Εξατομίκευση (Personalization)

Transcript

1 Εξατομίκευση (Personalization) Τεχνολογίες & Υπηρεσίες (Ι) Δρ. Δημήτριος Α. Κουτσομητρόπουλος Τμήμα Επιχειρηματικού Σχεδιασμού και Πληροφοριακών Συστημάτων Α.Τ.Ε.Ι. Πάτρας 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; 1

2 Από το Food Foraging στο Information Foraging Food foraging: η διαδικασία αναζήτησης φαγητού στους προϊστορικούς ανθρώπους και τα άγρια ζώα Τα ζώα αποφασίζουν για το πού, πότε και πώς θα τραφούν χρησιμοποιώντας διαδικασίες που συνεχώς βελτιώνονται Οι μη βέλτιστες πρακτικές οδηγούν σε πείνα και άρα όλο και λιγότεροι απόγονοι τις μαθαίνουν και τις υιοθετούν σταδιακά εκλείπουν Αυτό που τελικά μένει είναι οι βέλτιστες τεχνικές food-gathering Οι σύγχρονοι άνθρωποι χρησιμοποιούν δεξιότητες επίλυσης προβλημάτων που έχουν τις ρίζες τους στη θεωρία της εξέλιξης και του food foraging Humans are informavors (=πληροφοριοβόροι) Dennett, 1991 Organisms that hunger for information about the world and themselves Οι άνθρωποι αναζητούν, συγκεντρώνουν, μοιράζονται και καταναλώνουν πληροφορία, ώστε να προσαρμόζονται Το Big Bang της πληροφορίας *** 1 EB (exabyte) = bytes 2

3 Το Big Bang της πληροφορίας International Data Corporation (IDC): in 2011, the amount of digital information produced in the year should equal 10 times that produced in 2006 The compound annual growth rate between now and 2011 is expected to be almost 60% Information Overload & Foraging Theory Information Overload 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 Pressures of the information environment A wealth of information creates a poverty of attention and a need to allocate it efficiently Herbert A. Simon Information Foraging Theory (Pirolli & Card, 1999): 3

4 Εξατομίκευση: Τι είναι; Η διαδικασία της συγκέντρωσης και αποθήκευσης πληροφοριών αναφορικά με τους χρήστες ενός website, η ανάλυση των πληροφοριών αυτών και, με βάση την ανάλυση, η αποστολή σε κάθε χρήστη της σωστής πληροφορίας στο σωστό χρόνο. Mulvenna et al., 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 Πολυσυλλεκτική περιοχή: Information retrieval, user modeling, AI, DBs, κ.α. Απλουστευμένο Διάγραμμα Εξατομίκευσης 4

5 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 Πεδία εφαρμογών Ηλεκτρονικό εμπόριο: προτάσεις για προϊόντα, εξατομικευμένη προώθηση, τιμολόγηση, διαμόρφωση της αρχικής σελίδας των ηλεκτρονικών καταστημάτων, κ.α. 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 5

6 Στοιχεία ενός συστήματος εξατομίκευσης 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 ή/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 6

7 Adaptability vs Adaptivity 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 Adaptability vs 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 7

8 Πορεία εξέλιξης εξατομίκευσης Παραμετροποιήσεις μέσω επιλογών check-box (check-box customization) Πληροφοριακές πύλες (my.yahoo) που επιτρέπουν στους χρήστες να επιλέξουν τους συνδέσμους που θα 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 με σκοπό να εντοπιστούν στοιχεία που θα καθορίσουν το πώς θα πρέπει να εξατομικευτούν οι πληροφορίες, οι υπηρεσίες ή τα προϊόντα που προσφέρει μια εφαρμογή (Mulvenna et al, 2000) Τι δεν θεωρείται εξατομίκευση (πλέον) Σε τεχνικό επίπεδο: To customization: ο χρήστης εμπλέκεται ενεργά στο να υπαγορεύσει στην content-serving πλατφόρμα τι ακριβώς να κάνει Το CRM: η εξατομίκευση μπορεί να αποτελέσει τη βάση μιας στρατηγικής CRM αλλά το CRM είναι κάτι πολύ ευρύτερο Content-serving, image-serving, DB look-ups, page layout design /modification: είναι ανεξάρτητες τεχνολογίες Σε επιχειρηματικό επίπεδο: Νέο ή σημαντικό περιεχόμενο γενικού ενδιαφέροντος Προσφορές της ημέρας No-brainer cross-sells : Τα αξεσουάρ ενός προϊόντος που αγοράζει ο πελάτης (μπαταρίες walkman) 8

9 Ακατάλληλα sites για εξατομίκευση Sites με απλό και συγκεκριμένο επιχειρηματικό μοντέλο (π.χ. να ανακοινώσουν τους λαχνούς που κερδίζουν ή να παρέχουν υπηρεσίες τηλεφωνικού καταλόγου) Sites περιεχομένου που είναι εστιασμένα, έχουν απλή δομή και περιέχουν περιορισμένο και συγκεκριμένο περιεχόμενο (π.χ. το site ενός τοπικού αεροδρομίου) Sites ηλεκτρονικού εμπορίου με λίγα προϊόντα (π.χ. με καφέ από μια συγκεκριμένη μάρκα, ή ρούχα ενός συγκεκριμένου σχεδιαστή) Κατάλληλα sites για εξατομίκευση Sites περιεχομένου με μεγάλο όγκο πληροφοριών (όπως πληροφορίες τεχνολογικής, οικονομικής ή ενημερωτικής φύσης) Sites που πωλούν μεγάλο αριθμό ομοειδών προϊόντων (ταινίες, βιβλία, CDs) ή προϊόντα ίδιου είδους αλλά από διαφορετικές εταιρείες Sites που θέλουν να συλλέξουν και να χρησιμοποιήσουν τη γνώμη των χρηστών για τα προϊόντα Οι Λειτουργίες της Εξατομίκευσης 9

10 Οι 4 λειτουργίες της εξατομίκευσης Απομνημόνευση (memorization) Καθοδήγηση (guidance) Παραμετροποίηση (customization) Υποστήριξη διεκπεραίωσης εργασιών (task performance support) 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 10

11 kotsovolos.gr multirama.gr Απομνημόνευση Καλωσόρισμα χρήστη 2. Καθοδήγηση (guidance) Βοηθά το χρήστη να εντοπίσει γρήγορα την πληροφορία που χρειάζεται και του παρέχει εναλλακτικές επιλογές πλοήγησης Σύσταση συνδέσμων Eκπαίδευση χρήστη 11

12 Καθοδήγηση My Amazon.com 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 12

13 Παραμετροποίηση Προσαρμογή περιεχομένου και συνδέσμων Google ειδήσεις Παραμετροποίηση Προσαρμογή περιεχομένου και συνδέσμων my.yahoo.com 13

14 Παραμετροποίηση Εξατομικευμένη διαφοροποίηση προϊόντων sonystyle.com 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 με βάση το προφίλ του (προτιμήσεις, προηγούμενες αναζητήσεις) 14

15 Υποστήριξη Διεκπεραίωσης Εργασιών Εξατομικευμένη συμπλήρωση ερωτήσεων gifts.com Παράδειγμα Εξατομίκευσης στο Amazon 15

16 My Amazon.com My Amazon.com 16

17 My Amazon.com 17

18 Amazon.com Ενδιαφέρον για Εξατομίκευση 18

19 Ενδιαφέρον για εξατομίκευση 19

20 Τι είδους περιεχόμενο να εξατομικεύεται; Τι είδους περιεχόμενο να εξατομικεύεται; 20

21 Κανάλια εξατομίκευσης Εξατομίκευση και κοινωνική δικτύωση 21

22 Η Διαδικασία Εξατομίκευσης 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/και τη δομή της web εφαρμογής 22

23 Απόκτηση/Συλλογή Δεδομένων Βήμα 1 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 εξοχήν goal-directed tasks) Απόκτηση/Συλλογή Δεδομένων Βήμα 1 Δεδομένα για τη χρήση Παρατηρούμενη χρήση Πράξεις επιλογής (ως ενδείξεις των ενδιαφερόντων, των προτιμήσεων, της μη οικειότητας με κάποιους τεχνικούς όρους, κλπ.) Temporal Viewing behavior viewing time ως ένδειξη για τα ενδιαφέροντα του χρήστη (συνήθως αδύναμος δείκτης αλλά χρήσιμος ως negative evidence) Βαθμολογήσεις Binary scale rating / limited discrete scale 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, share, like κλπ. 23

24 Απόκτηση/Συλλογή Δεδομένων Βήμα 1 Δεδομένα για το περιβάλλον Software environment Έκδοση browser και πλατφόρμα Plug-ins Java και JavaScript (πολλές φορές οι browsers ή τα firewalls μπλοκάρουν τα applets) 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, κτλ.) Χαρακτηριστικά του χώρου χρήσης (επίπεδα θορύβου, φωτεινότητα, αντικείμενα στο άμεσο περιβάλλον του χρήστη) Απόκτηση/Συλλογή Δεδομένων Βήμα 1 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 24

25 Δέχονται να δώσουν δημογραφικές πληροφορίες ώστε να λάβουν εξατομικευμένο περιεχόμενο Δέχονται να καταγράφονται τα clicks τους ώστε να λάβουν εξατομικευμένο περιεχόμενο 25

26 Δέχονται να δηλώσουν τις προτιμήσεις τους ώστε να λάβουν εξατομικευμένο περιεχόμενο Ενδοιασμοί για τα δεδομένα που χρησιμοποιούνται για εξατομίκευση (στοιχεία 2008) 26

27 Ιδιωτικότητα και εξατομίκευση στην ΕΕ (2010) Ανάλυση Δεδομένων Βήμα 2 Χρησιμοποιώντας τα προφίλ για εξατομίκευση ΣΤΟΧΟΣ (με δεδομένο το προφίλ): Να αποσταλούν ή να προταθούν έγγραφα (ιστοσελίδες με κατάλληλο περιεχόμενο), αγορές ή ενέργειες στο χρήστη Η φάση αυτή χρησιμοποιεί τεχνικές δανεισμένες από διάφορες επιστημονικές περιοχές για Data Analysis Τεχνικές Ανάλυσης Δεδομένων 1. Τεχνικές φιλτραρίσματος (Filtering techniques) a) Απλό φιλτράρισμα (Simple filtering) b) Φιλτράρισμα βασισμένο στο περιεχόμενο (Content-based filtering) c) Συνεργατικό φιλτράρισμα (Collaborative filtering) 2. Τεχνικές βασισμένες σε κανόνες (Rule-based techniques) 3. Web usage mining 27

28 Ανάλυση Δεδομένων Βήμα 2 a) 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 b) 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. given a suitable clustering of a product collection, if the user is interested in product p, he is likely to be interested in other members of the cluster to which p belongs (cluster hypothesis) Content-based filtering Παράδειγμα Ανάλυση Δεδομένων Βήμα 2 Ευκλείδεια απόσταση του (x 1,x 2,,x n ) από το (y 1, y 2,, y n ) Απόσταση της ταινίας Silence of the Lambs από όλες τις υπόλοιπες: 28

29 Ανάλυση Δεδομένων Βήμα 2 c) Collaborative filtering (CF) 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 Item-based CF User-based CF similar people like similar products Απόσταση του χρήστη Πέννυ από τους υπόλοιπους: (Ευκλείδεια απόσταση. Χρησιμοποιούμε μόνο τις ταινίες που έχουν δει και οι δύο χρήστες.) Ανάλυση Δεδομένων Βήμα 2 Δομή ενός συστήματος εξατομίκευσης 29

30 Ανάλυση Δεδομένων Βήμα 2 Item-based Collaborative Filtering Ανάλυση Δεδομένων Βήμα 2 User-based Collaborative Filtering 30

31 Ανάλυση Δεδομένων Βήμα 2 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 Observational personalization 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 Ανάλυση Δεδομένων Βήμα 2 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) Πώς μπορεί να αντιμετωπιστεί; 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 Παραγωγή Προσαρμογών Βήμα 3 Παραγωγή προσαρμογών (Adaptation production) Τύποι adaptations που μπορούν να εφαρμοστούν σε ένα 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): To 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 Προσοχή: sorting σε menu items προκαλεί σύγχυση στους χρήστες 32