Approche de recommandation de page Web utilisant des modèles séquentiels pondérés - K, Suneetha
46,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
  • Broschiertes Buch

Prédire la navigation des internautes à l'aide de techniques d'exploration de l'utilisation du Web. Ce livre se concentre principalement sur l'applicabilité dans le monde réel d'une nouvelle approche de recommandation de pages Web utilisant à la fois des modèles séquentiels pondérés et un modèle probabiliste de Markov. Pour trouver les modèles séquentiels pondérés, l'algorithme PrefixSpan existant a été modifié en incorporant des contraintes de pondération telles que le temps passé et les visites récentes. Une fois que les motifs séquentiels pondérés sont identifiés, un arbre basé sur…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Prédire la navigation des internautes à l'aide de techniques d'exploration de l'utilisation du Web. Ce livre se concentre principalement sur l'applicabilité dans le monde réel d'une nouvelle approche de recommandation de pages Web utilisant à la fois des modèles séquentiels pondérés et un modèle probabiliste de Markov. Pour trouver les modèles séquentiels pondérés, l'algorithme PrefixSpan existant a été modifié en incorporant des contraintes de pondération telles que le temps passé et les visites récentes. Une fois que les motifs séquentiels pondérés sont identifiés, un arbre basé sur Patricia-trie est construit. Enfin, à partir de l'arbre de motifs construit, la recommandation de pages Web aux utilisateurs actuels est effectuée à l'aide du modèle probabiliste de Markov. Ce modèle permet de raisonner et de calculer de manière aussi complexe que possible pour identifier les pages Web à consulter à l'avenir en fonction des intérêts de navigation passés de l'utilisateur.
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.