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

Transcript

1 Εξατομίκευση στο Ηλεκτρονικό Επιχειρείν ΤΕΙ Δυτικής Ελλάδας Τμήμα Διοίκησης Επιχειρήσεων - Πάτρα Κουτσονίκος Γιάννης 1

2 Δομή Μαθήματος Για ποιο λόγο εξατομίκευση; Ορισμός εξατομίκευσης & παραδείγματα H σχέση της με την παραμετροποίηση (customization) Δεδομένα εισόδου διαδικασίας εξατομίκευσης & τρόποι απόκτησης τους Τεχνικές ανάλυσης δεδομένων εξατομίκευσης Τεχνικές φιλτραρίσματος Τεχνικές βασισμένες σε κανόνες Τεχνικές βασισμένες σε web usage mining Τι και πώς μπορεί να προσαρμοστεί; 2

3 Πληροφοριακός υπερφόρτος «Οι άνθρωποι είναι πληροφοριοβόροι» - Dennett, 1991 Οι άνθρωποι αναζητούν, συγκεντρώνουν, μοιράζονται και καταναλώνουν πληροφορία, ώστε να προσαρμόζονται. Το Big Bang της πληροφορίας: «το 2011 αναμενόταν δεκαπλάσια παραγωγή ψηφιακής πληροφορίας από το 2006» Πληροφοριακός υπερφόρτος: Οι χρήστες πλοηγούνται σε μεγάλες και πολύπλοκες δομές web, χάνοντας συχνά το στόχο τους Στόχος εξατομίκευσης: Να παρέχεται στους χρήστες αυτό που θέλουν ή χρειάζονται χωρίς να περιμένουμε να το ζητήσουν οι ίδιοι ρητά 3

4 Εξατομίκευση: Τι είναι; «Η διαδικασία της συγκέντρωσης και αποθήκευσης πληροφοριών αναφορικά με τους χρήστες ενός web site, η ανάλυση των πληροφοριών αυτών και, με βάση την ανάλυση, η αποστολή σε κάθε χρήστη της σωστής πληροφορίας στο σωστό χρόνο» - Mulvenna, 2000 «Οποιαδήποτε ενέργεια που προσαρμόζει την πληροφορία ή τις υπηρεσίες που παρέχονται από ένα web site, στη γνώση που κερδίζουμε από την πλοηγητική συμπεριφορά των χρηστών και τα ατομικά τους ενδιαφέροντα, σε συνδυασμό με το περιεχόμενο και τη δομή του web site» - Eirinaki και Vazirgiannis, 2003 Είναι Πολυσυλλεκτική περιοχή: Ασχολείται με Information retrieval, user modelling, AI, DBs, κ.ά. 4

5 Απλουστευμένο Διάγραμμα Εξατομίκευσης 5

6 Στόχος εξατομίκευσης Παρουσιάζει στο χρήστη περιεχόμενο (διαφήμιση, πληροφορία) που τον ενδιαφέρει Το περιεχόμενο αυτό τον ενδιαφέρει τόσο ώστε το session να διαρκέσει «ένα click περισσότερο» Όσες περισσότερες φορές κάνει click ο χρήστης τόσο περισσότερο διαρκεί το μέσο session Τα μεγαλύτερα sessions υπονοούν πιο ικανοποιημένους πελάτες Οι ικανοποιημένοι πελάτες εξυπηρετούν καλύτερα τους επιχειρηματικούς στόχους 6

7 Πεδία εφαρμογών Ηλεκτρονικό εμπόριο: προτάσεις για προϊόντα, εξατομικευμένη προώθηση, τιμολόγηση, διαμόρφωση της αρχικής σελίδας των ηλεκτρονικών καταστημάτων, κ.ά. Πληροφοριακές πύλες (portals): με τη μορφή π.χ. της παραμετροποίησης της αρχικής σελίδας όπως στο my.yahoo.com Περιβάλλοντα ηλεκτρονικής μάθησης (e-learning): προτάσεις μαθημάτων, ειδικές διαμορφώσεις για μαθητές, εκπαιδευτές και διαχειριστές, προσαρμογές του εκπαιδευτικού περιεχομένου με βάση τις γνώσεις και δεξιότητες κάθε μαθητή, κλπ. Μηχανές αναζήτησης (search engines): αποτελέσματα που φιλτράρονται ή/και ταξινομούνται σύμφωνα με το προφίλ κάθε χρήστη 7

8 Πώς φτάσαμε στην εξατομίκευση; Οι ρίζες της τεχνολογίας της εξατομίκευσης εντοπίζονται στον ορισμό των προσαρμοστικών υπερμέσων (adaptive hypermedia) τα οποία: Αποτέλεσαν την εναλλακτική λύση στην παραδοσιακή προσέγγιση «one-site-fits-all» Χτίζουν ένα μοντέλο για τις γνώσεις, τις προτιμήσεις ι/και τους στόχους κάθε χρήστη (ή ομάδας χρηστών) Το μοντέλο αυτό προσαρμόζεται κατά τη διάρκεια αλληλεπίδρασης μιας εφαρμογής με το χρήστη, προσαρμόζοντάς την στις ανάγκες του τελευταίου 8

9 Προσαρμοσιμότητα - Προσαρμοστικότητα Ανάλογα με το βαθμό ελέγχου που έχει ο χρήστης στις προσαρμογές διακρίνονται 4 διαφορετικοί ρόλοι: Initiator: εκκινεί τη διαδικασία παραγωγής προσαρμογών Proposer: προτείνει τις προσαρμογές που θα εφαρμοστούν Selector: επιλέγει ποιες από τις διαθέσιμες προσαρμογές θα εφαρμοστούν Producer: παίρνει την τελική απόφαση της εφαρμογής των προσαρμογών Προσαρμόσιμες εφαρμογές (adaptable ή customizable): Ο χρήστης έχει τον έλεγχο της έναρξης, της πρότασης, της επιλογής και της εφαρμογής των προσαρμογών Προσαρμοστικές εφαρμογές (adaptive): Εκτελούν αυτόματα όλα τις απαιτούμενες ενέργειες χωρίς τη συγκατάθεση του χρήστη Adaptable Προσαρμόσιμος : Adaptive Προσαρμοστικός 9

10 Adaptability - Adaptivity Προσαρμοσιμότητα (adaptability) και προσαρμοστικότητα (adaptivity) μπορούν να συνυπάρχουν στην ίδια εφαρμογή Το τι θα επιλεγεί και σε ποιο βαθμό εξαρτάται από την κατά περίπτωση εφαρμογή, δηλαδή από: Τις απαιτήσεις που επιβάλει αυτή στο χρήστη Αν τον διακόπτει ή τον αποσπά Τις πιθανές επιπτώσεις που έχει ένα λανθασμένο adaptation Ο έλεγχος από πλευράς χρηστών μπορεί να παρασχεθεί: Σε γενικό επίπεδο: Οι χρήστης επιτρέπουν ή απαγορεύουν συνολικά όλες τις προσαρμογές Σε επίπεδο είδους προσαρμογών: Οι χρήστες εγκρίνουν ή απορρίπτουν την εφαρμογή προσαρμογών συγκεκριμένου είδους Ανά συγκεκριμένη περίπτωση προσαρμογής 10

11 Πορεία εξέλιξης εξατομίκευσης Παραμετροποιήσεις μέσω επιλογών check-box Πληροφοριακές πύλες (my.yahoo) που επιτρέπουν στους χρήστες να επιλέξουν τους συνδέσμους που κα εμφανίζονται στις εξατομικευμένες σελίδες τους Προϋποθέτουν ότι οι χρήστες γνωρίζουν εκ των προτέρων τα ενδιαφέροντά τους Συνεργατικό φιλτράρισμα (collaborative filtering) Βασίζεται σε γνώση σχετικά με το τι άρεσε και τι δεν άρεσε σε προηγούμενους χρήστες που θεωρούνται ως ένα βαθμό όμοιοι με το χρήστη που εξετάζουμε Η ομοιότητα υπολογίζεται με βάση κάποια προ-αποφασισμένη μετρική Απαιτεί από τους χρήστες να εισάγουν προσωπικές πληροφορίες σχετικά με τα ενδιαφέροντά τους, τις ανάγκες ή/και τις προτιμήσεις τους Observational personalization Στηρίζεται στη μελέτη της καταγεγραμμένης πλοηγικής συμπεριφοράς προηγούμενων χρηστών 11

12 Observational Personalization Εξατομίκευση που βασίζεται στην παρατήρηση της πλοηγητικής συμπεριφοράς του χρήστη Στηρίζεται στη μελέτη της καταγεγραμμένης πλοηγικής συμπεριφοράς προηγούμενων χρηστών με σκοπό να εντοπιστούν στοιχεία που κα καθορίσουν το πώς κα πρέπει να εξατομικευτούν οι πληροφορίες, οι υπηρεσίες ή τα προϊόντα που προσφέρει μια web εφαρμογή Χρησιμοποιεί τεχνικές από το χώρο του web usage mining: Εφαρμογή μεθόδων στατιστικής και data mining σε δεδομένα web log, ώστε να προκύψει ένα σύνολο χρήσιμων μοτίβων (patterns) που αναπαριστούν την πλοηγητική συμπεριφορά των χρηστών 12

13 Λίγα λόγια για το web mining Το web mining ορίζεται ως «η χρήση τεχνικών ανάκτησης δεδομένων (data mining) για την ανακάλυψη και εξαγωγή πληροφοριών από έγγραφα και υπηρεσίες Ιστού». Διακρίνεται, με βάση το κομμάτι του Ιστού που εξετάζει, σε: web content mining - ανάκτηση πληροφοριών από δεδομένα περιεχομένου Ιστού web structure mining - ανάκτηση πληροφοριών από δεδομένα δόμησης Ιστού web usage mining - ανάκτηση πληροφοριών από δεδομένα χρήσης Ιστού 13

14 Οι 4 Λειτουργίες της Εξατομίκευσης 1. Απομνημόνευση (memorization) 2. Καθοδήγηση (guidance) 3. Παραμετροποίηση (customization) 4. Υποστήριξη διεκπεραίωσης εργασιών (task performance support) 14

15 1. Απομνημόνευση (memorization) Καταγράφει και αποθηκεύει πληροφορίες για το χρήστη και τις χρησιμοποιεί για να ανακαλέσει τη συμπεριφορά του: Χαιρετισμός χρήστη Bookmarking Εξατομικευμένα δικαιώματα πρόσβασης 15

16 2. Καθοδήγηση (guidance) Βοηθά το χρήστη να εντοπίσει γρήγορα την πληροφορία που χρειάζεται και του παρέχει εναλλακτικές επιλογές πλοήγησης: Σύσταση συνδέσμων Εκπαίδευση χρήστη 16

17 3. Παραμετροποίηση (customization) Παρέχει παραλλαγές μιας ιστοσελίδας (από άποψη περιεχομένου, δομής και εμφάνισης), ώστε να ανταποκρίνεται στις γνώσεις, τις προτιμήσεις και τα ενδιαφέροντα κάθε χρήστη: Εξατομικευμένη διάρθρωση (layout) Προσαρμογή περιεχομένου ή συνδέσμων Εξατομικευμένο σχήμα τιμολόγησης Εξατομικευμένη διαφοροποίηση προϊόντων 17

18 4. Υποστήριξη διεκπεραίωσης εργασιών (task performance support) Εκτέλεση μιας σειράς πράξεων από το σύστημα για λογαριασμό του χρήστη: Εκπροσωπεί το χρήστη σε online δημοπρασίες Συμπληρώνει / βελτιώνει τις ερωτήσεις που υποβάλει ο χρήστης σε μια μηχανή αναζήτησης 18

19 Τα βήματα της διαδικασίας εξατομίκευσης 1. Απόκτηση/Συλλογή Δεδομένων Πληροφορίες για τα χαρακτηριστικά των χρηστών, τη συμπεριφορά χρήσης καθώς και το περιβάλλον χρήσης, είτε παρακολουθώντας τη χρήση, είτε από εξωτερικές πηγές Κατασκευάζονται τα αρχικά μοντέλα ή προφίλ για το χρήστη, τη χρήση και/ή το περιβάλλον χρήσης (user model, usage model, environment model) 2. Ανάλυση Δεδομένων Αναπαριστά το μοντέλο χρήστη και χρήσης με κάποιο πρότυπο τρόπο, ώστε να είναι κατάλληλα για περαιτέρω επεξεργασία Επεξεργάζεται το σύνολο των διαθέσιμων δεδομένων με σκοπό να καταλήξει σε παραγωγή προσαρμογών 3. Παραγωγή Προσαρμογών Προσαρμόζει το περιεχόμενο, την παρουσίαση ή τη δομή της εφαρμογής 19

20 Βήμα 1. Απόκτηση/Συλλογή Δεδομένων Δεδομένα για το χρήστη Δημογραφικά δεδομένα Όνομα, διεύθυνση, τηλέφωνο, ΤΚ, πόλη, χώρα, Ηλικία, μόρφωση, εισόδημα. Η πλειοψηφία των e-shops σήμερα λειτουργούν με βάση αυτά τα δεδομένα σε συνδυασμό με purchase data Γνώσεις του χρήστη (user knowledge) Γνώσεις ή/και απόψεις κάθε χρήστη ( knowing what ) Δεξιότητες του χρήστη (user skills and capabilities) Ενέργειες και διαδικασίες που ο χρήστης γνωρίζει να διεκπεραιώνει ( knowing how ) Φυσικές ανικανότητες και περιορισμοί (handicapped) Ενδιαφέροντα και προτιμήσεις Στόχοι και σχέδια του χρήστη (οι online αγορές είναι κατ εξοχή goaldirected tasks) 20

21 Βήμα 1. Απόκτηση/Συλλογή Δεδομένων Δεδομένα για τη χρήση Παρατηρούμενη χρήση Πράξεις επιλογής (ως ενδείξεις των ενδιαφερόντων, των προτιμήσεων, της μη οικειότητας με κάποιους τεχνικούς όρους, κλπ.) Βαθμολογήσεις Αγορές και σχετικές πράξεις Ενδείξεις των προτιμήσεων και του ενδιαφέροντος των χρηστών Τοποθέτηση προϊόντων στο καλάθι χωρίς αγορά, απαντήσεις σε quiz, συμπλήρωση στοιχείων για παραλαβή ενημερωτικών φυλλαδίων και εντύπων, κλπ. Άλλες πράξεις επιβεβαίωσης και μη Το αν ο χρήστης προχωρά σε περαιτέρω επεξεργασία κάποιων σελίδων (προϊόντα, μαθήματα, άρθρα), όπως εκτύπωση, αποθήκευση, bookmarking, κλπ. 21

22 Βήμα 1. Απόκτηση/Συλλογή Δεδομένων Δεδομένα για το περιβάλλον Software environment Έκδοση browser και πλατφόρμα Plug-ins Java και JavaScript Hardware environment Διαθέσιμο εύρος ζώνης Ταχύτητα επεξεργασίας Συσκευές εξόδου (handheld PCs, κινητά τηλέφωνα) Συσκευές εισόδου (περιορισμένη είσοδος κειμένου σε WAP, αλληλεπίδραση μέσω προφορικών εντολών) Locale (Τόπος) Τρέχουσα θέση του χρήστη (χώρα, πόλη, κλπ.) Χαρακτηριστικά του χώρου χρήσης (επίπεδα θορύβου, φωτεινότητα, αντικείμενα στο άμεσο περιβάλλον του χρήστη) 22

23 Βήμα 1. Απόκτηση/Συλλογή Δεδομένων Τεχνικές συλλογής δεδομένων Explicit profiling Ο χρήστης καλείται να δηλώσει ρητά πληροφορίες για τον ίδιο και τις ανάγκες / προτιμήσεις του (π.χ. να συμπληρώσει κάποιο ερωτηματολόγιο) Το πλεονέκτημα αυτής της μεθόδου είναι ότι αφήνει τους χρήστες να υπαγορεύσουν μόνοι τους τί τους ενδιαφέρει Implicit profiling Καταγράφεται η συμπεριφορά του επισκέπτη (διαφανής διαδικασία) Συνήθως αυτό που καταγράφεται και αναλύεται είναι το browsing pattern (cookies) και το buying pattern (site database) Clickstream Legacy data Πιστωτικές πληροφορίες (στοιχεία κίνησης πιστωτικών καρτών) ή προηγούμενες αγορές Για παλιότερους πελάτες τα legacy data αποτελούν την πιο πλούσια (και αξιόπιστη) πηγή πληροφοριών για την κατασκευή προφίλ 23

24 Βήμα 2. Ανάλυση Δεδομένων Τεχνικές Ανάλυσης Δεδομένων ΣΤΟΧΟΣ (με δεδομένο το προφίλ): Να αποσταλούν ή να προταθούν έγγραφα (ιστοσελίδες με κατάλληλο περιεχόμενο), αγορές ή ενέργειες στο χρήστη. 1. Τεχνικές φιλτραρίσματος (Filtering techniques) α) Απλό φιλτράρισμα (Simple filtering) β) Φιλτράρισμα βασισμένο στο περιεχόμενο (Content-based filtering) γ) Συνεργατικό φιλτράρισμα (Collaborative filtering) 2. Τεχνικές βασισμένες σε κανόνες (Rule-based techniques) 3. Web usage mining 24

25 Βήμα 2. Ανάλυση Δεδομένων Τεχνικές φιλτραρίσματος α) Απλό φιλτράρισμα (Simple filtering) Στηρίζεται στην κατηγοριοποίηση των χρηστών σε προκαθορισμένες ομάδες (ή κλάσεις) και στη συνέχεια στην αποστολή κατάλληλων σελίδων στους χρήστες κάθε κατηγορίας π.χ. έκπτωση σε «καλούς» πελάτες β) Φιλτράρισμα βασισμένο στο περιεχόμενο (Content-based filtering) Βασίζεται στις προσωπικές προτιμήσεις των χρηστών. Το σύστημα παρακολουθεί και καταγράφει τη συμπεριφορά κάθε χρήστη και του προτείνει προϊόντα (ή πληροφορίες) που μοιάζουν με προϊόντα που επέλεξε (τον ενδιέφεραν) στο παρελθόν. γ) Συνεργατικό φιλτράρισμα (Collaborative filtering) Οι χρήστες βαθμολογούν προϊόντα ή αποκαλύπτουν τις προτιμήσεις και τα ενδιαφέροντά τους. Το σύστημα τους προτείνει προϊόντα που προβλέπει ότι θα τους ενδιαφέρουν θεωρώντας ότι χρήστες με παρόμοια συμπεριφορά έχουν παρόμοιες προτιμήσεις 25

26 Βήμα 2. Ανάλυση Δεδομένων Παράδειγμα content-based filtering Οι ταινίες αξιολογούνται (από το κατάστημα ή από ειδικούς) ως προς τα βασικά χαρακτηριστικά που μπορεί να έχουν σε κλίμακα 0 (δεν διαθέτει το συγκεκριμένο χαρακτηριστικό) έως 10 (διαθέτει το συγκεκριμένο χαρακτηριστικό σε πολύ υψηλό βαθμό): Δράση Δράμα Χιούμορ Βία Αγωνία Η σιωπή των αμνών Seven Το ακρωτήρι του φόβου Casablanca Waterboy L.A. Εμπιστευτικό West Side Story

27 Βήμα 2. Ανάλυση Δεδομένων Παράδειγμα content-based filtering Χρησιμοποιώντας την έννοια της Ευκλείδειας απόστασης, αναλύουμε τις τιμές των χαρακτηριστικών, ώστε για κάθε ταινία να καθορίσουμε ποιες από τις υπόλοιπες ταινίες έχουν μικρότερη απόσταση και θα μπορούσαν να προταθούν στον χρήστη. Ευκλείδεια απόσταση των Χ(x1, x2,, xn) και Υ(y1, y2,, yn): Παίρνοντας ως βάση την ταινία «Σιωπή των αμνών», οι αποστάσεις από τις άλλες ταινίες είναι: Seven Το ακρωτήρι του φόβου Casablanca Waterboy L.A. Εμπιστευτικό West Side Story Η σιωπή των αμνών - Απόσταση: Η πιο κοντινή ταινία στη «Σιωπή των αμνών» (δηλαδή αυτή με τη μικρότερη Ευκλείδεια απόσταση) είναι το «Ακρωτήρι του φόβου» και στη συνέχεια το «Seven». Αυτές οι δύο ταινίες θα μπορούσαν να προταθούν σε πελάτη που έχει αγοράσει τη «Σιωπή των αμνών» και έχει μείνει ικανοποιημένος από αυτή. 27

28 Βήμα 2. Ανάλυση Δεδομένων Παράδειγμα collaborative filtering Συλλέγονται (άμεσα ή έμμεσα) οι απόψεις των χρηστών (σε κλίμακα 1 - δεν άρεσε έως 7 - άρεσε πολύ), με σκοπό τη δημιουργία ομάδων (clusters) χρηστών με κοινά ενδιαφέροντα. Στον παρακάτω πίνακα φαίνονται οι αξιολογήσεις των χρηστών για ταινίες που έχουν δει: West Side Story L.A. Εμπιστευτικό Waterboy Casablanca Το ακρωτήρι του φόβου Seven Σιωπή των αμνών Πέννυ Μάριος Γιάννης Κώστας Ελένη Σπύρος Μαρία

29 Βήμα 2. Ανάλυση Δεδομένων Παράδειγμα collaborative filtering Με τη λογική ότι «παρόμοιοι άνθρωποι (αν μπορεί να λεχθεί κάτι τέτοιο) προτιμούν παρόμοια προϊόντα», για να προτείνουμε κάποιο προϊόν σε κάποιον χρήστη υπολογίζουμε την Ευκλείδεια απόστασή του από τους άλλους και επιλέγουμε «κοντινούς» χρήστες (με μικρή Ευκλείδεια απόσταση). Επειδή το πλήθος των προϊόντων που έχουν αξιολογηθεί από τους χρήστες δεν είναι ίδιο, η Ευκλείδεια απόσταση μεταξύ δύο χρηστών διαιρείται με το πλήθος των προϊόντων που έχουν αξιολογήσει και οι δύο. Στο συγκεκριμένο παράδειγμα, η Ευκλείδεια απόσταση μεταξύ της Πέννυς και του Μάριου θα διαιρεθεί διά 3, μεταξύ της Πέννυς και του Γιάννη διά 1 κ.ο.κ. Αν θέλουμε να κάνουμε πρόταση στην Πέννυ, υπολογίζουμε την Ευκλείδεια απόστασή της από τους άλλους χρήστες που φαίνεται στον ακόλουθο πίνακα. Μάριος Γιάννης Κώστας Ελένη Σπύρος Μαρία Αποστάσεις Πέννυς: Οι πιο κοντινοί χρήστες στην Πέννυ είναι ο Μάριος και στη συνέχεια ο Κώστας. Το σύστημα θα προτείνει στην Πέννυ ταινίες που έχουν αξιολογηθεί θετικά από τους χρήστες αυτούς και που δεν τις έχει αγοράσει. Μια τέτοια ταινία είναι το «Waterboy». 29

30 Βήμα 2. Ανάλυση Δεδομένων Τεχνικές ανάλυσης δεδομένων 2) Τεχνικές βασισμένες σε κανόνες (Rule-based techniques) Οι χρήστες απαντούν σε ένα σύνολο ερωτήσεων: Οι ερωτήσεις προκύπτουν από ένα δέντρο αποφάσεων (decision tree) Αφού ο χρήστης ολοκληρώσει όλες τις απαντήσεις, αυτό που τελικά του επιστρέφει το σύστημα (όπως π.χ. μια λίστα προϊόντων) είναι προσαρμοσμένο στις δικές του ανάγκες Οπτικό περιβάλλον που χρησιμοποιούν οι αναλυτές ή οι επιχειρηματίες για να καθορίσουν τους επιχειρηματικούς κανόνες Cross-selling / up-selling 3) Web usage mining Βασίζεται στην εφαρμογή μεθόδων στατιστικής και data mining σε δεδομένα web log, ώστε να καταλήξει σε ένα σύνολο χρήσιμων μοτίβων (patterns) που αναπαριστούν την πλοηγητική συμπεριφορά των χρηστών. 30

31 Βήμα 2. Ανάλυση Δεδομένων Σύγκριση τεχνικών ανάλυσης Το content-based filtering είναι κατάλληλο για τις περιπτώσεις που: τα προϊόντα μπορούν εύκολα να αναλυθούν από ένα υπολογιστικό σύστημα η επιλογή (ή η αξιολόγηση) ενός προϊόντος δεν επηρεάζεται σημαντικά από υποκειμενικούς παράγοντες Το collaborative filtering απαιτεί μια μεγάλη βάση πελατών ώστε να είναι δυνατό να εντοπιστεί για κάθε χρήστη μια ομάδα ομοϊδεατών Όσο ο αριθμός των χρηστών είναι μικρός, η ποιότητα και η ακρίβεια των υπολογισμών είναι χαμηλή (cold-start) Κάθε φορά που εισάγεται ένα νέο προϊόν για το οποίο όπως είναι φυσικό δεν υπάρχουν βαθμολογήσεις από χρήστες, είναι δύσκολο να προταθεί Το collaborative filtering αντιμετωπίζει θέμα υποκειμενικότητας (προκαταλήψεις χρηστών) H νέα γενιά εργαλείων εξατομίκευσης εφαρμόζει τεχνικές ανακάλυψης μοτίβων (pattern discovery) σε δεδομένα χρήσης web (web usage data) και ήδη πειραματίζεται με την εξαγωγή έμμεσων αξιολογήσεων στις οποίες στηρίζεται η ανάλυση για τον υπολογισμό των εξατομικευμένων συστάσεων 31

32 Βήμα 3. Παραγωγή Προσαρμογών Παραγωγή προσαρμογών (Adaptation production) Τύποι προσαρμογών που μπορούν να εφαρμοστούν σε έναν συγκεκριμένο χρήστη, ώστε να αντιστοιχούν στα μοντέλα χρήστη, χρήσης και περιβάλλοντος (δηλ. στο προφίλ του): Προσαρμογή του περιεχομένου (content) π.χ. παραλλαγές σελίδων (συγγραφή διαφορετικών σελίδων για κάθε χρήστη/ομάδα χρηστών) Προσαρμογή της παρουσίασης (presentation): Το περιεχόμενο παραμένει αμετάβλητο αλλά αλλάζει ο τρόπος παρουσίασης και μορφοποίησης Αντί κείμενο εικόνες, αντί κείμενο ήχος, αντί βίντεο εικόνες, κλπ. Προσαρμογή της δομής (structure): Προσαρμογές στη δόμηση των συνδέσμων π.χ. Adaptive Link Sorting: Με βάση το κατά πόσο ταιριάζουν στο προφίλ του χρήστη (π.χ. recommendations) ή με βάση τη συχνότητα χρήσης 32