Завршни пројекат

Развој Веба и повећање количине доступних информација
Адаптација садржаја потребама корисника и концепт персонализованог хипермедија
Бројни примери употребе:
електронске продавнице (е-commerce)
туристички портали
медицина...
1. Увод

2. Прилагођење садржаја кориснику
Концепт индивидуализације и развој корисничких профила
Прилагођење садржаја кориснику чине:
прикупљање информација
обрада информација
приказивање садржаја кориснику
Методе индивидуализације:
кастомизација
персонализација

2. Прилагођење садржаја кориснику
Кастомизација
корисника сам бира садржај који жели
експлицитно прикупљање података
iGoogle, MyYahoo, Microsoft MSN
Персонализација
систем сам бира садржај за корисника
експлицитно и имплицитно прикупљање података
Facebook, YouTube, Google AdSense, E-target

3. Прикупљање, обрада и анализа података
Методе за прикупљање података:
експлицитна метода
имплицитна метода
Експлицитна метода
активно учешће корисника
формулари, гласања, оцењивање, препоруке,...
Имплицитна метода
пасивно учешће корисника
IP, тип читача, рачунар или мобилни уређај, време проведено на сајту...

Методе за обраду и анализу података:
филтрирање на основу правила
филтрирање на основу садржаја
филтрирање на основу колаборације
анализа имплицитно прикупљених података са Веба
3. Прикупљање, обрада и анализа података

Филтрирање на основу правила:
основу чине правила (услови) за филтрирање садржаја - уколико је А=‘нешто’ онда је Б=‘нешто друго’
предност – једноставан за употребу и лак за имплементацију
мана – различито значење речи у зависности од концепта
пример - локализација садржаја на основу IP адресе, верзија садржаја за мобилне уређаје, таргетирано рекламирање
3. Прикупљање, обрада и анализа података

Филтрирање на основу садржаја:
проналажење, упоређивање и приказивање садржаја који има сличности са претходним акцијама и интересовањима корисника
предност – корисник добија садржај који је сличан ономе што га је већ интересовало
мана – како прикупити довољно објективну информацију о интересовањима корисника
пример - препорука филмова на електронској продавници Амазон
3. Прикупљање, обрада и анализа података

Филтрирање на основу колаборације:
упоређивање интересовања корисника са интересовањима других корисника и приказивање сличних садржаја (активно, пасивно и филтрирање производа)
предност – препорука има одређену “тежину” и значај поготову при куповини неких врста производа
мане – неки производи су сувише “личног карактера” и препорука није од пресудног значаја
пример - продавнице књига, музике, филмова...
3. Прикупљање, обрада и анализа података

Анализа имплицитно прикупљених података са Веба
анализа логова веб сервера и “потрага” за одређеним шаблонима (патернима) понашања
Математичке методе:
статистичка анализа (statistical analisys)
асоцијативна правила (association rules)
проналажење секвенцијалних шаблона (sequental patern discovery)
кластеринг (clustering) и класификација (classification)
3. Прикупљање, обрада и анализа података

Мали и корпоративни сајтови најчешће користе филтрирање на основу садржаја док већи сајтови и портали комбинују неколико метода
Развој концепта Веб 2.0 и фирме које га промовишу утицаће на развој и коришћење ових метода, јер једино тако могу задовољити све пробирљивије кориснике својих услуга
4. Закључак