این مقاله انگلیسی ISI در نشریه IJSRSET در 4 صفحه در سال 2016 منتشر شده و ترجمه آن 8 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

• فهرست مطالب:

چکیده
1. مقدمه
2. کلیات داده های بزرگ
3. مراحل پردازش داده های بزرگ
4. چالش های داده های بزرگ
5. تکنیک های مدیریت داده های بزرگ
6. نتیجه گیری

• بخشی از ترجمه:

6. نتیجه گیری
از آنجایی که هر روزه حجم عظیمی از داده ها تولید می شود، بنابراین، اندازه بزرگ چنین داده هایی برای نیل به پردازش موثر با استفاده از تکنیک های سنتی موجود چالش برانگیز ظاهر می شود. داده های بزرگ به داده هایی گفته می شود که از ظرفیت پردازش سیستم های پایگاه داده متداول تجاوز می کنند. در این مقاله، مفاهیم بنیادی مربوط به داده های بزرگ مطرح می شود. این مفاهیم عبارتنداز: ویژگیهای داده های بزرگ، چالش ها و تکنیک های مدیریت داده های بزرگ.

• بخشی از مقاله انگلیسی:

VI. CONCLUSION As there are huge volumes of data that are produced every day, so such large size of data it becomes very challenging to achieve effective processing using the existing traditional techniques Big data is data that exceeds the processing capacity of conventional database systems. In this paper fundamental concepts about Big Data are presented. These concepts include Big Data characteristics, challenges and techniques for handling big data.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله مروری بر چالش ها و تکنیک های داده های بزرگ (IJSRSET ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1- مقدمه
2. انواع دادها و منابع کلان داده ها
3. شبکات حسگری بی سیم
4. داده های حسگر
4-1- داده کاوی بر روی wsn
4-1-1 روش های پردازش داده کاوی حسگر متمرکز
4-1-2- روش های پردازش داده کاوی حسگرهای توزیع شده
4-2- تلفیق داده ها بر روی wsn
4-2-1- تلفیق مبتنی بر روابط منابع ورودی
4-2-2 تلفیق مبتنی بر سطح انتزاع
5. نتیجه گیری

• بخشی از ترجمه:

5. نتیجه گیری
این مقاله بر روی لزوم استفاده از تکنیک های پیش پردازش در داده های جمع آوری شده توسط WSN ها است. بجای انتقال تعدادی جریان داده های ادامه دار به محل های ذخیره ی کلان داده ها, می بایست عملیات های پیش پردازشی درون شبکه ای وجود داشته باشد. داده کاوی WSN و تکنیک های تلفیق داده ها مورد بحث قرار گرفتند. تکنیک های داده کاوی برای کاهش داده های انتقالی غیر ضروری به محل های ذخیره ی کلان داده ها بسیار با اهمیت هستند. مزایا و محدودیت های تکنیک های داده کاوی توزیع شده و متمرکز برای WSNها تحلیل شدند. همچنین تکنیک های تلفیق داده ها, تضمین صحت و دقت داده های جمع اوری شده و نیز زیر کلاس ها مورد بحث و تحلیل قرار گرفتند و از لحاظ صرفه جویی اقتصادی و منابع محدود WSN این کار ها را انجام دادیم. بعلاوه به این نتیجه رسیدیم که به عنوان منابع اصلی کلان داده ها, برای دادهای سنسور ها پردازش درون شبکه ای حیاتی است و منجر به افزایش طول عمر WSN ها میشود و کمک میکند تا حجم داده های کلان داده ها کاهش یابد و در نتیجه در روند پردازش کشف مقادیر کلان داده ها شتاب بخشی صورت میگیرد.

• بخشی از مقاله انگلیسی:

5. Conclusions

The article has focused on the need to apply pre-processing techniques at the data collected from the WSNs (sensor data). Rather than transmitting amount of continues streaming data to big data storage, they should be an in-network pre-processing operations. WSNs’s Data mining and data fusion techniques have been discussed. The data mining techniques are very important to reduce the unnecessary transmitted data to big data storage. The advantages and the limitation of centralized and distributed data mining techniques for WSNs have analyzed. Also, the data fusion techniques, ensuring the accuracy and trustiness of the collected data, and their sub-classes (i.e. abstraction-based and input sources relations-based) have been discussed and analyzed in terms of the energy consumptions and the limited resources of the WSNs. It is then concluded that as main sources of big data, it is vital for the sensor data to be in-network processed as this would prolong the WSNs lifetime and contribute to reduction of data volume of the big data, thus accelerating of the values discovery process from this big data.

 دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله روش داده کاوی و ترکیب برای شبکه حسگر بیسیم – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1. مقدمه
2. پیشینه
1. 2 مدل BSP
2. 2 گراف ساده و ابر گراف
3. طراحی سیستم پردازش داده های گراف
1. 3 مدل برنامه ریزی
2. 3 ذخیره داده های گراف
3. 3 تحلیل داده های گراف
(a) توزیع وظیفه
(b) پیام کنترل
(c) پیام داده ها
(d)پیام تکرار
2. 3. 3. استراتژیهای بهینه سازی
(a) بررسی سند قبل از ارسال
(b) اجتناب از پیام های غیر ضروری
4. کاربردها
1. 4 PageRank
2. 4 کوتاهترین مسیر تا یک راس
5. ارزیابی آزمایشی
1. 5 پیکره بندیهای آزمایش
2. 5 عملکرد سازماندهی داده های گراف
3. 5 تحلیل داده های گراف
1. 3. 5 بررسی سند قبل از ارسال
2. 3. 5 اجتناب از پیام های غیر ضروری
6. کارهای وابسته
7. نتیجه گیری

• بخشی از ترجمه:

7.نتیجه گیری
در این مقاله، ابتدا مسائل کلیدی در سیستم های پردازش داده های گراف در مقیاس بزرگ موجود را به طور خلاصه بیان می کنیم. سپس سیستم پردازش داده های گراف جدیدی به نام Arbor برای بررسی مسائل پیشنهاد می کنیم. Arbor مدل سازماندهی داده های جدیدی موسوم به ESG معرفی می کند که از ابرلبه ها برای کاهش پیچیدگی نمایش داده ها استفاده می کند. این مدل مصرف لایه ذخیره سازی را به میزان زیادی کاهش داده و عملیات های پردازش داده های گراف را تسریع می کند. Arbor همچنین مکانیسم پیام کنترل جدیدی برای جایگزینی و جابجایی عملیات های سنکرون سازی هزینه بر در طول تکرارداده ها پیشنهاد می کند. ثابت شده است که این مدل به ویژه برای وظایف پردازش داده های گراف در مقیاس بزرگ بسیار موثر می باشد. به علاوه، Arbor دو استراتژی بهینه سازی من جمله بررسی سند قبل از ارسال و اجتناب از پیام های غیر ضروری برای بهبود هرچه بیشتر کارایی طراحی می کند. نتایج ارزیابی به وضوح نشان می دهد که Arbor برتر از سیستم های پیشرفته می باشد.

• بخشی از مقاله انگلیسی:

7. CONCLUSION

In this paper, we first summarize the key problems in the existing large-scale graph data processing systems. Then, we propose a novel graph data processing system called Arbor to address these problems. Arbor introduces a new data organization model called ESG, which uses hyper edges to reduce the data representation complexity. It cuts the storage consumption greatly and speeds up graph data processing operations. Arbor also proposes a novel control message mechanism to replace expensive synchronization operations during data iterations. It is proven to be very effective, especially for large-scale graph data processing tasks. Furthermore, Arbor designs two optimization strategies including Check Before Sending and Avoid Unnecessary Messages to further improve the efficiency. The evaluation results show clearly that Arbor is superior than the state-of-the-art systems.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله سیستم پردازش داده ها برای برنامه های خدماتی شبکه اجتماعی در مقیاس بزرگ – انتشارات وایلی اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

 چکیده
1 مقدمه
2 کارهای مرتبط
3 سیستم پیشنهادی
1 3 مدیر شغل (JM)
2 3 مدیر وظایف (TM)
3 3 متعادل کننده بار
4 شرح شغل، زمان بندی و اجرا
1 4 گراف شغل
2 4 تیپ های کانال
3 4 گراف اجرا
5 نتیجه گیری

• بخشی از ترجمه:

در این فصل، یک معماری برای پردازش کارآمد داده های موازی در محیط های ابر با بهره برداری از تامین منابع پویای عرضه شده توسط ابرهای IaaS امروز مطرح کرده ایم. ابر به یک پلتفرم بحرانی برای تقریباً همه برنامه های مبتنی بر وب تبدیل شده است. بنابراین، به عقیده ما، کار حاضر برای اطمینان از پردازش کارآمد داده ها در ابر، یک تابعیت ضروری به ابر IaaS اضافه می کند.
برای اطمینان از انطباق (تطابق) خودکار با کم بهره گیری یا بیش بهره گیری از منابع (استفاده کم و زیاد)، مفهوم تعادل بار را معرفی کرده ایم. در آینده، قصد داریم عملکردش را ارزیابی و آن را با چارچوب های پردازش داده های موجود مقایسه کنیم.

• بخشی از مقاله انگلیسی:

In recent years large-set parallel data processing has gained quantum as one of the predominant applications of Infrastructure-as-a-Service (IaaS) clouds. Data processing frameworks like Google’s MapReduce and its open source implementation Hadoop, Microsoft’s Dryad and so on are currently in use for parallel data processing in cloud-based companies. But the problem with them is that they are designed for homogeneous environments like clusters and disregard the dynamic and heterogeneous nature of a cloud. As a result, allocation and de-allocation of compute nodes at runtime is ineffective thereby increasing processing time and cost. In this paper we present our approach towards parallel data processing exploiting dynamic resource allocation in IaaS clouds. Our architecture ensures parallel data processing using Directed Acyclic task graph. To reduce the latency and to improve throughput, load balancing is introduced in the architecture. Incoming jobs are divided into tasks that are assigned to different types of virtual machines that are dynamically instantiated and terminated during job execution.

نوشته دانلود ترجمه مقاله اختصاص منایع داینامیک در محیط ابر جهت توسعه پردازش داده های موازی – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

– مقدمه
– مدار اندازه گیری و شرایط اندازه گیری
– مدار اندازه گیری با فیدبک مشترک
– پردازش داده های اندازه گیری نویز
– اندازه گیری نویز FET
– نتایج

بخشی از ترجمه:

مدار اندازه گیری و شرایط اندازه گیری
در عمل از مراحل راه اندازی اندازه گیری نویز کم فرکانس متفاوتی استفاده شده است، اما در کلیه موارد ، بعضی از ویژگیها باهم مشترک می باشند. مدار اندازه گیری (MC) از عناصری تشکیل می شود که شرایط زیر را حفظ می کند:

•    شرایط بایاس مناسب برای دستگاه تحت تست (DUT)
•    آمپلی فایر ولتاژ یا جریان کم نویز با مدار فیدبک (بازخورد) و یا فرصت کالیبراسیون
•    استحفاظ و فیلتر دقیق مانع از تاثیر تداخل خارجی گردید.

مراحل راه اندازی اندازه گیری نویز بین دستیابی به مدارک آزمایشی در مدل سازی نویز تا سیستم های اندازه گیری بسیار پیچیده Agilient Technologies در کاربردهای صنعتی دربرگیرنده فرصت اندازه گیری نویز ۱/f متغیر می باشد. در این مقاله، بر بهینه سازی مدار اندازه گیری نویز تمرکز می کنیم، هدف از این کار به حداقل رساندن میزان خطا و ارتقاء راندمان اندازه گیری می باشد. شایان توجه است که برای اطمینان از غلبه سورس نویز هدف در نویز خروجی می توان پیکره بندی مدار و عناصر خاصی را انتخاب نمود. به طور مثال، برای اندازه گیری پارامترهای نویز جریان پایه BJT می بایست ازمقاومت بزرگ سورس سیگنال در مدار پایه استفاده گردد.

بخشی از مقاله انگلیسی:

Introduction

Despite enormous developments in semiconductor technology low frequency noise is still aproblem. It is an important factor determining C/N ratio of modern communication equipment(phase noise in oscillators, noise in direct conversion receivers, etc.). Its value can not betheoretically predicted with the needed accuracy. At the same time low frequency noise reflectsinternal processes of semiconductor devices. Targeted noise measurement can be used todetermine some specific semiconductor technology features [1,2] that could lead to technologyimprovements. Therefore, experimental determination of noise parameters during themanufacturing process is of utmost importance. These parameters are also used in SPICE andother simulation software models instead of the default simplified 1/f noise model [3,4].In this paper features of three widely used noise measurement circuit configurations are analysedand application options discussed. Methodology of measurement data processing and extractionof 1/f noise parameters is proposed. As an example analysis of FET noise measurement andparameter extraction is given. Measurement circuit and measurement conditionsDifferent low frequency noise measurement set-ups are used in practice, but some commonfeatures can be found in all cases. Measurement circuit (MC) consists of elements maintaining:• Appropriate bias conditions for device under test (DUT),• Low-noise current or voltage amplifier with feedback circuit and/or calibration opportunity,• Careful shielding and filtering ensured to avoid influence of external interference.Noise measurement set-ups range from simple ones used to obtain experimental evidence innoise modelling [3] to very sophisticated complex measurement systems from AgilentTechnologies for industry applications containing 1/f noise measurement opportunity [4,5]. Inthis paper we are concentrating on optimisation of noise measurement circuit to minimise errorsand improve measurement efficiency. It must be stressed that special elements and circuitconfiguration could be chosen to ensure dominance of the target noise source in the output noise.For example, large signal source resistance in the base circuit must be used to providemeasurement of the BJT base current noise parameters.The most widespread MC configurations used in noise measurement are the following:• Measurement circuit without a common feedback;• Measurement circuit with a current amplifier;• Measurement circuit with a common feedbackMeasurement circuit without a common feedback (Fig.1) is widely used in practice. The mainadvantage of this circuit configuration is that both signal source resistance RG and load resistanceRL values could be chosen in large range without fear of self – oscillations starting in the circuit,being a typical problem in MC with feedback..

نوشته دانلود ترجمه مقاله مدار اندازه گیری و پردازش داده برای استخراج نویز در ترانزیستور اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

چکیده
۱ مقدمه
۲ مسائل پاکسازی داده

۱ ۲  مسائل تک منبعی
۲ ۲ مسائل و مشکلات چند منبعی

۳ شیوه های پاکسازی داده

۱ ۳ تحلیل داده
۲ ۳ تعریف تبدیل داده
۳ ۳ حل تعارض

۴ حمایت ابزاری

۱ ۴ آنالیز داده و ابزارهای فنی مهندسی
۲ ۴ ابزارهای پاکسازی تخصصی
۳ ۴ ابزارهای ETL

۵ نتایج

بخشی از ترجمه:

 ۱ مقدمه

پاکر ارتقاء کیفیت داده را برعهده دارد. در مجموعه های داده مانند فایل ها و پایگاههای داده، به خاطر غسازی داده که تنظیف یا حذف داده نیز نامیده می شود، مسئولیت خطا یابی و رفع آن و ناهمسانی ها داده به منظور املایی در طول ثبت داده، از دست رفتن اطلاعات یا غیر معتبر بودن سایر داده ها ، مشکلاتی در کیفیت داده پدید می آید. وقتی لازم باشد چند منبع داده باهم تلفیق شوند، مثلاً در انبارهای داده، سیستم های پایگاه داده وابسته یا سیستم های اطلاعاتی اینترنتی جهانی ، در این شرایط نیاز به پاکسازی داده شدیداً افزایش می یابد. علت این امر آن است که در نمایشات مختلف، منابع اغلب محتوی داده های اضافی می باشند. به منظور دسترسی به داده های درست و همسان، تلفیق داده های مختلف و حذف اطلاعات المثنی الزامی می باشد. انبارهای داده نیاز شدیدی به حمایت از فرایند پاکسازی داده دارند. آنها مقادیر زیادی از داده های منابع مختلف را دائماً بارگذاری و تجدید می کنند، به همین خاطر احتمال وجود داده های بی ارزش در این منابع ، بالا می باشد. به علاوه، از انبارهای داده در فرایند تصمیم گیری نیز استفاده شده است، به گونه ای که برای جلوگیری از بروز نتایج غلط ، تصحیح داده ها الزامی می باشد. به طور مثال، اطلاعات نامعلوم یا کپی شده ، آماره های نادرست یا گمراه کننده ای حاصل می کنند . به خاطر طیف وسیع ناهمسانی های حجم داده محض ، پاکسازی داده به عنوان یکی از بزرگترین مسائل انبارداری داده محسوب می گردد. در طول فرایند به اصطلاح ETL (استخراج، تبدیل، بارگذاری) نشان داده شده در شکل ۱، تبدیل داده به ترجمه طرح/ داده و تلفیق آن پرداخته و داده های ذخیره شده در انبار را فیلتر و باهم تلفیق می نماید.  همان گونه که در شکل ۱ نشان داده شده است،فرایند پاکسازی داده در منطقه مرحله بندی داده قبل از بارگذاری داده های تبدیل شده در انبار صورت می گیرد. ابزارهای زیادی با عاملیت متفاوت از این وظایف حمایت می کنند، اما اغلب بخش قابل توجهی از کار پاکسازی و تبدیل به صورت دستی یا به کمک برنامه های کم سطح انجام می شود که ضبط و حفظ آنها کار دشواری می باشد. سیستم های پایگاه داده وابسته و سیستم های اطلاعات اینترنتی ، با مراحل تبدیل داده مشابه با انبارهای داده مواجه می شوند. به ویژه،  برای استخراج یک بسته بندی برای هر منبع داده و یک واسطه برای یکپارچگی وجود دارد. تا کنون ، این سیستم ها از روند پاکسازی داده کمی حمایت کرده، و بر تبدیل داده تاکید می کنند. داده ها از قبل برای ورود به انبارهای داده باهم تلفیق نشده اند، اما لازم است از منابع متعددی استخراج شده، تبدیل و در طول اجرای تحقیق و جستجو باهم ترکیب شوند. تاخیرات رخ داده در روند پردازش و ارتباط قابل توجه بوده، به همین خاطر نیل به زمان پاسخگویی قابل قبول امری دشوار می باشد. پاکسازی داده در طول استخراج و تلفیق زمان پاسخگویی را افزایش می دهد اما نیل به نتایج تحقیق و جستجوی مناسب اجباری می باشد.

5. نتایج
در این مقاله مسائل مربوط به کیفیت داده در منابع داده طبقه بندی شده و بین مسائل و مشکلات سطح نمونه و طرح ، یک منبعی و چند منبعی تمایز قایل شود. در اینجا مراحل اصلی تبدیل و پاکسازی داده مطرح و بر نیاز به پوشش تبدیل داده وابسته به طرح و نمونه به شیوه ای یکپارچه تاکید شده است. به علاوه،  ابزارهای پاکسازی داده تجاری را بررسی کردیم. اگر چه در این ابزارها تکنولوژی جدید پیشرفته است، اما به طور نمونه فقط بخشی از مسئله را پوشش داده و نیاز به تلاش دستی یا خود برنامه نویسی اساسی و قابل توجهی نیاز دارند. به علاوه، قابلیت همکاری و کاربرد آنها محدود است ( API اختصاصی و معرفی داده های متا). تا کنون تحقیقات کمی در مورد پاکسازی داده انجام شده است، اگرچه تعداد زیادی از ابزارها اهمیت و سختی مسئله پاکسازی را نشان می دهند. دراینجا چندین موضوع که نیاز به تحقیق بیشتر دارند را معرفی می کنیم. اول از همه، برای طراحی و اجرای شیوه بهترین زبان برای حمایت از تبدیل داده و طرح نیاز به کار بیشتری می باشد. به طور مثال، عملگرهایی نظیر ادغام ، تلفیق یا ترکیب نقشه در سطح نمونه (داده) یا طرح (داده های متا) بررسی شده اند اما امکان ساخت آنها با تکنیک های اجرایی مشابه نیز وجود دارد. در انبارداری داده و پردازش جستجو در منابع داده ناهمگن، مثلاً درسیستم های اطلاعاتی اینترنتی ، نیازی به پاکسازی داده نمی باشد. این محیط محدودیت های عملکردی بیشتری برای پاکسازی داده تحمیل می کنند که در طراحی شیوه های مناسب مد نظر قرار داده می شود. به علاوه، پاکسازی داده در مورد داده های نیمه سازمان یافته، مثلاً بر اساس XML ، احتمالاً از اهمیت به سزایی برخوردار باشد، مشروط به اینکه محدودیتهای ساختاری کاهش یافته و مقدار داده های XML به سرعت افزایش یافته باشد.

بخشی از مقاله انگلیسی:

1 Introduction

Data cleaning , also called data cleansing or scrubbing, deals with detecting and removing errors and inconsistencies from data in order to improve the quality of data. Data quality problems are present in single data collections, such as files and databases, e.g., due to misspellings during data entry, missing information or other invalid data. When multiple data sources need to be integrated, e.g., in data warehouses, federated database systems or global web-based information systems, the need for data cleaning increases significantly. This is because the sources often contain redundant data in different representations. In order to provide access to accurate and consistent data, consolidation of different data representations and elimination of duplicate information become necessary.

Data warehouses [6][16] require and provide extensive support for data cleaning. They load and continuously refresh huge amounts of data from a variety of sources so the probability that some of the sources contain “dirty data” is high. Furthermore, data warehouses are used for decision making, so that the correctness of their data is vital to avoid wrong conclusions. For instance, duplicated or missing information will produce incorrect or misleading statistics (“garbage in, garbage out”). Due to the wide range of possible data inconsistencies and the sheer data volume, data cleaning is considered to be one of the biggest problems in data warehousing. During the so-called ETL process (extraction, transformation, loading), illustrated in Fig. 1, further data transformations deal with schema/data translation and integration, and with filtering and aggregating data to be stored in the warehouse. As indicated in Fig. 1, all data cleaning is typically performed in a separate data staging area before loading the transformed data into the warehouse. A large number of tools of varying functionality is available to support these tasks, but often a significant portion of the cleaning and transformation work has to be done manually or by low-level programs that are difficult to write and maintain.

Federated database systems and web-based information systems face data transformation steps similar to those of data warehouses. In particular, there is typically a wrapper per data source for extraction and a mediator for integration [32][31]. So far, these systems provide only limited support for data cleaning, focusing instead on data transformations for schema translation and schema integration. Data is not preintegrated as for data warehouses but needs to be extracted from multiple sources, transformed and combined during query runtime. The corresponding communication and processing delays can be significant, making it difficult to achieve acceptable response times. The effort needed for data cleaning during extraction and integration will further increase response times but is mandatory to achieve useful query results.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

نوشته دانلود ترجمه مقاله مسائل و شیوه های فعلی پاکسازی داده اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

چکیده
۱- مقدمه
۲- وبسایت تجارت الکترونیکی:   OrOliveSur.com
۳-  داده کاوی وب
۴- استخراج استفاده از وب در OrOliveSur.com

۴ ۱ گردآوری و پیش-پردازش داده ها
۴ ۲ استخراج داده
۴ ۳ تحلیل و تایید

۵- نتیجه گیری ها

بخشی از ترجمه:

 داده کاوی در وب، فرآیند استخراج اطلاعات مفید از تاریخچه پایگاه داده کاربران در یک وبسایت تجارت الکترونیک است. این استخراج معمولا بوسیله تکنیک های استخراج داده ها انجام می شود که بر روی server log data یا داده های بدست آمده از ابزار خاص مانند Google Analystic اعمال می شود. این مقاله روش استفاده شده در وبسایت تجارت الکترونیکی با نام www.orolivesur.com را معرفی میکند. ما سری مراحل انجام شده از جمله جمع آوری داده ها، پیش-پردازش داده ها، استخراج و تحلیل دانش را توصیف میکنیم. این دانش با استفاده از الگوریتم های استخراج تحت نظارت و بدون نظارت از طریق کارهای توصیفی مانند دسته سازی، اجتماع و کشف زیرگروه ها، استخراج می گردد؛ اعمال راهکارهای جدید و سنتی. نتایج بدست آمده خصوصا برای منافع تیم طراحی وبسایت مورد بحث قرار می گیرد و رهنمودهایی را برای بهبود قابلیت استفاده آن و رضایت کاربران فراهم می سازد.
1- مقدمه
تجارت الکترونیکی، همان خرید و فروش محصولات یا خدمات از طریق رسانه های الکترونیکی مانند اینترنت و شبکه های دیگر کامپیوتری می باشد. ابتدا، این عبارت در مورد استخراج معاملات از طریق تراکنش های الکترونیکی مانند تبادل اطلاعات الکترونیکی گفته می شد. البته، با پیدایش اینترنت در اواسط دهه 90، عمدتا به فروش کالاها و خدمات در اینترنت، اغلب با استفاده از پرداخت الکترونیکی نسبت داده می شد. مقدار تجارت الکترونیکی انجام شده بخاطر وجود اینترنت تا حد زیادی پیشرفت داشته است. تنوع زیادی از تجارت به این شیوه در آمده است که ایجاد و استفاده از ابتکاراتی مانند انتقال پول الکترونیکی، مدیریت زنجیره سپرده، بازاریابی در اینترنت، فرآیند انتقال آنلاین، تبادل داده های الکترونیکی، سیستم ها، مدیریت ابتکاری و جمع آوری داده ها بصورت خودکار، را شبیه سازی میکند.
پس از تمرکز شرکت olive oil (روغن زیتون) در آندلس اسپانیا در سالهای اخیر، مقالات در مورد صادرات محصولات زیتون، استفاده از تجارت الکترونیک در شرکت های کشاورزی و اتخاذ اطلاعات و تکنولوژی های ارتباطاتی بعنوان ابزار ضروری در چنین صادراتی زیاد شده است. مطالعات جالبی بر روی بازار بین المللی و تقاضا برای روغن زیتون توسط میلی و زونیگا، انجام شد. همچنین، این مسئله حائز اهمیت است که بحث هاب مربوط به عوامل تاثیرگذار بر روی تقاضای مشتریان برای روغن زیتون با انتخاب مدل های بر اساس بیانیه های هکمن می باشد. همچنین، همکاری های دیگری هم درباره مطالعات واقع در بیرون از اسپانیا، رضایت مشتری و هزینه های مربوط به روغن زیتون برای پیشرفت و بازاریابی شرکت یونانی روغن زیتون انجام شده است و پیش بینی می کند که صادرات باید فروش های خود را افزایش دهند.
نیاز به پیشنهاد کردن روشهایی برای تحلیل هوشمندانه داده ها افزایش می یابد تا استخراج دانش سودمند از داده ها را ممکن سازد. این همان مفهوم کشف دانش در پایگاه داده ها (KDD) است، که میتوان آنرا بعنوان فرآیند نابدیهی تشخیص الگوها در داده ها با خصوصیات زیر تعریف کرد: معتبر، جدید، مفید و قابل درک. فرآیند KDD یک سری مراحل متقابل و تکراری است که از بین آنها می توان به پیش-پردازش داده ها برای تصحیح بی دقتی ها، عدم کامل بودن یا ناسازگاری های موجود، کاهش تعداد موارد ثبت شده یا یافتن مشخص ترین ویژگی ها اشاره کرد. KDD تکنیک های سنتی و قدیمی استخراج دانش را با منابع متعدد توسعه یافته در حیطه هوش مصنوعی ترکیب می سازد.
در مقالات خاص، ما کاربردهای اخیر و بازبینی های یکپارچه در مورد استفاده از استخراج اطلاعات در تجارت الکترونیکی را می یابیم. در مقالات اسکافر، کنستان و ریدل، مولفان بر روی مدل های مختلف پیشنهادات تجارت الکترونیکی بحث می کنند و در مقاله هو و لیو، روشی برای استخراج اطلاعات از پرسشنامه های مشتریان نشان داده شده است. استخراج دانش پیش بینی شده برای انجام پیشنهادات شخصی در استفاده در وب بکار می رود و قوانین مربوط به آن برای توصیف همان کار بکار می روند. کارهای توصیفی و پیش بینی کننده میتوانند با هم ترکیب گردند تا همان منظور و پیشنهادات مربوطه به محصولات متغیر-زمانی را انجام دهند. تحلیل رفتار مشتری در وبسایت های تجارت الکترونیکی در سالهای اخیر توجه زیادی را به خود جلب کرده است.
در این مقاله، ما روش خاصی را برای استخراج اطلاعات مفید از داده های وب با استفاده از Analytics Google در وبسایت   توصیف میکنیم. این وبسایت به فروش های ملی و بین المللی روغن زیتون و محصولات مشتق از ناحیه جنوبی آندلس اسپانیا اختصاص داده شده است. مراحل توصیف شده، مراحل همراه با استخراج و پیش-پردازش داده ها، استخراج دانش و تحلیل نتایج هستند. از میان تکنیک های بکار رفته برای تحلیل این سری داده ها میتوان دسته سازی، قوانین مربوطه و تکنیک های کشف زیرگروه ها را نام برد چون ما باید رفتار کاربران را در وبسایت با توجه به چندین ویژگی توصیف کنیم. مثالهایی از قوانین مربوطه، دسته ها و زیرگروه ها با پیش آمدن بحث درباره بهترین راه های بهبود قابلیت استفاده و راحتی مشتریان وبسایت مورد تحلیل قرار خواهد گرفت.
این مقاله بشرح زیر است: بخش 2 اطلاعات اصلی درباره وبسایت تجارت الکترونیکی را معرفی میکند که این مقاله بر اساس آن نوشته شده است   ، بخش 3 خلاصه ای از استخراج داده های وب و مزیت های این تکنولوژی را بیان میکند. بخش 5 نتیجه گیری های این مقاله را برای کارشناسان بیان میکند.

بخشی از مقاله انگلیسی:

1. Introduction

Electronic commerce is the buying and selling of products or servicesthrough electronic media, such as Internet and other computernetworks. Originally, the term was applied to the executionof transactions through electronic transactions such as electronicdata interchange. However, with the advent of Internet in the mid90’s, it began mainly referring to the sale of goods and services onInternet, primarily using electronic payment. The amount of tradeconducted electronically has grown extraordinarily since thespread of Internet. A high variety of commerce is made in thisway (Soares, Peng, Meng, Washio, & Zhou, 2008), stimulating thecreation and use of innovations such as electronic funds transfer,the supply chain management, marketing on Internet, online transactionprocessing, electronic exchange data, systems, inventorymanagement and automated data collection.After the concentration of olive oil cooperatives in Andalusia(Spain), in the last years, the literature proliferates on the exportof olive products (Moral-Pajares & Lanzas-Molina, 2009), the useof e-commerce in the agricultural cooperatives and the adoptionof Information and Communication Technologies as an essentialtool in such export. Interesting studies on the international marketand demand for olive oil were conducted by Mili and Zuniga(2003). Also, it is worth mentioning the discussion of factorsaffecting consumer demand for olive oil by selection biasmodels based on the Heckman correction (Tsakiridou, Mattas, &  Tzimitra-Kalogianni, 2006). In addition, other contributionsconcerning studies located outside Spain, advocates of consumersatisfaction and costs of olive oil (Krystallis, Fotopoulos, & Zotos,2006). Blery and Kapsopoulou (2007) conducted a study relatedto the promotion and marketing of a Greek company, olive oiland predict that exports are needed to increase sales.The need arises to propose methodologies for intelligent dataanalysis, to enable the extraction of useful knowledge from thedata (Fayyad, Piatetsky-Shapiro, & Smyth, 1996). This is the conceptof the Knowledge Discovery in Databases (KDD), which canbe defined as the nontrivial process of identifying patterns in datawith the following characteristics: valid, novel, useful and understandable(Han, 2005). The KDD process is a set of interactiveand iterative steps, including among them the pre-processing ofthe data to correct inaccuracies, incompleteness or inconsistencypresent, reducing the number of records or finding the most representativefeatures. KDD combines the traditional techniques ofknowledge extraction with numerous resources developed in thearea of artificial intelligence.In the specialized literature, we found recent applications andconsolidated reviews on the use of data mining in e-commerce. InSchafer, Konstan, and Riedl (2001), the authors discussed differentmodels of e-commerce recommendation and in Hu and Liu (2004)a methodology to extract information from customer questionnaireswas provided. The extraction of predictive knowledge is used to setpersonalized recommendations in web use (Zhang & Jiao, 2007) andassociation rules are used for descriptive same task (Lazcorreta,Botella, & Fernandez-Caballero, 2008). Predictive and descriptivetasks can hybridize to achieve the same purpose (Kim, Cho, Kim,Kim, & Suh, 2002) and the recommendation of time-varying products(Min & Han, 2005). The analysis of customers’ behaviour in ecommercewebsites has attracted much attention in recent years(Liao, Chen, & Lin, 2011; Thorleuchter, Poel, & Prinzie, 2012).In this paper, we describe an specific methodology for extractinguseful information from web usage data acquired using GoogleAnalytics in the website www.OrOliveSur.com. This website is devotedto the national and international sales of extra virgin olive oiland derivatives products from the south region of Spain, Andalusia.The phases described are those associated to the extraction andpreprocessing of the data, extraction of knowledge and analysisof results. Among the techniques employed in order to analyse thisdata set are used clustering, association rules and subgroup discoverytechniques because we need to describe user behaviours in thewebsite with respect to several properties. Some examples of associationrules, clusters and interesting subgroups will be analyzedraising a discussion about the best ways for improving the usabilityand comfort for the customer of the website.The paper is organised as follows: Section 2 presents the maininformation about the e-commerce website in which is based thispaper ‘‘www.OrOliveSur.com’’, Section 3 shows a brief summaryabout web usage mining and advantages contributed by this technology,in Section 4 the complete experimental study is presentedand finally, Section 5 presents concluding remarks about this studyto the experts.2. E-commerce website: OrOliveSur.comOrOliveSur1 is a project born in the province of Jaén from Andalusia(Spain) in 2010. The main purpose is to announce to the world thetreasure of its land, the extra virgin olive oil. This website is focused inthe olive oil produced in a particular territory of Jaén: the SierraMágina Natural Park. Sierra Mágina is a protected area of 50,000 acresof natural park, made up of forested slopes, concealed valleys and ruggedmountain peaks. The highest peak, the Mágina Mountain is thehighest in the Jaén province, standing at 2,167 metres.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

نوشته دانلود ترجمه مقاله استفاده از داده کاوی وب برای بهبود طراحی وبسایت – مجله الزویر اولین بار در ترجمه فا پدیدار شد.