recommendations is about 4%, and the accuracy of recognizing similar users is about 20%.</p> <p>حجم اطلاعات انتشاریافته در وب، استفاده از سیستم&zwnj;های توصیه&zwnj;گر را اجتناب&zwnj;ناپذیر کرده است. سیستم&zwnj;های توصیه&zwnj;گر وب به کاربران پیشنهادهای دقیق و مرتبط بر اساس علاقه&zwnj;ها و سلیقه&zwnj;هایشان ارائه می&zwnj;دهند. این توصیه&zwnj;ها می&zwnj;توانند به کاربران کمک کنند تا به سرعت به اطلاعات مورد نیاز خود دسترسی پیدا کنند و زمان جستجو را کاهش دهند. در این مقاله یک سیستم توصیه&zwnj;گر ترکیبی بر اساس ترکیب خوشه&zwnj;بندی ترتیبی فازی و شبکه خودرمزگذار عمیق بر اساس اطلاعات پروفایل کاربری و رتبه&zwnj;بندی وب&zwnj;سایت&zwnj;ها توسط کاربران ارائه شده است. در این سیستم توصیه&rlm;گر، ابتدا کاربران بر اساس شباهت نظرات خود به صورت ترتیبی خوشه&zwnj;بندی می&zwnj;شوند. سپس رتبه&zwnj;بندی جدید برای کاربران با توجه به تابع عضویت فازی پیش&zwnj;بینی می&zwnj;شود. در نهایت اطلاعات موجود در پروفایل کاربری و رتبه&zwnj;بندی جدید کاربران به هر وب&zwnj;سایتی به&zwnj;منظور پیش&zwnj;بینی رتبه&zwnj;بندی وب&zwnj;سایت&zwnj;ها توسط کاربران، به عنوان ورودی شبکه خودرمزگذار عمیق ارائه&zwnj;شده مورد استفاده قرار می&zwnj;گیرد. در نهایت پس از یافتن کاربران مشابه، اقدام به ارائه توصیه بازدید و شخصی&zwnj;سازی صفحه وب کاربران جدید بر اساس وب&zwnj;سایت&zwnj;های مورد علاقه کاربران مشابه می&zwnj;نماید. روش پیشنهادی با توجه به لایه&zwnj;های آموزش عمیق و تکمیل فرایند آموزش در لایه میانی در مقایسه با سایر روش&zwnj;های طبقه&zwnj;بندی از نظر دقت آماری حدود 42%، نسبت توصیه&rlm;های موفق به توصیه&rlm;های مفید حدود 4% و دقت تشخیص کاربران مشابه حدود 20% بهبود داشته است.</p> http://ijece.org/ar/Article/Download/47034