Note: You are currently viewing documentation for Moodle 2.2. Up-to-date documentation for the latest stable version is available here: Lesson module.

Lesson module: Difference between revisions

From MoodleDocs
(ΣΥΣΤΗΜΑΤΑ RECCOMENDATION)
(ΕΞΑΤΟΜΙΚΕΥΣΗ Ή PERSONALIZATION)
Line 1: Line 1:
ΚΕΦΑΛΑΙΟ 2 RECOMMMENDATION ΣΥΣΤΗΜΑΤΑ
ΚΕΦΑΛΑΙΟ 5 : ΕΞΑΤΟΜΙΚΕΥΣΗ Ή PERSONALIZATION


Στα συστήματα recommendation χρησιμοποιούνατι τεχνικές για μείωση του φόρτου που απαιτείται από τον χρήστη για να επιλέξει προϊόντα.Προσπάθεια για προσφορά εξατομικευμένων προϊόντων και υπηρρεσιών.
5.1 ΣΤΟΧΟΣ ΕΞΑΤΟΜΙΚΕΥΣΗΣ
Να παρέχει στους χρήστες αυτό που θέλουν ή χρειάζονται χωρίς να περιμένουμε να το ζητήσουνε οι ίδιοι ρητά.


Σημαντικό κομμάτι αυτών των τεχνικών είναι τα recommendation systems.Συστήματα δηλαδή που προτείνουν προϊόντα και παρέχουν επαρκή πληροφόρηση στον χρήστη.
ΕΞΑΤΟΜΙΚΕΥΣΗ:Η διαδικασία συγκέντρωσης και αποθήκευσης πληροφοριών αναφορικά με τους χρήστες ενός web site, ανάλυση των πληροφοριών αυτών και με βάση την ανάλυση αποστολή σε κάθε χρήστη της σωτσής πληρπφορίας ,τον σωστσό χρόνο.
Η εξατομίκευση εφαρμόζεται κυρίως στα :
1. Ηλεκτρονικό εμπόριο
2. Πληροφοριακές πύλες (portals) όπως yahoo
3. Μηχανές αναζήτησης


2.1 ΜΟΡΦΕΣ RECOMMENDATION:
5.2 ΣΥΝΕΡΓΑΤΙΚΟ ΦΙΛΤΡΑΡΙΣΜΑ
Σχετίζεται με το τί άρεσε ή όχι σε προηγούμενους χρήστες που θεωρούνατι οι προτιμήσεις τους όσο αναφορά τα site που επιλέγουν παρόμοιες (είναι απαραίτητα στοιχεία που πρέπει να έχει καταχωρήσει ο χρήστης)


 Προτάσεις προϊόντων στους πελάτες .Σύνοψη απόψεων μιας κοινότητας, παροχή κριτικών από τον πελάτη
OBSERVATION PERSONALIZATION


Τα RS ταξινομούνται με βάση :
Όμοιο με το παραπάνω χωρίς προσωπικά στοιχεία χρήστη.
1. την είσοδο
2. την έξοδο
3. την μέθοδο των προτάσεων
4. άλλα χαρακτηριστικά


5.3 ΛΕΙΤΟΥΡΓΙΕΣ ΕΞΑΤΟΜΙΚΕΥΣΗΣ


Υπονοούμενη πλοήγηση:Δημιουργούνται δεδομένα χωρίς ο χρήστης να γνωρίζει την ύπαρξη RS
1. Απομνημόνευση
2. Καθοδήγηση
3. Παραμετροποίηση (παροχή παραλλαγών μιας ιστοσελίδας που να ναταποκρίνονται στις γνώσεις-προτιμήσεις του χρήστη)
4. Υποστήριξη- διεκπαιρέωσης εργασιών (εκτέλεση μιας σειράς πράξεων από το σύστημα για τον χρήστη)π.χ. εκπροσωπεί τον χρήστη σε δημοπρασίες)


Σαφής πλοήγηση: Ο χρήστης εισάγει δεδομένα έτσι ώστε τα RS να πληροφορούνται για τις προτιμήσεις τους.
5.4 ΒΗΜΤΑ ΕΞΑΤΟΜΙΚΕΥΣΗΣ


ΒΑΣΙΚΕΣ ΜΟΡΦΕΣ ΕΞΟΔΟΥ
1. Απόκτηση/συλλογή δεδομένων
2. Ανάλυση δεδομένων
3. Παραγωγή προσαρμοογών


1. Προτάσεις
2. Προβλέψεις (για την βαθμολόγηση που θα έδιναν σε ένα προϊόν)
3. Βαθμολογίες και κριτικές


ΤΕΧΝΙΚΕΣ ΣΥΛΛΟΓΗΣ ΔΕΔΟΜΕΝΩΝ


2.2 ΜΕΘΟΔΟΙ ΠΑΡΑΓΩΓΗΣ ΠΡΟΤΆΣΕΩΝ
1. EXPLICIT PROFILING :Συμπλήρωση ερωτηματολογίου(επιτρέπει στους χρήστες να δηλώνουν μόνοι τους τα ενδιαφέροντά τους.
2. IMPLICIT PROFILING:Καταγραφή της συμπεριφοράς του χρήστη (cookies, site database)
3. LEGACY DATA:Πιστωτικές πληροφορ.,πληροφορίες γύρω από προηγούμενες αγορές.


1. raw retrieval: παρέχεται στους χρήστες ένα interface αναζήτησης μέσω του οποίου μπορούν να κάνουν ερωτήσεις στις β.δ. του προϊόντος
5.5 ΜΕΘΟΔΟΙ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ
2. manual selection: οι προτάσεις υποδεικνύουν προϊόντα με βάση τα γούστα ,τα ενδιαφέροντα και δημιουργούν μια λίστα με προτενόμενα προϊόντα (συνδέονται από σχόλια κειμένου για κατανόηση)
 
3. statistical summaries:παρέχουν στατιστικές αναλύσεις των απόψεων μιας κοινότητας(δημοτικότητα)
1. SIMPLE FILTERING:
4. attributed-based:τα RS βασίζονται στα συνατκτικά χαρακτηριστικά των προϊόντων π.χ.(αγοράζω προϊόντα με έκπτωση )
Στηρίζεται ατην κατηγοριοποίηση των χρηστών σε προκαθορισμένες ομάδες (κλάσεις)και στην αποστολή κατάλληλων σελίδων στους χρήστες.
5. item to item correlation: αναγνωρίζονται προϊόντα που εμφανίζονται πιο συχνά μαζί με τα προϊόντα για τα οποία έχει ο χρήστης εκφράσει κάποιο ενδιαφέρον (παλή μορφή συσχέτισης και σύνθετη μορφή συσχέτισης)
 
6. user to user correlation ή collaborative filtering:προτείνονται προϊόντα σε ένα πελάτη με βάση τη συσχετισή του με άλλους πελάτες
2. CONTENT-BASE FILTERING
Βασίζεται στις προσωπικές προτιμήσεις των χρηστών .Του προτείνονται προϊόντα που μοιάζουν με προϊόντα που έχουν επιλέξει σε προηγούμενες αγορές τους
 
3. COLLABORATIVE FILTERING
Βαθμολογούν προϊόντα ή αποκαλύπτουν προτιμήσεις και τους προτείνει προϊόντα με βάση τις βαθμολογίες τους.
 
4. RULE BASED FILTERING
Με βάση ένα σύνολο ερωτήσεων που απαντά ο χρήστης.
 
5. WEB USAGE MINING
Με βάση ένα σύνολο δεδομένων web log
 
 
5.6 ΠΑΡΑΓΩΓΗ ΠΡΟΣΑΡΜΟΓΩΝ
 
 Προσαρμογή περιεχομένου :παραλλαγές σελίδων ,fragment σελίδων ,χρωματισμός fragment
 
 Προσαρμογή παρουσίασης:αλλάζει οτρόπος παρουσίασης.Χρησιμοποιούνται περισσότερες εικόνες ή video.
 
 Προσαρμογή δομής:Προσαρμόζεται στην δόμηση των συνδέσμων

Revision as of 20:02, 24 May 2009

ΚΕΦΑΛΑΙΟ 5 : ΕΞΑΤΟΜΙΚΕΥΣΗ Ή PERSONALIZATION

5.1 ΣΤΟΧΟΣ ΕΞΑΤΟΜΙΚΕΥΣΗΣ Να παρέχει στους χρήστες αυτό που θέλουν ή χρειάζονται χωρίς να περιμένουμε να το ζητήσουνε οι ίδιοι ρητά.

ΕΞΑΤΟΜΙΚΕΥΣΗ:Η διαδικασία συγκέντρωσης και αποθήκευσης πληροφοριών αναφορικά με τους χρήστες ενός web site, ανάλυση των πληροφοριών αυτών και με βάση την ανάλυση αποστολή σε κάθε χρήστη της σωτσής πληρπφορίας ,τον σωστσό χρόνο. Η εξατομίκευση εφαρμόζεται κυρίως στα : 1. Ηλεκτρονικό εμπόριο 2. Πληροφοριακές πύλες (portals) όπως yahoo 3. Μηχανές αναζήτησης

5.2 ΣΥΝΕΡΓΑΤΙΚΟ ΦΙΛΤΡΑΡΙΣΜΑ Σχετίζεται με το τί άρεσε ή όχι σε προηγούμενους χρήστες που θεωρούνατι οι προτιμήσεις τους όσο αναφορά τα site που επιλέγουν παρόμοιες (είναι απαραίτητα στοιχεία που πρέπει να έχει καταχωρήσει ο χρήστης)

OBSERVATION PERSONALIZATION

Όμοιο με το παραπάνω χωρίς προσωπικά στοιχεία χρήστη.

5.3 ΛΕΙΤΟΥΡΓΙΕΣ ΕΞΑΤΟΜΙΚΕΥΣΗΣ

1. Απομνημόνευση 2. Καθοδήγηση 3. Παραμετροποίηση (παροχή παραλλαγών μιας ιστοσελίδας που να ναταποκρίνονται στις γνώσεις-προτιμήσεις του χρήστη) 4. Υποστήριξη- διεκπαιρέωσης εργασιών (εκτέλεση μιας σειράς πράξεων από το σύστημα για τον χρήστη)π.χ. εκπροσωπεί τον χρήστη σε δημοπρασίες)

5.4 ΒΗΜΤΑ ΕΞΑΤΟΜΙΚΕΥΣΗΣ

1. Απόκτηση/συλλογή δεδομένων 2. Ανάλυση δεδομένων 3. Παραγωγή προσαρμοογών


ΤΕΧΝΙΚΕΣ ΣΥΛΛΟΓΗΣ ΔΕΔΟΜΕΝΩΝ

1. EXPLICIT PROFILING :Συμπλήρωση ερωτηματολογίου(επιτρέπει στους χρήστες να δηλώνουν μόνοι τους τα ενδιαφέροντά τους. 2. IMPLICIT PROFILING:Καταγραφή της συμπεριφοράς του χρήστη (cookies, site database) 3. LEGACY DATA:Πιστωτικές πληροφορ.,πληροφορίες γύρω από προηγούμενες αγορές.

5.5 ΜΕΘΟΔΟΙ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ

1. SIMPLE FILTERING: Στηρίζεται ατην κατηγοριοποίηση των χρηστών σε προκαθορισμένες ομάδες (κλάσεις)και στην αποστολή κατάλληλων σελίδων στους χρήστες.

2. CONTENT-BASE FILTERING Βασίζεται στις προσωπικές προτιμήσεις των χρηστών .Του προτείνονται προϊόντα που μοιάζουν με προϊόντα που έχουν επιλέξει σε προηγούμενες αγορές τους

3. COLLABORATIVE FILTERING Βαθμολογούν προϊόντα ή αποκαλύπτουν προτιμήσεις και τους προτείνει προϊόντα με βάση τις βαθμολογίες τους.

4. RULE BASED FILTERING Με βάση ένα σύνολο ερωτήσεων που απαντά ο χρήστης.

5. WEB USAGE MINING Με βάση ένα σύνολο δεδομένων web log


5.6 ΠΑΡΑΓΩΓΗ ΠΡΟΣΑΡΜΟΓΩΝ

 Προσαρμογή περιεχομένου :παραλλαγές σελίδων ,fragment σελίδων ,χρωματισμός fragment

 Προσαρμογή παρουσίασης:αλλάζει οτρόπος παρουσίασης.Χρησιμοποιούνται περισσότερες εικόνες ή video.

 Προσαρμογή δομής:Προσαρμόζεται στην δόμηση των συνδέσμων