%41تخفیف

دانلود پروژه: ارائه روشی برای رتبه بندی وب سایت ها با استفاده از ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی تجمعی ذرات

تعداد 132صفحه در فایل word

چکیده

رتبه بندی وب سایت­ها توسط موتورهای جستجو یک وظیفه مهم و اساسی است به طوریکه موتورهای جستجو با به کارگیری الگوریتم­های رتبه بندی متفاوت، سعی می­کنند مرتبط­ترین نتایج را با درخواست کاربر به عنوان نتیجه به کاربر نشان دهند. بیشتر الگوریتم­های رتبه بندی موجود براساس پرس وجوی کاربر کار می­کنند و براساس بیشترین تطبیق میان کلمات پرس و جوی کاربر و صفحات وب کار رتبه بندی را انجام می­دهند. در این تحقیق، رتبه بندی مستقل از جستجوی کاربر و براساس ویژگی­های مرتبط هر وب سایت انجام می­شود. پیش بینی رتبه با استفاده از شبکه عصبی و الگوریتم بهینه سازی تجمعی ذرات دودویی در سه مرحله انجام می­شود: در مرحله اول، از شبکه عصبی معمولی برای پیش بینی رتبه استفاده می­شود. در این مرحله برای آموزش بهتر و موثرتر شبکه عصبی، از روش­های مختلف آموزش استفاده می­شود که منجر به افزایش دقت شبکه عصبی در پیش بینی رتبه می­شود. در مرحله دوم، الگوریتم بهینه سازی تجمعی ذرات دودویی برای انتخاب ویژگی­ها به کار گرفته می­شود سپس ویژگی­های بهینه شده به عنوان ورودی­های شبکه عصبی تعریف می­شوند. در مرحله سوم، الگوریتم بهینه سازی تجمعی ذرات دودویی علاوه بر انتخاب ویژگی، ساختار شبکه عصبی را نیز بهینه می­کند. ساختار و ورودی­های بهینه شده شبکه عصبی منجر به کاهش خطا و افزایش دقت شبکه عصبی در پیش بینی رتبه می­شود. برای نشان دادن عملکرد روش­های پیشنهادی دو مجموعه داده متفاوت جمع آوری شده است. مجموعه داده اول وب سایت­های دانشگاهی و مجموعه داده دوم وب سایت­های خبری را شامل می­شود. نتایج حاصل از به کارگیری سه مرحله توضیح داده شده بر روی دو مجموعه داده نشان می­دهند که مرحله سوم کارایی بهتری نسبت به دو مرحله­ی دیگر دارد. درجمع بندی نتایج حاصل از سه مرحله باید گفت که کارایی مرحله سوم از کارایی مرحله دوم و کارایی مرحله دوم از کارایی مرحله اول بهتر است.

کلمات کلیدی: رتبه بندی وب سایت، شبکه عصبی مصنوعی، الگوریتم تجمعی ذرات دودویی، انتخاب ویژگی

عنوان                                                                                                    صفحه

فهرست شکل ها ک

فهرست جدول ها ل

چکیده  م

                            

فصل اول: کلیات تحقیق

1-1- مقدمه 2

1-2- بیان مسئله 4

1-3- اهمیت و ضرورت تحقیق 4

1-4- اهداف تحقیق 4

1-5- انگیزه تحقیق 5

1-6 – سوالات تحقیق 5

1-7- فرضیه های تحقیق 5

1-8- تعریف اصطلاحات کلیدی تحقیق 6

1-9- متغیر تحقیق 6

1-10- ساختار تحقیق 7

فصل دوم: مروری بر تحقیقات انجام شده

2-1- ویژگی­های متداول وب سایت­ها 9

2-1-1- ترافیک وب 9

2-1-1-1- منابع داده­ای سنجش ترافیک وب 9

2-1-1-2- ویژگی­های سه منبع داده 10

2-1-1-3- تفاوت­های سه منبع داده 10

2-1-1-4- مقایسه میان سه منبع داده 12

2-1-1-5- روش­های مبتنی بر یادگیری برای سنجش میزان ترافیک وب 12

2-1-2- محبوبیت وب 13

2-1-3- محبوبیت لینک 15

2-1-4- رویت پذیری 16

2-1-4-1- ابزار KYV 16

2-1-4-2- رویت پذیری و کیفیت داده­ها 18

2-1-4-3- تعیین کیفیت داده­ها 19

2-2- وب سنجی 19

2-2-1- نظام رتبه بندی شانگهای 20

2-2-2- نظام رتبه بندی تایمز 20

2-2-3- نظام رتبه بندی وبومتریک 21

2-2-3-1- نحوه­ی کار سیستم وبومتریک 22

2-2-3-2- پیشنهاداتی برای بهبود رتبه بندی وب سایت های دانشگاهی 24

2-3- زیبایی شناسی 24

2-3-1- تاریخچه­ی زیبایی شناسی 25

2-3-2- ابعاد زیبایی شناسی 26

2-3-3- روش­های ارزیابی زیبایی شناسی 27

2-3-4- جایگاه رنگ ها در زیبایی شناسی 28

2-3-5- تاثیر زیبایی شناسی در طراحی وب سایت­ها 31

2-3-6- درک زیبایی میان کاربران زن ومرد 31

2-4- مروری بر روش­ها و الگوریتم­های رتبه بندی 32

2-4-1- الگوریتم های رتبه بندی آنلاین 32

2-4-1-1- الگوریتم های مبتنی بر محتوا 33

2-4-1-2- الگوریتم های مبتنی بر اتصال 33

2-4-1-3- الگوریتم های مبتنی بر محتوا و اتصال 35

2-4-2- الگویتم های رتبه بندی آفلاین 36

2-4-3- ارزیابی الگوریتم های رتبه بندی 36

2-4-4- موتورهای جستجو 37

2-4-4-1- استفاده از روش مبتنی بر لینک برای حل مشکلات گفته شده 39

2-4-4-2- استفاده از روش مبتنی بر محتوا برای حل مشکلات گفته شده 39

2-4-4-3- استفاده از روش ترکیبی مبتنی بر اتصال و محتوا برای حل مشکلات گفته شده 40

2-4-5- الگوریتم های رتبه بندی معمولی 41

2-4-5-1- الگوریتم Page Rank 41

2-4-5-2- الگوریتم HITS 43

2-4-5-3- الگوریتم BM25 43

2-4-6- الگوریتم های رتبه بندی هوشمند 46

2-4-6-1- الگوریتم های مبتنی بر یادگیری تقویتی 46

2-4-6-2- الگوریتم A3C 49

2-4-6-3- الگوریتم های رتبه بندی بر اساس برنامه نویسی ژنتیک 51

2-5- الگوریتم بهینه سازی تجمعی ذرات 53

2-5-1- تعریف الگوریتم PSO 54

2-5-2- نحوه­ی کار الگوریتم PSO 54

2-5-3- معایب الگوریتم PSO 59

2-6- الگوریتم بهینه سازی تجمعی ذرات دودویی 59

2-7- شبکه های عصبی مصنوعی 60

2-7-1- تعریف شبکه عصبی مصنوعی 60

2-7-2- ساختار شبکه عصبی مصنوعی 61

2-7-3- انواع شبکه عصبی مصنوعی 62

2-7-4- معماری شبکه عصبی مصنوعی 62

2-7-5- آموزش شبکه عصبی مصنوعی 63

2-7-5-1- الگوریتم انتشار به عقب 65

2-8- انتخاب ویژگی 65

2-8-1- روش کاهش ابعاد 66

2-8-2- روش انتخاب ترکیب ها 67

2-9- نتیجه گیری 68

فصل سوم: روش­های پیشنهادی تحقیق

3-1- معرفی مجموعه داده ها 71

3-1-1- مجموعه داده اول- وب سایت های دانشگاهی 71

3-1-1-1- ویژگی های خاص 72

3-1-1-2- ویژگی های مشترک 72

3-1-2- مجموعه داده دوم- وب سایت های خبری 74

3-1-2-1- ویژگی های خاص 74

3-1-2-2- ویژگی های مشترک 76

3-2- ارائه روش های پیشنهادی 76

3-2-1- روش اول- پیش بینی رتبه با استفاده از شبکه عصبی 77

3-2-1-1- گام اول- به کارگیری شبکه عصبی رو به جلو در پیش بینی رتبه 77

3-2-1-2- گام دوم- انتخاب تصادفی ورودی های شبکه عصبی روبه جلو در پیش بینی رتبه 79

3-2-1-3- گام سوم- به کارگیری روش های مختلف آموزش شبکه عصبی در پیش بینی رتبه 79

3-2-2- روش دوم- بهینه کردن ورودی های شبکه عصبی روبه جلو با استفاده از الگوریتم B-pso 82

3-2-3- روش سوم- بهینه کردن تعداد لایه­ها و­تعداد نرون­های شبکه عصبی با استفاده از الگوریتم B-pso 83

3-3- نتیجه گیری 86

فصل چهارم: نتایج

4-1- نتایج حاصل از روش اول بر روی مجموعه داده اول 88

4-1-1- نتایج گام اول- روش اول 88

4-1-2- نتایج گام دوم- روش اول 89

4-1-3- نتایج گام سوم- روش اول 89

4-2- نتایج حاصل از روش دوم بر روی مجموعه داده اول 90

4-3- نتایج حاصل از روش سوم بر روی مجموعه داده اول 91

4- 4- مقایسه نتایج حاصل از به کارگیری روش های مختلف بر روی مجموعه داده اول 93

4-4-1- مقایسه نتایج حاصل از روش اول و دوم 91

4-4-2- مقایسه نتایج حاصل از روش اول و سوم 91

4-4-3- مقایسه نتایج حاصل از روش دوم و سوم 94

4-5- نتایج حاصل از روش اول بر روی مجموعه داده دوم .. 96

4-5-1- نتایج گام اول-روش اول 96

4-5-2- نتایج گام دوم – روش اول 97

4-5-3- نتایج گام سوم- روش اول 97

4-6- نتایج حاصل از روش دوم بر روی مجموعه داده دوم 98

4-7- نتایج حاصل از روش سوم بر روی مجموعه داده دوم 99

4-8- مقایسه نتایج حاصل از به کارگیری روش های مختلف بر روی مجموعه داده دوم 101

4-8-1- مقایسه نتایج حاصل از روش اول و دوم 101

4-8-2- مقایسه نتایج حاصل از روش اول و سوم 101

4-8-3- مقایسه نتایج حاصل از روش دوم و سوم 103

4-9- تحلیل نمودارهای شبکه عصبی و الگوریتم B-PSO 104

4-10- نتیجه گیری 106

فصل پنجم: بحث و نتیجه گیری

5-1- نتیجه گیری 109

منابع 112

فهرست شکل ها

عنوان                                                                                                                   صفحه

فصل دوم: مروری بر تحقیقات انجام شده

شکل (2-1): رتبه ترافیک نمایش داده شده در الکسا 11

 شکل (2-2): رتبه ترافیک نمایش داده شده در کامپیت 11

 شکل (2-3): رتبه ترافیک نمایش داده شده در گوگل 11

 شکل (2-4): ارتباط میان موتور جستجو و کاربر به عنوان عامل و محیط 47

 شکل (2-5): نمایش چگونگی به روزرسانی سرعت ذره 57

 شکل (2-6): روند نمای الگوریتم PSO 58

 شکل (2-7): ساختار شبکه عصبی مصنوعی 61

 شکل (2-8): معماری پرسپترون چند لایه شبکه عصبی مصنوعی 63

فصل سوم: مواد و روش ها

 شکل (3-1): نمایش ساختار شبکه عصبی با 5 نرون در نرم افزار متلب 78

 شکل (3-2): فلوچارت کارهای انجام شده در روش اول 81

 شکل (3-3): یک نمونه ذره با طول 10 برای مجموعه داده اول 82

 شکل (3-4): یک نمونه ذره با طول 18 برای مجموعه داده اول 84

فصل چهارم: نتایج

 شکل (4-1): مقایسه خروجی شبکه عصبی و خروجی واقعی بر روی داده های آموزش 105

 شکل (4-2):  مقایسه خروجی شبکه عصبی و خروجی واقعی بر روی داده های تست 105

 شکل (4-3): نمودار همگرایی الگوریتم B-PSO براساس مقدار شایستگی در هر تکرار 106

فهرست جدول ها

عنوان                                                                                                                   صفحه

فصل چهارم: نتایج

جدول(4-1): نتایج حاصل از پیش­بینی­رتبه توسط شبکه عصبی با­3­و5 نرون در لایه پنهان بر روی مجموعه ­داده­اول 88

جدول(4-2): نتایج پیش بینی رتبه توسط شبکه عصبی با انتخاب تصادفی ورودی­ها برای مجموعه داده اول 89

جدول(4-3): مقایسه نتایج حاصل از به کارگیری روش­های مختلف آموزش شبکه­عصبی برای مجموعه داده اول 90

جدول(4-4): نتایج­پیش­بینی­رتبه­روش­ترکیب شبکه­عصبی­و­الگوریتمB-PSOدر­انتخاب­ویژگی­ها­برای­مجموعه­داده­اول 91

جدول(4-5): نتایج ­پیش­بینی رتبه توسط شبکه عصبی با تعداد لایه­ها و نرون­های بهینه شده برای مجموعه داده اول 92

جدول(4-6): مقایسه نتایج پیش­بینی رتبه میان روش اول و روش دوم براساس خطا بر روی مجموعه داده اول 93

جدول(4-7): مقایسه نتایج پیش­بینی رتبه میان روش اول و روش سوم براساس خطا بر روی مجموعه داده اول 94

جدول(4-8): مقایسه نتایج پیش­بینی رتبه میان روش دوم و روش سوم براساس خطا برای مجموعه داده اول 95

جدول(4-9): نتایج­حاصل­ازپیش­بینی­رتبه­توسط شبکه­عصبی­معمولی با3و5نرون در لایه­پنهان برای مجموعه­داده­دوم 96

جدول(4-10): نتایج پیش بینی رتبه توسط شبکه عصبی با انتخاب تصادفی ورودی­ها برای مجموعه داده دوم 97

جدول(4-11): مقایسه نتایج حاصل از به کارگیری روش­های مختلف آموزش شبکه­عصبی برای مجموعه داده دوم 98

جدول(4-12): نتایج­پیش­بینی­رتبه­روش­ترکیب­شبکه­عصبی­و­الگوریتمB-PSOدرانتخاب­ویژگی­ها­برای­مجموعه­داده­دوم 99

جدول(4-13): نتایج ­پیش­بینی رتبه توسط شبکه عصبی با تعداد لایه­ها و نرون­های بهینه شده برای مجموعه داده دوم.100

جدول(4-14): مقایسه نتایج پیش­بینی رتبه میان روش اول و روش دوم براساس خطا بر روی مجموعه داده دوم 101

جدول(4-15): مقایسه نتایج پیش­بینی رتبه میان روش اول و روش سوم براساس خطا بر روی مجموعه داده دوم 102

جدول(4-16): مقایسه نتایج پیش­بینی رتبه میان روش دوم و روش سوم براساس خطا برای مجموعه داده دوم 103

قبلا حساب کاربری ایجاد کرده اید؟
گذرواژه خود را فراموش کرده اید؟
Loading...
enemad-logo