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

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

2. Прилагођење садржаја кориснику o Концепт индивидуализације и развој корисничких профила o Прилагођење садржаја кориснику чине: 1. прикупљање информација 2. обрада информација 3. приказивање садржаја кориснику o Методе индивидуализације: 1. кастомизација 2. персонализација

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

3. Прикупљање, обрада и анализа података o Методе за прикупљање података: 1. експлицитна метода 2. имплицитна метода o Експлицитна метода активно учешће корисника формулари, гласања, оцењивање, препоруке,... o Имплицитна метода пасивно учешће корисника IP, тип читача, рачунар или мобилни уређај, време проведено на сајту...

o Методе за обраду и анализу података: 1. филтрирање на основу правила 2. филтрирање на основу садржаја 3. филтрирање на основу колаборације 4. анализа имплицитно прикупљених података са Веба 3. Прикупљање, обрада и анализа података

o 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

o 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

o 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 Прикупљање, обрада и анализа података

o Анализа имплицитно прикупљених података са Веба анализа логова веб сервера и потрага за одређеним шаблонима (патернима) понашања o 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

o Мали и корпоративни сајтови најчешће користе филтрирање на основу садржаја док већи сајтови и портали комбинују неколико метода o 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

Милан Стошић Br. индекса: /03 Е-пошта: Завршни пројекат Персонализација садржаја и методе персонализације