'

Завршни пројекат

Понравилась презентация – покажи это...





Слайд 0

Завршни пројекат Персонализација садржаја и методе персонализације Наставник: Бранко Гледовић Студент: Милан Стошић, 281041/03


Слайд 1

Развој Веба и повећање количине доступних информација Адаптација садржаја потребама корисника и концепт персонализованог хипермедија Бројни примери употребе: електронске продавнице (е-commerce) туристички портали медицина... 1. Увод


Слайд 2

2. Прилагођење садржаја кориснику Концепт индивидуализације и развој корисничких профила Прилагођење садржаја кориснику чине: прикупљање информација обрада информација приказивање садржаја кориснику Методе индивидуализације: кастомизација персонализација


Слайд 3

2. Прилагођење садржаја кориснику Кастомизација корисника сам бира садржај који жели експлицитно прикупљање података iGoogle, MyYahoo, Microsoft MSN Персонализација систем сам бира садржај за корисника експлицитно и имплицитно прикупљање података Facebook, YouTube, Google AdSense, E-target


Слайд 4

3. Прикупљање, обрада и анализа података Методе за прикупљање података: експлицитна метода имплицитна метода Експлицитна метода активно учешће корисника формулари, гласања, оцењивање, препоруке,... Имплицитна метода пасивно учешће корисника IP, тип читача, рачунар или мобилни уређај, време проведено на сајту...


Слайд 5

Методе за обраду и анализу података: филтрирање на основу правила филтрирање на основу садржаја филтрирање на основу колаборације анализа имплицитно прикупљених података са Веба 3. Прикупљање, обрада и анализа података


Слайд 6

Филтрирање на основу правила: основу чине правила (услови) за филтрирање садржаја - уколико је А=‘нешто’ онда је Б=‘нешто друго’ предност – једноставан за употребу и лак за имплементацију мана – различито значење речи у зависности од концепта пример - локализација садржаја на основу IP адресе, верзија садржаја за мобилне уређаје, таргетирано рекламирање 3. Прикупљање, обрада и анализа података


Слайд 7

Филтрирање на основу садржаја: проналажење, упоређивање и приказивање садржаја који има сличности са претходним акцијама и интересовањима корисника предност – корисник добија садржај који је сличан ономе што га је већ интересовало мана – како прикупити довољно објективну информацију о интересовањима корисника пример - препорука филмова на електронској продавници Амазон 3. Прикупљање, обрада и анализа података


Слайд 8

Филтрирање на основу колаборације: упоређивање интересовања корисника са интересовањима других корисника и приказивање сличних садржаја (активно, пасивно и филтрирање производа) предност – препорука има одређену “тежину” и значај поготову при куповини неких врста производа мане – неки производи су сувише “личног карактера” и препорука није од пресудног значаја пример - продавнице књига, музике, филмова... 3. Прикупљање, обрада и анализа података


Слайд 9

Анализа имплицитно прикупљених података са Веба анализа логова веб сервера и “потрага” за одређеним шаблонима (патернима) понашања Математичке методе: статистичка анализа (statistical analisys) асоцијативна правила (association rules) проналажење секвенцијалних шаблона (sequental patern discovery) кластеринг (clustering) и класификација (classification) 3. Прикупљање, обрада и анализа података


Слайд 10

Мали и корпоративни сајтови најчешће користе филтрирање на основу садржаја док већи сајтови и портали комбинују неколико метода Развој концепта Веб 2.0 и фирме које га промовишу утицаће на развој и коришћење ових метода, јер једино тако могу задовољити све пробирљивије кориснике својих услуга 4. Закључак


Слайд 11

Милан Стошић Br. индекса: 281041/03 Е-пошта: milan.stosic@gmail.com Завршни пројекат Персонализација садржаја и методе персонализације


×

HTML:





Ссылка: