Recommendation συστήματα

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Recommendation συστήματα"

Transcript

1 Recommendation συστήματα Δρ., Μαρκέλλου Πηνελόπη Μηχανικός Η/Υ & Πληροφορικής Δομή μαθήματος Recommendation σύστημα. Ορισμός. Βασικά χαρακτηριστικά. Ταξινόμηση recommendation συστημάτων. Είσοδος Έξοδος. Μέθοδος προτάσεων. Βαθμός personalization. Αποστολή. Αλγόριθμοι και τεχνικές. Search-based RSs. Category-based RSs. Collaborative filtering. Clustering. Association rules. Information filtering. Classification. Παραδείγματα. Βιβλιογραφία & URLs. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 2/56 1

2 Εισαγωγή Τα τελευταία χρόνια ένας μεγάλος αριθμός από ηλεκτρονικά καταστήματα (e-shop, e-mall, e-auctions, κλπ.) λειτουργούν στο Web. Το e-εμπόριο έδωσε τη δυνατότητα στους πελάτες να επιλέξουν προϊόντα και υπηρεσίες μέσα από μια μεγάλη ποικιλία. Για παράδειγμα, αντί για τα μερικές εκατοντάδες βιβλία που ο πελάτης μπορεί να βρει σε ένα παραδοσιακό βιβλιοπωλείο έχει τώρα πρόσβαση σε χιλιάδες βιβλία που διαθέτουν τα on-line καταστήματα. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 3/56 Information overload Με την αύξηση όμως των προσφερόμενων επιλογών, αυξάνει παράλληλα και ο φόρτος που απαιτείται από τον χρήστη για να επιλέξει τα προϊόντα που ταιριάζουν με τις ανάγκες και τις απαιτήσεις του. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 4/56 2

3 Η λύση Για να αντιμετωπισθεί αυτό το πρόβλημα τα e-shops εφαρμόζουν τεχνικές personalization σε μια προσπάθεια να προσφέρουν στους πελάτες τους εξατομικευμένα προϊόντα και υπηρεσίες. Ένα σημαντικό κομμάτι αυτών των τεχνικών αποτελούν τα recommendation ή recommender systems (RSs) ή συστήματα προτάσεων/συστάσεων. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 5/56 Ορισμός RS Ένα recommendation ή recommender system (RS) είναι ένα σύστημα προτάσεων/ συστάσεων που προτείνει προϊόντα στους πελάτες του και τους παρέχει επαρκή πληροφόρηση ώστε να αποφασίσουν ποια προϊόντα επιθυμούν να αγοράσουν. www10.org/cdrom/posters/p1039/index.htm Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 6/56 3

4 Βασικά χαρακτηριστικά Τα προϊόντα που προτείνονται μπορεί να βασίζονται: στις μεγαλύτερες συνολικές πωλήσεις του site. στα δημογραφικά δεδομένα του πελάτη. στην ανάλυση της προηγούμενης αγοραστικής συμπεριφοράς του πελάτη (ιστορικό) σαν πρόβλεψη της μελλοντικής συμπεριφοράς του. σε στοιχεία από κοινότητες πελατών με παρόμοια χαρακτηριστικά και αγοραστική συμπεριφορά με τον συγκεκριμένο πελάτη. Μορφή recommendations: προτάσεις προϊόντων στους πελάτες. παροχή εξατομικευμένης (personalized) πληροφόρησης για τα προϊόντα. συνόψιση απόψεων μιας κοινότητας. παροχή κριτικών από έναν πελάτη ή μια κοινότητα, κλπ. Οι τεχνικές recommendation αποτελούν τμήμα του personalization ενός site και το βοηθούν να προσαρμοστεί σε κάθε πελάτη ξεχωριστά. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 7/56 Ένα παράδειγμα Πελάτης Α Έχει αγοράσει CD των Metalica. Αγοράζει CD των Megadeth. Πελάτης Β Ψάχνει για τους Metalica. Το RS του προτείνει τους Megadeth με βάση τα δεδομένα που συνέλεξε από τον πελάτη Α. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 8/56 4

5 Γιατί τα χρησιμοποιούμε; Τα RSs ενισχύουν τις πωλήσεις ενός e-shop. Μετατρέπουν τους επισκέπτες σε αγοραστές. Οι επισκέπτες ενός site συχνά περιηγούνται σε αυτό χωρίς να αγοράζουν κάποιο προϊόν. Τα RSs τους βοηθούν να βρουν τα προϊόντα που επιθυμούν να αγοράσουν. Αυξάνουν το cross-selling και το up-selling. Τα RS βελτιώνουν το cross-selling προτείνοντας συμπληρωματικά προϊόντα στον πελάτη, ενώ βελτιώνουν και το up-selling προτείνοντας προϊόντα καλύτερα σε ποιότητα και τιμές. Εάν οι προτάσεις είναι καλές, τότε οι παραγγελίες θα αυξηθούν. Για παράδειγμα, ένα e-shop μπορεί να προτείνει συμπληρωματικά προϊόντα κατά τη διάρκεια ολοκλήρωσης της παραγγελίας (checkout) βασιζόμενο στα προϊόντα που βρίσκονται ήδη στο καλάθι αγορών (shopping cart) του πελάτη. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 9/56 Γιατί τα χρησιμοποιούμε; «Χτίζουν» την εμπιστοσύνη των πελατών. Σε έναν κόσμο όπου οι ανταγωνιστές είναι μόνο ένα «κλικ» μακριά, η e-εμπιστοσύνη (e-trust) των πελατών αποτελεί μια σημαντική επιχειρηματική στρατηγική. Τα RSs βελτιώνουν την e-πίστη (e-loyalty) αφού δημιουργούν μια ιδιαίτερη σχέση μεταξύ του πελάτη και του e-shop. Τα sites που επενδύουν στο να μάθουν τους πελάτες τους, χρησιμοποιούν τα RSs για να προτείνουν προϊόντα/υπηρεσίες που ταιριάζουν καλύτερα στις ανάγκες τους. Οι πελάτες από τη μεριά τους ανταποδίδουν αυτές τις ευκολίες με το να ξαναγυρίσουν στα sites που τους ικανοποιούν. Όσο περισσότερο ο πελάτης χρησιμοποιεί το σύστημα (το οποίο μαθαίνει τι αυτός χρειάζεται), τόσο μεγαλύτερη είναι η εμπιστοσύνη του σε αυτό το site. Δίνοντας τη δυνατότητα δημιουργίας σχέσεων μεταξύ των πελατών π.χ. μέσω μιας κοινότητας χρηστών με κοινά χαρακτηριστικά/ενδιαφέροντα, αυξάνεται η πιθανότητα οι πελάτες να επιστρέψουν στο site αφού το προτείνουν και άλλοι χρήστες με τους οποίους έχουν επικοινωνία. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 10/56 5

6 Ταξινόμηση Τα RSs για εφαρμογές e-commerce μπορούν να ταξινομηθούν με βάση: την είσοδο, την έξοδο, τη μέθοδο των προτάσεων, άλλα χαρακτηριστικά σχεδίασης (βαθμός personalization, αποστολή recommendations). Αυτές οι κατηγορίες δεν είναι ανεξάρτητες αφού για παράδειγμα: συγκεκριμένες σχεδιαστικές επιλογές απαιτούν συγκεκριμένες εισόδους. ή συγκεκριμένες έξοδοι μπορούν να παραχθούν μόνο με κάποιες και όχι με όλες τις μεθόδους προτάσεων. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 11/56 Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 12/56 6

7 Είσοδος και έξοδος Θεωρούμε σαν δεδομένα την είσοδο και την έξοδο του συστήματος. Το σύστημα δέχεται μια συλλογή από δεδομένα εισόδου όπως: προτιμήσεις των πελατών, χαρακτηριστικά των προϊόντων, άλλες συσχετίσεις, κλπ. Αφού αυτά τα δεδομένα καλύπτουν ένα μεγάλο εύρος, τα χωρίζουμε σε σχέση με την προέλευσή τους: δεδομένα σχετικά με τον πελάτη για τον οποίο θέλουμε να παράγουμε τις προτάσεις, γενικά δεδομένα σχετικά με την κοινότητα άλλων πελατών. Τα RSs χρησιμοποιούν αυτά τα δεδομένα και παράγουν προτάσειςεξόδους για τα προϊόντα. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 13/56 Προσανατολισμένη στον πελάτη Τα δεδομένα αυτά εισάγονται στο RS για να παράγουν προτάσεις προσανατολισμένες στον πελάτη. Όταν το RS δεν χρησιμοποιεί δεδομένα για τους συγκεκριμένους πελάτες παράγει μόνο γενικές προτάσεις. Προσθέτοντας περισσότερους τύπους δεδομένων, επιτρέπουμε στο RS να κάνει πιο ειδικές προτάσεις βασισμένες στην τρέχουσα δραστηριότητα του πελάτη, στις προτιμήσεις του, κλπ. H τάση είναι ότι όλο και περισσότερο τα RSs ανταποκρίνονται στην τρέχουσα κατάσταση του πελάτη λαμβάνοντας υπόψη την πλοήγησή του στο site για να βελτιώσουν τις προτάσεις τους. Η συμπεριφορά των πελατών που μεταφράζεται σαν είσοδος περιλαμβάνει: τις κινήσεις που εκτέλεσαν, ενώ δεν ήταν ενήμεροι για το RS -> implicit navigation (υπονοούμενη πλοήγηση). τις κινήσεις που εκτέλεσαν, με στόχο να βελτιώσουν τις προτάσεις -> explicit navigation (σαφής πλοήγηση). Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 14/56 7

8 Υπονοούμενη πλοήγηση Τα δεδομένα εξάγονται από τη συμπεριφορά του πελάτη χωρίς αυτός να γνωρίζει την παρουσία του RS και μπορεί να περιλαμβάνουν τα συγκεκριμένα προϊόντα που ο πελάτης βλέπει την τρέχουσα στιγμή στον κατάλογο (catalogue) ή αυτά που περιέχονται στο καλάθι αγορών (shopping cart). Ο πελάτης διαβάζει τις λεπτομέρειες του βιβλίου «Άρχοντας τον Δακτυλιδιών Η Παρέα του Δακτυλιδιού». Το RS του προτείνει άλλα βιβλία του ίδιου συγγραφέα είτε το DVD της ταινίας. Τα δεδομένα μπορεί επίσης να περιλαμβάνουν την κατηγορία ή το χαρακτηριστικό στο οποίο ο πελάτης πλοηγείται. Ξένη λογοτεχνία. Βιβλία με τιμή έως 20 ευρώ. Το RS προσπαθεί να πείσει τον πελάτη να αγοράσει το συγκεκριμένο προϊόν, ενώ του προτείνει και συμπληρωματικά προϊόντα (cross-selling). Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 15/56 Σαφής πλοήγηση Σε αντίθεση με την υπονοούμενη, στη σαφή πλοήγηση οι πελάτες εισάγουν τα δεδομένα με σκοπό να πληροφορήσουν το σύστημα για τις προτιμήσεις τους. Εγγραφή στο e-shop. Μέλος ομάδων, κοινοτήτων, κλπ. Συμπλήρωση φορμών/ερωτηματολογίων με προτιμήσεις, ενδιαφέροντα, κλπ. Βαθμολογήσεις προϊόντων. Λέξεις κλειδιά. Τα RSs μπορούν να παράγουν λίστες με τα «top-n» προϊόντα. Λίστα links με τα «top-10» βιβλία που επιλέγουν οι κριτικοί. Λίστα links με τα «top-10» βιβλία που προτιμούν οι πελάτες. Ο πελάτης μπορεί να πλοηγηθεί στη λίστα που τον ενδιαφέρει και να δει προτάσεις για μια συγκεκριμένη κατηγορία ή προϊόν. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 16/56 8

9 Λέξεις κλειδιά χαρακτηριστικά προϊόντων Τα δεδομένα από τον πελάτη δεν περιορίζονται σε μια απλή κατηγορία ή κάποιο προϊόν που τον ενδιαφέρει. Μπορεί να δώσει λέξεις κλειδιά (keywords) ή χαρακτηριστικά των προϊόντων (attributes) με σαφή τρόπο: μέσω μιας μηχανής αναζήτησης. Ή με υπονοούμενο τρόπο: από τα προϊόντα που ο πελάτης βλέπει την τρέχουσα στιγμή στον κατάλογο. Σε κάθε περίπτωση, τα δεδομένα μεταφράζονται σαν είσοδος που υποδεικνύει τα τρέχοντα ενδιαφέροντα του πελάτη. Ο πελάτης ζητά να λάβει προτάσεις για τα best sellers της Ελληνικής Λογοτεχνίας για τον μήνα Μάιο. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 17/56 Βαθμολόγηση Οι πελάτες παρέχουν χρήσιμες και σαφείς πληροφορίες στο RS όταν βαθμολογούν τα προϊόντα που έχουν ήδη αγοράσει. Η αξιολόγηση μπορεί να γίνει με βαθμούς π.χ. «βαθμολόγησε κάθε προϊόν σε μια κλίμακα από 1-5» ή με απλή ερώτηση της μορφής «σου άρεσε αυτό;». Οι προκαθορισμένες απαντήσεις μπορούν να αναλυθούν αυτόματα από το σύστημα. Οι ανοικτές απαντήσεις απαιτούν περισσότερη επεξεργασία και ανάλυση (απαραίτητος ίσως και ο ανθρώπινος παράγοντας). Ο πελάτης λαμβάνει μια λίστα με τα «top-10» προϊόντα που συγκεντρώνουν τις υψηλότερες βαθμολογίες των πελατών. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 18/56 9

10 Ιστορικό αγορών Μερικά e-shops δεν ζητάνε από τους πελάτες να βαθμολογήσουν τα προϊόντα αλλά χρησιμοποιούν το ιστορικό των αγορών τους σαν μια υπονοούμενη μορφή βαθμολόγησης. Στη συνέχεια παρέχουν λίστες από προϊόντα για τα οποία οι πελάτες έχουν εκφράσει σαφή προτίμηση. Σε αυτή την περίπτωση οι καλές προτάσεις αναγνωρίζονται όταν: σχετίζονται με βαθμολογίες, και επιπλέον επιτρέπουν στους πελάτες να τις βαθμολογήσουν. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 19/56 Δεδομένα από κοινότητες Τα δεδομένα από κοινότητες περιλαμβάνουν πληροφορίες για το πως τα διάφορα άτομα που ανήκουν στην κοινότητα ή ολόκληρη η κοινότητα αντιλαμβάνεται τα προϊόντα. Δεδομένα εισόδου που αντανακλούν τις απόψεις όλης της κοινότητας περιλαμβάνουν τα χαρακτηριστικά των προϊόντων (attributes) αποδίδοντας κατηγορίες και ετικέτες. Το είδος ενός βιβλίου/ταινίας αντανακλά την αντίληψη της κοινωνίας. Η δημοτικότητα ενός προϊόντος (popularity) μπορεί να εκφράζει τις συνολικές πωλήσεις ή μια λίστα με best-sellers. Όπως χρησιμοποιείται το ιστορικό αγορών για να παραχθούν προτάσεις για κάθε πελάτη ξεχωριστά μπορεί να χρησιμοποιηθεί και το ιστορικό αγορών της κοινότητας (community purchase history). Μπορούν να συνδυασθούν για να παραχθεί η λίστα των καλύτερων πωλήσεων ενός e-shop ή να εξαχθούν συμπεράσματα σχετικά με την κίνηση των πωλήσεων ή τις ομοιότητες/διαφοροποιήσεις των προϊόντων. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 20/56 10

11 Δεδομένα από κοινότητες Υπάρχουν και πληροφορίες που σχετίζονται με ξεχωριστά μέλη της. Πολλά sites ενθαρρύνουν τα σχόλια κειμένου (text comments) από τους πελάτες τους. Το RS συλλέγει σχόλια για ένα προϊόν και τα παρουσιάζει στους πελάτες για να τους βοηθήσει να κάνουν την επιλογή τους. Είναι πολύ χρήσιμα, αλλά απαιτούν αρκετό χρόνο επεξεργασίας. Ο πελάτης πρέπει να διαβάσει το κείμενο για να καταλάβει αν το σχόλιο είναι θετικό ή αρνητικό. Για να διευκολυνθεί αυτή η διαδικασία εκτός από τη δυνατότητα σχολίωνκειμένου ενθαρρύνουν τα μέλη τους να υποδείξουν την προτίμησή τους ή όχι με κάποιο αριθμητικό τρόπο ή με μια βαθμολογία (rating). Όπως ακριβώς τα RSs χρησιμοποιούν τις βαθμολογίες των πελατών μπορούν επίσης να συγκεντρώνουν τις βαθμολογίες όλων των πελατών μιας κοινότητας και να παράγουν προτάσεις. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 21/56 Έξοδος Η έξοδος των RSs μπορεί να διαφέρει ανάλογα: με τον τύπο, την ποσότητα, και την ποιότητα, των δεδομένων που οι πελάτες έχουν προσφέρει. Τρεις βασικές μορφές εξόδου: Προτάσεις. Προβλέψεις. Βαθμολογίες και κριτικές. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 22/56 11

12 Προτάσεις Ο πιο κοινός τύπος εξόδου είναι οι προτάσεις (suggestions): συχνά έχουν τη μορφή «δοκίμασε αυτό» ή «αυτό». Η πρόταση μπορεί να αφορά μόνο ένα προϊόν (στοχευόμενη). Αυξάνεται η πιθανότητα ο πελάτης να ενδιαφερθεί σοβαρά για το προϊόν, αφού η πρόταση απαιτεί πολύ λίγο χρόνο για να την επεξεργασθεί. Ενέχει τον κίνδυνο ο πελάτης να έχει ήδη αγοράσει το προϊόν ή να μην τον ενδιαφέρει. Τα RSs παρέχουν ένα σύνολο από προτάσεις για έναν πελάτη. Παρουσίαση των προϊόντων σε τυχαία σειρά για να μη δώσουν την αίσθηση ότι κάποιο προϊόν είναι καλύτερο από κάποιο άλλο. Αποφεύγουν την απόρριψη ολόκληρης της λίστας σε περίπτωση που ο πελάτης απορρίψει το πρώτο προϊόν στην κατάταξη. Βέβαια κάθε λίστα έχει μια σειρά π.χ. αλφαβητική παρουσίαση προϊόντων. Άλλα RSs βαθμολογούν τα προτεινόμενα προϊόντα. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 23/56 Προβλέψεις Άλλοι αλγόριθμοι παρουσιάζουν στους χρήστες προβλέψεις (prediction) για τη βαθμολόγηση που θα έδιναν σε ένα προϊόν. Αυτές οι εκτιμήσεις μπορούν να παρουσιασθούν σαν: προσανατολισμένες σε κάθε πελάτη (διαφορετικές), ή μη-προσανατολισμένες (ίδιες για όλα τα μέλη μιας κοινότητας), και βοηθούν τους πελάτες να κατανοήσουν τη δυναμική μιας πρότασης. Οι προβλέψεις μπορούν να παρουσιάζονται: σαν μια μεμονωμένη πρόταση, σαν μια λίστα προτάσεων, ή μπορεί να εμφανίζονται μέσα στο περιεχόμενο της σελίδας παρουσίασης ενός προϊόντος. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 24/56 12

13 Βαθμολογίες και κριτικές Όταν οι κοινότητες είναι μικρές ή τα μέλη τους γνωρίζονται είναι χρήσιμες οι βαθμολογίες (rating) συγκεκριμένων μελών ώστε κάθε χρήστης να εξάγει τα δικά του συμπεράσματα για τη σημασία της πρότασης. Ο πελάτης επιλέγει γνωστά μέλη της κοινότητας βλέπει βαθμολογίες και κριτικές (reviews). Οι κριτικές δεν μπορούν να κατανοηθούν πλήρως από το RS αφού είναι δύσκολο να διακριθούν τα θετικά/αρνητικά σχόλια για ένα προϊόν (λύση: σχόλια κειμένου και αριθμητικές βαθμολογίες). Amazon.com: εμφανίζει σχόλια κειμένου και βαθμολογίες με μηπροσανατολισμένο τρόπο. Κάθε πελάτης βλέπει το ίδιο, ολοκληρωμένο σύνολο από σχόλια. Δυνατότητα ταξινόμησης των σχολίων με βάση την ιστορία συμφωνίας/ ασυμφωνίας του με τον κριτή. Παρουσίαση των διαπιστευτηρίων του κριτή για να πεισθούν οι πελάτες. Δυνατότητα οι αναγνώστες των σχολίων να βαθμολογήσουν τα ίδια τα σχόλια. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 25/56 Μέθοδοι παραγωγής προτάσεων Ποιες είναι οι πιο συχνές μέθοδοι που χρησιμοποιούνται στα RSs για e-commerce εφαρμογές; Ένα RS μπορεί να χρησιμοποιεί συνδυαστικά περισσότερες από μία μεθόδους. Κάθε κατηγορία μεθόδων στην ουσία αντιπροσωπεύει ένα σύνολο από αλγορίθμους και προσεγγίσεις. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 26/56 13

14 Raw retrieval Παρέχεται στους πελάτες ένα interface αναζήτησης μέσω του οποίου μπορούν να κάνουν ερωτήσεις στις βάσεις δεδομένων των προϊόντων. Το σύστημα προτείνει οτιδήποτε ο πελάτης έχει ζητήσει. Ο πελάτης ζητά από ένα μουσικό e-shop ένα άλμπουμ των Beatles. Το σύστημα επιστρέφει μια λίστα από όλα τα άλμπουμ τους. Αυτό μπορεί να είναι πολύ χρήσιμο αφού ο πελάτης μπορεί να δει κάποιο άλμπουμ που πριν δεν ήξερε και τον ενδιαφέρει να το αγοράσει. Αυτά τα RS είναι ευρέως διαδεδομένα στα e-shops. Η λειτουργία τους μοιάζει με αυτή των μηχανών αναζήτησης. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 27/56 Manual selection Τα recommendations συλλέγονται με το χέρι (manual selection): συντάκτες, κριτικούς, άλλους ειδικούς. Οι προτάσεις υποδεικνύουν προϊόντα με βάση τα γούστα, τα ενδιαφέροντα, τους αντικειμενικούς σκοπούς τους και δημιουργούν μια λίστα από προτεινόμενα προϊόντα διαθέσιμα για τα μέλη της κοινότητας. Οι προτάσεις συχνά συνοδεύονται από σχόλια κειμένου που βοηθούν τους πελάτες να τις κατανοήσουν. O χρήστης επιλέγει ένα συγκεκριμένο είδος ταινιών π.χ. θρίλερ για τις οποίες θα ήθελε recommendations. Tου παρέχεται μια λίστα από προτάσεις από κάποιο κριτικό με τις ταινίες που θεωρεί ως τα καλύτερα θρίλερ όλων των εποχών. Η διαδικασία δεν κάνει υπολογιστική επεξεργασία απλώς αναπαράγει αυτό που μπορεί να εμφανιζόταν στον τοίχο ενός video club. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 28/56 14

15 Statistical summaries Πολλές εφαρμογές παρέχουν στατιστικές αναλύσεις (statistical summaries) των απόψεων μιας κοινότητας. Αυτά τα στοιχεία μπορεί να περιλαμβάνουν μετρήσεις δημοτικότητας (popularity) μέσα στην κοινότητα όπως: ποσοστό ανθρώπων που τους αρέσει ή αγόρασαν ένα συγκεκριμένο προϊόν. συνοπτικές βαθμολογίες π.χ. ο αριθμός των ατόμων που προτείνουν ένα προϊόν, ή μέση βαθμολογία για ένα προϊόν, κλπ. Το RS παρουσιάζει μέσες τιμές βαθμολογίων αγοραστών/πωλητών. Οι πελάτες μπορούν να συμβουλευτούν τις μέσες τιμές και τις εκτιμήσεις αλλά δεν μπορούν να δουν βαθμολογίες από πελάτες με τους οποίους συμφωνούν. Non-personalized προτάσεις: είναι δημοφιλείς, μπορούν εύκολα να υπολογισθούν και να χρησιμοποιηθούν. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 29/56 Attribute-based Τα recommendations βασίζονται στα συντακτικά χαρακτηριστικά των προϊόντων. Ένας πελάτης πλοηγείται στο τμήμα «κλασσική μουσική» ενός καταστήματος. Έχει στο καλάθι αγορών του διάφορα Cds ειδικής προσφοράς. Μπορεί να λάβει μια πρόταση για έκπτωση σε κάποιο Cd κλασσικής μουσικής. Παρόμοια συστήματα χρησιμοποιούν τα προφίλ των χρηστών που υποδεικνύουν τι τους αρέσει και τι δεν τους αρέσει για να παράγουν τα recommendations. Το e-shop μαθαίνει ότι ένας πελάτης αγοράζει μόνο Cds που έχουν έκπτωση, ενώ κάποιος άλλος ποτέ δεν αγοράζει μουσική της δεκαετίας του 70. Ανάλογα προσαρμόζει τις προτάσεις του. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 30/56 15

16 Item-to-item correlation Αναγνωρίζονται προϊόντα που εμφανίζονται πιο συχνά μαζί με τα προϊόντα για τα οποία ο χρήστης έχει εκφράσει κάποιο ενδιαφέρον. Η συσχέτιση μπορεί να βασίζεται σε δεδομένα αγορών, προτιμήσεων από κοινούς πελάτες, ή άλλες μετρικές. Απλή μορφή: άλλου είδους ρουχισμός που αγοράζεται συνήθως μαζί με ένα παντελόνι π.χ. σακάκι, πουκάμισο, πουλόβερ, κλπ. Σύνθετη μορφή: συσχετισμός των προϊόντων που έχει ο χρήστης στο καλάθι του ώστε να του προτείνουν άλλα προϊόντα. Χρησιμοποιούνται συνήθως οι τρέχουσες πωλήσεις ή άλλα τρέχοντα ενδιαφέροντα του πελάτη. Πολύ χρήσιμες για προτάσεις δώρων. Στην περίπτωση αυτή ο πελάτης θα πρέπει να υποδείξει και κάποια πρόσθετα χαρακτηριστικά ή προϊόντα που μπορεί να αρέσουν σε αυτόν που θα λάβει το δώρο. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 31/56 User-to-user correlation Προτείνονται προϊόντα σε έναν πελάτη με βάση τη συσχέτισή του με άλλους πελάτες που έχουν αγοράσει προϊόντα από το e-shop. Αυτή η τεχνολογία συχνά αναφέρεται και σαν collaborative filtering (συνεργατικό φιλτράρισμα). Το My CDNOW ήταν ένα σύστημα που χρησιμοποιούσε το user-to-user correlation για να αναγνωρίσει μια κοινότητα από πελάτες που έτειναν να έχουν και να τους αρέσουν τα ίδια σύνολα από Cds. Η τεχνική στηριζόταν στην αρχή ότι εάν διάφορα μέλη της κοινότητας που ανήκει ο πελάτης έχουν και τους αρέσει το τελευταίο άλμπουμ του Sting τότε είναι αρκετά πιθανό να αρέσει και σε αυτόν. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 32/56 16

17 Online και offline προτάσεις Ο υπολογισμός γίνεται εξολοκλήρου online, όταν δηλαδή ο πελάτης αλληλεπιδρά με το e-shop, ή μέρη του να υπολογίζονται offline, κυρίως για λόγους απόδοσης. Οι online recommendations προτιμούνται γιατί απαντούν απευθείας στις προτιμήσεις του χρήστη (πρέπει να διασφαλισθεί ότι το on-line σύστημα θα παράγει αποτελέσματα που θα ανταποκρίνονται όσο το δυνατόν περισσότερο στην αλληλεπιδραστική είσοδο του χρήστη). Οι raw retrieval, manual selection, statistical summaries, attributebased μέθοδοι εκτελούν απλούς υπολογισμούς που συνήθως γίνονται στη διάρκεια της αλληλεπίδρασης του πελάτη με το site. Οι item-to-item correlation και user-to-user correlation τεχνικές είναι περισσότερο πολύπλοκες υπολογιστικά και συχνά απαιτούν μια offline επεξεργασία που θα προετοιμάσει το μοντέλο για την online εκτέλεση. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 33/56 Βαθμός personalization Όταν το RS προτείνει τα ίδια recommendations σε κάθε πελάτη τότε η εφαρμογή θεωρείται ότι είναι non-personalized. Recommendations που βασίζονται σε επιλογή με το χέρι, στατιστικά στοιχεία, κλπ. όπως οι μεγαλύτερες πωλήσεις, οι επιλογές των κριτικών, οι μέσοι όροι καθώς και τα ακατέργαστα σχόλια. Τα RSs που χρησιμοποιούν τα τρέχοντα δεδομένα των πελατών για να προσαρμόσουν τις προτάσεις στα ενδιαφέροντά τους παρέχουν ephemeral personalization. Βασίζονται συνήθως σε item-to-item correlation, attribute-based recommendation ή και τα δυο μαζί. Ένα RS με υψηλό βαθμό ephemeral personalization χρησιμοποιεί όλη την τρέχουσα πληροφορία από την πλοήγηση του πελάτη ή το καλάθι αγορών για να προτείνει προϊόντα, ενώ ένα RS που απλώς συνδέει προτάσεις με το τρέχον προϊόν είναι πιο κοντά στο non-personalized. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 34/56 17

18 Βαθμός personalization Οι περισσότερο personalized εφαρμογές χρησιμοποιούν persistent personalization για να δημιουργήσουν προτάσεις που θα είναι διαφορετικές για διαφορετικούς πελάτες ακόμα και αν αυτοί κοιτάνε τα ίδια προϊόντα. Αυτά τα συστήματα χρησιμοποιούν user-to-user correlation, attributebased recommendation χρησιμοποιώντας προτιμήσεις με βάση τα χαρακτηριστικά, ή item-to-item correlation δηλαδή προτιμήσεις για τα προϊόντα. Απαιτούν από τους πελάτες να συντηρούν μόνιμες ταυτότητες. Τους επιβραβεύουν με το μεγαλύτερο βαθμό personalization. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 35/56 Αποστολή recommendations Κρίσιμη απόφαση. Push τεχνολογίες: φτάνουν στον πελάτη όταν αυτός δεν αλληλεπιδρά με το κατάστημα π.χ. το . Τρόπος να επιστρέψει ο πελάτης στο site (προτάσεις, προσφορές, κλπ). Ο πελάτης επιλέγει το link του και μεταφέρεται στο προϊόν online. Pull τεχνολογίες: ο πελάτης ελέγχει πότε θα παρουσιασθούν οι προτάσεις. Ενημερώνεται για το πότε είναι ενεργές (π.χ. link) αλλά δεν του παρουσιάζονται αν δεν τις ζητήσει (π.χ. προτάσεις δώρων). Passive τεχνολογίες: παρουσιάζουν τα recommendations στο φυσικό περιβάλλον της εφαρμογής e-εμπορίου. Προτάσεις προϊόντων που σχετίζονται με το τρέχον προϊόν, το περιεχόμενο ή την πλοήγηση του χρήστη, κλπ. Φτάνουν στον πελάτη όταν ο ίδιος είναι ανοικτός στην ιδέα. Μέρος της διαδικασίας παραγγελίας ή όταν ο πελάτης την ολοκληρώνει. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 36/56 18

19 Αλγόριθμοι και τεχνικές: παραδείγματα Search-based RSs. Category-based RSs. Collaborative filtering. Clustering. Association rules. Information filtering. Classification. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 37/56 Search-based RSs Ο πελάτης πληκτρολογεί μια ερώτηση (query): «data mining». Το σύστημα βρίσκει όλα τα προϊόντα που αντιστοιχούν στο query: π.χ. 6 βιβλία. Το σύστημα προτείνει κάποια από τα βιβλία με βάση γενικά, non-personalized στοιχεία (π.χ. πωλήσεις). + Εύκολο στην υλοποίηση. - Όχι πολύ αποδοτικό. - Στην ουσία δεν είναι recommendations. - Ποια κριτήρια χρησιμοποιεί; - Ο πελάτης παίρνει μόνο ότι ζητάει. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 38/56 19

20 Category-based RSs Κάθε προϊόν ανήκει σε μια ή περισσότερες κατηγορίες. Σαφής/υπονοούμενη επιλογή: Ο πελάτης επιλέγει την κατηγορία που τον ενδιαφέρει: «Subjects->Computers & Internet->Databases->Data Storage & Management->Data Mining». Το σύστημα επιλέγει κατηγορίες ενδιαφέροντος για λογαριασμό του πελάτη με βάση το τρέχον προϊόν που κοιτάει, προηγούμενες παραγγελίες, κλπ. Προτείνει συγκεκριμένα προϊόντα (π.χ. best sellers, νέα προϊόντα). - Ίδια με την προηγούμενη τεχνική. - Εξαρτάται από τις κατηγορίες Πολύ συγκεκριμένο: όχι αποδοτικό. Πιο γενικό: μη σχετικές προτάσεις. + Εύκολο στην υλοποίηση. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 39/56 Collaborative filtering Η τεχνική αυτή συγκρίνει πελάτες με βάση τις προηγούμενες αγορές τους και κάνει προτάσεις σε «παρόμοιους» πελάτες. Ονομάζεται και social filtering. Τα βήματα: Εύρεση των πελατών που είναι παρόμοιοι (κοντινότεροι γείτονες) σε σχέση με τα γούστα, τις προτιμήσεις και τις προηγούμενες συμπεριφορές. Απόδοση βαρών στις προτιμήσεις αυτών των γειτόνων. Παραγωγή recommendations με βάση τα παραπάνω (περισσότερο επιλεγμένα μη αγορασμένα προϊόντα). + Πολύ αποδοτικό + Πολύ σχετικά recommendations (όσο μεγαλύτερη είναι η βάση δεδομένων και τα στοιχεία για τις προηγούμενες αγορές τόσο καλύτερα τα recommendations). - Δύσκολο στην υλοποίηση, απαιτεί χρόνο και πόρους. - Τι γίνεται με νέα προϊόντα που δεν έχουν ακόμα αγοραστεί; (δεν προτείνονται). - Τι γίνεται με νέους πελάτες που δεν έχουν κάνει αγορές; (δεν συγκρίνονται με άλλους, δεν τους προτείνονται προϊόντα). Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 40/56 20

21 Collaborative filtering Έστω ότι το σύστημα θέλει να κάνει προτάσεις στον πελάτη C. Book 1 Book 2 Book 3 Book 4 Book 5 Book 6 Customer A X X Customer B X X X Customer C X X Customer D X X Customer E X X Ο πελάτης B είναι πολύ κοντά στο C (έχει αγοράσει όλα τα βιβλία που ο C έχει αγοράσει). Το Book 5 προτείνεται οπωσδήποτε. Ο πελάτης D είναι σχετικά κοντά. Το Book 6 μπορεί να προταθεί σαν επόμενο. Οι πελάτες A και E δεν είναι παρόμοιοι (βάρη=0). Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 41/56 Clustering Ένας άλλος τρόπος για παραγωγή recommendations με βάση τις προηγούμενες αγορές άλλων πελατών είναι η ομαδοποίηση των πελατών σε κατηγορίες. Κάθε ομάδα (cluster) καθορίζεται από «τυπικές προτιμήσεις» βάσει των προτιμήσεων των πελατών που ανήκουν σε αυτή. Οι πελάτες κάθε ομάδας θα λάβουν recommendations που θα προκύψουν για τη συγκεκριμένη ομάδα. + Δουλεύει πολύ γρήγορα για συναθροισμένα δεδομένα. + Μπορεί να είναι το πρώτο βήμα για να μειώσουμε την επιλογή των γειτόνων στο collaborative filtering. - Τα recommendations (για κάθε cluster) είναι λιγότερο σχετικά από ότι αυτά του collaborative filtering (για κάθε άτομο). Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 42/56 21

22 Clustering Book 1 Book 2 Book 3 Book 4 Book 5 Book 6 Customer A X X Customer B X X X Customer C X X Customer D X X Customer E X X Οι πελάτες B, C και D είναι ομαδοποιημένοι μαζί. Οι πελάτες A και E είναι ομαδοποιημένοι σε άλλο cluster. Τυπικές προτιμήσεις για το CLUSTER είναι: Book 2, πολύ υψηλή προτίμηση. Book 3, υψηλή προτίμηση. Books 5 και 6, μπορούν να προταθούν. Books 1 και 4, δεν προτείνονται καθόλου. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 43/56 Clustering Book 1 Book 2 Book 3 Book 4 Book 5 Book 6 Customer A X X Customer B X X X Customer C X X Customer D X X Customer E X X Customer F X X Πως δουλεύει; Κάθε πελάτης που θα ταξινομηθεί σαν μέλος του CLUSTER θα λάβει recommendations με βάση τις προτιμήσεις της ομάδας: Book 2 θα προταθεί οπωσδήποτε στον πελάτη F. Book 6 θα προταθεί επίσης. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 44/56 22

23 Customers who bought Customers who bought Association rules Clustering: δουλεύει σε επίπεδο ομάδας (cluster). Collaborative filtering: δουλεύει σε επίπεδο πελάτη (customer). Association rules (ARs): δουλεύει σε επίπεδο προϊόντος (item). Book 1 Book 2 Book 3 Book 4 Book 5 Book 6 Customer A X X Customer B X X X Customer C X X Customer D X X Customer E X X Customer F X X Also bought Book 1 Book 2 Book 3 Book 4 Book 5 Book 6 Book Book Book Book 4 1 Book Book 6 1 Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 45/56 Association rules Οι προηγούμενες αγορές μεταμορφώνονται σε σχέσεις από κοινές αγορές π.χ. Α Β που σημαίνει ότι αν το προϊόν Α υπάρχει σε μια παραγγελία τότε είναι πολύ πιθανό να υπάρχει και το Β. Τα recommendations περιορίζονται από ένα ελάχιστο επίπεδο: support (υποστήριξη): ποσοστό παραγγελιών που περιέχουν και το Α Β. confidence (εμπιστοσύνη): ποσοστό παραγγελιών που περιέχουν το Α περιέχουν επίσης και το Β (support(α Β)/support(A)). Οι ARs χρησιμοποιούνται για να παραχθούν recommendations. Εάν ο πελάτης ενδιαφέρεται για το Book 5, θα του προταθεί το Book 3. Also bought Book 1 Book 2 Book 3 Book 4 Book 5 Book 6 Book Book Book Book 4 1 Book Book 6 1 Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 46/56 23

24 Customers who bought Association rules Τι γίνεται αν το RS χρησιμοποιεί περισσότερες πληροφορίες; Εάν ο πελάτης ενδιαφέρεται για το Book 3 και 5, τότε θα του προταθεί να αγοράσει το Book 2, αντί το Book 1. Also bought Book 1 Book 2 Book 3 Book 4 Book 5 Book 6 Book Book Book Book 4 1 Book Book Γρήγορο στην υλοποίηση/εκτέλεση. + Δεν απαιτεί χώρο. + Πολύ καλά αποτελέσματα για μεγάλους πληθυσμούς (π.χ. ράφια σούπερ-μάρκετ). - Όχι κατάλληλο αν οι προτιμήσεις αλλάζουν γρήγορα. - Μπορεί να προκύψουν άχρηστα recommendations. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 47/56 Information filtering Association rules: συγκρίνουν items με βάση προηγούμενες πωλήσεις. Information filtering: συγκρίνει items με βάση το content. Ονομάζεται και content-based filtering. Τι είναι όμως το «content» ενός item; Μπορεί να είναι συγκεκριμένα «attributes» του item π.χ. για μια ταινία: Είδος ταινίας: περιπέτεια. Πρωταγωνιστής: Bruce Willis. Έτος: Μπορεί να είναι επίσης «textual content» (τίτλος ταινίας, περίληψη ταινίας, κλπ.) Διάφορες τεχνικές υπάρχουν που υπολογίζουν την απόσταση μεταξύ δύο textual documents. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 48/56 24

25 Information filtering Πως δουλεύει; Το textual document διαβάζεται. Υπολογίζονται οι συχνότητες των words. Αρκετές λέξεις δεν λαμβάνονται υπόψη (άρθρα, προθέσεις, και όσες εμφανίζονται με μικρή συχνότητα στα documents). Κάθε document μετατρέπεται σε ένα κανονικοποιημένο TF-IDF (Term Frequency/Inverted Document Frequency) πίνακα. Η απόσταση μεταξύ κάθε ζευγαριού του πίνακα υπολογίζεται από τους τύπους: TFIDF N TF IDF TF IDF 2 TF log( count 1) # docs 1 IDF log # docs the term occurs in Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 49/56 Information filtering Παράδειγμα: πως υπολογίζουμε τα recommendations για 8 βιβλία με βάση μόνο τον τίτλο τους; Επιλεγμένα βιβλία: «Building Data Mining Applications for CRM». «Accelerating Customer Relationships: Using CRM and Relationship Technologies». «Mastering Data Mining: The Art and Science of Customer Relationship Management». «Data Mining Your Website». «Introduction to Marketing». «Consumer Behavior». «Marketing Research, a Handbook». «Customer Knowledge Management». Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 50/56 25

26 building data mining applications for crm Accelerating Customer Relationships: Using CRM and Relationship Technologies Mastering Data Mining: The Art and Science of Customer Relationship Management Data Mining Your Website COUNT Introduction to marketing consumer behavior marketing research, a handbook customer knowledge management a 1 accelerating 1 and 1 1 application 1 art 1 behavior 1 building 1 consumer 1 crm 1 1 customer data for 1 handbook 1 introduction 1 knowledge 1 management 1 1 marketing 1 1 mastering 1 mining of 1 relationship 2 1 research 1 science 1 technology 1 the 1 to 1 using 1 website 1 your 1 Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 51/56 building data mining applications for crm Data Accelerating Customer Relationships: Using CRM and Relationship Technologies Mastering Data Mining: The Art and Science of Customer Relationship Management TFIDF Normed Vectors Data Mining Your Website Data Mining your Website Introduction to marketing consumer behavior marketing research, a handbook customer knowledge management a accelerating The Art 0.000and Science and application of Customer Relationship art behavior Management building consumer crm customer data for handbook Building 0.537Data introduction knowledge Mining Applications management marketing for CRM mastering mining of relationship research science technology the to using website your Mastering Data Mining: Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 52/56 26

27 Information filtering Πελάτης ενδιαφέρεται για το βιβλίο «Accelerating Customer Relationships: Using CRM and Relationship Technologies». Το RS υπολογίζει τις αποστάσεις μεταξύ αυτού του βιβλίου και των 7 υπολοίπων. Τα πιο κοντινά βιβλία προτείνονται: #1: Data Mining Your Website #2: Building Data Mining Applications for CRM. #3: Mastering Data Mining: The Art and Science of Customer Relationship Management. Δεν προτείνονται: Introduction to Marketing. Consumer Behavior. Marketing Research, a Handbook. Customer Knowledge Management. + Δεν απαιτούνται στοιχεία προηγούμενων αγορών. + Δεν είναι ιδιαίτερα δύσκολο στην υλοποίηση. - Στατικά recommendations. - Όχι αποδοτικό αν το content δεν είναι περιγραφικό π.χ. το information filtering είναι πιο κατάλληλο για recommendations τεχνικών βιβλίων παρά λογοτεχνικών βιβλίων ή ταινιών. Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 53/56 Classification Classifiers: γενικά υπολογιστικά μοντέλα για την ταξινόμηση νέων άγνωστων στιγμιότυπων ενός προβλήματος σε μια από τις προκαθορισμένες κλάσεις. Μπορεί να πάρουν σαν είσοδο: Πίνακα (vector) με τα χαρακτηριστικά των items. Είδος ταινίας: περιπέτεια. Πρωταγωνιστής: Bruce Willis. Προτιμήσεις των πελατών. Μου αρέσει το είδος: περιπέτεια. Σχέσεις μεταξύ των items. Μπορεί να δώσουν σαν έξοδο: Ταξινόμηση (classification). Βαθμολόγηση (rank). Προσεγγίσεις προτιμήσεων. + Μπορεί να συνδυαστεί με άλλες μεθόδους για να βελτιώσει τα recommendations. - Απαιτείται ένα εκπαιδευτικό σύνολο. Χρησιμοποιούν δέντρα απόφασης (decision trees), νευρωνικά δίκτυα (neural network), Bayesian ταξινομητές, κλπ. Ο classifier εκπαιδεύεται με βάση ένα training set (σύνολο στιγμιότυπων για τα οποία γνωρίζουμε εκ των προτέρων σε ποια κλάση ανήκουν). Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 54/56 27

28 Ανοικτά θέματα Τα RSs για να παράγουν επιτυχή αποτελέσματα θα πρέπει να έχουν στη διάθεσή τους ικανοποιητικά δεδομένα. Ανάδραση από τους χρήστες από την oποία δεν μπορούν να Recommendation εξαχθούν χρήσιμα συμπεράσματα. Χρήστες που θα συμμετάσχουν στις έρευνες και θα δώσουν δεδομένα. «Αδύναμοι» αλγόριθμοι. «Φτωχά» αποτελέσματα. «Έλλειψη» δεδομένων. «Μη επαρκή» δεδομένα. Έλεγχος της ιδιωτικότητας (privacy). Η διάσταση του σημασιολογικού ιστού (Semantic Web) Privacy Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 55/56 Βιβλιογραφία Recommender Systems Konstan, J., Miller, B., Maltz, D., Herlocker, J., Gordon, L., Riedl, J., GroupLens: Applying Collaborative Filtering to Usenet News, Communication of the ACM, 40(3):77-87, Resnick, P., Varian, H., Recommender Systems, Communication of the ACM, 40(3):56-58, Basu, C., Hirsh, H., Cohen, W., Recommendation as Classification: Using Social and Content-based Information in Recommendation, Proc. of National Conf. on Artificial Intelligence (AAAI-98), , Herlocker, J., Konstan, J., A., Riedl, J., Explaining Collaborative Filtering Recommendations, Proc. of ACM CSCW 00 Conf. on Computer-Supported Cooperative Work, , McDonald, D., Ackerman, M., Expertise Recommender: a Flexible Recommendation System and Architecture, Proc. of ACM CSCW 00 Conf. on Computer-Supported Cooperative Work, , Sarwar, B., Karypis, G., Konstan, J., Riedl, J., Item-based Collaborative Filtering Recommendation Algorithms, Proc. of ACM WWW10, , Nakagawa, Μ., Mobasher, Β., Impact of Site Characteristics on Recommendation Models Based On Association Rules and Sequential Patterns, Proc. of the IJCAI'03 Workshop on Intelligent Techniques for Web Personalization, Acapulco, Mexico, Jin, Χ., Mobasher, Β., Using Semantic Similarity to Enhance Item-Based Collaborative Filtering, Proc. of the 2nd IASTED International Conf. on Information and Knowledge Sharing, Scottsdale, Arizona, Jin, Χ., Zhou, Υ., Mobasher, Β., A Maximum Entropy Web Recommendation System: Combining Collaborative and Content Features, Proc. of the ACM SIGKDD Conf. on Knowledge Discovery and Data Mining (KDD'05), Chicago, E-Commerce Recommendation Applications Schafer, B., Konstan, J., Riedl, J., Recommender Systems in E-Commerce, Proc. of ACM E-Commerce 99, , Sarwar, B., Karypis, G., Konstan, J., Riedl, J., Analysis of Recommendation Algorithms for E-Commerce, Proc. of ACM E-Commerce 00, , Schafer, B., Konstan, J., Riedl, J., E-commerce Recommendation Applications, Data Mining and Knowledge Discovery, 5: , Δρ., Μαρκέλλου Πηνελόπη, Μηχανικός Η/Υ & Πληροφορικής 56/56 28

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΠΡΟΗΓΜΕΝΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗ ΣΥΣΤΗΜΑΤΩΝ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΠΡΟΗΓΜΕΝΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗ ΣΥΣΤΗΜΑΤΩΝ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΠΡΟΗΓΜΕΝΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗ ΣΥΣΤΗΜΑΤΩΝ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ Επιβλέπων: Βίρβου Μαρία ιπλωµατική εργασία E-learning µε χρήση

Διαβάστε περισσότερα

Συστήματα Προτάσεων σε on-line Καταστήματα

Συστήματα Προτάσεων σε on-line Καταστήματα ΑΛΕΞΑΝΔΡΕΙΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Συστήματα Προτάσεων σε on-line Καταστήματα Πτυχιακή Εργασία: ΣΒΑΡΝΑΣ ΑΣΤΕΡΙΟΣ (ΑΜ:021968) ΣΤΟΓΙΑΝΝΗΣ

Διαβάστε περισσότερα

Πετράκης Κώστας ΓΤΠ-61 Μάρτιος 2015

Πετράκης Κώστας ΓΤΠ-61 Μάρτιος 2015 Πετράκης Κώστας ΓΤΠ-61 Μάρτιος 2015 Εισαγωγή Πρόβλημα Ορισμός Μέθοδοι πρόβλεψης προτιμήσεων Δημιουργία βέλτιστων προτάσεων Τεκμηρίωση προτάσεων Ενημέρωση και επεκτασιμότητα People read around 10 MB worth

Διαβάστε περισσότερα

DEIM Forum 2012 D2-1 606 8501 150 0002 2-15-1 28F E-mail: {tsukuda,ohshima,tanaka}@dl.kuis.kyoto-u.ac.jp, {miyamamoto,hiwasaki}@d-itlab.co.jp 1 Wikipedia Wikipedia HITS 1. Web Web Web 1 3 Wikipedia 2 Web

Διαβάστε περισσότερα

Πανεπιστήμιο Πειραιώς Τμήμα Πληροφορικής

Πανεπιστήμιο Πειραιώς Τμήμα Πληροφορικής Πανεπιστήμιο Πειραιώς Τμήμα Πληροφορικής Πρόγραμμα Μεταπτυχιακών Σπουδών «Πληροφορική» Μεταπτυχιακή Διατριβή Τίτλος Διατριβής Εξατομικευμένο Σύστημα Συστάσεων Ονοματεπώνυμο Φοιτητή Πατρώνυμο Γεώργιος Αριθμός

Διαβάστε περισσότερα

Τεχνικές Εξόρυξης Δεδομένων

Τεχνικές Εξόρυξης Δεδομένων ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Διατμηματικό Μεταπτυχιακό Πρόγραμμα στα Πληροφοριακά Συστήματα ( MIS ) Τεχνικές Εξόρυξης Δεδομένων για την βελτίωση της απόδοσης σε Κατανεμημένα Συστήματα Ζάχος Δημήτριος Επιβλέποντες:

Διαβάστε περισσότερα

Social Web: lesson #3

Social Web: lesson #3 Social Web: lesson #3 tagging social organisation of information ratings democratic editorial control shared opinions collaborative filtering recommendations case studies del.icio.us digg last.fm το Tag...

Διαβάστε περισσότερα

ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Data Mining - Classification

ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Data Mining - Classification ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Data Mining - Classification Data Mining Ανακάλυψη προτύπων σε μεγάλο όγκο δεδομένων. Σαν πεδίο περιλαμβάνει κλάσεις εργασιών: Anomaly Detection:

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Ηλεκτρονικό Εμπόριο

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Ηλεκτρονικό Εμπόριο ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ Ηλεκτρονικό Εμπόριο Αναπτύσσοντας ένα Ηλεκτρονικό Κατάστημα Ηλεκτρονικό Εμπόριο Θέματα Προσδιορισμός επιχειρηματικού μοντέλου

Διαβάστε περισσότερα

Εισαγωγή στα Πληροφοριακά Συστήματα

Εισαγωγή στα Πληροφοριακά Συστήματα Εισαγωγή στα Πληροφοριακά Συστήματα Ενότητα 3: Η έννοια της ΠΛΗΡΟΦΟΡΙΑΣ - INFORMATION Κωνσταντίνος Ταραμπάνης Τμήμα Οργάνωσης & Διοίκησης Επιχειρήσεων ΕΙΣΑΓΩΓΗ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Κωνσταντίνος Ταραμπάνης

Διαβάστε περισσότερα

Διεθνής έρευνα για την εξάπλωση των Smartphones και Tablets

Διεθνής έρευνα για την εξάπλωση των Smartphones και Tablets Διαγραφή από τη λίστα Σε αυτό το τεύχος: Φεβρουάριος 2014 Mobile e-commerce από την Altec Software Mobile e-commerce από την Altec Software Διεθνής έρευνα για την εξάπλωση των Smartphones και Tablets Ετήσια

Διαβάστε περισσότερα

ΠΡΟΔΙΑΓΡΑΦΕΣ ΕΝΟΣ ΗΛΕΚΤΡΟΝΙΚΟΥ ΚΑΤΑΣΤΗΜΑΤΟΣ

ΠΡΟΔΙΑΓΡΑΦΕΣ ΕΝΟΣ ΗΛΕΚΤΡΟΝΙΚΟΥ ΚΑΤΑΣΤΗΜΑΤΟΣ ΠΡΟΔΙΑΓΡΑΦΕΣ ΕΝΟΣ ΗΛΕΚΤΡΟΝΙΚΟΥ ΚΑΤΑΣΤΗΜΑΤΟΣ Σύμφωνα με όλα τα παραπάνω ο τρόπος ανάπτυξης των ηλεκτρονικών καταστημάτων μπορεί να αναλυθεί με κάποιες συγκεκριμένες προδιαγραφές, οι οποίες μπορεί να είναι

Διαβάστε περισσότερα

GoDigital.Store E-Commerce Platform

GoDigital.Store E-Commerce Platform GoDigital.Store E-Commerce Platform Πλήρης διαχείριση καταλόγου και καταστήματος banet Α.Ε. Βαλαωρίτου 20 54625 Θεσσαλονίκη Τ.2310253999 F.2310253998 www.banet.gr info@banet.gr GoDigital.Store Γενική περιγραφή

Διαβάστε περισσότερα

ΕΡΓΑΣΙΑ. (στο μάθημα: Τεχνολογίες Εφαρμογών Διαδικτύου του Η εξαμήνου σπουδών του Τμήματος Πληροφορικής & Τηλ/νιών)

ΕΡΓΑΣΙΑ. (στο μάθημα: Τεχνολογίες Εφαρμογών Διαδικτύου του Η εξαμήνου σπουδών του Τμήματος Πληροφορικής & Τηλ/νιών) ΕΡΓΑΣΙΑ (στο μάθημα: Τεχνολογίες Εφαρμογών Διαδικτύου του Η εξαμήνου σπουδών του Τμήματος Πληροφορικής & Τηλ/νιών) Τίτλος: Εφαρμογή Διαδικτύου Ηλεκτρονικού Καταστήματος Ζητούμενο: Να αναπτυχθεί web εφαρμογή,

Διαβάστε περισσότερα

Εξατομίκευση στο Ηλεκτρονικό Επιχειρείν. ΤΕΙ Δυτικής Ελλάδας Τμήμα Διοίκησης Επιχειρήσεων - Πάτρα Κουτσονίκος Γιάννης

Εξατομίκευση στο Ηλεκτρονικό Επιχειρείν. ΤΕΙ Δυτικής Ελλάδας Τμήμα Διοίκησης Επιχειρήσεων - Πάτρα Κουτσονίκος Γιάννης Εξατομίκευση στο Ηλεκτρονικό Επιχειρείν ΤΕΙ Δυτικής Ελλάδας Τμήμα Διοίκησης Επιχειρήσεων - Πάτρα Κουτσονίκος Γιάννης 1 Δομή Μαθήματος Για ποιο λόγο εξατομίκευση; Ορισμός εξατομίκευσης & παραδείγματα H

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ ΔΟΥΒΛΕΤΗΣ ΧΑΡΑΛΑΜΠΟΣ ΕΠΙΒΛΕΠΟΝΤΕΣ ΚΑΘΗΓΗΤΕΣ Μαργαρίτης Κωνσταντίνος Βακάλη

Διαβάστε περισσότερα

Τεχνικές ταξινόµησης αποτελεσµάτων µηχανών αναζήτησης µε βάση την ιστορία του χρήστη

Τεχνικές ταξινόµησης αποτελεσµάτων µηχανών αναζήτησης µε βάση την ιστορία του χρήστη Τεχνικές ταξινόµησης αποτελεσµάτων µηχανών αναζήτησης µε βάση την ιστορία του χρήστη Όνοµα: Νικολαΐδης Αντώνιος Επιβλέπων: Τ. Σελλής Περίληψη ιπλωµατικής Εργασίας Συνεπιβλέποντες: Θ. αλαµάγκας, Γ. Γιαννόπουλος

Διαβάστε περισσότερα

Αναλυτική περιγραφή διδακτικών ενοτήτων. e-commerce Project Manager

Αναλυτική περιγραφή διδακτικών ενοτήτων. e-commerce Project Manager Αναλυτική περιγραφή διδακτικών ενοτήτων e-commerce Project Manager Ακαδημαϊκό Έτος 2015 2016 1. Intro to e-commerce Μάθετε σε αυτή την ενότητα τις βασικές έννοιες και αρχές του e-commerce και αποκτήστε

Διαβάστε περισσότερα

Σασών Ισαάκ Σπηλιάκος Κωνσταντίνος Τσιάνα Καλλιόπη

Σασών Ισαάκ Σπηλιάκος Κωνσταντίνος Τσιάνα Καλλιόπη Σασών Ισαάκ Σπηλιάκος Κωνσταντίνος Τσιάνα Καλλιόπη Τι είναι το Affiliate Marketing; Πιο συγκεκριµένα, ο Affiliate: Είναι: Ø Όχι απαραίτητα κάποιος που έχει ήδη ιστοσελίδα Ø Ιδιώτης ή εταιρεία Προωθεί τους

Διαβάστε περισσότερα

Ηλεκτρονικό εμπόριο. HE5 Ηλεκτρονικό κατάστημα Σχεδιασμός και λειτουργίες

Ηλεκτρονικό εμπόριο. HE5 Ηλεκτρονικό κατάστημα Σχεδιασμός και λειτουργίες Ηλεκτρονικό εμπόριο HE5 Ηλεκτρονικό κατάστημα Σχεδιασμός και λειτουργίες Βασικές ερωτήσεις για την δημιουργία ενός ηλεκτρονικού καταστήματος Πως θα προσελκυθούν οι πελάτες; Ποιες είναι οι υπηρεσίες που

Διαβάστε περισσότερα

ΕΓΧΕΙΡΙΔΙΟ ΟΡΘΩΝ ΠΡΑΚΤΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΟ ΕΜΠΟΡΙΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΜΕΣΟΛΟΓΓΙΟΥ

ΕΓΧΕΙΡΙΔΙΟ ΟΡΘΩΝ ΠΡΑΚΤΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΟ ΕΜΠΟΡΙΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΜΕΣΟΛΟΓΓΙΟΥ ΕΓΧΕΙΡΙΔΙΟ ΟΡΘΩΝ ΠΡΑΚΤΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΟ ΕΜΠΟΡΙΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΜΕΣΟΛΟΓΓΙΟΥ σελ. 1 Κατανοώντας το Ηλεκτρονικό Εμπόριο Τι είναι; Ο όρος ηλεκτρονικό εμπόριο (e-commerce) αφορά στις επιχειρήσεις

Διαβάστε περισσότερα

Εισαγωγή στις Τεχνολογίες της

Εισαγωγή στις Τεχνολογίες της Εισαγωγή στις Τεχνολογίες της Πληροφορίας και των Επικοινωνιών Ενότητα 13 : Crowdsourcing, Τεχνητή Νοημοσύνη, Συστήματα σύστασης Διδάσκων: Νικόλαος Τσέλιος Τμήμα Επιστημών της Εκπαίδευσης και της Αγωγής

Διαβάστε περισσότερα

ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Εισαγωγή

ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Εισαγωγή ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ Εισαγωγή Συστάσεις Ι Ποιός είμαι εγώ: Email: tsap@cs.uoi.gr Γραφείο: Β.3 Προτιμώμενες ώρες γραφείου: 11:00-18:00 Ενδιαφέροντα Web mining, Social networks, User Generated Content Mobile

Διαβάστε περισσότερα

Εξόρυξη Δεδομένων Χρήσης για Συστήματα Συστάσεων Mining Usage Data for Recommender Systems

Εξόρυξη Δεδομένων Χρήσης για Συστήματα Συστάσεων Mining Usage Data for Recommender Systems ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ ΚΑΙ ΔΙΟΙΚΗΣΗ» ΤΜΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Εξόρυξη Δεδομένων Χρήσης για Συστήματα Συστάσεων

Διαβάστε περισσότερα

ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Διαδικαστικά

ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Διαδικαστικά ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ Διαδικαστικά Συστάσεις Ι Ποιός είμαι εγώ: Email: tsap@cs.uoi.gr Γραφείο: Β.3 Προτιμώμενες ώρες γραφείου: 11:00-18:00 Ενδιαφέροντα Web mining, Social networks, User Generated Content Mobile

Διαβάστε περισσότερα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα 6ο Πανελλήνιο Συνέδριο των Εκπαιδευτικών για τις ΤΠΕ «Αξιοποίηση των Τεχνολογιών της Πληροφορίας και της Επικοινωνίας στη Διδακτική Πράξη» Σύρος 6-8 Μαϊου 2011 Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά

Διαβάστε περισσότερα

Ηλεκτρονικό εμπόριο. HE 8 Εξατομίκευση

Ηλεκτρονικό εμπόριο. HE 8 Εξατομίκευση Ηλεκτρονικό εμπόριο HE 8 Εξατομίκευση Πληροφοριακός υπερφόρτος (information overload) Αδυναμία διαχείρισης μεγάλου όγκου πληροφοριών και εντοπισμού της χρήσιμης πληροφορίας Η εξατομίκευση στοχεύει στην

Διαβάστε περισσότερα

Ανάκτηση Πληροφορίας

Ανάκτηση Πληροφορίας Ανάκτηση Πληροφορίας Το μοντέλο Boolean Το μοντέλο Vector Ταξινόμηση Μοντέλων IR Ανάκτηση Περιήγηση Κλασικά Μοντέλα Boolean Vector Probabilistic Δομικά Μοντέλα Non-Overlapping Lists Proximal Nodes Browsing

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 18η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 18η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 18η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται: στο βιβλίο Machine Learning του T. Mitchell, McGraw- Hill, 1997,

Διαβάστε περισσότερα

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ πradio: Εξατομικευμένο Σύστημα Σύστασης Ακρόασης Ηλεκτρονικού Ραδιοφώνου ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ του ΝΤΕΓΙΑΝΝΑΚΗ ΘΕΟΔΟΣΗ Επιβλέπων : Νικόλαος Ματσατσίνης

Διαβάστε περισσότερα

Πληροφορική 2. Τεχνητή νοημοσύνη

Πληροφορική 2. Τεχνητή νοημοσύνη Πληροφορική 2 Τεχνητή νοημοσύνη 1 2 Τι είναι τεχνητή νοημοσύνη; Τεχνητή νοημοσύνη (AI=Artificial Intelligence) είναι η μελέτη προγραμματισμένων συστημάτων τα οποία μπορούν να προσομοιώνουν μέχρι κάποιο

Διαβάστε περισσότερα

website guide B2B e-shop

website guide B2B e-shop website guide B2B e-shop Η ιστοσελίδα της Sun Electronics κατασκευάστηκε για να παρέχει χρήσιμες πληροφορίες τόσο στους συνεργάτες της όσο και στους τελικούς καταναλωτές. Σχεδιάστηκε έτσι ώστε η τιμολογιακή

Διαβάστε περισσότερα

ΔΙΔΑΣΚΑΛΙΑ ΓΝΩΣΤΙΚΗΣ ΣΤΡΑΤΗΓΙΚΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ Δρ. Ζαφειριάδης Κυριάκος Οι ικανοί αναγνώστες χρησιμοποιούν πολλές στρατηγικές (συνδυάζουν την

ΔΙΔΑΣΚΑΛΙΑ ΓΝΩΣΤΙΚΗΣ ΣΤΡΑΤΗΓΙΚΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ Δρ. Ζαφειριάδης Κυριάκος Οι ικανοί αναγνώστες χρησιμοποιούν πολλές στρατηγικές (συνδυάζουν την 1 ΔΙΔΑΣΚΑΛΙΑ ΓΝΩΣΤΙΚΗΣ ΣΤΡΑΤΗΓΙΚΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ Δρ. Ζαφειριάδης Κυριάκος Οι ικανοί αναγνώστες χρησιμοποιούν πολλές στρατηγικές (συνδυάζουν την παλαιότερη γνώση τους, σημειώνουν λεπτομέρειες, παρακολουθούν

Διαβάστε περισσότερα

Ενότητα 1: Πληροφοριακά Συστήματα και Άνθρωποι

Ενότητα 1: Πληροφοριακά Συστήματα και Άνθρωποι Ενότητα 1: Πληροφοριακά Συστήματα και Άνθρωποι Google «Αποστολή της Google είναι να οργανώσει τις παγκοσμίως διαθέσιμες πληροφορίες». Η πρόσβαση στις πληροφορίες έχει μεταμορφώσει τον τρόπο εργασίας και

Διαβάστε περισσότερα

Social Media. Chapter 2 Social Media Marketing

Social Media. Chapter 2 Social Media Marketing Social Media W Chapter 2 Social Media Marketing p.1 Τι είναι το Social Media Marketing Πρόκειται για ένα νέο marketing, που απευθύνεται σε ένα νέο καταναλωτή. Ζούμε σε μια εποχή που η τεχνολογία αλλάζει

Διαβάστε περισσότερα

Η συνολική εικόνα. Ποιοτική Αναβάθμιση δεδομένων. Λογισμικό Επικοινωνιών DATA WAREHOUSE. Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός

Η συνολική εικόνα. Ποιοτική Αναβάθμιση δεδομένων. Λογισμικό Επικοινωνιών DATA WAREHOUSE. Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός Η συνολική εικόνα Τοπικές Βάσεις Βάσεις Κεντρικών Συστημάτων Βάσεις Τρίτων Ποιοτική Αναβάθμιση δεδομένων Λογισμικό Επικοινωνιών DATA WAREHOUSE Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός Warehouse

Διαβάστε περισσότερα

Collaborative Filtering

Collaborative Filtering * 100084 caideng00@mails.tsinghua.edu.cn luzx@tsinghua.edu.cn Internet 1. Collaborative Filtering Social Filtering 1 Content_based 2 3 4 serendipitous recommendations Goldberg [1] * 60003004 MAS MAS 1

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 5. Κύκλος Ζωής Εφαρμογών ΕΝΟΤΗΤΑ 2. Εφαρμογές Πληροφορικής. Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών

ΚΕΦΑΛΑΙΟ 5. Κύκλος Ζωής Εφαρμογών ΕΝΟΤΗΤΑ 2. Εφαρμογές Πληροφορικής. Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών 44 Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών Διδακτικοί στόχοι Σκοπός του κεφαλαίου είναι οι μαθητές να κατανοήσουν τα βήματα που ακολουθούνται κατά την ανάπτυξη μιας εφαρμογής.

Διαβάστε περισσότερα

ΑΝΑΓΝΩΡΙΣΗ ΚΟΙΝΟΤΗΤΩΝ ΚΑΙ ΣΥΣΤΑΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΣΥΝΘΕΤΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ

ΑΝΑΓΝΩΡΙΣΗ ΚΟΙΝΟΤΗΤΩΝ ΚΑΙ ΣΥΣΤΑΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΣΥΝΘΕΤΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ ΑΝΑΓΝΩΡΙΣΗ ΚΟΙΝΟΤΗΤΩΝ ΚΑΙ ΣΥΣΤΑΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΣΥΝΘΕΤΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ Παπαδάκης Χαράλαμπος 1, Παναγιωτάκης Κώστας 2, Παρασκευή Φραγκοπούλου 1 1 Τμήμα Μηχ/κών Πληροφορικής, ΤΕΙ Κρήτης 2 Τμήμα

Διαβάστε περισσότερα

Ηλεκτρονικά Καταστήματα E Shops

Ηλεκτρονικά Καταστήματα E Shops Ηλεκτρονικά Καταστήματα E Shops Η ολοένα αυξανόμενη ανάπτυξη του ηλεκτρονικού εμπορίου είχε ως αποτέλεσμα την ανάπτυξη οργανωμένων ιστοσελίδων, τα ηλεκτρονικά καταστήματα, για την διενέργεια των αγοροπωλησιών.

Διαβάστε περισσότερα

Οδηγός LinkedIn. «10 συμβουλές επέκτασης της επιχείρησης σας, χρησιμοποιώντας το LinkedIn» Provided to you by

Οδηγός LinkedIn. «10 συμβουλές επέκτασης της επιχείρησης σας, χρησιμοποιώντας το LinkedIn» Provided to you by Οδηγός LinkedIn «10 συμβουλές επέκτασης της επιχείρησης σας, χρησιμοποιώντας το LinkedIn» Provided to you by 2 Οδηγός Linkedin, πώς να βοηθήσετε την επιχείρηση σας χρησιμοποιώντας το Ο ποιο κάτω οδηγός

Διαβάστε περισσότερα

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Κατηγορίες Πληροφοριακών Συστημάτων Διοικητικής Υποστήριξης

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Κατηγορίες Πληροφοριακών Συστημάτων Διοικητικής Υποστήριξης ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Κατηγορίες Πληροφοριακών Συστημάτων Διοικητικής Υποστήριξης 1 ΕΙΣΑΓΩΓΗ (1) Ταξινόμηση ΠΣ ανάλογα με τις λειτουργίες που υποστηρίζουν: Συστήματα Επεξεργασίας Συναλλαγών ΣΕΣ (Transaction

Διαβάστε περισσότερα

Data Mining: Στοχεύοντας στους σωστούς πελάτες. Αριστομένης Μακρής

Data Mining: Στοχεύοντας στους σωστούς πελάτες. Αριστομένης Μακρής Data Mining: Στοχεύοντας στους σωστούς πελάτες To CRM front-office πελατών Οι Προμηθευτές Οι Πελάτες ΟΟργανισμός Τροφοδότηση ενεργειών Μάρκετινγκ ΒΙ Απόταδεδομέναστηγνώση Επιχειρηματική Γνώση Επιχειρηματικοί

Διαβάστε περισσότερα

Kenta OKU and Fumio HATTORI

Kenta OKU and Fumio HATTORI DEIM Forum 2012 A1-3 525 8577 1 1 1 E-mail: oku@fc.ritsumei.ac.jp, fhattori@is.ritsumei.ac.jp Kenta OKU and Fumio HATTORI College of Information Science and Engineering, 1 1 1 Nojihigashi, Kusatsu-city,

Διαβάστε περισσότερα

Περιεχόμενα Πώς να χρησιμοποιήσετε το βιβλίο... 7 Αντί προλόγου... 9 Κεφάλαιο 1: Κεφάλαιο 2: Κεφάλαιο 3: Κεφάλαιο 4: Κεφάλαιο 5: Πώς να δημιουργήσω το Προφίλ μου και να γίνω μέλος στο Facebook;... 15 Τι

Διαβάστε περισσότερα

10 λόγοι να φτιάξω ιστοσελίδα

10 λόγοι να φτιάξω ιστοσελίδα 10 λόγοι να φτιάξω ιστοσελίδα 1 10 λόγοι να φτιάξω ιστοσελίδα Γιατί η επιχείρησή σας χρειάζεται να έχει παρουσία στο διαδίκτυο? 2 1. Η εταιρική σας ιστοσελίδα είναι ανοιχτή στον κόσμο 24 ώρες την ημέρα,

Διαβάστε περισσότερα

Δικτυακοί τόποι. Η σχεδίαση ενός δικτυακού τόπου. Δρ. Ματθαίος Α. Πατρινόπουλος

Δικτυακοί τόποι. Η σχεδίαση ενός δικτυακού τόπου. Δρ. Ματθαίος Α. Πατρινόπουλος Δικτυακοί τόποι Η σχεδίαση ενός δικτυακού τόπου Δρ. Ματθαίος Α. Πατρινόπουλος Πώς χρησιμοποιούμε το διαδίκτυο; ΔΙΑΦΑΝΕΙΕΣ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΣΧΕΔΙΑΣΜΟΣ ΚΑΙ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΔΙΑΔΙΚΤΥΟΥ. 2 Από το www.smartinsights.

Διαβάστε περισσότερα

E-COMMERCE 2014. Προκλήσεις & παράγοντες επιτυχίας. Χριστιάνα Κογεβίνα, Greek Geeks

E-COMMERCE 2014. Προκλήσεις & παράγοντες επιτυχίας. Χριστιάνα Κογεβίνα, Greek Geeks E-COMMERCE 2014 Προκλήσεις & παράγοντες επιτυχίας Χριστιάνα Κογεβίνα, Greek Geeks ΤΟ ΕΜΠΟΡΙΟ ΣΤΟ INTERNET Δεν μπορείτε να αγνοήσετε το κοινό του Internet 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Αγοράζουν

Διαβάστε περισσότερα

Λίγα λόγια από το συγγραφέα... 7. 91 Βάσεις δεδομένων και Microsoft Access... 9. 92 Microsoft Access... 22

Λίγα λόγια από το συγγραφέα... 7. 91 Βάσεις δεδομένων και Microsoft Access... 9. 92 Microsoft Access... 22 ΕΝΟΤΗΤΑ 5 Περιεχόμενα Λίγα λόγια από το συγγραφέα... 7 91 Βάσεις δεδομένων και Microsoft Access... 9 92 Microsoft Access... 22 93 Το σύστημα Βοήθειας του Microsoft Office... 32 94 Σχεδιασμός βάσης δεδομένων

Διαβάστε περισσότερα

1 Συστήματα Αυτοματισμού Βιβλιοθηκών

1 Συστήματα Αυτοματισμού Βιβλιοθηκών 1 Συστήματα Αυτοματισμού Βιβλιοθηκών Τα Συστήματα Αυτοματισμού Βιβλιοθηκών χρησιμοποιούνται για τη διαχείριση καταχωρήσεων βιβλιοθηκών. Τα περιεχόμενα των βιβλιοθηκών αυτών είναι έντυπα έγγραφα, όπως βιβλία

Διαβάστε περισσότερα

Βάσεις δεδομένων και Microsoft Access

Βάσεις δεδομένων και Microsoft Access Περιεχόμενα Κεφάλαιο 1 Βάσεις δεδομένων και Microsoft Access... 7 Κεφάλαιο 2 Microsoft Access 2010... 16 Κεφάλαιο 3 Σχεδιασμός βάσης δεδομένων και δημιουργία πίνακα... 27 Κεφάλαιο 4 Προβολές πινάκων και

Διαβάστε περισσότερα

Βασικές πηγές ιδεών για έναρξη επιχείρησης. προηγούμενη εμπειρία στον εργασιακό χώρο. ρωτώντας και συζητώντας με άλλους ανθρώπους

Βασικές πηγές ιδεών για έναρξη επιχείρησης. προηγούμενη εμπειρία στον εργασιακό χώρο. ρωτώντας και συζητώντας με άλλους ανθρώπους ΞΕΚΙΝΩΝΤΑΣ ΜΙΑ ΕΠΙΧΕΙΡΗΣΗ Η όλη προσπάθεια έναρξης μιας επιχείρησης ξεκινάει από την λεγόμενη επιχειρηματική ιδέα, την ιδέα δηλαδή στην οποία θα στηριχθεί όλος ο σχεδιασμός και η μορφή της νέας επιχείρησης.

Διαβάστε περισσότερα

Marketing in E-commerce: A Competitive Landscape. Ομιλητής : Τσίγκρος Κυριάκος

Marketing in E-commerce: A Competitive Landscape. Ομιλητής : Τσίγκρος Κυριάκος Email Marketing in E-commerce: A Competitive Landscape Ομιλητής : Τσίγκρος Κυριάκος Το παραδοσιακό Marketing επικεντρώνεται στο προϊόν Τονίζει την μοναδική ποιότητα του προϊόντος Μαζικά προωθητικά μηνύματα

Διαβάστε περισσότερα

Ποια cookies χρησιμοποιούμε στον ιστότοπό μας;

Ποια cookies χρησιμοποιούμε στον ιστότοπό μας; Πολιτική Cookies Χρησιμοποιούμε cookies στον ιστότοπο μας για τη διαχείριση των περιόδων σύνδεσης, για την παροχή εξατομικευμένων ιστοσελίδων και για την προσαρμογή διαφημιστικού και άλλου περιεχομένου

Διαβάστε περισσότερα

Ανάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #01

Ανάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #01 Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #01 Διαδικαστικά μαθήματος Εισαγωγικές έννοιες & Ορισμοί Συστήματα ανάκτησης πληροφορίας 1

Διαβάστε περισσότερα

Έρευνα Ηλεκτρονικού Εμπορίου 2015 Β-C στην Ελλάδα: Η Συμπεριφορά των Online Καταναλωτών Καθ. Γεώργιος Ι. Δουκίδης Δρ.

Έρευνα Ηλεκτρονικού Εμπορίου 2015 Β-C στην Ελλάδα: Η Συμπεριφορά των Online Καταναλωτών Καθ. Γεώργιος Ι. Δουκίδης Δρ. Έρευνα Ηλεκτρονικού Εμπορίου 2015 Β-C στην Ελλάδα: Η Συμπεριφορά των Online Καταναλωτών Καθ. Γεώργιος Ι. Δουκίδης Δρ. Κατερίνα Φραϊδάκη Εργαστήριο Ηλεκτρονικού Επιχειρείν και Εμπορίου Οικονομικό Πανεπιστήμιο

Διαβάστε περισσότερα

Πανεπιστήμιο Αιγαίου Σχολή Κοινωνικών Επιστημών Τμήμα Πολιτισμικής Τεχνολογίας Και Επικοινωνίας

Πανεπιστήμιο Αιγαίου Σχολή Κοινωνικών Επιστημών Τμήμα Πολιτισμικής Τεχνολογίας Και Επικοινωνίας Πανεπιστήμιο Αιγαίου Σχολή Κοινωνικών Επιστημών Τμήμα Πολιτισμικής Τεχνολογίας Και Επικοινωνίας Ψηφιακό Περιεχόμενο & Ηλεκτρονικό Εμπόριο (Δ εξάμηνο) Διάλεξη # 7η: Marketing και Διαδίκτυο Το «προϊόν» της

Διαβάστε περισσότερα

ΤΙΜΗ ΠΑΚΕΤΟΥ ΚΑΤΟΠΙΝ ΠΑΡΑΓΓΕΛΙΑΣ ΕΝΔΕΙΚΤΙΚΕΣ ΔΥΝΑΤΟΤΗΤΕΣ BASIC E-SHOP. Απεριόριστος Αριθμός Προϊόντων με κείμενο, φωτογραφίες, βίντεο κλπ

ΤΙΜΗ ΠΑΚΕΤΟΥ ΚΑΤΟΠΙΝ ΠΑΡΑΓΓΕΛΙΑΣ ΕΝΔΕΙΚΤΙΚΕΣ ΔΥΝΑΤΟΤΗΤΕΣ BASIC E-SHOP. Απεριόριστος Αριθμός Προϊόντων με κείμενο, φωτογραφίες, βίντεο κλπ ΤΙΜΗ ΠΑΚΕΤΟΥ ΚΑΤΟΠΙΝ ΠΑΡΑΓΓΕΛΙΑΣ ΕΝΔΕΙΚΤΙΚΕΣ ΔΥΝΑΤΟΤΗΤΕΣ BASIC E-SHOP Απεριόριστος Αριθμός Προϊόντων με κείμενο, φωτογραφίες, βίντεο κλπ Υποστηρίζει πολλαπλές κατηγορίες ειδών και κατασκευαστές Οι κατηγορίες

Διαβάστε περισσότερα

Εργασία «Διαχείριση Δικτύων» Ιούνιος 2014, Θεσ/νίκη

Εργασία «Διαχείριση Δικτύων» Ιούνιος 2014, Θεσ/νίκη Εργασία «Διαχείριση Δικτύων» Ιούνιος 2014, Θεσ/νίκη 01 Εισαγωγή Μια απλή και γρήγορη εισαγωγή Το Splunk > είναι ένα πρόγραμμα το οποίο πρωτοεμφανίστηκε στην αγορά το 2003 και αποτελεί ένα πρόγραμμα εξόρυξης

Διαβάστε περισσότερα

Agile Προσέγγιση στη Διαχείριση Έργων Λογισμικού

Agile Προσέγγιση στη Διαχείριση Έργων Λογισμικού Agile Προσέγγιση στη Διαχείριση Έργων Λογισμικού Ενότητα 2- Οι αρχές της agile προσέγγισης Δρ. Δημήτριος Τσέλιος Καθηγητής Εφαρμογών Τμήμα Μηχανικών Πληροφορικής Τ.Ε.- ΤΕΙ Θεσσαλίας Μεταπτυχιακό Πρόγραμμα

Διαβάστε περισσότερα

PServer. Θεωρία & Εφαρμογές. Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr Γεώργιος Παλιούρας, paliourg@iit.demokritos.gr

PServer. Θεωρία & Εφαρμογές. Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr Γεώργιος Παλιούρας, paliourg@iit.demokritos.gr PServer Θεωρία & Εφαρμογές Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr Γεώργιος Παλιούρας, paliourg@iit.demokritos.gr Δομή Εφαρμογές PServer σε ηλεκτρονικό εμπόριο ξενάγηση σε μουσεία ενημέρωση πλοήγηση

Διαβάστε περισσότερα

ΕΚΦΩΝΗΣΗ ΥΠΟΧΡΕΩΤΙΚΗΣ ΕΡΓΑΣΙΑΣ σε UML

ΕΚΦΩΝΗΣΗ ΥΠΟΧΡΕΩΤΙΚΗΣ ΕΡΓΑΣΙΑΣ σε UML ΕΚΦΩΝΗΣΗ ΥΠΟΧΡΕΩΤΙΚΗΣ ΕΡΓΑΣΙΑΣ σε UML για το µάθηµα ΑΝΑΛΥΣΗΣ ΣΥΣΤΗΜΑΤΩΝ Ακαδηµαϊκό Έτος 2012-2013 «Αντικειµενοστρεφής Ανάλυση Ηλεκτρονικού Καταστήµατος Προσφορών (e-shop)» Η άσκηση αφορά στη χρήση της

Διαβάστε περισσότερα

Ο ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET

Ο ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET Ο ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET Το Μοντέλο της Συμπεριφοράς των Καταναλωτών στο Η.Ε. Τύποι Καταναλωτών ανεξάρτητοι και μεμονωμένοι καταναλωτές, στους οποίους στοχεύουν τα ΜΜΕ οργανισμοί-αγοραστές αγοραστές

Διαβάστε περισσότερα

Τ.Ε.Ι. Δυτικής Ελλάδας Τμήμα Διοίκησης Επιχειρήσεων Μεσολόγγι. 8 η Διάλεξη. Μάθημα: Τεχνολογίες Διαδικτύου

Τ.Ε.Ι. Δυτικής Ελλάδας Τμήμα Διοίκησης Επιχειρήσεων Μεσολόγγι. 8 η Διάλεξη. Μάθημα: Τεχνολογίες Διαδικτύου Τ.Ε.Ι. Δυτικής Ελλάδας Τμήμα Διοίκησης Επιχειρήσεων Μεσολόγγι 8 η Διάλεξη Μάθημα: Τεχνολογίες Διαδικτύου Περιεχόμενα 8 η διάλεξη Ηλεκτρονικό εμπόριο Ορισμός Ως Ηλεκτρονικό Εμπόριο, ή ευρέως γνωστό ως e-commerce

Διαβάστε περισσότερα

MICRO: Ενίσχυση της ανταγωνιστικότητας των πολύ μικρών επιχειρήσεων σε αγροτικές περιοχές Ενότητα No 1 : Marketing/Προώθηση & Ηλεκτρονικό εμπόριο

MICRO: Ενίσχυση της ανταγωνιστικότητας των πολύ μικρών επιχειρήσεων σε αγροτικές περιοχές Ενότητα No 1 : Marketing/Προώθηση & Ηλεκτρονικό εμπόριο MICRO: Ενίσχυση της ανταγωνιστικότητας των πολύ μικρών επιχειρήσεων σε αγροτικές περιοχές Ενότητα No 1 : Marketing/Προώθηση & Ηλεκτρονικό εμπόριο Επιμέλεια των φορέων του έργου: Irish Rural Link National

Διαβάστε περισσότερα

QEMS TUTORIAL CRM. Οδηγίες για το νέο πρωτοποριακό πρόγραμμα της QEMS.

QEMS TUTORIAL CRM. Οδηγίες για το νέο πρωτοποριακό πρόγραμμα της QEMS. QEMS TUTORIAL CRM Οδηγίες για το νέο πρωτοποριακό πρόγραμμα της QEMS. ΕΚΔΟΣΗ 1.0.1 + 26/6/2014 ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΣΑΓΩΓΗ... 2 LOGIN... 3 δικαιωματα ΕΦΑΡΜΟΓΗς... 4 ΙΔΙΟΚΤΗΤΗΣ... 4 ADMIN / MANAGER... 4 ΥΠΑΛΗΛΟΣ...

Διαβάστε περισσότερα

Προτεινόμενες Διπλωματικές Εργασίες 2009

Προτεινόμενες Διπλωματικές Εργασίες 2009 Προτεινόμενες Διπλωματικές Εργασίες 2009 Αλγοριθμικές Διαδικασίες για Smart Energy Profiling μέσω Διαδικτύου με βάση τηλεμετρικά δίκτυα AMR και προχωρημένων αλγορίθμων Διαχείρισης Ενεργειακής Γνώσης Η

Διαβάστε περισσότερα

Μέρος 3 ο : Βασικές Έννοιες για δυναμικές ιστοσελίδες

Μέρος 3 ο : Βασικές Έννοιες για δυναμικές ιστοσελίδες Μέρος 3 ο : Βασικές Έννοιες για δυναμικές ιστοσελίδες Εισαγωγή-Σκοπός. Τρόποι δημιουργίας δυναμικών ιστοσελίδων. Dynamic Web Pages. Dynamic Web Page Development Using Dreamweaver. Τρόποι δημιουργίας δυναμικών

Διαβάστε περισσότερα

Δίνουμε λύσεις, δεν προτείνουμε

Δίνουμε λύσεις, δεν προτείνουμε Δίνουμε λύσεις, δεν προτείνουμε Σχετικά με εμάς Ολοκληρωμένες λύσεις προβολής επαγγελματιών στο διαδίκτυο. Ο Όμιλος FOCUS-ON, ένας όμιλος Web & Mobile Services, ξεκίνησε τη δραστηριοποίησή του το 2008

Διαβάστε περισσότερα

Αλεξάνδρειο ΣΕΙ Θεσσαλονίκης 1. Σμήμα Διοίκησης Επιχειρήσεων 2. Σμήμα Μηχανικών Πληροφορικής

Αλεξάνδρειο ΣΕΙ Θεσσαλονίκης 1. Σμήμα Διοίκησης Επιχειρήσεων 2. Σμήμα Μηχανικών Πληροφορικής Εξόρυξη γνώσης από σχόλια σε τουριστικές ιστοσελίδες και παραγοντική ανάλυση του αισθήματος ικανοποίησης των πελατών για το ξενοδοχείο τους Γιώργος ταλίδης 1, Παναγιώτης ταλίδης 2, Κώστας Διαμαντάρας 2

Διαβάστε περισσότερα

Συνοπτικό εγχειρίδιο χρήσης ηλεκτρονικού καταστήματος

Συνοπτικό εγχειρίδιο χρήσης ηλεκτρονικού καταστήματος Συνοπτικό εγχειρίδιο χρήσης ηλεκτρονικού καταστήματος www.sweetland.com.cy Σ ε λ ί δ α 1 Πίνακας περιεχομένων Χρήση της λειτουργίας αναζήτησης... 3 Καινούργια εγγραφή... 4 Συμπλήρωση προφίλ... 6 Υποβολή

Διαβάστε περισσότερα

Τι είναι το TPT (Teachers Pay Teachers) Πώς γίνομαι μέλος; Πώς αγοράζω υλικό από εκεί; Τι είναι το PayPal; Πώς φτιάχνω λογαριασμό στο PayPal; Τι

Τι είναι το TPT (Teachers Pay Teachers) Πώς γίνομαι μέλος; Πώς αγοράζω υλικό από εκεί; Τι είναι το PayPal; Πώς φτιάχνω λογαριασμό στο PayPal; Τι Τι είναι το TPT (Teachers Pay Teachers) Πώς γίνομαι μέλος; Πώς αγοράζω υλικό από εκεί; Τι είναι το PayPal; Πώς φτιάχνω λογαριασμό στο PayPal; Τι είναι ένα ZIP αρχείο; Πώς μπορώ να αγοράσω το προϊόν για

Διαβάστε περισσότερα

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Μαρίνος Θεμιστοκλέους Email: mthemist@unipi.gr Ανδρούτσου 150 Γραφείο 206 Τηλ. 210 414 2723 Ώρες Γραφείου: Δευτέρα 11-12 AM Πληροφοριακά Συστήματα (ΠΣ) Information Systems (IS) Ορισμός

Διαβάστε περισσότερα

Η επιχείρηση μετά τα e

Η επιχείρηση μετά τα e ΕΜΠΟΡΙΚΟ ΚΑΙ ΒΙΟΜΗΧΑΝΙΚΟ ΕΠΙΜΕΛΗΤΗΡΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ Η επιχείρηση μετά τα e Εισαγωγή στο ηλεκτρονικό εμπόριο e-commerce Παρουσίαση στα πλαίσια των κύκλων εκπαίδευσης του ΕΒΕΘ Θεσσαλονίκη, Απρίλιος 2006 Σπύρογλου

Διαβάστε περισσότερα

Εκπαιδευτική Τεχνολογία - Πολυμέσα. Ελένη Περιστέρη, Msc, PhD

Εκπαιδευτική Τεχνολογία - Πολυμέσα. Ελένη Περιστέρη, Msc, PhD Εκπαιδευτική Τεχνολογία - Πολυμέσα Ελένη Περιστέρη, Msc, PhD Τι είναι η «Εκπαιδευτική Τεχνολογία» (1) Εκπαιδευτική Τεχνολογία είναι «η εφαρμογή τεχνολογικών διαδικασιών και εργαλείων που μπορούν να χρησιμοποιηθούν

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ Δ.Π.Μ.Σ: «Εφαρμοσμένες Μαθηματικές Επιστήμες» 2008

Διαβάστε περισσότερα

Πανεπιστήμιο Πατρών Μεταπτυχιακό Τμήμα Διοίκησης Επιχειρήσεων

Πανεπιστήμιο Πατρών Μεταπτυχιακό Τμήμα Διοίκησης Επιχειρήσεων Πανεπιστήμιο Πατρών Μεταπτυχιακό Τμήμα Διοίκησης Επιχειρήσεων Μελέτη με θέμα: Διερεύνηση του βαθμού ανάπτυξης εμπιστοσύνης και ασφάλειας στην καθημερινή χρήση του διαδικτύου Ερωτηματολόγιο 1. Πόσο καιρό

Διαβάστε περισσότερα

Συνοπτικός Οδηγός Χρήσης του Moodle για τον Καθηγητή

Συνοπτικός Οδηγός Χρήσης του Moodle για τον Καθηγητή Συνοπτικός Οδηγός Χρήσης του Moodle για τον Καθηγητή 1 Πίνακας Περιεχομένων 1. Εισαγωγή... 4 1.1 Περιβάλλον Moodle...4 1.2 Χρήση ονόματος χρήστη και κωδικού...4 1.3 Δημιουργία νέου μαθήματος...4 1.3.1

Διαβάστε περισσότερα

Σχεδίαση Βάσεων Δεδομένων

Σχεδίαση Βάσεων Δεδομένων Σχεδίαση Βάσεων Δεδομένων Δεδομένα κατά Πληροφοριών Data vs. Information 1 Copyright 2013, Oracle and/or its affiliates. All rights reserved. Δεδομένα κατά Πληροφοριών Στόχοι Το μάθημα αυτό καλύπτει τους

Διαβάστε περισσότερα

Περιεχόμενα σχετικά με τις λειτουργίες του

Περιεχόμενα σχετικά με τις λειτουργίες του Περιεχόμενα σχετικά με τις λειτουργίες του www.24hrstores.gr Ενότητα Χρήστες (ως Χρήστες εννοούμε αυτούς που επισκέπτονται το Front End του ηλεκτρονικού καταστήματος) 1.1. Επισκέπτες Ποιες σελίδες μπορεί

Διαβάστε περισσότερα

ΜΕΤΑΠΤΥΧΙΑΚΟ ΤΜΗΜΑ ΣΠΟΥ ΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ

ΜΕΤΑΠΤΥΧΙΑΚΟ ΤΜΗΜΑ ΣΠΟΥ ΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΤΜΗΜΑ ΣΠΟΥ ΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΜΑΘΗΜΑ:ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ MARKETING ΚΑΘΗΓΗΤΕΣ: κ. A. ΟΙΚΟΝΟΜΙ ΗΣ & κ. Γ.ΣΙΩΜΚΟΣ ΘΕΜΑ ΕΡΓΑΣΙΑΣ: ΠΑΡΟΥΣΙΑΣΗ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ

Διαβάστε περισσότερα

Διαχείριση Ψηφιακού Περιεχομένου στο Επιχειρησιακό Περιβάλλον

Διαχείριση Ψηφιακού Περιεχομένου στο Επιχειρησιακό Περιβάλλον Διαχείριση Ψηφιακού Περιεχομένου στο Επιχειρησιακό Περιβάλλον Κωνσταντίνος Σπυρόπουλος Διευθυντής Ινστιτούτου Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ Δημόκριτος Βελτίωση της Αποτελεσματικότητας Επιχειρήσεων/Οργανισμών,

Διαβάστε περισσότερα

INBOUND MARKETING CRASH COURSE!

INBOUND MARKETING CRASH COURSE! 1 INBOUND MARKETING CRASH COURSE! ΓΕΙΑ ΣΑΣ... ΑΠΟ ΤΗ wedia. 2 ΓΕΙΑ ΣΑΣ ΑΠΌ ΤΗ WEDIA. Φανταζόμαστε ότι μέχρι τώρα θα έχετε διαβάσει στο blog της wedia τα άρθρα που αφορούν το Inbound Marketing και θα σας

Διαβάστε περισσότερα

Διαφέρουμε από τον ανταγωνισμό Τη στιγμή που οι περισσότεροι οραματίζονται το μέλλον εμείς το δημιουργούμε.

Διαφέρουμε από τον ανταγωνισμό Τη στιγμή που οι περισσότεροι οραματίζονται το μέλλον εμείς το δημιουργούμε. WEB SOLUTIONS Δώστε σήμερα ώθηση στην επιχείρηση σας, αποκτώντας μια δυναμική παρουσία στο Διαδίκτυο, αξιοποιώντας τις ολοκληρωμένες και πρωτοποριακές λύσεις που σας προσφέρει η fosetico. Διαφέρουμε από

Διαβάστε περισσότερα

ΜΕΘΟΔΟΛΟΓΙΑ ΑΝΑΠΤΥΞΗΣ ΣΥΣΤΗΜΑΤΟΣ ΠΡΟΤΑΣΕΩΝ ΣΤΙΣ ΤΟΥΡΙΣΤΙΚΕΣ ΥΠΗΡΕΣΙΕΣ

ΜΕΘΟΔΟΛΟΓΙΑ ΑΝΑΠΤΥΞΗΣ ΣΥΣΤΗΜΑΤΟΣ ΠΡΟΤΑΣΕΩΝ ΣΤΙΣ ΤΟΥΡΙΣΤΙΚΕΣ ΥΠΗΡΕΣΙΕΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΝΑΠΤΥΞΗΣ ΣΥΣΤΗΜΑΤΟΣ ΠΡΟΤΑΣΕΩΝ ΣΤΙΣ ΤΟΥΡΙΣΤΙΚΕΣ ΥΠΗΡΕΣΙΕΣ Ονοματεπώνυμο: Σπελέτα Ελισάβετ Σειρά: 12 Επιβλέπων Καθηγητής: Δημήτρης Κ. Καρδαράς Δεκέμβριος 2015 Τουρισμός Ο τουρισμός συμβάλει

Διαβάστε περισσότερα

ecommerce at a Glance Δρ. Κατερίνα Φραϊδάκη Καθ. Γεώργιος Ι. Δουκίδης

ecommerce at a Glance Δρ. Κατερίνα Φραϊδάκη Καθ. Γεώργιος Ι. Δουκίδης ecommerce at a Glance Δρ. Κατερίνα Φραϊδάκη Καθ. Γεώργιος Ι. Δουκίδης Εργαστήριο Ηλεκτρονικού Επιχειρείν και Εμπορίου Οικονομικό Πανεπιστήμιο Αθηνών Χαρτογράφιση της online αγοράς B-C 3,5 εκ. Έλληνες αγοράζουν

Διαβάστε περισσότερα

Πολιτική για τα cookies

Πολιτική για τα cookies Πολιτική για τα cookies Έκδοση 1.0 Πολιτική για τα cookies Εισαγωγή Πληροφορίες για τα cookies Η πλειονότητα των ιστοτόπων που επισκέπτεστε χρησιμοποιεί τα cookies για να βελτιώνει την εμπειρία του χρήστη,

Διαβάστε περισσότερα

Web Sites Το τρίπτυχο της επιτυχίας

Web Sites Το τρίπτυχο της επιτυχίας Web Sites Το τρίπτυχο της επιτυχίας 1 Βασικές Αρχές Σχεδίασης Απαραίτητες ιδιότητες Web Site Οι αναγκαίες αρχές που πρέπει να ακολουθηθούν/εφαρμοστούν για να επιτευχθεί η δημιουργία ενός αξιόλογου και

Διαβάστε περισσότερα

ΣυνοπτικόςΟδηγόςΧρήσηςτουMoodle για το Φοιτητή

ΣυνοπτικόςΟδηγόςΧρήσηςτουMoodle για το Φοιτητή ΣυνοπτικόςΟδηγόςΧρήσηςτουMoodle για το Φοιτητή Πίνακας Περιεχομένων Πίνακας Περιεχομένων... 2 1. Εισαγωγή...3 1.1 Περιβάλλον Moodle... 3 1.2 Εισαγωγή / Εγγραφή στην πλατφόρμα... 3 1.3 Είσοδος σε μάθημα...

Διαβάστε περισσότερα

Μια καλή επιλογή θα ήταν www.epipla-onomasas.gr (χωρίζοντας τις λέξεις με παύλα -) ή

Μια καλή επιλογή θα ήταν www.epipla-onomasas.gr (χωρίζοντας τις λέξεις με παύλα -) ή Τι είναι ένα CMS CMS ή Σύστημα Διαχείρισης Περιεχομένου (Content Management System) ονομάζουμε ένα λογισμικό που μας βοηθά να ελέγχουμε και να διαχειριζόμαστε έναν ιστότοπο δημόσιας ή περιορισμένης πρόσβασης.

Διαβάστε περισσότερα

ΜΟΝΤΕΛΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΜΟΝΤΕΛΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ ΚΕΦΑΛΑΙΟ 3 ΜΟΝΤΕΛΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ Στο παρόν κεφάλαιο παρουσιάζουμε επιγραμματικά τα σημαντικότερα μοντέλα ηλεκτρονικών επιχειρήσεων. Στα επόμενα κεφάλαια αναλύουμε διεξοδικότερα κάθε ένα από

Διαβάστε περισσότερα

Συνοπτικός Οδηγός Χρήσης του Moodle για το Φοιτητή

Συνοπτικός Οδηγός Χρήσης του Moodle για το Φοιτητή Συνοπτικός Οδηγός Χρήσης του Moodle για το Φοιτητή 1 Πίνακας Περιεχομένων 1. Εισαγωγή... 3 1.1 Περιβάλλον Moodle...3 1.2 Χρήση ονόματος χρήστη και κωδικού...3 1.3 Είσοδος σε μάθημα... 3 1.4 Βοήθεια...3

Διαβάστε περισσότερα

Εργαστήρια Text Mining & Sentiment Analysis με Rapid Miner

Εργαστήρια Text Mining & Sentiment Analysis με Rapid Miner 10. Text Mining Για να μπορέσουμε να χρησιμοποιήσουμε τις δυνατότητες text mining του Rapid Miner πρέπει να εγκαταστήσουμε το Text Mining Extension. Πηγαίνουμε Help Updates and Extensions (Marketplace)

Διαβάστε περισσότερα

Internet Marketing. www.webkey.gr info@webkey.gr 694 8888 640

Internet Marketing. www.webkey.gr info@webkey.gr 694 8888 640 Internet Marketing www.webkey.gr info@webkey.gr 694 8888 640 Τι είναι το Internet Marketing? To Marketing είναι η διαδικασία η οποία συνδέει ένα προϊόν ή μια υπηρεσία με τον καταναλωτή. Το Internet Marketing

Διαβάστε περισσότερα

Πληροφοριακά Συστήματα Διοίκησης

Πληροφοριακά Συστήματα Διοίκησης Πληροφοριακά Συστήματα Διοίκησης Τρεις αλγόριθμοι μηχανικής μάθησης ΠΜΣ Λογιστική Χρηματοοικονομική και Διοικητική Επιστήμη ΤΕΙ Ηπείρου @ 2018 Μηχανική μάθηση αναγνώριση προτύπων Η αναγνώριση προτύπων

Διαβάστε περισσότερα

Σχεδιασμός & Λειτουργικότητα e-shop

Σχεδιασμός & Λειτουργικότητα e-shop Σχεδιασμός & Λειτουργικότητα e-shop Δρ. Δημήτριος Α. Κουτσομητρόπουλος Τμήμα Επιχειρηματικού Σχεδιασμού και Πληροφοριακών Συστημάτων Α.Τ.Ε.Ι. Πάτρας 2012-2013 Εισαγωγή «Τα ηλεκτρονικά καταστήματα ή electronic

Διαβάστε περισσότερα

Ηλεκτρονικό Επιχειρείν & Νέες Τεχνολογίες για Επιχειρηματικότητα ΔΕΟ45

Ηλεκτρονικό Επιχειρείν & Νέες Τεχνολογίες για Επιχειρηματικότητα ΔΕΟ45 Ηλεκτρονικό Επιχειρείν & Νέες Τεχνολογίες για Επιχειρηματικότητα ΔΕΟ45 ΤΟΜΟΣ Α «Ηλεκτρονικό Επιχειρείν» πηγή: ibm.com Ηλεκτρονικό Επιχειρείν Η εφαρμογή τεχνολογιών πληροφορίας και επικοινωνίας (ΤΠΕ) για

Διαβάστε περισσότερα

± ² ² ² Đ ā ĉ Ĕ Ė ĉ ę Đ Ē ď Ē ć ă ĉ Ĕ ö ìñéòöëöù ėēę îđċďėĕēđďďēġ ìó öøðöû 134 1)"3."$: NBOBHFNFOU,"* & i ² ³ ] ΔΕΚΕΜΒΡΙΟΣ 2014

± ² ² ² Đ ā ĉ Ĕ Ė ĉ ę Đ Ē ď Ē ć ă ĉ Ĕ ö ìñéòöëöù ėēę îđċďėĕēđďďēġ ìó öøðöû 134 1)3.$: NBOBHFNFOU,* & i ² ³ ] ΔΕΚΕΜΒΡΙΟΣ 2014 134 ΔΕΚΕΜΒΡΙΟΣ 2014 Όσα περισσότερα e-shop δημιουργούνται, τόσο μεγαλώνει ο ανταγωνισμός στο ηλεκτρονικό εμπόριο, καθώς και οι απαιτήσεις για πιο καταστήματα. κατευθύνσεις που μπορούν να σας βοηθήσουν,

Διαβάστε περισσότερα

Δημιουργία Συστήματος Συστάσεων Βασισμένο σε Χωροχρονικές Πληροφορίες

Δημιουργία Συστήματος Συστάσεων Βασισμένο σε Χωροχρονικές Πληροφορίες ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Δημιουργία Συστήματος Συστάσεων Βασισμένο

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση

Διαβάστε περισσότερα