disc = mahaldist(centroid, centroid, W)+eye(nclass).*1/eps;
% calculate confusion index
CI = confusion(nclass,data1,U);
% perform fuzzy linear discriminant analysis
scaling=2;
[F,WC,BC,wilks,V,e,vexp,z,zc]=flda(data1,nclass,U,centroid,phi,scaling);
% To test the allocate function
% to allocate say new data into existing centroid
[U, dist, obj] = fuzall(data1,phi,centroid,distype,W);
END.
جمعبندی
در این فصل مهمترین کارهای انجام گرفته در زمینهی بهبود مدلسازی کاربر در شخصی‌سازی وب بررسی شدند. کارهای انجام گرفته براساس رویکرد معنایی که مبتنی بر ردهبندی هستند را به دو دستهی کلی میتوان تقسیم کرد. دستهی اول کارهایی هستند که از یک واژگانشناختی عمومی مانند WordNet استفاده کردهاند. نقطهی ضعف این کارها پوشش کم از مفاهیم خاص دامنه و موجودیتهای نامدار است که باعث انتخاب مفاهیم کلی به‌عنوان علایق کاربر میشود. دستهی دوم کارهایی هستند که از یک واژگان شناختی دستساخته بهره میبرند. علیرغم دقت خوب این روشها، تمامی آنها برای دامنههای بسیار محدود (مثلاً یک وبسایت فروش فیلم) ارائه شدهاند و فرض اساسی آنها وجود ردهبندی از وبسایت است. یک وبسایت خبری گسترده و چندزبانه را در نظر بگیرید که قصد دارد سرویسهای شخصی‌سازی شده ارائه دهد. هیچ یک از این گونه روشها را نمیتوان در این مورد به کار برد.

متاسفأنه دیده میشود که هر یک از مقالات از معیار جداگانه ای برای ارزیابی استفاده میکنند و در برخی مقالات هیچگونه ارزیابی دیده نمیشود. به علاوه، به دلیل عدم وجود مجموعه داده های استاندارد در این حوزه، امکان مقایسهی منصفانهای بین روشها وجود ندارد. همچنین به دلیل منحصر به فرد بودن محیط آزمایشگاهی هر مقاله، در بیشتر مقالات مقایسهای با کارهای دیگران به چشم نمیخورد. این مشکلات، مهمترین موانع تحقیقاتی در این حوزه را تشکیل میدهند که به اتخاذ تصمیمی جدی از سوی جامعهی تحقیقاتی این حوزه برای حل آنها نیاز دارند.
در ادامه فصل، به ارائه روش های نوینی برای خوشهبندی صفحات وب پرداخته شد که از ترکیب سیستم فازی و الگوریتم ژنتیک استفاده کرده‌اند. با ارائه رویکرد پیشنهادی مبتنی بر بهینه سازی خوشه با بهره گرفتن از منطق فازی و الگوریتمهای تکاملی برای شخصیسازی وب، سعی در برطرف کردن چالش های موجود در این حوزه شد.
همانطور که اندازه خوشه در طی افزایش کاربران وب افزایش مییابد، نیاز به بهینه سازی خوشهها اجتناب ناپذیر خواهد بود. در این فصل سعی بر آن بود تا یک متدولوژی بهینه‌سازی خوشه براساس سیستم فازی ارائه شود. از آنجا که در سیستم استنتاج فازی تعیین پارامترهای توابع عضویت، تأثیر مهمی در دقت نهایی خوشهبندی دارد، بنابراین در این سیستم برای تنظیم پارامترهای توابع عضویت از الگوریتم ژنتیک استفاده شد. با این کار، دقت خوشهبندی صفحات وب نیز تا حد زیادی افزایش یافته است، بنابراین در این فصل سعی شد تا حد امکان مشکلات ذکر شده در روش های قبلی برطرف شوند.
مراجع