Enfoque de recomendación de página web utilizando patrones secuenciales ponderados - K, Suneetha
51,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 1-2 Wochen
payback
26 °P sammeln
  • Broschiertes Buch

Predecir la navegación de los usuarios de la web con la ayuda de las técnicas de Web Usage Mining. Este libro se centra principalmente en la aplicabilidad en el mundo real de un nuevo enfoque de recomendación de páginas web que utiliza tanto patrones secuenciales ponderados como un modelo probabilístico de Markov. Para encontrar los patrones secuenciales ponderados, se ha modificado el algoritmo PrefixSpan existente incorporando las restricciones de ponderación, como el tiempo de permanencia y las visitas recientes. Una vez identificados los patrones secuenciales ponderados, se construye un…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Predecir la navegación de los usuarios de la web con la ayuda de las técnicas de Web Usage Mining. Este libro se centra principalmente en la aplicabilidad en el mundo real de un nuevo enfoque de recomendación de páginas web que utiliza tanto patrones secuenciales ponderados como un modelo probabilístico de Markov. Para encontrar los patrones secuenciales ponderados, se ha modificado el algoritmo PrefixSpan existente incorporando las restricciones de ponderación, como el tiempo de permanencia y las visitas recientes. Una vez identificados los patrones secuenciales ponderados, se construye un árbol basado en Patricia-trie. Finalmente, a partir del árbol de patrones construido, se realiza la recomendación de páginas web a los usuarios actuales con la ayuda del modelo probabilístico de Markov. Este modelo permite el razonamiento y el cálculo como intratable para identificar las páginas web de acceso futuro basadas en los intereses de navegación pasados del usuario.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
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.