- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Завршни пројекат презентация
Содержание
- 1. Завршни пројекат
- 2. Развој Веба и повећање количине доступних информација
- 3. 2. Прилагођење садржаја кориснику Концепт индивидуализације и
- 4. 2. Прилагођење садржаја кориснику Кастомизација корисника сам
- 5. 3. Прикупљање, обрада и анализа података Методе
- 6. Методе за обраду и анализу података: филтрирање
- 7. Филтрирање на основу правила: основу чине правила
- 8. Филтрирање на основу садржаја: проналажење, упоређивање и
- 9. Филтрирање на основу колаборације: упоређивање интересовања корисника
- 10. Анализа имплицитно прикупљених података са Веба анализа
- 11. Мали и корпоративни сајтови најчешће користе филтрирање
- 12. Милан Стошић Br. индекса: 281041/03 Е-пошта: milan.stosic@gmail.com Завршни пројекат Персонализација садржаја и методе персонализације
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 1Завршни пројекат
Персонализација садржаја и методе персонализације
Наставник:
Бранко Гледовић
Студент:
Милан Стошић, 281041/03
Слайд 2Развој Веба и повећање количине доступних информација
Адаптација садржаја потребама корисника и
концепт персонализованог хипермедија
Бројни примери употребе:
електронске продавнице (е-commerce)
туристички портали
медицина...
Бројни примери употребе:
електронске продавнице (е-commerce)
туристички портали
медицина...
1. Увод
Слайд 32. Прилагођење садржаја кориснику
Концепт индивидуализације и развој корисничких профила
Прилагођење садржаја кориснику
чине:
прикупљање информација
обрада информација
приказивање садржаја кориснику
Методе индивидуализације:
кастомизација
персонализација
прикупљање информација
обрада информација
приказивање садржаја кориснику
Методе индивидуализације:
кастомизација
персонализација
Слайд 42. 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
Персонализација
систем сам бира садржај за корисника
експлицитно и имплицитно прикупљање података
Facebook, YouTube, Google AdSense, E-target
Слайд 53. 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...
активно учешће корисника
формулари, гласања, оцењивање, препоруке,...
Имплицитна метода
пасивно учешће корисника
IP, тип читача, рачунар или мобилни уређај, време проведено на сајту...
Слайд 6Методе за обраду и анализу података:
филтрирање на основу правила
филтрирање на основу
садржаја
филтрирање на основу колаборације
анализа имплицитно прикупљених података са Веба
филтрирање на основу колаборације
анализа имплицитно прикупљених података са Веба
3. Прикупљање, обрада и анализа података
Слайд 7Филтрирање 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
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 8Филтрирање 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
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 9Филтрирање 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...
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 10Анализа 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)
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 11Мали 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
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 12Милан Стошић
Br. индекса: 281041/03
Е-пошта: milan.stosic@gmail.com
Завршни пројекат
Персонализација садржаја и методе персонализације
