Approccio di raccomandazione della pagina Web utilizzando modelli sequenziali ponderati - K, Suneetha
52,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
payback
26 °P sammeln
  • Broschiertes Buch

Prevedere la navigazione degli utenti del web con l'aiuto di tecniche di Web Usage Mining. Questo libro si concentra principalmente sull'applicabilità nel mondo reale di un nuovo approccio di raccomandazione delle pagine Web che utilizza modelli sequenziali ponderati e un modello probabilistico di Markov. Per trovare i modelli sequenziali ponderati, l'algoritmo PrefixSpan esistente è stato modificato incorporando i vincoli di ponderazione come il tempo di spesa e le visite recenti. Una volta identificati i pattern sequenziali ponderati, viene costruito un albero basato su Patricia-trie.…mehr

Produktbeschreibung
Prevedere la navigazione degli utenti del web con l'aiuto di tecniche di Web Usage Mining. Questo libro si concentra principalmente sull'applicabilità nel mondo reale di un nuovo approccio di raccomandazione delle pagine Web che utilizza modelli sequenziali ponderati e un modello probabilistico di Markov. Per trovare i modelli sequenziali ponderati, l'algoritmo PrefixSpan esistente è stato modificato incorporando i vincoli di ponderazione come il tempo di spesa e le visite recenti. Una volta identificati i pattern sequenziali ponderati, viene costruito un albero basato su Patricia-trie. Infine, a partire dall'albero di pattern costruito, la raccomandazione delle pagine web agli utenti attuali viene effettuata con l'aiuto del modello probabilistico di Markov. Questo modello consente di ragionare e calcolare in modo intrattabile l'identificazione delle pagine web di futuro accesso in base agli interessi di navigazione passati dell'utente.
Autorenporträt
Tenho um desejo insaciável de abordar os problemas da Data Mining. Creio que existem muitas vias possíveis de investigação que incluem algoritmos genéticos e programação, máquinas vetoriais de apoio, técnicas de agrupamento, redes Bayesianas, modelagem Markov, aprendizagem de reforço, aprendizagem não supervisionada, etc.