Web page recommendation system has attracted more attention in recent decades. The web page recommendation has various characteristics than the classical recommenders. It is the process of predicting the request of the next web page that users are significantly interested while searching the web. It helps the users to find relevant pages in the field of web mining. In particular, web user may spend more time to identify expected information. To understand behavior of users and to visit the page based on their interest at a specific time, an effective web page recommendation method is developed by developed Multi-Verse Sailfish Optimization (MVSFO)-based Deep Residual network. Accordingly, proposed MVSFO is derived by the integration of Multi-Verse Optimizer (MVO) and Sailfish Optimizer (SFO), respectively. Here, the process of recommendation is carried out using weblog data and the web page image. The sequential patterns are acquired from weblog data, and the patterns are grouped with Deep fuzzy clustering based on cosine similarity. The matching process among test pattern and sequential patterns are made using Canberra distance. Here, the recommended web pages obtained from the weblog data and pages obtained from web pages image using the Deep Residual network are enable to generate the output using fractional order-based ranking. The developed scheme attained more effectiveness by the measures, such as F-measure, precision, and recall as 85.30%, 86.59%, and 86.04%, respectively for MSNBC dataset.

近几十年来，网页推荐系统引起了越来越多的关注。与经典推荐器相比，网页推荐具有多种特征。这是预测用户在搜索网络时显着感兴趣的下一个网页的请求的过程。它可以帮助用户找到网络挖掘领域的相关页面。特别地，网络用户可能花费更多的时间来识别期望的信息。为了了解用户的行为并根据他们在特定时间的兴趣访问页面，通过开发的基于多维旗鱼优化（MVSFO）的深度残差网络开发了一种有效的网页推荐方法。因此，所提出的 MVSFO 是通过分别集成 Multi-Verse Optimizer (MVO) 和 Sailfish Optimizer (SFO) 得出的。这里，推荐过程是利用博客数据和网页图像进行的。从博客数据中获取序列模式，并使用基于余弦相似度的深度模糊聚类对模式进行分组。测试模式和序列模式之间的匹配过程是使用堪培拉距离进行的。这里，使用深度残差网络从博客数据获得的推荐网页和从网页图像获得的页面能够使用基于分数阶的排名生成输出。所开发的方案在 MSNBC 数据集的 F 测量、精度和召回率等指标上取得了更高的有效性，分别为 85.30%、86.59% 和 86.04%。并使用基于余弦相似度的深度模糊聚类对模式进行分组。测试模式和序列模式之间的匹配过程是使用堪培拉距离进行的。这里，使用深度残差网络从博客数据获得的推荐网页和从网页图像获得的页面能够使用基于分数阶的排名生成输出。所开发的方案在 MSNBC 数据集的 F 测量、精度和召回率等指标上取得了更高的有效性，分别为 85.30%、86.59% 和 86.04%。并使用基于余弦相似度的深度模糊聚类对模式进行分组。测试模式和序列模式之间的匹配过程是使用堪培拉距离进行的。这里，使用深度残差网络从博客数据获得的推荐网页和从网页图像获得的页面能够使用基于分数阶的排名生成输出。所开发的方案在 MSNBC 数据集的 F 测量、精度和召回率等指标上取得了更高的有效性，分别为 85.30%、86.59% 和 86.04%。使用深度残差网络从博客数据获得的推荐网页和从网页图像获得的页面能够使用基于分数阶的排名生成输出。所开发的方案在 MSNBC 数据集的 F 测量、精度和召回率等指标上取得了更高的有效性，分别为 85.30%、86.59% 和 86.04%。使用深度残差网络从博客数据获得的推荐网页和从网页图像获得的页面能够使用基于分数阶的排名生成输出。所开发的方案在 MSNBC 数据集的 F 测量、精度和召回率等指标上取得了更高的有效性，分别为 85.30%、86.59% 和 86.04%。