![Übersicht ,[object Object],[object Object],[object Object],[object Object],[object Object]](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Recommended
Recommended
More Related Content
Similar to Personalisierung
Similar to Personalisierung (20)
Personalisierung
- 1. Personalisierung im Internet Dr. Udo Ornik
- 3. Definition Personalisierung Anpassung von angebotenen Informationen an die Interessen des jeweiligen Betrachters. Aber auch: Sammlung von Informationen über das jeweilige Verhalten des Betrachters
- 6. Problem: http:// Das http-Protokoll ist Verbindungslos. Das Web hat also kein Gedächtnis Get URL1 URL i Get URL2 Get URL3 . . . Im Prinzip ist für jede Webseite eine Verbindung notwendig
- 7. Problem: NAT und Proxies Hinter dem Gateway verliert sich die Spur
- 9. Cookie setzen <html> <head> <script language=JavaScript> function setCookie (name,value) { document.cookie=name+"="+escape(value) } </script> </head> <body> <A HREF="javascript: setCookie ('testCookie','Hallo ich binapos;s') "> ... Setze Cookie ... </A> </body> </html>
- 11. Cookie lesen <html> <head> <Script language=JavaScript> function getCookie() { alert(unescape(document.cookie)) } </Script> </head> <body onload= getCookie() > </body> </html>
- 13. Techniken: Codierte URLs Nach der Definition der persönlichen Einstellungen wird eine Eintrittswebsite als Favorit gespeichert: http://www.test.com/start.htm ?userid=215859 Über den Übergabestring kann der User beim Anklicken dieses Links wieder identifiziert werden
- 14. Codierte URLs Bsp: ASP <% userid =Request.Querystring(´´userid´´) %>
- 15. Techniken: Auslesen der Userdaten <% DbConn=Server.CreateObject(ADODB.Connection) DbConn.open (DSN=´´odbc-name´´) RS=Server.CreateObject(ADODB.RecordSet) SQL=´´Select * FROM userdaten where ID = ´´& userid RS.open DBConn, SQL %> Hallo <%=RS(´´Vorname´´)%> schön Sie wieder zusehen
- 19. Techniken: Automatische Erfassung von MetaDaten Abhdsivfnrnvfr poevppopopovgt Fkmkmkgmg < rthhzzjz > Eruh kog W i Vektor aus N Merkmalen, die jedem Dokument zugeordnet werden i Index für Merkmal j Index für Dokument URL j
- 23. Techniken: Logdateien W3C 132.180.237.26 - - [20/Dec/1999:15:26:39 +0100] "GET /~c99f72/mmi10.shtml HTTP/1.0" 200 208 132.180.237.25 - - [20/Dec/1999:15:26:47 +0100] "GET /~c99f71/form.html HTTP/1.0" 200 140 132.180.237.25 - - [20/Dec/1999:15:27:20 +0100] "GET /~c99f71/kursleiter.php3?n=blw HTTP/1.0" 200 188 132.180.237.26 - - [20/Dec/1999:15:27:32 +0100] "GET /~c99f72/check.php3?n=fghgfg HTTP/1.0" 200 88 132.180.237.26 - - [20/Dec/1999:15:27:56 +0100] "GET /~c99f72/mmi10.shtml HTTP/1.0" 200 . . . Dies sind längst nicht alle tatsächlich vorliegenden Informationen !
- 24. Techniken: W3C Extended #Fields: date time c-ip cs-username s-sitename s-computername s-ip cs-method cs-uri-stem cs-uri-query sc-status sc-win32-status sc-bytes cs-bytes time-taken s-port cs-version cs(User-Agent) cs(Cookie) cs(Referer) 1998-09-17 09:08:11 192.168.100.5 - W3SVC2 EMU 192.168.100.5 GET /private/index.htm,+Mozilla/4.0+(compatible;+MSIE+4.01;+Windows+NT),+- - 401 5 1403 269 16 80 HTTP/1.1 Mozilla/4.0+(compatible;+MSIE+4.01;+Windows+NT) - -
- 31. Strategien: Collaborative Filtering Durch gemeinschaftliches Filtern auf der Basis der Vorlieben anderer User werden Empfehlungen ausgesprochen.
- 33. Collaborative Filtering Titel1 Titel4 Titel3 Titel6 Titel1 Titel4 Titel2 Titel5 input Vorschlag Titel2 Titel5 Der Vorschlag lässt sich mit geeigneten statistischen Methoden berechnen
- 34. Collaborative Filtering Linearer Korrelations- Koeffizient (Pearson) Vorhersage für die Bewertung eines Merkmals i durch user a.
- 36. Content-Based Filtering: KI-Trainingsphase Abhdsivfnrnvfr poevppopopovgt Fkmkmkgmg < rthhzzjz > Eruh kog URL j Kodierung Input 0 uninteressant 1 interessant Wertung Dim N Neuronales Netz Dim N+1 W i . . . W i 1
- 37. Content-Based Filtering: KI-Trainingsphase Die kategorisierten Seite bilden Punkte in N+1 dim Vektorraum Punkt j aus Website Punkt k aus Training Metrik ermöglicht Erkennung interessanter Seiten W i 1
- 42. Quellen Übersichtsartikel Agentenbasiertes Suchen, Filtern und Klassifizieren von Informationsangeboten , Dipl. Kaufmann Frank Teuteberg, Preprint Europa Universität Viadrina Frankfurt Untersuchungen zur Personalisierung, Dipl.-Ing. Michael Sonntag, http://www.fim.uni-linz.ac.at/Publications/Aussendung10.98/Personalisierung.htm SWAMI, a framework for collaborative filetring algorithm development and evaluation , Danyel Fisher et al., University of Berkeley, http://epoch.cs.berkeley.edu:8000/~mct/f99/paper.html Seminar zur Personalisierung im Internet WS 00/01 , Universität Frankfurt, Lehrstuhl BWL , http://www.ecommerce.wiwi.uni-frankfurt.de:8080/lehre/00ws/seminar/seminararbeiten. html Viele Gesichter , c`t 2000, Heft 18, S88, Dietmar Janetzko, Dirk Zugemaier Wichtige Quelle für Forschungsarbeiten auf dem Gebiet des Collaborative Filtering: http://www.cs.umn.edu/Research/GroupLens/