P e r s o n a l i z a t i o n Τεχνολογίες & Υπηρεσίες [Part I] 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 & πώς μπορεί να προσαρμοστεί; 1
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. Όχι ότι κάνουν μαθηματικούς υπολογισμούς αλλά 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. [George Miller, 1983]: Humans are informavors (=πληροφοριοβόροι) 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 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% 2
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): 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. 3
Στόχος εξατομίκευσης Παρουσιάζει στο χρήστη περιεχόμενο (διαφήμιση, πληροφορία) που τον ενδιαφέρει Το περιεχόμενο αυτό τον ενδιαφέρει τόσο ώστε το session να διαρκέσει 1 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, κτλ.) Μηχανές αναζήτησης (search engines): αποτελέσματα που φιλτράρονται ή/και ταξινομούνται σύμφωνα με το προφίλ κάθε χρήστη 4
Στοιχεία ενός συστήματος εξατομίκευσης Πορεία εξέλιξης Παραμετροποιήσεις μέσω επιλογών check-box (check-box customization) Πληροφοριακές πύλες (my.yahoo) που επιτρέπουν στους χρήστες να επιλέξουν τους συνδέσμους που θα εμφανίζονται στις προσωπικές τους σελίδες Προϋποθέτουν ότι οι χρήστες γνωρίζουν εκ των προτέρων τα ενδιαφέροντά τους. Συνεργατικό φιλτράρισμα (collaborative filtering) Βασίζεται σε γνώση σχετικά με 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). 5
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 Adaptable Προσαρμόσιμος Adaptive Προσαρμοστικός Το ΤΙ θα επιλεγεί και σε ΠΟΙΟ βαθμό εξαρτάται από την κατά περίπτωση εφαρμογή: Τις απαιτήσεις που επιβάλει στο χρήστη Αν τον διακόπτει ήτοναποσπά Ποιες επιπτώσεις έχει ένα λανθασμένο adaptation 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 είναικάτιπολύευρύτερο 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) 6
Ακατάλληλα / Κατάλληλα 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) 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 εταιρίες Sites που θέλουν να συλλέξουν και να χρησιμοποιήσουν τη γνώμη των χρηστών για τα προϊόντα Οι 4 λειτουργίες της εξατομίκευσης Απομνημόνευση: καταγράφει και αποθηκεύει πληροφορίες για το χρήστη και τις χρησιμοποιεί για να ανακαλέσει τη συμπεριφορά του Χαιρετισμός χρήστη Bookmarking Εξατομικευμένα δικαιώματα πρόσβασης Καθοδήγηση: βοηθά το χρήστη να εντοπίσει γρήγορα την πληροφορία που χρειάζεται και του παρέχει εναλλακτικές επιλογές πλοήγησης Σύσταση συνδέσμων, εκπαίδευση χρήστη 7
Οι 4 λειτουργίες της εξατομίκευσης Παραμετροποίηση: παρέχει παραλλαγές μιας ιστοσελίδας (από άποψη περιεχομένου, δομής, και εμφάνισης), ώστε να ανταποκρίνεται στις γνώσεις, τις προτιμήσεις και τα ενδιαφέρονται κάθε χρήστη. Εξατομικευμένη διάρθρωση (layout) Προσαρμογή περιεχομένου ή συνδέσμων Εξατομικευμένο σχήμα τιμολόγησης Εξατομικευμένη διαφοροποίηση προϊόντων Υποστήριξη διεκπεραίωσης εργασιών: εκτέλεση μιας σειράς πράξεων από το σύστημα για λογαριασμό του χρήστη Eκπροσωπεί το χρήστη σε online δημοπρασίες Συμπληρώνει/ βελτιώνει τις ερωτήσεις που υποβάλει ο χρήστης σε μια μηχανή αναζήτησης Παραδείγματα εξατομίκευσης H σελίδα των ατομικών δηλώσεων ενός συγκεκριμένου χρήστη στο my.ceid (http://my.ceid.upatras.gr). 8
Προεπισκόπηση Εξατομικευμένης σελίδας Σελίδα Εγγραφής 9
10
11
12
13
Ενδιαφέρον για Εξατομίκευση 14
Τι είδους περιεχόμενο να εξατομικεύεται; Τι είδους περιεχόμενο να εξατομικεύεται; 15
Κανάλια εξατομίκευσης Εξατομίκευση και κοινωνική δικτύωση 16
Τα βήματα της διαδικασίας Εξατομίκευσης 1 2 3 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 για το χρήστη, τη χρήση και/ή το περιβάλλον χρήσης (user model, usage model, environment model) Ανάλυση Δεδομένων (ή Αναπαράσταση και Εξαγωγή Αναγωγών) Αναπαριστά το μοντέλο χρήστη και χρήσης σε κάποιο formal τρόπο, ώστε να είναι κατάλληλα για περαιτέρω επεξεργασία Επεξεργάζεται το σύνολο των διαθέσιμων δεδομένων με σκοπό να καταλήξει σε παραγωγή προσαρμογών Παραγωγή Προσαρμογών Προσαρμόζει το περιεχόμενο, την παρουσίαση, ή/καιτηδομήτηςweb εφαρμογής 1 Δεδομένα για το χρήστη Δημογραφικά δεδομένα Όνομα, διεύθυνση, τηλέφωνο, ΤΚ, πόλη, χώρα, Ηλικία, μόρφωση, εισόδημα. Ηπλειοψηφίατωνe-Shops σήμερα λειτουργούν με βάση αυτά τα δεδομένα σε συνδυασμό με purchase data Γνώσεις του χρήστη (user knowledge) Γνώσεις ή/και απόψεις κάθε χρήστη ( knowing what ) Δεξιότητες του χρήστη (user skills and capabilities) Ενέργειες και διαδικασίες που ο χρήστης γνωρίζει να διεκπεραιώνει ( knowing how ) Φυσικές ανικανότητες και περιορισμοί (handicapped) Ενδιαφέροντα και προτιμήσεις Στόχοι και σχέδια του χρήστη (οι online αγορές είναι κατ εξοχή goal-directed tasks) 17
1 Δεδομένα για τη χρήση Παρατηρούμενη χρήση Πράξεις επιλογής (ως ενδείξεις των ενδιαφερόντων, των προτιμήσεων, της μη οικειότητας με κάποιους τεχνικούς όρους, κτλ) Temporal Viewing behavior viewing time σανένδειξηγιαταενδιαφέροντατουχρήστη (συνήθως weak indicator αλλά χρήσιμος για 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, κτλ. Άλλες πράξεις επιβεβαίωσης και μη Το αν ο χρήστης προχωρά σε περαιτέρω επεξεργασία κάποιων σελίδων (προϊόντα, μαθήματα, άρθρα), όπως εκτύπωση, αποθήκευση, bookmarking, κτλ. 1 Δεδομένα για το περιβάλλον Software environment Έκδοση browser και πλατφόρμα Plug-ins Java και JavaScript (πολλές φορές οι browsers ή ταfirewalls 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) 18
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) 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 Δέχονται να δώσουν δημογραφικές πληροφορίες ώστε να λάβουν εξατομικευμένο περιεχόμενο 19
Δέχονται να καταγράφονται τα clicks τους ώστε να λάβουν εξατομικευμένο περιεχόμενο Δέχονται να δηλώσουν τις προτιμήσεις τους ώστε να λάβουν εξατομικευμένο περιεχόμενο 20
Ενδοιασμοί για τα δεδομένα που χρησιμοποιούνται για εξατομίκευση (στοιχεία 2008) 2 Επεξεργασία δεδομένων για την παραγωγή προσαρμογών 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 φιλτραρίσματος (Filtering techniques) Απλό φιλτράρισμα (Simple filtering) Φιλτράρισμα βασισμένο στο περιεχόμενο (Content-based filtering) Συνεργατικό φιλτράρισμα (Collaborative filtering) Τεχνικές βασισμένες σε κανόνες (Rule-based techniques) Web usage mining 21
2 Μέθοδοι Ανάλυσης Δεδομένων 1. Simple filtering Στηρίζεται στην κατηγοριοποίηση των χρηστών σε προκαθορισμένες ομάδες (ή κλάσεις) και στη συνέχεια στην αποστολή καταλλήλων σελίδων στους χρήστες κάθε κατηγορίας (συστάσεις για προϊόντα, ποσοστό έκπτωσης, κτλ.). 2. 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 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: 22
2 Μέθοδοι Ανάλυσης Δεδομένων 3. 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 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) Δομή ενός συστήματος εξατομίκευσης 23
2 Item-based Collaborative Filtering 2 User-based Collaborative Filtering 24
2 Μέθοδοι Ανάλυσης Δεδομένων Rule-based filtering Οι χρήστες απαντούν σε ένα σύνολο ερωτήσεων. Αυτές οι ερωτήσεις προκύπτουν από ένα δέντρο αποφάσεων (decision tree), ώστε αφού ο χρήστης ολοκληρώσει όλες τις απαντήσεις, αυτό που τελικά του επιστρέφει το σύστημα (για παράδειγμα, μια λίστα προϊόντων) να είναι προσαρμοσμένο στις δικές του ανάγκες. Observational personalization Web usage mining Βασίζεται στην εφαρμογή μεθόδων στατιστικής και data mining σε δεδομένα web log, ώστε να καταλήξει σε ένα σύνολο χρήσιμων μοτίβων (patterns) που αναπαριστούν την πλοηγητική συμπεριφορά των χρηστών. 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 οποίο όπως είναι φυσικό δεν υπάρχουν βαθμολογήσεις από χρήστες, είναι δύσκολο να καταλήξει να προταθεί Το collaborative filtering αντιμετωπίζει θέμα προκαταλήψεων H νέα γενιά εργαλείων εξατομίκευσης εφαρμόζει τεχνικές ανακάλυψης προτύπων (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. 25
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 ΠΡΟΦΙΛ του) Προσαρμογή του Περιεχομένου (content) Προσαρμογή της Παρουσίασης (presentation) Προσαρμογή της Δομής (structure) Προσαρμογή του Περιεχομένου (content) 1. Παραλλαγές σελίδων (συγγραφή διαφορετικών σελίδων για κάθε πιθανό συνδυασμό adaptation) 2. Παραλλαγές Fragment σελίδων (παραλλαγές για κάθε fragment κάθε σελίδας. Τα fragments συνδυάζονται δυναμικά σε ένα page frame για την παραγωγή της προσαρμοσμένης σελίδας) 3. Χρωματισμός Fragment (όλοι οι χρήστες βλέπουν την ίδια σελίδα με διαφορετικούς χρωματισμούς στα fragments, χαμηλή κρισιμότητα για λάθος adaptation) 4. Adaptive stretch text ( elastic text, κάνουμε expand ή collapse ανάλογα με το μοντέλο του χρήστη) 3 Παραγωγή προσαρμογών (Adaptation production) Προσαρμογή της Παρουσίασης (presentation) To περιεχόμενο παραμένει αμετάβλητο αλλά αλλάζει ο τρόπος παρουσίασης και μορφοποίησης Αντί κείμενο εικόνες, αντί κείμενο ήχος, αντί βίντεο εικόνες, κτλ. Προσαρμογή της Δομής (structure): Προσαρμογές στη δόμηση των συνδέσμων Adaptive Link Sorting Με βάση το κατά πόσο ταιριάζουν στο προφίλ του χρήστη (π.χ. recommendations) ήμεβάσητησυχνότητα χρήσης Προσοχή sorting σε menu items -> προκαλεί σύγχυση στους χρήστες 26
3 Παραγωγή προσαρμογών (Adaptation production) Adaptive Link Annotation Non-adaptive link annotation εφαρμόζεται ήδη σε όλους τους browsers Διαφορετικά χρώματα και σύμβολα για τη σήμανση των links με εξατομικευμένο τρόπο Adaptive Link hiding Αφαιρεί τα οπτικά σημάδια των links ώστε να φαίνονται σαν κανονικό κείμενο ή εικόνα Διατηρεί τη λειτουργικότητα των links Στόχος είναι η μείωση του οπτικού και πλοηγητικού φόρτου κάθε σελίδας 3 Παραγωγή των προσαρμογών (Adaptation production) Adaptive Link disabling Διατηρεί τα οπτικά σημάδια των links αλλά αφαιρεί τη λειτουργικότητα των links Παραβιάζει τις αρχές του hci γι αυτό και χρησιμοποιείται μόνο μαζί με link hiding Adaptive Link removal/addition Αφαιρεί εξ ολοκλήρου το link Μειώνεται σημαντικά ο γνωστικός φόρτος κάθε σελίδας Διευκολύνεται και κατευθύνεται η πλοήγηση σε συγκεκριμένο υποσύνολο σελίδων Περιορίζει σε πολλές περιπτώσεις την ελευθερία των χρηστών και τους μπερδεύει 27