Π Θ Τ Μ Η/Υ, Τ Δ. Μελέτη, ανάλυση και αξιολόγηση ενός συστήματος πληροφοριακών συστάσεων, που χρησιμοποιεί ετικέτες
|
|
- Ισοκράτης Αλεβίζος
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Π Θ Τ Μ Η/Υ, Τ Δ Μελέτη, ανάλυση και αξιολόγηση ενός συστήματος πληροφοριακών συστάσεων, που χρησιμοποιεί ετικέτες Μ Δ του ΣΤΕΦΑΝΟΥ Α. ΚΟΝΤΟΒΑ Επιβλέποντες : Εμμανουήλ Β Καθηγητής Τ.Μ.Η/Υ.Τ.Δ Παναγιώτης Μ Αναπληρωτής Καθηγητής Τ.Μ.Η/Υ.Τ.Δ Χρήστος Α Επίκουρος Καθηγητής Τ.Μ.Η/Υ.Τ.Δ 17 Ιουλίου 2012
2
3 Π Θ Τ Μ Η/Υ, Τ Δ Μελέτη και ανάλυση/αξιολόγηση ενός συστήματος πληροφοριακών συστάσεων, που χρησιμοποιεί ετικέτες Μ Δ του ΣΤΕΦΑΝΟΥ Α. ΚΟΝΤΟΒΑ Επιβλέπων : Εμμανουήλ Β Καθηγητής Τ.Μ.Η/Υ.Τ.Δ (Υπογραφή) (Υπογραφή) (Υπογραφή) Εμμανουήλ Βάβαλης Παναγιώτης Μποζάνης Χρήστος Αντωνόπουλος Καθηγητής Αναπληρωτής Καθηγητής Επίκουρος Καθηγητής 17 Ιουλίου 2012
4 Copyright All rights reserved Στέφανος Κοντοβάς, 2012 Με επιφύλαξη παντός δικαιώματος. Απαγορεύεται η αντιγραφή, αποθήκευση και διανομή της παρούσας εργασίας, εξ ολοκλήρου ή τμήματος αυτής, για εμπορικό σκοπό. Επιτρέπεται η ανατύπωση, αποθήκευση και διανομή για σκοπό μη κερδοσκοπικό, εκπαιδευτικής ή ερευνητικής φύσης, υπό την προϋπόθεση να αναφέρεται η πηγή προέλευσης και να διατηρείται το παρόν μήνυμα. Ερωτήματα που αφορούν τη χρήση της εργασίας για κερδοσκοπικό σκοπό πρέπει να απευθύνονται προς τον συγγραφέα.
5 Περίληψη Η παρούσα διπλωματική εργασία εξετάζει τη λειτουργία των συστημάτων συστάσεων (recommender systems) και εστιάζει στη χρήση ετικετών (tags) από αυτά. Γίνεται αναφορά στις εφαρμογές των συστημάτων συστάσεων και παρουσιάζονται οι βασικές αρχές της διήθησης της πληροφορίας (information filtering) που τα διέπουν. Εξηγείται ο ρόλος των ετικετών ως μεταδεδομένο και η χρησιμότητά τους στο Web2.0. Τέλος, με βάση δεδομένα από την υπηρεσία του BibSonomy, παρουσιάζονται πειραματικά αποτελέσματα και συγκρίνεται η ακρίβεια πρόβλεψης των κυριότερων αλγορίθμων, με αλλά και χωρίς τη χρήση ετικετών. Λέξεις κλειδιά: συστήματα συστάσεων, διήθηση πληροφορίας, ετικέτες, BibSonomy iii
6
7 Ευχαριστίες Κατ αρχήν θα ήθελα να ευχαριστήσω τους καθηγητές μου κ.κ Βάβαλη Εμμανουήλ και Νανά Νικόλαο, οι οποίοι πρότειναν το θέμα της διπλωματικής μου εργασίας και προσέφεραν πολύτιμη βοήθεια και καθοδήγηση όλους αυτούς τους μήνες, μέχρι την ολοκλήρωσή της. Οφείλω, επίσης, ένα ευχαριστώ στο κύριο Γιάννη Γιάκα, ο οποίος μας παραχώρησε τον server του εργαστηρίου του για την εκτέλεση των πειραμάτων. Τέλος, πρέπει να ευχαριστήσω τον κ. Χρήστο Αντωνόπουλο και την κ. Βάνα Ντουφεξή για τη καθοριστικότατη συμβολή τους στη βελτιστοποίηση της λειτουργικότητας και της απόδοσης του κώδικα που χρησιμοποιήθηκε στα πειράματα. v
8
9 Περιεχόμενα Σχήματα ix 1 Εισαγωγή Συστήματα συστάσεων Φιλτράρισμα Πληροφορίας (Information Filtering) Collaborative Content - based Υβριδικό ΦΠ Δομές δεδομένων Μετρικές Σύγκρισης Ετικέτες (tags) Ορισμός Ιστορική Αναδρομή Folksonomies Σχετικές Μελέτες Πειράματα Σύνολα Δεδομένων Στατιστική ανάλυση δεδομένων Μεθοδολογία Μέθοδος Αξιολόγησης Πειραματικά Αποτελέσματα User-based filtering Item-based filtering Επικάλυψη ετικετών Συζήτηση των αποτελεσμάτων Σύνοψη και μελλοντικές εργασίες 26 Βιβλιογραφία 29 vii
10 viii ΠΕΡΙΕΧΟΜΕΝΑ
11 Κατάλογος σχημάτων 2.1 Συνεργατικό Φιλτράρισμα πληροφορίας Προσαρμοστικό Content-Based Φιλτράρισμα εγγράφων Αναπαράσταση των συνδέσεων του συνόλου των δεδομένων σε τρισδιάστατο πίνακα Χρήση ετικετών στο Flickr Ένα tag cloud από ετικέτες που σχετίζονται με το Web Ταξινόμηση ετικετών σε tag cloud Δείγμα των εγγραφών στο αρχείο tas Δείγμα των εγγραφών στο αρχείο bookmark Κατανομή των σελιδοδεικτών ως προς τους χρήστες Φιλτράρισμα με βάση τους χρήστες της folksonomy Φιλτράρισμα με βάση τα αντικείμενα της folksonomy Φιλτράρισμα με βάση την επικάλυψη των ετικετών των χρηστών Φιλτράρισμα με βάση την επικάλυψη των ετικετών των αντικειμένων Σύγκριση των αποτελεσμάτων όλων των πειραμάτων ix
12 ...στους γονείς μου
13
14
15 1 Εισαγωγή Το Διαδίκτυο (Internet) κατακλύζεται καθημερινά από πληθώρα πληροφοριών. Πληροφορίες προέρχονται από ειδησεογραφικές ιστοσελίδες, άρθρα σε blogs, πολυμέσα (μουσική, φωτογραφίες, βίντεο), ακαδημαϊκά άρθρα, s, RSS 1. Εάν προσθέσουμε σε αυτά πληροφορίες που προέρχονται από κοινωνικά δίκτυα (twitter, facebook, pinterest) τότε αντιλαμβανόμαστε πως ένας χρήστης έρχεται σε επαφή με ένα μεγάλο όγκο πληροφοριών καθημερινά. Ποιες όμως από αυτές τις πληροφορίες ενδιαφέρουν πραγματικά τον χρήστη και ποιες μπορούν να αποδειχθούν χρήσιμες; Συνήθως, ένα μικρό ποσοστό των πληροφοριών, με αποδέκτη το χρήστη, χαρακτηρίζονται ως ενδιαφέρουσες από τον ίδιο. Αυτή η δυσκολία να εντοπίσουμε τη χρήσιμη πληροφορία είναι ένα επακόλουθο της υπερ-πληροφόρησης (info-overload) και του info pollution. Η υπερπληροφόρηση αναφέρεται στη δυσκολία κατανόησης ενός ζητήματος και λήψης αποφάσεων, που προκαλείται από την παρουσία πολλών πληροφοριών 2. Αντιστοίχως, ως info-pollution ορίζεται η μόλυνση της παροχής (πηγής) πληροφοριών με άσχετες, περιττές, αυτόκλητες και χαμηλής αξίας πληροφορίες 3. Δημιουργείται, συνεπώς, η ανάγκη για διαχωρισμό της χρήσιμης - ενδιαφέρουσας, σύμφωνα με το χρήστη, πληροφορίας από το σύνολο των διαθέσιμων πληροφοριών. Γίνεται αντιληπτό, πως για να εντοπίσει ο χρήστης χειροκίνητα πληροφορίες που σχετίζονται με κάποιο ενδιαφέρον του, απαιτείται τις περισσότερες φορές επίπονη και χρονοβόρα διαδικασία. Γι αυτό το λόγο, έχουν αναπτυχθεί συστήματα συστάσεων (recommender systems), τα οποία φροντίζουν να εξετάσουν τα διαθέσιμα δεδομένα και να παρουσιάσουν - προ- 1 Really Simple Syndication: μέθοδος ανταλλαγής πληροφοριακού περιεχομένου, στηριγμένη στην πρότυπη γλώσσα σήμανσης XML
16 Κεφάλαιο 1. Εισαγωγή τείνουν στο χρήστη, σχετικές με τα ενδιαφέροντά του, πληροφορίες. 1.1 Συστήματα συστάσεων Ο όρος σύστημα συστάσεων αναφέρεται σε ένα πληροφοριακό σύστημα που προσπαθεί να προβλέψει την προτίμηση ενός χρήστη για κάποιο αντικείμενο (π.χ μουσική, βιβλίο, ταινία), το οποίο δεν έχει λάβει υπόψιν του ή δε γνωρίζει ακόμα ο χρήστης. Οι προβλέψεις αυτές παράγονται από ένα υπολογιστικό μοντέλο, το οποίο κατασκευάζεται είτε από τα χαρακτηριστικά του αντικειμένου (content-based) είτε από το κοινωνικό περιβάλλον του χρήστη (collaborative). Μερικά παραδείγματα τέτοιων συστημάτων είναι: το Amazon.com, το οποίο προτείνει επιπλέον προϊόντα με βάση αυτό που επέλεξε ο χρήστης αλλά και με βάση τι άλλο αγόρασαν οι προηγούμενοι αγοραστές αυτού του προϊόντος. το Last.fm, το οποίο προτείνει στο χρήστη νέα τραγούδια παρατηρώντας τα τραγούδια που ακούει ο χρήστης και συγκρίνοντας τα ακούσματά του με αυτά άλλων χρηστών. το Netflix, το οποίο προτείνει στο χρήστη ταινίες βασιζόμενο στις προηγούμενες αξιολογήσεις του, στις προηγούμενες επιλογές του (σε σύγκριση με τους υπόλοιπους χρήστες), αλλά και στα χαρακτηριστικά της ταινίας (π.χ είδος, σκηνοθέτης). Τα συστήματα συστάσεων αποτελούν ένα υποσύνολο - υποκλάση των συστημάτων φιλτραρίσματος (διήθησης) πληροφορίας (information filtering). Αναπόφευκτα, λόγω της φύσης του προβλήματος το οποίο καλούνται να επιλύσουν, χρησιμοποιούν τεχνικές και ιδιότητες του information filtering, βασικά χαρακτηριστικά του οποίου αναφέρονται στο επόμενο κεφάλαιο. 3
17 2 Φιλτράρισμα Πληροφορίας (Information Filtering) Το Φιλτράρισμα της Πληροφορίας (ΦΠ) βασίζεται στη δημιουργία και διαχείριση, για κάθε χρήστη, ενός προφίλ (profile) το οποίο αναπαριστά τα ενδιαφέροντά του. Κάθε πληροφορία συγκρίνεται με το προφίλ του χρήστη. Αν κριθεί σχετική, τότε παρουσιάζεται στον χρήστη καταλλήλως συνήθως, δίνοντάς της προτεραιότητα. Ξεχωρίζουν κυρίως δύο κατηγορίες Φιλτραρίσματος της Πληροφορίας: το συνεργατικό φιλτράρισμα (collaborative) και το φιλτράρισμα βάσει περιεχομένου (content - based). Διαφέρουν στον τρόπο με τον οποίο η πληροφορία και το προφίλ του χρήστη αναπαρίστανται και συγκρίνονται. Τέλος, υπάρχει και μια τρίτη κατηγορία, το υβριδικό φιλτράρισμα (hybrid), η οποία συνδυάζει χαρακτηριστικά των προηγούμενων δυο κατηγοριών, προσπαθώντας να ενισχύσει την ακρίβεια των προβλέψεων. 2.1 Collaborative Η πληροφορία χαρακτηρίζεται από το πως την έχουν αξιολογήσει τα μέλη μιας κοινότητας. Σκοπός είναι να προταθούν στο χρήστη νέες πληροφορίες που πιθανόν τον ενδιαφέρουν. Αυτό επιτυγχάνεται με τη εύρεση ενός συνόλου χρηστών ( γείτονες ) που μοιράζονται τα ίδια ενδιαφέροντα με τον εν λόγω χρήστη. Από τη στιγμή που θα οριστεί αυτό το σύνολο, επιλέγονται να παρουσιαστούν στο χρήστη οι πληροφορίες οι οποίες έχουν αξιολογηθεί υψηλά από τα μέλη του παραπάνω συνόλου (Σχήμα 2.1). Με τον τρόπο αυτό, προτείνονται στο χρήστη, βάσει των αξιολογήσεων των γειτόνων του, αντικείμενα πληροφορίας τα οποία ο ίδιος δεν είχε προσπελάσει στο παρελθόν ή δε γνώριζε 4
18 Κεφάλαιο 2. Φιλτράρισμα Πληροφορίας (Information Filtering) καν την ύπαρξή τους. Το Collaborative Filtering δεν προϋποθέτει πρόσβαση σε αυτό καθ Σχήμα 2.1: Συνεργατικό Φιλτράρισμα πληροφορίας αυτό το περιεχόμενο της πληροφορίας και, συνεπώς, δεν περιορίζεται στην κειμενική (textual) πληροφορία. Ένα απλό παράδειγμα εφαρμογής του collaborative filtering είναι η εισήγηση στο χρήστη ταινιών, βιβλίων ή μουσικής, βάσει των προτιμήσεων των φίλων του [1]. 2.2 Content - based Η πληροφορία και το προφίλ του χρήστη αναπαρίστανται χρησιμοποιώντας στοιχεία από το περιεχόμενο της πληροφορίας. Λόγω της φύσης του χρησιμοποιείται, κυρίως, σε φιλτράρισμα κειμένων και εγγράφων, από τα οποία μπορούμε να εξάγουμε διακριτά στοιχεία - γνωρίσματα (features). Συνήθως, χρησιμοποιείται ένας κοινός διανυσματικός χώρος (vector space model) όπου τα προφίλ και τα κείμενα, που αναπαρίστανται ως δυαδικά ή σταθμισμένα διανύσματα, προβάλλονται στις ίδιες διαστάσεις 1. Αυτό επιτρέπει στη συνέχεια τη χρήση τριγωνομετρικών μεθόδων για την σύγκριση της πληροφορίας με το προφίλ του χρήστη (Σχήμα 2.2). Το διάνυσμα του προφίλ αποτελείται, συνήθως, από τις λέξεις που χαρακτηρίζουν τα ενδιαφέροντα του χρήστη, συνοδευόμενες από βάρη που δηλώνουν τη σημασία της κάθε λέξης στο προφίλ. 1 Το μέγεθος του διανυσματικού χώρου είναι ίσο με τον αριθμό των features που εξάγονται από το κείμενο των εγγράφων. 5
19 Κεφάλαιο 2. Φιλτράρισμα Πληροφορίας (Information Filtering) Σχήμα 2.2: Προσαρμοστικό Content-Based Φιλτράρισμα εγγράφων 2.3 Υβριδικό ΦΠ Τα τελευταία χρόνια το ενδιαφέρον των ερευνητών έχει επικεντρωθεί στην προσπάθεια τους να συνδυάσουν τεχνικές φιλτραρίσματος πληροφορίας με σκοπό να πετύχουν καλύτερες προβλέψεις αλλά και μεγαλύτερη προσαρμογή στα ενδιαφέροντα των χρηστών. Δημιουργήθηκε, λοιπόν, ένα νέο είδος διήθησης, το Υβριδικό (hybrid) ΦΠ. Τα περισσότερα συστήματα που έχουν αναπτυχθεί αφορούν συνδυασμούς collaborative και content - based φιλτραρίσματος [2]. Βασιζόμενοι στις προβλέψεις του συνεργατικού φιλτραρίσματος, χρησιμοποιούν δεδομένα από το περιεχόμενο της πληροφορίας για να ενισχύσουν την ακρίβειά τους [3]. Άλλα συστήματα χρησιμοποιούν κάποια μεταδεδομένα (metadata) όπως ετικέτες, κατηγορίες κ.α για επιτύχουν καλύτερη και αναλυτικότερη περιγραφή του προφίλ ενός χρήστη [4, 5]. Επίσης, υπάρχουν και υβριδικά συστήματα συστάσεων που συνδυάζουν το ΦΠ με τεχνικές νευρωνικών δικτύων αλλά και αλγόριθμων μηχανικής μάθησης [6]. Στα πλαίσια της παρούσης διπλωματικής εργασίας θα επικεντρωθούμε στο Υβριδικό ΦΠ με βάση τις ετικέτες καθώς παρουσιάζει ενδιαφέροντα χαρακτηριστικά και ιδιότητες. Μερικά από αυτά είναι: η αυξανόμενη χρήση τους στο διαδίκτυο ο δυναμικός τρόπος ομαδοποίησης και οργάνωσής τους, αλλά και το γεγονός ότι με τη χρήση ετικετών μπορούν να χαρακτηριστούν πληροφορίες στο διαδίκτυο ανεξάρτητα από τη μορφή τους (κείμενο, ήχος, εικόνα, βίντεο). Στις επόμενες ενότητες, παρουσιάζονται οι δομές δεδομένων και τα μέτρα σύγκρισης που θα χρησιμοποιηθούν σε αυτή την υβριδική υλοποίηση. 6
20 Κεφάλαιο 2. Φιλτράρισμα Πληροφορίας (Information Filtering) 2.4 Δομές δεδομένων Σχήμα 2.3: Αναπαράσταση των συνδέσεων του συνόλου των δεδομένων σε τρισδιάστατο πίνακα. Μία δομή δεδομένων που συγκεντρώνει όλες τις απαραίτητες πληροφορίες για την υλοποίηση κάποιας από τις παραπάνω τεχνικές φιλτραρίσματος, είναι αυτή ενός τρισδιάστατου πίνακα. Σε αυτόν τον πίνακα, στον πρώτο από τους άξονες αναπαριστώνται οι χρήστες(users) του συνόλου δεδομένων. Στο δεύτερο άξονα αναπαριστώνται τα urls / items που έχει αξιολογήσει (άμεσα ή έμμεσα) ο κάθε χρήστης και, τέλος, στον τρίτο άξονα υπάρχουν οι ετικέτες που έχει αναθέσει κάθε χρήστης στα items. Επομένως, είναι δυνατόν από αυτόν τον πίνακα να εξαχθούν επιμέρους υποπίνακες που να αναπαριστούν τις σχέσεις users-items, users-tags, items-tags. Συστήματα συστάσεων που εξετάζουν τις ομοιότητες και τις συσχετίσεις μεταξύ των χρηστών (user based), χρησιμοποιούν τον user-items πίνακα, ενώ αντιθέτως, συστήματα που εξετάζουν τις ομοιότητες των αντικειμένων (item based), κάνουν χρήση του πίνανκα items-users. Οι τιμές που περιέχονται στους πίνακες μπορούν να είναι βεβαρημένες ή να δηλώνουν τον αριθμό εμφανίσεων κάποιου στοιχείου ή απλώς δυαδικές. Στα πλαίσια της παρούσης εργασίας, όλοι οι υποπίνακες είναι δυαδικοί. Περιέχουν, δηλαδή, τιμές 1 ή 0 με τις οποίες δηλώνεται αντίστοιχα η ύπαρξη ή μη, σύνδεσης των δυο υπό εξέταση στοιχείων. Στο Σχήμα 2.3 παρατηρούμε πως ο δυαδικός πίνακας R που αναπαριστά τις σχέσεις usersitems μπορεί να παραχθεί με δύο τρόπους. Ο ένας είναι απευθείας από το γράφο που περιγράφει το σύνολο δεδομένων, και αναπαριστά τις συνδέσεις χρηστών - αντικειμένων. Ο δεύτερος είναι μέσω του τρισδιάστατου πίνακα D. Συνυπολογίζοντας τη διάσταση με τις ετικέτες, παίρνουμε τον πίνακα UI που περιέχει τον αριθμό των ετικετών για κάθε αντικείμενο του χρήστη. Μετατρέποντας σε δυαδικές τις τιμές του UI, παίρνουμε πάλι τον πίνακα R. 2.5 Μετρικές Σύγκρισης Σημαντική λειτουργία των συστημάτων συστάσεων και κατ επέκταση των αλγορίθμων φιλτραρίσματος πληροφορίας είναι ο εντοπισμός ομοιότητας μεταξύ χρηστών ή αντικειμένων. Η σύγκριση αυτή γίνεται μεταξύ των προφίλ τους, τα οποία αναπαριστώνται ως 7
21 Κεφάλαιο 2. Φιλτράρισμα Πληροφορίας (Information Filtering) διανύσματα. Το μέγεθος του διανυσματικού χώρου ορίζεται από τον αριθμό των χρηστών, αντικειμένων ή ετικετών που υπάρχουν. Όπως γίνεται αντιληπτό, τα μεγέθη αυτά ισούνται από τις διαστάσεις του τρισδιάστατου πίνακα που περιγράψαμε στην προηγούμενη υποενότητα. Για τη σύγκριση δύο διανυσμάτων οι πιο δημοφιλείς μέθοδοι σύγκρισης είναι: το εσωτερικό γινόμενο : P, D = το συνημίτονο της μεταξύ τους γωνίας : N p i d i (2.1) i=1 cos (θ) = P D P D (2.2) και ο συντελεστής ομοιότητας Jaccard: sim Jaccard (P, D) = P D P D (2.3) όπου: P, D 2 είναι ισομεγέθη διανύσματα με δυαδικές ή βεβαρημένες τιμές Στις επόμενες ενότητες ακολουθεί μία γενική αναφορά στη χρήση ετικετών στο διαδίκτυο και τη σημασία τους και στη συνέχεια θα εστιάσουμε σε εφαρμογές και υλοποιήσεις που τις ενσωματώνουν στη λειτουργιά τους. 2 P = profile, D = document/item 8
22
23 3 Ετικέτες (tags) 3.1 Ορισμός Η ετικέτα, όταν αναφερόμαστε σε πληροφοριακά συστήματα, είναι ένας όρος ή μια λέξη-κλειδί η οποία αποδίδεται σε κάποιο αντικείμενο πληροφορίας. Αποτελεί ένα είδος μεταδεδομένου (metadata) που βοηθά στην περιγραφή ενός στοιχείου και διευκολύνει τον εντοπισμό του μέσα από εφαρμογές περιήγησης ή αναζήτησης. Οι ετικέτες δεν είναι απαραιτήτως κάποιες προκαθορισμένες λέξεις, αλλά συνήθως επιλέγονται προσωπικά είτε από το δημιουργό-πομπό είτε τον αποδέκτη της πληροφορίας, αναλόγως με τις δυνατότητες που προσφέρει το εκάστοτε πληροφοριακό σύστημα. 3.2 Ιστορική Αναδρομή Η χρήση των ετικετών βρήκε πρόσφορο έδαφος με την ανάπτυξη του Web2.0 και αποτέλεσε σημαντικό χαρακτηριστικό των υπηρεσιών του. Το 2003, η ιστοσελίδα κοινωνικής διαχείρισης σελιδοδεικτών Delicious παρείχε στους χρήστες της τη δυνατότητα να προσθέσουν ετικέτες στους σελιδοδείκτες τους, ώστε να μπορούν να τους αναζητήσουν εύκολα αργότερα. Παρείχε, επίσης, τη δυνατότητα να παρουσιάζονται συγκεντρωμένοι οι σελιδοδείκτες, όλων των χρηστών, που περιείχαν μία συγκεκριμένη ετικέτα. Το Flickr, με τη σειρά του, επιτρέπει στους χρήστες να προσθέσουν ετικέτες δικής τους επιλογής (Σχήμα 3.1), δημιουργώντας ευέλικτα μεταδεδομένα τα οποία καθιστούν ευκολότερη την αναζήτηση μεταξύ των εικόνων. Η επιτυχία του Flickr αλλά και η επιρροή του Delicious διέδωσαν την ιδέα, με αποτέλεσμα και άλλες ιστοσελίδες κοινωνικών υπηρεσιών - όπως YouTube, Last.fm, BibSonomy αλλά και Blogger, να ενσωματώσουν στο 10
24 Κεφάλαιο 3. Ετικέτες (tags) Σχήμα 3.1: Χρήση ετικετών στο Flickr σύστημά τους ετικέτες. Όπως μπορεί να παρατηρήσει κάποιος, οι ιστοσελίδες που αναφέρονται στην προηγούμενη παράγραφο προσφέρουν διαφορετικές, η καθεμία, υπηρεσίες και διαχειρίζονται διαφορετικής μορφής πληροφορίες. Όλες όμως χρησιμοποιούν τις ετικέτες με παρόμοιο τρόπο. Αυτό είναι και ένα ισχυρό χαρακτηριστικό του μηχανισμού των ετικετών. Μπορούν να προστεθούν σε οποιοδήποτε είδος πληροφορίας (άρθρα, φωτογραφίες, μουσική, βίντεο) και να βοηθήσουν στην περιγραφή και την κατηγοριοποίησή της. 3.3 Folksonomies Συνεργατικά συστήματα ετικετών, όπως αυτά που προαναφέρθηκαν, είναι γνωστά ως folksonomies. Ο όρος folksonomy, επινόηση του Thomas Vander Wal [7], αποτελεί μία συνένωση των λέξεων folks ( ομάδα ατόμων, σε ελεύθερη μετάφραση) και taxonomy ( ταξονομία ). Σε αυτά τα συστήματα οι ετικέτες βοηθούν τους χρήστες να κατηγοριοποιήσουν και να αναζητήσουν πληροφορίες. Σε πολλά από αυτά χρησιμοποιούνται tag clouds για Σχήμα 3.2: Ένα tag cloud από ετικέτες που σχετίζονται με το Web 2.0 την απεικόνιση των ετικετών που περιέχονται σε μια folksonomy (Σχήμα 3.2). Στο tag cloud κάθε ετικέτα αναπαριστάται με μέγεθος γραμματοσειράς ανάλογο με τη σπουδαιότητα και τη συχνότητα εμφάνισής της στη folksonomy. Επιπροσθέτως, είναι σύνηθες οι ετικέτες σε κάθε tag cloud να ταξινομούνται 11
25 Κεφάλαιο 3. Ετικέτες (tags) (αʹ) Βάσει δημοτικότητας (βʹ) Αλφαβητικά Σχήμα 3.3: Ταξινόμηση ετικετών σε tag cloud βάσει της δημοτικότητάς τους ή αλφαβητικά (Σχήμα 3.3)[8]. Ενδιαφέρον έχει μια εμπειρική ανάλυση της δυναμικής των συστημάτων σήμανσης [9], που δημοσιεύθηκε το 2007, και έδειξε ότι εμφανίζεται μία σύμπνοια και μία σταθερή κατανομή στις λέξεις που χρησιμοποιούνται ως ετικέτες, ακόμη και εν απουσία ενός, κεντρικά, ελεγχόμενου λεξιλογίου. Η αιτία αυτής της σύμπνοιας είναι το, εκ των πραγμάτων, κοινό λεξιλόγιο που χρησιμοποιείται από τα μέλη μιας folksonomy για να περιγραφούν έννοιες αλλά και τομείς ενδιαφέροντος. Παρόλο που υπήρχε η αντίληψη ότι τα σύνολα των λέξεων που θα χρησιμοποιούνταν ως ετικέτες, έπρεπε να είναι προκαθορισμένα, για να είναι το περιεχόμενο της πληροφορίας κατηγοριοποιημένο και ευκόλως αναζητήσιμο, πρόσφατη έρευνα έδειξε πως σε μεγάλες folksonomies, δημιουργούνται, αυθόρμητα, κοινές μορφές κατηγοριοποιήσεων [10]. Ως εκ τούτου, είναι δυνατόν να αναπτυχθούν μαθηματικά μοντέλα που επιτρέπουν τη μετάφραση ενός προσωπικού λεξιλογίου ετικετών (personomies) σε ένα λεξιλόγιο που διαμοιράζονται περισσότεροι χρήστες. 3.4 Σχετικές Μελέτες Λόγω της αυξανόμενης ενσωμάτωσης των ετικετών σε διαδικτυακές εφαρμογές και κοινωνικά δίκτυα, υπάρχει έντονο ενδιαφέρον και έχουν γίνει αρκετές μελέτες από ομάδες 12
26 Κεφάλαιο 3. Ετικέτες (tags) ερευνητών. Για τους σκοπούς της εργασίας μας, εστιάσαμε σε μελέτες που χρησιμοποιούν τις ετικέτες σε συνδυασμό με συστήματα συστάσεων. Στις επόμενες παραγράφους αναφέρουμε τις πιο αντιπροσωπευτικές. Οι Tso-Sutter et al.[2] κάνουν ένα συνδυασμό των αποτελεσμάτων του user-based και item-based φιλτραρίσματος και, επιπροσθέτως, εκμεταλλεύονται την πληροφορία των ετικετών. Κατά την εκτέλεση του user-based φιλτραρίσματος οι ετικέτες λογίζονται ως επιπλέον αντικείμενα, ενώ στο item-based ως επιπλέον χρήστες. Υπολογίζουν τις εν δυνάμει συστάσεις και με τους δύο τρόπους και έπειτα αθροίζουν τα αποτελέσματα, χρησιμοποιώντας μια παράμετρο λ, και παράγουν τις τελικές συστάσεις. Στο [5] οι συγγραφείς, αρχικά, ομαδοποιούν τις ετικέτες από ένα σύνολο αντικειμένων και τις κατατάσσουν σε topics. Στη συνέχεια, αντιστοιχούν τα υπό εξέταση αντικείμενα σε αυτά τα topics, σύμφωνα με τις ετικέτες που τους έχει αναθέσει ο χρήστης. Ανάλογα με τα topics στα οποία ενδιαφέρεται ο κάθε χρήστης, αναθέτουν και μεγαλύτερο βάρος στις ετικέτες που τα περιγράφουν. Ένας άλλος τομέας όπου εντοπίζονται μελέτες γύρω από ετικέτες, είναι αυτός της αυτόματης σύστασης ετικετών για αντικείμενα που πρωτοσυναντά ο χρήστης. Συνήθως οι εργασίες σε αυτόν τον τομέα χωρίζονται σε τρεις κατηγορίες: content-based, collaborative και graph-based. Οι συστάσεις ετικετών βασίζονται τόσο στην συμπεριφορά της folksonomy όσο και σε αυτή του χρήστη. Μία τέτοια μελέτη περιγράφεται στο [11] όπου οι ετικέτες, οι χρήστες και τα αντικείμενα αναπαριστώνται ως κόμβοι σε ένα γράφο και οι ακμές μεταξύ τους δείχνουν το βαθμό διασύνδεσης τους. Η σύσταση σχετικών ετικετών σε ένα νέο χρήστη ή αντικείμενο, προκύπτει εμμέσως από το γράφο, αναλύοντάς τον από την προοπτική του χρήστη ή του αντικειμένου αντίστοιχα. Οι Hotho et al. στο [12] παρουσιάζουν ένα τυπικό μοντέλο και έναν νέο αλγόριθμο αναζήτησης για folksonomies, τον FolkRank, ο οποίος προσπαθεί να εκμεταλλευτεί τη δομή της folksonomy. Το σύστημα κατάταξης του FolkRank έχει χρησιμοποιηθεί στη συγκεκριμένη δημοσίευση για τη δημιουργία εξατομικευμένης κατάταξης των αντικειμένων σε μια folksonomy, και για να συστήσει τους χρήστες, τις κατάλληλες ετικέτες. Ο αλγόριθμος αυτός εφαρμόζεται επίσης για να εντοπίσει μικρές κοινότητες εντός της folksonomy και χρησιμοποιείται για να δομήσει τα αποτελέσματα αναζήτησης. Στo [3] προτείνουν μια λύση στο πρόβλημα της σύστασης κατάλληλων ετικετών (κυρίως για έγγραφα), που περιλαμβάνει την ομαδοποίηση των υφιστάμενων εγγράφων με σκοπό τον εντοπισμό σύνολων με παρόμοια έγγραφα. Τα σύνολα αυτά, με τη σειρά τους, προσδιορίζουν το σύνολο των χρηστών των οποίων οι ετικέτες μπορούν να ανατεθούν στο τρέχον, υπό εξέταση, έγγραφο. Η λίστα με τις πιθανές ετικέτες που μπορεί να αναθέσει 13
27 Κεφάλαιο 3. Ετικέτες (tags) ένας συγκεκριμένος χρήστης στο έγγραφο προκύπτει από τις ετικέτες των παρεμφερών εγγράφων. Στη συνέχεια, για κάθε πιθανή ετικέτα, υπολογίζεται μία τιμή που αποτελείται από τον σταθμισμένο συνδυασμό της ομοιότητα κάθε εγγράφου στο οποίο έχει ανατεθεί και της ομοιότητας του χρήστη που την έχει αναθέσει, διαιρεμένο με τον αριθμό των εγγράφων στα οποία εμφανίζεται. Στο [13] υπολογίζεται η ομοιότητα μεταξύ ενός προφίλ χρήστη και ενός προφίλ αντικειμένου σε επίπεδο περιεχομένου. Οι ετικέτες θεωρούνται χαρακτηριστικά (features) του περιεχομένου, τα οποία περιγράφουν τόσο τους χρήστες όσο και τα αντικείμενα. Επιπλέον, παρουσιάζονται αρκετά συστήματα στάθμισης για τη αποτίμηση της σημασίας μιας συγκεκριμένης ετικέτας για κάθε χρήστη και αντικείμενο. Μερικά από αυτά τα συστήματα στάθμισης βασίζονται σε μεμονωμένα προφίλ, ενώ άλλα σε ολόκληρη τη folksonomy. Ακόμη, υπάρχουν περιπτώσεις όπου γίνεται προσπάθεια να εκμεταλλευθούν οι σημασιολογικές έννοιες των ετικετών (semantics). Για παράδειγμα στο [4], διερευνάται η ενσωμάτωση της folksonomy για ταινίες με μια σημασιολογική - γνωστική βάση σχετικά με τις ενοικιάσεις ταινιών από τους χρήστες. Η folksonomy χρησιμοποιείται για τον εμπλουτισμό της γνωστικής βάσης 1 με περιγραφές και κατηγοριοποιήσεις των ταινιών, αλλά και με τα ενδιαφέροντα και τις απόψεις των χρηστών. Χρησιμοποιώντας ετικέτες που συλλέγονται από το IMDB 2, και στοιχεία αξιολόγησης ταινιών από το Netflix, διεξάγονται πειράματα για να διερευνηθεί κατά πόσον ένα tag-cloud μιας folksonomy μπορει να χρησιμοποιηθεί για την κατασκευή ενός καλύτερου προφίλ, που θα αντανακλά τα ενδιαφέροντα ενός χρήστη σε διαφορετικά είδη ταινιών, και ως εκ τούτου, θα παρέχει μια βάση για την πρόβλεψη της βαθμολογίας - αξιολόγησής του για μια ταινία που δεν έχει, προηγουμένως, παρακολουθήσει. Τέλος, οι Bogers και Van Den Bosch στην εργασία τους [14] εξετάζουν τις εγγραφές των χρηστών στις υπηρεσίες κοινωνικής διαχείρισης σελιδοδεικτών, BibSonomy 3 και CiteULike 4. Επιδιώκουν να ενσωματώσουν τις ετικέτες αλλά και άλλα μεταδεδομένα, όπως τίτλο, περιγραφή κ.λ.π, στο μοντέλο του collaborative filtering εκμεταλλευόμενοι νέες μετρικές σύγκρισης, όπως η επικάλυψη ετικετών. Εξετάζουν, επίσης, μία υλοποίηση συστήματος συστάσεων που συνδυάζει τα παραπάνω μεταδεδομένα με τεχνικές content-based filtering. Η παραπάνω δημοσίευση αποτέλεσε τον οδηγό μας για τα πειράματα που εκτελέσαμε και τα οποία περιγράφονται στο επόμενο κεφάλαιο. Αποφασίσαμε να επιλέξουμε την εν 1 Knowledge base 2 Internet Movie Database:
28 Κεφάλαιο 3. Ετικέτες (tags) λόγω εργασία ως σημείο αναφοράς για τους παρακάτω, κυρίως, λόγους: Ενσωματώνουν σε συστήματα συστάσεων, ετικέτες. Παραθέτουν και συγκρίνουν τα αποτελέσματα αρκετών πειραμάτων στα οποία χρησιμοποιούν ποικίλους αλγορίθμους και μετρικές σύγκρισης. Σε αντίθεση με άλλες δημοσιεύσεις που μελετήσαμε, έχουν αναλυτική περιγραφή των αλγορίθμων αλλά και των συνόλων δεδομένων που χρησιμοποιούν. 15
29 4 Πειράματα 4.1 Σύνολα Δεδομένων Για την εκτέλεση των πειραμάτων χρησιμοποιήθηκε μία συλλογή δεδομένων από την υπηρεσία του BibSonomy 1 [15]. Το BibSonomy είναι ένα σύστημα κοινωνικής διαχείρισης σελιδοδεικτών και διαμοιρασμού δημοσιεύσεων 2. Προσφέρει στους χρήστες τη δυνατότητα να αποθηκεύσουν και να οργανώσουν σελιδοδείκτες και καταχωρήσεις δημοσιεύσεων. Υποστηρίζει την ενσωμάτωση μεμονωμένων αλλά και ομάδων χρηστών, προσφέροντας, με αυτόν τον τρόπο, μια κοινωνική πλατφόρμα για την ανταλλαγή βιβλιογραφίας. Σε κάθε σελιδοδείκτη ή δημοσίευση μπορούν να προστεθούν ετικέτες, βοηθώντας στην οργάνωση και την αναζήτηση πληροφορίας. Η υπηρεσία αναπτύχθηκε από μια ομάδα φοιτητών και επιστημόνων που εργάζονται στο Institute of Knowledge and Data Engineering του Πανεπιστημίου του Kassel, στη Γερμανία. Η συγκεκριμένη συλλογή επιλέχθηκε ως η καταλληλότερη για τη διενέργεια των πειραμάτων καθώς, εκτός από τα στοιχεία που έχει κάνει bookmark κάθε χρήστης, περιλαμβάνει χρονικές επισημάνσεις (timestamps) για κάθε ανάθεση του χρήστη και ένα ικανοποιητικό πλήθος ετικετών. Πιο συγκεκριμένα, χρησιμοποιήθηκε η συλλογή η οποία χωρίζεται σε τρία αρχεία - βάσεις δεδομένων 3. Το πρώτο από αυτά (αρχείο tas) περιέχει χρονολογημένες καταγραφές για κάθε σελιδοδείκτη ή δημοσίευση που προστέθηκε στο σύστημα. Περιλαμβάνει πληροφορίες για το χρήστη, το είδος του στοιχείου που προστέθηκε (bookmark ή bibtex) και τις ετικέτες που του ανέθεσε ο χρήστης (Σχ. 4.1). 1 Η πρόσβαση στα στοιχειά παραχωρήθηκε μετά από αίτηση και η χρήση τους αφορά αποκλειστικά ερευνητικούς σκοπούς 2 Στα αγγλικά αποδίδεται ως social bookmarking and publication-sharing system. 3 Περισσότερες πληροφορίες για τα περιεχόμενα της συλλογής δεδομένων υπάρχουν στη διεύθυνση 16
30 Κεφάλαιο 4. Πειράματα webservices :09:13 11 government :09:13 11 owl :09:13 11 engineering :02:15 11 ontology :02: Σχήμα 4.1: Δείγμα των εγγραφών στο αρχείο tas Το δεύτερο (αρχείο bookmark) και τρίτο αρχείο της συλλογής περιέχουν επιπλέον πληροφορίες για τα στοιχεία που αφορούν τους σελιδοδείκτες και τις δημοσιεύσεις αντίστοιχα. Αυτές οι πληροφορίες, μεταξύ άλλων, περιλαμβάνουν ένα μοναδικό URL (ως MD5 hash) και μια μικρή περιγραφή, για κάθε στοιχείο (Σχ. 4.2) b23812c69176cf6782a17b9dbf000a [url] [description] :25: bed76238dee1e745040e66d97ea5 [url] [description] :23: a d9524ac7b7cd9b5e5c1eee4 [url] [description] :09: dfefb8169d9cba95f2df7c4eb [url] [description] :02: Σχήμα 4.2: Δείγμα των εγγραφών στο αρχείο bookmark Στην παρούσα μεταπτυχιακή διατριβή, αξιοποιήθηκαν και επεξεργάστηκαν τα δεδομένα από το πρώτο και δεύτερο αρχείο της συλλογής, καθώς αντικείμενο μελέτης αποτέλεσαν αποκλειστικά οι πληροφορίες που αφορούσαν του σελιδοδείκτες (bookmarks) των χρηστών Στατιστική ανάλυση δεδομένων Τα δεδομένα που περιέχονταν στα αρχεία tas και bookmark, υπέστησαν μια προεργασία πριν χρησιμοποιηθούν στα πειράματά μας. Οι προεργασίες αφορούσαν, κυρίως, τις ετικέτες και ήταν η αφαίρεση των σημείων στίξεως στην αρχή και στο τέλος των λέξεων, την αφαίρεση μερικών μη αναγνωρίσιμων χαρακτήρων και, τέλος, η διαγραφή των όσων ετικετών αποτελούνταν από μόνο έναν χαρακτήρα. Μετά πέρας των προεργασιών το σύνολο των διαθέσιμων δεδομένων περιέχει χρήστες οι οποίοι έχουν αναθέσει ετικέτες σε σελιδοδείκτες. Αυτός ο αριθμός των σελιδοδεικτών αντιστοιχεί σε μοναδικά url hashes, ενώ οι μοναδικές ετικέτες είναι
31 Κεφάλαιο 4. Πειράματα Στο Σχήμα 4.3 παρουσιάζεται, σε φθίνουσα σειρά, η κατανομή των σελιδοδεικτών ανάμεσα στους χρήστες. Πόσοι, δηλαδή, σελιδοδείκτες προστέθηκαν από τον κάθε χρήστη. Παρατηρούμε πως σχεδόν οι μισοί χρήστες έχουν προσθέσει, το πολύ, μέχρι 2 σελιδοδείκτες. Αντιθέτως, είναι μερικοί μεμονωμένοι χρήστες που έχουν προσθέσει έναν υπερβολικά μεγάλο αριθμό σελιδοδεικτών. Αυτοί οι τελευταίοι, μετά από περαιτέρω εξέταση, φαίνεται να είναι κάποιοι αυτοματοποιημένοι λογαριασμοί χρηστών του Bibsonomy οι οποίοι προσθέτουν συγκεκριμένες λέξεις ως ετικέτες 4. Λαμβάνοντας υπόψη τα παρα- Σχήμα 4.3: Κατανομή των σελιδοδεικτών ως προς τους χρήστες πάνω, αποφασίσαμε να φιλτράρουμε τους χρήστες βάσει των σελιδοδεικτών τους, έτσι ώστε από τη μία, να αποφύγουμε ακραίες συμπεριφορές και από την άλλη, να εξασφαλίσουμε ότι κάθε χρήστης που θα συμμετέχει στο πείραμα θα διαθέτει έναν ικανοποιητικό αριθμό σελιδοδεικτών. Επομένως, συμπεριλάβαμε στα πειράματά μας τους χρήστες που είχαν στο προφίλ τους από 20 έως 3000 σελιδοδείκτες. Το σύνολο των τελικών χρηστών ήταν 346. αρχικά μετά το φιλτράρισμα χρήστες σελιδοδείκτες ετικέτες μον. url hash μον. ετικέτες Πίνακας 4.1: Στατιστικά στοιχεία του συνόλου δεδομένων 4 Σχεδόν όλοι τους ανέθεταν στους σελιδοδείκτες τους την ετικέτα imported. 18
32 Κεφάλαιο 4. Πειράματα 4.2 Μεθοδολογία Τα πειράματα σε αυτή την εργασία είχαν ως σκοπό τη σύγκριση της απόδοσης διαφόρων τεχνικών που χρησιμοποιούνται για την παραγωγή συστάσεων. Συνολικά εξετάστηκαν τέσσερις διαφορετικές τεχνικές. Για την αποτίμηση και σύγκριση της απόδοσης καθενός από τους αλγόριθμους συστάσεων απαιτείται η δημιουργία ενός πειραματικού πλαισίου αναφοράς. Μελετήθηκαν αρκετές μέθοδοι εκτέλεσης και αξιολόγησης πειραματικών διαδικασιών. Αποφασίστηκε να επιλέξουμε αυτές που περιγράφονται και στο [14] έτσι ώστε εκτός από ποιοτική να έχουμε και τη δυνατότητα ποσοτικής σύγκρισης με τα αποτελέσματα της συγκεκριμένης δημοσίευσης. Τα αρχικά δεδομένα της συλλογής χωρίζονται σε δυο σύνολα. Επιλέγεται τυχαία το 10% των χρηστών που θα αποτελέσει το σύνολο ελέγχου και το υπόλοιπο 90% αποτελεί το σύνολο εκπαίδευσης του συστήματος. Η απόδοση του συστήματος υπολογίζεται σε αυτό το 10% παρακρατώντας από κάθε χρήστη του συγκεκριμένου συνόλου 10 αντικείμενα. Έπειτα, χρησιμοποιώντας τα εναπομείναντα αντικείμενα μαζί με αυτά του συνόλου εκπαίδευσης παράγονται συστάσεις για αυτό το 10% των χρηστών. Αν τα αντικείμενα που είχαν παρακρατηθεί, εμφανιστούν, μετά το πέρας της διαδικασίας, στην κορυφή της λίστας με τα προτεινόμενα, για τον χρήστη, αντικείμενα τότε ο αλγόριθμος θεωρείται επιτυχής και αποδοτικός. Για να επιτύχουμε μια καλύτερη και αντικειμενικότερη εκτίμηση κάνουμε χρήση του 10-fold-cross-validation. Χωρίζουμε, δηλαδή, το σύνολο των δεδομένων μας σε 10 τμήματα και επιλέγουμε κάθε φορά ένα από αυτό, τυχαία, να αποτελέσει το σύνολο ελέγχου και τα υπόλοιπα εννέα το σύνολο εκπαίδευσης. Επαναλαμβάνουμε τη διαδικασία 10 φορές και υπολογίζουμε το μέσο όρο των επιμέρους εκτιμήσεων Μέθοδος Αξιολόγησης Στο [Herlocker et al.][16] οι συγγραφείς κάνουν εκτιμήσεις για τη χρηστικότητα διαφορετικών μέτρων αξιολόγησης για διαφορετικού τύπου συστήματα συστάσεων. Για συστήματα που παράγουν συστάσεις βάσει της τεχνικής top-n 5, η οποία εφαρμόζεται στα πειράματά μας, εκτιμούν πως μέτρα αξιολόγησης που λαμβάνουν υπόψη την κατάταξη των προτεινόμενων αντικειμένων είναι τα πλέον κατάλληλα. Για αυτό το λόγο, για την αξιολόγηση των αλγορίθμων που εξετάζονται στην εργασία χρησιμοποιείται η μέθοδος Mean Average Precision. Δηλαδή, ο μέσος όρος των επιμέρους μέσων όρων της ακρίβειας 5 top-n: Η μεθοδολογία κατά την οποία ταξινομούνται τα αποτελέσματα των συγκρίσεων δυο αντικειμένων (ή χρηστών) και επιλέγονται τα N πρώτα. 19
33 Κεφάλαιο 4. Πειράματα που υπολογίστηκε για κάθε ένα αντικείμενο της λίστας. Όπου ως ακρίβεια ορίζεται το ποσοστό των προτεινόμενων αντικειμένων που ανήκουν στη λίστα με τα αντικείμενα που είχαν παρακρατηθεί αρχικά. 4.3 Πειραματικά Αποτελέσματα Συνολικά εκτελέστηκαν τέσσερα πειράματα. Στα πειράματα αυτά εξετάστηκαν τεχνικές συνεργατικού φιλτραρίσματος και χρησιμοποιήθηκε, για τον υπολογισμό των συστάσεων, μια παραλλαγή του αλγόριθμου των k Πλησιέστερων Γειτόνων 6. Τα πειράματα χωρίστηκαν σε δυο σκέλη. Στο πρώτο σκέλος μελετήθηκαν οι δύο κυριότερες εκδοχές των αλγορίθμων συστάσεων: το user-based filtering και item-based filtering. Στην πρώτη εκδοχή, όπως προδίδει και η ονομασία του, εντοπίζουμε παρόμοιους χρήστες με αυτούς του συνόλου ελέγχου και βρίσκουμε αντικείμενα που θα μπορούσαν να προταθούν σε αυτούς. Στο item-based filtering εντοπίζουμε όμοια αντικείμενα με αυτά που έχουν προσθέσει οι χρήστες του συνόλου ελέγχου, τα συγκεντρώνουμε σε λίστα και προτείνονται στους χρήστες τα καταλληλότερα. Στο δεύτερο σκέλος των πειραμάτων ο αλγόριθμος συστάσεων προσπαθεί να εκμεταλλευτεί την πληροφορία που περιέχεται στις ετικέτες των αντικειμένων. Προσμετράται στο υπολογισμό των επιμέρους συστάσεων, και η επικάλυψη των ετικετών, που εντοπίζεται είτε μεταξύ των χρηστών είτε μεταξύ των αντικειμένων του συνόλου δεδομένων. Σε όλες τις παραπάνω παραλλαγές των πειραμάτων ο αριθμός των πλησιέστερων γειτόνων αλλά των top-n παρόμοιων χρηστών ή αντικειμένων κυμαίνεται από Ν=2 έως Ν=20. Η επιλογή αυτή έγινε διότι, μετά από ανάλυση των αποτελεσμάτων, δεν παρατηρείται κάποια βελτίωση στην ακρίβεια των πειραμάτων για N> User-based filtering Σε αυτό το πείραμα χρησιμοποιούμε ως δομή δεδομένων τον πίνακα UI που απεικονίζεται στο Σχήμα 2.3. Αρχικά, συγκρίνουμε κάθε χρήστη του συνόλου ελέγχου με όλους τους υπόλοιπους για να εντοπίσουμε με ποιους έχει τις περισσότερες ομοιότητες. Για τη σύγκριση αυτή χρησιμοποιούμε το μέτρο του συνημιτόνου της μεταξύ τους γωνίας (Εξ. 2.2). Έπειτα, συγκεντρώνουμε τους top N παρόμοιους χρήστες με κάποιον χρήστη u k του συ- 6 k-nearest Neighbor (k-nn) 20
34 Κεφάλαιο 4. Πειράματα νόλου ελέγχου. Αυτοί αποτελούν μία λίστα ταξινομημένη σε φθίνουσα σειρά ως προς την ομοιότητά τους. Για κάθε ένα χρήστη (u a ) σε αυτή τη λίστα, εξετάζουμε τα αντικείμενα που έχει προσθέσει. Όσα από αυτά τα αντικείμενα δεν τα έχει προσθέσει ο χρήστης u k, είναι υποψήφια για να προταθούν σε αυτόν και υπολογίζουμε μια τιμή πρόβλεψης για καθένα από αυτά. Η τιμή πρόβλεψης ενός αντικειμένου είναι το άθροισμα των τιμών ομοιότητας των Ν κοντινότερων χρηστών (u a ) που έχουν προσθέσει το αντικείμενο αυτό. Παρακάτω παρουσιάζεται η γραφική παράσταση με τα αποτελέσματα του πειράματος. Στον x-άξονα απεικονίζεται ο αριθμός των πλησιέστερων γειτόνων που ελήφθησαν υπόψη και στον y-άξονα η τιμή της ακρίβειας (precision) του αποτελέσματος. Να σημειωθεί πως τα ίδια χαρακτηριστικά απεικονίζονται σε όλες τις γραφικές παραστάσεις που παρατίθενται στη συνέχεια. Σχήμα 4.4: Φιλτράρισμα με βάση τους χρήστες της folksonomy Στην παραπάνω γραφική παράσταση παρατηρούμε πως η μέγιστη ακρίβεια του πειράματος επιτυγχάνεται για N=7. Μεγαλύτερος αριθμός γειτόνων φαίνεται πως προσθέτει περισσότερο θόρυβο και οδηγεί σε λανθασμένες συστάσεις. Στο αντίστοιχο πείραμα του [14] η υψηλότερη ακρίβεια επιτυγχάνεται με N=15 και τιμή 0, Item-based filtering Ο αλγόριθμος που χρησιμοποιήθηκε σε αυτό το πείραμα λειτουργεί με τρόπο ανάλογο του user-based filtering. Μόνο που τώρα η σύγκριση δεν γίνεται σε επίπεδο χρηστών, αλλά αφορά τα αντικείμενα που έχει προσθέσει κάθε χρήστης του συνόλου ελέγχου. Δηλαδή, υπολογίζουμε την ομοιότητα των αντικειμένων ενός χρήστη με τα υπόλοιπα αντικείμενα που δεν έχει ακόμα προσθέσει (δει). Για τον υπολογισμό της ομοιότητας χρησιμοποιούμε κι εδώ το μέτρο του συνημιτόνου της μεταξύ τους γωνίας (Εξ. 2.2). Η δομή δεδομένων που χρησιμοποιείται είναι πάλι ο πίνακας UI αλλά αυτή τη φορά η επεξεργασία και η προσπέλασή του γίνεται κατά στήλες. 21
35 Κεφάλαιο 4. Πειράματα Για κάθε ένα αντικείμενο του χρήστη επιλέγουμε τα top N παρόμοια με αυτό αντικείμενα, που δεν έχουν ήδη προστεθεί από τον ίδιο. Δημιουργείται πάλι μια ταξινομημένη λίστα που περιέχει τα αντικείμενα αυτά. Για κάθε ένα άγνωστο προς το χρήστη αντικείμενο υπολογίζεται μία τιμή πρόβλεψης. Η συγκεκριμένη τιμή αποτελείται από το άθροισμα των τιμών ομοιότητας των Ν κοντινότερων αντικειμένων που έχει προσθέσει ο χρήστης. Σχήμα 4.5: Φιλτράρισμα με βάση τα αντικείμενα της folksonomy Η ακρίβεια που επιτυγχάνεται μέσα από αυτό το πείραμα είναι αρκετά αυξημένη σε σχέση με το προηγούμενο. Παρατηρείστε ότι ο x-άξονας είναι διαφορετικής κλίμακας με τιμές από 0 έως 0.7, αυτή τη φορά. Η μεγαλύτερη ακρίβεια εμφανίζεται για N=20 και παρουσιάζει αυξητική τάση για αριθμό γειτόνων μεγαλύτερο του 20. Παρ όλα αυτά, για λόγους συνέπειας και ομοιομορφίας με τα υπόλοιπα πειράματα περιοριστήκαμε σε αυτό τον αριθμό Επικάλυψη ετικετών Στη folksonomy που περιγράφεται από το σύνολο των δεδομένων που εξετάζουμε, έχουμε και ένα επιπλέον επίπεδο διασύνδεσης μεταξύ των χρηστών και των αντικειμένων. Τις ετικέτες. Μπορούμε να εκμεταλλευτούμε αυτή την επιπλέον πληροφορία έτσι ώστε να προσδιορίσουμε και μία άλλου τύπου ομοιότητα μεταξύ χρηστών ή αντικειμένων. Για παράδειγμα, χρήστες που αναθέτουν παρόμοιες ετικέτες μπορούν να θεωρηθούν όμοιοι, ή αντιστοίχως αντικείμενα στα οποία ανατίθενται συχνά οι ίδιες ετικέτες μπορεί να θεωρηθεί ότι έχουν κάποια ομοιότητα. Για την εκτέλεση των παρακάτω πειραμάτων βασιζόμαστε στους πίνακες users-tags (UT) και items-tags (IT) (Σχήμα 2.3). Ως μέτρο σύγκρισης ομοιότητας χρησιμοποιούμε, αυτή τη φορά, το συντελεστή Jaccard (Εξ. 2.3). 22
36 Κεφάλαιο 4. Πειράματα - Μεταξύ χρηστών Ο αλγόριθμος ακολουθεί την ίδια διαδικασία με αυτή του user-based πειράματος, με τη διαφορά ότι αυτή τη φορά, τα προφίλ των χρηστών που συγκρίνονται δεν περιέχουν τα αντικείμενα που έχουν προσθέσει, αλλά τις ετικέτες που έχουν αναθέσει στα αντικείμενά τους. Σχήμα 4.6: Φιλτράρισμα με βάση την επικάλυψη των ετικετών των χρηστών Τα αποτελέσματα του πειράματος είναι στα ίδια επίπεδα με αυτά του user-based. Η μεγαλύτερη ακρίβεια επιτυγχάνεται για N=4 και N=5, ενώ με περισσότερους γείτονες έχουμε ελαφρώς χειρότερα αποτελέσματα. Αξιοσημείωτο είναι το γεγονός πως για 13 N 20 η ακρίβεια παραμένει ανεπηρέαστη. - Μεταξύ αντικειμένων Ομοίως όπως στο παραπάνω πείραμα, μόνο που αυτή τη φορά χρησιμοποιείται ο ΙΤ πίνακας και η σύγκριση γίνεται μεταξύ των ετικετών που έχουν ανατεθεί στα συγκεκριμένα αντικείμενα. Σχήμα 4.7: Φιλτράρισμα με βάση την επικάλυψη των ετικετών των αντικειμένων 23
37 Κεφάλαιο 4. Πειράματα Στην παραπάνω γραφική παράσταση είναι εμφανές ότι έχουμε βελτιωμένα αποτελέσματα σε σχέση με το προηγούμενο πείραμα και γι αυτό άλλωστε χρησιμοποιείται πάλι διαφορετική κλίμακα στον x-άξονα. Η μεγαλύτερη ακρίβεια επιτυγχάνεται για N=5, ενώ οι περισσότερους γείτονες φαίνεται πως μειώνουν, έστω και σε μικρό βαθμό, την ακρίβεια του συστήματος συστάσεων. 4.4 Συζήτηση των αποτελεσμάτων Στο παρακάτω Σχήμα 4.8 παρατίθενται συγκεντρωτικά όλες οι γραφικές παραστάσεις των προηγούμενων πειραμάτων. Σχήμα 4.8: Σύγκριση των αποτελεσμάτων όλων των πειραμάτων Παρατηρούμε πως τα πειράματα με σημείο αναφοράς τα αντικείμενα (items) επιτυγχάνουν εμφανώς καλύτερα αποτελέσματα. Ιδιαίτερα το item-based πείραμα εμφανίζει σημαντικά μεγάλη ακρίβεια, η οποία παρουσιάζει αυξητική τάση όσο ο αριθμός των πλησιέστερων γειτόνων μεγαλώνει. Ενδιαφέρον αποτελεί το γεγονός ότι η μέγιστη ακρίβεια του item-based είναι 17x φορές υψηλότερη κατά από την μέγιστη ακρίβεια του αντίστοιχου πειράματος στο [14]. Μία αιτία για αυτή τη μεγάλη διαφορά, θεωρούμε πως είναι μία μικρή διαφοροποίηση στην υλοποίησή μας. Ενώ εμείς συγκρίνουμε ένα αντικείμενο του χρήστη με όλα τα υπόλοιπα της συλλογής, οι Bogers και Van Den Bosch δεν διευκρινίζουν αν ακολουθούν την ίδια διαδικασία ή αν συγκρίνουν ένα αντικείμενο του χρήστη μόνο με όσα αντικείμενα έχουν προσθέσει οι χρήστες του συνόλου εκπαίδευσης. Επίσης, ένας άλλος λόγος που τα αποτελέσματα των πειραμάτων με σημείο αναφοράς τα αντικείμενα (items) είναι καλύτερα από αυτά με σημείο αναφοράς τους χρήστες (users), είναι η στατιστική αναλογία αντικειμένων ως προς τους χρηστες. Οι γραμμές του πίνακα User-Items, που αναπαριστούν τους χρήστες, είναι αρκετά πιο αραιές (sparse) από τις γραμμές που αναπαριστούν τα αντικείμενα στον πίνακα Item-Users. Επομένως, είναι μι- 24
38 Κεφάλαιο 4. Πειράματα κρή η πιθανότητα να εντοπιστεί ικανοποιητικός αριθμός χρηστών που μοιράζονται πολλά κοινά αντικείμενα και αυτό με τη σειρά του μειώνει την ποιότητα των συστάσεων του συστήματος. Όσον αφορά τα αποτελέσματα μετά την ενσωμάτωση των ετικετών, παρουσιάζονται κατώτερα από τα αντίστοιχα πειράματα στα οποία δε λάβαμε υπόψη τις ετικέτες. Μπορούμε να συμπεράνουμε πως οι αλγόριθμοι που χρησιμοποιούν την επικάλυψη των ετικετών δεν παράγουν καλύτερες συστάσεις από τις παραδοσιακές προσεγγίσεις των user-based και item-based πειραμάτων. Αυτό, πιθανότατα, οφείλεται στη χρήση, εκ μέρους των χρηστών, διαφορετικών ετικετών για να περιγράψουν παρεμφερή ή, ακόμη και, ίδια αντικείμενα. Η μέθοδος της επικάλυψης των ετικετών δεν εξετάζει σημασιολογικά τις ετικέτες, παρά μόνο ελέγχει την ύπαρξή τους στα προφίλ των χρηστών. Επομένως, παρόμοιες εννοιολογικά ή και συντακτικά ετικέτες θεωρούνται διαφορετικές μεταξύ τους και δεν σημειώνεται κάποια επικάλυψη. 25
39 5 Σύνοψη και μελλοντικές εργασίες Συνοψίζοντας, στην παρούσα εργασία εστιάσαμε στη λειτουργία των πληροφοριακών συστημάτων συστάσεων (recommender systems) και εξετάσαμε τους κυριότερους αλγορίθμους που χρησιμοποιούνται για την παραγωγή αυτόματων συστάσεων. Αναφερθήκαμε στις τεχνικές διήθησης της πληροφορίας που χρησιμοποιούνται από τα συστήματα συστάσεων, δηλαδή, το collaborative filtering, το content based filtering αλλά και σε τεχνικές υβριδικού φιλτραρίσματος. Στα πλαίσια του υβριδικού φιλτραρίσματος, επικεντρωθήκαμε στο συνδυασμό collaborative filtering με τη χρήση ετικετών (tags). Αναφέραμε, στο Κεφάλαιο 3, τα πλεονεκτήματα και τη χρηστικότητα των ετικετών ως μεταδεδομένα (metadata) σε ένα σύστημα συστάσεων και ορίσαμε την έννοια της folksonomy. Μελετήσαμε και αναφέρουμε αρκετές σχετικές εργασίες που χρησιμοποιούν ετικέτες για την παραγωγή συστάσεων. Πολλές από τις συστάσεις αυτές αφορούν αντικείμενα που προτείνονται στους χρήστες, ενώ κάποιες άλλες αφορούν προτεινόμενες ετικέτες σε αντικείμενα που προσθέτουν, για πρώτη φορά, οι χρήστες στο πληροφοριακό σύστημα. Από τις σχετικές εργασίες ξεχωρίσαμε αυτή των Bogers και Van Den Bosch [14] οι οποίοι εξετάζουν μια πληθώρα αλγορίθμων και μέτρων σύγκρισης για συστήματα συστάσεων και προσπαθήσαμε να αναπαράγουμε και να βελτιώσουμε κάποιες από τις υλοποιήσεις τους. Αναπαράγαμε τέσσερα διαφορετικά πειράματα. Υλοποιήσαμε αρχικά ένα σύστημα συστάσεων βασισμένο στις αλληλεπιδράσεις των χρηστών (user-based) και ένα στις αλληλεπιδράσεις μεταξύ των αντικειμένων (item-based). Στη συνέχεια, εξελίξαμε τα δύο αυτά συστήματα χρησιμοποιώντας ετικέτες και υπολογίζοντας την επικάλυψη των ετικετών είτε μεταξύ χρηστών (UserTagOverlap) είτε αντικειμένων (ItemTagOverlap). Από τα αποτελέσματα των πειραμάτων προέκυψαν: 26
40 Κεφάλαιο 5. Σύνοψη και μελλοντικές εργασίες To item-based πείραμα είχε τα καλύτερα αποτελέσματα. Μάλιστα είχε πολύ καλύτερα αποτελέσματα από από το πείραμα αναφοράς στο [14]. Τα πειράματα με σημειο αναφοράς τα αντικείμενα είχαν καλύτερα αποτελέσματα από αυτά με σημείο αναφοράς τους χρήστες. Η ενσωμάτωση ετικετών στα πειράματα είχε ως αποτέλεσμα, ελαφρώς, μειωμένη ακρίβεια σε σχέση με τα αντίστοιχα πειράματα χωρίς ετικέτες. Η απόπειρα να χρησιμοποιήσουμε ετικέτες για την παραγωγή πληροφοριακών συστάσεων, παρ ότι δεν πέτυχε τη μεγαλύτερη ακρίβεια, είχε ενθαρρυντικά αποτελέσματα. Μια πιο εξειδικευμένη και βελτιωμένη υλοποίηση είναι πιθανόν να παράγει ακόμα καλύτερα αποτελέσματα και να ξεπεράσει το item-based. Οι Bogers και Van Den Bosch προτείνουν στην εργασία μία υλοποίηση όπου προσμετράνε, εκτός των ετικετών, και άλλα μεταδεδομένα, όπως τίτλος, περιγραφή, url, ημερομηνία κ.α, και εμφανίζεται να επιτυγχάνει καλύτερες συστάσεις. Επίσης, τεχνικές οι οποίες επεξεργάζονται σημασιολογικά (semantically) τις ετικέτες μπορούν να ενισχύσουν το αποδοτικό φιλτράρισμα των πληροφοριακών αντικειμένων. Επιπροσθέτως, σε όσα αντικείμενα περιέχεται κειμενική πληροφορία 1, θα μπορούσαν να συνδυαστούν οι ετικέτες τους με τα γνωρίσματα (features) που θα προέκυπταν από το, βάσει περιεχομένου, φιλτράρισμά τους. Τέλος, μία a priori επεξεργασία των ετικετών σε μια folksonomy, τόσο λεξικογραφικά όσο και εννοιολογικά, θα επέτρεπε μία προ - κατηγοριοποίηση των ετικετών που θα έκανε πιο ουσιαστική την επικάλυψη των ετικετών (ιδιαίτερα στο ItemTagOverlap). Θεωρούμε πως τα συστήματα πληροφοριακών συστάσεων με χρήση ετικετών χρήζουν περισσότερης έρευνα και μελέτης μιας και οι ετικέτες αποδεικνύονται χρησιμότατο εργαλείο του Web2.0. Επιφυλασσόμαστε, να βελτιώσουμε την ενσωμάτωση των ετικετών στα συστήματα συστάσεων και να επιτύχουμε καλύτερα πειραματικά αποτελέσματα κινούμενοι προς τις κατευθύνσεις που περιγράψαμε στην παραπάνω παράγραφο. 1 Άρθρα, περιλήψεις(abstract) δημοσιεύσεων, περιγραφές πολυμέσων 27
41 Βιβλιογραφία [1] N. Nanas and A. De Roeck, A review of evolutionary and immune inspired information filtering, Natural Computing, [2] K. H. L. Tso-Sutter, L. B. Marinho, and L. Schmidt-Thieme, Tag-aware recommender systems by fusion of collaborative filtering algorithms, in Proceedings of the 2008 ACM symposium on Applied computing, SAC 08, (New York, NY, USA), pp , ACM, [3] N. Landia and S. Anand, Personalised Tag Recommendation, Recommender Systems & the Social Web, [4] M. Szomszor, C. Cattuto, H. Alani, K. O Hara, A. Baldassarri, V. Loreto, and V. D. Servedio, Folksonomies, the semantic web, and movie recommendation, in 4th European Semantic Web Conference, Bridging the Gap between Semantic Web and Web 2.0, Event Dates: 3-7th, June [5] H. Liang, Y. Xu, Y. Li, R. Nayak, and G. Shaw, A hybrid recommender systems based on weighted tags. May [6] C. Christakou and A. Stafylopatis, A Hybrid Movie Recommender System Based on Neural Networks, in ISDA 05: Proceedings of the 5th International Conference on Intelligent Systems Design and Applications, (Washington, DC, USA), pp , IEEE Computer Society, [7] T. V. Wal, Folksonomy coinage and definition. Website, Februar http: //vanderwal.net/folksonomy.html. [8] W. McGugan, Tag clouds look better sorted!. blog/tech/2007/10/31/tag-clouds-look-better-sorted/, [Online; accessed 09-April-2012]. 28
42 Βιβλιογραφία [9] H. Halpin, V. Robu, and H. Shepherd, The complex dynamics of collaborative tagging, in Proceedings of the 16th international conference on World Wide Web, WWW 07, (New York, NY, USA), pp , ACM, [10] V. Robu, H. Halpin, and H. Shepherd, Emergence of consensus and shared vocabularies in collaborative tagging systems, ACM Trans. Web, vol. 3, pp. 14:1 14:34, Sept [11] Y. Song, L. Zhang, and C. L. Giles, Automatic tag recommendation algorithms for social recommender systems, ACM Trans. Web, vol. 5, pp. 4:1 4:31, Feb [12] A. Hotho, R. Jaschke, C. Schmitz, and G. Stumme, Information retrieval in folksonomies: Search and ranking, in The Semantic Web: Research and Applications (Y. Sure and J. Domingue, eds.), vol of Lecture Notes in Computer Science, (Berlin/Heidelberg), pp , Springer, June [13] I. Cantador, A. Bellogín, and D. Vallet, Content-based recommendation in social tagging systems, in Proceedings of the fourth ACM conference on Recommender systems, RecSys 10, (New York, NY, USA), pp , ACM, [14] T. Bogers and A. Van Den Bosch, Collaborative and content-based filtering for item recommendation on social bookmarking websites, ACM RecSys 09 Workshop on Recommender Systems and the Social Web, vol. 9, pp. 9 16, [15] D. Benz, A. Hotho, R. Jäschke, B. Krause, F. Mitzlaff, C. Schmitz, and G. Stumme, The social bookmark and publication management system bibsonomy, The VLDB Journal, vol. 19, pp , Dec [16] J. L. Herlocker, J. A. Konstan, L. G. Terveen, and J. T. Riedl, Evaluating collaborative filtering recommender systems, ACM Trans. Inf. Syst., vol. 22, pp. 5 53, Jan
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 περισσότερα1 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 περισσότεραΠληροφοριακά 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 περισσότεραΑνάκτηση πολυμεσικού περιεχομένου
Ανάκτηση πολυμεσικού περιεχομένου Ανίχνευση / αναγνώριση προσώπων Ανίχνευση / ανάγνωση κειμένου Ανίχνευση αντικειμένων Οπτικές λέξεις Δεικτοδότηση Σχέσεις ομοιότητας Κατηγοριοποίηση ειδών μουσικής Διάκριση
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ Εξαγωγή γεωγραφικής πληροφορίας από δεδομένα παρεχόμενα από χρήστες του
Διαβάστε περισσότεραΠετράκης 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 περισσότεραEρευνητική εργασία Β Λυκείου με θέμα: Κοινωνικά δίκτυα στην εκπαίδευση, νέα εργαλεία, νέες προοπτικές, νέες προκλήσεις
Ομάδα Ο.Π.Α.Π.Σ. Eρευνητική εργασία Β Λυκείου με θέμα: Κοινωνικά δίκτυα στην εκπαίδευση, νέα εργαλεία, νέες προοπτικές, νέες προκλήσεις Βαρσάμης Παναγιώτης, Μπέρμπεης Γιάννης, Πλατής Σωτήρης, Τσαγγαίος
Διαβάστε περισσότεραΕισαγωγή 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 περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #06 Πιθανοτικό Μοντέλο 1 Άδεια χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Πτυχιακή διατριβή
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ Πτυχιακή διατριβή 3Δ ΑΠΕΙΚΟΝΙΣΗ ΕΙΚΟΝΩΝ DICOM ΚΑΙ ΕΣΤΙΩΝ ΠΟΛΛΑΠΛΗΣ ΣΚΛΗΡΥΝΣΗΣ ΣΕ ΕΙΚΟΝΕΣ ΕΓΚΕΦΑΛΟΥ ΜΑΓΝΗΤΙΚΗΣ ΤΟΜΟΓΡΑΦΙΑΣ Νικολάου Φοίβια
Διαβάστε περισσότεραΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams
ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams Αλέκα Σεληνιωτάκη Ηράκλειο, 26/06/12 aseliniotaki@csd.uoc.gr ΑΜ: 703 1. Περίληψη Συνεισφοράς
Διαβάστε περισσότεραΚοινωνικές επισημάνσεις (social bookmarking)
Κοινωνικές επισημάνσεις (social bookmarking) Παλαιγεωργίου Γιώργος Τμήμα Πληροφορικής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Ιανουάριος 2009 Social Bookmarking Ιστορικά στοιχεία - Τι είναι; 13/1 1 Κοινωνικές
Διαβάστε περισσότεραΑΝΑΓΝΩΡΙΣΗ 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 περισσότεραΕπιχειρησιακές Επικοινωνίες
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Επιχειρησιακές Επικοινωνίες Ενότητα # 6: Ανάλυση Περιεχομένου Πρόδρομος Γιαννάς Καθηγητής Τμήμα Διοίκησης Επιχειρήσεων Άδειες
Διαβάστε περισσότεραΣτα πλαίσια του Διαδικτύου, ο όρος αναφέρεται σε μία ηλεκτρονική πλατφόρμα
ΚΕΦΑΛΑΙΟ 15 Κοινωνικά Δίκτυα αποτελούν μία ομάδα ατόμων που αλληλεπιδρούν μεταξύ τους και το σύνολο των σχέσεων που αναπτύσσονται μεταξύ των μελών της ομάδας. Στα πλαίσια του Διαδικτύου, ο όρος αναφέρεται
Διαβάστε περισσότεραΔΙΔΑΣΚΑΛΙΑ 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 περισσότεραΒάσεις 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 περισσότεραΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΣΥΓΚΡΙΤΙΚΗ ΜΕΛΕΤΗ ΚΑΙ ΑΞΙΟΛΟΓΗΣΗ ΠΛΑΤΦΟΡΜΩΝ ΗΛΕΚΤΡΟΝΙΚΗΣ ΜΑΘΗΣΗΣ ΕΝΗΛΙΚΩΝ
ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Διπλωματική Εργασία ΣΥΓΚΡΙΤΙΚΗ ΜΕΛΕΤΗ ΚΑΙ ΑΞΙΟΛΟΓΗΣΗ ΠΛΑΤΦΟΡΜΩΝ ΗΛΕΚΤΡΟΝΙΚΗΣ ΜΑΘΗΣΗΣ ΕΝΗΛΙΚΩΝ ΑΙΚΑΤΕΡΙΝΗ ΜΙΛΚΟΥ Επιβλέπων καθηγητής:
Διαβάστε περισσότεραCRM για Εκπαιδευτικούς Φορείς
Cosmos Business Systems S.A. Group CRM για Εκπαιδευτικούς Φορείς CRM Εκπαιδευτικών Φορέων Το CRM Εκπαιδευτικών Φορέων έχει αναπτυχθεί για να ικανοποιήσει τις ανάγκες διαχείρισης του υποψήφιου πελατολογίου
Διαβάστε περισσότεραΑΣΚΗΣΗ. Δημιουργία Ευρετηρίων Συλλογής Κειμένων
Γλωσσική Τεχνολογία Ακαδημαϊκό Έτος 2011-2012 Ημερομηνία Παράδοσης: Στην εξέταση του μαθήματος ΑΣΚΗΣΗ Δημιουργία Ευρετηρίων Συλλογής Κειμένων Σκοπός της άσκησης είναι η υλοποίηση ενός συστήματος επεξεργασίας
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Το Πιθανοκρατικό Μοντέλο Κλασικά Μοντέλα Ανάκτησης Τρία είναι τα, λεγόμενα, κλασικά μοντέλα ανάκτησης: Λογικό (Boolean) που βασίζεται στη Θεωρία Συνόλων Διανυσματικό (Vector) που βασίζεται στη Γραμμική
Διαβάστε περισσότεραΚεφάλαιο 15 Κοινωνικά Δίκτυα
Κεφάλαιο 15 Κοινωνικά Δίκτυα 1 15.1 Γενικά για τα Κοινωνικά Δίκτυα Κοινωνικό Δίκτυο: ηλεκτρονική πλατφόρμα που παρέχει στα μέλη της δυνατότητες διασύνδεσης και αλληλεπίδρασης. Πρόκειται για εικονικές κοινότητες,
Διαβάστε περισσότεραΣτο στάδιο ανάλυσης των αποτελεσµάτων: ανάλυση ευαισθησίας της λύσης, προσδιορισµός της σύγκρουσης των κριτηρίων.
ΠΕΡΙΛΗΨΗ Η τεχνική αυτή έκθεση περιλαµβάνει αναλυτική περιγραφή των εναλλακτικών µεθόδων πολυκριτηριακής ανάλυσης που εξετάσθηκαν µε στόχο να επιλεγεί η µέθοδος εκείνη η οποία είναι η πιο κατάλληλη για
Διαβάστε περισσότερα11/8/18. Κεφάλαιο 3. Συνεργασία και εργασία στο web. Χρήση του Internet: Πώς θα εκμεταλλευτούμε καλύτερα τους πόρους του web.
A. EVANS, K. MARTIN, M. A. POATSY Εισαγωγή στην πληροφορική Θεωρία και πράξη 2 η έκδοση Κεφάλαιο 3 Χρήση του Internet: Πώς θα εκμεταλλευτούμε καλύτερα τους πόρους του web Συνεργασία και εργασία στο web
Διαβάστε περισσότεραΔΟΜΗ ΤΗΣ ΓΡΑΠΤΗΣ ΕΡΓΑΣΙΑΣ. Η γραπτή εργασία θα περιλαμβάνει τα παρακάτω μέρη:
ΔΟΜΗ ΤΗΣ ΓΡΑΠΤΗΣ ΕΡΓΑΣΙΑΣ Η γραπτή εργασία θα περιλαμβάνει τα παρακάτω μέρη: 1.ΕΞΩΦΥΛΛΟ Θα περιέχει τις εξής πληροφορίες: - Σχολείο - Μάθημα - Τάξη - Τμήμα -Τίτλο της έρευνας - Ονοματεπώνυμο Ο τίτλος της
Διαβάστε περισσότεραΑξιοποίηση κοινωνικών δικτύων στην εκπαίδευση Αλέξης Χαραλαμπίδης Γραφικές Τέχνες / Πολυμέσα Ενότητα Ιανουαρίου 2015
Αξιοποίηση κοινωνικών δικτύων στην εκπαίδευση Αλέξης Χαραλαμπίδης 90279 Γραφικές Τέχνες / Πολυμέσα Ενότητα 61 18 Ιανουαρίου 2015 Web 2.0 Ενσωμάτωση στις εφαρμογές του παγκόσμιου ιστού (www) στοιχείων:
Διαβάστε περισσότεραΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΣΕΡΡΩΝ Τμήμα ΠΛΗΡΟΦΟΡΙΚΗΣ & ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ
Διαβάστε περισσότεραΑνάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589)
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589) Μεγαλοοικονόμου Βασίλειος Τμήμα Μηχ. Η/ΥκαιΠληροφορικής Επιστημονικός Υπεύθυνος Στόχος Προτεινόμενου Έργου Ανάπτυξη μεθόδων
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ Ανάπτυξη μιας προσαρμοστικής πολιτικής αντικατάστασης αρχείων, με χρήση
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση
ΚΕΦΑΛΑΙΟ 18 18 Μηχανική Μάθηση Ένα φυσικό ή τεχνητό σύστηµα επεξεργασίας πληροφορίας συµπεριλαµβανοµένων εκείνων µε δυνατότητες αντίληψης, µάθησης, συλλογισµού, λήψης απόφασης, επικοινωνίας και δράσης
Διαβάστε περισσότεραΣχεδίαση και Ανάπτυξη Ιστότοπων
Σχεδίαση και Ανάπτυξη Ιστότοπων Ιστορική Εξέλιξη του Παγκόσμιου Ιστού Παρουσίαση 1 η 1 Βελώνης Γεώργιος Καθηγητής Περιεχόμενα Τι είναι το Διαδίκτυο Βασικές Υπηρεσίες Διαδικτύου Προηγμένες Υπηρεσίες Διαδικτύου
Διαβάστε περισσότεραΑνάκτηση 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 περισσότεραΔΙΑΣΥΝΔΕΣΗ ΕΚΠΑΙΔΕΥΤΙΚΩΝ ΙΣΤΟΣΕΛΙΔΩΝ ΣΕ ΕΝΙΑΙΟ ΠΕΡΙΒΑΛΛΟΝ: ΕΦΑΡΜΟΓΗ ΣΤΟΝ ΙΣΤΟΤΟΠΟ ΤΗΣ ΣΧΟΛΗΣ ΧΗΜΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΕΜΠ
ΔΙΑΣΥΝΔΕΣΗ ΕΚΠΑΙΔΕΥΤΙΚΩΝ ΙΣΤΟΣΕΛΙΔΩΝ ΣΕ ΕΝΙΑΙΟ ΠΕΡΙΒΑΛΛΟΝ: ΕΦΑΡΜΟΓΗ ΣΤΟΝ ΙΣΤΟΤΟΠΟ ΤΗΣ ΣΧΟΛΗΣ ΧΗΜΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΕΜΠ Ι.Π. Τζιγκουνάκης, Ν.Γ. Καλογερόπουλος, Ε.Α. Παυλάτου, Α.Γ. Μπουντουβής, Ι.Α. Παλυβός
Διαβάστε περισσότεραΈκδοσης 2005 Π. Κεντερλής
Σύστημα «Ηλέκτρα» Το Σύστημα «Ηλέκτρα» αποτελεί μια ολοκληρωμένη διαδικτυακή εφαρμογή διαχείρισης πληροφοριών μαθημάτων και χρηστών. Αναπτύχθηκε εξολοκλήρου από τον εργαστηριακό συνεργάτη Παναγιώτη Κεντερλή
Διαβάστε περισσότεραΕξόρυξη γνώμης πολιτών από ελεύθερο κείμενο
Δίκαρος Νίκος Δ/νση Μηχανογράνωσης κ Η.Ε.Σ. Υπουργείο Εσωτερικών. Τελική εργασία Κ Εκπαιδευτικής Σειράς Ε.Σ.Δ.Δ. Επιβλέπων: Ηρακλής Βαρλάμης Εξόρυξη γνώμης πολιτών από ελεύθερο κείμενο Κεντρική ιδέα Προβληματισμοί
Διαβάστε περισσότεραΑΣΚΗΣΗ. Συγκομιδή και δεικτοδότηση ιστοσελίδων
Γλωσσική Τεχνολογία Ακαδημαϊκό Έτος 2010-2011 ΑΣΚΗΣΗ Συγκομιδή και δεικτοδότηση ιστοσελίδων Σκοπός της άσκησης είναι η υλοποίηση ενός ολοκληρωμένου συστήματος συγκομιδής και δεικτοδότησης ιστοσελίδων.
Διαβάστε περισσότεραΧρήση εναλλακτικών μετρικών για την αποτίμηση της διάδοσης της έρευνας σε επιστημονικά συνέδρια
Χρήση εναλλακτικών μετρικών για την αποτίμηση της διάδοσης της έρευνας σε επιστημονικά συνέδρια Ακριβή Αθανασοπουλου, 1 Αγγελική Γιαννοπουλου, 2 Γιάννης Τσακωνας 2 1 Τμήμα Αρχειονομιας, Βιβλιοθηκονομίας
Διαβάστε περισσότεραΗμερίδα διάχυσης αποτελεσμάτων έργου Ιωάννινα, 14/10/2015
MIS έργου:346983 Τίτλος Έργου: Epirus on Androids: Έμπιστη, με Διαφύλαξη της Ιδιωτικότητας και Αποδοτική Διάχυση Πληροφορίας σε Κοινωνικά Δίκτυα με Γεωγραφικές Εφαρμογές Έργο συγχρηματοδοτούμενο από την
Διαβάστε περισσότεραΤΑ ΚΟΙΝΩΝΙΚΑ ΔΙΚΤΥΑ ΣΤΗ ΚΑΘΗΜΕΡΙΝΟΤΗΤΑ ΤΩΝ ΕΦΗΒΩΝ
ΤΑ ΚΟΙΝΩΝΙΚΑ ΔΙΚΤΥΑ ΣΤΗ ΚΑΘΗΜΕΡΙΝΟΤΗΤΑ ΤΩΝ ΕΦΗΒΩΝ Με ποια κριτήρια κατατάσσονται; Πως λειτουργούν τα κοινωνικά δίκτυα; Σε ποιες κατηγορίες κατατάσσονται; Ποιες δυνατότητες μας παρέχουν τα κοινωνικά δίκτυα
Διαβάστε περισσότερα1 Εισαγωγή στις Συνδυαστικές Δημοπρασίες - Combinatorial Auctions
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Θεωρία Παιγνίων και Αποφάσεων Διδάσκων: Ε. Μαρκάκης, Εαρινό εξάμηνο 2015 Συμπληρωματικές σημειώσεις για τον μηχανισμό VCG 1 Εισαγωγή στις Συνδυαστικές
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ. Πρόλογος... 13. Κεφάλαιο 1 ο Αρχές Διαχείρισης πληροφορίας στον Παγκόσμιο Ιστό... 15
ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος... 13 Κεφάλαιο 1 ο Αρχές Διαχείρισης πληροφορίας στον Παγκόσμιο Ιστό... 15 1.1 Εισαγωγή... 16 1.2 Διαδίκτυο και Παγκόσμιος Ιστός Ιστορική αναδρομή... 17 1.3 Αρχές πληροφοριακών συστημάτων
Διαβάστε περισσότεραΠ Τ Υ Χ Ι Α Κ Η Ε Ρ Γ Α Σ Ι Α
ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΟΜΕΑΣ ΑΡΧΙΤΕΚΤΟΝΙΚΗΣ Η/Υ, ΠΛΗΡΟΦΟΡΙΚΗΣ & ΙΚΤΥΩΝ Εργ. Τεχνολογίας Λογισμικού & Υπηρεσιών S 2 E Lab Π Τ Υ Χ Ι
Διαβάστε περισσότεραΕισαγωγικό Μάθημα Βασικές Έννοιες - Ανάλυση Απαιτήσεων
..?????? Εργαστήριο ΒΑΣΕΙΣ????????? ΔΕΔΟΜΕΝΩΝ Βάσεων Δεδομένων?? ΙΙ Εισαγωγικό Μάθημα Βασικές Έννοιες - . Γενικά Τρόπος Διεξαγωγής Ορισμός: Βάση Δεδομένων (ΒΔ) είναι μια συλλογή από σχετιζόμενα αντικείμενα
Διαβάστε περισσότεραΚοινωνικά Δίκτυα Αναζήτηση Πληροφοριών σε Δίκτυα
Κοινωνικά Δίκτυα Αναζήτηση Πληροφοριών σε Δίκτυα Ν. Μ. Σγούρος Τμήμα Ψηφιακών Συστημάτων, Παν. Πειραιώς sgouros@unipi.gr Δομή του WWW Ορισμός Προβλήματος Υποθέτουμε ότι οι πηγές πληροφοριών αναπριστώνται
Διαβάστε περισσότεραΑναφορά εργασιών για το τρίμηνο Δεκέμβριος 2012 Φεβρουάριος 2013 Όνομα : Μπελούλη Αγάθη
Στο πλαίσιο της πράξης «Αναβάθμιση και Εμπλουτισμός των Ψηφιακών Υπηρεσιών της Βιβλιοθήκης του Παντείου Πανεπιστημίου». Η Πράξη συγχρηματοδοτείται από το Ευρωπαϊκό Ταμείο Περιφερειακής Ανάπτυξης (ΕΤΠΑ).
Διαβάστε περισσότεραΡετσινάς Σωτήριος ΠΕ 1703 Ηλεκτρολόγων ΑΣΕΤΕΜ
Ρετσινάς Σωτήριος ΠΕ 1703 Ηλεκτρολόγων ΑΣΕΤΕΜ Τι είναι η ερευνητική εργασία Η ερευνητική εργασία στο σχολείο είναι μια δυναμική διαδικασία, ανοιχτή στην αναζήτηση για την κατανόηση του πραγματικού κόσμου.
Διαβάστε περισσότερα«Οδηγίες χρήσης εφαρμογής Ενιαίου Συστήματος Πληρωμών»
«Οδηγίες χρήσης εφαρμογής Ενιαίου Συστήματος Πληρωμών» έκδοση v.1.2, 10/09/2014 Περιεχόμενα Είσοδος... 3 Οικονομικά Υπεύθυνος... 4 Αρχική Οθόνη... 4 Διαχείριση Χρηστών... 4 Αναζήτηση Χρήστη... 4 Δημιουργία
Διαβάστε περισσότεραοικονομικές τάσεις Εκτεταμένη συνεργασία της εφοδιαστικής αλυσίδας. έργου FLUID-WIN το οποίο χρηματοδοτήθηκε από το 6ο Πρόγραμμα Πλαίσιο Παγκόσμιες
Συνοπτική παρουσίαση του ευνητικού έργου FLUID-WIN το οποίο χρηματοδοτήθηκε από το 6ο Πρόγραμμα Πλαίσιο Ενοποίηση τρίτων παρόχων υπηρεσιών με ολόκληρη την εφοδιαστική αλυσίδα σε πολυλειτουργικές πλατφόρμες
Διαβάστε περισσότεραΨηφιακά Mέσα Υπολογιστική Νοημοσύνη www.aiia.csd.auth.gr
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Εργαστήριο Τεχνητής Νοημοσύνης και Ανάλυσης Πληροφοριών Ψηφιακά Mέσα Υπολογιστική Νοημοσύνη www.aiia.csd.auth.gr Απρίλιος 2015 Τα αντικείμενα της
Διαβάστε περισσότεραΕργαστηριακή εισήγηση. «ΜΑΘΗΣΙΣ: Μία Ευφυής Διαδικτυακή Τάξη Άλγεβρας»
o Πανελλήνιο Εκπαιδευτικό Συνέδριο Ημαθίας ΠΡΑΚΤΙΚΑ Εργαστηριακή εισήγηση «ΜΑΘΗΣΙΣ: Μία Ευφυής Διαδικτυακή Τάξη Άλγεβρας» Δημήτριος Σκλαβάκης 1, Ιωάννης Ρεφανίδης 1 Μαθηματικός Υποψήφιος Διδάκτωρ, Τμήμα
Διαβάστε περισσότεραΤεχνολογία Ψυχαγωγικού Λογισμικού και Εικονικοί Κόσμοι Ενότητα 8η - Εικονικοί Κόσμοι και Πολιτιστικό Περιεχόμενο
Τεχνολογία Ψυχαγωγικού Λογισμικού και Εικονικοί Κόσμοι Ενότητα 8η - Εικονικοί Κόσμοι και Πολιτιστικό Περιεχόμενο Ιόνιο Πανεπιστήμιο, Τμήμα Πληροφορικής, 2015 Κωνσταντίνος Οικονόμου, Επίκουρος Καθηγητής
Διαβάστε περισσότεραΔιπλωματική Εργασία Αναγνώριση και ταξινόμηση ιστολόγιων. Αναστασιάδης Αντώνιος
Αναστασιάδης Αντώνιος Τα ιστολόγια σήμερα Διπλωματική Εργασία Η σημασία των πληροφοριών των ιστολόγιων Μέθοδοι κατάτμησης ιστολόγιων Αξιολόγηση κατάτμησης Ταξινόμηση καταχωρήσεων Αξιολόγηση ταξινόμησης
Διαβάστε περισσότεραΣ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ
Σ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΩΝ ΕΞΕΤΑΣΕΩΝ Μ ΑΪΟΥ 2002 2004 Δ ΕΥΤΕΡΟ ΜΕΡΟΣ Π ΕΡΙΛΗΨΗ: Η μελέτη αυτή έχει σκοπό να παρουσιάσει και να ερμηνεύσει τα ευρήματα που προέκυψαν από τη στατιστική
Διαβάστε περισσότεραΓ Γυμνασίου: Οδηγίες Γραπτής Εργασίας και Σεμιναρίων. Επιμέλεια Καραβλίδης Αλέξανδρος. Πίνακας περιεχομένων
Γ Γυμνασίου: Οδηγίες Γραπτής Εργασίας και Σεμιναρίων. Πίνακας περιεχομένων Τίτλος της έρευνας (title)... 2 Περιγραφή του προβλήματος (Statement of the problem)... 2 Περιγραφή του σκοπού της έρευνας (statement
Διαβάστε περισσότεραDECO DECoration Ontology
Πράξη: «Αρχιμήδης ΙΙI Ενίσχυση Ερευνητικών Ομάδων στο ΤΕΙ Κρήτης» Υποέργο 32 DECO DECoration Ontology Οντολογία και εφαρμογές σημασιολογικής αναζήτησης και υποστήριξης στον αρχιτεκτονικό σχεδιασμό εσωτερικού
Διαβάστε περισσότεραΔιαδικασία Διαχείρισης Παγίου Ενεργητικού
Διαδικασία Διαχείρισης Παγίου Ενεργητικού 1 Περίληψη Το συγκεκριμένο εγχειρίδιο δημιουργήθηκε για να βοηθήσει την κατανόηση της διαδικασίας διαχείρισης Παγίου Ενεργητικού. Η διαδικασία περιλαμβάνει αναλυτική
Διαβάστε περισσότεραΣυνοπτικός 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 περισσότεραΔιαχείριση Πάγιου Ενεργητικού
Διαχείριση Πάγιου Ενεργητικού Το συγκεκριμένο εγχειρίδιο δημιουργήθηκε για να βοηθήσει την κατανόηση της διαδικασίας διαχείρισης Παγίου Ενεργητικού. Η διαδικασία περιλαμβάνει αναλυτική παρουσίαση των εκτυπωτικών
Διαβάστε περισσότεραΕυφυής Προγραμματισμός
Ευφυής Προγραμματισμός Ενότητα 10: Δημιουργία Βάσεων Κανόνων Από Δεδομένα-Προετοιμασία συνόλου δεδομένων Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Δημιουργία Βάσεων Κανόνων
Διαβάστε περισσότεραΠ3.11 Εκπαιδευτικό Υλικό. (Υπηρεσία Ενημέρωσης για Εκπαιδευτικές και Πολιτισμικές Δράσεις)
Π3.11 Εκπαιδευτικό Υλικό (Υπηρεσία Ενημέρωσης για Εκπαιδευτικές και Πολιτισμικές Δράσεις) Για το Έργο «Πληροφοριακό Σύστημα Εξωστρεφών Δράσεων» Π3.11 Εκπαιδευτικό Υλικό «Πληροφοριακό Σύστημα Εξωστρεφών
Διαβάστε περισσότεραΜάθηση και Γενίκευση. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Μάθηση και Γενίκευση Το Πολυεπίπεδο Perceptron (MultiLayer Perceptron (MLP)) Έστω σύνολο εκπαίδευσης D={(x n,t n )}, n=1,,n. x n =(x n1,, x nd ) T, t n =(t n1,, t np ) T Θα πρέπει το MLP να έχει d νευρώνες
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 9: Ανάδραση Σχετικότητας (Relevance Feedback ή RF) Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΣ ΕΠΙΛΟΓΗΣ ΥΠΟΠΙΝΑΚΑ ΜΕ ΤΗΝ ΠΛΗΣΙΕΣΤΕΡΗ ΑΠΕΙΚΟΝΙΣΗ ΜΕΣΩ ΤΗΣ AFC ΣΤΟ ΓΕΝΙΚΕΥΜΕΝΟ ΠΙΝΑΚΑ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 18 ου Πανελληνίου Συνεδρίου Στατιστικής (2005) σελ.247-256 ΑΛΓΟΡΙΘΜΟΣ ΕΠΙΛΟΓΗΣ ΥΠΟΠΙΝΑΚΑ ΜΕ ΤΗΝ ΠΛΗΣΙΕΣΤΕΡΗ ΑΠΕΙΚΟΝΙΣΗ ΜΕΣΩ ΤΗΣ AFC ΣΤΟ ΓΕΝΙΚΕΥΜΕΝΟ ΠΙΝΑΚΑ ΣΥΜΠΤΩΣΕΩΝ
Διαβάστε περισσότεραΣΥΓΓΡΑΦΗ ΕΠΙΣΤΗΜΟΝΙΚΗΣ ΕΡΕΥΝΑΣ
ΣΥΓΓΡΑΦΗ ΕΠΙΣΤΗΜΟΝΙΚΗΣ ΕΡΕΥΝΑΣ Τίτλος Ονοματεπώνυμο συγγραφέα Πανεπιστήμιο Ονοματεπώνυμο δεύτερου (τρίτου κ.ο.κ.) συγγραφέα Πανεπιστήμιο Η κεφαλίδα (μπαίνει πάνω δεξιά σε κάθε σελίδα): περιγράφει το θέμα
Διαβάστε περισσότεραΠΑΡΟΥΣΙΑΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ
ο Κεφάλαιο: Στατιστική ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΚΑΙ ΟΡΙΣΜΟΙ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ Πληθυσμός: Λέγεται ένα σύνολο στοιχείων που θέλουμε να εξετάσουμε με ένα ή περισσότερα χαρακτηριστικά. Μεταβλητές X: Ονομάζονται
Διαβάστε περισσότεραΗ ΜΕΘΟΔΟΣ PCA (Principle Component Analysis)
Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis) Η μέθοδος PCA (Ανάλυση Κύριων Συνιστωσών), αποτελεί μία γραμμική μέθοδο συμπίεσης Δεδομένων η οποία συνίσταται από τον επαναπροσδιορισμό των συντεταγμένων ενός
Διαβάστε περισσότεραΜεταπτυχιακή διατριβή
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ Μεταπτυχιακή διατριβή ΜΕΛΕΤΗ ΤΟΥ ΔΙΚΤΥΟΥ ΥΔΡΕΥΣΗΣ ΤΟΥ ΔΗΜΟΥ ΠΑΦΟΥ Μιχαηλίδης Δημήτρης Λεμεσός 2013 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ
Διαβάστε περισσότεραΕίσοδος. Καλωσορίσατε στο Ενιαίο Σύστημα Πληρωμών Δαπανών Ηλεκτρονικών Υπηρεσιών.
«Οδηγίες χρήσης εφαρμογής Ενιαίου Συστήματος Πληρωμών» έκδοση v.1.2, 10/09/2014 Περιεχόμενα Είσοδος... 3 Οικονομικά Υπεύθυνος... 4 Αρχική Οθόνη... 4 Διαχείριση Χρηστών... 4 Αναζήτηση Χρήστη... 4 Δημιουργία
Διαβάστε περισσότεραΗΥ240: οµές εδοµένων Χειµερινό Εξάµηνο Ακαδηµαϊκό Έτος Παναγιώτα Φατούρου. Προγραµµατιστική Εργασία 3 ο Μέρος
Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών 6 εκεµβρίου 2008 ΗΥ240: οµές εδοµένων Χειµερινό Εξάµηνο Ακαδηµαϊκό Έτος 2008-09 Παναγιώτα Φατούρου Προγραµµατιστική Εργασία 3 ο Μέρος Ηµεροµηνία Παράδοσης:
Διαβάστε περισσότεραΕΠΛ202:'Η'επιστημονική'δημοσίευση
Θέµατα ΕΠΛ202:'Η'επιστημονική'δημοσίευση 2 Ορισµός Τι είναι ένα επιστηµονικό άρθρο; Παρουσίαση και τεκµηρίωση µιας πρωτότυπης επιστηµονικής συνεισφοράς 3 Θέµατα Θέµατα 7 8 Θέµατα Ετεροναφορές Η δοµή ενός
Διαβάστε περισσότεραΨΗΦΙΑΚΟΣ ΓΡΑΜΜΑΤΙΣΜΟΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ ΨΗΦΙΑΚΟΣ ΓΡΑΜΜΑΤΙΣΜΟΣ Ενότητα 2: Software ΠΑΝΑΓΙΩΤΗΣ ΠΑΝΑΓΙΩΤΙΔΗΣ ΤΜΗΜΑ ΓΑΛΛΙΚΗΣ ΓΛΩΣΣΑΣ ΚΑΙ ΦΙΛΟΛΟΓΙΑΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότερακεφάλαιο Βασικές Έννοιες Επιστήμη των Υπολογιστών
κεφάλαιο 1 Βασικές Έννοιες Επιστήμη 9 1Εισαγωγή στις Αρχές της Επιστήμης των Η/Υ Στόχοι Στόχος του κεφαλαίου είναι οι μαθητές: να γνωρίσουν βασικές έννοιες και τομείς της Επιστήμης. Λέξεις κλειδιά Επιστήμη
Διαβάστε περισσότεραΕισαγωγή 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 περισσότεραΠΕΡΙΕΧΟΜΕΝΑ. Μονοδιάστατοι πίνακες Πότε πρέπει να χρησιμοποιούνται πίνακες Πολυδιάστατοι πίνακες Τυπικές επεξεργασίες πινάκων
ΠΕΡΙΕΧΟΜΕΝΑ Μονοδιάστατοι πίνακες Πότε πρέπει να χρησιμοποιούνται πίνακες Πολυδιάστατοι πίνακες Τυπικές επεξεργασίες πινάκων Εισαγωγή Η χρήση των μεταβλητών με δείκτες στην άλγεβρα είναι ένας ιδιαίτερα
Διαβάστε περισσότεραΔιαχείριση Πολιτισμικών Δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διαχείριση Πολιτισμικών Δεδομένων Ενότητα 6: Εισαγωγή στις Βάσεις Δεδομένων Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΜΑΡΚΕΤΙΝΓΚ
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΜΑΡΚΕΤΙΝΓΚ Ενότητα 10: Κοινωνικά Μέσα Μάρκετινγκ (1) Βλαχοπούλου Μάρω Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό,
Διαβάστε περισσότεραΕπαναληπτικές Ασκήσεις. Κάτια Κερμανίδου
Επαναληπτικές Ασκήσεις Κάτια Κερμανίδου kerman@ionio.gr Διαδίκτυο Tι από τα παρακάτω αποτελεί χαρακτηριστικό της web 2.0 φάσης της εξέλιξης του ιστού, και δεν υπήρχε στην φάση web 1.0 ιστοσελίδες με δυνατότητες
Διαβάστε περισσότεραΕρευνητικές τάσεις στο πεδίο της βιβλιοθηκονομίας και της επιστήμης της πληροφόρησης: Η δημοσιευμένη έρευνα
ΠΑΝΕΠΙΣΤΗΜΙΟ ΔΥΤΙΚΗΣ ΑΤΤΙΚΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΤΙΚΩΝ, ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΑΡΧΕΙΟΝΟΜΙΑΣ, ΒΙΒΛΙΟΘΗΚΟΝΟΜΙΑΣ KAI ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΗΣΗΣ Ερευνητικές τάσεις στο πεδίο της βιβλιοθηκονομίας και
Διαβάστε περισσότεραΟλοκληρωμένες Δράσεις προβολής δημοσιότητας για το Δήμο Αρχανών Αστερουσίων Εγχειρίδιο Χρήσης - Παρουσίαση
Novel Tech «Μέλος του Επιστημονικού & Τεχνολογικού Πάρκου Κρήτης» http://www.noveltech.gr info@noveltech.gr Ολοκληρωμένες Δράσεις προβολής δημοσιότητας για το Δήμο Αρχανών Αστερουσίων Εγχειρίδιο Χρήσης
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΑ Γ Γυμνασίου (Διευκρινιστικές σημειώσεις)
ΤΕΧΝΟΛΟΓΙΑ Γ Γυμνασίου (Διευκρινιστικές σημειώσεις) Εφαρμογή της μεθόδου έρευνας και πειραματισμού για εξοικείωση των μαθητών με τη διαδικασία της έρευνας στην παραγωγική διαδικασία. Μέσω της έρευνας στον
Διαβάστε περισσότεραΕργαστήριο Βάσεων Δεδομένων. Εισαγωγικό Φροντιστήριο Βασικές Έννοιες - Ανάλυση Απαιτήσεων
Εργαστήριο Βάσεων Δεδομένων Εισαγωγικό Φροντιστήριο Βασικές Έννοιες - Ανάλυση Απαιτήσεων Βάσεις Δεδομένων - Γενικά Ορισμός: Βάση Δεδομένων (ΒΔ) είναι μια συλλογή από σχετιζόμενα αντικείμενα. Τα περιεχόμενα
Διαβάστε περισσότερα710 -Μάθηση - Απόδοση
710 -Μάθηση - Απόδοση Διάλεξη 6η Ποιοτική αξιολόγηση της Κινητικής Συμπεριφοράς Παρατήρηση III Η διάλεξη αυτή περιλαμβάνει: Διαδικασία της παρατήρησης & της αξιολόγησης Στόχοι και περιεχόμενο παρατήρησης
Διαβάστε περισσότεραΝέες Τεχνολογίες και Βιβλιοθήκες Library 2.0
Νέες Τεχνολογίες και Βιβλιοθήκες Library 2.0 Ημερίδα 12/06/2009, Πανεπιστήμιο Λευκωσίας, Λευκωσία Ανδρέας Κ. Ανδρέου - Library 2.0 1 Θέματα 1. GreekLIS 2. Ορισμοί (Web 2.0, Library 2.0) 3. OPAC 2.0 4.
Διαβάστε περισσότερα1. Σκοπός της έρευνας
Στατιστική ανάλυση και ερμηνεία των αποτελεσμάτων των εξετάσεων πιστοποίησης ελληνομάθειας 1. Σκοπός της έρευνας Ο σκοπός αυτής της έρευνας είναι κυριότατα πρακτικός. Η εξέταση των δεκτικών/αντιληπτικών
Διαβάστε περισσότερα710 -Μάθηση - Απόδοση
710 -Μάθηση - Απόδοση Διάλεξη 6η Ποιοτική αξιολόγηση της Κινητικής Παρατήρηση Αξιολόγηση & Διάγνωση Η διάλεξη αυτή περιλαμβάνει: Διαδικασία της παρατήρησης & της αξιολόγησης Στόχοι και περιεχόμενο παρατήρησης
Διαβάστε περισσότεραΔύο κύριοι τρόποι παρουσίασης δεδομένων. Παράδειγμα
Δύο κύριοι τρόποι παρουσίασης δεδομένων Παράδειγμα Με πίνακες Με διαγράμματα Ονομαστικά δεδομένα Εδώ τα περιγραφικά μέτρα (μέσος, διάμεσος κλπ ) δεν έχουν νόημα Πήραμε ένα δείγμα από 25 άτομα και τα ρωτήσαμε
Διαβάστε περισσότεραΤίτλος Πακέτου Certified Computer Expert-ACTA
Κωδικός Πακέτου ACTA - CCE - 002 Τίτλος Πακέτου Certified Computer Expert-ACTA Εκπαιδευτικές Ενότητες Επεξεργασία Κειμένου - Word Δημιουργία Εγγράφου Προχωρημένες τεχνικές επεξεργασίας κειμένου & αρχείων
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #02 Ιστορική αναδρομή Σχετικές επιστημονικές περιοχές 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΔιαφοροποίηση στρατηγικών διδασκαλίας ανάλογα με το περιεχόμενο στα μαθήματα των φυσικών επιστημών
Διαφοροποίηση στρατηγικών διδασκαλίας ανάλογα με το περιεχόμενο στα μαθήματα των φυσικών επιστημών Κων/νος Στεφανίδης Σχολικός Σύμβουλος Πειραιά kstef2001@yahoo.gr Νικόλαος Στεφανίδης Φοιτητής ΣΕΜΦΕ, ΕΜΠ
Διαβάστε περισσότεραΛίγα 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 περισσότεραΙεραρχική αναλυση αποφασεων Analytic hierarchy process (AHP)
Ιεραρχική αναλυση αποφασεων Analytic hierarchy process (AHP) Εισαγωγή Παρουσιάστηκε από τον Thomas L. Saaty τη δεκαετία του 70 Μεθοδολογία που εφαρμόζεται στην περιοχή των Multicriteria Problems Δίνει
Διαβάστε περισσότεραΔιαδικτυακό Περιβάλλον Διαχείρισης Ασκήσεων Προγραμματισμού
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Διπλωματική Εργασία με θέμα: Διαδικτυακό Περιβάλλον Διαχείρισης Ασκήσεων Προγραμματισμού Καραγιάννης Ιωάννης Α.Μ.
Διαβάστε περισσότεραSGA Διαχείριση Ηλεκτρονικού Πρωτόκολλου
SGA Διαχείριση Ηλεκτρονικού Πρωτόκολλου Σελίδα 1 από 40 SGA Διαχείριση Ηλεκτρονικού Πρωτόκολλου 1. SGA Διαχείριση Ηλεκτρονικού Πρωτοκόλλου... 4 1.1. Γενικές αρχές του προσφερόμενου συστήματος... 4 1.2.
Διαβάστε περισσότερα1 Ανάλυση Προβλήματος
1 Ανάλυση Προβλήματος 1.1 Η Έννοια Πρόβλημα Τι είναι δεδομένο; Δεδομένο είναι οτιδήποτε μπορεί να γίνει αντιληπτό από έναν τουλάχιστον παρατηρητή, με μία από τις πέντε αισθήσεις του. Τι είναι επεξεργασία
Διαβάστε περισσότεραΧΩΡΙΚΕΣ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ
ΧΩΡΙΚΕΣ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΜΕΛΕΤΗ ΓΙΑ ΤΗΝ ΕΚΤΙΜΗΣΗ ΤΗΣ ΑΛΗΘΟΦΑΝΕΙΑΣ ΤΩΝ ΧΩΡΙΚΩΝ ΣΧΕΣΕΩΝ (COGNITIVE PLAUSIBILITY ASSESSMENT)... 2 ΣΥΝΔΥΑΣΜΟΣ ΤΟΠΟΛΟΓΙΚΩΝ ΚΑΙ ΚΑΤΕΥΘΥΝΤΗΡΙΩΝ ΣΧΕΣΕΩΝ ΣΕ ΧΩΡΙΚΕΣ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ...
Διαβάστε περισσότεραΠαραδοτέο Π.2.1. Υπερχώρος και διαχείριση μοντέλων
Έργο: Τίτλος Υποέργου: «ΘΑΛΗΣ: Ενίσχυση της Διεπιστημονικής ή και Διιδρυματικής έρευνας και καινοτομίας με δυνατότητα προσέλκυσης ερευνητών υψηλού επιπέδου από το εξωτερικό μέσω της διενέργειας βασικής
Διαβάστε περισσότεραΣεμινάριο Wordpress CMS (Δημιουργία Δυναμικών Ιστοσελίδων)
Σεμινάριο Wordpress CMS (Δημιουργία Δυναμικών Ιστοσελίδων) Τι είναι το Wordpress: To Wordpress είναι ένα δωρεάν ανοικτού κώδικα (open source) λογισμικό (εφαρμογή), με το οποίο μπορεί κάποιος να δημιουργεί
Διαβάστε περισσότεραΔιδακτικές Τεχνικές (Στρατηγικές)
Διδακτικές Τεχνικές (Στρατηγικές) Ενδεικτικές τεχνικές διδασκαλίας: 1. Εισήγηση ή διάλεξη ή Μονολογική Παρουσίαση 2. Συζήτηση ή διάλογος 3. Ερωταποκρίσεις 4. Χιονοστιβάδα 5. Καταιγισμός Ιδεών 6. Επίδειξη
Διαβάστε περισσότεραΣΥΝΘΕΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΟΜΑΔΩΝ ΠΑΡΑΓΩΓΗΣ ΕΦΑΡΜΟΓΩΝ ΠΟΛΥΜΕΣΩΝ
ΣΥΝΘΕΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΟΜΑΔΩΝ ΠΑΡΑΓΩΓΗΣ ΕΦΑΡΜΟΓΩΝ ΠΟΛΥΜΕΣΩΝ Εργασία στην Ενότητα Πληροφορική-Πολυμέσα του ΜΠΣ «Γραφικές Τέχνες Πολυμέσα» του ΕΑΠ Μ. Μαργαριτόπουλος ΠΕΡΙΕΧΟΜΕΝΑ ΠΑΡΟΥΣΙΑΣΗΣ Σκοπός παρουσίασης
Διαβάστε περισσότεραMedia Monitoring. Ενότητα 2: Η ανάλυση περιεχομένου. Σταμάτης Πουλακιδάκος Σχολή ΟΠΕ Τμήμα ΕΜΜΕ
Media Monitoring Ενότητα 2: Η ανάλυση περιεχομένου Σταμάτης Πουλακιδάκος Σχολή ΟΠΕ Τμήμα ΕΜΜΕ Ορισμός Μετατρέπει υλικό ποιοτικής κυρίως φύσης σε μορφή ποσοτικών/ποιοτικών δεδομένων Μπορεί να οριστεί ως
Διαβάστε περισσότερα